Samenwerking centraal tijdens eerste AI Summit Brainport

Samenwerking centraal tijdens eerste AI Summit Brainport: ‘Het is een teamsport’

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 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.
 

“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.”

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.”

Albert van Breemen, CEO en CTA van AI-engineering bedrijf VBTI

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.