Machine learning in de praktijk - TMC Shape caret-double-left caret-double-right caret-down caret-left caret-right-circle caret-right Shape close dropdown expand more facebook Logo linkedin logo-footer logo-mark logo-mobile mail play search twitter youtube instagram
Menu Sluiten
article

Machine learning in de praktijk

Artificial intelligence, machine learning en deep learning. Deze begrippen zijn booming en er is dan ook veel over te lezen. Het gaat voornamelijk over hoe deze nieuwe toepassingen technologie en de wereld op zijn kop zetten. Wat voor velen niet duidelijk is, is hoe deze nieuwe ontwikkelingen nu daadwerkelijk toegepast worden. Er zijn immers al veel bedrijven die diverse projecten met AI hebben afgerond. 

Emerce schreef een vijfluik over dit onderwerp. Voor het laatste artikel in deze reeks, machine learning in de praktijk, werd de expertise van TMC gebruikt voor het geven van een concreet voorbeeld. In dit artikel vertellen Romain Huet en Natasja van de L'isle, data scientists bij TMC, meer over hoe machine learning in een fabrieksomgeving kan worden ingezet. 

Autostoeltjes classificatie

Laten we zeggen dat een fabrikant van kinderautostoeltjes op zoek is naar een oplossing om de riempjes volgens nog hogere veiligheidsstandaarden te kunnen produceren. Enerzijds willen ze het productieproces optimaliseren, in dit geval door het inperken van de rompslomp die komt kijken bij het manueel controleren van de producten. Anderzijds willen ze de veiligheid van het product optimaliseren, er kunnen immers zaken over het hoofd worden gezien door menselijke fouten. Als je autokinderzitjes produceert, is het laatste dat je krijgt natuurlijk dat het riempje niet naar behoren functioneert. Met artificial intelligence kan een systeem worden gemaakt dat automatisch detecteert wanneer er foutieve riempjes over de productieband rollen.

Om afwijkingen in de kinderriempjes te kunnen detecteren, moet de machine middels een algoritme leren hoe een standaard riempje eruitziet en wat een eventuele deviatie kenmerkt. Er zijn verschillende algoritmes die gebruikt kunnen worden, in het geval van de babystoeltjes maken we een combinatie van twee verschillende methodes: image classification en anomaly detection.

Image classification

Met image classification wordt een enorme hoeveelheid foto’s van het product verzameld: de riempjes. Deze worden geclassificeerd, zijn het goede producten of is er een afwijking te zien? Er worden labels toegekend aan de producten: een 0 aan een goed product en een 1 aan een product wat een mogelijke afwijking heeft. Nadat het model uitvoerig getraind is, kan deze fouten in de riempjes herkennen. Op het moment dat er een nieuwe foto binnenkomt, wordt er een signaal gegeven als er een product over de band rolt met een afwijking erin.

Anomaly detection

Anomaly detection is een methode die gebruikt maakt van sensoren die deviaties in standaard gedrag herkennen. Er wordt een enorme hoeveelheid aan data verzameld om een baseline op te stellen, een standaard. Hierbij geldt ook dat de standaard een label 0 krijgt en een product met een mogelijke afwijking een label 1. Op het moment dat er een product over de band rolt wat een afwijking toont, herkennen de sensoren dit en gaat er een lampje branden.

Deze twee methodes worden gecombineerd door een rule based aanpak. Dit wil zeggen dat als er twee 0’en uitkomen, de producten goed zijn. Als er een of twee 1’en zijn toegekend, worden de producten apart gehouden om gecheckt te worden. Dit wordt ook wel een OR-operatie genoemd. 

Voor image classification wordt deep learning gebruikt, om specifiek te zijn CNN (Convolutioneel Neuraal Netwerk). Er kunnen verschillende algoritmes gebruikt worden. In dit geval gaat het om semi-supervised learning, doordat we voor een deel van de dataset weten welk label het moet hebben (de data voor producten die met steekproeven gecheckt zijn). Anomaly detection gaat op basis van unsupervised learning. Hier zijn veel verschillende algoritmes voor geschikt, maar wij kiezen in dit geval voor Isolation Forest. Dit is een vorm van machine learning waarin het algoritme, in dit geval, afwijkende producten herkent op basis van isolatie. 

Alles aan elkaar knopen en een app ontwikkelen 

Vervolgens dient er een app gemaakt te worden voor persoon die de machine aanstuurt. Er zijn diverse manieren om een applicatie in productie te gebruiken. In dit specifieke geval wordt er gekozen voor cloud service. Dit wordt gebruikt om data op te slaan. Daarnaast kan er een tool gebruikt worden waarmee de modellen getraind kunnen worden om voorspellingen te doen. Dit is slechts een voorbeeld hoe TMC Data Science een voorbeeld heeft toegepast in de praktijk. 

Ben je na het lezen van dit artikel nieuwsgierig geworden naar wat TMC Data Science voor jouw bedrijf kan betekenen? Neem dan contact op met Bram Thelen, cel directeur TMC Data Science. 

Bron: Emerce
Over de auteur: Erwin Nandpersad is CEO bij Ermmedia.nl

Wat is je volgende stap? We kunnen je daarbij helpen