Er valt zo veel te vertellen over AI en het niveau van de theorie is heel hoog. Maar uiteindelijk draait het om hoe je het gaat gebruiken.
Wiek Wijnands
Hoe vertaal je miljoenen sensorgegevens van complexe machines naar bruikbare inzichten die processen verbeteren en voorspellingen doen over onderhoud? Voor Wiek Wijnands is dat dagelijkse realiteit. Zijn fascinatie voor data en techniek bracht hem ertoe de eenjarige post-masteropleiding Data Science, Business Analytics & AI te volgen bij Erasmus Q-Intelligence.
Vanuit een achtergrond in asset management richtte Wiek Wijnands acht jaar geleden Kensan B.V. op. Met dat bedrijf werkt hij voor klanten in de industrie, energie, transport, defensie en infrastructuur die gebruikmaken van complexe technische installaties. “Ons doel is om de organisatorische output van onze klanten te verbeteren, maar dat doen we vanuit de hardware en processen. Vroeger vroegen we een operator hoe de machine werkte. Moderne installaties genereren daar bijvoorbeeld elke 200 milliseconden data over. Die data ontsluiten we en gaan we mee aan de slag.”
Om sensordata te vertalen naar daadwerkelijk bruikbare informatie, ontwikkelde Kensan de ‘Asset Health Monitor’ die continu inzicht biedt in de conditie van de machines en kwaliteit van de processen. “We gebruiken machine learning om heel gedetailleerde verbanden in de data te leggen,” zegt Wijnands. “Die gaan veel verder dan nodig is om puur de machine te besturen en zijn veel complexer dan een mens zelf kan bevatten.”
Gevoel dat het verder kon
Kensan loopt momenteel volgens Wijnands voorop in de toepassing van machine learning in industrieel asset management. Toch voelde hij de behoefte om een verdiepingsslag te maken, die hij vond bij de eenjarige post-masteropleiding Data Science, Business Analytics & AI van Erasmus Q-Intelligence. “Ik had toch het idee dat het allemaal nog veel verder kon op het gebied van ontwikkeling en implementatie. Dat stuit dan wel eens op weerstand van collega’s, die menen dat iets te moeilijk of onmogelijk is. Ik wil heel precies weten wat erachter zit om te bepalen wat wel en niet kan.”
Praktische kant
Vooral het zelf aan de slag gaan met programmeren tijdens de opleiding beviel Wijnands, zegt hij. “Ik ben geen programmeur en dat wil ik ook niet worden, maar ik wil wel weten wat er precies onder de motorkap gebeurt. Dit bood daar een heel gedegen basis voor.”
Die praktische kant noemt Wijnands het sterke punt van de opleiding. “Er valt zo veel te vertellen over AI en het niveau van de theorie is heel hoog. Maar uiteindelijk draait het om hoe je het gaat gebruiken. Gelukkig waren de opdrachten heel praktisch en resultaatgericht: pas hier deep learning op toe; analyseer deze afbeelding en bouw hem om tot iets anders.”
Toekomstmuziek
Voor de eindopdracht koos Wijnands dan ook voor de ‘echte wereld’. Hij implementeerde deep learning-modellen op de Asset Health Monitor van Kensan, om voorspellingen te kunnen doen waar in machines zich storingen zullen voordoen.
“Ik dacht altijd dat de stap van machine learning naar deep learning toekomstmuziek was. Het was een eyeopener om te zien dat dit vrij eenvoudig en toepasbaar kon. We hebben een model gebouwd dat in staat is om predictive maintenance te doen, iets waarvan al twintig jaar werd geroepen dat het ontzettend moeilijk is.” Hij besluit: “Van dit soort diepgaande kennis is ons product echt beter geworden. We zijn uiteindelijk een knowledge company.”