Dinsdagavond 21 februari stond in het teken van een online Pancompany Open Meet-up: Artificial Intelligence & Machine Learning, gepresenteerd door onze collega Chris Twigt. Onze collega Danny de Vlam doet verslag.
Chris trapte zijn verhaal af met een aantal voorbeelden waarmee hij liet zien hoe ver AI/ML op dit moment al is. Zo vermeldde hij naast ChatGPT minder bekende voorbeelden als protein folding en een GO ‘bot’. Bij protein folding worden eiwitkettingen als het ware gevouwen om zo tot een 3D model te komen van bijvoorbeeld een virus. Waardoor gerichter medicijnen gemaakt kunnen worden die dat virus dan aanpakken. Met GO versloeg een ‘bot’ de 17-voudig kampioen. Wat heel bijzonder is omdat in GO meer combinaties van zetten mogelijk zijn dan een computer kan berekenen.
Na de opening gaf Chris aan dat we het vooral gingen hebben over beeldherkenning. Zo liet hij zien dat je een machine kan leren om objecten te herkennen. Ook heeft hij het gehad over object tracking, waarbij je object herkenning in een filmpje gebruikt. Zo zag je in het voorbeeldfilmpje dat er mensen op een plein werden gevolgd en gelabeld tot ze weer uit beeld waren.
Hierna vertelde Chris over zijn toepassing bij Tata Steel en hoe hij een probleem dat er al 10 jaar speelt opgelost heeft met AI/ML.
De situatie is als volgt:
- Staalrollen komen ‘warm’ uit de fabriek (900+ graden! en moeten snel op een trein worden geladen. Het merendeel van de rollen staat dus niet netjes recht opgestapeld op deze treinen.
- Staalrollen komen met een trein een andere fabriek binnen op het terrein van Tata Steel. Dit gebeurt 24/7.
- Elke staalrol heeft een uniek nummer dat aangeeft waar in het magazijn de rol heen moet. Een grote kraan (met operator) doet dat werk.
- Nummers worden door een kraanoperator bekeken op een oude camera en daarna handmatig ingevoerd zodat de kraan ze op de juiste plek brengt.
- Een foutje kan veel geld kosten omdat een rol dan wellicht bij een verkeerde klant terecht komt.
Deze uitdaging inspireerde Chris om met AI/ML aan de slag te gaan. Aan de hand van OCR (Optical Character Recognition) trainde hij een AI om cijfers te gaan herkennen op staalrollen. Dit bracht nog wel de nodige uitdagingen met zich mee, namelijk:
- Wat is nou een staalrol en wat is nou een trein.
- Cijfers stonden niet altijd recht en werden niet goed herkend.
- Live beeldmateriaal gaat veel sneller dan stille beelden waardoor voorspellingen niet klopten.
Chris deelde hoe hij al deze uitdagingen getackeld heeft. Stap 1 is dat je een AI flink moet trainen. Je moet aangeven wat een staalrol is, wat een asgat is en deze informatie voeden aan je AI. Daarnaast moet een AI ook weten hoe hij het cijfer moet herkennen, want cijfers die schuin stonden worden niet altijd goed herkend.
Nog een uitdaging was de dataset, immers een grotere dataset is beter voor de training. Hiervoor had Chris een programmaatje geschreven dat cijfers willekeurig op een rol plakt en de plaatjes dan voedt aan de AI. Op die manier kon hij dus een hele grote dataset maken.
Qua snelheid hoef je niet met HD-materiaal te werken maar kan je het downscalen naar een slechtere resolutie waardoor de verwerking sneller gaat. De computer is nog steeds in staat het te herkennen.
Na deze voorbeelden liet Chris zien hoe dat dan er bij Tata Steel uitziet, waarin je in een filmpje zag dat de AI staalrollen en cijfers herkende en een handmatig proces uiteindelijk heeft kunnen automatiseren.
Een heel inspirerende avond waarin ik veel heb geleerd.