Waarom we over dit onderwerp schrijven:
De eerste editie van de AI Summit Brainport in Eindhoven stond in het teken van (regionale) samenwerking. AI (Artificiële Intelligentie)-systemen gaan een steeds belangrijkere rol spelen in de industrie. Echter, voordat je AI verder kunt implementeren, moet je veel obstakels overwinnen. De AI Summit is georganiseerd door EASI in samenwerking met AI Innovation Center, provincie Noord-Brabant en andere partners van AI-hub Brainport. Tijdens het congres komen onderzoekers, professionals en AI-liefhebbers samen om hun AI-kennis en -vaardigheden te delen en te vergroten.
“In het begin hielpen machines onze armen en benen. Tegenwoordig helpen ze onze hersenen.” Met die woorden opende gisteren ( 3 november 2022) Carlo van de Weijer, directeur van het Eindhoven AI System Institute de AI Summit Brainport.
Hij heeft ook een waarschuwing. “AI groeit exponentieel. Toen we de leiders waren in de glasbuisindustrie stonden we niet stil. We moeten nu hetzelfde doen.” Er zit dus haast achter het ontwikkelen en implementeren van AI.
Patiëntendata en privacy
Ymke de Jong, programma manager data & AI bij Phillips, gaf tijdens de opening van het congres inzicht in de obstakels van het implementeren van AI in de zorg. De Jong verwacht dat in 2025 data in de gezondheidszorg ieder jaar met 36 procent gaat toenemen. De quote ‘We are drowning in information, while starving for wisdom’ is te zien op het scherm tijdens de presentatie. Het zijn de beroemde woorden van bioloog E.O Wilson.
De digitale transformatie zorgt voor een exponentiele groei van data in de gezondheidszorg. Die is echter lang niet altijd beschikbaar voor AI-systemen. Volgens De Jong kunnen AI-systemen juist oplossing bieden om meer inzicht te krijgen in al deze gegevens. Daarvoor is samenwerking binnen de regio het belangrijkst, want ‘AI is een teamsport’.
“Op dit moment zijn er maar weinig AI-systemen in de gezondheidszorg en het effect op de patiëntenzorg is beperkt. We zijn heel goed in het bedenken van software, maar niet in het implementeren ervan. Dat komt omdat we slechts kleine en beperkte datasets tot onze beschikking hebben. Daarom ben ik zo blij dat er nu een beweging ontstaat om steeds meer data publiekelijk toegankelijk te maken.”
Federated learning
Een van de belangrijkste vraagstukken die daarbij opspeelt is de privacy van patiënten. Om een AI te trainen is data nodig, maar zonder toestemming van de patiënt kan de data niet zomaar gebruikt worden. De Jong haalt tijdens haar keynote twee oplossingen aan die de privacy van patiënten zou moeten beschermen.
Zo zou ‘Federated Learning’ een uitkomst zijn. Hierbij wordt de data niet opgestuurd, maar blijft het op dezelfde plek. In plaats daarvan download een partij het AI-model via een centraal systeem om het vervolgens te trainen met de beschikbare data. Eenmaal klaar, wordt het model weer teruggestuurd en kan een andere partij ermee aan de slag. Dit gaat zo door tot het AI-model genoeg getraind is. Een andere manier waarop AI zonder inbreuk van privacy getraind kan worden is door synthetische data te gebruiken. “Het is geen echte data, maar lijkt op de oorspronkelijke gegevens. De structuur van de data blijft namelijk hetzelfde.”
AI in de komkommerjungle
Albert van Breemen, CEO en CTA van AI-engineering bedrijf VBTI, heeft al meer dan dertig jaar ervaring met AI. Hij won onlangs nog een Gerard & Anton Award voor zijn softwareplatform, gebaseerd op Deep Learning (DL)-oplossingen, voor bedrijven werkzaam in de landbouwsector. Volgens hem is de slimme software dan ook geen nieuw fenomeen. Het begon al in de jaren vijftig toen onderzoekers na gingen kijken hoe ze computers konden programmeren om te denken als mensen.
“Ze begonnen toen met experts te praten en legde problemen aan hen voor. Daar kwamen als-dit-dan-dat-oplossingen uit. In de jaren negentig kwamen toen de eerste algoritmes en nu kunnen we dankzij de grote rekenkracht van computers daar hele mooie dingen mee doen. Dat is Deep Learning. Een nieuwe ontwikkeling waarmee we machines kunnen bouwen die zeven jaar geleden nog onmogelijk waren.”
Tijdens het congres vertelt Breemen over zijn ervaringen met het implementeren van AI in industriële applicaties. Zo startte hij in 2020 een samenwerking met VDL om een visueel systeem voor een robot te maken die blaadjes van komkommerplanten afknipt, maar de groente zelf met rust laat. Breemen laat vervolgens een afbeelding zien van hoe zo’n kas met komkommerplanten eruit ziet. De blaadjes en gewassen hangen kriskras door elkaar. “Ik noem dit een visuele jungle. Dit is zo lastig om te doen, hier moet je wel Deep Learning voor gebruiken.”
Het project loopt nu twee jaar. Breemen begint nu pas echt mooie resultaten te halen. “Een succesratio van 80 procent is makkelijk haalbaar, maar deze robot moet duizend blaadjes per uur knippen, acht uur per dag voor 180 dagen per seizoen. In die tijd mag de robot maximaal vijf fouten maken. Dat is 5 op de 1,5 miljoen. Om daar te komen, moet je meer data hebben om het model te trainen. Dat is het lastige stuk.”
“In het begin dachten we dat AI-software maken een simpel lineair proces was. Je traint een AI-systeem en daarna heb je een model klaarliggen om aan een robot te geven, maar wát hadden wij dat fout”, vertelt Breemen. “Niks is minder waar. Je moet het systeem blijven trainen voor elke kleine verandering, bijvoorbeeld welk licht er wordt gebruikt.”
Volgens hem is het creëren van AI-systemen juist een continue proces. “Klanten moeten AI dan ook zien als een dienst en niet als een product. We moeten data blijven verzamelen om het AI-model te perfectioneren en toepasbaar te maken in andere situaties.”
Er is één aspect wat daar niet bij kan missen: Je hebt een breed en goed team nodig met verschillende soorten engineers en AI-specialisten, die goed samen werken.”
Als je dit artikel leuk vindt, lees dan ook:
