Download het artikel in 
ENGINEERINGNET.BE - Het bedrijf trok van Roeselare naar Gent waar het nu een 45 medewerkers telt. Ook in Amsterdam zijn er tien aan de slag en nog eens vijf in Berlijn. Nu ging ook een vestiging in London van start. “We ambiëren de groei voort te zetten”, zegt oprichter Nicolas Deruytter die zich als innovatiepartner profileert.
"We kwamen veel problemen tegen in de industrie die we met ‘reinforcement learning’ kunnen oplossen”, aldus Deruytter. Het systeem doet een actie en kijkt welke impact dat heeft. En opnieuw, en opnieuw,… Zo leert de machine autonoom bij. “Het blijkt echter dat de industrie hier lang niet klaar voor is. Bedrijven zijn nog bezig met het installeren van sensoren die ze geconnecteerd moeten krijgen. Let wel, er zijn uitzonderingen.”
ML6 finetunet de elektrische motoren en batterijen van het Belgische Sarolea. “De lading van een eenvoudige batterij kan je via een afgeleide weergeven. Bij grotere, samengestelde packs is dat complexer. Je moet het systeem leren hoe een batterij zich onder bepaalde omstandigheden gedraagt om exacte waardes mee te geven.”
Het grootste wijnbedrijf van het VK, dat 200 miljoen liter wijn bottelt per jaar, klopte aan om zijn verlies in dat vulproces te verminderen. ML6 bracht het productieproces in kaart, zette een detectiesysteem op één van de zes productielijnen. Een regelgebaseerd anomaliereductiesysteem visualiseert in realtime waar er verliezen optreden zodat er onmiddellijk maatregelen genomen kunnen worden. In een tweede fase neemt machine learning het over om verspilling ‘automatisch’ tegen te gaan.
Goed in zelflerende software
“We hebben geen domeinexpertise. We zijn goed met zelflerende software”, zegt Deruytter. Men gebruikt IoT-data, leert de fysica van een bepaalde machine, genereert een simulatiemodel en zet daar reinforcement learning op. Zo zijn parameters efficiëntie, yield, kwaliteit,… gedefinieerd op basis van echte data.
“De volgende stap is dat model lokaal te zetten en te trainen, te verbeteren. Dit kan wel even duren. Maar het is super geschikte technologie voor dynamische omgevingen.” Een van zijn eerste cases was kankerdetectie aan de hand van computervisie. Voorts ook verkeersvoorspellingen. “Daarvoor gebruikten we ‘memory networks’ die bedoeld waren voor natural language processing. We pasten dat toe op IOT-data om het ontstaan van congesties te bepalen.” Een maatschappelijke insteek van het bedrijf: grote, energievretende bedrijven efficiënter laten produceren.
Ingrijpen in het proces van een bedrijf vormt een enorm risico. “Dat willen we bij klanten wegnemen.” Het verbeterproces start met een heel klein deeltje en offline. Alles verloopt duidelijk gefaseerd. Acties worden via dashboards aan de operator voorgesteld om daarna te rapporteren wat er wel of niet het gevolg van was. Vervolgens wordt een semi-automatische controller overwogen. “Maar zover zijn we met ons stappenplan nog niet. We doen het wel met een selecte groep partners.”
Uitlegbaarheid is een uitdaging
Een belangrijke uitdaging is de ‘uitlegbaarheid’ van het bekomen AI-resultaat. “Ook voor ons is het vaak onduidelijk waarom het systeem met een bepaalde actie of oplossing uitpakt. Met onze stapsgewijze aanpak willen we wel komen tot die uitlegbaarheid”, zegt Deruytter die ervaart dat hoe hoger in de ‘chain of command’ des te meer explainability nodig is.
“In een eerste stap zullen we de data in vraag stellen om dan een systeem op te zetten dat anomalieën naar de oppervlakte brengt. Daarvoor moet je een businessverklaring ontwikkelen.” Met reinforcement learning kan je een en ander opvangen maar… “soms is die businessverklaring er niet. Met visualisaties van dataverlopen zoeken we dan achterliggende ontwikkelingen aan te wijzen. Soms lukt het gewoon niet om een descriptieve beschrijving te bieden. Vandaar: een uitdaging. Het is ‘work in progress’”.
Menigeen kijkt met enig wantrouwen naar AI. De technologie evolueert razendsnel en de wetgever volgt nauwelijks. In de lente van dit jaar richtte ML6 een ‘ethische commissie’ op. Een kwart van de medewerkers schreef zich in om samen te beslissen wat ze wel en niet zullen ontwikkelen “en om te voorkomen dat, als we iets ontwikkelen, het voor foute doeleinden gebruikt zal worden”, zegt Deruytter.
“We ontwikkelden een beslissingsboom. De eerste vraag: kunnen we garanderen dat er geen menselijk leed wordt berokkend door wat we doen? Sommige zaken zijn zwart of wit. Kankeronderzoek doen we, andere zaken doen we niet.” En dan zijn er ook ‘grijze zones’ die de commissie van naderbij bekijkt. “Onze mensen worden vijf keer per dag benaderd om elders te gaan werken. Voor onze ingenieurs is een duidelijk ethisch werkkader nodig. Omdat wij dit doen, kunnen we sterk talent aantrekken en behouden.” ML6 zetelt ook in de Europese High Level Expert Group on AI waar het zijn praktijkkennis deelt.
Over de aanpak is er eerst veel nagedacht om het vervolgens op nieuwe cases te testen. “Niemand heeft ons gezegd dat we dat moeten doen. Bij ons is het ook ‘work in progress’. We hebben het voordeel al wat langer te bestaan en kunnen daarin investeren. We hoeven niet op alles ‘ja’ te zeggen.”
Door Luc De Smet
Kader: Open software of niet?
Drie jaar geleden zette ML6 met een viertal medewerkers meer focus op AI gebaseerde asset control. “Voor ons is het een strategische focus om daar een apart team op te laten werken”, aldus Nicolas Deruytter die nu een spin-off opzet: Waizu, Japans voor Wijs. “Daarin zullen we de software al dan niet open source ter beschikking stellen.” Hij zoekt collaboraties en wil liefst niet dat de commerciële kant van de zaak een showstopper zou worden. “Maar die beslissing is nog niet genomen.”
Kader 2: Cloud voor ‘heavy lifting’
Trainingsfarms gooien er ruwe rekenkracht tegenaan. Dat kan nu met cloudtechnologie en burst computing. Voor ‘simpele’ zaken zoals computervision vergt de berekening enkele minuten. Voor andere problemen kan het dagen tot zelfs maanden duren. “Je kan wel snel inschatten of het al dan niet zinvol is een berekening verder te zetten”, zegt Deruytter. Typisch merk je een steile succescurve die op een bepaald ogenblik aftopt om dan maar weinig extra meer te leveren. “Dan is het tijd om af te klokken.”
“De maakindustrie is typisch avers voor cloudtechnologie en data buiten de muur te sturen. Maar als je de best practices volgt, is cloud veiliger dan het huidige systeem”, vindt Deruytter die zelf voor ‘heavy lifting’ de cloud intrekt. Het zwaardere werk. “Als een controlealgoritme getraind is, wordt het lokaal bij de machine of het proces gezet. De cloudconnectie hoeft daarna niet meer. Een getraind model is niet groot (enkele honderden megabytes, misschien) en wordt op de edge gezet, dicht bij waar het nodig is.”
