Auteur: Karl D’haveloose

In dit artikel verkennen we de essentie van Edge AI voor productiebedrijven, de concrete voordelen, praktijkvoorbeelden en de belangrijkste uitdagingen bij de implementatie. Sommige auteurs hebben het de laatste maanden over de grote migratie van AI uit cloud naar edge. Het nieuwe AI dus, op en rond ‘the device’ zelf, zoals het nu al uitgerold wordt op je smartphone.

Wat is Edge AI?

Edge AI voert berekeningen lokaal uit, direct bij of nabij de gegevensbron in plaats van te vertrouwen op verre servers of de cloud. Deze gelokaliseerde verwerking maakt real-time reacties mogelijk, zoals het detecteren van defecten, het identificeren van veiligheidsrisico's of het aanpassen van machineprestaties, en dit doorgaans binnen milliseconden.

In de maakindustrie kan zelfs een fractie van een seconde vertraging leiden tot een herbewerking, downtime of schade aan apparatuur als een defect niet direct wordt opgemerkt. Edge AI voorkomt deze problemen door onmiddellijke actie te garanderen.

Zo gebruikt NVIDIA Jetson-modules — compacte, krachtige computers ontworpen voor AI aan de 'edge' — voor real-time defectdetectie. Camera's en sensoren analyseren producten lokaal en signaleren eventuele fouten direct. Hierdoor kunnen operators ingrijpen zonder afhankelijk te zijn van tragere cloudverbindingen, wat verspilling minimaliseert.

De voordelen voor machineparken

Ondanks technologische vooruitgang kampen bedrijven met stijgende kosten en capaciteitsbeperkingen. Edge AI biedt hier directe en indirecte oplossingen voor:

Minimale latentie: in grote, verspreide fabrieken is de snelheid waarmee oververhitting of defecten worden gesignaleerd cruciaal. Edge AI verwerkt sensordata aan de bron, waardoor de productie direct kan worden gestopt of gecorrigeerd. Door de cloud te omzeilen, wordt de reactietijd in kritieke situaties drastisch verkort.

Lagere bandbreedte- en cloudkosten: het versturen van alle data naar de cloud is kostbaar. Edge AI reduceert het dataverkeer door alleen relevante afwijkingen door te sturen. Hitachi paste dit toe op fabrieksmachines. Door trillings- en temperatuurdata lokaal te analyseren en enkel alerts te versturen, daalde de datatransmissie met 90%. Bovendien verminderde  voorspellend onderhoud de ongeplande downtime met 30%.

Verhoogde uptime en betrouwbaarheid: cloudgebaseerde systemen zijn kwetsbaar voor haperende internetverbindingen. Edge AI draait modellen on-site, waardoor de productie betrouwbaar blijft doorlopen, zelfs bij een instabiele infrastructuur of op afgelegen locaties.

Praktijktoepassingen van Edge AI

Visuele inspecties: moderne fabrieken automatiseren kwaliteitscontrole met Edge AI-camera's die scheuren, misalignement of ontbrekende onderdelen detecteren. Ford werkt hiervoor samen met IBM. Via het Maximo Visual Inspection-platform voert de automaker real-time inspecties uit aan de productielijn. Dit verhoogt de kwaliteit zonder dat er ter plaatse data scientists nodig zijn voor de uitvoering.

Zelfregulerende machines: in plaats van reactief onderhoud, stelt Edge AI machines in staat zichzelf te optimaliseren. Ze passen snelheid en kalibratie aan op basis van actuele omstandigheden in plaats van statische handleidingen. Hoewel de cloud dit ook kan, biedt de 'edge' het cruciale voordeel van real-time verwerking zonder externe afhankelijkheid.

Veiligheid en compliance: het monitoren van veiligheidsprotocollen is in complexe fabrieksomgevingen lastig met enkel handmatig toezicht. Edge AI-systemen analyseren videobeelden en sensordata direct op de werkvloer om onveilige situaties, zoals ontbrekende beschermingsmiddelen of geblokkeerde nooduitgangen, onmiddellijk te signaleren en risico's proactief te beperken.

Uitdagingen bij grootschalige uitrol

Hoewel het potentieel groot is, mislukt meer dan 80% van alle AI-initiatieven. Ook Edge AI kent zijn drempels:

Data en talent: AI draait om datakwaliteit, maar operationele data zit vaak versnipperd in silo's. Een grondige data-audit is essentieel voor er met Edge wordt gestart. Daarnaast is er een tekort aan professionals die de brug slaan tussen operationele kennis en AI-capaciteiten. Investeringen in cross-functionele workshops en partnerschappen zijn nodig om teams 'AI-geletterd' te maken.

Legacysystemen en kosten: veel fabrieken draaien op verouderde systemen die niet ontworpen zijn voor moderne AI. Het vervangen hiervan is kostbaar en disruptief. Een gefaseerde aanpak, waarbij API's oude systemen koppelen aan nieuwe platforms, is voor middelgrote bedrijven vaak de meest haalbare route.

Hardwarebeperkingen: lokale AI-modellen vereisen aanzienlijke rekenkracht. Veel bestaande machines op de werkvloer kunnen dit niet aan. Het retrofitten van apparatuur met gespecialiseerde chips of edge-devices brengt extra kosten en technische complexiteit met zich mee, wat de dagelijkse productie tijdelijk kan verstoren.

Beveiligingsrisico's en beheerbaarheid

Problemen met systeembeheer en onderhoud, in combinatie met complexe integraties in bestaande infrastructuren, maken de volledige uitrol van Edge AI uitdagend. Bedrijfseigenaren maken zich vaak zorgen over de betrouwbaarheid van de prestaties en het behoud van overzicht wanneer Edge AI verspreid over meerdere locaties draait. Bovendien brengt het draaien van AI buiten gecentraliseerde systemen aanzienlijke privacyrisico's met zich mee, zeker omdat deze kwetsbare apparaten vaak fysiek toegankelijk zijn op de werkvloer.

Aan de slag met Edge AI

Ondanks de genoemde uitdagingen is het niet nodig om direct de ganse fabriek te verbouwen. Een gerichte pilot is vaak de beste start. Identificeer een domein met een hoge impact, zoals kwaliteitsinspectie of machinebewaking, waar de behoefte aan real-time inzichten het grootst is.

Onthoud dat de implementatie van Edge AI meer is dan een technologische upgrade, het is een fundamentele bedrijfstransformatie. Begin bij de basis: zorg dat de bestaande machines daadwerkelijk data kunnen verzamelen. Sla vervolgens de brug tussen IT- en operationele teams om een veilig en schaalbaar fundament te leggen, van waaruit de technologie verder uitgerold kan worden naar andere afdelingen.

Actieve Belgische spelers en onderzoek in Edge AI

VersaSense: dit bedrijf zet in op industriële AI voor real-time anomaliedetectie direct op de sensoren. Door gegevens lokaal te verwerken, verminderen ze de downtime van machines zonder afhankelijk te zijn van cloudverwerking.

iQunet: een Belgische speler die Edge-gebaseerde AI-modellen gebruikt om trillings- en stroomgegevens lokaal te analyseren. Dit maakt het mogelijk om defecten aan apparatuur in real-time te detecteren in industriële omgevingen.

VOCSens: zij combineren geavanceerde gassensoren met ingebedde AI om metingen automatisch aan te passen aan factoren, zoals temperatuur en vochtigheid, wat de batterijduur en betrouwbaarheid van IoT-toepassingen verbetert.

Sentiance: hoewel gericht op mobiliteit, is dit een toonaangevend Belgisch voorbeeld van 'privacy-first' Edge AI. Ze verwerken smartphonegegevens, zoals beweging en versnelling, lokaal om rijgedrag te monitoren zonder cloudafhankelijkheid.

ASUS IoT (Belgische case): in de Belgische textielrecyclage-industrie wordt Edge AI ingezet voor het nauwkeurig sorteren van vezels. Met behulp van 'machine vision' en lokale verwerkingsunits (zoals de PE8000G) gebeurt de classificatie in real-time.

Onderzoeksinitiatieven en platformen

Sirris - Vision & Edge AI lab: dit labo ondersteunt de Belgische maakindustrie bij het integreren van AI in hun productieomgeving. Ze publiceren regelmatig 'casebooks' met praktijkvoorbeelden van ingebedde AI bij lokale bedrijven.

EdgeAI4Automation: een specifiek Vlaams onderzoeksproject (TETRA) dat maakbedrijven ondersteunt bij het inzetten van industriële AI voor real-time procescontrole op PLC's en industriële PC's.

Agoria: de sectorfederatie brengt regelmatig rapporten uit over de adoptie van AI in de Belgische maakindustrie en organiseert inspiratiemissies om bedrijven te begeleiden bij hun transformatie naar Industrie 4.0.

Hoewel België tot de Europese top behoort wat betreft het gebruik van minstens één AI-toepassing (24,7%), blijft de grootschalige opschaling van specifieke Edge AI-oplossingen in de brede maakindustrie nog een groeifocus voor veel kmo's. Dit komt zeker in oktober aan bod gedurende de expert classes tijdens de volgende ABISS2026 in Breda en Kortrijk.