AI op maat van kmo’s? Deze 3 use cases van ML2Grow tonen hoe het kan

Hoeveel tomaten hangen er in onze serres? Hoeveel kilometer voetpaden moeten we openbreken bij wegenwerken? Hoe voorkomen we overbelasting van onze telefoonlijn? Hoe kweken we efficiënter sla? Hoe controleren we de kwaliteit van onze stoffen?

Het zijn enkele van de vragen die kleine en grote organisaties de afgelopen jaren stelden aan het AI-consultancybureau ML2Grow.

Vervolgens kregen ze een antwoord waaruit bleek dat kunstmatige intelligentie de meest uiteenlopende uitdagingen kon oplossen.

"We ontdekten dat we met artificiële intelligentie een verschil konden maken bij kmo’s toen we een concrete oplossing uitwerkten voor tomatenkwekers", zegt Joeri Ruyssinck, CEO van ML2Grow.

"In de zoektocht naar andere winstgevende toepassingen van AI voor onze beginnende onderneming, belden we rond. Zo belandden we in de haven en ontwikkelden we op basis van historische data een Waze voor scheepvaart, zoals de krant De Tijd het noemde."

AI ook voor kleinere ondernemingen

ML2Grow schoot in 2017 uit de startblokken. Het maakte zich als spin-off los van Universiteit Gent en vroeg in 2019 150 mensen uit 400 aangeschreven bedrijven naar hun mening over AI.

"Hieruit bleek dat iedereen ervan overtuigd is dat artificiële intelligentie de toekomst is. Maar tegelijkertijd denken kleinere ondernemingen dat het niets voor hen is."

Als ik dan het verhaal vertel van een boer die zijn app voor gezichtsherkenning bij koeien verkocht voor 50 miljoen euro, worden er wel grote ogen getrokken. Die boer zijn vrouw zal ook wel goed gelachen hebben toen hij zijn idee aan haar vertelde."

3 concrete cases met AI

ML2Grow ontwikkelde heel wat oplossingen waarbij kunstmatige intelligentie een grote rol speelde. Maar omdat AI een onderscheidende factor is die concurrentiële voordelen oplevert, willen heel wat bedrijven hun case niet via de media delen.

Drie organisaties geven in dit artikel wel inzage in hoe AI hun bedrijf of product versterkt.

Use case 1. Kwaliteitscontrole exclusieve stoffen

Annabel textiles (ongeveer 52 medewerkers) regelt de kwaliteitscontrole van geweven stoffen sinds kort via computer vision. "Zoals in veel fabrieken werd dit werk door mensen gedaan. Maar het is uitputtend en afstompend werk", zegt Joeri. "Een slimme camera kan dit veel beter en houdt dit 24/7 vol."

ML2Grow ontwikkelde de oplossing om deze kwaliteitscontrole te automatiseren.

"Grote defecten kunnen zonder AI-systemen door camera’s worden gedetecteerd, maar een AI-visiesysteem kan men ook aanleren om subtielere productiefouten te herkennen. Dit doen we door het systeem te voeden met voorbeelden van fouten die vroeger manueel zijn ontdekt. Op basis van deze info is de kunstmatige intelligentie in staat te generaliseren en ook nieuwe productiefouten te herkennen."

Use case 2. Slimmere energie op bouwwerven

Bright Energy is een innovatie van twee broers en hun zus. Hun doel is om de lawaaierige, vervuilende en energieverslindende dieselgeneratoren op bouwwerven te vervangen door plug-and-play batterij-eenheden.

Omdat deze oplossing rendabeler is als de batterijen slim worden gebruikt, klopte de start-up aan bij ML2Grow. "Als starter heb je nooit genoeg uren in een dag om zo snel vooruit te gaan als je zou willen", legt Thibault Vo, AI-vertaler bij ML2Grow, uit.

"Met onze samenwerking kan Bright sneller schakelen om met AI het energieverbruik op werven in te schatten en dynamisch te reageren op wat er gaat gebeuren op het werf."

Use case 3. Tegen overbelasting 112-nummer

Eén op de drie oproepen naar de Noodcentrale 112 is onbedoeld. En bij storm raakt de noodlijn al snel overbelast. Om dit op te lossen, zocht de 112-dienst innovatieve proof of concepts.

ML2Grow ging deze uitdaging aan, samen met de Noodcentrale, BOSA, Gov Buys Innovation en Nido (Innovatielab voor de overheid).

"In ons concept zetten we machine learning in om broekzakbellers te onderscheppen. Dit zijn mensen van wie de gsm per ongeluk vanuit de broekzak naar 112 belt", verduidelijkt Joeri.

"Omdat elke beller eerst in de wachtrij beland bij overbelasting, gebruiken we deze tijd in ons concept nuttig. Een automatische stem vraagt om het probleem alvast te beschrijven en aan te geven wat de urgentie is. Op basis van de feedback uit 300 audiofragmenten hebben we het AI-systeem patronen leren herkennen en leren classificeren of iemand in acute nood is of niet."

AI-vertaler maakt technologie begrijpbaar

ML2Grow is sterk gemotiveerd om aan te tonen dat AI niet enkel voor grote bedrijven is. Daarbij vertrekt het bedrijf steeds vanuit het probleem van de klant.

"Wij bieden een frisse kijk op hun uitdaging, waarbij we kijken of er data over de case bestaat. Deze brengen we in kaart, om van daaruit een datagedreven model op te starten", zegt Joeri.

Daarbij onderscheidt het Gentse bureau zich onder meer met hun AI-vertaler Thibault Vo.

"Als AI-vertaler ben ik geen technisch specialist", zegt Thibault. "Wel leg ik de bedenkingen en ontwikkelingen van onze ingenieurs helder uit. Zo proberen we veranderingen in bedrijven teweeg te brengen, ook wanneer ze geen IT-ers in dienst hebben of de meerderheid van de medewerkers uit niet-IT-profielen bestaat."

"Ik luister bij kmo’s. Ik werp ideeën op. Vervolgens pitchen we intern en komen meestal met een concrete case", zegt Thibault.

AI-community zkt start-ups

Het ML2Grow-team bestaat vijf jaar na de oprichting uit elf personen, vijf meer dan een jaar geleden. Deze personeelsgroei toont aan hoe hard het momenteel gaat in de AI-wereld en bij ML2Grow.

Binnen vijf jaar wil ML2Grow een bedrijf zijn dat anderen inspireert en een AI-community heeft uitgebouwd. 

"We stellen een deel van ons kantoor open voor start-ups die AI-achtige technologie ontwikkelen. In totaal zouden we graag een twintigtal start-ups per jaar in The Home of AI samenbrengen. Tijdens de koffiepauzes en lunch kunnen ze ervaringen, problemen en oplossingen uitwisselen met elkaar en ons. In ruil vragen we niet veel, bijvoorbeeld eens een presentatie en meehelpen de community te laten draaien."