De potentiële use cases met AI en machine learning zijn gigantisch, maar toch beginnen veel projecten klein en speels, vertelt Pieter Lacroix, general manager Codit Nederland. ‘Veel vraagstukken gaan over efficiëntie, continuïteit en de concurrent voorblijven, maar dat neemt niet weg dat bedrijven echt aan de slag willen met AI. Overigens: de workshops zijn misschien speels, maar de ideeën lossen wel degelijk een businessprobleem op.’
‘Zonder data geen slimme oplossingen’, aldus Pieter Lacroix. ‘Daarom is Codit van origine vooral een integrator: wij brengen data bij elkaar om efficiëntie, concurrentievoordeel en nieuwe businessmodellen te realiseren bij klanten.’ Als het echter gaat om echte innovatieve projecten, dan begint Codit klein. ‘Klanten hebben het gevoel dat ze iets moeten met AI, IoT en machine learning, maar wat is vaak onduidelijk.’
Een goede vibe om te innoveren
Lacroix is general manager Nederland van het internationale Codit, onderdeel van de Proximus Group. ‘We werken vrij zelfstandig van de rest van de organisatie en dat is belangrijk om echt innovatief te kunnen zijn’, vertelt hij. ‘Het is dan ook een great place to work met een goede vibe om dingen te laten ontstaan.’ Die stemming gebruiken ze ook in workshops om met klanten spelenderwijs de gouden ideeën te ontwikkelen.
‘We beginnen met de vraag wat ze in grote lijnen zouden willen bereiken en dan gaan we spelenderwijs de correlaties opzoeken.’ Data is daarin de grote gemene deler: ‘Ik denk dat data het nieuwe goud is. Maar je moet altijd nadenken: wat is je drive? Wat wil je ermee doen? Wil je je concurrentie verslaan, kosten besparen of nieuwe business realiseren? Wil je klanttevredenheid verhogen of je carbon footprint verlagen? Wat wil je bereiken?’
Technologie en innovatie onlosmakelijk verbonden
Lacroix zit vooral om tafel met business- en innovatiemanagers, en pas op de tweede plaats met IT. Hoewel pas wordt gesproken met IT als de integratie aan bod komt, zijn innovatie en IT moeilijk los van elkaar te zien, aldus Lacroix. ‘Engie, een klant van ons, wil realtime inzicht in hun windparken. Daarvoor hebben we data uit de systemen van 500 locaties bij elkaar gebracht.’ Technische integratie is dus nodig om data leidend te kunnen maken.
Een voorbeeld dat met data bereikt kan worden is het verbeteren van de corporate social responsibility, vertelt Lacroix. ‘Je kunt met de blockchain bijvoorbeeld bewijzen dat grondstoffen uit plekken komen waar geen slavenarbeid wordt bedreven. Door data te integreren en vast te leggen in de blockchain kan je aantonen dat er niet gesjoemeld is met de data en de integriteit waarborgen.’
Flexibele houdbaarheidsdatum
Een ander voorbeeld komt uit de voedselindustrie: ‘Wat nu heel actueel is, is bewijzen dat een product niet warmer is geweest dan -5 graden, bijvoorbeeld. Maar stel dat de temperatuur tot -2 graden is gestegen, dan kan je bijvoorbeeld de houdbaarheidsdatum aanpassen. Zo bespaar je kosten omdat je voedsel niet hoeft weg te gooien. Dat vergt natuurlijk integratie van veel verschillende systemen, maar uiteindelijk levert het veel op.’
Zelf speelt Codit ook met AI, vertelt Lacroix: ‘Het EK komt eraan en we onderzoeken hoe we uitslagen kunnen voorspellen. Dat doen we op basis van de geschiedenis, het aantal blessures en zelfs het privéleven van een voetballer. Door machine learning en AI kan je een hele goede voorspelling doen. Natuurlijk zijn de voorspellingen voor volgend EK nog beter, want naar mate meer data wordt verzameld, wordt de voorspelling ook beter.’
Projecten als speeltuin
Wat is de belangrijkste vraag die nu speelt bij klanten? ‘We zitten in een crisis, dus continuïteit garanderen door kostenbesparing en het borgen van de concurrentiepositie blijven het belangrijkst.’ Grote investeringen zijn dan ook niet wenselijk, maar toch willen bedrijven data en AI benutten. ‘Projecten beginnen als speeltuin, waarin wel een concreet probleem wordt opgelost.’
Na de workshop is het een kwestie van klein beginnen. ‘We proberen het eerste idee uit en dan bouwen we langzaam, stapsgewijs uit. Je mag fouten maken en dan bijsturen, dat is de kracht van AI en machine learning. Het verbetert continu, je schaaft het bij en het leert tot het je brengt wat je voor ogen had.’
Voorkomen dat een schip stil komt te liggen
Een klant van Codit uit de maritieme sector wilde kosten verlagen door voorspellend onderhoud te kunnen plegen. ‘Als een schip stil komt te liggen, dan kost dat miljoenen. Dus wordt een machinekamer eens in de zes maanden onderhouden, of de machine het nu nodig heeft of niet. Maar wat als je nu zou kunnen voorspellen wanneer de machine onderhoud nodig heeft? Hierdoor kun je je onderhoudskosten met miljoenen verlagen.’
‘Daarom hebben we sensoren in de machines geplaatst die ons vertellen wanneer een machine onderhoud nodig heeft.’ Een van de sensoren vangt geluid op. ‘Op basis van historische data kunnen we zien dat als de motor een bepaald geluid maakt dat die na drie maanden stopt. Bij het ene schip ontstaat dat geluid al na vijf maanden en bij een ander na een jaar: op basis daarvan pas je het onderhoud aan.’
Implementatie complex
Het is natuurlijk niet zo, dat zo’n idee makkelijk geïmplementeerd is. ‘Het is een relatief eenvoudig idee, maar de implementatie is complex. Je hebt bijvoorbeeld te maken met edge componenten, schepen die niet altijd goed bereikbaar zijn, waarbij je je moet afvragen: welke data wisselen we uit, doen we dat realtime of in bulk, hoe voeren we updates uit? Maar de businesscase is helder, dus dan willen klanten ook de investering doen.’
Volgens Lacroix zou innovatie niet binnen de bedrijfsmuren moeten blijven. ‘De echt gouden ideeën zitten in de bedrijfsoverstijgende ecosystemen. Kijk naar de scheepvaart: je kan routes pas echt optimaliseren als je niet alleen weet waar je eigen schepen zijn, maar als je ook weet waar andere schepen of voorraden zijn. Als je de data durft samen te voegen als branche, dan zijn de mogelijkheden daarvan echt voor alle partijen mind blowing.’
