VIVES scoort met artificiële intelligentie en haalt meer dan een miljoen euro naar zijn opleidingen en het bedrijfsleven

Frank Devos
aicloud.png

Vlaio, het Agentschap Innoveren en Ondernemen lanceerde een tijd terug een extra projectoproep (Tetra AI), specifiek om de kennis rond artificiële intelligentie te versterken bij Vlaamse bedrijven en hogescholen. Hogescholen hebben, samen met bedrijven en social profit-organisaties, hier massaal op ingetekend. Partner in dit project is de KU Leuven.

De selectieronde is net achter de rug en VIVES scoort over de ganse lijn. Alle drie ingediende onderzoeksprojecten werden zondermeer goedgekeurd voor een totaal aan subsidies van meer dan een miljoen euro. Belangrijke factor in deze projecten is de focus op meteen bruikbare concepten, tools of prototypes die inspelen op nieuwe marktopportuniteiten. Verder beoogt men ook een kennisdoorstroming naar opleidingen aan de hogescholen. 

Kost- en CO2-uitstootvermindering in de transportsector

VIVES zet AI in een eerste project in om de kost en CO2-uitstoot in de transportsector te verminderen. Het is de ambitie van dit project om de steeds complexer wordende beslissingsprocessen bij logistieke KMO’s verder te ondersteunen en huidige administratieve softwarepakketten te verrijken met AI-technieken om te komen tot volwaardige decision support tools. Bestaande goederenstromen zullen efficiënter moeten worden georganiseerd om een antwoord te bieden aan de huidige fileproblematiek, klimaatuitdagingen, de toenemende concurrentie uit het buitenland en om aan de steeds stijgende vraag naar meer capaciteit tegemoet te kunnen komen. Dit project zal de logistieke KMO’s ondersteunen bij de noodzakelijke transitie van uni- naar multi- en synchromodaliteit.

Heel concreet wil VIVES de transportsector de nodige inzichten verschaffen rond multi- en synchromodaliteit en de bedrijven aanmoedigen om hun activiteiten en werking op een slimme manier aan te passen. VIVES beoogt een reductie van de logistieke kost, CO2-uitstoot en de congestie op de weg te reduceren door modale shifts naar spoor en water. VIVES zal bedrijven inzichten en tools aanleveren op het vlak van: (1) business- en transitieplannen richting multi/synchromodaliteit, (2) een prototype synchromodale planningstool, (3) kennis omtrent synchromodale optimalisatiealgoritmen en planningstools en (4) integratie van kennis omtrent synchromodaliteit in diverse opleidingen op zowel bachelor- als masterniveau.

Betrokken organisaties: Delcatransport BVBA, Sitra, NDQ, NSE, Pionira, Deny Logistics, POM, ICO, P&O Ferries/Ferrymasters, Rx Seaport, KU Leuven, BE-Mobile, Portconnect, Lineas

Voorspellen van slijtage van snijgereedschappen in de industrie 4.0

Het doel van dit tweede project is het toepassen van AI op specifieke cases in de maakindustrie waarbij Real Time conditiemonitoring van gereedschapsslijtage cruciaal is. Concreet beogen we met dit project: (1) bewust maken van mogelijkheden en beperkingen van AI in het kader van industrie 4.0; (2) aanzetten tot gebruik van datatechnieken en inspireren door concrete voorbeelden; (3) dieptekennis bij de gebruikersgroep rond gebruik AI-technieken op case gereedschapssleet; (4) verwerken van resultaten in het curriculum van de bacheloropleidingen ontwerp- en productietechnologie en toegepaste informatica en in de masteropleiding industriële ingenieurswetenschappen.

Hiertoe worden er minimum zes cases opgezet die de verschillende stappen van een AI-proces vatten. De ervaringen tijdens dit traject zijn de basis voor bewustmaking en inspiratie bij bedrijven om AI-technieken te gebruiken en te valoriseren. 

Betrokken organisaties: Siemens, Calu bvba, NV Bekaert Sa, P&V Panels NV, Savaco, Riva CNC, Steenimex, Emineo, Alpatronics nv, KULeuven,  Indigi, Injextru, Beltrijs, Elektro Denutte, Wienerberger, Electro Dupont, Diametal, KMWE

Autonome AI maakt elektronische systemen slimmer

In dit project zullen wij verschillende Deep Learning applicaties voor low-cost embedded systemen bestuderen op het vlak van haalbaarheid en de toegevoegde waarde van deze artificiële intelligentie in embedded systemen zoals microcontrollers en systeemprocessoren in kaart brengen. Met Deep Learning worden beslissingsmodellen ontwikkeld met behulp van een grote set (historische) data, typisch op een rekenkrachtige server. Vervolgens wordt het getrainde netwerk in een applicatie geladen die voor nieuwe data en nieuwe situaties beslissingen neemt.

Deze laatste stap wordt “inference” genoemd. Inference hoeft echter niet toegepast te worden op het dure en rekenkrachtige computersysteem dat voor de training werd gebruikt. Dit project wil de mogelijkheden bekijken om deep learning toe te passen op systemen die minder krachtig, meer energiezuinig en minder afhankelijk van een netwerk zijn. 

Dit heeft een aantal voordelen. Doordat de echte data lokaal blijft, werkt de AI autonoom. Dit is bijvoorbeeld belangrijk bij machines waarvan de gebruiker niet wil dat de werking afhankelijk is van een netwerkverbinding met het internet. Daarnaast is dit ook voor privacygevoelige toepassingen belangrijk. Vervolgens hebben bepaalde systemen slechts een beperkte bandbreedte waardoor de echte data niet kan worden verstuurd. Anderzijds staan tijdkritische systemen geen applicatie toe met een hoge “latency”, dit is de tijd die verstrijkt tussen het versturen van de data naar de server en terug.

Betrokken organisaties: 6WOLVES, Digipolis, DPTechnics BVBA, DSP Valley, E.D.&A. NV, Edgise, Melexis Technologies NV, KULeuven, Picanol, Qmineral, ScioTeq BVBA, Sensotec NV, Transport & Mobility Leuven

Deel dit via