Producenten die het best de uitdagingen van de wereld waarin ze opereren navigeren, hebben een aantal gemeenschappelijke kenmerken.
1. Een heldere visie op hoe hun operatie er over drie tot vijf jaar uitziet en functioneert.
Ze hebben besloten welke markten en klanten ze willen bedienen en begrijpen wat er nodig is voor hun productieactiviteit om daarin succesvol te zijn. Ze richten zich op een “vital few” strategische initiatieven met duidelijke doelstellingen en deadlines, en stimuleren consistente uitvoering.
Voor de meeste fabrikanten zijn de zakelijke omstandigheden volatieler en onduidelijker dan ooit. Daarom bekijken ze regelmatig hun strategische initiatieven in de context van zich ontwikkelende omstandigheden en passen ze zich aan. Hun lange-termijnkoers is echter stabiel.
2. Een afgestemd bedrijfsmodel
Winnende fabrikanten brengen hun bedrijfsmodel in lijn met hun visie. Ze weten dat als ze dat niet doen, hun feitelijke strategie (hun dagelijkse bedrijfsvoering) zal afwijken van hun beoogde strategie. Ze houden de organisatorische complexiteit laag, omdat complexiteit kosten verhoogt en de snelheid en flexibiliteit verlaagt.
Dit betekent goed afgestemde en efficiënte bedrijfsprocessen, KPI’s die helpen bij het beheersen van de operatie, ondubbelzinnige rollen en verantwoordelijkheden, beslissingsbevoegdheid laag in de organisatie, een rapportagestructuur die transparantie en inzicht creëert in de daadwerkelijke prestaties, en een vergaderstructuur die effectieve besluitvorming op basis van feiten faciliteert.
3. Medewerkers met een hoog niveau van eigenaarschap
Medewerkers op alle niveaus in de organisatie voelen zich mede-eigenaar van het bedrijf en tonen een sterke drive om prestatie bottlenecks te elimineren.
Ze hebben de vaardigheden om succesvol te zijn en zorgen ervoor dat ze nieuwe vaardigheden verwerven die in lijn zijn met de evoluerende behoeften van het bedrijf.
4. Ze streven naar eliminatie van complexiteit
Complexiteit veroorzaakt kosten en inflexibiliteit. Ze bekijken elk type complexiteit: product- en serviceontwerp, het ontwerp van productiemiddelen, de “total cost of ownership” van gekochte goederen en diensten en de kosten van het gedrag van een toeleverancier, aannemer of klant.
5. Ze investeren voortdurend in slimme productie
Met een toenemende digitalisering van hun activiteiten winnen ze aanzienlijk aan snelheid, flexibiliteit en productiviteit. Ze ontwikkelen nieuwe bedrijfsstrategieën en innoveren product- en dienstenportfolio’s. Bij het ontwikkelen van slimme productie richten ze zich niet alleen op het selecteren van de juiste technologie, analytische programma’s en algoritmen, maar ontwikkelen ze ook een digitale cultuur en vaardigheden.
In alle sectoren hebben bedrijven te maken met een verhoogde frequentie en omvang van verstoringen. Bedrijven moeten hun activiteiten snel afbouwen en dan weer opvoeren zodra de vraag terugkeert. Ze moeten van productportfolio wisselen afhankelijk van de beschikbaarheid van componenten. Enkele van de gebeurtenissen die het afgelopen decennium voor dynamiek hebben gezorgd zijn de aardbeving en tsunami in Fukushima in Japan, blokkering van het Suezkanaal, lock-downs die verband houdenmet Covid19 en varianten, halfgeleidertekosten (link bevindt zich buiten Axisto), personeelstekorten, oorlog in Ukraine, exploderende energiekosten (Link bevindt zich buiten Axisto), hoge inflatie.
Het is te begrijpen dat de meeste van deze verstoringen leiderschapsteams verrasten. De ergste van deze verstoringen hebben de output, omzet en winstgevendheid van bedrijven onderuitgehaald. Herstel kan maanden of zelfs jaren duren.
Process mining biedt het broodnodige overzicht in de end-to-end supply chain en levert beter inzicht en betere informatie ten behoeve van een betere, proactieve samenwerking intern en in de keten. Process mining biedt bovendien voorstellen voor beslissingen met hun consequenties ten behoeve van realtime optimalisatie van flows.
(*) klik hier voor een introductie in process mining.
PROCESS MINING – WAT HET IS EN WAT HET KAN
Process mining biedt alle inzichten voor gerichte prestatie- en efficiëntieverbeteringen: snel, end-to-end en op feiten gebaseerd.
ONTDEK EN VERBETER UW WERKELIJKE PROCESSEN
TOEPASSINGEN VAN PROCESS MINING
VOLLEDIGE TRANSPARANTIE
In plaats van te werken met de ontworpen procesflow of de procesflow die wordt weergegeven in het ERP-systeem, bewaakt process mining het daadwerkelijke proces op elk gewenst niveau van granulariteit: end-2-end proces, procure-2-pay, productie, voorraadbeheer, crediteuren, voor een specifiek type product, leverancier, klant, individuele bestelling, individuele SKU. Process mining bewaakt compliance, conformiteit, samenwerking tussen afdelingen of tussen klant, eigen afdelingen en leveranciers, etc.
OVERZICHT OVER DE HELE SUPPLY CHAIN
Dashboards worden ingericht om volledig aan uw vereisten te voldoen. Ze zijn flexibel en kunnen eenvoudig worden aangepast wanneer uw behoeften veranderen en/of knelpunten verschuiven. Ze creëren realtime inzicht in de procesflow. U weet op elk moment hoeveel inkomsten er op het spel staan vanwege voorraadproblemen, wat de hoofdoorzaken zijn en welke beslissingen u kunt nemen en wat hun effecten en trade offs zullen zijn.
Als de leveranciersbetrouwbaarheid op het hoogste rapportageniveau niet op het targetniveau ligt, kunt u eenvoudig in realtime naar een specifieke leverancier en een bepaalde SKU gaan om in realtime te ontdekken wat het probleem veroorzaakt. Leveranciers kunnen bijvoorbeeld ook gehouden worden aan het best-practice serviceniveau van concurrerende leveranciers.
GEÏNFORMEERDE BESLUITEN NEMEN EN DE JUISTE ACTIES UITVOEREN
De interactieve rapporten tonen gaps tussen werkelijke en streefwaarden en geven details over de afwijkingen (waar in het proces de grondoorzaak ligt) , figuur A. Door op een van de gemarkeerde problemen te klikken, kunt u een passende actie toewijzen aan een specifieke persoon, figuur B. Of het kan zelfs automatisch worden gedaan wanneer een afwijking wordt geconstateerd.
Figuur A, details van de afwijkingen. Figuur B, pop up om een taak aan te maken.
En directe communicatie met betrekking tot de actie wordt in real-time gefaciliteerd, figuur C.
Figuur C, uitwisselen van informatie.
SAMENVATTING
Process mining is een effectief hulpmiddel om de end-2-end supply chain flows te optimaliseren in termen van marge, werkkapitaal, voorraadniveau en -profiel, cash, ordercyclustijden, leverbetrouwbaarheid, klantenserviceniveaus, duurzaamheid, risico, voorspelbaarheid, enz. Doordat process mining de daadwerkelijke procesflows op itemniveau in realtime monitort, biedt het volledige procestransparantie en voegt het daarmee significante waarde toe aan de klassieke BI-suites. Process mining kan worden geïntegreerd met bestaande BI-applicaties om de kwaliteit van de rapportage en de besluitvorming te verbeteren.
Recessie aan de horizon? Op basis van eigen onderzoek en onderzoek van Bain & Company, Harvard Business Review, Deloitte, Gartner en McKinsey formuleren wij zeven acties om uw winstgevendheid te verhogen tijdens en direct na een recessie. Figuur 1 toont hoe groot het verschil tussen winnaars en verliezers is. Dit geldt niet alleen voor de EBIT, na een recessie weten winnende bedrijven ook flinke stappen in marktaandeel te maken.
Figuur 1. “Winnende bedrijven verhoogden hun winstgevendheid tijdens en na de recessie, terwijl verliezers vastliepen” (Bron: Bain & Company).
DE ZEVEN BELANGRIJKSTE ACTIES OM TOT DE WINNAARS TE BEHOREN
De sleutel tot succes is voorbereiding. Hoewel, voorbereiding is eigenlijk een verkeerde woordkeuze. Winnaars zijn winnaars, omdat zij met een duidelijke visie structureel scherp aan de wind zeilen. Ze zijn proactief, snel en slagvaardig. Ze zijn financieel prudent om tegenslagen op te vangen en kansen te pakken zodra die zich voordoen. De onderstaande zeven acties geven helder aan wat dat concreet betekent.
1. DUIDELIJKE VISIE EN ORGANISATORISCHE ALIGNMENT
Hoe ziet uw bedrijf er over drie tot vijf jaar uit? En over één jaar? Wat zijn de ‘vital few’ strategische initiatieven en wat is het pad van strategie naar concrete acties en resultaten? Niet alleen uw leiderschapsteam dient gecommitteerd en aligned te zijn, dit geldt voor uw gehele organisatie. Strategy Deployment is een krachtig hulpmiddel in behoud van alignment en focus, monitoren van voortgang tegen plan en snelle en adquate bijsturing in geval van veranderende condities.
2. BEGRIJP UW STRATEGISCHE EN FINANCIËLE POSITIE
Het bepalen van uw plannen is afhankelijk van uw strategische en financiële positie (zie Figuur 2).
Figuur 2. Het bepalen van uw plannen vereist inzicht in de strategische en financiële positie van uw bedrijf (Bron: Bain & Company).
3. MAAK FINANCIËLE MIDDELEN VRIJ
De focus ligt op het in lijn brengen van uw uitgaven met uw visie en strategische initiatieven; geen botte kostenbesparing. Met Zero-based Alignment identificeert u de kernactiviteiten voor succes om die vervolgens zo efficiënt mogelijk in te richten. De activititeiten die niet in lijn zijn, worden gestopt. Met de financiële middelen die u vrijmaakt, kunt u de balans versterken en/of uw investeringsagenda ondersteunen.
Momenteel hebben we te maken met hoge inflatie. Problemen in de toeleverketens en capaciteitsbottlenecks zijn verantwoordelijk voor een deel daarvan, maar hun effect zal uitdempen. Een andere oorzaak zijn de sterk gestegen energiekosten ten gevolge van de strijd in Ukraïne en de resulterende economische sancties. Op termijn zal een deel van de kosten terugveren, maar niet meer naar het oude niveau. De kosten zullen structureel verhoogd blijven door urgentie van de klimaatgedreven energietransititie. Verder is veel geld in omloop, het effect daarvan op de inflatie zal ook langer aanhouden.
Met de huidige hoge inflatie kunnen marges heel snel negatief worden. Snelheid en flexibiliteit zijn geboden; verkoopprijzen moeten omhoog. Prijzen in één keer verhogen is moeilijk. Beter is het om dit in regelmatige kleine stappen te doen. Wat de mogelijkheden zijn, hangt af van de sterkte van het merk en de markt waarin uw bedrijf actief is. Stel wel zeker dat u de juiste klanten behoud.
4. BEHOUD UW KLANTEN
Behoud van klanten is veel goedkoper dan het verwerven van nieuwe. De marge-impact is aanzienlijk. Ontdek manieren om uw klanten door de economische dip heen te helpen en uw relatie met hen te versterken. Uiteraard zetten prijsverhogingen spanning op de relatie. Dit vraagt zorgvuldige verkenning. Zorg er wel voor dat u zich op de juiste klanten richt.
5. PLAN VOOR VERSCHILLENDE SCENARIO’S
Niemand weet wanneer en hoe een neergang zich volledig zal ontvouwen en wanneer de economie weer zal gaan groeien. De winnaars hebben verschillende scenario’s ontwikkeld en ze weten hoe ze moeten handelen in elk van die scenario’s. Dit stelt hen in staat om snel en slagvaardig te handelen.
6. HANDEL SNEL EN SLAGVAARDIG
Winnende bedrijven handelen snel en slagvaardig, in de neergang en vooral in de vroege opleving wanneer de kansen beginnen te ontstaan. Ze hebben de financiële middelen om te investeren vrijgespeeld.
7. OMARM TECHNOLOGIE
Niet alle bedrijven zijn even agressief geweest in de adoptie van nieuwe technologieën. Hier liggen veel mogelijkheden om efficiënte te verbeteren, meer waarde te genereren en daardoor concurrentievoordeel te behalen.
Om het belang van technologie nog eens extra te benadrukken.
In figuur 3 is de ontwikkeling van de ‘total shareholder return’ voor en na de recessie van 2009/ 2010 uitgezet. Duidelijk is te zien hoe winnaars wegbreken van de rest.
Figuur 3, Bedrijven met top-kwartiel omzetgroei en kostenbeheersing worden beloond door investeerders. Bron: https://hbr.org/2019/05/how-to-survive-a-recession-and-thrive-afterward
Harvard Business Review vond uit dat 70% van de bedrijven in de 3 jaren volgend op de recessie hun groeitempo van voor de recessie niet wisten te hervinden. Slechts 5% van de bedrijven weet een groeitempo te ontwikkelen dat consistent boven die van hun concurrenten ligt (kwartaal-op-kwartaal simultaan groeien van omzet en winstmarge).
Digitale leiders hebben een 3x grotere kans om een omzet- en margegroei te realiseren die hoger is dan die in de branche!
Onderhoud is een waarde-schepper en geen kostengenerator. Voor asset-intensieve industrieën zijn hoge uptime en betrouwbaarheid van cruciaal belang om het rendement op activa te garanderen; voor asset-lichtere industrieën zijn hoge uptime en betrouwbaarheid juist van cruciaal belang in een just-in-time supply chain.
De huidige digitale middelen bieden Maintenance volop kansen om die belangrijke waarde-creërende rol te spelen. Maar vaak zien we dat de basis gewoon niet op orde is: samenwerking tussen Onderhoud en Productie is niet productief, gemiddelde tijd tussen reparaties is te kort, er is te veel correctief onderhoud versus preventief onderhoud, onderhoudsachterstand groeit, tekeningen zijn verouderd evenals de onderhoudsplannen, data ontbreken en aannemers presteren ondermaats. De effecten zijn te veel downtime, onbetrouwbare productie, lage efficiëntie, hoge kosten, te veel werkkapitaal en ontevreden medewerkers.
Voordat u de verschillende digitale hulpmiddelen die tegenwoordig op de markt zijn in gaat zetten, moet u eerst de basis op orde hebben.
Sleutelelementen zijn:
organisatorische alignment
de onderhoudsstrategie in lijn brengen met de bedrijfsstrategie
de structuur van de basis onderhoudsprocessen goed krijgen
het bevorderen van een diepe en productieve samenwerking tussen Onderhoud en Productie
een productieve samenwerking met aannemers bevorderen
een krachtig prestatiebeheersysteem om kwaliteits- en productiviteitsdrivers te begrijpen en ernaar te handelen
weten wat de kritische apparatuur is
het registreren van gegevens over het gedrag van apparatuur, het loggen van onderhoudsgeschiedenis en het waarborgen van de integriteit van data
ervoor zorgen dat de technische staat van de apparatuur op een voldoende niveau is
zorgen voor een kwalitatieve uitvoering van correctief onderhoud: eliminatie van de grondoorzaak
zorgen voor een tijdige en kwalitatieve uitvoering van preventieve onderhoudsroutines
gebruik van conditie monitoring van apparatuur
de vaardigheden en het juiste gedrag ontwikkelen
Als u dit allemaal op orde heeft, zullen de prestaties van de equipment al hoog zijn en de kosten aanzienlijk lager. Geleidelijk aan, in lijn met de groeiende volwassenheid van de organisatie, kunt u digitale hulpmiddelen integreren om volgende niveaus van apparatuurprestaties, efficiëntie en nog lagere kosten te bereiken: IIoT (Industrial Internet of Things), slimme apparatuur, mobiele apparaten, wearables, digital twin , geavanceerde analyses, voorspellend onderhoud, naadloze engineering, enz.
UITDAGING
De ontwikkeling van nieuwe producten en introductie van de bijbehorende industriële productieprocessen is zeer complex, vooral als je aan de grenzen van de productietechnologie zit. De toenemende marktvraag verhoogt de druk alleen maar verder: niet alleen kan elk vervaardigd product worden verkocht, ook de vraag naar nieuwe producttypen groeide snel. Het bleek een giftige combinatie.
In een eerder project met deze business unit hadden we samengewerkt om productieproblemen op te lossen en de leverbetrouwbaarheid op niveau te brengen. Nu werden we gevraagd te helpen met de verbetering van de betrouwbaarheid van innovatie en versnelling van de time-to-market voor nieuwe producten.
De situatie op de Innovatie-afdeling was complex. Er was een sterke vraag naar aanvullende producttypen en de markt verschoof van B2B naar B2C, wat nieuwe producteisen betekende. De sterke groei van de business betekende ook een continue instroom van nieuwe medewerkers voor de Innovatie-afdeling. Intussen nam de concurrentie toe: dus snelheid van verbetering was van het grootste belang en de targets lagen extreem hoog.
AAANPAK
Onze analyse, die we in nauwe samenwerking met de opdrachtgever hebben uitgevoerd, bracht drie belangrijke probleemgebieden aan het licht:
1. Portfolio management
Het innovatieportfolio was te omvangrijk, de inhoud inconsistent en de prioriteiten wisselden regelmatig.
Deze situatie was ontstaan als gevolg van een onduidelijke strategische- en operationele planning met als gevolg een slechte technologie- en product- roadmap planning.
2. Resource management
a. De organisatie zat een zelf veroorzaakte resource bottleneck. Die werd veroorzaakt door te veel projecten tegelijk willen doen en te veel projecten toe te wijzen aan individuele medewerkers. Het resultaat was een instorting van de productiviteit.
b. De constante instroom van nieuwe medewerkers zorgde voor een capability probleem. Er was geen tijd om ze op te leiden en kennis was niet gemakkelijk toegankelijk voor de nieuwe medewerkers omdat er maar weinig gedocumenteerd was.
3. Project management van innovatie projecten
Voor slechts voor 2 van de 5 projectcategorieën was een projectmanagementproces gedefinieerd. En vanwege de tijdsdruk werden de projecten inhoudelijk minder zorgvuldig gedaan en was de discipline van voortgangscontroles (tollgate controles) slecht. Dit gedrag zorgde voor rework en dus voor projectvertragingen. De kwaliteit van het project had te lijden met productieproblemen en een toename van klachten van klanten als gevolg.
Samen met de opdrachtgever hebben we duidelijke targets gesteld om de innovatie-output te verhogen, de betrouwbaarheid van projecten te verbeteren en de time-to-market te verkorten. De time-to-market target was uitdagend: van gemiddeld 23 maanden naar slechts 9 maanden. Ook het beschikbare tijd was met zes maanden agressief.
We hebben vier gezamenlijke teams gevormd en een PMO ingericht. Daar de onderlinge afhankelijkheid van de drie belangrijkste probleemgebieden hoog was en de doorlooptijd kort, zijn we met vier werkstromen parallel aan de slag gegaan: (1) projectmanagement, (2) portfoliomanagement, (3) bedrijfsplanning en roadmapping, en (4) ontwerp-regels vastleggen. Via zes pilotprojecten is de nieuwe manier van werken in de praktijk gebracht en zijn concrete resultaten opgeleverd. Onze aanpak was een combinatie van ‘waterval’ en ‘agile’.
THE IMPLEMENTATION
Programma’s voor prestatieverbetering vragen om een zorgvuldige balans tussen menselijke en technische aspecten als ze significante, duurzame resultaten willen opleveren. Een cruciaal aspect voor een blijvende verbetering is de ontwikkeling van diep lokaal eigenaarschap van de nieuwe manier van werken. Daarom gingen we de uitdaging aan door er vanaf het begin voor te zorgen dat oplossingen voor problemen in een proces van co-creatie werden ontwikkeld.
De Innovatie-medewerkers hadden gewoon geen tijd over, maar snelheid was essentieel. Onze eerste actie was daarom het aantal projecten waaraan gewerkt werd flink te verminderen. Vervolgens stelden we prioriteiten en reduceerden we het aantal projecten dat aan de ontwikkelaars werd toegewezen. Dit was een moeizaam proces omdat er veel geïnvesteerde belangen waren. Dit herbevestigde echter wel de bevinding van de analyse dat het bedrijf zijn strategische en operationele planning op orde moest brengen.
We zijn tot vijf verschillende projectcategorieën gekomen, variërend van grote, complexe innovatieprojecten tot fabrieksondersteuning (crash-acties). Voor elke categorie is een procesflow ontworpen en ingevoerd, met daarbij de projectmanagement-methode met team overleggen, tollgate beoordelingen, tollgate criteria en relevante tools per fase van het project.
Ook is een solide portfoliomanagementproces en -systeem met duidelijke rollen en verantwoordelijkheden ingevoerd, met reviewteams per projectcategorie en criteria om projecten al of niet toe te laten in de portfolio. Ter ondersteuning is een verbeterd resource managementproces ingevoerd We stimuleerden de houding van nee-zeggen en projecten zo vroeg mogelijk stoppen om een beheersbaar portfolio te behouden, verspilling tegen te gaan en time-to-market te verkorten.
Verder zijn processen voor bedrijfsplanning en roadmaping geïmplementeerd, waaronder een roadmap voor technologie, voor producten en een roadmap voor applicaties. Om de ontwikkeling van kennis en vaardigheden te ondersteunen, is een proces opgezet om door de verschillende projecten heen te leren en het geleerde vervolgens te documenten, ongeacht of ze succesvol, mislukt of gestopt waren.
De resultaten waren indrukwekkend. De time-to-market daalde van 23 weken naar 11 weken binnen 6 projectmaanden, met concrete plannen om de target van 9 maanden te halen. Even belangrijk was dat de resultaten duurzaam waren: de grondoorzaken waren geëlimineerd en de verbeteringen geborgd in het Performance Management Systeem (PMS) dat tijdens het project was ontwikkeld. Een PMS is in essentie een samenstel van rapportages en overleggen die managers en medewerkers kwantificeerbare informatie leveren die nodig is om met feiten onderbouwde beslissingen te kunnen nemen om de actuele prestatie naar target te drijven en problemen voor te blijven.
De goede balans van menselijke en technische aspecten in in onze projectaanpak zorgde voor een hoge mate van lokaal ownership van de nieuwe manier van werken. Naarmate het project vorderde, begonnen medewerkers de waarde van hun eigen bijdragen in te zien en te begrijpen hoe hun prestaties die van anderen beïnvloedden, zowel binnen hun vakgebied als daarbuiten. Naarmate dit begrip groeide, ontwikkelde zich een cultuur van verantwoordelijkheid en samenwerking. Duidelijke doelen werden gecommuniceerd en medewerkers demonstreerden duidelijk ownership van de nieuwe systemen, processen en manier van werken.
Het bereiken van supply chain management en samenwerking van wereldklasse betekent het ontwikkelen en beheren van supply chains en partnerships zodat uw bedrijf flexibel en veerkrachtig is, met responstijden en leverprestaties die beter zijn dan die van de concurrentie.
Toekomstige supply chains moeten het hoofd kunnen bieden aan de lange-termijntrends van maatwerk in volume, steeds kortere levenscycli en de meer recente volatiele omstandigheden die blijvend zullen zijn. In deze marktomstandigheden zullen veel bedrijven profiteren van een “slimme” toeleveringsketen, die de drive om verspilling te elimineren (dwz alles wat geen waarde toevoegt) combineert met wendbaarheid en reactievermogen (dwz het vermogen om onvoorspelbaar snel en flexibel om te gaan) .
Een slimme supply chain maakt een snelle en flexibele levering van maatwerkproducten tegen concurrerende kosten mogelijk. Zij blinkt uit in het hebben van weinig problemen met product- en proceskwaliteit, in lagere operationele kosten, verhoogde flexibiliteit en hoge interne processnelheden. Zij integreert klanten en zakenpartners om waarde te creëren in zowel de primaire als de ondersteunende processen.
Het bouwen van een slimme supply chain vereist een holistische benadering die product- en procesontwerp, organisatieontwerp en digitale oplossingen integreert:
een eenduidige supply chain-strategie
productconfiguratie voor late klant specifieke configuratie
processen die zijn afgestemd op de strategie en zijn ontworpen voor minimale ordercyclustijden
een platte organisatie met multidisciplinaire teams en zonder afdelingssilo’s
integratie met partners in de hele supply chain
een afgestemd prestatiemanagementsysteem met realtime informatie van het end-to-end proces
zichtbaarheid van de toeleveringsketen met de mogelijkheid voor belanghebbenden in de hele toeleveringsketen om toegang te krijgen tot realtime gegevens met betrekking tot het bestelproces, planning, voorraad, levering en mogelijke verstoringen van de toeleveringsketen
Kunstmatige Intelligentie is hot. We kunnen vrijwel niets meer doen zonder bewust of onbewust in contact te komen met vormen van Kunstmatige Intelligentie. En het wordt steeds belangrijker. Dit artikel is een inleiding tot het vakgebied van de Kunstmatige Intelligentie. Het start met een definitie om vervolgens de verschillende sub-specialismen te verkennen, compleet met omschrijving en enkele toepassingen.
WAT IS KUNSTMATIGE INTELLIGENTIE?
Kunstmatige Intelligentie (KI) maakt gebruik van computers en machines om de vaardigheden van mensen op het gebied van probleemoplossing en besluitvorming te imiteren. Eén van de toonaangevende studieboeken op het vakgebied van KI is Artificial Intelligence: A Modern Approach (link bevindt zich buiten Axisto) van Stuart Russell en Peter Norvig. Daarin werken ze vier mogelijke doelen of definities van KI uit.
Menselijke benadering:
Systemen die denken als mensen
Systemen die zich gedragen als mensen
Rationele benadering:
Systemen die rationeel denken
Systemen die zich rationeel gedragen
Kunstmatige intelligentie speelt onder meer een groeiende rol in (I)IoT (Industrieel) Internet der dingen), waarbij (I)IoT-platformsoftware geïntegreerde AI-mogelijkheden kan bieden.
SUB-SPECIALISMEN BINNEN KUNSTMATIGE INTELLIGENTIE
Er zijn verschillende sub-specialismen die behoren tot het domein van de Kunstmatige Intelligentie. Hoewel er de nodige onderlinge afhankelijkheid tussen veel van deze specialismen zit, heeft elk daarvan unieke eigenschappen die bijdragen aan het overkoepelende thema KI. Het The Intelligent Automation Network (link bevindt buiten Axisto) onderscheidt zeven sub-specialismen, figuur 1.
Figuur 1, Het Intelligent Automation Network onderscheidt zeven sub-specialismen binnen Kunstmatige Intelligentie.
Elke sub-specialisme wordt hieronder verder toegelicht.
MACHINE LEARNING
Machine learning is het vakgebied dat zich richt op het gebruik van gegevens en algoritmen om de manier waarop mensen leren te imiteren met behulp van computers, zonder dat die expliciet geprogrammeerd zijn, en daarbij geleidelijk de nauwkeurigheid te verbeteren. Het artikel “Axisto – een introductie tot Machine Learning” gaat dieper op deze specialiteit in.
MACHINE LEARNING EN PREDICTIVE ANALYTICS
Analytics en machine learning gaan hand in hand. Predictive analytics omvat een verscheidenheid aan statistische technieken, waaronder algoritmen voor machine learning. Met de statistische technieken worden huidige en historische feiten geanalyseerd om voorspellingen te doen over toekomstige of anderszins onbekende gebeurtenissen. Deze voorspellende analysemodellen kunnen in de loop van de tijd worden getraind om te reageren op nieuwe gegevens.
Het bepalende functionele aspect van deze technische benaderingen is dat predictive analytics een voorspellende score (een waarschijnlijkheid) geeft voor elk ‘individu’ (klant, medewerker, zorgpatiënt, product-SKU, voertuig, onderdeel, machine of andere organisatorische eenheid) om te bepalen, te informeren of invloed te hebben op organisatorische processen met betrekking tot grote aantallen ‘individuen’. Toepassingen zijn te vinden bij bijvoorbeeld marketing, kredietrisicobeoordeling, fraudedetectie, productie, gezondheidszorg en overheidsactiviteiten, waaronder wetshandhaving.
In tegenstelling tot andere Business Intelligence (BI)-technologieën is voorspellende analyse toekomstgericht. Gebeurtenissen uit het verleden worden gebruikt om te anticiperen op de toekomst. Vaak is de onbekende gebeurtenis van belang in de toekomst, maar voorspellende analyses kunnen worden toegepast op elk type ‘onbekend’, of het nu in het verleden, het heden of de toekomst is. Bijvoorbeeld het identificeren van verdachten nadat een misdrijf is gepleegd, of creditcardfraude als deze zich voordoet. De kern van voorspellende analyses is gebaseerd op het vastleggen van relaties tussen verklarende variabelen en de voorspelde variabelen uit eerdere gebeurtenissen, en deze te exploiteren om de onbekende uitkomst te voorspellen. Uiteraard hangt de nauwkeurigheid en bruikbaarheid van de resultaten sterk af van het niveau van de gegevensanalyse en de kwaliteit van de aannames.
Machine Learning en voorspellende analyses kunnen een belangrijke bijdrage leveren aan elke organisatie, maar invoering zonder na te denken over hoe ze in de dagelijkse activiteiten passen zal hun vermogen om relevante inzichten te leveren sterk beperken.
Om waarde uit voorspellende analyses en machine learning te halen, moet niet alleen de architectuur aanwezig zijn om deze oplossingen te ondersteunen. Ook hoogwaardige gegevens moeten beschikbaar zijn om ze te voeden en te helpen leren. Gegevensvoorbereiding en -kwaliteit zijn belangrijke factoren voor voorspellende analyses. Invoergegevens kunnen meerdere platforms omvatten en meerdere big data-bronnen bevatten. Om bruikbaar te zijn, moeten deze gecentraliseerd, uniform en in een coherent formaat zijn.
Daartoe moeten organisaties een degelijke aanpak ontwikkelen om gegevensbeheer te bewaken en ervoor te zorgen dat alleen gegevens van hoge kwaliteit worden vastgelegd en opgeslagen. Verder moeten bestaande processen worden aangepast om voorspellende analyses en machine learning op te nemen, omdat dit organisaties in staat zal stellen de efficiëntie op elk punt in het bedrijf te verbeteren. Ten slotte moeten zij weten welke problemen ze willen oplossen, dit om het beste en meest toepasselijke model te bepalen.
NATURAL LANGUAGE PROCESSING (NLP)
Natuurlijke taalverwerking is het vermogen van een computerprogramma om menselijke taal te begrijpen zoals deze wordt gesproken en geschreven – ook wel natuurlijke taal genoemd. NLP is een manier voor computers om betekenis uit menselijke taal te analyseren en te extraheren, zodat ze taken als vertaling, sentimentanalyse en spraakherkenning kunnen uitvoeren.
Dit is moeilijk, omdat het veel ongestructureerde gegevens omvat. De stijl waarin mensen praten en schrijven (ook wel stemgeluid/ toon genoemd) is uniek voor individuen en evolueert voortdurend om populair taalgebruik te weerspiegelen. Het begrijpen van de context is ook een probleem – iets dat semantische analyse vraagt van machine learning. Natuurlijk taalbegrip (NLU) is een vertakking van NLP en pikt deze nuances op via machinaal ‘begrijpend lezen’ in plaats van simpelweg de letterlijke betekenissen te begrijpen. Het doel van NLP en NLU is om computers te helpen menselijke taal goed genoeg te begrijpen, zodat ze op een natuurlijke manier kunnen converseren.
Al deze functies worden beter naarmate we meer schrijven, spreken en praten met computers: ze leren voortdurend. Een goed voorbeeld van dit iteratief leren is een functie als Google Translate die gebruikmaakt van een systeem dat Google Neural Machine Translation (GNMT) wordt genoemd. GNMT is een systeem dat werkt met een groot kunstmatig neuraal netwerk om steeds vloeiender en nauwkeuriger te vertalen. In plaats van één stuk tekst tegelijk te vertalen, probeert GNMT hele zinnen te vertalen. Omdat het miljoenen voorbeelden doorzoekt, gebruikt GNMT een bredere context om de meest relevante vertaling af te leiden.
Het onderstaande is een selectie van taken in natuurlijke taalverwerking (NLP). Sommige van deze taken hebben directe toepassingen in de echte wereld, terwijl andere vaker dienen als sub-taken die worden gebruikt om grotere taken op te lossen.
Optical Character Recognition (OCR)
Bepalen van de tekst die hoort bij een gegeven afbeelding die gedrukte tekst vertegenwoordigt.
Spraakherkenning
Aan de hand van een geluidsfragment van een sprekende persoon of personen bepalen wat de tekstuele representatie van de toespraak is. Dit is het tegenovergestelde van tekst naar spraak en is een extreem moeilijk probleem. In natuurlijke spraak zijn er nauwelijks pauzes tussen opeenvolgende woorden, en dus is spraaksegmentatie een noodzakelijke sub-taak van spraakherkenning (zie ‘woordsegmentatie hieronder). In de meeste gesproken talen gaan de klanken die opeenvolgende letters vertegenwoordigen in elkaar over in een proces dat co-articulatie wordt genoemd. De conversie van het analoge signaal naar discrete karakters kan dus een zeer moeilijk proces zijn. Aangezien woorden in dezelfde taal worden gesproken door mensen met verschillende accenten, moet de spraakherkenningssoftware ook nog een grote verscheidenheid aan invoer kunnen herkennen als identiek aan elkaar in termen van tekstueel equivalent.
Tekst naar Spraak
De elementen van een gegeven een tekst worden getransformeerd en een gesproken representatie wordt geproduceerd. Tekst-naar-spraak kan worden gebruikt om slechtzienden te helpen.
Woord segmentatie (Tokenization)
Opsplitsen van een stuk doorlopende tekst in afzonderlijke woorden. Voor een taal als Engels is dit vrij triviaal, aangezien woorden meestal worden gescheiden door spaties. Sommige geschreven talen, zoals Chinees, Japans en Thais, markeren woordgrenzen echter niet op een dergelijke manier, en in die talen is tekstsegmentatie een belangrijke taak die kennis van de woordenschat en morfologie van woorden in de taal vereist. Soms wordt woordsegmentatie ook toegepast in bijvoorbeeld het maken van woorden in datamining.
Document AI
Een Document AI-platform zit bovenop de NLP-technologie, waardoor gebruikers zonder eerdere ervaring met kunstmatige intelligentie, machine learning of NLP een computer snel kunnen trainen om de specifieke gegevens die ze nodig hebben uit verschillende documenttypen te halen. NLP-aangedreven Document AI stelt niet-technische teams in staat om snel toegang te krijgen tot informatie die verborgen is in documenten, bijvoorbeeld advocaten, bedrijfsanalisten en accountants.
Grammaticale fout detectie en correctie
Grammaticale fout detectie en correctie brengt een grote bandbreedte van problemen met zich mee op alle niveaus van taalkundige analyse (fonologie/orthografie, morfologie, syntaxis, semantiek, pragmatiek). Grammaticale fout correctie is van grote invloed omdat het honderden miljoenen mensen raakt die een tweede taal gebruiken of zich eigen maken. Voor wat betreft spelling, morfologie, syntaxis en bepaalde aspecten van semantiek kan dit, door de ontwikkeling van krachtige neurale taalmodellen zoals GPT-2, sinds 2019 worden beschouwd als een grotendeels opgelost probleem. Verschillende commerciële toepassingen zijn op de markt verkrijgbaar.
Machine vertaling
Automatisch tekst vertalen van de ene menselijke taal naar de andere is één van de moeilijkste problemen: alle verschillende soorten kennis zijn vereist om dit goed te doen, zoals grammatica, semantiek, feiten over de echte wereld, enz..
Natural Language Generation (NLG)
Informatie omzetten uit computerdatabases of semantische intentie in leesbare menselijke taal.
Natural Language Understanding (NLU)
NLU betreft het begrip van menselijke taal, zoals Nederlands, Engels en Frans, waarmee computers opdrachten kunnen begrijpen zonder de geformaliseerde syntaxis van computertalen. NLU stelt computers ook in staat om terug te communiceren met mensen in hun eigen taal. Het belangrijkste doel van NLU is om chat- en spraak gestuurde bots te maken die zonder toezicht met het publiek kunnen communiceren. Vragen beantwoorden en het antwoord op een vraag in mensentaal bepalen. Typische vragen hebben een specifiek juist antwoord, zoals “Wat is de hoofdstad van Finland?”, maar soms worden ook open vragen overwogen (zoals “Wat is de zin van het leven?”). Hoe werkt het begrijpen van natuurlijke taal? NLU analyseert gegevens om de betekenis ervan te bepalen door algoritmen te gebruiken om menselijke spraak te reduceren tot een gestructureerde ontologie – een gegevensmodel dat bestaat uit semantiek en pragmatische definities. Twee fundamentele concepten van NLU zijn intentie en entiteitsherkenning. Intentieherkenning is het proces van het identificeren van het gebruikerssentiment in invoertekst en het bepalen van het doel. Dit is het eerste en belangrijkste onderdeel van NLU omdat het de betekenis van de tekst vastlegt. Entiteitsherkenning is een specifiek type NLU dat zich richt op het identificeren van de entiteiten in een bericht en het vervolgens extraheren van de belangrijkste informatie over die entiteiten. Er zijn twee soorten entiteiten: benoemde entiteiten en numerieke entiteiten. Benoemde entiteiten zijn gegroepeerd in categorieën, zoals mensen, bedrijven en locaties. Numerieke entiteiten worden herkend als getallen, valuta en percentages.
Tekst-naar-beeld generatie
Geven van een beschrijving van een afbeelding en genereer een afbeelding die overeenkomt met de beschrijving.
Natuurlijke taalverwerking – mensen begrijpen – is de sleutel tot AI om zijn claim op intelligentie te rechtvaardigen. Nieuwe deep learning-modellen verbeteren voortdurend de prestaties van AI in Turing-tests. Google’s Director of Engineering Ray Kurzweil voorspelt dat “AI’s tegen 2029 “menselijke niveaus van intelligentie zullen bereiken“(link bevindt zich buiten Axisto).
Overigens, wat mensen zeggen is soms heel wat anders dan wat mensen doen. Begrijpen van de menselijke natuur is bepaald niet eenvoudig. Intelligentere AI’s vergroten het perspectief van kunstmatig bewustzijn, waardoor een nieuw veld van filosofisch en toegepast onderzoek is ontstaan.
SPRAAK
Spraakherkenning staat ook bekend als automatische spraakherkenning (ASR), computerspraakherkenning of spraak-naar-tekst. Het is een mogelijkheid die natuurlijke taalverwerking (NLP) gebruikt om menselijke spraak in een geschreven formaat te verwerken. Veel mobiele apparaten nemen spraakherkenning in hun systemen op om gesproken zoekopdrachten uit te voeren, bijv. Siri van Apple.
Een belangrijk spraakgebied in AI is spraak naar tekst, het proces waarbij audio en spraak worden omgezet in geschreven tekst. Het kan gebruikers met een visuele of fysieke beperking helpen en kan de veiligheid bevorderen met handsfree bediening. Spraak-naar-teksttaken bevatten machine learning-algoritmen die leren van grote datasets van menselijke stemvoorbeelden om tot voldoende gebruikskwaliteit te komen. Spraak-naar-tekst heeft waarde voor bedrijven omdat het kan helpen bij de transcriptie van video- of telefoongesprekken. Tekst naar spraak zet geschreven tekst om in audio die klinkt als natuurlijke spraak. Deze technologieën kunnen worden gebruikt om personen met een spraakstoornis te helpen. Polly van Amazon is een voorbeeld van een technologie die deep learning gebruikt om spraak te synthetiseren die menselijk klinkt ten behoeve van bijvoorbeeld e-learning en telefonie.
Spraakherkenning is een taak waarbij spraak door een systeem wordt ontvangen via een microfoon en wordt gecontroleerd aan de hand van een database met een grote woordenschat voor patroonherkenning. Wanneer een woord of zin wordt herkend, zal deze reageren met de bijbehorende verbale reactie of een specifieke taak. Voorbeelden van spraakherkenning zijn Apple’s Siri, Amazon’s Alexa, Microsoft’s Cortana en Google’s Google Assistant. Deze producten moeten de spraakinvoer van een gebruiker kunnen herkennen en de juiste spraakuitvoer of actie kunnen toewijzen. Nog geavanceerder zijn pogingen om spraak te creëren op basis van hersengolven voor degenen die niet kunnen spreken of mogelijkheid tot spraak hebben verloren.
EXPERTSYSTEMEN
Een expertsysteem gebruikt een kennisbank over zijn toepassingsdomein en een inferentie-engine om problemen op te lossen die normaal gesproken menselijke intelligentie vereisen. Een interferentie engine is een onderdeel van het systeem dat logische regels toepast op de kennisbank om nieuwe informatie af te leiden. Voorbeelden van expertsystemen zijn onder meer financieel beheer, bedrijfsplanning, kredietautorisatie, ontwerp van computerinstallaties en planning van luchtvaartmaatschappijen. Een expertsysteem op het gebied van verkeersbeheer kan bijvoorbeeld helpen bij het ontwerpen van slimme steden door op te treden als een “menselijke operator” voor het doorgeven van verkeersfeedback voor de juiste routes.
Een beperking van expertsystemen is dat ze het gezond verstand missen dat mensen wel hebben, zoals een begrip van de grenzen van hun vaardigheden en hoe hun aanbevelingen in het grotere geheel passen. Ze missen het zelfbewustzijn van mensen. Expertsystemen zijn geen vervanging voor besluitvormers omdat ze geen menselijke capaciteiten hebben, maar ze kunnen het menselijke werk dat nodig is om een probleem op te lossen drastisch verlichten.
PLANNING SCHEDULING EN OPTIMALISITIE
KI-planning is de taak om te bepalen hoe een systeem zijn doelen op de beste manier kan bereiken. Het is het kiezen van opeenvolgende acties die een grote kans hebben om de toestand van de omgeving stapsgewijs te veranderen ten einde een doel te bereiken. Dit soort oplossingen is vaak complex. In dynamische omgevingen met constante verandering, vereisen ze frequente trial-and-error iteratie om te finetunen.
Plannen is het maken van planningen, of tijdelijke toewijzingen van activiteiten aan resources, rekening houdend met doelen en beperkingen. Om een algortime te ontwerpen bepaalt planning de volgorde en timing van acties die door het algoritme worden gegenereerd. Deze worden doorgaans uitgevoerd door intelligente uitvoerders, autonome robots en onbemande voertuigen. Wanneer ze goed zijn ontworpen kunnen ze planningsproblemen voor organisaties op een kostenefficiënte manier oplossen. Optimalisatie kan worden bereikt door een van de meest populaire ML- en Deep Learning-optimalisatiestrategieën te gebruiken: gradient descent. Dit wordt gebruikt om een machine learning-model te trainen door de parameters ervan op een iteratieve manier te wijzigen om een bepaalde functie tot het lokale minimum te minimaliseren.
Kunstmatige intelligentie bevindt zich aan de ene kant van het spectrum van intelligente automatisering, terwijl Robotic Process Automation (RPA), softwarerobots die menselijke acties nabootsen, aan de andere kant staat. De ene houdt zich bezig met het repliceren van hoe mensen denken en leren, terwijl de andere zich bezighoudt met het repliceren van hoe mensen dingen doen. Robotica ontwikkelt complexe sensor motorische functies die machines in staat stellen zich aan te passen aan hun omgeving. Robots kunnen de omgeving voelen met behulp van computervisie.
Het belangrijkste idee van robotica is om robots zo autonoom mogelijk te maken door te leren. Ondanks het niet bereiken van mensachtige intelligentie, zijn er nog steeds veel succesvolle voorbeelden van robots die autonome taken uitvoeren, zoals dozen dragen, objecten oppakken en neerleggen. Sommige robots kunnen besluitvorming leren door een verband te leggen tussen een actie en een gewenst resultaat. Kismet, een robot bij het Artificial Intelligence Lab van het M.I.T., leert zowel lichaamstaal als stem te herkennen en gepast te reageren. Deze MIT video (link staat buiten Axisto) geeft een goede indruk.
COMPUTER VISION
Computervisie is een gebied van AI dat computers traint om informatie uit beeld- en videogegevens vast te leggen en te interpreteren. Door machine learning (ML)-modellen toe te passen op afbeeldingen, kunnen computers objecten classificeren en reageren, zoals gezichtsherkenning om een smartphone te ontgrendelen of beoogde acties goed te keuren. Wanneer computervisie wordt gekoppeld aan Deep Learning, combineert het het beste van twee werelden: geoptimaliseerde prestaties gecombineerd met nauwkeurigheid en veelzijdigheid. Deep Learning biedt IoT-ontwikkelaars een grotere nauwkeurigheid bij objectclassificatie.
Machine vision gaat nog een stap verder door computer vision-algoritmen te combineren met beeldregistratiesystemen om robots beter aan te sturen. Een voorbeeld van computervisie is een computer die een unieke reeks strepen op een universele productcode kan ‘zien’ en deze kan scannen en herkennen als een unieke identificatiecode. Optical Character Recognition (OCR) maakt gebruik van beeldherkenning van letters om papieren gedrukte records en/of handschrift te ontcijferen, ondanks het grote aantal verschillende lettertypen en handschriftvariaties.
WAT IS MACHINE LEARNING?
Dit artikel behandelt de introductie tot machine learning en de direct gerelateerde concepten.
Machine learning is het vakgebied dat computers de mogelijkheid geeft om te leren zonder expliciet geprogrammeerd te zijn. Het is een subset van kunstmatige intelligentie (KI) die zich richt op het gebruik van gegevens en algoritmen om de manier waarop mensen leren te imiteren en waarbij de nauwkeurigheid geleidelijk wordt verbeterd.
Het basisconcept van machine learning betreft het gebruik van statistische leer- en optimalisatiemethoden (link bevindt zich buiten Axisto) waarmee computers datasets kunnen analyseren en identificeren. Machine learning-technieken maken gebruik van datamining om historische trends te identificeren teneinde toekomstige modellen te informeren.
Volgens de University of California, Berkeley, bestaat het typische begeleide machine learning-algoritme uit (ongeveer) drie componenten:
Een beslissingsproces: Een combinatie van berekeningen of andere stappen die de gegevens opnemen en een ‘gok’ retourneren van het soort patroon in de gegevens dat het algoritme zoekt.
Een foutfunctie: Een methode om te meten hoe goed de gok was door deze te vergelijken met bekende voorbeelden (indien beschikbaar). Is het besluitvormingsproces goed verlopen? Zo niet, hoe kwantificeert u “hoe erg” de misser was?
Een update- of optimalisatieproces: waarbij het algoritme naar de misser kijkt en vervolgens de manier, waarop het besluitvormingsproces tot de uiteindelijke beslissing komt, bijwerkt zodat de volgende keer de misser niet zo groot zal zijn.
Machine learning is een belangrijk onderdeel van het groeiende veld van datawetenschappen. Met statistische methoden worden algoritmen getraind om classificaties of voorspellingen te doen, waardoor belangrijke inzichten uit gegevens worden gehaald.
HOE LEERT EEN MACHINE LEARNING ALGORITME?
De technologiefirma Nvidia (link bevindt zich buiten Axisto) onderscheidt vier leermodellen, die worden bepaald door het niveau van menselijke interventie:
Begeleid leren: Als je onder begeleiding een taak leert, is er iemand aanwezig die beoordeelt of je het juiste antwoord krijgt. Evenzo betekent dit bij begeleid leren dat je een volledige set gelabelde(*) gegevens hebt, terwijl je een algoritme traint.
Onbegeleid leren: Bij onbegeleid leren krijgt een ‘deep learning’-model een dataset aangereikt zonder expliciete instructies over wat ermee te doen. De trainingsdataset is een verzameling voorbeelden zonder een specifiek gewenst resultaat of correct antwoord. Het neurale netwerk probeert vervolgens automatisch structuur in de gegevens te vinden door nuttige functies te extraheren en de structuur ervan te analyseren.
Semi-begeleid leren: is voor het grootste deel precies hoe het klinkt: een trainingsdataset met zowel gelabelde als niet-gelabelde data. Deze methode is met name handig wanneer het moeilijk is om relevante kenmerken uit de gegevens te extraheren en het labelen van voorbeelden een tijdrovende taak is voor de experts.
Versterkend leren: Bij dit soort machine learning proberen AI-algoritmes de optimale manier te vinden om een bepaald doel te bereiken of de prestaties van een specifieke taak te verbeteren. Als het algoritme actie onderneemt die in de richting van het doel gaat, ontvangt het een beloning. Het algemene doel: voorspel de beste volgende stap om de grootste uiteindelijke beloning te verdienen. Om zijn keuzes te maken, vertrouwt het algoritme zowel op lessen uit eerdere feedback als op verkenning van nieuwe tactieken die een grotere beloning kunnen opleveren. Het gaat om een langdurige strategie — net zoals de beste directe zet in een schaakspel je uiteindelijk niet kan helpen om te winnen; het algoritme probeert de cumulatieve beloning te maximaliseren. Het is een iteratief proces: hoe meer feedbackrondes, hoe beter de strategie van het algoritme wordt. Deze techniek is vooral handig voor het trainen van robots, die een reeks beslissingen nemen in taken zoals het besturen van een autonoom voertuig of het beheren van voorraad in een magazijn.
* Volledig gelabeld betekent dat elk voorbeeld in de trainingsdataset is voorzien is van het antwoord dat het algoritme op zichzelf zou moeten produceren. Dus een gelabelde dataset van bloemenafbeeldingen zou het model vertellen welke foto’s rozen, madeliefjes en narcissen waren. Wanneer een nieuwe afbeelding wordt getoond, vergelijkt het model deze met de trainingsvoorbeelden om het juiste label te voorspellen.
In alle vier de leermodellen leert het algoritme van datasets met menselijke regels of kennis.
Bij het navigatie van het domein van kunstmatige intelligentie komt niet alleen de term machine learning langs, maar ook deep learning (DL) en neurale netwerken (artificiële neurale netwerken – ANN). Kunstmatige intelligentie en machine learning worden door elkaar heen gebruikt, netals machine learning en deep learning. Maar in feite zijn ze een subset van een subset zoals gevisualiseerd in figuur 1.
Figuur 1. Kunstmatige neurale netwerken zijn een subset van deep learning is een subset van machine learning is een subset van kunstmatige intelligentie.
Daarom worden hieronder ook deep learning en kunstmatige neurale netwerken kort toegelicht.
HET VERSCHIL TUSSEN MACHINE LEARNING EN DEEP LEARNING IS IN DE MANIER WAAROP EEN ALGORITME LEERT
In tegenstelling tot machine learning, vereist deep learning geen menselijke tussenkomst om gegevens te verwerken. Deep learning automatiseert een groot deel van het functie-extractie proces, waardoor een deel van de handmatige menselijke interventie, wordt geëlimineerd en het gebruik van grotere datasets mogelijk wordt. “Non-deep” machine learning is voor het leren in meer of mindere mate afhankelijk van menselijk ingrijpen. Menselijke experts bepalen de reeks functies om de verschillen in de gegevensinvoer te begrijpen, waarvoor meestal meer gestructureerde gegevens nodig zijn om te leren. “Deep” machine learning kan gebruikmaken van gelabelde datasets, ook wel begeleid leren genoemd, om het algoritme te informeren, maar het vereist niet per se een gelabelde dataset. Het kan ook ongestructureerde gegevens in onbewerkte vorm verwerken (bijv. tekst en afbeeldingen) en het kan automatisch de reeks functies bepalen die verschillende categorieën van gegevens van elkaar onderscheiden.
Figuur 2. Het verschil tussen Machine Learning en Deep Learning gevisualiseerd.
Deep learning gebruikt meerdere lagen om geleidelijk hogere niveaus van functies uit de onbewerkte invoer te extraheren. Bij beeldverwerking kunnen lagere lagen bijvoorbeeld randen identificeren, terwijl hogere lagen de concepten kunnen identificeren die relevant zijn voor een mens, zoals cijfers of letters of gezichten.
Bij deep learning leert elke laag zijn invoergegevens om te zetten in een iets meer abstracte en samengestelde weergave. In een toepassing voor beeldherkenning kan de onbewerkte invoer een matrix van pixels zijn. De eerste representatieve laag kan de pixels abstraheren en randen coderen. De tweede laag kan rangschikkingen van randen samenstellen en coderen en de derde laag kan een neus en ogen coderen. De vierde laag kan herkennen dat de afbeelding een gezicht bevat. Belangrijk is dat een deep learning proces zelfstandig kan leren welke kenmerken op welk niveau optimaal kunnen worden geplaatst. Dit elimineert de noodzaak voor handmatig ingrijpen niet volledig; verschillende aantallen lagen en laagafmetingen kunnen bijvoorbeeld verschillende gradaties van abstractie opleveren.
Het woord “deep” in “deep learning” verwijst naar het aantal lagen waardoor de data wordt getransformeerd, zie figuur 3.
NEURALE NETWERKEN
Kunstmatige neurale netwerken leren op meerdere lagen van details of representaties van gegevens. Door deze verschillende lagen gaat informatie van parameters op een laag niveau naar parameters op een hoger niveau. Deze verschillende niveaus corresponderen met verschillende niveaus van data-abstractie, wat leidt tot leren en herkennen.
Een ANN is gebaseerd op een verzameling van verbonden eenheden die kunstmatige neuronen worden genoemd (analoog aan biologische neuronen in een biologisch brein). Elke verbinding (synaps) tussen neuronen kan een signaal naar een ander neuron sturen. Het ontvangende (post-synaptische) neuron kan het signaal/de signalen verwerken en vervolgens de stroom-afwaartse neuronen die ermee verbonden zijn, signaleren. Neuronen kunnen een toestand hebben, over het algemeen weergegeven door reële getallen, meestal tussen 0 en 1. Neuronen en synapsen kunnen ook een gewicht hebben dat varieert naarmate het leren vordert, wat de sterkte van het signaal dat het stroomafwaarts verzendt, kan vergroten of verkleinen. Meestal zijn neuronen georganiseerd in lagen. Verschillende lagen kunnen verschillende soorten transformaties uitvoeren op hun invoer. Signalen gaan van de eerste (invoer) naar de laatste (uitvoer) laag, mogelijk na meerdere keren door de lagen heen te zijn gegaan.
Figuur 3. Lagen in een kunstmatig neuraal netwerk.
TOEPASSINGEN VAN MACHINE LEARNING
Er zijn veel toepassingen voor machine learning; het is een van de drie belangrijkste elementen van Intelligente Automatisering en een autonoom operating model binnen Industrie 4.0. Machine Learning-applicaties kunnen tekst lezen en bepalen of de persoon die het heeft geschreven een klacht indient of feliciteert. Ze kunnen ook naar een muziekstuk luisteren, beslissen of het iemand blij of verdrietig zal maken, en andere muziekstukken zoeken die bij de stemming passen. In sommige gevallen kunnen ze zelfs hun eigen muziek componeren waarin dezelfde thema’s tot uitdrukking komen, of waarvan ze weten dat ze gewaardeerd zullen worden door de fans van het originele stuk.
Neurale netwerken worden gebruikt voor een verscheidenheid aan taken, waaronder computervisie, spraakherkenning, machinevertaling, filtering van sociale netwerken, het spelen van bord- en videogames en medische diagnose. Vanaf 2017 hebben neurale netwerken doorgaans een paar duizend tot een paar miljoen eenheden en miljoenen verbindingen. Ondanks dat dit aantal enkele ordes van grootte kleiner is dan het aantal neuronen in een menselijk brein, kunnen deze netwerken veel taken uitvoeren op een niveau dat verder gaat dan dat van mensen (bijvoorbeeld gezichten herkennen en “Go” spelen).
INVESTEREN IN INDUSTRIE 4.0-TECHNOLOGIE LEVERT FORSE VOORDELEN OP
In 2018 lanceerde het World Economic Forum (WEF) het nog steeds lopende initiatief, Shaping the Future of Advanced Manufacturing and Production, om het ware potentieel van Industrie 4.0-technologieën in productiebedrijven te begrijpen. Uit 450 cases van de 69 zogenaamde koploperbedrijven blijkt tot nu toe, dat organisaties die investeren in Industrie 4.0-technologie forse verbeteringen realiseren op het gebied van productiviteit, duurzaamheid, bedrijfskosten, maatwerk en snelheid-naar-markt.
Enkele concrete getallen: arbeidsproductiviteit gestegen met 32% tot 86%, doorlooptijden van bestellingen gedaald met 29% tot 82%, kwaliteit met 32% verbeterd, productiekosten met 33% omlaag, OEE gestegen met 27%, doorlooptijd van nieuw productontwerp naar markt gehalveerd.
Bovendien bleek dat met Industrie 4.0-technologieën niet alleen operationele problemen worden opgelost. Ook schadelijke milieueffecten, zoals afval, verbruik en emissies, kunnen verminderen. Natuurlijk, de grootste milieuvoordelen zijn afkomstig zijn van gerichte duurzaamheidsinitiatieven, maar toepassingen van Industrie 4.0-technologieën laten wel degelijk ook een aanzienlijke milieu-impact zien, zoals minder energieverbruik (reductie een derde) en minder waterverbruik (meer dan een kwart minder).
Van de 69(*) koploperbedrijven binnen het WEF-initiatief die er tot nu toe wereldwijd bestaan, heeft 64% zijn groei kunnen versnellen door toepassing van Industrie 4.0-concepten. In al die gevallen konden ze, vrijwel zonder financiële investeringen, capaciteit vrijspelen en veel flexibeler produceren. De businesscase is groot en de terugverdientijd is kort, zowel voor grote bedrijven als voor het MKB.
ECHTER, DE MEESTE BEDRIJVEN HEBBEN MOEITE MET DE IMPLEMENTATIE
De meeste bedrijven hebben moeite een Industrie 4.0-transformatie te starten en op te schalen. Het ontbreekt ze aan mensen met de juiste vaardigheden en kennis en aan voldoende begrip van de relevante technologieën en het leverancierslandschap. Gemiddeld komt 72% van de bedrijven niet verder dan de pilotfase.
Onze AIMA stelt productiebedrijven in staat te begrijpen waar ze staan en een stappenplan voor implementatie te ontwerpen om hun Industrie 4.0-implementatie te starten of door te groeien naar het volgende niveau. De AIMA beoordeelt uw bedrijfsvoering aan de hand van acht elementen, die zijn weergegeven in figuur 1.
Figuur 1. De acht elementen van de Axisto Industrie 4.0 Maturiteit Assessment.
De acht elementen bevatten 33 categorieën (zie figuur 2) met elk de vier fundamentele bouwstenen van Industrie 4.0: processen, technologie, mensen & competenties, en organisatie.
Figuur 2. De acht elementen van de AIMA met de 33 categorieën, die elk processen, technologie, mensen en competenties en organisatie omvatten.
HOE DE AIMA U ONDERSTEUNT BIJ UW INDUSTRIE 4.0 IMPLEMENTATIE
Onze AIMA helpt u:
kennis op te bouwen
muren tussen afdelingen af te breken en strategische alignment te creëren
te begrijpen waar uw activiteiten staan – wat sterk is en behouden moet blijven en wat moet verbeteren
te begrijpen wat uw belangrijkste aandachtsgebieden zijn, waarop u zich moet concentreren.
De AIMA helpt u bij het opzetten van een bedrijfsspecifieke interpretatie van de belangrijkste principes en concepten, de ontwikkeling van een stevige business case en levert meer momentum voor verandering.
HOE ONZE AIMA FUNCTIONEERT
De AIMA bestaat uit vier stappen met het leiderschapsteam:
Dag 1 – voorbereiding: met als doel de leden van het leiderschapsteam leren kennen, de visie en strategie te begrijpen, te begrijpen hoe het team de marktontwikkelingen, uitdagingen en kansen ziet en hoe het de ontwikkeling van het bedrijf in deze context beoordeelt, inventariseren van de verwachtingen voor de volgende dagen.
Dag 2 – identificatie van de ‘case for change’ en de mate van alignment binnen het team: introductie van Industrie 4.0 en een verkenning van de wijze waarop dit de (uitvoering van) de strategie beïnvloedt, testen van de mate van alignment binnen het leiderschapsteam, identificeren van ‘case for change’/ vaststellen of die er is.
Dag 3 – de Industrie 4.0 Maturiteit Assessment: de tweede workshop dag betreft de beoordeling van operations, waarbij gebruikgemaakt wordt van een selectie uit de AIMA categorieën, prioritiseren van de KPI’s en identificeren van de focusgebieden.
Dag 4 – ontwerp van de implementatie roadmap: stappen met betrekking tot processen, technologie, mensen & capaciteiten en organisatie
identificatie van risico’s en ontwerpen van een risicomitigatie plan.
Door op deze gebieden te focussen, zullen prestatieverbeteringen in operaties worden versneld. AIMA levert de inzichten om een implementatie roadmap te ontwerpen en is een strategisch hulpmiddel om regelmatig de voortgang te beoordelen en uw roadmap te verfijnen op basis van nieuwe inzichten. Door te beginnen op operationeel leiderschaps-niveau kunnen we een algemeen kader creëren. AIMA wordt vervolgens ingezet bij de volgende niveau naar beneden in de respectievelijke fabrieken.
De opzet is vergelijkbaar met maar nu met het fabrieksleiderschapsteam:
Dag 1 – voorbereiding: met als doel de leden van het febrieksleiderschapsteam leren kennen, de locale visie en strategie te begrijpen, te begrijpen hoe het team de marktontwikkelingen, uitdagingen en kansen ziet en hoe het de ontwikkeling van hun fabriek in deze context beoordeelt, inventariseren van de verwachtingen voor de volgende dagen.
Dag 2 – identificatie van de ‘case for change’ en de mate van alignment binnen het team: introductie van Industrie 4.0 en een verkenning van de wijze waarop dit de (uitvoering van) de strategie beïnvloedt, testen van de mate van alignment binnen het fabrieksleiderschapsteam, identificeren van ‘case for change’/ vaststellen of die er is.
Dag 3 – de Industrie 4.0 Maturiteit Assessment: de tweede workshop dag betreft de beoordeling van de fabriek, waarbij gebruikgemaakt wordt van een selectie uit de AIMA categorieën, prioritiseren van de KPI’s en identificeren van de focusgebieden.
Dag 4 – ontwerp van de implementatie roadmap: stappen met betrekking tot processen, technologie, mensen & capaciteiten en organisatie, identificatie van risico’s en ontwerpen van een risicomitigatie plan.
Het aanbrengen van verbeteringen in deze aandachtsgebieden zal de grootste impact hebben op de prestaties van de fabriek binnen het algemene kader. Door gebruik te maken van deze trapsgewijze aanpak, worden de grootste winsten voor het hele bedrijf behaald in plaats van slechts een suboptimalisatie van een afzonderlijke fabriek.
AIMA RESULTATEN VOOR UW ORGANISATIE
AIMA biedt vier belangrijke resultaten:
Inzicht in Industrie 4.0, de belangrijkste principes en concepten, en hoe deze de strategie beïnvloeden (uitvoering)
Afstemming binnen het operationele leiderschapsteam en de fabrieksleiderschapsteams
Inzicht in uw Industrie 4.0-volwassenheidsniveau / gereedheid
Prioriteit van aandachtsgebieden om op korte termijn bedrijfswaarde te creëren binnen een lange-termijn context
STEL UW MENSEN IN HET CENTRUM VAN UW INDUSTRIE 4.0 IMPLEMENTATIE
De AIMA zal initieel momentum genereren. Het is echter belangrijk op te merken dat elke Industrie 4.0-implementatie alleen succesvol zal zijn als u uw mensen centraal stelt.
De grootste uitdaging voor een bedrijf zit niet in het kiezen van de juiste technologie, maar in het gebrek aan digitale cultuur en vaardigheden in de organisatie. Investeren in de juiste technologieën is belangrijk, maar het succes of falen hangt uiteindelijk niet af van specifieke sensoren, algoritmen of analyseprogramma’s.
De crux zit in een breed scala aan mensgerichte factoren. Axisto ondersteunt u bij het ontwikkelen van een robuuste digitale cultuur en zorgt ervoor dat verandering van binnenuit wordt ontwikkeld en wordt gedreven door helder leiderschap van bovenaf.
WAAROM AXISTO?
Axisto is opgericht in 2006 om bedrijven te helpen met de uitrol van hun strategische agenda – snel, meetbaar en duurzaam. We hebben meer dan 150 projecten uitgevoerd in Europa.
We hebben concrete praktijkervaring en daarom is onze aanpak praktisch en pragmatisch.
We combineren gedegen inhoudelijke expertise met uitstekende verandermanagement-vaardigheden.
We stellen een sterk lokaal ownership van de veranderingen zeker en doen er alles aan om onze klanten succesvol te maken.
Gedisciplineerd cash- en werkkapitaalbeheer zorgt voor goede operationele en financiële prestaties. Echter, de kwaliteit van het cash management, beheer van werkkapitaal en purchase-2-pay daalde in de 5 jaar voor de COVID-uitbraak. Een nadere analyse laat zien dat voorraadoptimalisatie de grootste uitdaging vormt, zowel in volatiele als niet-volatiele markten.
MET DUBBELE CIJFERS DE VOORRAAD OMLAAG ÉN BEHOUD OF VERBETERING VAN DE SERVICE
Decennia aan ervaring hebben ons geleerd dat direct naar de voorraden gaan, zowel de snelste als de meest zekere manier is om tot een goed presterende supply chain te komen. Voorraad bevindt zich in het hart van uw supply chain en is zowel een symptoom als een oorzaak van de supply chain-prestatie. Als u de juiste voorraad heeft, blijven uw klanten tevreden, verhoogt u de omloopsnelheid en vermindert u kosten en verspilling en speelt u cash vrij.
Bij Axisto combineren we de praktische zakelijke focus van managementadvies met het snelle analytische vermogen van geavanceerde informatietechnologie. We destilleren snel praktische inzichten uit data in Enterprise Resource Planning (ERP) systemen. Onze mensen concentreren zich op de verandermanagement uitdagingen van het implementeren en onderhouden van veerkrachtige en getrimde supply chain.
Onze unieke benadering van de supply chain stelt voorraadoptimalisatie centraal. Dit stelt ons in staat om voorraden met dubbele cijfers te verminderen en tegelijkertijd de serviceniveaus te handhaven of te verbeteren – met een hoge snelheid en een laag risico vergeleken met traditionele benaderingen.
ONZE PROPOSITIES VOOR VOORRAADBEHEER
Axisto biedt drie proposities voor voorraadbeheer: voorraadoptimalisatie, voorraadanalyses en evaluaties van voorraad leeftijdsprofiel.
Ons startpunt bij de meeste opdrachtgevers is een ‘quick scan. Op basis van slechts 3 standaardrapportages uit uw ERP-systeem kwantificeren we zowel per item als totaal het verbeterpotentieel. De output is zowel een directe kwantificering op hoog niveau van het verbeterpotentieel als de basis voor een routekaart om snel duurzame verbeteringen te realiseren.
Programma’s voor voorraadoptimalisatie
We bieden deskundige analyses en effectief verandermanagement, ondersteund door een duidelijk meetbare businesscase. Verbeteringen van voorraadposities met 20% of meer, soms veel meer, zijn meestal binnen het eerste jaar haalbaar, tegen een hoge ‘Return on Investment’.
Voorraadanalyse
Vindt u het moeilijk om echt te begrijpen wat uw voorraadgegevens u vertellen, of wat u eraan moet doen? Heeft u optimalisatietools die moeilijk te gebruiken zijn of die resultaten opleveren waarvan u weet dat ze niet kloppen, maar u weet niet waarom? Met onze gepatenteerde technologie technologie bieden we klanten snel bruikbare inzichten in hun voorraadgegevens.
Daarnaast helpen we klanten met een reeks gerichte analyses, variërend van strategische voorraadpositionering (waar in uw toeleveringsketen moet u voorraad aanhouden?) tot het opstellen van voorraadbeleid voor artikelen die moeilijk te optimaliseren zijn, zoals reserveonderdelen, of producten die op bestelling gemaakt worden.
Beoordeling van voorraad leeftijdsprofiel
Voorraad wordt beïnvloed door bijna elk aspect van uw bedrijf. Daarom kan het op bedrijfsniveau moeilijk zijn om te weten waar de grootste kansen voor verdere verbetering liggen, of hoe u zich verhoudt tot uw concurrenten.
Axisto kan de kwaliteit van uw voorraadbeheer beoordelen. We combineren een gedetailleerde, bottom-up kwantitatieve beoordeling van uw verbeterpotentieel met een kwalitatief inzicht in uw mensen, processen en systemen, inclusief relevante benchmarks, om u bruikbare handvatten te geven waar u de volgende stap in uw prestatietraject kunt vinden.
EEN CASE
Uitdaging
Een middelgroot industrieel productiebedrijf met een sterke marktpositie en winstgevendheid had in het verleden weinig expliciet aandacht voor voorraad. Het gevolg was dat de voorraad geleidelijk toenam. Het was tijd om te handelen.
Resultaten
De voorraad werd in een periode van 3 jaar met meer dan 50% verminderd ten opzichte van de oorspronkelijke baseline, terwijl de serviceniveaus werden gehandhaafd of verbeterd. Verbeteringen in de onderliggende gegevens leidden tot een beter begrip van hoe en waarom te handelen – de vaardigheid in voorraadbeheer werd aanzienlijk verbeterd binnen de teams van de klant.
Enkele citaten
“We hebben eindelijk volledige transparantie over wat we hebben, zodat we wekelijks op feiten gebaseerde beslissingen kunnen nemen.” – Autofabrikant
“Sinds de start van een programma hebben we onze voorraden met meer dan 50% verminderd.” – Industrieel productiebedrijf
“De resultaten zijn uitzonderlijk en hebben een groot verschil gemaakt voor onze cashflow.” – Mondiaal productiebedrijf
“Het programma bracht een breed scala aan proceskwesties scherp in beeld, met een veel bredere impact dan alleen voorraad.” – Marktleider in discrete producten