nlaic logo


 

Kevin over data services

Er zijn veel voorbeelden van AI in transport, logistiek en warehousing. In deze video legt Kevin Lemmens uit welke concrete toepassingen er zijn.

Transcript:

Nou, het data service center... Wat ik daarstraks aangaf, de digitalisering,   de automatisering, artificial intelligence...  Centraal in al deze dingen is data. Die data moeten gemanaged worden. De data moeten van een bepaalde kwaliteit zijn. Die moeten in bepaalde banen lopen. Bepaalde pijpleidingen moeten er  zijn om die data te kunnen gebruiken. Dus vandaar dat het Data Service Center is opgestart. Dat kijkt dus echt naar  verschillende aspecten rondom data. Dus: 'Hoe gaan we om met master data management?  Hoe gaan we om met datakwaliteit? De data architectuur, hoe ziet die eruit?  En hoe verhoudt zich dat dat er  algehele enterprise architecture?' Dus dat soort facetten, daar kijken we naar. Daarvoor stellen we de principes op. Daar maken we de bepaalde keuzes in die  uiteindelijk ervoor moeten zorgen dat de data van   zo'n kwaliteit is dat we die ook kunnen gebruiken  voor artificial intelligence en andere doeleinden. Welke competenties wij nodig  hebben om AI te ontwikkelen? Dan ga je eigenlijk nog  een stapje naar naar voren. Dus de hele data omgevingen, data  kwaliteit, het data management stuk,   dat moet eerst goed staan als voorwaarde  of als enabler eigenlijk voor AI. Daar zijn wij begonnen. Die reis is al een paar jaar geleden begonnen. Dan ga je veel meer kijken naar data engineers, dus zorgen dat de pijplijnen er liggen,  de architectuur er ligt en dat  je beschikt over goede data. Dus van een goede kwaliteit. Dat is eigenlijk de eerste stap. Vervolgens zijn wij ook gaan kijken naar  'Hoe kunnen we die data nu visualiseren?'  dus dan kom je op het stukje business  intelligence uit, en een stukje reporting. Vanuit Emons kijken we daar  met een integrale blik naar. Dus wij leveren niet alleen inzichten maar  we kijken ook naar 'Wat ga je ermee doen?' Want uieindelijk lever je  inzichten om actie te ondernemen. Wat wij dan noemen 'Het begint met regelmaat',   dus wanneer ga je wat delen, met  wie en wat zijn de acties erop. Dus we kijken ook heel erg naar mensen die in  die processen duiken, dus de processen begrijpen,   de context begrijpen, 'wat willen mensen nu  zien? Welke besluiten moeten worden genomen?' Die dus value adding zijn voor de organisatie. Nou vervolgens komt natuurlijk  AI om de hoek kijken. Dat is eigenlijk gewoon een volgende stap, en  misschien ook wel een sprong die we moeten maken. Hoe we dat zijn gaan doen? Die kennis hebben we niet in huis. Die kennis is ook nog schaars. Dus daar zijn wij vaak toch in gaan samenwerken. Je ziet ook dat de use cases die we hebben  rondom AI voortkomen uit het consortium. Dus dan werken we samen met kennisinstituten zoals   het TNO en de Universiteit van  Twente maar ook met partners. Dan heb ik het bijvoorbeeld over  Bricklog over Office Dog over Bullit. Dat groepje samen, daarmee  ontwikkelen we bepaalde usescases. Als Emons zitten we daar in als leverancier van  de usecase, oftewel van de vraag uit de praktijk. Zo zijn we ook de leverancier van de data daarin. Hiermee zorgen wij er ook voor dat het niet een   theoretisch iets blijft maar dat we  het ook naar de praktijk brengen. Dus het AI model kan dan worden  toegepast in de praktijk. Even terugkomend op welke rollen je nodig hebt... Data engineers willen we hier zelf  hebben, want we hebben naast AI   natuurlijk ook gewoon onze eigen systemen  en onze eigen business intelligence. Verder werken we ook heel graag  samen juist met kennisinstituten,   om ons uit onze comfortzone te halen, en die stap te laten maken naar AI. Dat is wel waar onze toekomst ligt. Misschien nog daarop volgend...  ruimen wij bij Emons tijd in,   en dwingen we onszelf om daarover na te denken. Naast het zelf proberen uit  te vinden welke kennis er is,   seminars, webinars etcetera, gaan  we ook zelf proberen te pionieren. Daar gebruiken we eigenlijk heel basic tools   voor zoals een Microsoft platform  wat we hebben: 'Power Automate'. Daar kun je al klein stapjes maken. Een voorbeeld ervan is het scanproces wat  wij voor CMR's hebben, en voor facturen. Met OCR, wat ook AI is, wordt een  stuk van het proces geautomatiseerd. Wij hebben klanten die hun CMR nog  fysiek willen hebben voordat zij betalen. Dat is vaak een fysiek papiertje. Nou dat moet je over gaan typen. Dat is soms niet eens heel leesbaar. Als wij die inscannen dan wordt  automatisch herkend wat er staat. Handschrift kunnen ze beter herkennen dan wij. Die data wordt eigenlijk  weggeschreven in tabellen. Die worden weer opgepikt en gaan dan vervolgens  naar onze administratie of direct naar klanten..