#AIoTMattersAtBosch

‘Geen woorden maar daden’ is bij Bosch niet tegen dovemans oren gezegd. Als je Artificial Intelligence (AI), of kunstmatige intelligentie, in je producten en diensten wilt integreren, moet je niet alleen zorgen voor de technische voorwaarden, maar ook de noodzakelijke kennis in huis hebben. Die kennis is onmisbaar bij het omzetten van technische expertise naar business.

Bosch richtte in 2017 het Bosch Center for Artificial Intelligence (BCAI) op. Op basis van de schat aan data die Bosch beschikbaar heeft, voert het BCAI baanbrekend AI-onderzoek uit en past het machine learning toe op producten en diensten van Bosch op het gebied van productie, engineering, supply chain management en intelligent services.

Ook geeft het BCAI door middel van trainingen Bosch-medewerkers beter inzicht in AI. Zo bouwt het aan een steeds grotere in-house AI-community. “Bosch-vestigingen kunnen grote AI-projecten aan het BCAI uitbesteden, maar we hebben ook AI-experts nodig in de verschillende vestigingen om samen te werken aan AI-oplossingen”, aldus Jennifer Thompson, data scientist bij Bosch en trainer bij het BCAI.

De meeste mensen staan er niet bij stil, maar AI is al met ons dagelijks leven verweven. Denk bijvoorbeeld aan Google Assistant, het aanbevelingssysteem van Netflix of domotica. Verbeterde algoritmes en technische vooruitgang, zoals goedkopere rekencapaciteit en meer betaalbare opslag en computergeheugen, hebben de investeringen in AI versneld. De belangrijkste factor is echter de enorme groei van beschikbare data.

Elk bedrijf heeft tegenwoordig toegang tot grote hoeveelheden data. Die komt in de meest uiteenlopende vormen en hoeveelheden in een steeds rapper tempo. Via datamining (het proces van zoeken naar verborgen, voorheen onbekende patronen en andere nuttige informatie in deze data) kunnen nieuwe inzichten worden verkregen.

Deze inzichten vormen de basis voor machine learning en deep learning, twee veelgebruikte AI-technieken. Dankzij machine learning kan een systeem van data leren door een voorspelling te doen en deze te vergelijken met de werkelijke uitkomst. Het algoritme van machine learning gebruikt vervolgens dat verschil om het voorspellende model te verbeteren. Deep learning is een vorm van machine learning. Hierbij wordt doorgaans gebruikgemaakt van neurale netwerken die ontworpen zijn om het menselijk brein na te bootsen. De kracht van deze modellen is hun vermogen om rechtstreeks uit ruwe data-input modellen te creëren. Terwijl traditionele machine learning-methoden bijvoorbeeld gebruik maken van beschreven kenmerken, kan deep learning direct worden toegepast op onbewerkte gegevens, zoals de kleuren van elke pixel in de afbeelding van een kat.

Voor alle vormen van machine learning is veel betrouwbare, begrijpelijke en relevante data nodig. Het machine learning-model is verantwoordelijk voor het creëren van een voorspellend model op basis van data, terwijl het de taak van data scientists is om het juiste machine learning-model te bepalen en de hyperparameters die de meest accurate voorspellingen geven, af te stemmen.

De duwband bestaat uit honderden speciaal ontworpen stalen elementen en is het hart van een CVT omdat het de kracht van de motor overbrengt naar de aandrijfas. “De kwaliteit van deze stalen elementen is van essentieel belang. Eén zwak element heeft invloed op de hele band. We beschikken al over een uitstekend kwaliteitscontrolesysteem, maar met het AI-programma willen we dat verder optimaliseren”, zegt Peter Hebben, Artificial Intelligence Coordinator bij Bosch Transmission Technology.

De stalen elementen gaan voordat ze naar de assemblagelijn gaan eerst door een controlesysteem: een in-house ontworpen machine waar de elementen door camera's individueel worden gefotografeerd. “De camera's zoomen in om defecten op te sporen en om een oordeel te geven op basis van een gedetailleerde en gedocumenteerde beschrijving van mogelijke defecten”, legt Hebben uit.

“De huidige, op regels gebaseerde aanpak is succesvol, maar ook tijdrovend en vaak te strikt. Bij de geringste twijfel wordt het element afgekeurd. Met behulp van AI willen we het aantal onterechte afkeuringen beperken. Dit vergroot de efficiëntie en bespaart kosten.”

Het huidige controlesysteem is aangepast met verbeterde inspectiehardware en er zijn innovatieve AI-modellen geïntroduceerd om de prestaties te verhogen. “Het AI-systeem vermindert het aantal onterechte afkeuringen, terwijl het hoge kwaliteitsniveau behouden blijft. Het AI-systeem leert van wat je het aanreikt. Met hoe meer informatie je het systeem voedt en hoe beter die informatie is, hoe beter het presteert. Daarom willen we ook het proces van data-labeling verbeteren. Dat is nu een zeer arbeidsintensieve en tijdrovende klus. Met een secundair AI-ondersteund labelsysteem kunnen we hier verschil maken.”