Optimalisatie en ondersteuning met AI in de industrie

Welkom bij een nieuwe aflevering van AIToday Live. Leuk dat je weer luistert. Mijn naam is Joop Snijder, CTO bij Aigency. Mijn naam Niels Naglé, chapter lead, Data & AI bij Info Support. En vandaag hebben we te gast Nienke Vergeer. Nienke, welkom in de aflevering. Zou je je willen voorstellen aan de luisteraars? Natuurlijk. Nou ja, Nienke Vergeer dus. Ik ben Digital innovation manager binnen Siemens Digital Industries. Het zegt toch wel gelijk, binnen de industrie. Ik weet niet hoe goed de luisteraars Siemens een beetje kennen, dus niet de waterwassers. Oh ja, precies. Wat dan wel? Wat dan wel? Industrie, fabrieken bijvoorbeeld, maar ook de waterschappen, chemische plants, alles wat beweegt in een fabriek in principe, van productiemachines tot processen, water flows, van alles en hoe je dat aan moet sturen. Ja grappig want ik had zelf natuurlijk ook een associatie met Siemens en juist inderdaad de huiselektronica. Dus interessant om dat te horen dat er ook een hele andere tak is. Er zijn heel veel andere takken. Die huisproducten zijn exact niet Siemens meer, Dat is juist verkocht. Er zit alleen nog een brand label op. Ja, nadat de lampen eigenlijk ook niet meer van Philips zijn. Exact. En wat betekent kunstmatige intelligentie voor de industriële tak waar jij je dan in begeeft? Kunstmatige intelligentie betekent vooral, ik wil niet zeggen een droom, maar een enabler voor heel veel mogelijkheden om uiteindelijk bepaalde maatschappelijke vraagstukken... die veel fabrieken hebben op te lossen, maar ook efficiënter te gaan werken, meer te kunnen produceren, om te kunnen gaan met de verouderde arbeidsmarkt. Ik denk in de IT hoef je dat niet te zeggen. Er zijn niet zo veel mensen te vinden in de techniek, al helemaal niet. Dus dat is best wel lastig. Terwijl we in principe ook meer moeten produceren met minder mensen. We moeten allerlei uitdagingen op gaan lossen en daar is AI een van de mogelijkheden van om daarmee om te kunnen gaan. Heb je nog een ander voorbeeld van een maatschappelijk probleem wat daarmee opgelost moet worden? Duurzaamheid. Duurzaamheid, ja! Behoorlijke! Klein uitdaging. We stoten gewoon een derde van de CO2 uitstoot met z'n allen met fabrieken uit ter wereld. Dus daar hebben we best wel een uitdaging waar we mee moeten dealen en verantwoordelijkheid Maar wat echt niet makkelijk is, want we moeten tegelijkertijd ook door blijven gaan met produceren... en de wereld draaiende houden in principe. Dus je kan niet stoppen. - Dat was een spannende beweging. - Ja, dat ging automatisch. Er kwam geen kunstmatige intelligentie aan te pas, slechts een natuurkracht. - De zwaartekracht doet het ook. - Ja, de zwaartekracht doet het ook. - Maar dat is dus een topic waar je echt wel actief mee bezig moet zijn... en waar AI een van de mogelijkheden kan zijn om uiteindelijk bijvoorbeeld de duurzaamheidsvraagstukken binnen fabrieken op te lossen. Zie je daar al een toepassing van? Bijvoorbeeld in energie monitoring zie je terugkomen. Als je bijvoorbeeld naar productiemachines kijkt en naar het energienet, als je dat combineert, dan heb je vaak last. Die machines gaan allemaal om 7 uur 's ochtends aan, die pieken je stroombelasting op je net. Wat je eigenlijk wil gaan doen, kijken of bijvoorbeeld met de AI algorithms die machines net op een ander moment, zodat op momenten dat het netwerk niet belast is, het juiste moment te starten of het juiste moment iets harder te zetten of zachter te zetten, zodat je bijvoorbeeld peak shaving doet. Ja, precies. Dus dat soort dingen zou je eventueel door AI ook kunnen helpen. Ja, dat is dan wel heel erg in samenwerking met de mensen die misschien bij de machines en met de machines aan het werk zijn, waar dat ook impact heeft. Dat is best wel een complex vraagstuk, lijkt mij zo. Veel van dit soort vraagstukken zijn best wel complex. Want het is enerzijds de mensen die met de machines werken, maar je gaat ook... De wereld is ook groter geworden. Als je vroeger bijvoorbeeld kijkt, bijvoorbeeld het implementeren van bepaalde technologie in zo'n fabriek, dan was het bubbeltje in de fabriek. Maar nu heb je de combinatie naast de mensen die met de productiemachine werken, maar ook de mensen bijvoorbeeld die de netbeheer, dus de stroomcapaciteiten, de gebouwbeheer. Dus het komt heel veel stakeholders komen met elkaar samen, waar een technologie dan inderdaad de bindende factor voor kan zijn. En hoe zit het dan met die samenwerking tussen die partijen? Is dat dan gewoon een afspraak die je onderling maakt? Dat is dus de discussie die ook veel al gaande is. Dat is de moeilijkheidsgraad voor heel veel vlakken. Dus dat is nog niet een beton gegoten. Maar wel onderweg, dus goed dat de gesprekken lopen inderdaad. Dat gaat natuurlijk wel het verschil maken, dat je die informatie beschikbaar maakt... en bij elkaar kan brengen en met elkaar de juiste stappen kan nemen. Met alle belangen die natuurlijk verschillend zijn in het geheel. En dat is dan AI voor een stukje inzicht en opstartprocessen. Heb je nog andere voorbeelden? - Zeker. Als je bijvoorbeeld naar de industrie kijkt, dan is één de grote belofte... voor veel is predictive maintenance. Als hij dan binnenkort kapot gaat, dat hij ook bijvoorbeeld een connectie gaat maken naar bijvoorbeeld je HR-systeem, zodat de juiste monitor op het juiste moment staat, of je ERP-systeem, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, zodat je ook met de juiste spullen boel staat, dat je ook met de juiste spullen boel staat, zodat dat allemaal met elkaar gesynchroniseerd is. En niet blijft hangen bijvoorbeeld door alleen het algoritme wat op de machine draait. Ja, leuk dat het daar leuk af gaat, maar er moet ook nog actie ondernomen worden en daarmee te acteren inderdaad. Vraagt u bij mij, als ik over industrie en AI in mijn toepassing lees, heel veel wordt er ook met simulaties al gewerkt. Klopt, digital twins. Ja, en hoe gaat AI daarbij ondersteunen? Daar zit AI veel al in. Bijvoorbeeld we hebben een best wel een groot project gehad een aantal jaren geleden al die best wel vooruitstrevend was. Dat was binnen Airborne. Dat is een fabrikant die bijvoorbeeld covers van laptops maakt en die hadden wat in de industrie best wel een dingetje is bijvoorbeeld omsteltijden. Dus hoe ga je nou zo snel mogelijk van de ene setting van je machine naar de andere setting van je machine zodat je andere producten kan En zij wilde eigenlijk doorberekenen, oké, we hebben een productiemachine, een lijn staan, die eigenlijk niet functioneert, niet de output levert die wij nodig hebben. Hoe ga ik dat nou fixen? Met de veronderstelling van, we hebben bijvoorbeeld een robot hier staan, dat is echt de superstar van onze lijn. Maar daaruit bleek eigenlijk dat zij de bottleneck was van de lijn. Uiteindelijk door middel van een algoritme over de lijn, die ze dan in de lijn hadden gepland, dat zij de bottleneck was van de lijn. Uiteindelijk door middel van een algoritme overheen te halen... om te kijken hoe we alles precies zo kunnen afstellen... zodat de meest optimale flow er plaatsvindt. Met heel veel berekeningen er overheen. Gezondheid. -Ja, dank je. Maar daar bleek dus uit... Ze wilden eerst bijvoorbeeld zetten er zoveel mogelijk bakjes op die band... die erop passen. Nu bleek dat er gewoon een derde van de bakjes minder op die band moest. dat de robotarm eigenlijk te snel was voor het proces en daardoor eigenlijk alles kapot maakte. En als je die bijvoorbeeld 9 centimeter opschoof, dat het helemaal weer in synch was. En daardoor bijna dubbel aan productie kon draaien. - Wat een verschil. - Ja, en dat is gewoon heel veel geld wat je daardoor kunt creëren. Dus dat is een andere soort en daar gaan we die combinatie met simulatie maken. Want in principe wil je dan in eerste instantie, heb je die hele productielijn gemaakt, hoe je dat allemaal kan laten bewegen, hoe je daar bijvoorbeeld al kan simuleren dat die bepaalde fouten er al uit halen van tevoren, door middel van een digital twin, en ook bijvoorbeeld het virtuele bedrijf stellen, zodat je bijvoorbeeld je productielijn die je dan wil plaatsen, dat je die niet in de praktijk hoeft te testen op trial and error, of die wel of niet kapot gaat, maar dat je dat van tevoren kunt simuleren. En dan heb je ook de technische aspecten, Dat je die niet in de praktijk hoeft te testen op trial and error, of die wel of niet kapot gaat. Maar dat je dat van tevoren al eigenlijk helemaal, bijvoorbeeld je hele code al door getest hebt, op een virtuele manier waar je bijvoorbeeld ook AI algoritme werk kan gebruiken, of AI algoritmes kan gebruiken, om bijvoorbeeld een deel van de code te laten schrijven. Je ziet bijvoorbeeld nu ook die JTPT integratie, die een deel van de productiecode kan gaan schrijven. Die is nu opkomende, wat alweer een uitdaging is met IP. - Zeker. Dus daar zie je nu wel die combinaties komen waar die twins met elkaar gaan combineren. En AI is in principe ook een twin voor zo'n omgeving. Een van de puzzelstukjes om het uiteindelijk met z'n allen te integreren. Ja, gaan we wel even een klein stapje meer even de twin in, wat voor mij ook wel een passie is inderdaad. Zo'n twin zie je vaak in simulatie en in werkelijkheid wordt de hardware neergezet en dat verweert. En dat heeft allemaal uitdagingen die in de simulatie natuurlijk wat moeilijker is, die je wel probeert na te bootsen. Hoe gaan jullie om met die data van de werkelijkheid en de simulatie? Het optimale wat je doet is dat je begint met je engineering proces natuurlijk. Dus laten we zeggen, we gaan een productiemachine van scratch aan designen. Dan ga je dat hele proces door met je simulatie, je twins, door alle fases heen. Hoe je dat uiteindelijk ook helemaal combineert met hoe dat moet interacteren met de fabriek. En uiteindelijk kom je in de echte wereld terecht, waarbij je de sensoriek gaat toepassen, waar bijvoorbeeld predictive maintenance gaat doen. En wat je dan idealiter ziet, is dat je eigenlijk de close loop engineering... of een hardware in de loop of software in de loop... waardoor je eigenlijk oneindig data weer terug naar het begin van het proces brengt... zodat je in het begin van de engineering weer de data uit het veld pakt... om weer verder te optimaliseren. - Top, mooi om te horen inderdaad. We hebben het er vaak over, maar het wordt niet altijd in de praktijk toegepast... maar die close loop inderdaad, net zoals voor AI-oplossingen... die feedback loop die we nodig hebben, is hier ook van essentieel belang? Dat is heel belangrijk. Niet dat hij er heel vaak is hoor. Nee! Maar de filosofie. Dat hij er moet zijn. Dat hij er moet zijn, dat maakt wel de kracht van, anders eindigt het op een gegeven moment gewoon. Ja, dan blijft het bij simulatie werkelijkheid en dan mis je de link inderdaad. Wat me nog triggert is het stukje design. Het wordt natuurlijk ook ontworpen, de robotiek en dat soort zaken. Hoe ver wordt AI daar al in toegepast? Want je leert heel veel van wat er in de praktijk gebeurt. Dat heeft een bepaalde uitwerking. AI is ook heel goed in nieuwe dingen ontwerpen die wij als mensen denken van het ziet er wel heel vreemd uit, maar wel heel goed werken. Ja, en je ziet het inderdaad ook al in de softwarepakket verschijnen waarbij je ontwerpsoftware, waar bijvoorbeeld, nou je hebt weer zo'n productiemachine, waarbij wij die AI integratie hebben, waarbij die bijvoorbeeld voorstellen kan doen hoe je al een bepaald component bijvoorbeeld engineert, of hoe je een bepaalde constructie in elkaar zet. Dus daar zie je het inderdaad ook al wel terugkomen. Ja, mooi. Dus alle vlakken van de keten eigenlijk. Nou, Aisha heeft een vraag van tevoren ingediend... die denk ik hier best wel op aansluit. Dus ik wil haar eventjes... Oké. Kom er in Aisha. Maar ik... Ze komt niet door. -Nee? Nee. Oh, lekker is dat weer. Maar daar komt ze zo wel. Dus nog even een bakje koffie doen. - Ja, precies. Nou, de vraag is, ik bedoel, ik kan hem zelf stellen. Ik kan hem hier. Wat is de beste manier om te testen, want je hebt het over die closed loop en dat soort dingen, om te testen dat de AI blijft doen waarvoor je hem ook ontworpen hebt? Ja, dat is best wel een vraagstuk waar we ook veel mee bezig zijn. Op een gegeven moment ga je het dan over sustainable AI hebben. Dus hoe ga je continu dat AI-model blijven optimaliseren, zodat je in de fabriek komt er best wel snel ruis doorheen, scrap doorheen. En hij degradeert eigenlijk vanaf het moment dat je hem aanzet. Dus daarmee moet je continu eigenlijk bezig blijven om dat AI-model te blijven optimaliseren, up-to-date te houden en optimaal te houden. En daar zie je nu allerlei services ontstaan, maar ook data scientist bij bepaalde bedrijven zelf, om dat te kunnen gaan doen. Maar dat is best wel een uitdaging, want je ziet ook vaak, kijk als je naar de industrie kijkt, een heel groot deel van de industrie bestaat gewoon uit MKB-bedrijven. En die hebben echt fantastische electrical engineers, mechanical engineers, en dat soort gasten in dienst, maar geen AI-specialisten. En die gaan er ook niet komen, want dat is gewoon niet de core business van die organisatie. Dus dan is het wel de vraag van, oké, Wij moeten als organisatie lopen tegen maatschappelijke uitdagingen aan. Wij moeten groeien, we moeten vooruit. We moeten als Nederland voor blijven lopen ten opzichte van de rest van de wereld. Of überhaupt mee te kunnen blijven komen. Dus we moeten wel hier investeren, maar we hebben niet de mensen die dit kunnen. En hoe ga je daar dan mee dealen? En als je dan bijvoorbeeld, laten we zeggen, een AI-model koopt of zo. Of laat implementeren. Dat betekent niet dat je daardoor klaar bent. En dan blijft het ook wel, dat is eigenlijk met alles met digitalisering, met elke twin. Je moet door blijven gaan. Want anders degradeert het gewoon en dan heb je er niks meer aan. Dus hoe ga je dat dan wel in je organisatie inbedden? Dus dat is best wel een groot vraagstuk waar veel van dat bedrijf tegenaan loopt. En hoe gaan we dit nou toekomstbestendig maken zodat je ook er toekomstig geld aan blijft verdienen. Ja, want dat wordt wel heel vaak vergeten. Want ze denken van, nou ja, die AI is getraind. Dus hiermee hebben we nu een, tussen aanhalingstekens, een zelflerend systeem. En vervolgens hoeven we daar niet meer naar om te kijken, toch? want die leert. - Nee, dus niet. Nee, totaal niet. Net wat jij zegt, hij degradeert vanaf het moment dat je hem in productie zet. Ja, het verandert gewoon. Net zoals het een hele mooie analogie is om het met een machine te vergelijken. De machine heeft ook onderhoud nodig. Die moet ook olie en gewoon onderhouden worden. En hetzelfde geldt voor de stromen van data en AI en de modellen die daarvoor nodig zijn. Ja, en daarnaast staat het ook in de fabriek best wel in een pittige omgeving. Dus je hoeft maar, je hebt bijvoorbeeld een helemaal gekalibreerde trillingssensoren. Rijd je ze even in de voorkeur terug langs. Hoe ga je daarmee om? Dat verandert iedere keer. De lading wordt misschien anders. Het zijn van die kleine nuance die wel het grote verschil kunnen maken. Zeker. Ik had een tijdje geleden al experimenteren met een productiemachine. En dan stonden we daar en met die trillingssensoren kwamen hele mooie grafiekjes en dingetjes uit. En dan zat je te kijken en dacht je, oh ja vet, nu komt er echt iets uit. Dit gaat me voorspellen. En vervolgens dacht ik, nou, ik reed er een vorkheftruck en dat voorbij. En je zag dat hele ding helemaal beleid worden. En dan dacht ik, ja, daar kom je precies niks mee. - Nou, een mooi voorbeeld, ja. - Dat vind ik wat mooi aan industrie. Het is zo dicht tegen de werkelijkheid. Je kan het gewoon aanraken. En de data die leeft daardoor bij mij ook vaak sneller. En je ziet gewoon iets bewegen en je ziet het effect hebben. Maar ja, in dit geval wil je dat misschien niet, want die ruis wil je eigenlijk uitfilteren om het goede model te hebben. En wat zijn de technieken die jullie daarvoor toepassen om dit eigenlijk te detecteren? Nu kom je erachter en dan dacht ik, maar hoe ga je dat soort dingen detecteren, afvangen? Ja, we hebben daar een heel verhaal omheen, maar ik ben geen AI-expert. We hebben allerlei knappe koppen in Duitsland zitten die dat helemaal uitgedacht hebben en daar actief mee bezig zijn. Het lijkt me ook echt iets heel specialistisch. Ja, dat is het wel. Het is echt wel specialistisch iets, maar we hebben een sustainable AI, er zitten allerlei concepten achter om dat te fixen. - Te fixen, te borgen, te detecteren en de processen eromheen. - Juist. Ja, ik kan je daar niet een heel goed antwoord op geven. - Nee, want dit is een antwoord. - Ja toch? - Absoluut. Wat maakt in jouw ogen de uitdaging in de industrie misschien anders dan in andere sectoren? Dan ga je een beetje naar de historie van de industrie kijken. Want de industrie zelf is natuurlijk super stug. Het bestaat uit... Er is een hoop historie, we hebben er heel veel geld aan verdiend. Daardoor bestaat er bijvoorbeeld heel veel legacy en historie staat er in Nederland. Maar ook in Europa. Dat maakt direct ook dat we op dit soort vakken vaak achterlopen ten opzichte van de rest van de wereld. Die eigenlijk met een green field kunnen beginnen. Dus eigenlijk een blanco sheet en vanaf daar kunnen we beginnen met allerlei digitale technieken. Wij hebben hier gewoon oude fabrieken staan die het heel goed doen, daar niet van, maar ook mensen die ook fantastisch werk doen, maar wel op die manier ingericht zijn, op die manier denken en werken. En die moet je dus enerzijds overtuigen om mee te komen. Daarnaast moet je ze dus op een andere manier laten nadenken. Maar je moet de fabriek ook dusdanig geschikt maken hiervoor. En dat kost ook behoorlijk wat tijd. En dat is ook niet makkelijk. Hoe ga je nou, laten we zeggen, productiemachines gaan 30, 40, soms 50 jaar mee. Daar staat apparatuur en er staan soms nog MS-DOS-machines aangeknoopt. Succes met je AI, veel plezier. Dus hoe ga je nou die combinatie tussen oud en nieuw maken... en dat het wel synchroniseert en tegelijkertijd ook je mensen meekrijgt... in deze transformatie. En dat is echt wel lastig. Ja, want wij zitten best wel veel in de, nou toch iets meer administratieve hoek. Ja, Niels die zit ook, hij slaat heel erg aan op het industriegedeelte. Maar daar is het natuurlijk ook veel makkelijker om aan te tonen. Dus je laat je AI trainen op een, je model trainen op een bepaalde data. En je kan laten zien dat die beter voorspelt, dat die het beter doet. Dat lijkt me zeg maar in de industriële wereld. Risicovol. Ja toch? En zeker, je gaat niet even zomaar het productieproces even omgooien. Nee, het productieproces is heilig. Die stop je niet. Klaar. Dat doe je gewoon niet. En daarnaast, nou ja, goed, we hebben die oude fabrieken staan. Maar dat betekent dus ook dat je niet zomaar A en B kan lopen testen. Je kan niet iets nieuws ernaast zetten en dan weer doorgeladen. Je zet niet even een spriet. Het proces moet door, want de business as usual blijft gewoon draaien. En tegelijkertijd, als je het dan bijvoorbeeld wel test, als je een moment gekozen hebt van oké, nu gaan we doen, daar gaan we mee aan de slag, we zijn bereid om die investering te doen om die fabriek bijvoorbeeld stil te zetten, dan heb je ook best wel wat risico's. En alleen, de risico's zijn dan niet oké, vervelend, we lagen data kwijt, of er wordt bijvoorbeeld even geen productie gedraaid. Nee, dat kunnen bijvoorbeeld ook veiligheidsrisico's zijn voor mensen. Als je bijvoorbeeld, laten we zeggen, waar bijvoorbeeld ook AI veel toegepast wordt in AGV's, Automated Guided Vehicles, van die karretjes die door de fabriek heen rijden om bijvoorbeeld spullen in weer te brengen. Als ik daar bijvoorbeeld een algoritme in zet, die moet gaan detecteren, die zelf daardoor, dat karretje zelf moet na gaan denken. Als er bijvoorbeeld met één productiemachine heel veel, bijvoorbeeld een behoorlijke lood heeft en binnenkort een keer kapot gaat, of bijvoorbeeld een storing intreedt of iemand drukt een noodstop in... en dat die zijn lading naar een andere machine moet verzenden... moet die niet halverwege door de muur heen rijden. Of over een mens heen rijden. Dus er zijn best wel wat ander type risico's waar de impact op heeft. Snap ik. Ja, en de combinatie inderdaad, wat je zegt van... hardware die al zoveel jaar er staat of meegaat... de delen gerepareerd zijn, eigenlijk is bijna iedere situatie uniek. En hoe ga je daar generiek mee om? Dat is wel een interessante uitdaging, ook een mooie uitdaging, maar dat maakt het wel heel moeilijk inderdaad... om de A/B te testen of inderdaad iets erop te bezetten in plaats van iets aan te passen. Wat in draaiende systemen gewoon noodzakelijk is, dat je er iets bij zet voor de data. Beschikbaarstelling eigenlijk, om daar weer mee aan de slag te gaan. Ja, dat maakt bijvoorbeeld predictive maintenance ook zo lastig. Want dat betekent dus dat je bereid moet zijn om die machine naar de getver te laten draaien. Ja, en dan nog... - En wanneer gebeurt dat? En er staan mensen aan de lijn die ook hun ervaring hebben. En daar ben ik opnieuw naar inderdaad, dus we vragen nu op. Dadelijk zegt de AI bepaalde adviezen en er staan ook mensen aan de lijn die jaren ervaring hebben. Hoe gaan die mensen meegenomen worden? Want die maken ook beslissingen al jaren. Zeker. Ja, en dan kom je op het menselijk aspect. Hoe ga je daarmee dealen? Hoe ga je mensen bijvoorbeeld het vertrouwen geven als de AI zegt... "Druk op het rode knopje", dat je op het rode knopje drukt. En dat je dat vol vertrouwen doet. Dat is best wel een stap voor mensen die inderdaad gewend zijn om volledige controle over zo'n fabriek bijvoorbeeld te hebben. En ook echt het vingerspietsen gevoel bijvoorbeeld. Als ze ergens voorbij horen en ze horen iets kraken, denken ze 'oh, de laag is kapot'. Dat is het, ja. En dat moet er, nou ik wil niet zeggen dat het er niet uit moet, maar daar moeten we ook heel veel van gaan leren. Dus we moeten die kennis gaan gebruiken om van die mensen dat in die algoritmes te krijgen. Want wat het wel is, die mensen gaan straks... De meeste mensen die dat hebben, over tien jaar met pensioen. Als het niet sneller is. Ik was bijvoorbeeld een aantal maanden geleden bij een bedrijf. En die zei, ja, ik heb echt een groot probleem. Want over vijf jaar ben ik gewoon 15% van mijn personeelsbestand kwijt. Oef. En hoe ga ik dat opvullen met kennis en kinderen? Waar is mijn bedrijf dan? Niet alleen de handjes, maar met name ook de ervaring en de fingerspitzengefühl. En inderdaad die waardevolle... Ja, eigenlijk. - De kern van zijn organisatie. De data en de verantwoordelijkheid dat ze dragen. 15 procent, dat is echt gigantisch. - Dat is echt gigantisch af en toe. Dat kunnen ze zich echt zo niet voorstellen. - Dat kunnen ze zich niet voorstellen om te maken. Ja. - Ja. Ja, en dat is pittig. En hoe ga je daarmee dealen? - Ja. En daardoor heb je wel die overstap van oké, die mensen... Je moet daar nu die kennis van gaan gebruiken en dan bijvoorbeeld in die modellen gaan doen, want straks kan het niet meer. Ja. - Maar dat is dus wel lastig, want die mensen hebben dan wel het gevoel, oh ik word vervangen. Ja. - Dat klopt, maar... hebben geen vervanger voor je. - Nee, precies. Dat is een heel psychologisch lastig moment. Vervangen worden door een ander mens is dus blijkbaar ook nog iets anders... dan vervangen worden door een machine. Misschien in de industrie, misschien stel ik een hele rare vraag hoor, zouden ze dat bijna haast gewend moeten zijn... omdat daar de robotisering toch ook wel in is gekomen? Of denk ik nu te makkelijk? Dat in het bedrijfsproces, in het productieproces... ook steeds meer. De vorige revolutie ging over automatisering, dus ja, er is een hoop geautomatiseerd en dan gaat door de tijd heen is er steeds meer handwerk verdwenen. Dat blijft zo doorgaan, alleen dat noemen we nu digitalisering. Dus ja, ze zijn er wel een een of andere manier van gewend, maar ja. Dit voelt dan toch. Het voelt anders. Het is geen stuk staal wat naast je staat, Het is opeens een magisch iets die vanuit de cloud tegen je staat te praten. Ja, ja. Dus daar ook gewoon weer een stukje kennis, wat is het wel, wat is het niet. Want het is eigenlijk een verrijking van je eigen fingerspitzengefühl. Waarin het vertrouwen, dat moet je langzaam gaan opbouwen en uitbreiden. Dat is natuurlijk een heel delicaat proces. Maar wel van essentieel belang dat het gebeurt inderdaad. Maar wel als verrijking moeten zien. Zeker, dus het is net hoe ga je er als leider, hoe ga je ermee om? Ja, dus het is ook een stukje cultuur en ethiek. Ik heb het ook wel vaker over containerpapier. - Container en leiderschap zijn hier echt een grote succesfactoren. - Zeker. Ik zie Joop met zijn handen. - Ja, we gaan dat nog een keer proberen. - Prettig kennis te maken. Ik ben Aisha, de AI van deze podcast. Mag ik je een vraag stellen? - Tuurlijk. - Wat zijn volgens jou de grootste uitdagingen... bij het ontwerpen van inclusieve AI-systemen? - Oeh. - Intelligente vraag. Ja zeker, inclusieve AI-systemen. Laat het zo zeggen, de industrie is mannen gedreven. Ja, ik denk dat je dat makkelijk kan zeggen. Ik sta inderdaad af en toe wel eens op een podium en daar maak ik ook wel grapjes als ik rondkijk. 90% wat daar gewoon tegenover zit is gewoon man van de middelbare leeftijd, grijs koep. Of kaal. Dus daar gaat gewoon een bias in zitten. Dat is niet expres, dat is niet zo bedoeld, maar het sluipt erin. Dus daar kan je wel rekening mee houden. Alleen je ziet wel, kijk in de industrie, het gaat vaak over technische processen. Dus een bias, ik wil niet zeggen dat het minder relevant is, maar het heeft bijvoorbeeld, als je zo'n conflict bijvoorbeeld met belastingdienst vergelijkt, ja, met een productiemachine gaan we geen mensen vergelijken. Dus er gaat ook veel minder privacygevoelige informatie in. En het gaat er wel in hoor, zeker wel. Maar in veel mindere maten. Dus jij gaat op die manier, is het misschien iets minder? Ja, kan me niet meer voorstellen. Je kan bijvoorbeeld wel kijken, als je bijvoorbeeld een AI-model gebruikt in het ontwerp van een productiefaciliteit. En daar werken mannen en vrouwen. Hopelijk wordt die balans straks beter, daar zijn we ook met z'n allen hard mee bezig, om die balans recht te trekken. Maar dan moet je dus geen fabriek ontwerpen die helemaal geschikt is bijvoorbeeld voor de ergonomie van de man. Of bijvoorbeeld de slanke man van 1,80 meter. Want er lopen gewoon meerdere vormen en maten in zo'n fabriek rond. Ja, ik kan me ook zo voorstellen, je had het net al over die karretjes, die mensen moeten kunnen herkennen, dat daar ook inclusiviteit, niet alleen mannen, vrouwen, maar misschien ook mensen met een rolstoel, dan heb je het ook over inclusiviteit. Misschien gezichtsherkenning gaat komen, dan heb je het allemaal wel over dat soort dingen. Ja, gezichtsherkenning om bijvoorbeeld een productiemachine te starten. Ja. Dank je wel voor je zorgvuldige reactie. Potverdorie. Nou, dan krijg je toch zomaar een compliment. Maar AI al niet goed voor u. - Dat wou ik zeggen. Ik heb wel een heel mooi beeld gekregen van AI in de industrie. Voor mij is de industrie best wel... Nou, ik ben meer consument, zeg maar. Dus ik begeef me niet zo heel vaak daarin. Niels echt heel veel meer, dat hoor je. Interessant om te horen. Mij lijkt het leuk om zo direct nog even te kijken naar... naar en zo direct is een volgende aflevering daarvan. Wat zijn nou succesfactoren of uitdagingen juist in deze sector? Of misschien zelfs wel in het algemeen, denk ik. Nienke, hartstikke dank dat je onze gast wilde zijn. Ja, leuk om te zijn. Ja, en nou ja. Ja, oh soms hè. De techniek staat voor niks. Ik zit aan het verkeerde knopje te draaien. Gelukkig heb ik Niels erbij. Je luistert weer naar een aflevering van E&AIToday Live. Wil je geen aflevering missen? Abonneer dan via je favoriete podcast app en mis geen aflevering. Dankjewel voor het luisteren. En mis geen aflevering. Dankjewel voor het luisteren. 468