+31 (0) 53 30 33 600

Artificial Intelligence / Machine Learning toegepast in de praktijk

AI en Machine Learning – er wordt veel over gezegd en geschreven. Maar hoe pas je deze technologie concreet en nuttig toe in de praktijk? Een klant was op zoek naar een manier om metingen op een consistente manier, geautomatiseerd te analyseren om de kwaliteit ervan vast te kunnen stellen.

Wij hebben in een proefopstelling verschillende Machine Learning algoritmen toegepast. Dit gaf  inzichten in de mogelijke meerwaarde van Machine Learning en op welke manier inzet ervan leidt tot optimaal resultaat.

DE UITDAGING

Veel bedrijven en organisaties beschikken niet over de inhoudelijke kennis en mogelijkheden om metingen die zij van derden ontvangen, te kunnen beoordelen en vast te stellen of deze kloppen. Dit terwijl de onjuistheid van metingen grote gevolgen voor hen kan hebben. De inzet van analytische software om deze kwaliteit vast te stellen, is voor grotere partijen wellicht rendabel, maar voor kleinere spelers is dit vaak te kostbaar. Als je te maken hebt met diverse onderdelen binnen een organisatie die elk voor zich redelijk autonoom kunnen opereren, wil je daarnaast voorkomen dat iedereen zijn eigen oplossingen en richtlijnen gaat creëren.

Het doel van dit project was om de klant te adviseren over de haalbaarheid en meerwaarde van Machine Learning om te ondersteunen bij het beoordelen van de kwaliteit van aangeleverde metingen. Het advies moest gebaseerd zijn op reproduceerbaar onderzoek, uitgevoerd binnen een zelf ontwikkelde en publiekelijk toegankelijke proefopstelling die is gebaseerd op Phyton en gebruikmaakt van bestaande Machine Learning softwarebibliotheken. Eisen aan de uiteindelijke oplossing: het moet het controleren van data automatiseren, openbaar beschikbaar zijn, laagdrempelig in gebruik en geschikt voor doorontwikkeling.

DE TECHNISCHE OPLOSSING

De proefopstelling die wij voor deze opdracht hebben uitgewerkt, is een webapplicatie in de cloud, gebaseerd op Python. Er is voor Python gekozen omdat deze programmeertaal enerzijds goede bibliotheken voor Machine Learning heeft en daarnaast door zijn laagdrempeligheid vaak wordt ingezet voor onderzoekende doeleinden. In eerste instantie hebben we een keuze gemaakt voor de meest kansrijke Machine Learning-technieken in deze setting. Volgende stap was het verzamelen, analyseren en opschonen van diverse datasets, waarna meerdere Machine Learning-experimenten met deze sets konden worden uitgevoerd.  

Voor tussentijdse demonstraties werd gebruikgemaakt van ‘Jupyter Notebook’ waarin zowel de programmacode als ook leesbare toelichting en resultaten werden opgenomen. Het prettige van Jupyter Notebook is dat je hiermee kleine stukjes code (zichtbaar) kunt maken waarbij je direct ziet wat het resultaat daarvan is. Op die manier ben je heel interactief bezig en wordt direct duidelijk wat het gevolg van elke aanpassing is. Daarnaast is het een heel gebruiksvriendelijke tool om documenten met andere te delen al dan niet voorzien van opmerkingen.

Tijdens de proefopstelling wordt Github ingezet als repository (het versiebeheersysteem waarin de code wordt opgeslagen). De voortgang van het project werd digitaal gedeeld in een Jira-omgeving. De agile werkwijze binnen het project maakte het mogelijk om kleine stapjes en tussenresultaten met de betrokkenen te delen, waardoor zij het gevoel hadden tijdig bij te kunnen sturen en altijd inzicht hadden in gemaakte keuzes. Dit kwam het draagvlak voor de uiteindelijke uitkomst en het advies ten goede.

HET RESULTAAT 

Tijdens een einddemonstratie is de werking van de proefopstelling aan de opdrachtgever gepresenteerd. Met als eerste stap het prepareren van de inputdata (is de data compleet, zijn er gekke uitschieters etc.), vervolgens het trainen van de verschillende Machine Learning algoritmen en tot slot het valideren van de kwaliteit van de metingen. De gebruikte algoritmes gaven daarbij onderling verschillende resultaten in bijvoorbeeld nauwkeurigheid en/of snelheid.

De uitkomsten van het eindrapport gaven aan dat Machine Learning een positieve bijdrage kan leveren aan het controleren van de kwaliteit van metingen. Het maakt het namelijk mogelijk op basis van een beperkt aantal metingen betrouwbare voorspellingen te doen.

Bekijk hier onze expertise en vind meer informatie. 



 

 

"Machine Learning heeft meerwaarde als het wordt ingezet bij ondersteuning van het beoordelen van kwaliteit van aangeleverde metingen. Het is een goede manier om met beperkte metingsdata toch betrouwbare uitspraken te kunnen doen."

Contact

Wil je meer informatie over OVSoftware?
Neem dan contact op.

Werken bij OVSoftware

Wil je meer weten over onze bedrijfscultuur en vacatures?
Bekijk dan onze werken bij pagina

Branches

Wil je meer weten over de branches waarbinnen OVSoftware actief is?
Bekijk de branches.

Referenties & Projecten

Lees hier klantreferenties en door OVSoftware begeleide lopende en afgeronde projecten waar wij trots op zijn.

Over ons

OVSoftware is één van de eerste softwarebedrijven van Nederland.
Lees meer over ons.

Volg ons op