Hoe Generative AI en IoT Industriële Operaties Herdefiniëren

Wat is de meest ingrijpende verandering in IoT vandaag en waar worstelt de sector nog mee?

De meest transformerende verschuiving in IoT is de integratie van generative AI in operationele workflows. We zijn geëvolueerd van basale remote monitoring naar predictive en prescriptive maintenance, waarbij AI real-time data analyseert om storingen te voorspellen of processen te optimaliseren. Toch heeft de sector nog steeds moeite om deze oplossingen op grote schaal uit te rollen. 

Het werken met enorme datasets introduceert risico’s, zoals AI-hallucinations waarbij modellen onnauwkeurige voorspellingen genereren. Daarnaast maakt het inzetten van generative AI aan de edge, op lokale netwerken met beperkte rekenkracht, het extra complex. Robuuste frameworks zijn nodig om betrouwbaarheid te garanderen, vooral in kritieke omgevingen zoals offshore schepen of productie-installaties. 

Welke technologieën hebben de grootste impact op je projecten? 

Twee platformen springen eruit: Databricks en Microsoft Fabric. Deze tools maken naadloze real-time data ingestion mogelijk en vervangen traditionele batchverwerking. Klanten kunnen zo de stap maken van statische rapporten naar dynamische, door AI aangedreven inzichten. 

Zo gebruiken we bijvoorbeeld operations agents als AI-gestuurde virtuele assistenten die telemetrie monitoren en vooraf gedefinieerde acties uitvoeren, zoals het waarschuwen van engineers of het aanpassen van parameters. Deze agents fungeren als “virtuele junior engineers”, aangestuurd door playbooks om consistentie te waarborgen. Dit vermindert handmatige interventie en behoudt tegelijk de operationele controle. 

Kun je een recent project delen waarin deze technologieën een kritieke uitdaging oplosten? 

Onlangs ontwikkelden we een digital twin voor een offshoreklant die real-time inzicht nodig had in scheepsoperaties. Voorheen waren ze afhankelijk van vertraagde e-mails en handmatige rapportages. Onze oplossing bracht live scheepsposities, apparatuurtelemetrie en omgevingsdata samen in een geïntegreerd model.

De grootste uitdaging lag in het ontwerpen van een flexibel regelsysteem dat kon inspelen op onvoorspelbare veranderingen, zoals weersomstandigheden of niet-beschikbare apparatuur. Door regels los te koppelen en edge AI te benutten, creëerden we een systeem dat zich dynamisch aanpast. De klant krijgt nu real-time inzicht in de duur van acties, wat zorgt voor betere planning en efficiëntere inzet van middelen.

Wat is de grootste hindernis bij het opschalen van generatieve AI in IoT? 

De grootste uitdaging is het opschalen van generatieve AI van proof-of-concept naar enterprise-niveau. Kleinschalige pilots werken vaak met zorgvuldig geselecteerde datasets, maar in de praktijk gaat het om ruwe, ongestructureerde data op grote schaal. Dit brengt risico’s met zich mee, zoals hallucinations, security vulnerabilities en performance bottlenecks.

Om deze te beperken, focussen we op:

• Betere playbooks en richtlijnen voor het aansturen van AI-agents 
• Hybride datastrategieën, waarbij real-time telemetrie wordt gecombineerd met contextuele datasets (zoals ontologieën voor apparatuurhiërarchieën) 
• Edge-optimalisatie, zodat AI-modellen efficiënt draaien op lokale hardware 

Hoe is de IoT-aanpak van ALTEN in de afgelopen vijf jaar geëvolueerd? 

In eerste instantie lag de focus op het verplaatsen van data van apparaten naar de cloud, een technische uitdaging die diepgaande kennis vereiste van industriële protocollen en cloudintegratie. Tegenwoordig ligt de nadruk op het omzetten van ruwe telemetrie in real-time inzichten met behulp van architectuur zoals het medallion-model.

Vandaag gaan we nog een stap verder richting predictive en prescriptive maintenance, waarbij we klanten helpen storingen te anticiperen voordat ze optreden. Deze evolutie weerspiegelt ALTEN’s inzet om OT (Operationele Technologie) en IT naadloos te integreren, zodat industrieën slimmer, sneller en veerkrachtiger kunnen opereren.