Automotive Technology Club: A coffee with... Katya Vladislavleva (Datastories) | Agoria

Automotive Technology Club: A coffee with... Katya Vladislavleva (Datastories)

Afbeelding
Gepubliceerd op 25/08/20 door Ward Vleegen
Datastories is een softwarebedrijf, gespecialiseerd in data analytics en dan meer bepaald in de industriële toepassingen van AI. De onderneming heeft een groeiend aantal klanten in de automobielindustrie, waaronder OEM's en toeleveranciers. Agoria's Transport & Mobility Technology Club wist Katya Vladislavleva, de CEO van Datastories, te strikken voor een interview. Bekijk hier de video.

Dag Katya, fijn om je terug te zien. Kun je jezelf en je bedrijf even kort voorstellen?

Natuurlijk, Ward. Ik ben Katya Vladislavleva en ik ben CEO en Chief Data Scientist van Datastories. Datastories levert software en diensten op het domein van data-analyse en focust op industriële toepassingen van artificiële intelligentie. 

Als ik het goed begrijp, maakt je bedrijf het mogelijk voor niet-experts om data-analyses uit te voeren, wat me op zich anders wel een complexe en technische aangelegenheid lijkt.

Dat klopt. Onze naam staat voor wat we doen. Ons doel zijn data stories. Wij hebben software en technologie ontwikkeld zodat bedrijven problemen kunnen oplossen met behulp van geavanceerde analyse. 

Datastories is aangesloten bij Agoria en is lid van zowel de Food & Beverage Technology Club als de Transport & Mobility Technology Club.  Ik geloof dat je oplossingen in uiteenlopende bedrijfstakken worden toegepast?

Inderdaad, maar voeding & drank, chemische stoffen en geavanceerde machines zijn tot dusver de belangrijkste takken voor ons.

Vanwaar de interesse voor de automobielindustrie?

De automobiel is een industrietak met geavanceerde machines en de kosten drukken is er heel belangrijk. Eigenlijk hebben we hen niet actief opgezocht maar hebben zij eerder bij ons aangeklopt. Ik denk dat het een natuurlijke match was. We tellen steeds meer klanten in de automobiel, waaronder OEM's en toeleveranciers. 

Waar zie je kansen om te digitaliseren in de automobielindustrie?

Vanuit ons standpunt van artificiële intelligentie en machineleren zie ik drie grote toepassingen die alle waarde bestrijken en waar quick wins mogelijk zijn. 

Ten eerste is er de ontwikkeling, waarvan we de cyclus aanzienlijk kunnen verkorten. Of we het nu hebben over customiseren of testen, alles waar trial-and-error of herhaaldelijk experimenteren bij komt kijken kan aanzienlijk worden versneld dankzij predictieve analyse. 

Ten tweede is er de productie: we kunnen de duur van root cause-analyses in de productie en de assemblage verkorten en de kosten die daarmee verband houden verlagen. 

De derde pijler is de toeleveringsketen. Alles van prijsanalyse tot voorspelling van de vraag en optimalisatie van de manier waarop al je gegevens de wereld worden rondgestuurd vormt een derde domein waarop artificiële intelligentie aanzienlijke waarde voor de business creëert.

Wat advies zou je geven aan mensen in de automobielproductie die zeggen: "We hebben data, we hebben sensors, we hebben robotica; waar zitten de very quick wins?"

De very quick wins in de productie zitten waar je een onzekerheid zou willen aanpakken. Stel dat je een assemblagelijn hebt waarop een machine wordt gebouwd. Af en toe gebeurt er iets op die lijn en je weet niet waarom het probleem zich voordoet. Een root cause-analyse uitvoeren of iedere andere onzekerheid in het assemblageproces aanpakken is doorgaans het eerste en gemakkelijkste wat met de data zal worden gedaan, uiteraard op voorwaarde dat de experts nog steeds bezig zijn met het probleem.

Aangezien je al die onafhankelijke sensoren, shift-gerelateerde datalogs en data van toeleveranciers al hebt, is het mijn aanbeveling om eerst de acties te loggen. Loopt er iets fout, log het dan. Loopt alles op wieltjes, zorg er dan voor dat die 'business as usual' – zoals we het willen hebben – in de data wordt vastgelegd. Vervolgens is het belangrijk om kleine 'proof-of-value'-projecten uit te voeren want die zijn heel echt en duidelijk voor alle stakeholders.

Dus log wat er gebeurt, niet alleen wat fout loopt maar ook wat goed loopt. Begin klein, kijk naar de waarde en ga dan verder.

Ik kan je wel een paar voorbeelden geven als je wil. 

Graag!

Het eerste voorbeeld heeft te maken met het testen van toepassingen. Je bouwt een voertuig, je huurt een baan (wat op zich al heel duur is) en dan voer je een beperkt aantal dure tests uit. Dit is een toepassing waarbij data-analyse kan helpen om het aantal tests te bepalen zodat je je budget optimaal kunt aanwenden.

Test-design dus, maar dan AI-gebaseerd?

Je kunt beginnen met traditioneel DoE (design of experiments) en vervolgens een predictief AI-model uitwerken waarmee je laten we zeggen een miljoen virtueel uitgevoerde experimenten kunt evalueren. Op die manier kun je de randgevallen identificeren die je zeker op een echte baan wilt testen en alleen die gevallen testen. Dit levert data op, waarna het proces van predictieve modellering kan worden herhaald.

Een tweede voorbeeld: wanneer ingenieurs iets testen, zullen ze zeggen dat het "goed zit" of "niet goed zit". Ze geven het een 1 of een 5. Dit levert een subjectieve deskundige mening op m.b.t. comfort, geluid enz. die heel belangrijk is voor dit soort tests. We kunnen predictieve modellen uitwerken om proxy's van die subjectieve meningen van de expert-ingenieurs te ontwikkelen en zo aanzienlijk meer tests uitvoeren en evalueren. Daarom is het verbinden van objectieve omgevingsdata met testdata en subjectieve evaluaties van comfort bijv. een andere gemakkelijk te realiseren toepassing omdat de data doorgaans beschikbaar is.

In de voertuigassemblage wil iedere OEM voorkomen dat de lijn wordt stilgelegd wanneer een operator ergens een probleem ondervindt dat niet kan worden opgelost. Kun je zoiets proberen te voorspellen? Bijv. in welke omstandigheden kan een stilstand optreden en hoe kan dat worden vermeden? Of is dat te moeilijk?

Dat is het ultieme doel. We beginnen doorgaans klein. Eerst identificeren we de vastgelegde problemen die eerder tot een lijnstilstand hebben geleid en kennen die een foutcode toe. Dan gaan we dieper en verbinden we de productiedata met de data i.v.m. de foutcodes, waarna we machineleren toepassen om de parameters te trachten te identificeren die verband houden met de productie, de sensors, vochtigheid, het tijdstip van de dag enz. Kortom, we proberen na te gaan welke combinaties van parameters overeenkomen met een bepaalde foutcode. Wanneer je dat gedaan hebt, kun je predictieve modellen uitwerken voor de verschillende foutcodes en vervolgens kun je een algemeen model uitwerken dat de kans op stilstand aangeeft. 

Bedankt voor deze interessante inzichten, Katya. Ik wens je nog een fijne dag en hopelijk zien we mekaar snel weer.

Van hetzelfde en iedereen veel succes gewenst!

Lees ook onze andere artikels in deze reeks:

Was dit artikel nuttig?