Inspecteur is een sensor

Slide 1

Slide 1 text

14-09-22 MARLOT SCHOENMAKER TIM DE KLIJN ‘DE INSPECTEUR VAN DE TOEKOMST IS EEN SENSOR’: HOE AI HAVENBEDRIJF ROTTERDAM HELPT MET ASSETINSPECTIES

Slide 2

Slide 2 text

“De inspecteur van de toekomst is een sensor” door: Marlot Schoenmaker Asset Manager Tim de Klijn Machine Learning Engineer

Slide 3

Slide 3 text

• Port of Rotterdam • Assetmanagement bij Port of Rotterdam • Machine Learning Inspector • Pipeline proces • Model training • Lessons Learned Agenda Vragen graag achteraf

Slide 4

Slide 4 text

Port of Rotterdam

Slide 5

Slide 5 text

Haven- en industriegebied 12.464 ha

Slide 6

Slide 6 text

Haven- en industriegebied 12.464 ha =17.555 voetbalvelden Ca. 40 km

Slide 7

Slide 7 text

Haven- en industriegebied 400 420 440 460 480 2013 2015 2017 2019 2021 x 1 miljoen ton Overslag per jaar

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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

Slide 10

Slide 10 text

Assetmanagement bij Port of Rotterdam

Slide 11

Slide 11 text

Assetmanagement: verantwoordelijk voor de continuïteit van de haven Pijlers: • Beschikbaarheid • Veiligheid • Levensduur

Slide 12

Slide 12 text

Assetmanagement: verantwoordelijk voor de continuïteit van de haven Kosten Prestaties Risico’s Pijlers: • Beschikbaarheid • Veiligheid • Levensduur

Slide 13

Slide 13 text

Inspecties voor bepalen risico’s Kosten Prestaties Risico’s Input voor

Slide 14

Slide 14 text

Criteria voor inspectiemethoden • Veilig • Lage kosten Algemeen

Slide 15

Slide 15 text

Criteria voor inspectiemethoden • Veilig • Lage kosten • Objectief • Hoge frequentie Algemeen Data driven maintenance

Slide 16

Slide 16 text

Inspectiemethoden • Veiligheid • Kosten • Objectiviteit • Frequentie inspecties

Slide 17

Slide 17 text

Handmatige inspectieproces 1

Slide 18

Slide 18 text

Handmatige inspectieproces 1 2

Slide 19

Slide 19 text

Handmatige inspectieproces 3 1 2

Slide 20

Slide 20 text

Handmatige inspectieproces 3 1 2

Slide 21

Slide 21 text

Automatische inspectieproces

Slide 22

Slide 22 text

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

Slide 23

Slide 23 text

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

Slide 24

Slide 24 text

Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’

Slide 25

Slide 25 text

Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’

Slide 26

Slide 26 text

Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’

Slide 27

Slide 27 text

Machine learning Inspector (MLI) 2021 Start MLI project 2025 Eind MLI project Verder oppakken in de lijn: ‘business as usual’

Slide 28

Slide 28 text

Machine Learning Inspector MLI

Slide 29

Slide 29 text

Machine Learning Inspector MLI

Slide 30

Slide 30 text

Machine Learning Inspector: Overzicht Hardware Inwinning beelden

Slide 31

Slide 31 text

Machine Learning Inspector: Overzicht Hardware Azure cloud Modellen Inwinning beelden Toevoegen intelligentie Data infrastructuur Data science Data engineering

Slide 32

Slide 32 text

Machine Learning Inspector: Overzicht Hardware Azure cloud Modellen Portmaps Inwinning beelden Toevoegen intelligentie Output voor gebruiker Data infrastructuur Data science Data engineering

Slide 33

Slide 33 text

Machine Learning Inspector: Overzicht Azure cloud Modellen Toevoegen intelligentie Data infrastructuur Data science Data engineering

Slide 34

Slide 34 text

Model Training

Slide 35

Slide 35 text

Model Training

Slide 36

Slide 36 text

Voorspellingen op Videos

Slide 37

Slide 37 text

Anonimiseren

Slide 38

Slide 38 text

No content

Slide 39

Slide 39 text

Volg en lokaliseer assets

Slide 40

Slide 40 text

No content

Slide 41

Slide 41 text

Meet (inspecteer) assets

Slide 42

Slide 42 text

No content

Slide 43

Slide 43 text

Presenteer resultaten

Slide 44

Slide 44 text

No content

Slide 45

Slide 45 text

Feedback loops en data kwaliteit

Slide 46

Slide 46 text

Data Labelling Data(set) curation

Slide 47

Slide 47 text

Sleuf?

Slide 48

Slide 48 text

No content

Slide 49

Slide 49 text

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

Slide 50

Slide 50 text

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

Slide 51

Slide 51 text

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?

Slide 52

Slide 52 text

Lessons Learned – Users Train niet alleen de modellen ook de gebruikers

Slide 53

Slide 53 text

No content

Slide 54

Slide 54 text

No content

Slide 55

Slide 55 text

Challenges Hardware Azure cloud Modellen Portmaps Inwinning beelden Toevoegen intelligentie Output voor gebruiker Data infrastructuur Data science Data engineering

Slide 56

Slide 56 text

Challenges Hardware Azure cloud Modellen Portmaps Inwinning beelden Toevoegen intelligentie Output voor gebruiker Data infrastructuur Data science Data engineering