Auteur: Karl D’haveloose
Het implementeren van AI in de productiesector is veelbelovend, maar de weg naar succes is vaak bezaaid met obstakels. Ondanks de hype slagen veel AI-projecten er niet in hun potentieel waar te maken. Hoewel we vooral op events, zoals ABISS, INE en Indumation.be aanbod- en contenmatig claimen dat AI onze fabrieken slimmer, meer wendbaar en weerbaar maken, loopt toch niet alles van een leien dakje. Maar de oorzaken zijn eigenlijk zo logisch, dat de meeste leads in productiebedrijven er gewoon over kijken. We zetten ze voor uw projecten anno 2025 toch nog even op een rijtje.
1. Toegang tot gegevens en kwaliteitsproblemen: Toegang tot de juiste gegevens is cruciaal voor AI-succes in de productiesector. Dit betekent niet alleen dat je genoeg gegevens moet hebben, maar ook dat deze relevant moeten zijn, de werkelijke omstandigheden moeten weergeven, zeldzame gebeurtenissen moeten vastleggen en op de juiste manier moeten worden gelabeld. Projecten mislukken vaak omdat ze worden getraind op beperkte, geïdealiseerde gegevens, die niet de complexiteit en variaties van de werkelijke fabrieksomgeving weergeven.
2. Gebrek aan algemene schaalbaarheid: AI-modellen die tè gespecialiseerd zijn en niet eenvoudig kunnen worden aangepast aan verschillende machines, productvariaties of fabrieksopstellingen creëren aanzienlijke uitdagingen voor schaalbaarheid en ROI. Tijdens de bijeenkomst ‘AI-gestuurde procesoptimalisatie: Achieving Faster Turnarounds and Higher Margins’-sessie, die plaatsvond op IIoT World Sustainability and Artificial Intelligence Day, benadrukten de panelleden de noodzaak om modellen te ontwerpen die goed bruikbaar en schaalbaar zijn in verschillende scenario's om kostbare integratieprojecten te vermijden en een bredere toepasbaarheid te garanderen.
3. Het menselijke element negeren: Er is een tendens om de focus te leggen op AI voor het automatiseren van taken, die traditioneel door machines worden uitgevoerd (zoals voorspellend onderhoud met behulp van IoT-gegevens). Het potentieel van AI om mensgerichte taken te optimaliseren wordt verwaarloosd. Deze onoplettendheid kan leiden tot onrealistische verwachtingen over wat AI daadwerkelijk kan, vooral als het gaat om het volledig vervangen van menselijke werknemers, die nog steeds een essentiële rol spelen in de meeste productieprocessen.
4. Onduidelijke bedrijfsdoelen en ROI: Veel AI-projecten mislukken omdat ze niet beschikken over duidelijk gedefinieerde bedrijfsdoelstellingen, succescriteria en een welomschreven pad naar een positieve ROI. Bedrijven moeten beginnen met een specifiek pijnpunt of inefficiëntie en identificeren hoe AI dit direct meetbaar kan aanpakken.
5. Interne aankoopprocessen en POC-valstrikken: Zelfs technisch succesvolle AI proofs-of-concepts (POC's) slagen er vaak niet in om over te gaan op productie door interne organisatorische hindernissen. Hierbij kan het gaan om een gebrek aan inzicht in interne inkoopprocessen, niet op elkaar afgestemde verwachtingen tussen technische teams en het hoger management, budgetbeperkingen en moeilijkheden bij het navigeren van de verschuiving van CAPEX- naar OPEX-modellen.
Hoewel AI een transformerend potentieel heeft voor productie, is de implementatie ervan beladen met uitdagingen. Van gegevenstoegang en kwaliteitsproblemen tot het gebrek aan schaalbaarheid en verwaarlozing van mensgerichte taken, kunnen deze barrières projecten doen ontsporen als ze niet in een vroeg stadium worden aangepakt. Duidelijke bedrijfsdoelen, meetbare ROI en een goed begrip van interne inkoopprocessen zijn essentieel om de hindernissen te overwinnen, die ervoor zorgen dat veel AI-initiatieven mislukken. Door zich op deze factoren te richten, kunnen fabrikanten het volledige potentieel van AI ontsluiten en zinvolle verbeteringen in hun bedrijfsvoering realiseren.
We wensen u alvast een fijn eindejaar en staan in 2025 terug voor u klaar met 3 events, heel veel Expert Classes en 10 ‘Industrialnews Monthly’-nieuwsbrieven. Blijf ons uiteraard online volgen in onze nieuwsbrieven, op onze events en op LI.
