Machine learning engineering

We bieden machine learning engineering diensten: het opzetten van de robuuste data pipelines, het ontwikkelen, trainen en deployen van het model en de overdracht naar de gebruiker.

Digitalisering is een belangrijk thema in de industrie, bij nutsbedrijven en in de weg- en waterbouw. Machine learning is daarin een centrale technologie. Lees hoe we machine learning inzetten voor technische toepassingen.

Van probleem naar vraag

Een van de dingen die we in de loop der jaren geleerd hebben is dat het stellen van de juiste vraag het allerbelangrijkst is bij het toepassen van machine learning. Daarom bespreken we eerst met de klant wat het probleem is dat opgelost moet worden. Omdat we een brede achtergrond hebben in wetenschap en technologie begrijpen we snel wat de experts bij de klant bedoelen, ook al komen ze uit een ander vakgebied.

Vaak blijkt dat de vraag die de klant oorspronkelijk had niet de juiste is. Of in de originele vorm niet beantwoord kan worden. Daarom is deze eerste fase essentieel. Als je de juiste vraag definieert ben je al halverwege. Als je met de verkeerde vraag aan de slag gaat kom je nergens, al steek je er nog zo veel moeite in.

Zie ook onze blog over het definiëren van waardevolle big data toepassingen voor mensen die pas net met data aan de slag gaan.

Van vraag naar sensor

Vaak moeten we werken met de sensoren die er al zijn. Daarom is onze volgende stap om te zien welke data er is en wat we ermee kunnen. Ook dit vergt weer een intensieve samenwerking met experts en operators bij de klant. Samen gaan we de data begrijpen en interpreteren. Af en toe kunnen we ook adviseren om een extra sensor te plaatsen als er essentiële informatie ontbreekt. In een bijzonder project hebben we algoritmen ontwikkeld die automatisch foutieve sensoren detecteren, zodat die vervangen kunnen worden.

Van sensor naar informatie

Sensoren worden almaar goedkoper, connectiviteit is ruimschoots voorhanden en data opslag is nauwelijks nog een issue. Dat alles maakt het relatief eenvoudig om allerhande informatie te verzamelen over de toestand van assets. Dat kunnen installaties of machines zijn. Maar ook distributienetwerken, bruggen, wegen, kanalen, gemalen en allerhande andere zaken.

Zulke sensorgegevens zijn notoir rommelig. Sensoren zijn niet altijd goed gekalibreerd. Verbindingen vallen soms weg. En de systemen waarmee de gegevens ingezameld worden hebben soms hun eigen problemen. Bovendien worden soms grote hoeveelheden data gegenereerd (big data) terwijl maar een fractie daarvan echt nuttig is.

De eerste taak van de machine learning engineer is om deze ruwe data om te zetten in een betrouwbare datastroom. Dat omvat het terugbrengen van de gegevens tot de fractie die nuttig is en het detecteren van allerhande fouten en artefacten. Ook het repareren van fouten of het verwijderen van foutieve gegevens is onderdeel van data engineering. Waar nodig kunnen schattingen gegeven worden voor ontbrekende data (imputatie).

We hebben tal van dit soort data pipelines gebouwd. We zijn ondertussen handig geworden in het omgaan met de specifieke eigenaardigheden van sensordata.

Van informatie naar inzicht

Hoe slim computers ook worden, de menselijke operator zal nog lang nodig zijn om processen te monitoren en bij te sturen. Daarom moet de informatie die uit de data gegenereerd wordt op een overzichtelijke manier gepresenteerd worden. Dat gebeurt via een dashboard waarop de operator de belangrijke gegevens kan zien en kan doorklikken om ze te analyseren. Het ontwikkelen van een dashboard kan op basis van een standaard platform. Maar met moderne web technologie is het meestal net zo handig om een eigen dashboard te bouwen. Zo heeft VORtech bijvoorbeeld de WBViewer ontwikkeld voor Rijkswaterstaat.

Achter een dashboard zit vaak een verzameling services die gebaseerd zijn op machine learning. Die verrijken de originele gegevens met afgeleide data ten behoeve van de operator. Met data science kunnen bijvoorbeeld abnormale situaties gedetecteerd worden waarop een alarm afgegeven kan worden. Ook kunnen dit soort technieken helpen om snel een probleem te diagnosticeren.

VORtech heeft ervaring met een breed spectrum aan machine learning technieken en statistische methoden. De uitdaging zit vaak vooral in het kiezen van de juiste combinatie van data en van het juiste algoritme. Als het mogelijk is, kiezen we altijd voor een machine learning techniek die eenvoudig te begrijpen is. Dat helpt niet alleen om het algoritme te laten accepteren door de operators, maar geeft ook de inzicht in de betrouwbaarheid ervan.

Van inzicht naar actie

Een machine learning algoritme kan voorspellingen maken over de verdere ontwikkeling van een systeem en adviseren over de benodigde sturing. De computer kan de controle over het systeem ook helemaal overnemen. Om van inzicht te komen tot actie is het nodig dat het machine learning algoritme voortdurend draait in een operationele omgeving.

Dat stelt hoge eisen aan de betrouwbaarheid en robuustheid van de machine learning toepassing. Bij VORtech werken we al meer dan twintig jaar aan operationele system. We weten wat het betekent als een systeem 24/7 moet draaien en om functionaliteit te implementeren die de integriteit van het systeem voortdurend bewaakt.

Use cases voor machine learning in de technische sector

  • Procesoptimalisatie
    Machine learning kan helpen om processen te optimaliseren. Bijvoorbeeld door voorspellingen te maken waarmee de operators het proces kunnen bijsturen. Een mooi voorbeeld is het werk dat we gedaan hebben rondom het plannen van huisbezoeken voor onderhoudsmonteurs. Er blijken wetmatigheden te zitten in de momenten waarop mensen thuis zijn. Door daar in de planning gebruik van te maken kan het aantal vergeefse bezoeken fors worden gereduceerd.
  • Ondersteuning van Operators
    Machine learning kan helpen om snel afwijkingen in de bedrijfsprocessen te detecteren en daarbij gericht informatie te geven aan de operators. Voor Vitens werkten we aan algoritmen om snel het optreden van lekkages in het leidingenstelsel te detecteren en aan te wijzen waar het lek vermoedelijk zit. Daardoor kunnen monteurs snel en gericht het lek vinden en herstellen, nog voordat de overlast serieus wordt.
  • Voorspellend Onderhoud
    Op grond van machine learning kan bepaald worden hoe lang een asset nog zonder problemen verder kan. Een uitdaging daarbij is dat er vaak weinig data over storingen is omdat men die zoveel mogelijk probeert te voorkomen. Er moet dan ook gekeken worden naar trends in de data die een indicatie vormen van naderende problemen.
  • Kwaliteitscontrole
    Computer vision is een standaard techniek geworden om artefacten in producten te detecteren. De computer kan vaak beter en sneller herkennen dat er een fout in een product zit dan dat mensen dat kunnen. En het is nog goedkoper ook.

Bent u geïnteresseerd?

VORtech opereert aan het front van technologie voor voorspellingen en analyses. Machine learning is een belangrijke aanvulling op de gereedschappen uit de wiskunde en IT die we al meer dan 20 jaar inzetten. Als het bovenstaande voor u interessant is, neem dan contact op. We komen graag een keer langs om de mogelijkheden van deze technologie te bespreken.

Bent u geinteresseerd?
Neem contact met ons op voor een vrijblijvend kennismakingsgesprek
Neem contact op