Altair gebruikt AI om samenwerking binnen productiebedrijven te verbeteren

Tijdens de Hannover Messe werd duidelijk waarom Altair – bekend van onder andere ontwerp- en simu­la­tie­soft­ware – de afgelopen jaren bedrijven als Rapid­Miner en World Program­ming heeft over­ge­nomen. Samen met intern ontwik­kelde tech­no­logie heeft het bedrijf nu al zijn oplos­singen op het gebied van Arti­fi­cial Intel­li­gence gebundeld en opnieuw in de markt gezet onder de naam Rapid­Miner. Het resultaat noemt Altair ‘Fric­ti­on­less AI’. Hiermee wil het bedrijf een oplossing aandragen die gebruikt kan worden om de samen­wer­king tussen engineers onderling en engineers en bijvoor­beeld finan­ciële en marke­ting­mensen binnen hun orga­ni­satie te verbeteren.

Lastige problemen

Friction ofwel wrijving is in veel indu­striële onder­ne­mingen een lastig probleem, omdat het de digitale trans­for­matie in indu­striële bedrijven ernstig belemmerd of zelfs onmo­ge­lijk maakt. Meestal wordt met friction bedoeld dat data die – bijvoor­beeld – mecha­nical engineers genereren en gebruiken niet of niet goed door bijvoor­beeld produc­tie­me­de­wer­kers of sales­mensen kan worden gebruikt.

Het bedrijf noemde tijdens een presen­tatie op de Hannover Messe een aantal voor­beelden van dit soort dataproblemen: 

• Spraak­ver­war­ring tussen data-analisten en domein­ex­perts omdat de betekenis van gegevens niet goed is vast­ge­legd, waardoor beide groepen een andere inter­pre­tatie van een bepaald type data hebben.
• Gebrek aan kennis of bureau­cratie over de vraag wie toegang heeft tot welke gegevens.
• Onvol­le­dige, slordige of niet goed gefor­mat­teerde gegevens.
• In orga­ni­sa­ties waar al met machine learning wordt gewerkt, ontstaat vaak verwar­ring over de vraag waar machine learning-modellen moeten worden uitge­voerd en hoe ze moeten worden geïmplementeerd.
• Data-experts die gewend zijn te werken met klassieke data analytics-tools zijn vaak niet goed   opgeleid voor het gebruik van bijvoor­beeld machine learning-modellen.
• Vaak hebben bestaande software-tools processen of proce­dures bepaald en is het lastig om processen te veran­deren omdat de bestaande program­ma­tuur die nieuwe processen niet goed ondersteunt.
• Een digitale trans­for­matie gaat vaak gepaard met vallen en opstaan, waarbij tal van nieuwe tools worden uitge­pro­beerd die tijdens de proeffase al bestaande processen beïn­vloeden. Wordt na de proef­pe­riode besloten die tool toch niet aan te schaffen, dan is de kans groot dat de steun van mede­wer­kers voor de benodigde veran­de­ringen afbrok­kelt en neemt bovendien ook de kwaliteit van de bestaande processen verder af.

Bij Altair onderkent men dat zeker voor kleinere en middel­grote produc­tie­be­drijven dit soort problemen grote uitda­gingen zijn. Al deze punten zijn ieder op zich al stevige obstakels voor een bedrijf dat wil moder­ni­seren, laat staan als er meerdere van dit soort problemen tege­lij­ker­tijd gaan spelen. Wat de situatie nog eens extra complex maakt, is dat software voor data-analyse ook als dit soort problemen bestaan, nog steeds gebruikt wordt. Ze lijken namelijk nog steeds te voldoen. Ware het niet – zoals Altair’s Chief Tech­no­logy Officer Sam Maha­lingam het in een blog omschrijft – dat de resul­taten van zo’n analyse eigenlijk nauwe­lijks waarde voor het bedrijf hebben. Vaak worden dan vooral appels en peren met elkaar verge­leken, zonder dat er – zeg maar – tech­ni­sche of zakelijke waarde uit de analyses ontstaat. 

Tools en kennis

Met Rapid­Miner verwacht Altair voor veel – ook kleinere produc­tie­be­drijven – een oplossing voor dit probleem te kunnen bieden. Het Rapid­Miner-platform zoals het bedrijf dit op de Hannover Messe demon­streerde, is hierbij overigens niet enkel en alleen een op AI geba­seerde soft­wa­re­om­ge­ving. Belang­rijk is namelijk ook kennis en opleiding. Altair heeft hiervoor een zogeheten Center of Excel­lence (CoE) programma opgesteld. CTO Maha­lingam gaf in de eerder genoemde blog aan dat het door Altair over­ge­nomen bedrijf Rapid­Miner als een van de eerste aanbie­ders een proces heeft ontwik­keld dat data-onvol­wassen bedrijven helpt om zich om te vormen tot een orga­ni­satie die handelt op basis van data. Dit proces iden­ti­fi­ceert welke projecten, processen of andere pijn­punten binnen de orga­ni­satie als eerste aangepakt moeten worden. Daarbij wordt een analyse gemaakt van de vaar­dig­heden die de betrokken tech­ni­sche en business teams nodig hebben om zelf data-analy­se­pro­blemen te kunnen aanpakken. Met oplei­dingen vult men vervol­gens kennisla­cunes in.

Rapid­Miner omvat verder een op cloud- en AI-tech­no­logie gebaseerd soft­wa­re­plat­form dat het opzetten en uitvoeren van data-analyses versnelt. Simpel gezegd, het helpt iedereen binnen de orga­ni­satie om toegang tot gegevens te krijgen, te begrijpen wat deze data betekent en hoe deze data zo omgevormd moet worden dat er zinvolle analyses mee gemaakt kunnen worden. Bovendien kunnen deze analyses geau­to­ma­ti­seerd worden en kunnen met de software machine learning-modellen worden gebouwd. Deze modellen zijn daarbij niet theo­re­tisch van aard maar kunnen recht­streeks in een produc­tie­om­ge­ving worden toegepast. 

Data leren begrijpen

Met name het feit dat Rapid­Miner in staat is gebrui­kers te helpen om data te begrijpen en in het juiste format te krijgen, biedt moge­lijk­heden. Alleen als data uit tal van bronnen en systemen met elkaar gere­la­teerd kan worden, is het immers mogelijk om – bijvoor­beeld – patronen in grote hoeveel­heden data te ontdekken. Dit format­teren en met elkaar koppelen van data gebeurt bij Altair met de hulp van tien­tallen connec­toren die inter­faces mogelijk maken met tal van software-omgevingen. 

Daarmee legt het platform de kracht van data-analyse in handen van degenen die het probleem het beste kennen, zodat er geen inge­wik­kelde discus­sies kunnen ontstaan tussen bijvoor­beeld data-experts en domein­ex­perts. Tege­lij­ker­tijd is duidelijk wat de betekenis van data is en hoe deze gebruikt kunnen worden. Doordat Rapid­Miner ook no-code-func­ti­o­na­li­teit biedt (via Auto ML) voor begin­nende gebrui­kers, maar ook de moge­lijk­heid biedt om desnoods zelf een analyse-appli­catie te coderen, is het mogelijk om relatief simpele apps te ontwik­kelen voor het verwerken van data, maar ook uitge­breide toepas­singen die bijvoor­beeld op bedrijfs­ni­veau analyses en rapporten mogelijk maken.