Er zijn nog maar weinigen die onbekend zijn met AI en machine learning. De voordelen van het invoeren van predictive maintenance en automatische kwaliteitsinspectie kunnen enorm groot zijn voor je bedrijf. Maar ondanks dat… Wees voorzichtig bij het betreden van deze wereld. Het is er eentje met slechts weinig regels, veel onontdekt gebied, maar met een enorm potentieel. Welkom in het wilde westen van de Artificial Intelligence.
Vergeet de logica
In vrijwel iedere situatie werkt IT volgens een bepaalde logica. Als je dit invult, of dit doet, dan gebeurt dit, krijg je dit te zien of beweegt dit. AI werkt totaal anders. Vergeet de logica, bij AI gaat het om patronen. Onderzoek dit en kijk wat er gebeurt. Vind je een patroon, dan heb je wellicht goud in handen. Maar zo niet… probeer het dan nog eens.
Wat probeer je eigenlijk op te lossen?
Deze ‘trial en error’ manier van werken is zeer tijdsintensief en daardoor ook behoorlijk prijzig. Om het leven van je data engineers nog een beetje overzichtelijk te maken, is het dan ook zeer belangrijk om hen van de juiste specificaties te voorzien. Welk probleem probeer je op te lossen? Wat wil je bereiken? En, zeer belangrijk, is AI daarbij echt de beste oplossing?
Doe gewoon iets!
Als een data expert aan de slag gaat met alleen jouw vereisten gaat het vaak mis. Vergelijk het maar met alsof jouw baas aan je vraagt om een verhaal te schrijven. Gewoon een verhaal. Uiteraard vind je dat geen probleem, maar om het uit te kunnen voeren heb je meer informatie nodig. Het onderwerp bijvoorbeeld. En hoe lang moet het worden? In welke schrijfstijl? Enzovoorts. Dezelfde vlieger gaat op voor het succesvol implementeren van een AI oplossing voor jouw fabriek of industrie. Zonder de juiste details is het vrijwel onmogelijk om het juiste resultaat te behalen en loop je forse (financiële) risico’s.
Om de kans op succes te vergroten kan het volgende helpen:
- Vraag jezelf de juiste vragen: is AI echt wat ik nodig heb? Is de potentiële winst hoog genoeg ten opzichte van de risico’s die horen bij de implementatie van AI? Net zoals in het echte wilde westen is er geen garantie op succes. In ieder geval niet in het begin.
- Werk iteratief. Start met een strategie en een concept. Ga vervolgens verder met de bouw van een PoC (Proof of Concept) om er achter te komen of jouw concept realistisch is (trial en error). Pas daarna druk je op de grote rode knop voor het ontwikkelen van een MVP (Minimum Viable Product).
- Om de kans op een mismatch te verkleinen, is het belangrijk dat het data team zo nauw mogelijk samenwerkt met de (toekomstige) hoofdgebruikers.
Goede samenwerking is cruciaal
Om dit punt te verduidelijken: bij LINKIT hanteren we de slogan ‘building it together’. Dat doen we niet voor niets. Zeker als het gaat om het implementeren van een complexe AI oplossing is goede samenwerking cruciaal. Om terug te komen op het ‘zomaar’ schrijven van een verhaal. Met AI zijn er altijd vele, vele factoren waar je rekening mee moet houden. En om het nog moeilijker te maken zijn deze factoren in iedere situatie weer anders. Dingen zoals het weer, verlichting, machinespecificaties en zelfs hoe mensen die gebruiken zullen de uitkomst van het onderliggende algoritme beïnvloeden.
Alle informatie krijgen die je nodig hebt, is daarom enorm belangrijk voor een data scientist of engineer. Een goede samenwerking met onder andere de machine operators- en beheerders is dan ook de sleutel om het gewenste resultaat te behalen. Want hoe ruiger de omgeving, des te meer je van elkaar afhankelijk bent.
Wil je meer weten over de ‘hoe’ van het implementeren van AI en machine learning in een industriële setting? Lees dan ook onze whitepaper ‘van ongestructureerde data tot waarde voor je bedrijf’. Of bel met één van onze experts voor meer informatie.
