Gebaseerd op de AI‑workshop van Hanzehogeschool Groningen
Artificial Intelligence (AI) ontwikkelt zich razendsnel en heeft inmiddels een vaste plek veroverd binnen de technologische industrie. Tijdens een workshop van de Hanzehogeschool Groningen kregen deelnemers een diepgaand en praktisch inzicht in de werking van AI‑modellen, de geschiedenis van machine learning en concrete toepassingen binnen productieomgevingen. Dit kennisartikel bundelt de belangrijkste inzichten.
- Wat is AI, Machine Learning en Deep Learning?
De workshop startte met een duidelijke begripsafbakening. AI is een verzamelterm voor systemen die kunnen waarnemen, redeneren, handelen en zich aanpassen. Machine learning is een subset daarvan: algoritmen die beter worden naarmate ze meer data verwerken. Deep learning is vervolgens een
gespecialiseerde vorm van machine learning waarbij neurale netwerken met meerdere lagen grote hoeveelheden data analyseren.
Deze begrippen vormen de basis voor het begrijpen van moderne AI‑toepassingen zoals ChatGPT, beeldherkenning en voorspellende modellen.
- Een korte geschiedenis van AI
De presentatie liet zien dat AI geen nieuw fenomeen is.
– 1950: Alan Turing introduceert de Turing‑test, een vroege manier om machine‑intelligentie te beoordelen.
– 1965: Joseph Weizenbaum ontwikkelt ELIZA, een van de eerste chatbots.
– 2020–2022: OpenAI lanceert GPT‑3, het model waarop ChatGPT is gebaseerd, een doorbraak die AI toegankelijk maakte voor het grote publiek.
Deze historische lijn toont hoe snel AI zich heeft ontwikkeld van academisch experiment naar breed inzetbare technologie.
- Hoe werkt een machine learning‑model?
De workshop legde stap voor stap uit hoe een model leert:
- Data verzamelen: tekst, cijfers, beelden of sensordata.
- Data omzetten: computers verwerken informatie als binaire data (0/1).
- Patronen herkennen: via neurale netwerken met input‑, hidden‑ en output‑layers.
- Model trainen: door voorbeelden te tonen van wat ‘goed’ en ‘fout’ is.
Deelnemers trainden zelf een model via Teachable Machine, waarmee ze direct ervaarden hoe snel een model objecten kan leren herkennen.
- AI in de praktijk: concrete bedrijfsvoorbeelden
4.1 VEPA – foutdetectie in productie
Een studentproject bij VEPA liet zien hoe AI kan helpen om fouten eerder in het productieproces te detecteren. Met een eenvoudige camera (zoals een GoPro) en standaard software kon een model worden getraind met slechts 300 goede en 30 foutieve producten. Het resultaat: snelle en betrouwbare foutherkenning zonder grote investeringen.
4.2 Automatische verwerking van pakbonnen
Een ander project richtte zich op het automatisch uitlezen van pakbonnen. Door een foto van het document te analyseren, kon een AI‑model relevante gegevens extraheren en automatisch verwerken in een ERP‑systeem. Dit bespaart tijd, voorkomt fouten en maakt processen schaalbaar.
4.3 Philips – kwaliteitscontrole via geluidsanalyse
In de fabrieken van Philips worden scheerapparaten getest voordat ze worden verpakt. Traditioneel beoordelen medewerkers het geluid, maar dit leidt tot interpretatieverschillen. Door geluid om te zetten naar een frequentiespectrum kan AI afwijkingen automatisch herkennen. Het model leert van voorbeelden van ‘goede’ en ‘afwijkende’ geluiden en maakt de beoordeling consistenter en objectiever.
- Risico’s en aandachtspunten bij AI‑toepassingen
Senior onderzoeker Joran Arends sloot af met belangrijke waarschuwingen en succesfactoren:
– Veel AI‑projecten mislukken niet door techniek, maar door menselijke en organisatorische factoren.
– Medewerkers gebruiken soms AI‑tools buiten de bedrijfsomgeving, wat risico’s oplevert voor informatiebeveiliging, datakwaliteit en compliance.
– Gebruikers accepteren AI‑uitkomsten vaak zonder kritische controle.
– Het delen van gevoelige informatie met publieke AI‑systemen vormt een risico.
– AI kan ook binnen de eigen netwerkomgeving draaien met voordelen én beperkingen.
- Takeaways uit de workshop
De belangrijkste lessen:
- AI, machine learning en deep learning zijn verschillende concepten.
- Een machine learning‑model is in essentie een grote rekenmachine.
- Meer data = betere modellen.
- Een model is zo slim als de wereld die het kent.
- Conclusie: AI is dichterbij dan veel bedrijven denken
Uit de vele vragen en discussies bleek dat deelnemers vanuit uiteenlopende disciplines al actief bezig zijn met AI. Tegelijkertijd is duidelijk dat de mogelijkheden nog lang niet zijn uitgeput. Inspiratie en kennisdeling blijven essentieel vaak ontstaan de beste ideeën door te kijken naar toepassingen uit andere sectoren.
LMN blijft dit thema actief ondersteunen en biedt een platform waar leden ervaringen kunnen delen, kennis kunnen opdoen en nieuwe toepassingen kunnen ontdekken.