SAP’s Leonardo helpt Gasunie sneller werken met beeldherkenning

Gasunie, verantwoordelijk voor het transport van alle gas in Nederland en delen van Noord-Duitsland, moet gaan veranderen. De energiebehoeften in Europa zijn in flux en dus moet het energiebedrijf mee. Terwijl dat gaande is hebben ze wel nog steeds de verantwoordelijkheid om hun infrastructuur in goede staat te houden. En die infrastructuur, dat is nogal wat. We hebben het dan over meer dan 15.000 kilometer aan gasleidingen met daar tussen drukstations, compressorstations, exportstations en als eindpunten nog een keer 1.100 ontvangststations.

Het spreekt vanzelf dat er een heel aantal medewerkers zijn die zich bezighouden met het onderhoud van die infrastructuur. Binnen die groep is er echter ook nog een soort A-team dat wordt gecontacteerd als er bijzondere (nood)klussen zijn: Speciale Opdrachten. Dat zijn de mensen die als de nood aan de man is uitrukken met mobiele gasstations en groot materieel. Klinkt spannend, is het ook, maar er is natuurlijk niet altijd paniek en dan doet ook Speciale Opdrachten regulier onderhoud, zo vertelde Taekele Bijlsma, adviseur SAP Gasunie.

Het juiste onderdeel vinden

Een veelgehoorde klacht bij de veldwerkers was dat het altijd lang duurde en enorm gedoe was om de juiste materialen te vinden voor de (nood)klussen. Daarom heeft Gasunie in samenwerking met SAP het Mobile Innovation Lab op lokatie gezet, zodat de experts konden samenwerken met de Gasunie-mensen om te kijken of er niet een app kon worden bedacht die een wezenlijke bijdrage aan het versnellen van dat proces kon leveren.

De app zou het makkelijk moeten maken om te zien welke projecten gaande zijn er wie daar precies aan het werk is. Na de eerste brainstorm werd wel duidelijk dat er veel winst te behalen viel in de administratie en vooral het herkennen en labelen van het materiaal voor speciale projecten. Van daaruit was ook al snel duidelijk dat hier een grote rol zou kunnen liggen voor beeldherkenning, iets dat SAP’s Leonardo AI ideaal voor kan worden ingezet.

Snel schakelen in het Innovation Lab

Dat proces van ‘design thinking’ was het belangrijkste voor Gasunie. Het zorgde er voor dat paden die in eerste instantie interessant leken (zoals IoT) meteen weggestreept konden worden en dat er gefocust kon worden op waar de echte pijnpunten zaten. Dat ging vooral om het weghalen of toevoegen van onderdelen voor de speciale projecten. Wat dat betreft is de methode Innovation Lab heel goed bevallen, vooral ook voor de mensen wiens probleem werd opgelost.

De ervaring van Gasunie was dat de medewerkers – met het lab on site – sneller geneigd waren langs te komen en te kijken naar hoe het vorderde dan bij eerdere veranderprocessen. Bijlsma: “de interactie tijdens het opzetten hielp aan beide kanten: barcode herkenning, tekstherkenning en objectherkenning waren allemaal nodig om de verschillende partijen [uitgifte, inname, het team zelf] een makkelijkere manier te geven om spullen te herkennen. Zo kunnen ze een hoop tijd besparen.” Nadat er met de mensen op locatie was overlegd werd duidelijk dat tekstherkenning – in tegenstelling tot wat eerst gedacht werd – belangrijker was dan objectherkenning. Dat was ook een onderdeel van de Image Processing Services, maar in dit geval specifiek geschikt voor de uitdaging die Gasunie had.

Je traint je suf met AI

En het mooie was: het werkte. Althans, het werkte nadat er dagen aan een stuk getraind was om de verschillende objecten die Speciale Opdrachten gebruikt buiten hun label om te kunnen herkennen. Machine Learning is te gek, maar wat vaak wel wordt vergeten is hoe veel moeite je moet doen om algoritmes te trainen, zo zegt Bijlsma. Gasunie had voor 6 objecten zo’n 5000 foto’s nodig in allerlei lichtomstandigheden, alleen om de objectherkenning te laten werken. Het resultaat is wel dat die nu op 95% zit, wat effectief genoeg is om de medewerkers duidelijk te maken wat ze voor zich hebben.

Tekstherkenning bleek ook lastig. Niet dat die in de basis niet werkte, maar ook hier bleek de realiteit van de operaties niet altijd overeen te komen met de theorie. De labels die op alle onderdelen en machines zitten zijn niet altijd goed te scannen omdat ze op een rare plek zitten of deels onleesbaar zijn geworden. Dat heeft er voor gezorgd dat er getest is met barcodes, om in de toekomst makkelijker te kunnen scannen.

Flauw werk vermijden

In die intense week dat het Mobile Innovation Lab bij Gasunie stond, zijn er volgens Bijlsma wel tientallen van dit soort kleine doorbraken gemaakt – juist omdat de specialisten ter plekke zich ook met het ontwikkelproces kunnen bemoeien. Een voorbeeld daarvan is dat er speciaal gelet moest worden op het creëren van zogenaamde runtime algoritmes. Die worden lokaal opgeslagen op de iPads die de specialisten gebruiken, zodat zij ook kunnen doorwerken als er geen databereik is en de gebruikersinteractie optimaal is.

Gasunie treft nu voorbereidingen om de functionaliteit productief in te zetten. Dit is volgens Bijlsma pas het begin, nu dat er geput kan worden uit de Leonardo Machine Learning Foundation “We willen veel meer techniek gaan inzetten voor bijvoorbeeld de bewaking van het leidingnetwerk. Dat willen we gaan controleren via satellietfoto’s waarbij machine learning wordt ingezet om de verschillende beelden te vergelijken en waarschuwingen afgeeft als er iets wordt gezien dat niet lijkt te kloppen.”

De pilot is dus meer dan succesvol te noemen voor Speciale Opdrachten. De inzet van AI zal zich – na de tijdsinvestering in het begin – meer dan terugbetalen. De specialisten worden niet langer met relatief flauw werk opgezadeld en dat zorgt er voor dat ze zich meer kunnen richten op waar ze goed in zijn: zorgen dat het gas zonder problemen getransporteerd kan blijven worden.

Meer weten over het project en over het Mobile Innovation Lab? Lees hier meer.