Te veel losse data, onvoldoende actie: Hoe zet je operationele data in een productie omgeving om in concur­ren­tie­voor­deel met AI?

CTO's, CIO's en digitaliseringsexperts staan voor de uitdaging kwalitatief hoogwaardige en tegelijkertijd toegankelijke data te genereren en verzamelen. Bedrijven in zowel de discrete als procesindustrie, evenals in de energie- en nutssector, werken al jaren met data. Hun focus lag echter vooral op operationele activiteiten. En dat is ten koste gegaan van datavolwassenheid.

“De overvloed aan data wordt vaak voor zeer specifieke doeleinden gebruikt. Veel data blijft in operationele systemen en logboeken en wordt niet voor analyses benut. Uiteindelijk zou data echter ten goede moeten komen aan werknemers, sales, klantenservice, productontwikkeling of de directie,” zegt Matti Partanen, directeur Service Solutions bij Etteplan.

Bedrijven moeten nu proberen datagestuurd te worden en allesomvattende inzichten te creëren door data uit verschillende operationele gebieden, zoals veiligheid, kwaliteit, onderhoud, aftersales en de supply chain te combineren.

Het is begrijpelijk dat bedrijven geïnteresseerd zijn in kunstmatige intelligentie (AI), vooral met de opkomst van generatieve AI, die veelbelovende resultaten belooft.

“Bedrijven verwachten verschillende voordelen van AI, zoals betere prestaties, minder stilstand, lagere kosten en hogere productiviteit. Ze zoeken ook naar verstorende toepassingen, maar vaak is het verstandiger om te beginnen met interne operaties en daarvan te leren,” legt Partanen uit.

Industriële bedrijven stimuleren en voeren AI-pilots uit, deels uit angst om achter te blijven. Toch komt een groot percentage van AI-initiatieven volgens sectorrapporten niet verder dan de pilotfase. Waarom?

AI wordt vaak geïntroduceerd zonder eerst de fundamenten te leggen, wat leidt tot teleurstelling. AI presteert niet goed en levert geen betekenisvolle resultaten als er problemen zijn met de beschikbaarheid, toegankelijkheid en kwaliteit van data.

Volgens Partanen ligt het succes of falen van een bedrijf in de volwassenheid van data. Bedrijven moeten eerst beoordelen hoe goed digitale technologieën en geautomatiseerde workflows geïntegreerd zijn.

“Industriële bedrijven ontdekken vaak op een harde manier de grote hiaten in hun data. Dit is niet verrassend aangezien productie- en operationele systemen meestal sterk gescheiden zijn, waardoor gegevens gefragmenteerd beschikbaar zijn op verschillende locaties en in verschillende formaten. Data van relevante bronnen moet worden samengevoegd, bijvoorbeeld naar een dataplatform waar AI toegang toe heeft,” zegt Partanen.

“Daarnaast zijn er organisatorische silo's. Het delen van data tussen verschillende eenheden is relevanter dan ooit.”

Partanen adviseert bedrijven te beginnen met het ontwikkelen van een goede data- en AI-strategie, die aansluit bij de bedrijfsstrategie. Deze strategie omvat doorgaans zakelijke kansen en toepassingen, evenals richtlijnen voor organisatie, leiderschap, datagovernance, technologieën, privacy en ethiek.

“Op ondernemingsniveau is het een valkuil dat zakelijke kansen en toepassingen te abstract worden geformuleerd, waardoor ze niet goed aansluiten bij de echte problemen of kansen in de fabriek.”

Het is gemakkelijk om verstrikt te raken in het ontwikkelen van een perfect framework voor de data- en AI-strategie. Bedrijven zouden hun AI-projecten moeten beginnen met concrete toepassingen die voortkomen uit operationele pijnpunten, terwijl ze het strategische framework opbouwen. Pijnpunten kunnen bijvoorbeeld verlies van opbrengsten, ongeplande stilstand of hoog energieverbruik zijn.

“Een heldere toepassing is cruciaal, omdat je AI-tools moet sturen om specifieke resultaten te behalen en eindgebruikers niet te overweldigen met teveel informatie. Bijvoorbeeld, je kunt AI vragen om de oorzaken van slijtage aan een specifiek lager in een machine te onderzoeken en dit te combineren met menselijke kennis. Ook kan AI informatie van verschillende bronnen verzamelen voor een serviceoperator in onderhoud of aftersales en deze bevindingen in een eenvoudig begrijpelijk actieformat presenteren,” legt Partanen uit.

In veel gevallen is het gebruik van zogenaamde AI-agenten, die op maat zijn gemaakt om specifieke doelen te bereiken, de beste aanpak. Ze zijn efficiënter en flexibeler dan traditionele regelgebaseerde software en algoritmes.

Het ontwikkelen van AI-agenten levert vaak snel winst op, zoals verbeterde efficiëntie. Ze kunnen ook worden geïntegreerd in interne workflows en processen om gebruikers te helpen betere beslissingen te nemen.

Wanneer AI resultaten begint te leveren, moeten mensen binnen de organisatie de aanbevelingen vertrouwen en begrijpen. Dit vereist verandermanagement, transparantie, training en feedbackloops.

“Het kost tijd en expertise om dit te bereiken. Succes met industriële AI vereist een grondig begrip van het bedrijf, contextuele kennis van de industriële omgeving en engineering, IT-expertise en de vaardigheid om met data en AI-modellen te werken. Heel weinig adviesbureaus in de productie-, energie- of nutssector kunnen dit bieden. Bij Etteplan kunnen wij dat wel, en we hebben een bewezen staat van dienst,” zegt Partanen.

Wil je meer leren over het omzetten van gescheiden operationele data in echte zakelijke waarde met Industriële AI? Download dan onze gratis whitepaper Create value with Industrial AI (Opent in een nieuw venster) voor praktische inzichten, toepassingen en een bewezen roadmap voor schaalbare impact.