Wat is AI (Artificial Intelligence)?
AI (Artificial Intelligence, kunstmatige intelligentie) is technologie waarmee een computersysteem uit invoergegevens afleidt hoe het voorspellingen, aanbevelingen, beslissingen of inhoud genereert, zonder dat elk scenario vooraf in regels is uitgeschreven. Moderne AI leert die vaardigheid vooral uit voorbeelddata: een model ziet duizenden trillingsmetingen, camerabeelden of procestrends en herkent daarna zelf patronen in nieuwe data. In industriële omgevingen wordt AI ingezet voor onderhoud, kwaliteitscontrole, energiebeheer en procesoptimalisatie, en is het een belangrijke drijver achter Smart Industry en OT-convergentie.
AI maakt systemen niet ‘slim’ in menselijke zin, maar wel goed in het herkennen van patronen die voor mensen te complex of te omvangrijk zijn.
🧠 Hoe werkt AI?
De OECD (herziene definitie van november 2023) en de Europese AI Act hanteren vrijwel dezelfde definitie: een AI-systeem is een machinegebaseerd systeem dat met een zekere mate van autonomie werkt, zich na ingebruikname kan aanpassen, en uit zijn invoer afleidt hoe het uitvoer genereert die een fysieke of virtuele omgeving kan beïnvloeden. Het kernwoord is afleiden (inferentie). Een eenvoudige als-dan-regel die een mens volledig heeft uitgeschreven, zoals een alarm bij een temperatuur boven 80 °C, valt daar volgens de richtsnoeren van de Europese Commissie niet onder. Een expertsysteem dat met een redeneermachine zelf conclusies afleidt uit vastgelegde kennis valt er wel onder.
Een AI-toepassing doorloopt in de praktijk twee fasen:
- Training - een algoritme leert de verbanden in historische data, bijvoorbeeld uit een historian of tijdreeksdatabase. Dit vraagt veel rekenkracht en gebeurt meestal in een datacenter of de cloud.
- Inferentie - het getrainde model past die kennis toe op nieuwe data en geeft een uitkomst, zoals “lager defect binnen drie weken” of “product afkeuren”. Inferentie vraagt veel minder rekenkracht en kan lokaal draaien op een edge-apparaat of IPC.
De uitkomst van een AI-model is een statistische schatting met een foutmarge, geen zekerheid: ook een goed model zit er een bepaald percentage van de gevallen naast. Dat is het wezenlijke verschil met een PLC-programma, waarvan de logica expliciet is vastgelegd en volledig te testen is.
🔄 Wat is het verschil tussen AI, machine learning en deep learning?
AI is de overkoepelende term. Machine Learning en Deep Learning zijn deelgebieden die de huidige AI-golf domineren.
| Begrip | Wat het is | Typisch industrieel voorbeeld |
|---|---|---|
| AI | Elk systeem dat uit data afleidt hoe het uitvoer genereert | Verzamelnaam voor alle onderstaande vormen |
| Regelgebaseerde AI (expertsystemen) | Kennis van experts vastgelegd in regels en een redeneermachine | Storingsdiagnose op basis van een beslisboom |
| Machine learning | Modellen die patronen leren uit voorbeelddata | Restlevensduur van een pomp voorspellen |
| Deep learning | Machine learning met meerlaagse neurale netwerken | Krassen en deuken herkennen in camerabeelden |
| Generatieve AI en LLM’s | Grote taalmodellen die tekst, code of beelden genereren | Een assistent die storingshandleidingen doorzoekt |
| Agentic AI | Een taalmodel dat zelfstandig stappen plant en tools aanroept | Een agent die data opvraagt en een werkorder voorstelt |
Bijna alle AI die vandaag in fabrieken draait, is smalle AI: een model dat één taak goed doet, zoals defecten herkennen, maar niets weet van andere taken. Algemene, menselijke intelligentie bestaat (nog) niet.
🕰️ Hoe heeft AI zich ontwikkeld?
| Jaar | Mijlpaal |
|---|---|
| 1955–1956 | John McCarthy en collega’s introduceren de term artificial intelligence in hun voorstel voor de Dartmouth-workshop van 1956, het startpunt van AI als vakgebied |
| jaren ‘70–‘80 | Expertsystemen leggen menselijke kennis vast in regels, onder meer voor storingsdiagnose |
| 1997 | IBM’s Deep Blue verslaat wereldkampioen schaken Garri Kasparov |
| 2012 | Het neurale netwerk AlexNet wint de ImageNet-beeldherkenningswedstrijd ruim; begin van de deep-learninggolf |
| 2017 | Google-onderzoekers introduceren de transformer-architectuur, de basis van huidige taalmodellen |
| november 2022 | ChatGPT maakt generatieve AI breed toegankelijk |
| 2024 | De AI Act, Verordening (EU) 2024/1689, treedt op 1 augustus in werking |
Voor de industrie was vooral 2012 een kantelpunt: sindsdien is beeldherkenning betrouwbaar genoeg voor visuele inspectie op de productielijn.
🎯 Waar wordt AI in de industrie toegepast?
| Toepassing | Wat AI doet | Gebruikte data |
|---|---|---|
| Predictive Maintenance | Voorspelt falende componenten zoals lagers, pompen en motoren | Trilling, temperatuur, stroomopname |
| Visuele kwaliteitscontrole | Herkent defecten via camerabeelden van het productieproces | Beelden van Vision-systemen |
| Procesoptimalisatie | Adviseert optimale setpoints, vaak naast of binnen APC | Realtime procesdata en recepturen |
| Energiebeheer | Optimaliseert verbruik op basis van productieplanning en netbelasting | Energiemeters, planning, tarieven |
| Anomaliedetectie | Detecteert afwijkend gedrag in OT-processen of netwerkverkeer | Procesdata, netwerkverkeer |
| Digital Twin | Combineert fysische modellen met AI voor simulatie en voorspelling | Ontwerpdata en live procesdata |
De meerwaarde zit in snelheid en schaal: een model bewaakt duizenden signalen tegelijk, leert van historische én realtime data en ziet zwakke verbanden die een operator mist. Het vermindert menselijke fouten bij repeterende beoordelingen zoals inspectie. Meer verdieping over deze toepassingen staat in Industrial AI.
🔁 Waarin verschilt AI van traditionele automatisering?
| Traditionele automatisering | AI-gebaseerde systemen |
|---|---|
| Vooraf geprogrammeerde regels, bijvoorbeeld in IEC 61131 | Leren verbanden uit data en passen die toe op nieuwe situaties |
| Deterministisch: expliciete logica, dezelfde invoer geeft dezelfde uitvoer | Statistisch: uitkomst is een schatting met een foutmarge |
| Gedrag volledig te verifiëren en te valideren | Gedrag moeilijker te verklaren en te testen |
| Reageert op een gemeten afwijking | Kan voorspellen voordat een afwijking optreedt |
| Verandert alleen als een engineer het programma aanpast | Prestaties kunnen afnemen als het proces verandert (model drift) |
AI vervangt daarom geen PLC of PID-regelaar, maar werkt er bovenop: het analyseert, adviseert en optimaliseert, terwijl de bewezen besturing de machine aanstuurt.
🏭 Hoe zet u AI in een OT-omgeving in?
In industriële omgevingen draait AI meestal in een gelaagde architectuur:
- Data komt uit SCADA, MES en de historian, steeds vaker via OPC UA of een Unified Namespace
- Training gebeurt centraal; inferentie draait op edge computing of IPC’s dichtbij de machine, zodat het model ook werkt als de verbinding met de cloud wegvalt
- Terugkoppeling naar het proces loopt bij voorkeur via de operator (advies), of via een begrensde schrijfactie met vaste minimum- en maximumwaarden
- Hertraining gebeurt gecontroleerd: een nieuw model wordt eerst getest en pas daarna vrijgegeven, niet stilletjes tijdens bedrijf
Een beproefde aanpak in vijf stappen:
- Kies één meetbaar probleem, bijvoorbeeld ongeplande stilstand van een compressor of uitval op een verpakkingslijn
- Controleer de data - zijn er genoeg historische storingen, kloppen de tijdstempels en zijn sensoren gekalibreerd?
- Start met advies - het model geeft een melding of aanbeveling; de operator beslist
- Meet het effect tegen een nulmeting, zoals minder stilstand of minder afkeur
- Beheer het model - bewaak de nauwkeurigheid, plan hertraining en leg vast wie verantwoordelijk is
AI-agents die zelfstandig acties uitvoeren vragen om strikte grenzen; zie Agentic AI in OT.
🔐 Welke risico’s en regels gelden voor AI in OT?
AI brengt specifieke risico’s mee: vervuilde of gemanipuleerde trainingsdata (data poisoning), invoer die een model bewust misleidt, verzonnen antwoorden van taalmodellen en model drift. Daarnaast vergroot elke koppeling tussen OT en een AI-platform het aanvalsoppervlak. Die koppelingen beveiligt u volgens IEC 62443 als aparte zones en conduits, bij voorkeur met data die uit OT wordt geduwd, eventueel via een datadiode.
| Kader | Wat het regelt | Status |
|---|---|---|
| AI Act | Wettelijke eisen naar risico; zwaar bij AI als veiligheidscomponent van een machine of in het beheer van kritieke infrastructuur | In werking sinds 1 augustus 2024; hoog-risico-eisen vanaf 2 december 2027 en 2 augustus 2028 |
| ISO/IEC 22989 | Begrippen en terminologie voor AI | Gepubliceerd juli 2022 |
| ISO/IEC 42001 | Certificeerbaar managementsysteem voor AI | Gepubliceerd december 2023 |
| NIST AI RMF 1.0 | Vrijwillige risicoaanpak met Govern, Map, Measure en Manage | Sinds januari 2023 |
| Principles for the Secure Integration of AI in OT | Richtlijn van CISA, ASD’s ACSC en partners, waaronder het NCSC | Gepubliceerd 3 december 2025 |
De rode draad: AI hoort niet in veiligheidsbeslissingen. Het SIS en de functionele veiligheid van een installatie blijven deterministisch en los van AI, en mensen blijven eindverantwoordelijk. Daarnaast verplicht de AI Act iedere organisatie die AI inzet sinds 2 februari 2025 tot voldoende AI-geletterdheid van medewerkers.
❓ Veelgestelde vragen
Wat is het verschil tussen AI en machine learning?
AI is de overkoepelende term voor systemen die uit data afleiden hoe ze voorspellingen, aanbevelingen of beslissingen genereren. Machine learning is een deelgebied van AI waarin een model die vaardigheid leert uit voorbeelddata in plaats van uit handgeschreven regels. Bijna alle industriële AI van dit moment is machine learning.
Kan AI een PLC vervangen?
AI kan een PLC niet vervangen, omdat een PLC deterministisch en verifieerbaar moet regelen en een AI-model met waarschijnlijkheden werkt. AI draait daarom bovenop de besturing: het analyseert data en adviseert setpoints, terwijl de PLC de machine blijft aansturen. Veiligheidsfuncties blijven altijd buiten AI.
Heeft AI veel data nodig?
AI heeft voldoende representatieve data nodig, en voor storingsvoorspelling vooral voorbeelden van echte storingen. Een paar maanden schone, goed getijstempelde procesdata is vaak genoeg voor anomaliedetectie, terwijl het voorspellen van een zeldzame storing jaren aan historie kan vragen. Datakwaliteit weegt bij AI zwaarder dan datahoeveelheid.
Valt AI in een fabriek onder de AI Act?
AI in een fabriek valt onder de AI Act, maar de meeste industriële toepassingen zoals voorspellend onderhoud vallen in de klasse minimaal risico. AI wordt pas hoog risico als het een veiligheidscomponent is van een machine of van het beheer van kritieke infrastructuur, zoals water, gas of elektriciteit. De plicht tot AI-geletterdheid geldt wel voor iedere organisatie die AI gebruikt.
Waar draait AI in een OT-omgeving?
AI in een OT-omgeving wordt meestal centraal of in de cloud getraind en draait voor inferentie lokaal op edge-apparaten of industriële pc’s dichtbij de machine. Zo blijft de toepassing werken bij een verbroken cloudverbinding en blijft de vertraging klein. De koppeling met het OT-netwerk wordt beveiligd als aparte zone volgens IEC 62443.
Wat is model drift bij AI?
Model drift is het verschijnsel dat de nauwkeurigheid van een AI-model afneemt doordat het proces, de grondstoffen of de sensoren veranderen ten opzichte van de trainingsdata. Een model voor voorspellend onderhoud kan bijvoorbeeld onbetrouwbaar worden na vervanging van een pomp. Daarom bewaakt u de prestaties van AI continu en plant u gecontroleerde hertraining.
📌 Samengevat
AI is technologie die uit data afleidt hoe ze voorspellingen, aanbevelingen of beslissingen genereert, en is daarmee een belangrijke drijver achter Smart Industry en IT/OT-convergentie.
In de industrie werkt AI bovenop de bewezen besturing: het voorspelt storingen, herkent defecten en adviseert setpoints, terwijl PLC’s en veiligheidssystemen deterministisch blijven. Succes vraagt om goede data, een meetbaar probleem, beheer van het model en beveiliging volgens IEC 62443, binnen de kaders van de AI Act.