De grootste AI-kansen voor kmo’s zitten niet in ‘big data’, maar in het slim benutten van de kennis en data die al jaren in het bedrijf aanwezig zijn: in machines, in rapporten, in verspreide databanken en – vooral – in de hoofden van ervaren medewerkers. Dat weten twee onderzoekers van het departement DTAI (Declaratieve Talen en Artificiële Intelligentie) van KU Leuven: Professor Peter Karsmakers (campus Geel) en Assistent Professor Anastasia Dimou (campus De Nayer). Ondersteund door onderzoeksmanager Marjolein Deryck bouwen zij aan AI-oplossingen die zowel krachtig als betrouwbaar zijn, en vooral praktisch inzetbaar voor kmo’s.
Binnen DTAI komen twee AI-benaderingen samen. Enerzijds is er machine learning, dat leert uit voorbeelden. Dat vraagt nog altijd voldoende en kwalitatieve data, zeker wanneer modellen op industriële schaal worden ingezet. Anderzijds is er kennisgedreven AI, waarbij systemen werken met expliciet gemodelleerde kennis, bijvoorbeeld in de vorm van een knowledge graph.
De combinatie van die twee is bijzonder relevant voor kmo’s. Bedrijven beschikken vaak over rijk gevulde, maar versnipperde datasets en veel impliciete expertise bij medewerkers. Door die domeinkennis te formaliseren en te koppelen aan beschikbare data, kunnen AI-modellen met minder labels en ruwe data toch bruikbare resultaten opleveren. Anastasia Dimou: “Zelfs kleine stukjes data kunnen, wanneer je de kennis erbij expliciet maakt, een veel groter geheel vormen.” De databehoefte verdwijnt dus niet, maar wordt wel haalbaarder.
Versnipperde bedrijfsdata verbinden met knowledge graphs
In bijna elk bedrijf zitten gegevens verspreid over afdelingen en systemen: ERP, Excel, machine-logs, documenten, notities van ingenieurs. Een knowledge graph beschrijft die data en de relaties ertussen. Dimou verduidelijkt: “We hoeven de data niet fysiek in één database samen te brengen; we willen vooral de links begrijpen.” Dat maakt het mogelijk om verbanden te leggen tussen bijvoorbeeld machine-logs, productconfiguraties en serviceverslagen, en zo nieuwe inzichten te genereren over het eigen proces.
Die aanpak wordt extra waardevol wanneer cruciale kennis dreigt te verdwijnen. Denk aan een operator met tientallen jaren ervaring die een machine ‘op het gehoor’ aanvoelt. Door diens kennis systematisch te bevragen, te formaliseren en te koppelen aan sensordata, ontstaat een systeem dat aanbevelingen geeft aan minder ervaren collega’s. Zo wordt expertise niet alleen bewaard, maar ook actief ingezet in de dagelijkse operatie.
Edge AI: intelligentie meteen op de werkvloer
Peter Karsmakers focust op het ontwerpen van Machine Learning algoritmes die data en geformaliseerde kennis combineren om taken data-efficiënt te automatiseren en Edge AI: AI-software die compact genoeg is om direct op of naast de sensor te draaien. “Hoe meer sensoren je inzet, hoe meer data je kunt genereren, maar dat is niet schaalbaar”, zegt hij. Lokale verwerking maakt systemen energie-efficiënter en vermindert de noodzaak om grote datastromen naar de cloud te sturen.
Die architectuur biedt ook privacy-voordelen: de verwerking kan lokaal blijven. Over toepassingen in de zorg vertelt Karsmakers: “Met behulp van radar en lokale AI-software kun je contactloos opvolgen hoeveel tijd iemand nodig heeft om van punt A naar punt B te lopen en hoe dit in de tijd evolueert. Een dalende trend kan erop wijzen dat alleenwonende ouderen baat hebben bij extra ondersteuning, zodat ze langer zelfstandig kunnen wonen. Zonder camera’s is dit systeem veel minder indringend.”
Betrouwbare AI, geen hallucinaties
Generatieve AI zoals ChatGPT is indrukwekkend, maar niet zonder risico’s in professionele context. Het beruchte ‘hallucineren’ maakt dat zulke modellen in professionele context antwoorden kunnen geven die niet stroken met procedures, regelgeving of technische realiteit. DTAI werkt daarom met expliciet gedefinieerde kennis en regels. AI-systemen blijven binnen de krijtlijnen van het bedrijf en geven aanbevelingen die gegarandeerd consistent zijn met de vastgelegde processen. Generatieve AI wordt daarbij niet uitgesloten, maar juist gezien als een interessante partner in onderzoek. Een belangrijk lopend onderzoeksthema is hoe je knowlegde graphs kunt koppelen aan grote taalmodellen om die beter te ‘gronden’ in verifieerbare feiten. Het doel: hallucinaties verminderen en taalmodellen meer domeinconsistente antwoorden laten geven.
Met AI kan je de kennis van een ervaren operator koppelen aan sensordata. Zo wordt expertise niet alleen bewaard, maar ook actief ingezet in de dagelijkse operatie.
Anastasia Dimou
De eerste stap voor kmo’s: begin klein, maar begin nú
De belangrijkste aanbeveling van Peter en Anastasia klinkt eenvoudig: start met het systematisch verzamelen en bewaren van data. Veel kmo’s missen vandaag de basisinfrastructuur om later AI toe te passen. “Je moet data op een goede manier opslaan, samen met metadata, om AI te kunnen gebruiken”, benadrukt Karsmakers.
Daarnaast pleiten de onderzoekers ervoor om klein en concreet te beginnen: een afgebakend probleem, een duidelijk doel, een gecontroleerd project. Kmo’s die interesse hebben in de materie kunnen op laagdrempelige manier samenwerken met het departement DTAI (Declaratieve Talen en Artificiële Intelligentie) van KU Leuven, bijvoorbeeld via:
- Onderzoeksprojecten en consortia: bedrijven werken mee aan concrete uitdagingen, krijgen oplossingen op maat en bouwen kennis op via projecten. Voor een aantal projecttypes worden twee keer per jaar consortiumvergaderingen georganiseerd. De meest voorkomende projecten duren twee à vier jaar.
- Workshops en opleidingen: technische AI-workshops, themasessies via o.a. het Postuniversitair Centrum (PUC) en programma's zoals ‘AI in Business en Industrie’ voor professionals die AI in hun bedrijf willen toepassen.
- Masterproefprojecten: een masterstudent werkt onder begeleiding van DTAI-onderzoekers een afgebakend AI-experiment uit.
De rode draad: geen generieke ‘AI-magie’ uit een doosje, maar samen stap voor stap bouwen aan de juiste data, de juiste kennisrepresentatie en passende modellen. Zo groeien kmo’s niet alleen naar concrete toepassingen, maar ook naar een duurzame, eigen AI-expertise.
