ordt weinig mee gedaan
en nieuw te verzamelen data toegevoegde waarde te creëren. “We maken dus het pad van jaren data van talloze machines in het veld naar waardevolle informatie, met als doel de huidige en toekomstige generatie machines te verbeteren.” Om daar te komen, moet de vraag gesteld worden óf er überhaupt waardevolle infor- matie in de data verstopt zit. “Maar dat werd al snel de vraag: welke informatie missen we nog?”, licht Huijbrechts toe.
Nieuwe business Veel sensoren die sinds het begin van dit millennium in machines werden gebouwd, waren niet direct bedoeld voor het ‘creëren van meerwaarde’. Huijbrechts: “Die sensoren werden vaak in die machines gestopt om te kunnen troubleshooten. Ad hoc maintenan- ce dus. Nog niet eens predictive of preven- tive maintenance. Dat kwam pas later.” Huijbrechts hoopte uit de vrijwel onaange- roerde data meer kennis op te doen op hoe de machines in het veld eigenlijk gebruikt worden. “Als je dat in kaart weet te brengen, weet je meteen wat de behoeftes bij je klanten zijn en welke features je misschien voortaan beter achterwege kunt laten.” Een van de partners van het Reflexion pro- ject was bezig met de ontwikkeling van een specifiek onderdeel voor een machine. Uit de analyse van de data van een vorige ge- neratie machine bleek echter dat de functie waar het onderdeel voor zorgde, eigenlijk zelden gebruikt werd. “Die partner besloot dus ook de ontwikkeling van dat onderdeel stop te zetten en bespaarde daar enkele tientallen miljoenen euro mee.” Daartegenover staat dat data ook weer informatie kan opleveren die aantoont dat een bepaald appa- raat ergens voor wordt gebruikt waar het niet voor bedoeld is. “Dat kan dus aan de andere
kant ook weer nieuwe business cases opleve- ren”, verduidelijkt Huijbrechts.
Bas Huijbrechts, projectleider van Reflexion
Röntgen Het werkveld van het Reflexion project is breed. De data varieert van temperatuur, luchtvochtigheid en de aanwezigheid van ezelsoren van een stuk papier dat door een printer gaat, tot de manier waarop een C-arm door een chirurg om een patiënt wordt ge- manoeuvreerd om een bruikbare röntgen- foto te kunnen maken. “Bij die C-arm kan je uit de data opmaken waarom het ene zieken- huis met apparaat A zeer succesvol is, terwijl een ander ziekenhuis met hetzelfde apparaat A minder succesvol is, puur door de bedie- ning van het apparaat.”
Vervuiling We hebben dus enorme hoeveelheden data, uit verschillende machines en op verschillen- de manier ‘binnengehaald’ en georganiseerd. Hoe haal je daar in vredesnaam de relevante informatie uit? Huijbrechts: “Het eerste wat we ontdekt hebben, is dat die data vaak he- lemaal niet zo goed is. Er is sprake van een behoorlijke vervuiling: er zit veel onbruikbare data bij, bijvoorbeeld omdat iemand wel die data heeft laten binnenhalen, maar er niet bij heeft vermeld wat het precies is. Je ziet dan dus weliswaar heel veel waardes staan, maar niemand weet meer wat het betekent. Dat is een bekend probleem in de big data. Je be- gint dus met een aantal filterslagen waarin je de vervuiling er uit haalt. Daarna kan je met data science achtige technieken aan de slag.”
Paar jaar
Na het opruimen van de vervuiling ontstaat er echter een nieuw probleem. Er is welis- waar expertise op het gebied van data mi- ning, maar die expertise is vooral aanwezig in de financiële sector. “Verzekeraars, banken en de overheid: dit soort partijen hebben veel ervaring op het gebied van data science. Je kunt echter niet zomaar een data scientist bij een verzekeraar wegplukken en verwachten dat die met bruikbare informatie uit een berg data van een machine komt. Zij weten name- lijk niet hoe die complexe high-tech machi- nes in elkaar zitten. Het kost een paar jaar om een data scientist uit een ander domein iets zinnigs met data uit een high tech machine te laten doen.”
Expert Dat laatste is feitelijk wat er tijdens het Re- flexion project is gedaan. “We hebben in de
pilots, die we in het kader van het project hebben uitgevoerd, de beide werelden van de data science en de high tech machine- bouw bij elkaar gebracht”, legt Huijbrechts uit. Maar dat ‘bij elkaar brengen van beide werelden’ klinkt makkelijker dan het is. “Je moet daar echt fors in investeren om dat voor elkaar te krijgen”, vertelt Huijbrechts. “Je kunt niet zomaar in de boardroom besluiten dat je zoiets gaat doen en dan verwachten dat je een paar weken later al resultaat hebt. Bij ESI hebben we een aan- tal vaste partners waar we al vele jaren mee samenwerken. Wij kennen die machines en de bijbehorende omgevingen al. De over- brugging tussen data science en high tech machinebouw moet je laten begeleiden door iemand met expertise, zoals van ESI. Als je dat niet hebt, krijg je dus te maken met een nog langer traject.” Over de hele linie van de diverse pilots zijn er 25 data scientists - voornamelijk uit de financiële sector- aangenomen, die drie jaar gewerkt hebben aan de individuele projecten. “Daar zaten mensen tussen die al een behoorlijke technische achtergrond hadden, maar er zaten ook mensen bij die dat in het geheel niet hadden.”
Geïnvesteerd Om de bruikbare informatie uit de berg data te halen, heb je dus een expert nodig die de overbrugging tussen data science en hightech machinebouw kan maken. “Dat kan TNO zijn, maar er zijn ook MKB bedrijven die daarin gespecialiseerd zijn”, weet Huijbrechts (zie kader ‘specialisten’). Shortcuts zijn er helaas niet. Je zou name- lijk zeggen: zorg eerst dat je geen data meer laat vervuilen. Dat scheelt al een hele hoop werk. “Klinkt logisch,” geeft Huij-
Specialisten
Deze bedrijven kunnen de brug slaan tussen data science en de high-tech systems industrie: Yazzoom:
www.yazzoom.com SynerScope:
www.synerscope.com Bright Cape:
www.brightcape.nl ProcessGold
https://processgold.com/
17
Page 1 |
Page 2 |
Page 3 |
Page 4 |
Page 5 |
Page 6 |
Page 7 |
Page 8 |
Page 9 |
Page 10 |
Page 11 |
Page 12 |
Page 13 |
Page 14 |
Page 15 |
Page 16 |
Page 17 |
Page 18 |
Page 19 |
Page 20 |
Page 21 |
Page 22 |
Page 23 |
Page 24 |
Page 25 |
Page 26 |
Page 27 |
Page 28 |
Page 29 |
Page 30 |
Page 31 |
Page 32 |
Page 33 |
Page 34 |
Page 35 |
Page 36 |
Page 37 |
Page 38 |
Page 39 |
Page 40 |
Page 41 |
Page 42 |
Page 43 |
Page 44 |
Page 45 |
Page 46 |
Page 47 |
Page 48
