Innovatie & Strategie

Dit is een bijdrage van Itility
Analytics
Decreasing 'time to digital'

Een kortere ‘time to digital’ voor digitale oplossingen

Het ontwerpen van een digitale oplossing kost tijd. Hoe kun je deze tijd verkorten?

20 januari 2021
Door: Itility, partner

Het ontwerpen van een digitale oplossing kost tijd. Hoe kun je deze tijd verkorten?

Digitale oplossingen zijn complex. Er komt meer bij kijken dan alleen het verzamelen en verwerken van data. Een echte digitale oplossing is een volledig systeem, bestaande uit veel verschillende elementen die met elkaar verbonden zijn.

Een digitale oplossing is een combinatie van software en data, ontworpen om een bedrijfsproces te veranderen. Een voorbeeld van zo’n oplossing is het gebruik van camerabeelden om het gewicht van kaas op een pizza te bepalen en om, als dit gewicht buiten de grens valt, de snelheid van de lopende band automatisch aan te passen.

Hoe ziet een digitale oplossing eruit?

Aan de technische kant moet je een systeem ontwerpen waarbij sensoren, code van algoritmes, edge-apparaten, cloud services, code van dataverwerking, machine learning-modellen, API’s, web services, mobiele apps en dashboards naadloos naast en met elkaar kunnen draaien. Aan de business kant moet je een nieuwe manier van werken ontwikkelen. Daarvoor heb je actuele domeinkennis nodig, die in de hoofden van mensen zit, en die kennis vervolgens vertalen naar een geautomatiseerd proces. Je moet methoden definiëren om de huidige handmatige manier van werken om te zetten in een andere, meer geautomatiseerde manier van werken.

Er zijn dus veel soft skills, hard skills en competenties nodig om een volledig digitale oplossing te kunnen implementeren.

Maar de kern van het systeem is het model, dat data vertaalt naar inzichten die geautomatiseerd kunnen worden. Soms kan dat gewoon een eenvoudig regressiemodel zijn, dat bijvoorbeeld gebruikt kan worden voor geautomatiseerde kwaliteitscontroles. Voor andere doeleinden, bijvoorbeeld om verschillende soorten anomalieën op te sporen of om menselijke visuele inspectie te automatiseren, heb je een machine learning-model nodig.

Geautomatiseerde machine learning

Bepalen welk machine learning-model het beste bij een probleem past, kost tijd en expertise op het gebied van data science. Er zijn veel verschillende modellen die gebruikt kunnen worden – en die leveren allemaal een ander resultaat op. Om in korte tijd een groot aantal modellen te testen, maken we gebruik van geautomatiseerde machine learning, oftewel AutoML. Er zijn veel platformen die AutoML-mogelijkheden bieden, zoals H2O, Google AutoML, IBM Watson, DataRobot, Auto-Sklearn, AutoKeras en AutoGluon. We hebben ons in ieder verdiept, waardoor we de voor- en nadelen van elk platform goed kennen en weten voor welke toepassing je welke AutoML-optie het beste kunt gebruiken.

Met AutoML kun je snel valideren of de oplossing die je voor ogen hebt, ook daadwerkelijk haalbaar is. Dit betekent dat je verder kunt gaan met jouw ‘proof of concept’ en andere delen van het systeem kunt bouwen, maar ook alvast kunt beginnen met het ontwikkelen van je eigen versie van het machine learning-model dat als beste naar voren kwam uit de AutoML-fase.

Vertrouwen in de oplossing opbouwen

Ook nadenken over het gebruik van de oplossing is een belangrijk onderdeel van het ontwikkelen van een systeem. Hierbij staat de gebruiker altijd centraal. Het implementeren van de digitale oplossing veroorzaakt een verandering in zijn/haar dagelijkse processen. Daarom moeten we een manier vinden om deze nieuwe werkwijze te introduceren, en het vertrouwen in de oplossing geleidelijk op te bouwen. Dat is waarbij applicaties om de hoek komen kijken. Door middel van applicaties kunnen gebruikers wennen aan een nieuwe manier van werken, zonder dat ze de controle over het proces moeten opgeven.

In het voorbeeld van het gebruik van camerabeelden om het gewicht van kaas op een pizza te bepalen en de snelheid van de lopende band automatisch aan te passen, hadden we een tussenfase nodig om het vertrouwen in de resultaten van het beeldherkenningsmodel op te bouwen. Dus, in plaats van de PLC rechtstreeks te programmeren om de snelheid aan te passen, kregen gebruikers een app met bedieningselementen om de band van de kaasapplicator te versnellen of te vertragen. De applicatie toonde een overzicht van de actuele kaasverhouding. Hiermee kon de gebruiker bepalen in hoeverre de snelheid van de lopende band aangepast moest worden.

De enige manier om te weten of jouw oplossing zal werken, is door deze oplossing te testen, aan te passen en opnieuw te testen. Omdat het bouwen van applicaties een tijdrovend proces kan zijn, werken we het liefst met low-code apps. Hierdoor kunnen we snel testen en finetunen, wat voor een snellere ‘time to digital’ – de tijd om een digitale oplossing te implementeren – zorgt.

Samenvattend: het ontwerpen van een digitale oplossing kost tijd en vereist veel verschillende competenties. Om jouw digitale oplossing effectief te laten werken, moet overal goed over worden nagedacht. De enige manier om succes te garanderen, is door te blijven testen en ervoor te zorgen dat je snel itereert. Geautomatiseerde machine learning en low-code apps helpen het proces te versnellen. Ze helpen je de ‘time to digital’ te verkorten.

Lees meer over software & automation en digitale transformatie op onze blogwebsite.

Reactie toevoegen