Hoe manufacturingbedrijven sneller waarde uit hun data halen met AI

Data analytics, machine learning, artificiële intelligentie (AI) … Net zoals organisaties uit andere sectoren hebben ook manufacturingbedrijven de voordelen ontdekt. Slechts 15% van de geïmplementeerde AI-projecten levert vandaag business value op.

Trefwoorden: #AI, #artificiële intelligentie, #data, #machine learning, #SAS

Lees verder

Productnieuws

( Foto: SAS )

ENGINEERINGNET.BE - Dat meer dan 80% van de projecten geen waarde oplevert, toont aan dat veel bedrijven het nog steeds lastig hebben om AI en machine learning effectief te gebruiken.

Toch mogen we de meerwaarde van deze technologieën voor manufacturing niet meer ontkennen. Ze helpen om de risico’s te verminderen, verbeteren de efficiëntie van installaties, verhogen de productkwaliteit, genereren meer tevreden klanten, leiden tot kostenbesparing en kunnen zelfs voor nieuwe inkomstenbronnen zorgen.

De pandemie heeft voor een versnelde digitalisering gezorgd en was tevens een kantelpunt voor de adoptie van technologie. Maakbedrijven willen dat hun investeringen vandaag veel sneller vruchten afwerpen in een productieomgeving. Maar hoe kunnen we ervoor zorgen dat modellen vaker waarde genereren en de time to value voor analytics aanzienlijk gereduceerd wordt?

Daarvoor moeten we nagaan waarom zoveel modellen niet succesvol zijn. De oorzaak zit vaak in het feit dat bij manufacturingbedrijven data analytics nog in de kinderschoenen staat. Ze moeten hun datasets eerst samenbrengen en integreren. Die data kan bijvoorbeeld afkomstig zijn van sensoren, maar ook van kwaliteitsinspecties, leveranciers die de grondstofkwaliteit meten, operatoren die met installaties werken, enzovoort.

Ingenieurs en data scientists
Om deze uitdaging op te lossen, moeten IT en de business beter op elkaar worden afgestemd zodat iedereen in de organisatie de data kan vinden en benutten. In veel sectoren is data de nieuwe olie en daardoor zijn data scientist erg gegeerd op de arbeidsmarkt. Gelukkig hoeven manufacturingbedrijven hun ingenieurs niet te vervangen door een leger data scientists.

Ze hebben in het verleden al tal van nieuwe methodologieën geïmplementeerd (Kanban, JIT, lean six sigma …) en voor de ingenieurs in het bedrijf is data analytics voornamelijk een techniek die op deze fundamenten voortbouwt.

Bovendien kan een data scientist geen context geven aan data en beschikt deze persoon niet over de kennis van een ingenieur die weet hoe een model waarde kan opleveren. In de praktijk moeten we er dus vooral voor zorgen dat iedereen - van ingenieurs tot data scientists en IT-specialisten - met elkaar praat.

Voor de data scientists betekent dit dat ze de taal van ingenieurs moeten begrijpen. En de ingenieurs moeten op hun beurt vertrouwen krijgen in de modellen die ze op installaties loslaten. De testcondities waarin zij gewend zijn te werken, zijn niet altijd van toepassing op de werkelijkheid.

Een klein temperatuurverschil kan in sommige omstandigheden bijvoorbeeld een grote impact hebben op de resultaten van een model dat in zo’n testomgeving tot stand is gekomen. Analytics biedt potentieel om deze onverwachte variabiliteit te helpen verklaren.  Omdat de root causes geïdentificeerd zijn en inzichten in real-time updaten, zorgt AI voor de handvaten om processen te blijven verbeteren.

Er is dus een goede wisselwerking nodig. Met AI en Machine Learning kunnen we extra variabiliteit in data vinden, maar uiteindelijk zijn het de ingenieurs die er vanuit hun ervaring en dankzij het testen van hypotheses nog steeds context aan geven en bepalen wat relevant is.

Een low/no-code omgeving voor analytics
De oplossing om ingenieurs sterker te betrekken in het ontwikkelen van modellen, ligt in het democratiseren van AI en analytics. Hiervoor heeft SAS een strategisch partnership met Microsoft opgezet. Aangezien Azure voor maakbedrijven de meest gebruikte cloudoplossing is en hier al heel wat data beschikbaar is, bieden de SAS apps op de Azure Marketplace een unieke opportuniteit om inzichten te vergaren en modellen sneller in productie te brengen.

Bij elke klant werkt SAS met een vierstappenplan. Eerst gaan we na of er potentieel is voor analytics en daarna brengen we dat potentieel aan het licht in de vorm van een inspirerende lighthouse case.

Dankzij het SAS Machine Learning use case canvas worden alle aspecten van zo’n case in kaart gebracht. Met dit canvas vertrekken we vanuit de waarde om het potentieel te identificeren en te ontdekken welke data hiervoor nodig is, welk type analytics moet worden toegepast, welke objectieven of succesfactoren we willen behalen, en hoe we dit in onze dagelijkse manier van werken kunnen integreren.

De derde en de vierde stap van het proces bestaan uit het realiseren en opschalen van het potentieel. Daarom moeten we met het assessment goed nagaan hoe we het model in een productieomgeving zullen laten draaien en welke architectuur nodig is om de case op grotere schaal te operationaliseren.

Omdat de diagnose slechts een klein onderdeeltje is van het uitgebreidere digitale transformatieplan, moeten we iedere partij in dit proces betrekken - ingenieurs, data scientists, IT, C-level, etc. Zonder deze gestructureerde beoordeling zal een model zelden waarde kunnen opleveren voor het bedrijf.

Dankzij het partnership met Microsoft krijgen ingenieurs toegang tot gebruiksklare oplossingen waarvoor ze geen kennis van code nodig hebben. Ze hoeven dus niet te wachten tot er een data scientist beschikbaar is, want zo zouden ze alleen maar kostbare tijd verliezen. In de Microsoft Azure Marketplace zit bijvoorbeeld een app waarmee ingenieurs de kwaliteit van een proces gemakkelijk kunnen beoordelen.

Zo kunnen ze in een no-code interface zelf op zoek gaan naar data en patronen, waarna het uiteraard nog steeds mogelijk is om het model voor te leggen aan een data scientist die het kan perfectioneren, de parameters kan aanpassen en het met de juiste evaluatiecriteria in productie kan brengen.

Snellere time to value
Momenteel werken wereldwijd al meer dan 80.000 klanten in manufacturing met SAS. Niet alleen biedt Azure Cloud snel toegang tot data, het is ook mogelijk om de resultaten te integreren in andere Microsoft-componenten.

Om bedrijven zelf te laten ervaren hoe ze sneller waarde uit data kunnen halen, organiseert SAS samen met Microsoft regelmatig workshops met behulp van een pilootinstallatie die ‘Smart Factory in a Box’ werd gedoopt. Met de tips en inzichten uit deze sessie kunnen deelnemers nadien in hun eigen organisatie het potentieel en de waarde van analytics evalueren of er meteen zelf mee aan de slag gaan.

Wat er de komende jaren ook gebeurt, in het post-coronatijdperk is de speeltijd voor AI voorbij. Wie erin slaagt om real-time inzichten uit ruwe data te halen en moderne AI-oplossingen met succes kan toepassen, zal zeker een concurrentieel voordeel halen. IDC voorspelt zelfs dat 75% van de maakbedrijven tegen 2024 predictieve analytics zal toepassen om de productkwaliteit te verbeteren.

Niet alleen moet een groter aantal modellen waarde opleveren, het wordt daarnaast ook mogelijk om modellen snel te reproduceren voor andere fabrieken of faciliteiten. Zelfs al heeft elke fabriek eigen kenmerken en uitdagingen, een goede basis zorgt ervoor dat we een model enkel moeten finetunen en de voorgaande stappen dus niet iedere keer moet herhalen.

Graag meer weten over het potentieel van datagedreven digitale transformatie in manufacturing en hoe u AI schaalbaar kunt maken dankzij een no-code/low-code aanpak? Download dan zeker deze gratis whitepaper.