Machine learning engineering

We bieden machine learning engineering diensten: het opzetten van robuuste data pipelines, het ontwikkelen, trainen en deployen van het model en de overdracht naar de gebruiker. Daarbij ligt onze focus op technisch-wetenschappelijke toepassingen, waarin de data grotendeels uit sensoren komt.

Operationele voorspellingen met machine learning

Veel van onze klanten willen voorspellingen kunnen maken. Dat kunnen voorspellingen over de toekomst zijn, maar ook voorspellingen over het effect van een bepaalde handeling.

In de beginjaren van VORtech waren die voorspellingen meestal gebaseerd op wiskundige modellen. Die werden door experts ontwikkeld en door onze gespecialiseerde programmeurs in software omgezet.

Sinds die tijd is machine learning in opkomst. Daarbij wordt geen expliciet model meer geformuleerd maar wordt het model door de computer gegenereerd op basis van beschikbare data. VORtech is volop in deze ontwikkeling meegegaan. Niet alleen uit interesse maar ook omdat we onze klanten zo goed mogelijk willen bedienen. Want voor bepaalde toepassingen is machine learning krachtiger dan de traditionele aanpak.

Grote delen van een machine learning applicatie zijn vergelijkbaar met meer traditionele modelapplicaties waaraan we werken zoals het voorspelsysteem van Rijkswaterstaat. Ook daarin dient een belangrijk deel van de software voor het ophalen en bewerken van data uit externe bronnen, voor de dashboards (zoals de WBViewer) en voor de distributie van resultaten naar andere systemen. Toch is een machine learning applicatie anders dan een traditioneel systeem.

Machine learning engineering

Niet alleen het ontwikkelen van het model verloopt anders, ook tijdens het gebruik stelt het andere eisen. Bij het ontwikkelen worden andere, krachtigere tools gebruikt. In de operationele situatie moet er goed gemonitord worden of het model nog steeds correct is bij de huidige gegevens. Want het model kan ineens heel slecht gaan functioneren als de gegevens een andere statistische verdeling krijgen. Of een ander format.

VORtech heeft ervaring met het ontwikkelen van machine learning applicaties. Dit staat bekend als machine learning engineering. We kunnen machine learning modellen ontwikkelen, waarbij we ons van andere bedrijven onderscheiden door onze ervaring met sensordata en onze kennis over fysische processen. Daarnaast ontwikkelen we de hele data-pipeline, van het ophalen van data tot de distributie van resultaten, inclusief de monitoring van de kwaliteit.

Ontwikkelen van machine learning modellen

Het begint met een goede vraag

In de loop der jaren hebben we geleerd 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.

Data is niet altijd goede data

Vaak moeten we werken met data uit 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.

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.

Een belangrijke taak binnen machine learning engineering is om deze ruwe data om te zetten in een betrouwbare en efficiënte datastroom. Dit staat bekend als data engineering. Het omvat het terugbrengen van de gegevens tot de fractie die nuttig is en het detecteren van allerhande fouten en artefacten. In een bijzonder project hebben we algoritmen ontwikkeld die automatisch foutieve sensoren detecteren. 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). En gegevens kunnen gecombineerd worden tot features die voor machine learning bruikbaarder zijn dan de originele data.

Het model zelf

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 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.

In veel gevallen zijn relatief eenvoudige modellen, mits gevoed met de juiste features, al heel krachtig. Daar waar het nodig is om echt het onderste uit de kan te halen van een bepaalde machine learning techniek zullen we overigens niet aarzelen om een specialist van buiten VORtech in te schakelen. We weten tot hoever onze kennis reikt.

De data-pipeline

Zoals gezegd: u kunt bij ons terecht voor het opbouwen of verbeteren van een data-pipeline. We kennen de technieken om data op te halen van externe bronnen, we ontwikkelen efficiënte algoritmen om data om te werken tot features die in het model gebruikt kunnen worden. We hebben ruime ervaring met het ontwikkelen van dashboards op basis van moderne, gangbare software platforms. En we weten hoe we de distributie van resultaten naar andere systemen moeten regelen.

Use cases voor machine learning in de technische sector

Ter inspiratie volgen hier een paar bekende voorbeelden van toepassingen van machine learning met verwijzingen naar projecten die we gedaan hebben.

  • 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. Er zijn bedrijven die gespecialiseerd zijn in computer vision. VORtech zal u graag doorverwijzen.

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