Beschuitjes bakken met Artificial Intelligence

11 juni 2024 Antal Giesbers
Bolletje en Qing werken aan  AI in het productieproces. Hier lees je over wat daarbij kwam kijken en hoe ze The loop hebben gesloten. Oftewel hoe je van een ongebreidelde hoeveelheid data chocola - eh - beschuitjes maakt. 

Bolletje wil het productieproces efficiënter en effectiever uitvoeren door AI te laten meekijken, beoordelen en ingrijpen in de productie van de beschuitjes, en daarna met voorspellende scenario’s de productie te optimaliseren. Financieel directeur van Bolletje Roel Veld en managing director Bram de Vrught van Qing Forward Engineering gaan nu verder de diepte in over hun gezamenlijke proces.   

Over de aanleiding van het project vertelt Veld: “Consumenten zijn eraan gewend dat er dertien exact dezelfde beschuitjes in een pak zitten. Maar ze hebben niet door wat daar bij komt kijken. Want we maken gebruik van natuurlijke grondstoffen, die bij elke oogst verschillen. Willen wij consistentie garanderen, dan moeten we in het productieproces continu bijsturen. Tot nu toe was de kwaliteitsbeoordeling in handen van medewerkers met veel kennis en ervaring, die de machines goed inregelen. Zij nemen proeven en passen op basis daarvan de machines aan. Het precies dàt proces waar we nu AI voor willen inzetten: we willen onze data dusdanig opwaarderen dat het leidt tot daadwerkelijke stuurinformatie, waarmee we ook gaandeweg de kennis en ervaring van de medewerkers via AI kunnen borgen.”

Eigen aan de voedingsmiddelenindustrie is dat je altijd moet omgaan met die diversiteit aan producten, zegt De Vrught: “Zoals geen enkele appel hetzelfde is, zo is geen enkele oogst die wij binnenkrijgen gelijkwaardig aan de vorige. Het is essentieel dat de automatisering van je keurings- en productieproces niet leidt tot inflexibiliteit: het systeem moet met die diversiteit om kunnen gaan. Als je het hebt over menselijk handelen, dan is dat wat mensen goed doen: snel en flexibel reageren op veranderingen. Dat bestaat uit drie stadia: see, think, act - zien, denken en handelen. Die drie dingen moeten wij zien te automatiseren. Het zien door de installatie van camera’s en meetsystemen, het denken wordt uitgevoerd door AI, en het handelen door robotisering. Met als doel: stabiel en voorspelbaar produceren.”

Het begint met data

“Wil je dat doen, dan heb je data nodig van de grondstoffen, het proces en de objectieve kwaliteit van de productie tijdens én aan het eind van het proces”, vertelt De Vrught. “We halen met behulp van camera’s de data van het productieproces binnen. Dat levert objectieve informatie op over de kwaliteit - en op basis daarvan kan AI continu gaan bijsturen. Zo krijg je het proces beter onder controle. Je bent minder afhankelijk van de menselijke impact, die nooit volledig te beheersen is, en je kunt tot een beheersbare, constante kwaliteit komen.”

Bolletje deed al heel wat met data, vertelt Veld: “We gebruiken externe data om te bepalen wat de performance van een product is in het retailkanaal. Zo kunnen we bijsturen op het gebied van sales en marketing, supply chain planning en operations. Daarmee creëren we schappenplannen en introductie-analyses - daar heeft ook retail veel baat bij. Daarnaast hebben we inefficiëntie in het orderpicken en transport teruggebracht, zodat we minder lucht transporteren. En we konden de hoeveelheid afval terugdringen. Maar er was ook een ongebreidelde hoeveelheid data, en we hadden behoefte die onder controle te brengen, zodat we die in kunnen zetten in onze operatie. Het komt er dus op neer dat we grip willen hebben op onze data, dat we deze onderbrengen in één systeem waaruit stuurinformatie kan worden gehaald, en tot slot het creëren van analyse- en scenario-berekeningen.”

“Wil je grip krijgen op de efficiëntiey in de operatie, dan is de eerste stap dat je de juiste data verzamelt”, zegt De Vrught. “Daarna moet je je data koppelen aan wat het doet met het product. Die stap zijn we nu aan het zetten: met behulp van AI gaan we elk product objectief beoordelen. De laatste stap is om toekomstvoorspellingen te genereren op basis waarvan je kunt sturen.”

Consumenten zijn eraan gewend dat er dertien exact dezelfde beschuitjes in een pak zitten

Close the loop

In het project moeten productdata, procesdata en voorspellende scenario’s onlosmakelijk aan elkaar gekoppeld zijn. Bolletje en Qing noemen dat ‘close the loop’, en daar zijn ze druk mee bezig.

“De procesdata hebben we al onder controle”, zegt Veld. “Nu voegen we productdata toe. Die combinatie stelt je in staat om het proces continu op basis van je data te verbeteren en te ontdekken waar het misgaat en waarom. Als je die twee factoren onder controle hebt, kun je gaan voorspellen en scenario’s opstellen. dat is de derde factor. AI is daarbij een versneller.”
Qing gelooft daarbij erg in een gefaseerde aanpak, zegt De Vrught: “Wij krijgen heel vaak de vraag: kunnen jullie niet alles in een keer automatiseren? Maar dat is een heel complex proces dat veel onzekerheid met zich meebrengt. Dus zeggen wij: laten we dit in kleine stappen implementeren, waarbij elke stap al business value genereert. Bij Bolletje betekent dat: eerst moet het systeem in staat zijn om het product te herkennen, daarna ga je het voeden met informatie over welke producten afgekeurd worden, daarna ga je checken of het systeem de juiste beoordeling maakt, et cetera. Je kunt wel meteen naar de top van Mount Everest willen, maar begin eerst maar eens met base camp 1  te bereiken.”

Samen weet je meer

In dit project komen de kennis en kunde van beide bedrijven samen om het tot een succes te brengen, zegt De Vrught: “Wij zijn geen expert in beschuitjes bakken, wij zijn expert in development. Maar die twee lagen zijn wel onlosmakelijk met elkaar verbonden. Bolletje heeft alle expertise over het product en het proces, en dat bepaalt hoe wij technologisch de uitdagingen gaan oplossen. Dat kunnen we niet zonder de expertise van Bolletje te integreren.”

Een belangrijke voorwaarde voor het slagen van het project is acceptatie, zegt Veld: “We beginnen met dit project omdat het beheersbaar is en betaalbaar. Maar daarnaast gaat het erom dat de inzet van AI wordt geaccepteerd op de werkvloer.”

“Dat is essentieel”, vult De Vrught aan. “Als innovatie faalt ligt het vaak aan de mensen.” 
“Daarom hebben we de medewerkers van Bolletje actief bij het project betrokken”, vervolgt Veld. “Dit project staat of valt met hun bijdrage, want zij hebben de kennis en kunde in huis. Door ze erbij te betrekken, voelen de mensen zich juist gewaardeerd. Daarmee bind je mensen in plaats van dat ze denken overbodig te worden. We merken juist dat zij graag hun bijdrage leveren, omdat zij zien dat dat resultaat heeft. Ze merken zelfs dat ze meer weten dan ze dachten.”

Risico-management

Veld wijst erop dat risicomanagement een belangrijke rol speelt in deze gefaseerde aanpak. “Daardoor ben je in staat om al vanaf het begin het risico beheersbaar te maken. Maar ook: je kunt al vrij snel waarde voor de business creëren. Een testopstelling kost natuurlijk geld, maar verlaagt wel het risico. Bij de eerste pilot wordt er al wat waarde gecreëerd, en als je gaat integreren, dan levert het echt geld op voor de business.

“Ons doel is om met de inzet van AI stabiel en voorspelbaar te gaan produceren”, zegt De Vrught. “In dat proces heb je draagvlak nodig van de mensen die ermee moeten werken. Daarom hebben we vanaf het begin mensen uit verschillende lagen van de Bolletje-organisatie erbij betrokken. Gezamenlijk hebben we de hele productielijn onder de loep genomen en gekeken: hoe loopt het, wat zijn de issues en waar worden die door veroorzaakt? Dat leidde tot een uitgebreid stroomschema met alle kansen, uitdagingen en risico’s, plus mogelijke vervolgstappen. Wil je aan het eind van het proces in staat zijn om slechte beschuitjes eruit te halen, dan moet je dat proces opdelen in kleine stappen, van zien, beoordelen naar handelen."

See, think, act

De beoordeling of een beschuitje goed of slecht is, dat kan een computer niet uit zichzelf beoordelen, zegt De Vrught. “Voor die validatie is nog steeds de menselijke maat nodig, die zegt: dat is fout. Hoe leert de AI dat? Wat wij doen, is pakweg duizend foto’s verzamelen van beschuitjes. De helft daarvan beoordelen op kwaliteit: is het beschuitje okay of niet? Die beoordeling voeden we in het systeem, en daarmee laten we het de overige vijfhonderd afbeeldingen beoordelen. Zo kunnen we zien of het systeem de juiste beoordeling maakt, of dat voldoende is en wat we moeten doen om het beter te krijgen.”

“We kunnen dan gaan kijken waar in het systeem de productiefouten ontstaan”, vult Veld aan. “Dat is nog niet geautomatiseerd, maar onze mensen kunnen wel de correlatie maken. Als het bijvoorbeeld om snijmesfouten gaat, dan kun je zien waar het probleem ontstaat, wat de oplossing is en hoeveel tijd het gekost heeft om die problemen op te lossen. Met die informatie kunnen ze langzamerhand verder gaan automatiseren om de lijn verder te verbeteren. Intussen: als we toch aan het kijken zijn en we zien dat een beschuitje niet aan de eisen voldoet, dan kan het systeem die er straks wel meteen uithalen. Zo bespaart het al meteen op manuele kosten en leidt het tot een daling van voedselverspilling.” 

Volgende fase

Veld wijst erop dat Bolletje nog maar aan het begin van het traject staat. “We zijn inmiddels een jaar bezig, en we denken dat we aan het eind van het jaar de robotisering met AI kunnen integreren. De derde stap is dan het creëren van voorspellende scenario’s op basis waarvan het systeem proactief kan sturen.”

“We moeten eerst voldoende goede data verzamelen van een systeem dat in staat is om de juiste beoordelingen te maken en de juiste beslissingen te nemen”, zegt De Vrught. “Met die data kunnen we dan een model bouwen. Je moet eerst met historische data de huidige situatie kunnen nabootsen: geeft dat model dezelfde uitkomst als de werkelijkheid, dan weet je dat het model ook scenario’s voor de toekomst kan voorspellen.” 

Roel Veld
2020 - heden  Bolletje
2018 - 2020      Euroma
2016 - 2018       Fishmasters
2013 - 2016       Ausnutria Hyproca
2004 - 2013      FrieslandCampina

Altijd op de hoogte blijven?