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
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’
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