AI is vak apart dat nog volwassen moet worden

“Ik startte mijn loopbaan bij Philips Medical Systems waar ik werkte aan 3D-visualisatie voor MR en CT,” vertelt Remco. “Vanuit die divisie van Philips ging ik over naar FEI en daar droeg ik bij aan de eerste elektronenmicroscopen die werden geautomatiseerd. Daar gebruikte ik mijn kennis van beeldverwerking die ik tijdens mijn PhD in astronomie had opgedaan voor het ontwikkelen van slimme algoritmes voor 3D reconstructie. “

Thermo Fisher Scientific’s AI Center of Excellence

“Na groepsleider te zijn geweest van de applicatie software group en onderzoek te hebben gedaan naar cloud computing, werd ik groepsleider van het Digital Science researchteam. Daar deed ik onderzoek naar nieuwe algoritmes en dat werd uiteindelijk AI. Op dat moment werd FEI overgenomen door Thermo Fisher Scientific, een wereldwijd opererend bedrijf dat enorm groot en divers is. Daardoor verschoof mijn rol naar de strategie kant. Ik ben nu ook coördinator van het AI Center of Excellence voor het gehele bedrijf.”

Zorgen voor kennisdeling AI binnen de organisatie

“Vanuit het Center of Excellence zorg ik ervoor dat mensen met elkaar praten, dat er een netwerk ontstaat van mensen die allemaal aan dit onderwerp werken en dat zij kennis met elkaar delen. Het gaat daarbij over allerlei onderwerpen, niet alleen over elektronenmicroscopen maar bijvoorbeeld ook over chemische analyse, massaspectometrie, specialty diagnostics en ga zo maar door.”

AI in elektronenmicroscoop Metrios AX

“In mijn rol als Director Digital Science voor de elektronenmicroscopen divisie bepaal ik mede de digitale strategie. Mijn team kijkt naar wat voor ontwikkelingen relevant gaan worden, waar we moeten induiken en wat we moeten toevoegen aan onze bagage. We hebben al een aantal producten op de markt met daarin AI-algoritmes. Een voorbeeld daarvan is onze Metrios AX. Dat is een elektronenmicroscoop die wordt gebruikt in de halfgeleiderindustrie voor metrologie en het bepalen van critical dimensions.”

Niet langer afhankelijk van handelingen operators voor inzoomen

“Allereerst moet je een soort biopt te nemen uit een wafer. Dat doe je misschien wel tien keer, je legt de biopten op een preparaat drager en die gaat de elektronenmicroscoop in. Die biopten ofwel lamellen, moet je vervolgens eerst terug vinden. Als je er één hebt gevonden dan moet je die netjes oriënteren, erop inzoomen en er nog een keer op inzoomen, dan pas kun je de beelden opnemen alvorens je weer op zoek gaat naar de volgende lamel. Een soort Google Earth eigenlijk maar dan op nanoschaal. Dat werd door operators gedaan maar als je 24/7 draait, dan zou je eigenlijk niet van mensen afhankelijk moeten zijn.”

Mechanisme dat klant zelf in staat stelt AI te trainen

“We hebben nu een AI ontwikkeld dat lamellen en interessante features kan herkennen. Die zullen bij elke klant anders zijn en bovendien heb je in de semicon industrie te maken met bedrijfsgevoelige informatie. Dat betekent dat de AI door de klant zelf getraind moet kunnen worden. We hebben daarom een mechanisme ontwikkeld zodat de klant AI zelf kan trainen.”

AI in softwarepakket Amira

“Een ander voorbeeld is de meer algemene training en visualisatie. Thermo Fisher biedt niet alleen elektronenmicroscopen maar ook software. Amira is één van de bekendste wetenschappelijke 3D visualisatie pakketten op deze planeet. Dat wordt al tientallen jaren gebruikt door onderzoekers op bijvoorbeeld het vlak van microscopie of materiaalkunde om beelden te visualiseren.. Daar is AI ook in doorgedrongen.”

AI-algoritme dat organellen herkent

“Als onderzoekers telkens dezelfde settings aan het instellen zijn, dan vragen zij zich op den duur af: ‘waarom ben ik dit aan het doen?’. De AI-component in de Amira software zorgt ervoor dat wanneer een klant een aantal van dezelfde objecten laat zien, de software die herkent, bewerkt en segmenteert. Een voorbeeld van een toepassing waarvoor dat handig is, is bijvoorbeeld wanneer je organellen in cellen wilt bekijken. Een bekend soort zijn bijvoorbeeld de mitochondriën, dat zijn eenvoudig gezegd de energieomzetters van de cellen. Als mens herken je die meteen, als je er drie hebt gezien dan herken je ze allemaal. Het heeft een heel duidelijke structuur maar neemt verschillende vormen aan. Voor een klassiek algoritme is het niet te doen, maar een AI heeft het zo door.”

AI is vak apart dat nog moet groeien naar volwassenheid

“AI moet je in wezen zien als een stuk gereedschap, net als software eigenlijk maar AI is geen software. Als het een lerend aspect bevat dan praat je over AI. Het is echt een vak apart. Juist vanwege het data aspect en de benodigde domeinkennis. Een vak dat, wanneer je het vergelijkt met software engineering, nog in de kinderschoenen staat en moet groeien als het gaat om volwassenheid. Zo moet je een algoritme met veel minder data kunnen gaan trainen. Waarom moet ik een AI bijvoorbeeld vijftig foto’s laten zien terwijl een mens er maar twee nodig heeft? Die groei naar volwassenheid geldt zowel voor de technologie, processen en methodes als voor een generatie AI-deskundigen die moet worden opgeleid.”

Europees ASIMOV-project mooiste voorbeeld tot nu toe

“Het mooiste voorbeeld van een AI-project tot nu is een project waarmee we nog moeten gaan starten. Het betreft het ASIMOV project, een Europees project waarbij achttienpartijen betrokken zijn en waarvan Thermo Fisher Scientific initiator en consortium leider is. Vier van de betrokken partijen zijn afkomstig uit Brainport Eindhoven. Het betreft TU/e (EAISI) , TNO en CQM en wijzelf.”

Hightech systemen in optimale staat houden door AI

“Wat we willen onderzoeken is of AI’s hightech cyber-physical systems zoals onze elektronenmicroscopen in optimale staat kunnen houden. Deze systemen zijn heel gevoelig. We maken op atoomschaal beelden. Afwijkende omgevingscondities of minimale wijzigingen zorgen al voor verstoring. Het apparaat moet daarom altijd gekalibreerd worden. Dat gebeurt nu door operators die getraind zijn om dat te doen. Het kost hen vele dagen aan trainingen om dat helemaal onder de knie te krijgen.”

“Het project houdt in dat we AI’s trainen om de microscopen te kalibreren. Theoretisch gezien kan dat door een Digital Twin te maken van de onderdelen en processen die hij moet kunnen controleren en beheersen zodat het model het juiste gedrag vertoont en die we zo kunnen maken dat het op de juiste manier reageert. Dan kunnen we daarop de AI trainen. Dat gaat veel sneller en efficiënter dan op het echte instrument. Als het goed functioneert op de Digital Twin dan kunnen we het nog een paar keer trainen op het echte instrument om te checken dat het daarop ook lukt.”

AI’s trainen met behulp van Digital Twin

“Het project houdt in dat we AI’s trainen om de microscopen te kalibreren. Theoretisch gezien kan dat door een Digital Twin te maken van de onderdelen en processen die hij moet kunnen controleren en beheersen zodat het model het juiste gedrag vertoont en die we zo kunnen maken dat het op de juiste manier reageert. Dan kunnen we daarop de AI trainen. Dat gaat veel sneller en efficiënter dan op het echte instrument. Als het goed functioneert op de Digital Twin dan kunnen we het nog een paar keer trainen op het echte instrument om te checken dat het daarop ook lukt.”

Tot stand gekomen door samenwerking in Brainport

“Dat concept resoneerde ook heel goed bij andere bedrijven zoals bij een bedrijf in Duitsland dat zich bezighoudt met autonome voertuigen en een bedrijf in Finland dat opereert in de papier- en pulpindustrie. We hebben recent te horen gekregen dat dit project gesubsidieerd wordt. Door de goede contacten die we hebben in Brainport Eindhoven zijn we erin geslaagd om dit balletje te laten rollen en het van de grond te krijgen.”

Benodigde ingrediënten om AI een stap verder te brengen

“Naast dit samenwerkingsverband werken we nog in heel veel andere settings samen zoals het Efficiënt Deep Learning verband. De kracht van samenwerking zit voor mij in het verkrijgen van verse, nieuwe inzichten. De elektronenmicroscopen tak van Thermo Fisher Scientific is één van de meest geavanceerde hightech takken van ons bedrijf, wat dat betreft zitten we hier in de regio goed. Er vindt hier heel veel kruisbestuiving plaats. Om AI samen verder te brengen, is het belangrijk om scherp te hebben wat AI betekent voor de klant. Daarnaast moet fundamenteel onderzoek goed geborgd zijn en moet de industrie op weg geholpen worden, met distributie van AI, het professionaliseren, en het in de hand houden van AI. Als Nederland hebben wij een enorme potentie op onze universiteiten. Het is belangrijk te investeren in relatie, tijd, aandacht en geld.”