Inspecteur is een sensor

Transcript

1. 14-09-22 MARLOT SCHOENMAKER TIM DE KLIJN ‘DE INSPECTEUR VAN DE TOEKOMST IS EEN SENSOR’: HOE AI HAVENBEDRIJF ROTTERDAM HELPT MET ASSETINSPECTIES
2. “De inspecteur van de toekomst is een sensor” door: Marlot Schoenmaker Asset Manager Tim de Klijn Machine Learning Engineer
3. • Port of Rotterdam • Assetmanagement bij Port of Rotterdam • Machine Learning Inspector • Pipeline proces • Model training • Lessons Learned Agenda Vragen graag achteraf
4. Port of Rotterdam
5. Haven- en industriegebied 12.464 ha
6. Haven- en industriegebied 12.464 ha =17.555 voetbalvelden Ca. 40 km
7. Haven- en industriegebied 400 420 440 460 480 2013 2015 2017 2019 2021 x 1 miljoen ton Overslag per jaar
8. Haven- en industriegebied 400 420 440 460 480 2013 2015 2017 2019 2021 100.000 x 1 miljoen ton Overslag per jaar Bezoeken per jaar 30.000 1.940.000
9. Haven- en industriegebied 400 420 440 460 480 2013 2015 2017 2019 2021 x 1 miljoen ton Overslag per jaar 80 km aan kademuren 480 ha aan Weginfra Ondersteunende assets 100.000 Bezoeken per jaar 30.000 1.940.000
10. Assetmanagement bij Port of Rotterdam
11. Assetmanagement: verantwoordelijk voor de continuïteit van de haven Pijlers: • Beschikbaarheid • Veiligheid • Levensduur
12. Assetmanagement: verantwoordelijk voor de continuïteit van de haven Kosten Prestaties Risico’s Pijlers: • Beschikbaarheid • Veiligheid • Levensduur
13. Inspecties voor bepalen risico’s Kosten Prestaties Risico’s Input voor
14. Criteria voor inspectiemethoden • Veilig • Lage kosten Algemeen
15. Criteria voor inspectiemethoden • Veilig • Lage kosten • Objectief • Hoge frequentie Algemeen Data driven maintenance
16. Inspectiemethoden • Veiligheid • Kosten • Objectiviteit • Frequentie inspecties
17. Handmatige inspectieproces 1
18. Handmatige inspectieproces 1 2
19. Handmatige inspectieproces 3 1 2
20. Handmatige inspectieproces 3 1 2
21. Automatische inspectieproces
22. De inspecteur van de toekomst is een sensor! • Asset aantallen • Kosten • Frequenties → Businesscase snel gemaakt Sleuven # 250/jaar Markering # 35.600 Dragers #4.200 Openbare verlichting #6.500 Geleiderails #50.000 meter RVV bord #13.600 Schampblok #10.500 Asfalt #3.148.685m2
23. De inspecteur van de toekomst is een sensor! Sleuven # 250/jaar Markering # 35.600 Dragers #4.200 Openbare verlichting #6.500 Geleiderails #50.000 meter RVV bord #13.600 Schampblok #10.500 Asfalt #3.148.685m2 Eigen ontwikkeling en beheer Waar mogelijk, in samenwerking met de markt • Asset aantallen • Kosten • Frequenties → Businesscase snel gemaakt
24. Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’
25. Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’
26. Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’
27. Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’
28. Machine Learning Inspector MLI
29. Machine Learning Inspector MLI
30. Machine Learning Inspector: Overzicht Hardware Inwinning beelden
31. Machine Learning Inspector: Overzicht Hardware Azure cloud Modellen Inwinning beelden Toevoegen intelligentie Data infrastructuur Data science Data engineering
32. Machine Learning Inspector: Overzicht Hardware Azure cloud Modellen Portmaps Inwinning beelden Toevoegen intelligentie Output voor gebruiker Data infrastructuur Data science Data engineering
33. Machine Learning Inspector: Overzicht Azure cloud Modellen Toevoegen intelligentie Data infrastructuur Data science Data engineering
34. Model Training
35. Model Training
36. Voorspellingen op Videos
37. Anonimiseren
39. Volg en lokaliseer assets
41. Meet (inspecteer) assets
43. Presenteer resultaten
45. Feedback loops en data kwaliteit
46. Data Labelling Data(set) curation
47. Sleuf?
49. Lessons Learned – Model Training • Ga in het begin voor ‘goed genoeg’ • ‘Schone’ data is belangrijker dan veel data • Gebruik een model registry al tijdens experimenteren
50. Lessons Learned – Pipeline • Een model is redelijk snel klaar, een pipeline duurt lang: verwachtingsmanagement • Krijg zsm iets werkend, dit levert waarde op en kan voor traktie zorgen • Snelheid komt later
51. Lessons Learned – Data • Data curation: bekijk de data voordat modellen worden getraind • Externe label partijen zijn zo goed als de label instructies • Grootste verbeteringen komen door data verbeteringen Sleuf?
52. Lessons Learned – Users Train niet alleen de modellen ook de gebruikers
55. Challenges Hardware Azure cloud Modellen Portmaps Inwinning beelden Toevoegen intelligentie Output voor gebruiker Data infrastructuur Data science Data engineering
56. Challenges Hardware Azure cloud Modellen Portmaps Inwinning beelden Toevoegen intelligentie Output voor gebruiker Data infrastructuur Data science Data engineering
57. Kom naar de stand: S5
58. Vragen?