AI – Trend of Hype
Van innovatie naar betrouwbare praktijktoepassing
Bij Technolution zoeken we altijd naar manieren om complexe problemen zo simpel mogelijk op te lossen. Artificial intelligence (AI) opent daarbij een fascinerende nieuwe wereld. Er is ontzettend veel mogelijk: van slimme verkeerscamera’s tot het optimaliseren van energiebeheer. Maar niet elke doorbraak die in de media verschijnt, blijkt in de praktijk bruikbaar. De kunst zit hem in het vertalen van mogelijkheden naar betrouwbare, voorspelbare en controleerbare toepassingen.
Hoe maken we bij Technolution van hype échte waarde?
Vier kerngebieden van AI-toepassing
Succes zit niet in één algoritme of tool, maar in een integrale aanpak: slim combineren van technieken, domeinkennis en robuuste engineering. We belichten vier toepassingsgebieden: Vision, Generative AI, Forecasting en Control.
Vision: Slimme beeldverwerking
De doorbraak van AlexNet in 2012 luidde een revolutie in op het gebied van beeldverwerking: convolutional neural networks presteren sindsdien beter dan klassieke methoden voor beeldherkenning en classificatie. Inmiddels zijn neurale netwerken onmisbaar in productiesystemen.
Een mooi voorbeeld van een integrale aanpak is de FlowCube, onze slimme verkeerssensor. Deze herkent voertuigen, fietsers en voetgangers lokaal in de camera (“on the edge”), zodat privacygevoelige data nooit de camera verlaat: privacy by design . De modellen zijn gebaseerd op het populaire YOLO-model, maar door uitgebreid fine-tunen op praktijkdata behalen we nóg betere resultaten, zelfs bij uitdagende omstandigheden zoals nachtbeelden.
We ontwikkelen ook eigen modellen, bijvoorbeeld voor object re-identification tussen meerdere FlowCubes, waarmee reistijden van fietsers tussen verschillende locaties geschat kunnen worden, volledig zonder persoonsgegevens. Deze kennis passen we ook toe in industrie en scheepvaart, bijvoorbeeld bij het automatisch meten van de diepgang van schepen. De kracht zit hem ook hier in de combinatie van klassieke algoritmes met moderne machine learning.
Generative/Knowledge AI:
Nieuwe creativiteit en data
Met de komst van ChatGPT zijn large language models (LLM’s) enorm populair: ze genereren tekst, samenvattingen en zelfs code. Maar ze hebben ook valkuilen: hallucinaties, beperkte transparantie en afhankelijkheid van grote cloudleveranciers. Om daar verstandig mee om te gaan combineren we de kracht van AI met controleerbaarheid. Retrieval-Augmented Generation (RAG) bijvoorbeeld maakt output traceerbaar naar brondata, zodat verificatie mogelijk is. En met open-weight modellen bouwen we veilige, kostenefficiënte oplossingen die ook on-premise (op locatie) werken: onafhankelijk van de cloud en minder risico op vendor lock-in.
We kunnen de inherente onzekerheid van taalmodellen opvangen door oplossingen te zoeken waarbij mensen in het proces betrokken zijn. Bijvoorbeeld door automatische tekstvoorstellen te doen om wijzigingen in configuraties te beschrijven: minder handwerk, eenvoudiger versiebeheer.
De achterliggende techniek van taalmodellen is generative AI, en wat dit doet is in essentie het leren van een kansverdeling over talloze voorbeelden. Dat kan tekst zijn, zoals in het geval van large language models, maar ook beeld, video, geluid, en nog veel meer. De toepassingen zijn legio: je kunt er tekst mee genereren, maar, om een heel ander voorbeeld te noemen, ook tijdreeksen van energieverbruik. Vanwege privacywetgeving kun je niet zomaar verbruiksdata van slimme meters gebruiken, maar met deze techniek kun je toch realistische, maar tijdreeksen simuleren die fictief, maar toch realistisch zijn.
Forecasting: Betrouwbaar vooruitkijken
Het voorspellen van tijdreeksen, bijvoorbeeld voor autoverkeer of energieverbruik, ondergaat een wat minder spectaculaire groei. Interessant is vooral het onderscheid tussen een modelgedreven aanpak en een zelflerende aanpak. Door gebruik te maken van bestaande kennis en modellen behoud je meer controle, maar in sommige domeinen blijkt AI meer te kunnen bereiken door puur naar de data te kijken.
Zo zien we in experimenten met graph neural networks voor verkeersvoorspelling dat de prestaties beter worden wanneer het neurale netwerk zelf de dynamiek van het wegennet leert op basis van snelheid- en intensiteitsmetingen, in plaats van wanneer wij de structuur vooraf opleggen. Het handmatige model blijkt te simplistisch, moderne zelflerende systemen blijken in staat om complexere patronen te doorgronden.
Hier is ook het verschil tussen academisch onderzoek en industrieel onderzoek groot. Wetenschappers optimaliseren vaak voor abstracte metrics, zoals de gemiddelde snelheid op een wegvak. In de praktijk kan een heel andere behoefte spelen, we willen bijvoorbeeld weten waar files ontstaan en hoe ze verdwijnen. De exacte snelheid is dan niet van belang. Zo’n vraag vereist een andere aanpak, en daarom passen we de neurale netwerk-modellen aan op de echte vragen van klanten. Zo maken we voorspellingen die niet alleen accuraat zijn, maar ook relevant.
Control: Optimalisatie en sturing
Nieuwe technieken zoals deep reinforcement learning beloven veel, en academisch gezien gaat de ontwikkeling razendsnel. Toch is de praktijk weerbarstig. Voor kritische systemen vertrouwen we daarom vooralsnog op bewezen methoden zoals model-predictive control en genetische algoritmen.
Toch houden we reinforcement learning scherp in de gaten, want het kan de komende jaren veel gaan betekenen. Neem verkeerslichten: de FlowCube levert het zicht, MobiMaestro doet de voorspelling en control. De uitdaging hier is dat veiligheid altijd voorop staat: AI mag nooit gevaarlijke situaties veroorzaken. Daarom bouwen we een beschermend raamwerk om de AI heen.
Ook in energy management systems opent AI deuren. Slimme algoritmes bepalen hoe een batterij en zonnepanelen optimaal worden ingezet, afhankelijk van de energievraag en weersverwachting. Hier speelt onzekerheid ook een rol. We gebruiken daarom stochastic optimization en daarbij niet alleen puntschattingen, maar ook de betrouwbaarheid van een voorspelling. Zo bouwen we oplossingen die robuust zijn.
Waarde creëren met AI
AI moet niet alleen slim zijn, maar vooral begrijpelijk, betrouwbaar en praktisch toepasbaar. Dat verandert ons uitgangspunt niet: systemen moeten zo eenvoudig mogelijk blijven. AI is helaas geen wondermiddel. Pas in combinatie met domeinkennis, robuuste engineering en kritische reflectie, aspecten waar we bij Technolution veel ervaring mee hebben, ontstaat échte waarde.
