Wat is Deep Learning?
Deep Learning is een vorm van Machine Learning waarbij kunstmatige neurale netwerken met veel opeenvolgende lagen zelf leren welke kenmerken in ruwe data, zoals beelden, geluid, tekst of sensorsignalen, belangrijk zijn om een voorspelling of beslissing te maken. “Deep” verwijst naar de diepte van het netwerk: het aantal verborgen lagen tussen invoer en uitvoer. Deep Learning is vooral sterk in het herkennen van complexe patronen in ongestructureerde data en vormt de kern van veel moderne toepassingen van AI, van visuele inspectie tot taalmodellen. In de industrie ondersteunt het toepassingen in zowel IT als OT.
🧠 Hoe werkt Deep Learning?
Een neuraal netwerk bestaat uit lagen van eenvoudige rekeneenheden (neuronen). Elk neuron vermenigvuldigt zijn invoer met gewichten, telt een bias op en stuurt het resultaat door een niet-lineaire activatiefunctie. De opbouw is altijd gelijk:
- Invoerlaag - ontvangt de ruwe data, bijvoorbeeld de pixels van een camerabeeld of een venster van trillingsmetingen
- Verborgen lagen - elke laag leert abstractere representaties: in een beeld eerst randen, dan vormen, daarna complete objecten of defecten
- Uitvoerlaag - geeft het resultaat, zoals een klasse (“goed”/“kras”), een kans of een voorspelde meetwaarde
Tijdens de training vergelijkt het netwerk zijn uitkomst met het juiste antwoord. Het algoritme backpropagation, in 1986 bekend gemaakt door Rumelhart, Hinton en Williams, berekent hoe elk gewicht bijdroeg aan de fout. Een optimalisatiemethode zoals gradient descent past de gewichten daarna stap voor stap aan. Dat herhaalt zich over vele duizenden voorbeelden en vergt veel rekenkracht, daarom gebeurt training op GPU’s in een datacenter of de cloud.
Na de training volgt inferentie: het vaste model past wat het geleerd heeft toe op nieuwe data. Inferentie is veel lichter en draait in de fabriek vaak op een edge-apparaat of industriële pc dicht bij de machine.
🔄 Wat is het verschil tussen Machine Learning en Deep Learning?
Deep Learning is een deelgebied van Machine Learning. Het grootste verschil zit in feature engineering: bij klassieke algoritmes bepaalt een engineer welke kenmerken het model krijgt, bij Deep Learning leert het netwerk die kenmerken zelf uit de ruwe data.
| Aspect | Klassieke Machine Learning | Deep Learning |
|---|---|---|
| Kenmerken (features) | Handmatig gekozen door een expert | Automatisch geleerd uit ruwe data |
| Benodigde data | Vaak honderden tot duizenden records | Duizenden tot miljoenen voorbeelden, minder met transfer learning |
| Rekenkracht | Gewone CPU volstaat | GPU of AI-accelerator voor training |
| Sterk in | Tabeldata, procesdata, tijdreeksen met duidelijke kenmerken | Beeld, geluid, tekst, trillingsspectra |
| Uitlegbaarheid | Relatief goed (beslisbomen, regressie) | Beperkt, een “black box” |
| Voorbeelden | Random forest, gradient boosting, regressie | CNN, LSTM, transformer, autoencoder |
Voor tabel- en procesdata uit sensoren presteren klassieke algoritmes zoals gradient boosting vaak even goed als een neuraal netwerk, met minder data en betere uitlegbaarheid. Kies Deep Learning dus niet omdat het modern is, maar omdat de data ongestructureerd is.
📜 Hoe is Deep Learning ontstaan?
Neurale netwerken bestaan al sinds de jaren 1950, maar pas rond 2012 werden ze praktisch bruikbaar door drie factoren: grote gelabelde datasets, betaalbare GPU’s en betere trainingsmethoden.
| Jaar | Mijlpaal | Betekenis |
|---|---|---|
| 1982 | Hopfield-netwerk | Associatief geheugen dat patronen opslaat en reconstrueert |
| 1986 | Backpropagation (Rumelhart, Hinton, Williams) | Praktische manier om netwerken met verborgen lagen te trainen |
| 1997 | LSTM (Hochreiter en Schmidhuber) | Recurrent netwerk dat lange afhankelijkheden in reeksen onthoudt |
| 2012 | AlexNet wint ImageNet | Top-5-fout van 15,3%, ruim 10 procentpunt beter dan de nummer twee, getraind op twee GPU’s |
| 2017 | Transformer (“Attention Is All You Need”, Google) | Basis van moderne taalmodellen zoals GPT |
| 2018 | Turing Award voor Bengio, Hinton en LeCun | Erkenning van diepe neurale netwerken als kern van de informatica |
| 2024 | Nobelprijs Natuurkunde voor Hopfield en Hinton | Voor fundamentele ontdekkingen die machine learning met neurale netwerken mogelijk maken |
🧱 Welke netwerktypes zijn belangrijk?
| Modeltype | Werking | Industriële toepassing |
|---|---|---|
| Convolutional Neural Network (CNN) | Filters schuiven over een beeld en herkennen lokale patronen | Beeld- en video-analyse, Vision-inspectie, OCR van lotcodes |
| Recurrent Neural Network (RNN) / LSTM | Onthoudt eerdere stappen in een reeks | Tijdreeksen, spraak, voorspellen van procesvariabelen |
| Transformer | Aandachtsmechanisme verwerkt een hele reeks tegelijk | Tekstgeneratie, vertaling, codegeneratie, vision transformers |
| Autoencoder | Comprimeert en reconstrueert normale data | Dimensiereductie, anomaliedetectie |
| Generative Adversarial Network (GAN) | Twee netwerken concurreren: generator tegen discriminator | Beeldgeneratie, synthetische trainingsdata, simulaties |
De autoencoder is in de industrie bijzonder nuttig: hij traint alleen op goede producten of normaal procesgedrag. Een hoge reconstructiefout wijst dan op een afwijking, ook als dat defecttype nooit eerder voorkwam.
🏭 Waar wordt Deep Learning in de industrie gebruikt?
| Toepassing | Data | Voorbeeld |
|---|---|---|
| Computer vision | Camerabeelden | Krassen, scheuren of ontbrekende onderdelen detecteren met Vision AI |
| Voorspellend onderhoud | Trillingen, temperatuur, stroom | Lagerschade herkennen in trillingsspectra via condition monitoring |
| Anomaliedetectie | Procesdata, netwerkverkeer | Afwijkend gedrag in processen of cyberactiviteit opsporen |
| Natural Language Processing | Storingsrapporten, handleidingen | Chatbots en documentanalyse voor onderhoudsteams |
| Audioherkenning | Microfoons bij machines | Spraakherkenning, geluidsclassificatie van pompen en compressoren |
| Robotica en zelfrijdende voertuigen | Camera, lidar | Objecten en bewegingen herkennen voor robots en AGV’s |
| Soft sensors | Historische procesdata | Een moeilijk meetbare kwaliteitswaarde schatten uit andere metingen |
De trainingsdata komt vaak uit een historian of tijdreeksdatabase. Deep Learning is daarmee een bouwsteen van Industrial AI, digital twins en Industrie 4.0.
🔧 Hoe zet u Deep Learning in een OT-omgeving in?
Een succesvol project begint klein en blijft dicht bij de procesvraag. Een praktische aanpak:
- Definieer de vraag - bijvoorbeeld “welk percentage afkeur door krassen wil ik automatisch vinden?” en bepaal hoe u succes meet (detectiegraad, valse afkeur).
- Verzamel representatieve data - alle productvarianten, belichtingssituaties, seizoenen en storingstoestanden. Een model leert alleen wat het gezien heeft.
- Label zorgvuldig - laat operators of kwaliteitsmedewerkers labelen. Fouten in labels worden fouten in het model.
- Gebruik transfer learning - start met een vooraf getraind netwerk en train alleen de laatste lagen bij. Zo volstaan voor visuele inspectie vaak honderden in plaats van miljoenen beelden.
- Valideer op aparte testdata - met data die het model nooit zag, inclusief randgevallen.
- Optimaliseer voor de edge - exporteer naar het open formaat ONNX (in 2017 gestart door Facebook en Microsoft) en kwantiseer naar INT8. Dat maakt het model ongeveer vier keer kleiner dan in FP32.
- Beheer het model in productie - bewaak de nauwkeurigheid, train opnieuw na product- of procesveranderingen en leg elke modelversie vast via change management.
Typische waarden in de praktijk:
| Parameter | Typische waarde |
|---|---|
| Inferentietijd per beeld op een edge-GPU | Enkele tot enkele tientallen milliseconden |
| Rekenkracht edge-module (bijv. NVIDIA Jetson Orin) | 34 tot 275 TOPS bij 7 tot 60 W |
| Gelabelde beelden per foutklasse met transfer learning | Honderden tot enkele duizenden |
| Modelgrootte na INT8-kwantisatie | Circa een kwart van het FP32-model |
| Openbare referentiedataset anomaliedetectie (MVTec AD) | Ruim 5.000 beelden in 15 categorieën |
Een deep-learningmodel is niet strikt deterministisch in zijn rekentijd. Harde realtime-acties, zoals een uitwerper op een vaste positie, blijven daarom bij de PLC, die de uitkomst alleen als input gebruikt. Inferentie via edge computing houdt de latency laag en de lijn draaiende als de verbinding met het datacenter wegvalt.
🔐 Welke risico’s en regels gelden voor Deep Learning in OT?
Technische aandachtspunten:
- Data en rekenkracht - training vergt grote hoeveelheden gelabelde data en GPU-capaciteit
- Black box - een neuraal netwerk is minder uitlegbaar dan klassieke algoritmes; operators moeten een advies kunnen begrijpen en overrulen
- Overfitting - een te complex model leert de trainingsdata uit het hoofd en faalt op nieuwe situaties
- Model drift - slijtage, nieuwe grondstoffen of andere belichting maken een model langzaam onnauwkeurig; monitoring en hertraining zijn nodig
Security: een vision-pc of edge-apparaat met GPU-drivers en AI-bibliotheken vergroot het aanvalsoppervlak in het OT-netwerk. NIST beschrijft in NIST AI 100-2 E2025 aanvallen als evasion (invoer manipuleren) en poisoning (trainingsdata vervuilen). Bescherm datapijplijnen en modelbestanden net als andere OT-systemen, borg de data-integriteit en let bij voorgetrainde modellen op supply chain-risico’s. De internationale richtlijn over AI in OT van december 2025, mede opgesteld door het Nederlandse NCSC, maant tot grote terughoudendheid met AI in veiligheidskritische beslissingen; taalmodellen horen volgens de richtlijn vrijwel zeker geen veiligheidsbeslissingen te nemen. Het SIS blijft deterministisch.
Regelgeving:
- AI Act - sinds 2 februari 2025 moeten organisaties maatregelen nemen voor de AI-geletterdheid van hun medewerkers. Deep Learning als veiligheidscomponent valt onder hoog risico. Na de digitale omnibus gelden die eisen vanaf 2 december 2027 voor kritieke infrastructuur en vanaf 2 augustus 2028 voor machines.
- Machineverordening - vanaf 20 januari 2027 vallen veiligheidscomponenten met zelflerend gedrag onder beoordeling door een aangemelde instantie.
- Cyber Resilience Act - producten met digitale elementen, zoals slimme camera’s en AI-software, moeten vanaf 11 december 2027 aan cybersecurity-eisen voldoen.
- Normen - ISO/IEC 22989:2022 legt AI-begrippen vast en ISO/IEC 23053:2022 beschrijft een raamwerk voor AI-systemen op basis van machine learning.
❓ Veelgestelde vragen
Wat is het verschil tussen AI, Machine Learning en Deep Learning?
AI is de overkoepelende term voor systemen die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is. Machine Learning is het deelgebied waarin modellen leren uit voorbeelddata. Deep Learning is een vorm van Machine Learning met meerlaagse neurale netwerken die zelf kenmerken uit ruwe data leren.
Hoeveel data heeft Deep Learning nodig?
Een Deep Learning-model dat vanaf nul traint, heeft vaak tienduizenden tot miljoenen voorbeelden nodig. Met transfer learning, waarbij u een vooraf getraind netwerk bijtraint, volstaan voor industriële beeldinspectie vaak honderden tot enkele duizenden gelabelde beelden per foutklasse. Belangrijker dan de hoeveelheid is dat de data alle varianten en storingstoestanden bevat.
Heeft Deep Learning altijd een GPU nodig?
Voor training is een GPU of AI-accelerator in de praktijk onmisbaar, omdat het netwerk miljoenen gewichten herhaaldelijk aanpast. Voor inferentie volstaat vaak een compacte edge-module of een industriële pc met een kleine GPU of NPU. Een gekwantiseerd model kan soms zelfs op een gewone CPU draaien.
Kan Deep Learning een PLC of veiligheidssysteem vervangen?
Nee, Deep Learning vervangt geen PLC of veiligheidssysteem. Een deep-learningmodel is probabilistisch en niet deterministisch in zijn rekentijd, dus de PLC voert de besturing uit en gebruikt de uitkomst van het model alleen als input. Veiligheidsfuncties blijven in een gecertificeerd SIS of veiligheidsrelais.
Wanneer kiest u klassieke Machine Learning in plaats van Deep Learning?
Klassieke Machine Learning is meestal de betere keuze voor tabel- en procesdata met duidelijke kenmerken, zoals temperaturen, drukken en debieten. Algoritmes zoals gradient boosting hebben minder data nodig en zijn beter uitlegbaar. Deep Learning loont vooral bij beelden, geluid, tekst en trillingsspectra.
Valt Deep Learning onder de AI Act?
Ja, elk AI-systeem op basis van Deep Learning valt onder de AI Act, maar de meeste industriële toepassingen zoals kwaliteitsinspectie en voorspellend onderhoud vallen in een lage risicoklasse. Wordt Deep Learning een veiligheidscomponent van een machine of van kritieke infrastructuur, dan gelden hoog-risico-eisen vanaf 2 december 2027 of 2 augustus 2028. Daarnaast moet elke organisatie die AI inzet sinds 2 februari 2025 maatregelen nemen voor de AI-geletterdheid van haar medewerkers.
📌 Samengevat
Deep Learning is een krachtige AI-technologie die neurale netwerken met meerdere lagen gebruikt om patronen en beslissingen te leren uit complexe, ongestructureerde data.
Het vormt de motor achter veel toepassingen in de moderne industrie, zoals computer vision, voorspellend onderhoud en anomaliedetectie. Succes in OT vraagt om representatieve data, inferentie aan de edge, een PLC die de regie houdt, aandacht voor security en naleving van de AI Act en de Machineverordening.