Lang geleden werkte ik als studentmentor. Ik hielp studenten met vakken als wiskunde, geschiedenis en Nederlands. Een leuke bijbaan, omdat ik me op die manier opnieuw kon verdiepen in deze onderwerpen, maar dan op een moment waarop ik er daadwerkelijk plezier aan beleefde. Op een dag hielp ik een student met Nederlands en kreeg ik de vraag: Wat is context eigenlijk?
Nou, stel je voor dat je midden in de herfst verkleed als piraat een supermarkt binnenloopt. Dan zullen mensen je waarschijnlijk een beetje vreemd aankijken. Maar als je tijdens carnaval als piraat verkleed gaat, lachen mensen naar je en bieden ze je misschien zelfs een biertje aan. Tijdens carnaval klopt de context namelijk wél.
Context maakt het verschil. En dat geldt net zo goed voor AI.
De volgende generatie AI in de maakindustrie wordt niet bepaald door wie de meeste data heeft, maar door wie AI de juiste context kan bieden.
Wat gebeurt er als AI afwijkingen detecteert, maar niet de juiste context heeft om deze te begrijpen? Wat als een monteur een productielijn stillegt op basis van een vals alarm?
Een paar voorbeelden:
Zonder de juiste context kan AI problemen signaleren die er helemaal niet zijn, of juist de werkelijke oorzaak van een probleem over het hoofd zien.
Voor een AI agent bestaat context uit het geheel van instructies, informatie en omgevingsgegevens dat op een bepaald moment beschikbaar is. Deze informatie helpt de agent om te redeneren, beslissingen te nemen en acties uit te voeren.
Dit vormt de basis voor het functioneren van een AI agent. Het bepaalt of een agent een waardevolle samenwerkingspartner wordt of juist vol overtuiging verkeerde beslissingen neemt op basis van hallucinaties.
Dit is ook het belangrijkste architectuurprincipe achter Siemens Intelligence Center X (ICX): AI die via knowledge graphs verbinding maakt met data op de plek waar die zich bevindt.
In plaats van alle informatie in één centraal data lake te laden, verbindt een knowledge graph de onderliggende data en systemen met elkaar.
ERP-, WMS- en MES-systemen spreken allemaal hun eigen taal. Het handmatig in kaart brengen en koppelen van data tussen deze systemen kost veel tijd en is foutgevoelig. Zo heet iets in het ene systeem een 'onderdeel', terwijl een ander systeem spreekt over een 'component'. Dat maakt het lastig om data uit verschillende systemen met elkaar te vergelijken en te begrijpen.
Een knowledge graph brengt de onderlinge relaties tussen al deze elementen in kaart. Taxonomieën en ontologieën geven dit netwerk structuur en betekenis. Hierdoor begrijpt AI wat bepaalde zaken zijn en hoe ze met elkaar samenhangen. Zo kan AI bijvoorbeeld herkennen dat een onderdeel en een component naar hetzelfde verwijzen.
Wanneer AI de relaties tussen orders, materialen en machines daadwerkelijk begrijpt, kun je pas echt waarde uit je data halen. Denk bijvoorbeeld aan:
De echte waarde zit dus niet alleen in toegang tot meer data, maar vooral in het begrijpen van de onderlinge verbanden.
Als producent hoef je deze transitie natuurlijk niet van de ene op de andere dag te realiseren. Je kunt dit gefaseerd aanpakken, zoals veel van onze klanten doen.
De verschillende fases kunnen er als volgt uitzien:
Bij Squad Apps helpen we producenten om deze transitie stap voor stap te realiseren. We combineren human-centered design, expertise op het gebied van knowledge graphs en Intelligence Center X, en low-code platformen zoals Mendix. Zo bouwen we oplossingen waar productiemedewerkers in de praktijk ook écht mee willen werken.
Begrip is de sleutel tot de werkelijke kracht van AI en agents. Als je AI inzet zonder dat het daadwerkelijk begrijpt wat het doet, loop je het risico dat je heel snel de verkeerde kant op gaat.
Daarom geloven we in de kracht van Intelligence Center X.
Benieuwd hoe knowledge graphs de verschillende datasystemen binnen jouw fabriek met elkaar kunnen verbinden? Laten we kennismaken en ideeën uitwisselen!
