SCM

Deel via:

De ongekende potentie van machine learning

Machine_learning_goldfish_sap.jpgMachine learning wordt steeds meer een gevestigd begrip. Niet gek wanneer je bedenkt hoeveel potentie machine learning heeft en hoe veelzijdig de toepassingsmogelijkheden zijn. Vooralsnog zie ik dat veel toepassingen ontwikkeld worden voor Finance en HR. Maar in een eerder blog liet ik al zien wat de mogelijkheden zijn buiten deze gebieden, bijvoorbeeld in de foodindustrie.

Kleine foutmarges, hoge kwaliteit

Kwaliteitscontrole en –garantie is cruciaal in de foodsector. Daarover schrijft mijn collega Elmer Kramer een serie blogs. Juist op dit vlak kan machine learning veel betekenen. Zo biedt het bijvoorbeeld een oplossing voor de discrepantie tussen bestelling en levering in het logistieke proces. Foutmarges worden immers steeds kleiner met machine learning en dus gaat de controle ook sneller. Zoals ik eerder schreef speelt betrouwbare labeling hierin een grote rol.

SAPPHIRE NOW

Onlangs presenteerden wij op SAPPHIRE NOW een demo van de toepassing voor een machine learning labelscanner die wij samen met SAP ontwikkelden. De applicatie maakt een foto van een label voor een vleesverpakking met 13 verschillende leespunten zoals productnaam, prijs, gewicht, houdbaarheidsdatum, etc. Dankzij machine learning leest de app alle 13 punten succesvol uit. Dit is een veelbelovend resultaat en een opstap naar vele toepassingen in de toekomst.

Onze samenwerking met SAP op het gebied van machine learning past perfect in SAP Leonardo, het label waaronder SAP vernieuwingen op het gebied van Internet of Things, (IoT), big data, blockchain en machine learning introduceert. Met Leonardo laat SAP zien dat cutting-edge technologie een essentieel onderdeel is van hun portfolio. En machine learning heeft een welverdiende vaste plek in dit label.

Uitdagingen: we zijn er nog niet

Onze succesvolle demo toont de stappen die al gezet zijn om machine learning toe te passen in een productieproces of logistieke setting. Maar er zijn ook nog wat uitdagingen. Om op grote schaal met de snelheid van productie en de complexiteit van labels om te kunnen gaan, moeten machine learning toepassingen nog doorontwikkeld worden. 

Stel dat een labelscanner toegevoegd wordt aan in-line processing tijdens het productieproces, dan kan elk product en elk label direct gescand worden en verlaten foutieve producten de fabriek niet meer. De nieuwe industriestandaard is dat er 200 labels per minuut over de band rollen. Voor het volledig meedraaien, moet een machine learning toepassing dus 200 keer per minuut labels scannen, herkennen, verwerken en de informatie op de juiste manier terugkoppelen. Dit is een flinke uitdaging waar gigantische rekenkracht voor nodig is. 

Ik voorzie daarom dat productiemachines in de toekomst uitgerust worden met machine learing, in plaats van dat het een “losse” toepassing in het labelingproces blijft. Op deze manier kunnen de capaciteiten van de machine en de machine learning toepassing op elkaar worden afgestemd.

Ook de complexiteit van labels is iets waar huidige machine learning toepassingen nog moeite mee hebben. Hiervoor zie ik twee mogelijke oplossingen voor verdere doorontwikkeling. De eerste is gebruik maken van label layout-templates die de toepassing leert. Dan is er een herkenbare en onveranderlijke basis waarbinnen de applicatie vele variaties leert herkennen. Dit vereist echter dat alle labels volgens dat specifieke template ontworpen worden. Geen eenvoudige opgave, gezien de grote aantallen spelers en belanghebbenden die betrokken zijn bij de beslissing over hoe een label er uitziet.

De andere oplossing is de machine learning toepassing alles ‘from scratch’ laten leren. Dus moet de applicatie niet alleen de variaties binnen een bepaald grid leren, maar ook de talloze verschillende grids die er zijn. Dit is vanzelfsprekend een veel complexer proces, maar het creëert wel vrijheid binnen het labelontwerp.

Veelbelovende toekomst

Hoewel deze uitdagingen niet moeten worden onderschat, moeten we ook zeker niet voorbijgaan aan wat er nu al wel mogelijk is met machine learning. Nu het lukt om 13 verschillende punten van een label te lezen, is de volgende stap in de ontwikkeling van de toepassing dat deze de gelezen informatie door vertaalt naar acties. 

Denk bijvoorbeeld aan het sorteren op basis van bepaalde variabelen. Of, belangrijker nog: het rapporteren en laten afvloeien van foutieve producten. Dáár ligt de toekomst en wij kijken uit naar de stappen in deze richting. Bij Goldfish ICT zijn we blij dat we aan deze mooie ontwikkelingen kunnen bijdragen.