De cruciale rol van het middenmanagement bij het benutten van AI in de maakindustrie

De AI-top in Parijs markeerde een duidelijke koerswijziging richting grootschalige investeringen, doordachte risico’s en tastbare AI-resultaten voor bedrijfsleven en samenleving. Een belangrijk signaal voor leiders in de maakindustrie om hun AI-strategie te heroverwegen – zelfs in uitdagende tijden, bij wisselende vraag en geopolitieke spanningen.

Het EU AI Champions-initiatief van de AI-top wordt ondersteund door een breed scala aan bedrijven en investeringsbeloftes van 150 miljard euro, aangevuld met 50 miljard euro van de EU voor AI in Europa. Ondertussen is Frankrijk een investering van 109 miljard euro beloofd voor zijn AI-ecosysteem. Ook in Nederland gaan er steeds meer geluiden op dat we harder moeten investeren in AI om competitief te blijven.

Het data-dilemma in de maakindustrie

Ursula von der Leyen, voorzitter van de Europese Commissie, zei: “Europese AI richt zich op de toepassing van AI bij complexe toepassingen, waarbij we gebruikmaken van onze unieke industriële en productiegegevens en knowhow”, en dat klopt. De toepassingen en compliance-eisen in sectoren zoals farmacie, automotive en voeding zijn hoog en vereisen geavanceerdere vormen van AI, zoals deep learning en 3D-scan-software, om ermee om te kunnen gaan.

Deze AI-ambities zijn natuurlijk sterk afhankelijk van data – precies wat de maakindustrie in huis heeft. “Industrieën kunnen samenwerken en hun data bundelen. We creëren een veilige ruimte voor hen… omdat AI concurrentie nodig heeft, maar ook samenwerking,” aldus voorzitter von der Leyen. Ook CEO’s roepen op tot het openstellen van privacyvriendelijke datasets. In het VK is zelfs een nationale databibliotheek voorgesteld voor breed maatschappelijk gebruik.

Dit doet ons denken aan de uitdaging waar fabrikanten voor staan. Uit recent onderzoek van Zebra Technologies blijkt dat bijna 20% van de machine vision-leiders in de auto-industrie in Duitsland en het Verenigd Koninkrijk vindt dat hun AI-machine vision-toepassingen beter zouden kunnen presteren of meer moeten kunnen. Om het potentieel van AI-oplossingen te benutten, moet de datastructuur en -toegang binnen organisaties aangepakt worden.

De hoeveelheid data die wordt gecreëerd aan de rand van het bedrijf kan worden omgezet in waarde. Dit kan gaan om data voor het trainen en testen van AI-modellen of als feedback voor het verfijnen van processen rond productie en inspectie. Zodra data en AI zijn geïntegreerd, wordt de weg naar procesautomatisering – met slimme camera’s, sensoren en vision-gestuurde robotica – werkelijkheid. Hierdoor kunnen fabrieksleiders waardevolle frontline-medewerkers inzetten in groeigebieden.

Productielocaties en regio’s werken echter vaak in silo’s, met weinig tot geen datadeling – zelfs voor identieke of vergelijkbare workflows. Ervaring en beschikbare tijd kunnen tussen teams en locaties variëren, wat het waarborgen van datakwaliteit bemoeilijkt. Daar komt bij dat het lastig is om werknemers aan te trekken met de juiste vaardigheden en ervaring.

Data moet op een consistente manier worden opgeslagen, geannoteerd en gebruikt voor het trainen van modellen, met aanvullende datasets voor het testen ervan. Het heeft geen zin om bedrijfsdata in silo’s te houden; dat belemmert juist betere training van AI-systemen.

Hoe moeten fabrikanten dit realiseren als ze niet alle beschikbare data kunnen benutten over verschillende locaties, landen en regio’s heen? Hoeveel groeipotentieel en productiviteit van werknemers gaat hierdoor verloren? De terughoudendheid ten opzichte van cloudoplossingen – vanwege zorgen over privacy, beveiliging en intellectueel eigendom – moet worden overwonnen. Een op de cloud gebaseerde oplossing stelt gebruikers in staat om data vanuit meerdere productielocaties veilig te uploaden, labelen en annoteren, en tegelijkertijd schaalbaarheid en toegankelijkheid van rekenkracht mogelijk te maken.

Er zijn mogelijkheden om AI-oplossingen beter te laten werken en meer te laten doen. Er is software beschikbaar, net als  camera’s en sensoren voor uiteenlopende toepassingen. Denk aan de inspectie van elektrische batterijen en halfgeleiders, sortering van vers voedsel, naleving en kwaliteit van verpakkingsvoorschriften, het lezen van serienummers en tekens en defect-detectie bij auto-onderdelen en eindproducten.

Beter presterende AI-oplossingen moeten echter wel worden geëvalueerd op basis van passende tijdlijnen, de ROI-cijfers en kwaliteitsgegevens. Naast een transformatie van datamanagement, vereisen intelligente automatisering en betere zichtbaarheid van middelen en voorraad de juiste implementaties, training van personeel en operationele aanpassingen – en dat kost tijd. Andere AI-oplossingen volgen een low-code of no-code aanpak en zijn kant-en-klaar inzetbaar, wat een sneller rendement op investering oplevert.

Een pleidooi voor het middenmanagement

Wie kan binnen de maakindustrie de toon zetten en het voortouw nemen om te winnen met AI? Uit recent onderzoek van McKinsey blijkt dat veel millennials van 35 tot 44 jaar managers en teamleiders zijn in hun organisatie, dat wil zeggen middenmanagers. Zij staan aan de frontlinie van het bedrijfsleven, lopen dagelijks over de werkvloer en vormen de brug tussen de operationele medewerkers en het hoger management. Deze middenmanagers blijken ook het meeste ervaring en enthousiasme rond AI te hebben: 62% van de werknemers tussen 35 en 44 jaar geeft aan een hoog niveau van expertise te hebben met AI.

Uit ander onderzoek blijkt dat 30% van de bedrijfsleiders (CEO’s, voorzitters, andere C-level executives, senior vice presidents en executive vice presidents) tijdens onzekere periodes extra middelen vrijmaakt voor groei-initiatieven in hun kernactiviteiten, aanpalende markten of nieuwe business. Slechts 29% zegt 30% of meer van hun tijd te besteden aan langetermijngroei.

Middenmanagers vormen daarmee een essentiële groep die senior leiders moeten benutten om antwoorden te vinden op vragen als: hoe kan AI – zoals deep learning machine vision – helpen om sneller door een uitdagende markt te navigeren, duurzame groei te realiseren, productiviteit te verhogen, processen te automatiseren en kwaliteit te verbeteren? Ondanks de neiging om in moeilijke tijden projecten in te krimpen of on hold te zetten, is dit misschien juist hét moment om opnieuw na te denken over de rol van het middenmanagement bij het prioriteren van groei en het nemen van moedige stappen met AI en machine vision.

Auteur: Rudolf Schambeck, Manager Machine Vision bij Zebra Technologies