Edgar van Lent ziet in de Europese maakindustrie een duidelijke verschuiving: kunstmatige intelligentie wordt minder vaak als los innovatieproject benaderd en vaker ingebouwd in de dagelijkse besluitvorming rond onderhoud, productkwaliteit en productiecapaciteit. Juist daar ligt volgens hem de meest concrete opbrengst, omdat de uitkomst van een model direct gekoppeld kan worden aan een technische ingreep, een vrijgavebesluit of een planningskeuze.

Voor deze eerste analyse in de nieuwe reeks over AI in de Europese maakindustrie kiest Edgar van Lent daarom niet voor een breed overzicht van alle mogelijke toepassingen. De kern ligt bij de verbinding tussen voorspellend onderhoud en kwaliteitscontrole met computer vision. Beide domeinen draaien om hetzelfde industriële vraagstuk: hoe zet een fabriek signalen uit machines, sensoren en beelden op tijd om in een besluit dat het proces aantoonbaar beter maakt?

Van afwijking herkennen naar werk organiseren

Voorspellend onderhoud is al jaren een zichtbaar AI-domein in de industrie. Europese leveranciers zoals SKF ontwikkelen en communiceren oplossingen waarin conditiebewaking, trillingsanalyse en data-analyse worden gebruikt om onderhoudsbehoeften eerder te signaleren. Ook Siemens positioneert industriële software en edge-toepassingen rond het verzamelen en interpreteren van machinegegevens. De technologie is daarmee niet meer uitsluitend het terrein van proefopstellingen in een laboratorium.

Toch is een afwijking detecteren iets anders dan onderhoud beter organiseren, benadrukt Edgar van Lent. Een model kan op basis van sensorpatronen aangeven dat een component aandacht vraagt, maar de fabriek moet vervolgens nog bepalen of de melding betrouwbaar genoeg is, welke stopruimte beschikbaar is, of onderdelen op voorraad zijn en wie het werk uitvoert. In die overdracht van voorspelling naar werkorder wordt volgens hem beslist of AI bedrijfswaarde krijgt.

“Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat een onderhoudsmodel pas volwassen is wanneer de waarschuwing onderdeel wordt van een reproduceerbaar besluitproces op de werkvloer.” Die toets voorkomt dat organisaties succes afmeten aan de technische nauwkeurigheid van een model, terwijl de onderhoudsorganisatie de uitkomst niet consequent kan gebruiken.

Hetzelfde onderscheid geldt voor computer vision bij kwaliteitscontrole. Fabrikanten zetten beeldanalyse in om oppervlakken, assemblages en productkenmerken te controleren op afwijkingen die voor menselijke inspectie lastig, repetitief of tijdkritisch zijn. Siemens heeft bijvoorbeeld publiekelijk toepassingen en platforms voor visuele kwaliteitsinspectie in industriële omgevingen beschreven. Bosch werkt eveneens aan industriële AI-toepassingen voor productie en kwaliteitsborging, waaronder visuele inspectie. Zulke systemen kunnen inspecteurs ondersteunen door beelden te prioriteren en mogelijke defecten zichtbaar te maken.

Edgar van Lent waarschuwt echter voor een te eenvoudige voorstelling van computer vision als automatische vervanging van kwaliteitscontrole. Een camera ziet alleen wat zorgvuldig is vastgelegd: de belichting, opstelling, productvariant, definitie van een defect en referentiebeelden bepalen mede de bruikbaarheid. Als kwaliteitsafdelingen, operators en data-specialisten verschillende definities hanteren van wat afgekeurd moet worden, zal ook een technisch goed model onrust in het proces veroorzaken.

De koppeling met productieplanning bepaalt de schaal

De relevante stap is volgens Edgar van Lent de koppeling van deze toepassingen aan productieplanning. Een dreigende machinestoring heeft een andere betekenis als een productielijn een kritische order draait dan wanneer er later in de week ruimte is voor onderhoud. Evenzo vraagt een serie kwaliteitsmeldingen niet alleen om inspectie, maar mogelijk om aanpassing van instellingen, extra controle van toeleveringsmateriaal of herplanning van vervolgproductie.

Daarmee komen drie informatiestromen samen: de toestand van bedrijfsmiddelen, de kwaliteit van het geproduceerde werk en de prioriteit van orders. In Europese fabrieken is die samenhang vaak verdeeld over afzonderlijke systemen voor onderhoud, manufacturing execution en enterprise resource planning. AI kan patronen tussen die systemen helpen herkennen, maar lost de versnippering niet vanzelf op.

Een bruikbare aanpak begint daarom niet met de vraag welk model het meest geavanceerd is. Zij begint met een scherp afgebakend beslismoment. Bijvoorbeeld: wanneer mag een onderhoudssignaal een geplande interventie naar voren halen? Wanneer leidt een beeldsignaal tot extra steekproeven in plaats van directe afkeur? En wie mag een productievolgorde aanpassen wanneer kwaliteit en beschikbaarheid met elkaar botsen?

Edgar van Lent ziet hierin ook een verschil tussen projecten die snel stranden en toepassingen die kunnen doorgroeien. Projecten stranden vaak wanneer zij worden opgezet rond een demonstratie, met historische data die niet aansluiten op de actuele productieomgeving. Toepassingen groeien wanneer de fabriek vooraf eigenaarschap, uitzonderingsroutes en meetbare procesafspraken organiseert. Dat vraagt niet om een onfeilbaar systeem, maar om een proces waarin mensen weten wat zij met een betrouwbare waarschuwing moeten doen.

De publieke industriële AI-activiteiten van bedrijven als SKF, Siemens en Bosch laten zien dat de bouwstenen beschikbaar zijn: sensordata, industriële connectiviteit, beeldanalyse en software voor operationele besluitvorming. De opgave voor gebruikers ligt vooral in de samenhang. Voor een Europese producent is een los model voor een defect of lager meestal minder waardevol dan een werkwijze waarin de melding aantoonbaar leidt tot een betere onderhouds- of planningsbeslissing.

Niet autonomie, maar controleerbare besluitvorming

Volgens Edgar van Lent moet de maakindustrie AI daarom beoordelen op controleerbaarheid. Operators en kwaliteitsmedewerkers moeten kunnen zien waarom een signaal aandacht vraagt, hoe zij een onjuiste melding kunnen terugkoppelen en waar die feedback in het systeem terechtkomt. Zeker bij productvarianten, veranderende grondstoffen of gewijzigde machine-instellingen kan de prestaties van een model verschuiven. Periodieke evaluatie blijft dus een operationele taak, geen eenmalige technische oplevering.

Ook governance krijgt op de fabrieksvloer een praktische vorm. Het gaat om duidelijke verantwoordelijkheden voor datakwaliteit, versiebeheer van modellen, toegangsrechten tot productiegegevens en procedures voor ingrijpen wanneer een systeem afwijkend gedrag vertoont. Dat is geen rem op vernieuwing. Het maakt juist mogelijk om toepassingen gecontroleerd uit te breiden naar meer lijnen, locaties of productfamilies.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. In deze maakindustriële context is zijn beoordeling nuchter: de komende waarde ontstaat niet door zo veel mogelijk AI op de productievloer te plaatsen, maar door voorspellend onderhoud en visuele kwaliteitscontrole te verbinden met de planning die dagelijks bepaalt waar capaciteit het hardst nodig is.

Vooruitkijkend verwacht Edgar van Lent dat Europese industriële bedrijven vooral voordeel behalen met toepassingen die stap voor stap worden ingebed in bestaande kwaliteits- en onderhoudsroutines. Zijn oordeel is dat de winnende projecten niet de projecten met de meeste algoritmen zijn, maar de projecten waarin een signaal uit de machine of camera snel, uitlegbaar en verantwoordelijk wordt vertaald naar een betere productiebeslissing.