Hightechindustrie maakt zich op voor ai

Artificial intelligence belooft gouden bergen. Nu de slimme algoritmes zich als een olievlek uitbreiden naar de hightechindustrie, komen engineers voor allerlei obstakels te staan. Ai-specialist Albert van Breemen vertelt waarmee techbedrijven rekening moeten houden als ze zich de technologie eigen willen maken.

Albert van Breemen is programmamanager AI bij het High Tech Systems Center (HTSC) en het Eindhoven Artificial Intelligence Systems Institute (Eaisi) van de Technische Universiteit Eindhoven. Hij heeft het AI Engineering Lab opgericht en werkt samen met FME om artificial intelligence toegankelijker te maken voor het mkb. Daarnaast is hij eigenaar van het ai-consultancybureau VBTI. Samen met High Tech Institute geeft hij de masterclass ‘Introduction to deep learning’.

26 februari

Artificial intelligence is een technologie die door haar veelzijdige toepasbaarheid radicale veranderingen in veel industrieën mogelijk maakt. De ontwikkeling van ai is de laatste acht jaar in rap tempo gegaan; soms sneller dan kenners hadden voorspeld. Dit is vooral te danken aan deep learning, een ai-technologie die reusachtig veel data nodig heeft om goed te kunnen werken. Daarom ontstond een eerste golf van commerciële ai-toepassingen bij bedrijven die toch al veel data bezitten, zoals Amazon, Facebook, Google en Uber. Op dit moment zien we een tweede golf van toepassingen, waarbij ai-algoritmes worden getraind met sensordata. Ai doet hiermee haar intrede binnen de engineeringwereld en traditionele machinebouwers worden geconfronteerd met de vraag of en hoe te investeren in artificial intelligence.

De ontwerpuitdagingen van geavanceerde systemen worden alsmaar groter. De complexiteit groeit van generatie op generatie. Er is een toenemende vraag naar performance, intelligentie en interoperabiliteit. Engineers lopen daarbij regelmatig aan tegen de beperkingen van hun huidige toolbox, waarin het modeleren en analyseren vanuit zogenaamde first principles standaard is. Door ai aan hun gereedschapskist toe te voegen, krijgen ze de beschikking over een technologie om te werken met grotere datasets (big data) en slimme ai-algoritmes. Beide elementen vormen de basis om nieuwe oplossingen te vinden voor de genoemde uitdagingen.

In de praktijk blijkt echter dat bedrijven moeite hebben met het omarmen van artificial intelligence. Een goede praktijkcase zou het management van een organisatie kunnen overtuigen om meer te investeren in ai. Moeilijkheid hierbij is dat de mensen die binnen een bedrijf potentiële cases hebben, geen ervaring hebben met de technologie en de kansen niet herkennen. Hierdoor is het lastig om de baten aan te tonen en een innovatiebudget te reserveren.

Naast businessgedreven barrières zien we in de praktijk ook veel operationele obstakels, zoals de complexiteit van de ai-software en -hardware, de grote diversiteit aan algoritmes (wanneer gebruik je welke techniek), de benodigde rekenkracht om modellen te trainen en het vinden van talent.

Barrière 1: De ai-technologiestack

De technologiestack voor artificial intelligence is een complex geheel van hardware- en softwarecomponenten. Voor het trainen van modellen is ongelooflijk veel computercapaciteit nodig omdat wordt gebruikmaakt van rekenintensieve gradient descent– en back propagation-technieken. Hierdoor is speciale hardware nodig, zoals gpu’s, tensor processing units (ai-specifieke rekenkernen), fpga’s of asic’s. Een getraind model toepassen op een embedded systeem vraagt weer andere hardware, waarbij energieverbruik en systeemresources een rol spelen.

De ai-softwarestack bestaat uit een scala aan modules, die veelal onafhankelijk van elkaar worden ontwikkeld. Bij een update van een enkele softwaremodule komt het vaak voor dat hij ineens niet meer samenwerkt met de andere. Daarnaast zijn de softwarebibliotheken die worden gebruikt op servers, zoals Tensorflow, niet altijd compatibel met de library’s op embedded systemen.

Barrière 2: Diversiteit aan algoritmes

Deep learning kent een aantal hoofdcategorieën van algoritmes zoals convolutional neural networks (cnn’s), recurrent neural networks (rnn’s) en reinforcement learning. Binnen elk van deze klassen bestaan weer legio specifieke algoritmes. De keuze van het goede algoritme wordt niet alleen bepaald door de toepassing, zoals objectclassificatie of objectdetectie bij cnn’s. Het hangt ook af van de softwarestack en de hardware die je gebruikt, de grootte en nauwkeurigheid van het model, het type inputdata, et cetera. De optimalisatie van een model is een tijdrovend proces.

Barrière 3: Rekenkracht

De vraag naar rekenkracht om moderne ai-algoritmes te trainen, verdubbelt elke drie à vier maanden. Om een algoritme zoals Deepminds Alphagozero te trainen, is meer dan een miljoen teraflops aan rekencapaciteit nodig. Om dat in perspectief te zetten: een moderne gpu doet zo’n vijftien teraflops. Een voorzichtige schatting van de kosten om een ai-algoritme te trainen voor het spel Starcraft laat zien dat het al snel om enkele miljoenen euro’s gaat. In de meeste bedrijven zijn de resources hiervoor niet aanwezig. Gelukkig kunnen veel andere nuttige ai-algoritmes met minder rekenkracht worden getraind, maar de standaard ict-infrastructuur van de meeste bedrijven is ook daarvoor vaak ontoereikend.

Barrière 4: Talent

Veel machinebouwers worden de laatste tijd geconfronteerd met de introductie van artificial intelligence binnen hun bedrijf. Ze moeten een grote inhaalslag maken want veelal weten ze niet wat de waarde van data en ai is voor hun producten. Naast de brug die moet worden geslagen tussen engineers en ai-experts is de concurrentie bij het aantrekken van ai-talent door grotere en bekende it-bedrijven groot. Op dit moment werken universiteiten hard aan het opleiden van nieuw talent. Zo start het Eindhoven Artificial Intelligence Systems Institute (Eaisi) van de TU Eindhoven dit jaar nog een aantal nieuwe masterprogramma’s die de kloof tussen engineering en ai dichten.

Bedrijven aan zet

De huidige ai-ontwikkelingen zullen een grote impact hebben op producten en industrieën. Soms hoor je nog weleens de opmerking dat we te laat zijn en alles in de VS en China gebeurt. Maar dat is absoluut niet correct. Het succes van een ai-toepassing binnen engineering hangt namelijk sterk af van de domeinkennis. En laten Nederlandse bedrijven juist daarin excelleren, bijvoorbeeld op het gebied van mechatronica en mens-machine-interacties.

Kennisinstellingen en instituten zoals het High Tech Systems Center en Eaisi hebben het wegnemen van de genoemde barrières hoog op de agenda staan. Samenwerking met bedrijven is essentieel om dit te realiseren en een nieuw geluid te laten horen: ai en engineering gebeurt in Brainport.