Door: LMN & Hanzehogeschool Groningen
Op 23 september jl. vond een Go & See van LMN plaats met als thema AI en machine learning modellen. De dag werd gehost door de Hanzehogeschool Groningen, waarbij Derk Eising als gastheer optrad.
Het belang van dit thema werd onderstreept door het grote aantal deelnemers dat vanuit heel Nederland was afgereisd om aan dit event deel te nemen. Opvallend waren de grote verschillen in disciplines van de aanwezigen. Dit laat zien hoe breed het thema AI leeft en hoeveel invloed het kan hebben op ons dagelijks werk en onze organisaties.
De aftrap was voor Remi Thuss, docent Hanze, die ons meenam in de geschiedenis van artificiële intelligentie. Daarbij werd duidelijk dat al in 1950 over AI werd gesproken, onder meer in relatie tot de bekende Turing-test. In 1965 volgde ELIZA, een van de eerste chatbots. De echte doorbraak van AI voor het grote publiek kwam echter pas in 2022 met de introductie van ChatGPT.
Vervolgens werd uitgelegd hoe machine learning-modellen werken en hoe algoritmen op basis van zelflerende systemen patronen kunnen herkennen. Met behulp
van de Google-applicatie Teachable Machine werden deelnemers uitgedaagd om zelf aan de slag te gaan. Via hun eigen laptop konden zij een herkenningsmodel trainen en direct ervaren hoe eenvoudig een AI-model bepaalde objecten of beelden kan leren herkennen.
Een praktische toepassing hiervan kwam in het tweede deel van de middag aan bod. Jeroen, student Hanze, nam ons mee in een project dat hij heeft uitgevoerd bij VEPA. Het doel daar was om fouten eerder in het productieproces te detecteren, zodat onnodige werkzaamheden konden worden voorkomen en de leverbetrouwbaarheid kon worden verhoogd.
Met behulp van standaard hardware en software, waaronder een relatief eenvoudige camera zoals een GoPro, bleek het mogelijk om bekende fouten snel en betrouwbaar te detecteren. Opvallend was dat het model met slechts 300 goede en 30 foutieve producten al voldoende kon worden getraind om deze taak nauwkeurig uit te voeren. Daarmee werd direct zichtbaar dat AI-toepassingen niet altijd grote investeringen vereisen om waarde toe te voegen.
Een ander aansprekend voorbeeld was het automatisch verwerken van pakbonnen. Deze documenten komen binnen organisaties vaak binnen in uiteenlopende formats en talen. Age, eveneens een student, ontwikkelde hiervoor een model waarbij een eenvoudige foto van het document voldoende is om de relevante gegevens uit te lezen en automatisch te verwerken in een ERP-systeem.
Vervolgens namen Side en Pieter, eveneens studenten, ons mee naar een toepassing binnen de fabrieken van Philips, waar scheerapparaten worden geproduceerd. Alle apparaten ondergaan daar uitgebreide kwaliteitscontroles. Een van deze controles betreft een eindtest waarbij het apparaat wordt geactiveerd voordat het wordt verpakt.
Het geluid dat hierbij wordt geproduceerd, wordt traditioneel beoordeeld door medewerkers. Omdat verschillende medewerkers deze beoordeling uitvoeren, kunnen interpretatieverschillen ontstaan. Door het geluid om te zetten naar een frequentiespectrum kan AI worden ingezet om afwijkingen automatisch te herkennen. Het model wordt hierbij getraind door voorbeelden van ‘goede’ en ‘afwijkende’ geluiden aan te bieden, waardoor de beoordeling consistenter en objectiever wordt.
Wel werd duidelijk dat voor dit soort toepassingen ondersteunende software nodig blijft om koppelingen met bestaande systemen mogelijk te maken. Tegelijkertijd werd aangegeven dat dergelijke integraties steeds vaker als standaardfunctionaliteit beschikbaar komen.
Als afsluiting gaf Joran Arends, Senior onderzoeker, een presentatie over de risico’s en aandachtspunten rondom AI. Naast wet- en regelgeving, zoals de AVG en privacygerelateerde eisen, werd ook stilgestaan bij de succesfactoren van AI-projecten. Veel initiatieven stranden niet vanwege de techniek, maar vanwege organisatorische en menselijke factoren.
Daarnaast kwamen enkele opvallende cijfers aan bod. Zo blijkt dat veel medewerkers AI-oplossingen gebruiken buiten de officiële bedrijfsomgeving om. Hierdoor ontstaan risico’s op het gebied van informatiebeveiliging, datakwaliteit en compliance. Ook werd besproken dat gebruikers regelmatig AI-uitkomsten accepteren zonder deze kritisch te verifiëren. Het delen van gevoelige bedrijfsinformatie met publieke AI-systemen vormt daarbij een extra aandachtspunt. Tot slot werd ingegaan op de mogelijkheid om AI-oplossingen binnen de eigen netwerkomgeving te draaien, inclusief de voor- en nadelen van een dergelijke aanpak.
Uit de vele vragen en discussies gedurende de dag bleek dat deelnemers vanuit hun eigen vakgebied al actief bezig zijn met AI. Tegelijkertijd werd duidelijk dat de toepassingsmogelijkheden nog lang niet zijn uitgeput. Het opdoen van inspiratie en het delen van praktijkvoorbeelden blijft daarom van groot belang. Vaak ontstaan de beste ideeën juist door te kijken naar toepassingen uit andere sectoren of disciplines.
LMN zal ook in de toekomst aandacht blijven besteden aan dit onderwerp en een platform bieden waar leden ervaringen kunnen delen, kennis kunnen opdoen en nieuwe toepassingen kunnen ontdekken.
Na afloop stond een kleine versnapering klaar en was er volop gelegenheid om na te praten. Veel gasten wisselden ervaringen uit, terwijl studenten individueel verdere toelichting gaven op hun projecten. Daarna werd de terugreis ingezet, die voor sommige deelnemers nog behoorlijk lang bleek. Jammer dat daar nog geen AI-oplossing voor bestaat!