Elke dag genereren bedrijven enorme hoeveelheden data, slaan ze die informatie op in de cloud en gebruiken ze die middelen om vrijwel al hun processen te heroverwegen. Om meer inzichten uit hun data te halen en uiteindelijk snellere en beter geïnformeerde beslissingen te nemen, maken bedrijven in de productie, energie, mijnbouw, transport en landbouw gebruik van nieuwe soorten machinetechnologie om industriële workloads te verbeteren. Denk bijvoorbeeld aan engineering en design, productie en optimalisatie van activa, supply chain management, forecasting, kwaliteitsmanagement, smartproducten en machines, en meer.
Van operationele efficiëntie tot kwaliteitscontrole en verder, hier zijn vier belangrijke manieren, die wij zien bij Amazon Web Services (AWS), waarop bedrijven machine learning gebruiken om industriële processen opnieuw uit te vinden:
Predictive maintenance van apparatuur
Een uitdaging waar veel industrie- en productiebedrijven vandaag mee geconfronteerd worden, is het voortdurende onderhoud van hun apparatuur. De beste oplossing, predictive maintenance, geeft de mogelijkheid om te voorzien wanneer apparatuur onderhoud nodig heeft. Echter, missen de meeste bedrijven het juiste personeel en de juiste expertise om hun eigen oplossing te bouwen.
Dankzij bedrijven zoals GE Power – een toonaangevende leverancier van apparatuur, oplossingen en diensten voor stroomopwekking – is predictive maintenance eindelijk binnen handbereik. Er zijn nu end-to-end systemen die sensoren en machine learning gebruiken om abnormale schommelingen in trillingen of temperatuur van de machine te detecteren en bedrijven hierover te informeren, zonder dat machine learning- of cloudervaring is vereist. Dit type technologie hielp GE Power om snel nieuwe of aanvullende componenten toe te voegen aan bestaande systemen met sensoren en die te verbinden met realtime analyses in de cloud, van op tijd gebaseerde naar voorspellende en prescriptieve onderhoudspraktijken. En terwijl ze schalen, kan GE Power deze systemen gebruiken om al hun sensoren op afstand te updaten en te onderhouden, zonder ze ooit fysiek aan te hoeven raken.
Anomaliedetectie aangedreven door computervisie
Het garanderen van de kwaliteit van de producten die de apparatuur produceert is net zo belangrijk als het goed functioneren van de apparatuur. De visuele inspectie van industriële processen vereist typisch menselijk onderzoek, wat vervelend en inconsistent kan zijn. Om kwaliteitscontrole te verbeteren, zijn industriële bedrijven op zoek naar computervisie om sneller en nauwkeuriger defecten consistent te identificeren. Opnieuw verhinderde complexe barrières bedrijven om hun eigen, door machine learning aangedreven visuele anomaliesystemen te bouwen, implementeren en beheren. Nu kunnen bedrijven zeer nauwkeurige, goedkope anomalie detectieoplossingen gebruiken die duizenden afbeeldingen per uur kunnen verwerken om defecten en onregelmatigheden op te sporen en vervolgens de afbeeldingen te rapporteren die afwijken van de basislijn, zodat passende actie kan worden ondernomen.
Operationele efficiëntie verbeteren
Veel industrie- en productiebedrijven zijn ook aan het kijken om computervisie toe te passen om de efficiëntie te optimaliseren en de bedrijfsvoering te verbeteren. Tegenwoordig beoordelen bedrijven handmatig videofeeds op hun industriële locaties om toegang tot faciliteiten te verifiëren, zendingen te inspecteren en lekkages of andere gevaarlijke omstandigheden op te sporen. Maar dit in realtime doen is niet alleen een moeilijke taak, maar ook foutgevoelig en duur. In plaats van te proberen om te upgraden naar dure slimme camera’s, kunnen industriële bedrijven hardware-apparaten gebruiken waarmee ze computervisie kunnen toevoegen aan bestaande on-premise camera’s, of zelfs Software Development Kits gebruiken om nieuwe camera’s te bouwen die zinvolle computervisiemodellen op de edge kunnen draaien.
Het wereldwijde energiebedrijf BP is aan het kijken om computervisie in te zetten bij haar tankstations wereldwijd. Ze werken aan het gebruik van computervisie om het in- en uitstappen van brandstoftrucks naar hun faciliteiten te automatiseren en om te controleren of de juiste bestelling is uitgevoerd. Daarnaast kan computervisie werknemers waarschuwen wanneer er een botsingsrisico is, bij identificatie van een vreemd voorwerp in een dynamische uitsluitingszone en de opsporing van eventuele olielekken.
Prognose voor optimalisatie van de supply chain
De moderne, hedendaagse supply chains zijn complexe wereldwijde netwerken van fabrikanten, leveranciers, logistiek en detailhandelaren die geavanceerde methoden vereisen voor het waarnemen en aanpassen aan de vraag van de klant, fluctuaties in de beschikbaarheid van grondstoffen, en externe factoren zoals vakanties, evenementen en zelfs het weer. De gevolgen van het niet correct voorspellen van deze variabelen kunnen kostbaar zijn. Om de toekomst te helpen voorzien, gebruiken bedrijven machine learning om tijdreeksgegevens te analyseren en nauwkeurige prognoses te geven die hen helpen de bedrijfskosten en inefficiënties te verminderen, een hogere beschikbaarheid van middelen en producten te garanderen, producten sneller te leveren en de kosten te verlagen.
Om het potentieel te benutten van machine learning in industriële omgevingen, gefabriceerde producten en logistiek en supply chain-activiteiten, kijken bedrijven steeds vaker naar machine learning om processen eenvoudiger, sneller en nauwkeuriger te maken. Door gebruik te maken van een combinatie van realtime data-analyse in de cloud en machine learning op de edge, maken industriële bedrijven hun ambities langzaamaan werkelijkheid.
Swami Sivasubramanian is VP AI bij Amazon
