De kans is groot dat je ‘ja’ antwoordt. Je gebruikt AI bijvoorbeeld om snel informatie voor je te vinden, in plaats van op Google rond te kijken. Of om uit te zoeken hoe iets werkt, een lastige tekst samen te vatten, een e-mail op te stellen of mee te denken over een probleem waar je zelf even niet uitkomt.
Je opent een AI-tool, stelt er in gewone taal een vraag, geeft wat het nodig heeft en krijgt direct een antwoord of voorstel. Of je stelt gewoon je vraag in Google. Steeds vaker krijg je dan bovenaan al een door AI gegenereerd antwoord.
AI is in korte tijd onderdeel geworden van het dagelijks leven.
Maar kun je AI ook gebruiken om meer uit je productie te halen?
Wij vinden dat een interessante vraag. Want AI kan veel, maar om er in je productie echt iets aan te hebben, moet je het wel kunnen laten werken met de juiste informatie.
In dit blog kijken we naar de mogelijkheden van AI in je productie en naar de basis die je nodig hebt om die mogelijkheden daadwerkelijk te benutten.
Ook vóór de opkomst van generatieve AI werden al systemen gebruikt die op basis van data patronen herkennen, afwijkingen signaleren, voorspellingen ondersteunen of processen automatisch aansturen. Daarbij worden bijvoorbeeld technieken als machine learning en computer vision toegepast. Ook voorspellende analyses en slimme automatisering worden al langer gebruikt.
AI: een hulpmiddel in je productie
Dagelijks krijg je vragen over planning, capaciteit, kwaliteit, stilstanden en de voortgang van orders. Bij het beantwoorden van zulke vragen kan AI je helpen om sneller inzicht te krijgen.
Bijvoorbeeld wanneer je anders zelf grote hoeveelheden informatie moet verzamelen en analyseren om patronen te herkennen en verbanden te leggen. Zo zie je sneller waar kansen en problemen in je productie liggen, kun je eerder ingrijpen en bespaar je kostbare tijd.
AI kan je helpen bij een eenmalige analyse, maar kan ook onderdeel worden van een proces.
Het kan je helpen bij het:
- toegankelijker maken van kennis en informatie
- analyseren van productiedata
- herkennen van patronen en leggen van verbanden
- ondersteunen bij planning en prioriteiten
- signaleren van mogelijke problemen en afwijkingen
De manier waarop je AI inzet, kan verschillen. Soms gebruik je AI om medewerkers te helpen informatie te onderzoeken of gegevens te interpreteren. In andere gevallen draait AI op de achtergrond mee in een geautomatiseerd proces, bijvoorbeeld om een berekening, planning, afwijking of voorspelling te ondersteunen.
Welke AI gebruik je waarvoor?
Niet iedere AI-toepassing werkt op dezelfde manier.
Generatieve AI, zoals ChatGPT en Google Gemini, is vooral geschikt wanneer je op een natuurlijke manier met informatie wilt werken. Denk aan het beantwoorden van vragen, het samenvatten van documenten, het analyseren van beschikbare informatie of het toegankelijk maken van kennis voor medewerkers.
Voor andere toepassingen kan een specifiek machine-learningmodel worden gebruikt dat voor een bepaalde taak wordt getraind. Zo’n model leert op basis van historische gegevens patronen te herkennen en kan vervolgens nieuwe gegevens beoordelen. Dit kan bijvoorbeeld worden gebruikt voor het vroegtijdig signaleren van afwijkingen of het ondersteunen van voorspellingen.
Welk type AI het meest geschikt is, hangt af van wat je ermee wilt bereiken, welke gegevens beschikbaar zijn en hoe je de uitkomst wilt gebruiken. Soms is generatieve AI voldoende, soms is een specifiek machine-learningmodel nodig en soms worden verschillende technieken gecombineerd.
Je geeft een opdracht of stelt een vraag → AI verwerkt de beschikbare informatie → je kunt doorvragen, verfijnen en de uitkomst laten aanpassen.
Je traint het model voor een specifieke taak met historische gegevens → het model leert patronen herkennen → het beoordeelt nieuwe gegevens.
Welke informatie heeft AI nodig?
Met welke informatie je AI moet ‘voeden’, hangt sterk af van de vraag die je aan AI wilt stellen. Dat kan bijvoorbeeld bestaande kennis en documentatie, historische productiegegevens, actuele machinedata, informatie uit je ERP-systeem, kwaliteitsgegevens of onderhoudsgegevens zijn.
Hieronder zie je een aantal voorbeelden uit de productie.
Wil je medewerkers in staat stellen om zelf informatie uit te zoeken of afwijkingen te analyseren? Dan kun je relevante documenten en bestanden beschikbaar maken voor een generatieve AI-tool. Denk aan werkinstructies, onderhoudsrapporten, storingsmeldingen, ploegoverdrachten of andere digitale documentatie. De AI kan deze informatie vervolgens doorzoeken wanneer iemand er een vraag over stelt.
Voor het analyseren van kwaliteitsproblemen en het herkennen van terugkerende patronen heb je informatie nodig over producten en productieorders, machineparameters, kwaliteitsregistraties en afkeur- of afwijkingsgegevens.
Wil je stilstanden over een langere periode analyseren? Dan heb je stilstandregistraties nodig. Een duidelijke reden van stilstand maakt deze informatie nog waardevoller. Deze gegevens kunnen afkomstig zijn uit verschillende bronnen. Ze kunnen handmatig door medewerkers worden geregistreerd of automatisch vanuit een machine worden vastgelegd.
Voor het ondersteunen van je productieplanning en het kunnen bepalen van prioriteiten heb je informatie nodig over openstaande productieorders, gewenste leverdata, benodigde bewerkingen, beschikbare capaciteit en actuele productievoortgang. Deze informatie kan uit verschillende bronnen komen, zoals je ERP-systeem, registraties uit de productie en informatie die automatisch door machines wordt vastgelegd.
En om te kunnen analyseren waar je beschikbare productiecapaciteit wel of niet wordt benut, heb je informatie nodig over machinebeschikbaarheid, productietijden en geplande en gerealiseerde productie.
Predictive maintenance: mogelijke problemen voorspellen
Een voorbeeld waarbij AI nog een stap verder gaat, is predictive maintenance: het voorspellen (predict) van mogelijke problemen aan machines, zodat je onderhoud (maintenance) beter kunt plannen.
Hiervoor heb je gegevens nodig over het gedrag van die machine, zoals draaiuren, machinestatus, stilstanden, storingen, onderhoudshistorie en eventueel sensordata zoals temperatuur, trillingen of energieverbruik.
Voor predictive maintenance wordt doorgaans een specifiek machine-learningmodel getraind op historische gegevens. Het model leert welk machinegedrag normaal is en welke afwijkingen kunnen samenhangen met een verhoogd risico op een storing.
Daarvoor heb je voldoende historische gegevens nodig. Dat vraagt om een langere periode waarin machine- en onderhoudsgegevens worden vastgelegd en aan elkaar gekoppeld.
Het model kan vervolgens actuele machinedata in real-time beoordelen op basis van wat het tijdens de training heeft geleerd.
Wijkt het actuele gedrag af van wat het model als normaal heeft geleerd en vertoont het patronen die eerder aan een probleem voorafgingen? Dan kan het model signaleren dat de kans op een probleem is toegenomen.
Op basis daarvan kun je besluiten om de machine eerder te controleren of onderhoud in te plannen, voordat er daadwerkelijk een storing optreedt. Planbaar onderhoud is beter beheersbaar en kan onverwachte stilstand, spoedreparaties en de bijbehorende kosten helpen voorkomen.
Het model voorspelt niet per definitie exact wanneer een machine kapotgaat. Het geeft een aanwijzing dat de kans op een probleem groter wordt, zodat je tijdig kunt ingrijpen.
Je moet AI duidelijk vertellen wat je wilt dat het doet
Hoe specifieker je vraag, hoe gerichter generatieve AI je kan helpen. Geef duidelijk aan wat je wilt weten, welke informatie AI moet gebruiken en wat je met de uitkomst wilt doen.
Je kunt generatieve AI bijvoorbeeld een rol meegeven en een concrete opdracht formuleren:
‘Jij bent productieanalist. Analyseer de onderstaande productiegegevens en laat mij in een tabel de vijf meest voorkomende oorzaken van stilstand zien.’
Een rol meegeven kan helpen om duidelijk te maken vanuit welke invalshoek AI naar de informatie moet kijken.
Je kunt ook zonder een specifieke rol aan te geven duidelijk maken wat je van AI verwacht. Geef bijvoorbeeld aan waarop AI moet letten. Denk aan een specifieke periode, machine, productgroep of type stilstand.
Ook kun je aangeven hoe je het resultaat wilt ontvangen, bijvoorbeeld als tabel, samenvatting of overzicht van de belangrijkste afwijkingen.
Je hoeft daarbij niet vooraf precies te weten welke informatie in de dataset relevant is. Je kunt generatieve AI eerst naar een bredere dataset laten kijken en vervolgens doorvragen op opvallende patronen, afwijkingen of verbanden. Zo kun je stap voor stap onderzoeken welke informatie relevant is voor je vraag.
Instrueer generatieve AI om aan te geven wanneer er onvoldoende informatie is om de vraag betrouwbaar te beantwoorden. Zo maak je duidelijk dat het model niet zomaar ontbrekende informatie moet invullen.
Bij een specifiek machine-learningmodel werkt dit anders. Zo’n model stuur je niet aan door iedere keer een vraag in gewone taal te formuleren. Je bepaalt vooraf waarvoor het model wordt getraind en welke gegevens het daarvoor gebruikt. Daarna kan het model zelfstandig nieuwe gegevens beoordelen zodra die beschikbaar komen.
Let op welke informatie je met een AI-tool deelt
Productiegegevens, bedrijfsinformatie en interne documentatie kunnen vertrouwelijk zijn. Gebruik daarom niet zomaar publieke AI-tools voor gevoelige informatie, maar controleer welke afspraken en beveiligingsmaatregelen gelden voor de AI-toepassing die je gebruikt.
Controleer het antwoord
AI helpt je bij het vinden en interpreteren van informatie, maar de uitkomst blijft iets om zelf te beoordelen.
Ondanks goede instructies en voldoende informatie kan generatieve AI een onjuist of verzonnen antwoord geven. Het geven van verzonnen of feitelijk onjuiste informatie door AI wordt ook wel ‘hallucineren’ genoemd.
Vraag daarom waarop een conclusie is gebaseerd. Bij gebruik van externe informatie is het goed naar de bronnen te vragen.
Controleer of de uitkomst past bij de beschikbare informatie en je eigen kennis van de productie. Ga in de fabriek kijken of het ook echt zo is.
Bij toepassingen die invloed hebben op je productie, is alleen een goed ogend antwoord niet genoeg. Test of de uitkomsten in de praktijk betrouwbaar zijn en blijven. Zeker bij beslissingen over productie, kwaliteit, veiligheid of onderhoud blijft de kennis van de mensen op de werkvloer onmisbaar.
Ook wanneer AI onderdeel is van een geautomatiseerd proces, moet je regelmatig controleren of de uitkomsten nog betrouwbaar zijn. Veranderingen in je productie, machines of gegevens kunnen er bijvoorbeeld voor zorgen dat een AI-toepassing minder goed gaat presteren.
Digitale data is de basis
Om AI goed te kunnen gebruiken, heb je de juiste informatie nodig. Die informatie moet ook digitaal beschikbaar zijn om AI ermee te kunnen laten werken. Digitale data vormt daarom de basis voor het inzetten van AI in je productie.
Kwaliteit
De kwaliteit van het antwoord dat AI je geeft, valt of staat met de kwaliteit van de informatie waarmee je AI laat werken.
In het algemeen geldt dat gegevens zo veel mogelijk juist, volledig en eenduidig moeten zijn. Voor sommige toepassingen is het daarnaast belangrijk dat de informatie actueel is. Voor een toepassing die de actuele productievoortgang beoordeelt, heb je actuele informatie nodig. Voor een analyse van historische stilstanden is actuele informatie minder belangrijk.
Bij generatieve AI kan informatie rechtstreeks worden aangeleverd. Je kunt bijvoorbeeld een document uploaden, een bestand aan een gesprek toevoegen, tekst invoeren of iets mondeling vertellen.
Bij andere toepassingen wordt AI gekoppeld aan een centrale kennisbron, directory of documentomgeving. De AI kan deze informatie vervolgens doorzoeken wanneer iemand er een vraag over stelt.
Een Excel-bestand waarin medewerkers stilstanden registreren, kan bruikbare informatie bevatten. Maar als de ene medewerker ‘storing’, de andere ‘defect’ en een derde ‘machine kapot’ invult, is het lastiger om deze gegevens rechtstreeks met elkaar te vergelijken.
Op dat moment kun je AI ook inzetten om de verschillende omschrijvingen te laten categoriseren en bij elkaar te brengen. Zo worden de gegevens beter vergelijkbaar en beter bruikbaar voor analyse.
Hoe consistenter de gegevens zijn, hoe makkelijker het wordt om betrouwbare patronen en verbanden te herkennen.
Ook de context van gegevens is belangrijk. Een stilstandregistratie krijgt meer betekenis wanneer duidelijk is op welke machine, order, product of bewerking deze betrekking heeft.
Door informatie uit verschillende bronnen met elkaar te combineren, ontstaat meer context en kun je verbanden leggen die je in één dataset niet ziet.
Van informatie naar digitale data
De informatie die je voor AI nodig hebt, komt meestal uit verschillende bronnen binnen je productiebedrijf.
Denk aan je ERP-systeem voor productieorders en planning, machines voor productiegegevens en machinestatus, kwaliteitsregistraties voor afkeur en afwijkingen en onderhoudsregistraties voor storingen en onderhoudshistorie.
Ook werkinstructies, rapportages en kennis van medewerkers kunnen waardevolle informatie bevatten.
Om AI met informatie te kunnen laten werken, moet die informatie digitaal beschikbaar zijn. Soms is dat al het geval. Denk aan een Excel-bestand met stilstandsregistraties, een digitale werkinstructie of een onderhoudsrapport.
Deze informatie kun je bijvoorbeeld aan een generatieve AI-toepassing aanbieden of beschikbaar maken via een centrale kennisbron.
Andere data is wel digitaal aanwezig, maar niet direct beschikbaar. Dat geldt bijvoorbeeld voor data in machines of gesloten systemen. Deze data moet je eerst ontsluiten (beschikbaar maken), zodat je ermee kunt werken.
Maar soms is de informatie nog niet digitaal beschikbaar.
Denk aan de kennis van ervaren medewerkers, die voor de productie zeer waardevol kan zijn. Zij weten bijvoorbeeld hoe ze een bepaalde storing oplossen of waarom in een bepaalde situatie voor een bepaalde werkwijze wordt gekozen.
Om deze kennis beschikbaar te maken voor andere medewerkers en AI-toepassingen, kun je deze digitaal vastleggen en toegankelijk maken.
Een medewerker kan bijvoorbeeld in eigen woorden uitleggen hoe of waarom iets in de productie wordt aangepakt. Generatieve AI kan vervolgens helpen om deze informatie te structureren, samen te vatten en om te zetten naar een digitale werkinstructie.
Hoe meer relevante informatie digitaal beschikbaar, betrouwbaar en met elkaar verbonden is, hoe meer mogelijkheden er ontstaan om AI gericht in te zetten voor analyses, patroonherkenning en voorspellingen.
Maar je kunt prima beginnen met wat je al hebt. Ook met een Excel-bestand of andere bestaande dataset kun je ervaring opdoen met het analyseren en interpreteren van informatie met AI.
Je ontdekt daarmee tegelijkertijd welke informatie je mist en waar het beter vastleggen of combineren van gegevens meerwaarde kan bieden.
Van data naar inzicht
Productiedata is aanwezig in machines en systemen, maar die data is niet altijd direct beschikbaar en bruikbaar als stuurinformatie.
Door productiedata te ontsluiten en te combineren met relevante informatie uit je productie, zoals orders, planning of registraties op de werkvloer, ontstaat inzicht waarop je kunt sturen.
Dat is waar wij je bij kunnen helpen. We ontsluiten productiedata uit je bestaande machinepark en vertalen deze ruwe data naar overzichtelijke stuurinformatie voor de werkvloer en het management.
Zo krijg je inzicht in wat er in je productie gebeurt. Je kunt de data vervolgens met behulp van AI analyseren om patronen te herkennen en verbanden te leggen.
Daarmee krijg je aanknopingspunten om je productie te verbeteren.
Productiescan – ontdek waar jouw grootste kansen liggen
Wil je weten waar in jouw productie de grootste verbeterkansen liggen? In een Productiescan van 60 minuten kijk je samen met Jelle Koning, specialist in productie-inzicht en machinedata, naar jouw specifieke situatie.
Samen brengen jullie in kaart:
- De huidige inrichting: hoe je productieproces is ingericht
- De doelen: wat je wilt bereiken en waar je naartoe wilt groeien
- De knelpunten: welke uitdagingen de grootste impact hebben
- De blinde vlekken: waar inzicht of stuurinformatie ontbreekt
Je krijgt helder waar je nu staat, waar je naartoe wilt en welke kansen de meeste impact hebben op je productie.
De Productiescan is vrijblijvend en bedoeld om jou inzicht te geven in de mogelijkheden om je productie slimmer, stabieler en efficiënter in te richten.