Deep Learning: de ‘gamechanger’ voor automatisering en productie-efficiëntie in de industrie

Deep Learning gaat de industrie veranderen. Machines gaan taken overnemen, die menselijke intelligentie vereisen. Met de toenemende digitalisering van de processen en de dataregistratie in ondernemingen maakt de inzet van Deep Learning ook een effectievere samenwerking tussen mens en machine mogelijk. Dit veroorzaakt een revolutie in automatisering en productie en leidt tot efficiëntere en precieze besluitvormingsprocessen en een hogere productiviteit bij gelijktijdig aanzienlijk lagere ontwikkelingsinspanningen.

In onze podcast ‘SICKnificant’ spraken we met Dr. Christoph Eichhorn, Strategisch Productmanager voor digitale diensten en oplossingen, over de mogelijkheden om met Deep Learning mensen te ontlasten van verdelende taken en de kwaliteit te verhogen.

Deep Learning als deelgebied van artificial intelligence en het machinaal leren heeft in de laatste jaren vanwege de toenemende beschikbaarheid van gegevens en rekencapaciteit steeds meer aan betekenis gewonnen. De technologie zorgt voor een revolutie in automatisering van de productie en andere bereiken, waarin machines in staat worden gesteld taken te vervullen, die tot dusver menselijke intelligentie vereisten. Dr. Christoph Eichhorn, verantwoordelijk voor AI-oplossingen bij SICK, zegt het zo: ‘Deep Learning is een deelbereik van het machinale leren. Daarvoor worden kunstmatige neurale netwerken gebruikt, zogenaamde ‘deep neural networks’ die in staat zijn, om te gaan met complexe situaties. Deze kunnen complexe besluitvormingsprocessen, bijvoorbeeld in de kwaliteitscontrole overnemen en maken het voor de onderneming mogelijk, steeds meer processen te automatiseren en te digitaliseren. Daarmee tillen ze de efficiëntie in de productie naar een nieuw niveau.’

Digitalisering en artificial intelligence

Het concept van de digitalisering in de industrie heeft zich in de laatste jaren enorm doorontwikkeld. Gegevens van sensoren en andere bronnen, die tot dusver hoofdzakelijk werden gebruikt voor de onmiddellijke procesbeheersing, worden in het kader van de digitalisering opgeslagen - zijn zodoende op een abstracter niveau beschikbaar. Het volstaat niet om de gegevens alleen te verzamelen. Artificial intelligence speelt een belangrijke rol, wanneer het erom gaat, de essentie uit deze gegevens te extraheren, wat kan leiden tot een verdere optimalisatie.

Een voorbeeld hiervan is een applicatie uit de houtindustrie, waarin met meerdere gigabytes aan trainingsgegevens een neuraal netwerk kon worden getraind, dat beslissingen accurater, sneller en duurzamer neemt dan met het menselijk ook mogelijk is. Dit netwerk is daarbij kleiner dan een megabyte en put desondanks uit een enorme schat aan ervaring. Het concept kan op eindeloze toepassingen worden overgedragen.

Meerwaarde van AI-gebaseerde automatisering

Er zijn niet altijd zulke grote gegevenshoeveelheden nodig, om voordeel te hebben van artificial intelligence. De implementatie van Deep Learning-projecten kan erg verschillen en hangt af van individuele behoeften van de klant. Het formuleren van deze behoeften en verwachtingen is niet altijd makkelijk, maar wel een voorwaarde voor de succesvolle inzet van artificial intelligence. ‘Simpel gezegd: je kunt ook met AI alleen het gewenste resultaat bereiken, wanneer je weet, dat je wilt. Is dat duidelijk, verwachten alle klanten een eenvoudige en flexibele oplossing voor hun probleem’, aldus Eichhorn.

‘Dankzij AI kunnen onze klanten taken zelfs automatiseren, die in het verleden erg moeilijk te automatiseren waren. Goede voorbeelden daarvan zijn kwaliteits- en montagecontroles met reflecterende delen, de controle van soldeerverbindingen of het sorteren van natuurproducten. Dit zijn doorgaans moeizame werkzaamheden, die veel tijd van deskundig personeel vragen en daarom vaak alleen steekproefsgewijs worden uitgevoerd.’

Training van kunstmatige neurale netwerken

Door het gebruik van Deep Learning maakt de automatisering een paradigmaverschuiving door. In plaats van te bepalen, welke details voor een beslissing relevant zijn, om een serie concrete regels op te stellen, worden voorbeelden gebruikt. Het algoritme leert zelfstandig, beslissingen te nemen. ‘Wij trainen een oplossing, in plaats van deze te programmeren, wat beduidend sneller en efficiënter is. Maar het is belangrijk te benadrukken, dat Deep Learning geen alternatief is voor menselijke expertise. Deze blijft nodig, om het volledige potentieel van de technologie te benutten. Deep Learning ondersteunt en breidt de menselijke capaciteiten uit’, zegt Eichhorn en sluit af met ‘Dankzij onze eenvoudig te bedienen Deep Learning-tools kunnen gebruikers, die hun probleemstelling kennen, deze ook zonder diepere programmeerkennis zelfstandig oplossen. Want alleen zij weten, waarop het bij een oplossing aankomt - en waarop niet - en kunnen passende trainingsvoorbeelden beter uitzoeken dan ieder ander. Met onze tools kunt u de training van artificial intelligence helemaal intuïtief starten en daarmee een uiterst specifieke en individuele opgave taak vervullen.’

Meer lezen

Meer lezen

Meer lezen

Meer lezen