Voorbeeld 1:

Voedselveiligheidsgevaren voorspellen

Wageningen Food Safety Research (WFSR) ontwikkelde samen met private partners uit de diervoedersector een digitaal interactief dashboard dat inzicht geeft in voedselveiligheid. Het dashboard richt zich nu op vier stofgroepen: dioxinen, mycotoxinen, zware metalen en pesticiden in voedermiddelen.

“Het dashboard geeft een overzicht van mogelijke voedselveiligheidsgevaren en kan voorspellingen doen over de waarschijnlijkheid dat dergelijke gevaren in diervoederingrediënten voorkomen”, vertelt Ine van der Fels-Klerx van WFSR. Het dashboard geeft voorspellingen per contaminant, per diervoederingrediënt en per land van herkomst. Het grote voordeel van het dashboard is volgens Ine dat partijen in een vroeg stadium inzicht krijgen in het mogelijke optreden van de gevaren. “Zo kunnen er op tijd beheersmaatregelen worden genomen en kan de monitoring risicogebaseerd worden ingericht.”

Per stofgroep (dioxinen, mycotoxinen, pesticiden en zware metalen) is een apart voorspellingsmodel ontwikkeld.

Het dashboard maakt gebruik van 10 jaar aan historische monitoringsdata. De monitoringsgegevens zijn gecombineerd met andere relevante gegevens, zoals de maximale limieten en richtwaardes van contaminanten in diervoeders, handelsdata, socio-economische data en weerdata. Per stofgroep (dioxinen, mycotoxinen, pesticiden en zware metalen) is een apart voorspellingsmodel ontwikkeld.

“Het dashboard kan eventueel worden uitgebreid met andere gevaren, zoals residuen van dierbehandelingsmiddelen”, vertelt Ine. Het dashboard is ontwikkeld in het project PRORISKFEED; een publiek-private samenwerking tussen WFSR, SecureFeed, GMP+ International en Trouw Nutrition. Het dashboard bevindt zich in de testfase. “Onze partnerbedrijven testen het systeem in de praktijk: is het bruikbaar, helpt het om de besluitvorming te ondersteunen?”

Voorbeeld 2

Mycotoxinen voorspellen

Een publiek-privaat project van WFSR maakt gebruik van AI om de voedselveiligheid te verbeteren. Dit project draait om het voorspellen van mycotoxinen in Europese granen, al voordat de oogst plaatsvindt. Weerinformatie en informatie van de telers worden in modellen gecombineerd waardoor het al in juni/juli mogelijk is om voorspellingen te doen over het optreden van mycotoxinen tijdens de oogst. “Waar in Europa kunnen we dit jaar bijvoorbeeld DON en ZEA verwachten?”, geeft Ine van Fels-Klerx als voorbeeld. Het model geeft per areaal van 25 m2 een beeld van de kans op het optreden van de belangrijkste mycotoxinen in granen.

De mycotoxinewaarschuwingen die we nu vaak langs zien komen zijn gebaseerd op eerste metingen vlak voor of na de oogst of komen van experts. “Maar die zijn voor zover ik weet niet gebaseerd op voorspellingsmodellen. Je moet dan dus wachten tot de eerste oogst. Wanneer je eerder over informatie beschikt, is dat een voordeel. Je weet waar je beter wel en niet grondstoffen kan inkopen. Heb je al contracten? Dan weet je welke grondstoffen je intensiever moet monitoren. En je kunt je route in de keten beter bepalen. Als een bepaalde partij bijvoorbeeld DON zal bevatten, kun je die reserveren voor rundvee in plaats van voor varkens.”

Allerhande informatie wordt in modellen gecombineerd, waardoor het al in juni/juli mogelijk is om voorspellingen te doen over het optreden van mycotoxinen tijdens de oogst.

Dit model wordt momenteel nog niet grootschalig gebruikt. Een aantal grote bedrijven gebruiken wel vergelijkbare modellen voor zichzelf. “Maar eigenlijk zou je willen dat deze gegevens en modellen grootschalig beschikbaar komen”, aldus Ine. “Er is nog geen partij die dit heeft opgepakt en ons model heeft omgezet in een gebruiksvriendelijke tool die beschikbaar is voor de hele sector.”

Voorbeeld 3

Dashcam met AI

Ook op de weg kan AI zorgen voor veiligere situaties. Zo is er een dashcam met AI-ondersteuning beschikbaar. Deze detecteert incidenten en waarschuwt de bestuurder proactief, bijvoorbeeld wanneer een voorganger hard remt of de bestuurder een voetganger op een zebrapad over het hoofd dreigt te zien. “De software van de camera maakt gebruik van AI”, legt William van Straaten van AddSecure uit. “AI maakt het mogelijk om bijvoorbeeld een voetganger, een zebrapad of een naderend incident te detecteren en zo ongelukken te voorkomen.”

Want op het moment dat er gevaar dreigt, hoort de chauffeur een piepend geluid en kan hij of zij (hopelijk op tijd) ingrijpen. Bijkomend voordeel is dat de camera videobeelden maakt van HD-kwaliteit, die kunnen helpen tegen valse schadeclaims.

De camera heeft daarnaast een sensor die naar de cabine is gericht en door middel van AI kan detecteren of de bestuurder in slaap dreigt te vallen, zijn telefoon gebruikt, rookt of de gordel niet om heeft. Ook dan begint de camera te piepen. “Vooral het detecteren van knikkebollen, veelvuldig gapen en het gebruik van de telefoon kan de veiligheid op de weg sterk verhogen”, meent William.

Alhoewel dit ook de veiligheid voor de chauffeur verhoogt, merkt William dat zeker niet alle chauffeurs staan te popelen. Zij wijzen op privacy en GDPR-regels. Gelukkig kan AddSecure de chauffeurs deels geruststellen: de sensor die op de cabine is gericht legt geen beelden vast, maar geeft alleen een melding. Werkgevers zijn logischerwijs positiever over de ontwikkeling. De dashcam kan ongevallen voorkomen. “Vanuit de werkgevers horen we positieve geluiden, zij hebben baat bij het voorkomen van ongelukken. Want je kan je voorstellen dat het ernstige gevolgen kan hebben als een chauffeur wel in slaap valt.”

AI kan bijvoorbeeld detecteren of de bestuurder in slaap dreigt te vallen.

Voorbeeld 4

Veiligheid fabriek vergroten

Videoanalyse met AI kan de veiligheid en productiviteit in de fabriek vergroten. Dit gebeurt bijvoorbeeld al in een pilotfabriek voor koolstofafvang in Londen, Engeland. Maar is ook prima toepasbaar in een diervoederfabriek. In de fabriek draait het om de vraag hoe AI-gestuurde videoanalyse het menselijk potentieel kan versterken en menselijke fouten in installaties kan helpen voorkomen.

De proefinstallatie voor koolstofafvang in Londen gebruikt het ABB Ability System 800xA voor gedistribueerde procescontrole. Het bevat meer dan 250 ABB-instrumenten voor het meten van temperatuur, druk en CO2. Het besturingssysteem van de pilotfabriek regelt en coördineert automatisch alle aspecten van het fabrieksproces. Dit wordt vervolgens gevisualiseerd op displays. Als onderdeel van het nieuwe project bekijkt AI videobeelden via een plug-in. Deze plug-in waarschuwt het besturingssysteem, bijvoorbeeld als meetinstrumenten niet correct zijn geplaatst voordat een proces wordt gestart of afgesloten.

Zo kan het system nagaan of geselecteerde kleppen zich in de juiste positie bevinden – open dan wel gesloten – voordat pompen worden uitgeschakeld. Verder kan het ‘ongewone gebeurtenissen’ detecteren, zoals rook of brand. Maar het system waarschuwt ook als het iets ongewoons opmerkt dat samenhangt met gezondheid, veiligheid en milieu. Bijvoorbeeld als werknemers geen gebruik maken van beschermende uitrusting.

“We hebben veel analytische technologieën in ons portfolio, en willen nu heel graag het volledige potentieel van AI-ondersteunde videoanalyse verkennen”, zegt Jean-René Roy, global Business line manager bij ABB Measurement & Analytics. “Er kunnen heel wat operationele inzichten uit beelden worden gehaald.” Hij vindt het dan ook mooi om te zien dat dat in deze omgeving kan worden toegepast.

Bij grotere bedrijven hangen vaak al beveiligingscamera’s of cctv. “Met AI-gestuurde videoanalyse kun je videofeeds van het camerasysteem naar de werkruimte van de operator sturen”, zegt Hanno Blankenstein, CEO Unleash live. “Dat kan realtime tot bruikbare inzichten leiden, terwijl dit anders uren kan duren. Deze mogelijkheid wordt onderbenut en wij willen het potentieel ervan laten zien.”

Voorbeeld 5

Visuele inspectie grondstoffen

AI kan worden ingezet bij kwaliteitscontroles door bijvoorbeeld beeldherkenningstechnologie toe te passen bij het inspecteren. Een camera maakt foto’s of video’s van de producten en stuurt deze beelden naar een AI-systeem. Dit systeem analyseert vervolgens de producten en bepaalt of het product voldoet aan de gestelde kwaliteitsnormen. Is dit niet het geval? Dan wordt het automatisch uitgesorteerd. Dankzij de inzet van AI kan zo de productkwaliteit verbeteren en het productieproces efficiënter maken, doordat kwaliteitscontroles sneller en nauwkeuriger worden.

AI ook een gevaar voor de veiligheid?

AI kan ook een veiligheidsrisico vormen. Zo kan AI ervoor zorgen dat cybercriminelen makkelijker kunnen toeslaan. “Wanneer je een geluidsbestand van iemand hebt, kun je deze met AI manipuleren en de stem alles laten zeggen wat je wil. Dit noemen we ook wel deepfake. Criminelen kunnen je vervolgens bellen en vervolgens zeggen: ‘Ik heb je kind hier, je moet geld betalen’ en dan de stem van je kind laten horen”, geeft Kay Pruis van Rabobank als voorbeeld (zie ook het artikel op pagina 30). Dit voordoen als iemand anders wordt ook wel spoofing genoemd. Door spoofing te combineren met deepfake-technologie worden mensen makkelijker misleid en verleid om te doen wat de criminelen zeggen.

Ook een rondje op internet leert dat AI en cybercriminelen een slechte combinatie zijn. Criminelen kunnen AI bijvoorbeeld inzetten om moeilijk detecteerbare malware en geavanceerde aanvalstechnieken te ontwikkelen. Ze gebruiken AI-algoritmen om kwetsbaarheden in systemen te identificeren en aanvalsstrategieën te optimaliseren. Daarnaast kunnen ze met AI geautomatiseerde cyberaanvallen op grote schaal uitvoeren. Ze ontwikkelen bots en malware die autonoom handelen en zich aanpassen aan verdedigingsmechanismen. Hierdoor kunnen ze grotere schade aanrichten in een kortere tijd.

Deel dit artikel

Tessa Nederhoff