Is uw AI-strategie Realistisch, of Alleen een Pijp-droom?

Luke Durcan, director van EcoStruxure bij Schneider Electric, herinnert een gesprek met een executive van een industriële firma die stelde: "We willen wat AI doen. We willen zo snel mogelijk AI in ons proces krijgen."

Toen Durcan vroeg: "Wanneer?" antwoordde de executive: "Waarschijnlijk juli."

Durcan observeerde dat de executive duidelijk een diep begrip miste van de processen, mechanismen, en vereisten nodig voor AI-integratie. Hij merkte op dat in veel industriële contexten "AI" vaak als buzzword gebruikt wordt in plaats van als concrete capaciteit.

Experts in industriële analytics en data science zijn unaniem over een gedisciplineerde, stap-voor-stap benadering: data contextualiseren, dan analytics, machine learning, en deep learning technieken toepassen om echte zakelijke resultaten te bereiken.

Atif Kureishy, hoofd van Teradata's AI en deep-learning initiatief, definieert AI als een suite van ondersteunende technieken – analytics, machine learning, deep learning – afgestemd om specifieke zakelijke problemen op te lossen. "Bijvoorbeeld, deep learning – neurale netwerken, GPU-gebaseerde berekening, en hoge-dimensionele data – stelt steeds nauwkeurigere voorspellingen in staat," legt Kureishy uit.

Industrieën die deze technieken vroeg adopteerden, omvatten consumer-tech, financiële diensten, en verzekeringen. Retail, telecommunicatie, en automotive volgen dicht op. In de productie is de automotive-sector onder de snelste adopters, gedreven door de focus op autonome voertuigen.

Durcan benadrukt de olie- en gasindustrie als pionier in processectoren. "Deze organisaties hebben decennialang geïnvesteerd in data, infrastructuur, en technologie omdat het consistent waarde leverde," zegt hij.

Verder op de rijpheidskurve tonen consumer packaged goods, materialen, mineralen, en mijnbouw-sectoren voortdurende vooruitgang, terwijl discrete fabrikanten – zoals elektronica-producenten – al best wel gevorderd zijn.

Wat moeten achterblijvende industriële bedrijven doen om in te halen in het tijdperk van Industrie 4.0, slimme fabrieken, en AI? En wat zijn de volgende stappen voor mid-tier bedrijven?

De eerste stap is een zelf-audit om een robuuste data-science fundering te garanderen. Teradata assisteert klanten vaak in het bouwen van de fundamentele elementen die haar bankklanten 30 jaar hebben gediend. Veel industriële bedrijven moeten de contextuele data die ze bezitten identificeren, sensoren kalibreren, en focussen op "data-science 101" – talent, tooling, en omgeving.

Volgens Gartner's 2023-onderzoek vertonen meer dan 87% van organisaties over alle sectoren lage business-intelligence en analytics-rijpheid.

Aan de start kan een fabrikant een netwerk van sensoren over zijn operaties deployen om de condities vast te leggen die een materiaal tijdens productie ervaart. Met contextuele data in handen, kan het bedrijf afwijkingen detecteren die defecten en schroot voorafgaan. "Dat is nog geen volledige voorspelling, maar het is een betere karakterisering van het proces," merkt Kureishy op.

Durcan benadrukt dat technologie geïntegreerd moet zijn met mensen en processen. "In een typische brown-field faciliteit, bezitten ervaren werknemers onschatbare proceskennis. Uw AI-tools moeten die expertise complementeren, incrementele waarde leverend," zegt hij.

Eenmaal een bedrijf een solide data-science-basis heeft, kan het geavanceerdere technieken als neurale netwerken verkennen. Naarmate rijpheid groeit, verschuift de focus van het beschrijven van gebeurtenissen naar het correleren van variabelen en het vaststellen van causaliteit. "Als A gebeurt, treedt B op, dus weten we dat C zich zal voordoen," legt Kureishy uit. "Dit voorspellende inzicht stelt proactieve interventie in staat."

Verder verfijning stelt voorschrijvende aanbevelingen in staat om processen te optimaliseren of te repareren. De piek van deze reis is volledig geautomatiseerde anomalie-detectie en -resolutie – essentieel een geautomatiseerde "terminator" van defecten, zoals Kureishy grapje maakte.

Durcan waarschuwt dat de AI-reis geen eindbestemming heeft. "Er is geen nirvana op de horizon; het landschap blijft evolueren," zegt hij.

Ten slotte moeten industrie-leiders dataintegratie prioriteren. Data alleen is slechts het startpunt voor voorspellende of analytische modellen. Het begrijpen van de activum-hiërarchie, model, en context is cruciaal. Daaruit kunnen organisaties gedetailleerde dataflows en infrastructuur bouwen, wat beschrijvende visualisaties en operationele reacties mogelijk maakt. "Dat is wat 90% van de mensen data voor gebruikt," voegt Durcan toe. "De eerste stap is de moeilijkste."