Machine learning in de maakindustrie: zeven use cases die zich echt terugverdienen

De maakindustrie heeft geen tekort aan AI-ideeën; ze heeft een tekort aan AI-terugverdientijd. Elke congresslide belooft transformatie, terwijl plantmanagers stilletjes vragen welke use cases echt geld opleveren op een echte vloer. Na implementaties in metaal, glas, kunststoffen en elektronica is onze eerlijke lijst zeven punten lang.

Eén: voorspellende kwaliteit. Modellen correleren procesparameters — temperaturen, drukken, cyclustijden — met kwaliteitsuitkomsten en signaleren drift voordat onderdelen buiten specificatie raken. Dit is meestal de snelste terugverdientijd in het hele gebouw, omdat afkeur duur is en de data al in het MES zit. Twee: vraagvoorspelling. Verkoophistorie plus seizoenspatronen plus orderboeksignalen verslaan planning op onderbuikgevoel; de prognose voedt het APS en veiligheidsvoorraden krimpen zonder dat het serviceniveau daalt.

Drie: voorspellend onderhoud. Trends in trillingen, stroomopname en temperatuur voorspellen lager- en spilstoringen dagen vooruit, zodat onderhoud plaatsvindt op een geplande zaterdag in plaats van een chaotische dinsdag. Implementaties die dit naast preventieve schema’s draaien, verlagen ongeplande storingen met tot 45%. Vier: planningsoptimalisatie — strikt genomen operations research met geleerde parameters, maar het effect is waar het om gaat: een APS dat echte cyclustijden en omsteltijden leert uit uitvoeringsdata, plant de fabriek die bestaat, niet die in het routingbestand.

Vijf: visuele defectdetectie — deep learning op camerabeelden, uitgebreid behandeld in ons computer vision-artikel; ze hoort op deze lijst omdat ze de meest volwassen van de zeven is. Zes: energieoptimalisatie. Modellen brengen het energieverbruik per product en per machinestatus in kaart, vinden de nullastverliezen en de cosφ-boetes, en leggen doorgaans 10–15% van de energiekosten bloot waar niemand eigenaar van was. Zeven: anomaliedetectie over de hele datastroom — het alarm “er is iets mis op lijn 2” dat afgaat voordat welke afzonderlijke drempel dan ook wordt overschreden.

Let op wat er niet op de lijst staat: chatbots voor operators, generatieve rapporten die niemand leest, en “AI-strategie” zonder dataset. De zeven die renderen delen één eigenschap — elk zet data die de fabriek al produceert om in een beslissing die iemand al neemt, alleen eerder en nauwkeuriger.

De voorwaarde die iedereen onderschat is niet het model; het is het datafundament. Een model kan niet leren van data die niet wordt verzameld, van een tijdstempel voorzien en aan context gekoppeld. Machinestatussen zonder werkordercontext, kwaliteitsresultaten zonder procesparameters, energiemetingen zonder productkoppeling — elk daarvan is een use case die u nog niet kunt hebben. Daarom is de praktische volgorde: eerst MES, dan modellen; uitvoeringsdata is de bodem waarin al het andere groeit.

Bouwen of kopen is op fabrieksschaal vooral een afleiding. Kant-en-klare modellen voor kwaliteit, prognose en onderhoud — afgestemd op uw data, niet vanaf nul getraind — bereiken de productie in weken en vragen geen data science-team op de loonlijst. Eigen onderzoeksprojecten zijn zinvol op de schaal van een automotive-concern; voor alle anderen is het model een component, geen maanmissie.

Het Manufacturing AI-platform van Meta Smart Factory bundelt precies deze zeven — voorspellende kwaliteit, prognose, onderhoud, lerende planning, vision, energie en anomaliedetectie — bovenop hetzelfde live datamodel waar MES en APS al naar schrijven. Typische uitkomst: 10–25% verborgen capaciteit zichtbaar binnen de eerste maanden, zonder één data scientist aan te nemen.