Artificial intelligence komt op stoom bij Vanderlande

Na een paar succesvolle projecten komt kunstmatige intelligentie bij engineers van Vanderlande steeds nadrukkelijker op het netvlies te staan. Stilaan sijpelen de eerste toepassingen door van het r&d-stadium naar commercieel interessante producten. Softwareontwikkelaar Mariana Goldak vertelt over de ai-reis die het Veghelse bedrijf doormaakt. ‘Uiteindelijk raakt het al onze afdelingen.’

Alexander Pil
5 februari 2020

Voordat ze ingaat op wat Vanderlande doet op het gebied van artificial intelligence, moet Mariana Goldak-Altgassen iets van het hart. ‘Er worden vaak veel termen door elkaar gebruikt, maar er is echt een verschil tussen machine learning, deep learning en artificial intelligence’, benadrukt de r&d-softwareontwikkelaar bij de Veghelse logistiekautomatiseerder. ‘Ai gaat voor mij over het grote plaatje. Denk aan de slimme algoritmes die nodig zijn om een zelfrijdende auto zich te laten gedragen als een mens. Of de geavanceerde kunstmatige intelligentie die je soms in films ziet. Zeker van dat laatste zijn we nog ver verwijderd. Gelukkig zie je steeds meer bedrijven die de hype voorbij zijn en objectief bekijken wat ze echt met de technologie kunnen. Daarbij focussen ze op relatief kleine taken, bijvoorbeeld om objecten te detecteren en te classificeren. Dat is machine learning, of deep learning voor de meer ingewikkelde applicaties.’

Veel rekenkracht

Voor Vanderlande begon de ai-reis al een paar jaar geleden, rond een concept dat het Veghelse bedrijf Storepick noemt. Het idee is om distributiecentra en magazijnen grotendeels te automatiseren, vanaf het moment dat de goederen in bulk worden aangeleverd, totdat de gepersonaliseerde bestellingen naar de supermarkt vertrekken. Een onmisbare component in dat proces is de zogenaamde Load Forming Logic die ervoor zorgt dat een bestelling zodanig op de pallets komt te staan dat ze is afgestemd op de lay-out van de desbetreffende supermarkt.

Vanderlande verzamelt in het Finse distributiecentrum van Würth waardevolle praktijkdata waarmee het zijn ai-model kan trainen.

‘Op het eerste gezicht lijkt dat wellicht een relatief eenvoudig probleem, maar het vereist heel veel rekenkracht om alle mogelijkheden door te rekenen’, zegt Goldak. ‘Machine learning geeft je de mogelijkheid om verschillende alternatieven te simuleren en te leren van de uitkomst. Zo train je de software om de volgende keer een betere beslissing te nemen.’

Goldak noemt de intelligentie in de Load Forming Logic overigens geen deep learning. ‘We hebben klassieke machine learning-technieken toegepast zodat we op basis van de beschikbare data van alle producten voorspellingen kunnen doen over hoe goed je kunt stapelen’, aldus de geboren Oekraïense. ‘Een goede analyse was nooit gelukt zonder machine learning.’

Cobots

Een ander aansprekend project is de Smart Item Robot (SIR) van Vanderlande. Deze pak-en-plaatscobot is ontwikkeld als orderpicker in magazijnen. Hoewel grijpers, camera’s en de motioncontrol steeds beter worden, zijn gewone robotarmen nog lang niet zo geavanceerd dat ze zelfstandig orders kunnen picken. In een magazijn komen duizenden verschillende producten voorbij. De variatie is simpelweg te groot, bijvoorbeeld door wisselende verpakkingen, kortere productcyclussen of de vele seizoenen in de fashionindustrie. Een cobot is dan een interessant alternatief omdat een operator makkelijk en veilig kan bijspringen als het systeem er even niet uit komt.

Vanderlande ontwikkelde een oplossing om de objecten in een bak te kunnen onderscheiden. ‘Het deep learning-model hoeft niet alle producten afzonderlijk in te leren, maar kan op basis van een camerabeeld items segmenteren en de cobotarm adviseren welke hij moet pakken en hoe hij hem moet benaderen’, legt Goldak uit.

In zijn distributiecentrum vlak boven Helsinki had Würth, een groothandelaar in bevestigings- en montagematerialen, een aantal werkstations staan die waren uitgerust met Vanderlandes flexibele opslag-, ophaal- en transportoplossing Adapto. Daarmee had Würth een groot deel van zijn orderfulfilmentproces geautomatiseerd, maar het wilde nog een stap verder. Het lag voor de hand om een werkstation te voorzien van een SIR-robot. Goldak: ‘We krijgen zeer waardevolle data terug uit de praktijk, waarmee we ons model weer kunnen trainen en de capaciteit van het systeem kunnen blijven verbeteren.’

Crossorter

Het succes van deze geslaagde ‘vingeroefeningen’ zette Goldak en haar team aan het denken: een breed, innovatief concern als Vanderlande moet toch meer kunnen met artificial intelligence en machine/deep learning? ‘Het is een proces dat tijd kost’, realiseert ze zich. ‘Wij als r&d-softwareontwikkelaars en ai-kernteam binnen Vanderlande proberen het bij iedere engineer op het netvlies te krijgen, en leggen aan managers uit wat je met de technologie kunt. Maar dat is niet genoeg om het echt in de organisatie te laten landen. Je hebt een demo nodig.’

De Crossorter, Vanderlandes pakketsorteeroplossing, was een perfect platform om de mogelijkheden van ai te demonstreren.

Een kans diende zich aan op de Crossorter, Vanderlandes pakketsorteeroplossing. Om de kosten naar beneden te brengen, hebben de Veghelaren met succes artificial intelligence ingezet. ‘De pakketten op de lopende band worden gedetecteerd met een dure camera en relatief eenvoudige software’, vertelt Goldak. ‘We hadden gekozen voor dure lasertriangulatietechnologie. Daarmee zijn we in staat om gedetailleerde informatie over de pakketten te verzamelen. Met relatief simpele software konden we zo de taak uitvoeren. Daarbij zijn we op dit moment trouwens alleen geïnteresseerd in de bounding box; we hoeven niet te weten of er een autoband of een mobiele telefoon op de band ligt, alleen op welke positie iets ligt.’

Aan lasertriangulatie hangt een behoorlijk prijskaartje. Goldak en haar collega’s bedachten een oplossing op basis van intelligente software en een veel goedkopere rgb-camera. ‘Door het gebruik van deep learning-algoritmes konden we de kosten voor de hardware drastisch omlaagbrengen en uiteindelijk een goedkopere oplossing realiseren met dezelfde prestaties als voorheen’, aldus Goldak.

Begin snel

Het Crossorter-project was een eyeopener voor veel engineers binnen Vanderlande. ‘Voor veel mensen is veel duidelijker wat ze met ai kunnen’, zegt Goldak, die niet denkt dat haar deur gelijk wordt platgelopen. ‘Je kunt na een succesvolle demonstratie niet verwachten dat iedereen gelijk om is. Dat kost tijd. Maar ik merk wel dat we meer vragen krijgen vanuit de organisatie omdat het veel tastbaarder is geworden. Nu moeten we slim zijn en pragmatisch kiezen waar we onze capaciteit inzetten. Het is een grote stap van een interessant r&d-project naar een volwaardig product dat klaar is voor de markt.’

Hoe lang duurt het nog voordat ai een standaard tool is in de gereedschapskist van de Veghelse engineers? ‘Ik denk dat het nog wel een paar jaar duurt voordat het volledig is geland. Maar uiteindelijk raakt het iedereen, daar ben ik van overtuigd. Ik raad andere bedrijven die ai overwegen daarom aan om snel te beginnen, met een kleine, beperkte demo. Zo kunnen ze ervaring opdoen en een gevoel krijgen van wat de technologie voor ze kan betekenen.’