Het keerpunt voor industriële AI: van analyse naar actie
Op de Hannover Messe 2026 verschoof het gesprek rond industriële AI. Op de beursvloer demonstreerden steeds meer systemen AI-gestuurde waarneming, besluitvorming en adaptieve besturing, in plaats van alleen traditionele automatisering. Zoals Siemens en andere marktleiders in de industrie benadrukken, ligt de echte waarde van AI niet in analyses in de cloud. Die ligt juist in het vermogen om in realtime beslissingen te nemen op de productievloer.
Industriële AI ondergaat een koerswijziging: van data-analyse op de backoffice naar realtime beslissingen op de productielijn, van “waarnemer” naar “actieve deelnemer”. De drijvende kracht achter deze verschuiving is Edge AI: het verplaatsen van AI-inferentie van datacenters in de cloud naar de productievloer, waar realtime analyses en besluitvorming kunnen plaatsvinden met een lagere latentie en hogere betrouwbaarheid.
Marktgegevens bevestigen dit. Volgens QYResearch werd de wereldwijde markt voor AI-edgecontrollers in 2025 geschat op ongeveer 377 miljoen USD en zal deze naar verwachting in 2032 1,843 miljard USD bereiken, met een CAGR van 25,8%. De bredere markten voor edge computing en industriële AI blijven gestaag groeien, en het zwaartepunt van industriële computing verschuift van de cloud naar de productievloer.
Maar hier zit de kloof. Gartner voorspelt dat tegen 2026 60% van de AI-projecten zullen worden stopgezet vanwege een gebrek aan “AI-ready data”. Rob McGreevy, Chief Product Officer bij AVEVA, zegt het ronduit: de belangrijkste uitdaging voor industriële ondernemingen zijn niet de algoritmen, maar de infrastructuur. Operationele gegevens, technische gegevens, workflows en compliancekaders zijn zelden systematisch geïntegreerd, waardoor het moeilijk is om de inzet van AI op te schalen. Met andere woorden: het ontbreekt AI niet aan algoritmen. Wat ontbreekt, is het datapad dat die algoritmen met de productievloer verbindt.
IT/OT-integratie: de laatste stap voor industriële AI
De grootste belemmering voor de invoering van AI in de industrie is in wezen de al lang bestaande kloof tussen IT (informatietechnologie) en OT (operationele technologie).
OT omvat de fysieke besturingssystemen op de productielijn – PLC’s, sensoren, actuatoren en robots – die zorgen voor een deterministische werking. OT-gegevens zijn verspreid over een breed scala aan heterogene apparaatecosystemen. IT daarentegen beheert MES-, ERP- en cloudplatforms en AI-modelsystemen, verwerkt enorme datasets en stuurt beslissingen op hoog niveau aan. Het probleem is dat deze twee werelden volgens fundamenteel verschillende prioriteiten werken: OT vereist determinisme en betrouwbaarheid, terwijl IT flexibiliteit en schaalbaarheid vereist. Als gevolg daarvan slagen de AI-modellen en data-analyses aan de IT-kant er maar moeilijk in om de productievloer rechtstreeks te bereiken en realtime waarde te leveren.
Industriële edge computing speelt een cruciale verbindende rol bij de integratie van IT en OT: het koppelt OT-apparaten aan IT-toepassingen, zodat veldgegevens kunnen worden vastgelegd, lokaal verwerkt en omgezet in intelligente beslissingen. Door middel van lokale verwerking, veilige gegevensuitwisseling en samenwerking via de cloud creëert het een volledig traject van veldapparaten naar slimme besluitvorming.
Waarom Edge-AI belangrijk is: van cloud-AI naar intelligentie ter plaatse
Traditionele AI-toepassingen maken doorgaans gebruik van cloud computing. De werkwijze is eenvoudig: het apparaat verzamelt gegevens → uploadt deze naar de cloud → het AI-model analyseert ze → levert de resultaten op. Dit model werkt prima voor scenario’s met grote gegevensvolumes en lage eisen op het gebied van realtime-verwerking. Maar in industriële omgevingen krijgt AI te maken met een andere reeks uitdagingen.
Edge AI biedt hiervoor een oplossing door AI-inferentie aan de rand in te zetten – waardoor reken- en inferentiecapaciteiten dichter bij de apparatuur en de gegevensbron worden gebracht, waardoor AI verandert van een “analysetool in de cloud” in “realtime intelligentie ter plaatse”.”
Het biedt een oplossing voor drie belangrijke uitdagingen in industriële omgevingen:
1. Lagere latentie
Toepassingen op het gebied van machine vision, kwaliteitscontrole en bewegingsbesturing vereisen doorgaans reactietijden op millisecondeniveau. Met Edge AI worden gegevens in de buurt van de apparatuur geanalyseerd, zonder dat er een heen-en-terugreis naar de cloud nodig is. Dit verkort de reactietijd aanzienlijk en stelt AI in staat om direct bij beslissingen ter plaatse betrokken te zijn. Tegen de tijd dat een in de cloud verwerkt resultaat terugkomt, is het product mogelijk al doorgegaan naar de volgende processtap.
2. Betrouwbare werking
Industriële netwerkomgevingen zijn niet altijd stabiel. Wi-Fi-signalen kunnen worden verstoord door metalen constructies, de 4G/5G-dekking kan onvoldoende zijn en netwerkswitches vallen af en toe uit. Dankzij Edge AI kunnen cruciale AI-toepassingen lokaal blijven draaien – zelfs wanneer de verbinding met de cloud tijdelijk wegvalt – waardoor de belangrijkste productieprocessen zonder onderbreking doorgaan.
3. Gegevensbeveiliging
Productiebedrijven beschikken over essentiële bedrijfsgegevens, waaronder procesparameters, de status van apparatuur en de resultaten van kwaliteitscontroles. Dankzij lokale AI-verwerking hoeven de ruwe gegevens niet in hun geheel naar de cloud te worden geüpload. Bedrijven kunnen gevoelige gegevens ter plaatse bewaren en alleen de benodigde analyseresultaten doorsturen naar systemen op een hoger niveau, waardoor de risico’s op het gebied van beveiliging en naleving aanzienlijk worden verminderd.
Voor industriële AI-toepassingen is Edge AI niet zomaar een “betere optie” – het is de enige haalbare weg vooruit. Het is een fundamentele architectuur waarmee AI zich daadwerkelijk kan aanpassen aan de eisen op het gebied van realtime-verwerking, betrouwbaarheid en beveiliging die in industriële omgevingen gelden.
Industriële edge computing: de rekenlaag ter plaatse voor industriële AI-toepassingen
Nu AI de overstap maakt van de cloud naar de fabrieksvloer, hebben bedrijven meer nodig dan alleen AI-modellen. Ze hebben een edge computing-platform nodig waarmee ze verbinding kunnen maken met apparatuur, gegevens kunnen verwerken en AI-toepassingen kunnen uitvoeren.
EC700 laat zien hoe deze mogelijkheden kunnen worden geïntegreerd in één enkel industrieel edge-AI-platform. Het is geen vervanging van PLC’s, maar het creëert een nieuwe intelligente rekenlaag op het raakvlak tussen IT en OT.
Terwijl PLC’s zorgen voor realtime besturing, speelt dit platform in op de nieuwe rekenbehoeften van het tijdperk van industriële AI: het maakt het mogelijk om gegevens van industriële apparaten ter plaatse vast te leggen, te verwerken en in te voeren in AI-inferentie, waardoor de basis voor edge computing voor industriële AI-toepassingen wordt gelegd. Vroeger was hiervoor een combinatie van industriële gateways, industriële pc’s en server- of cloudcomputing-bronnen nodig. Tegenwoordig kunnen deze mogelijkheden worden gebundeld in één enkel edge-intelligentieknooppunt.
1. De waarde van een open-source ARM-platform
Een belangrijk onderscheidend kenmerk is de softwarelaag. In tegenstelling tot traditionele, gesloten industriële apparaten die gebruikers beperken tot firmware met vaste functies, biedt een open-source ARM Linux-platform ontwikkelaars de vrijheid om hun eigen AI-modellen, industriële applicaties en containerdiensten in te zetten op basis van de projectvereisten. Voor industriële scenario’s waarin vereisten veranderen, protocollen worden geüpgraded en modellen worden aangepast, is deze openheid van groot belang: het platform kan zich in de loop van de tijd aanpassen in plaats van te worden vervangen wanneer de behoeften veranderen.
2. Wat ‘schaalbare AI-computing’ eigenlijk inhoudt
Op hardwareniveau is het platform gebaseerd op de RK3588J ARM-processor van industriële kwaliteit, met een ingebouwde NPU die basistaken op het gebied van visuele inspectie, classificatie en segmentatie uitvoert. Naast wat een traditionele industriële pc biedt op het gebied van data-acquisitie en het hosten van applicaties, voegt het lokale AI-inferentie toe – waardoor visuele analyses, applicaties met grote modellen en intelligente beslissingen direct aan de rand van het apparaat kunnen worden uitgevoerd.
Dankzij de dubbele M.2 PCIe-interfaces voor AI-versnellingsmodules kan de rekenkracht worden geschaald van 6 TOPS tot 320 TOPS. Deze schaalbare architectuur stelt bedrijven in staat om hun rekencapaciteit stapsgewijs uit te breiden naarmate de complexiteit van AI-toepassingen toeneemt – zonder dat een volledig hardwaresysteem opnieuw hoeft te worden geïmplementeerd. Veel productielijnen passen AI gefaseerd toe: ze beginnen met een proefproject voor visuele defectdetectie en breiden vervolgens uit naar complexere modellen zodra de resultaten zijn gevalideerd. Wat productieteams daadwerkelijk nodig hebben, is één apparaat en één softwareomgeving die beide fasen aankan.
3. Grote modellen in de productielijn uitvoeren
Het platform ondersteunt de implementatie van grote taalmodellen (LLM’s) en beeld-taalmodellen (VLM’s) met een parameterbereik van 1,5 miljard tot 35 miljard, waaronder Gemma, Llama en Qwen, via implementatie in Docker-containers. AI-modellen, industriële toepassingen en servicecomponenten kunnen onafhankelijk draaien en snel worden aangepast. Praktische toepassingen zijn onder meer AI-apparatuurassistenten, Q&A over industriële kennis, onderhoudsondersteuning en multimodale beeld- en taalanalyse. Hierdoor wordt intelligente ondersteuning op basis van apparatuurgegevens en kennisbanken van de onderneming naar de fabrieksvloer gebracht, wat verder gaat dan traditionele automatiseringslogica.
Wanneer bijvoorbeeld een apparaat op de productielijn een alarm activeert, kunnen technici gebruikmaken van een AI-assistent ter plaatse om snel informatie over foutanalyses en aanbevelingen voor het oplossen van het probleem te krijgen op basis van apparaatgegevens en kennisbanken – in plaats van te wachten tot de gegevens naar de cloud zijn geüpload en de resultaten zijn teruggestuurd. Dat is Edge AI-inferentie in de praktijk op de fabrieksvloer.
4. Protocolconnectiviteit en gegevenspijplijn
Wat het software-ecosysteem betreft, ondersteunt het platform Node-RED 4.0 voor visuele processtroomcoördinatie, NeuronEX voor toegang tot industriële protocollen en gegevensverzameling, en FUXA voor webgebaseerde SCADA-monitoring en -visualisatie. Door ondersteuning van meerdere industriële protocollen en apparaatverbindingen kan het platform koppelen met verschillende soorten veldapparatuur voor uniforme gegevensverzameling, waarna het via MQTT, HTTP en andere industriële IoT-interfaces verbinding maakt met MES- of cloudplatforms. De volledige pijplijn is een gesloten kringloop: veldapparatuur → gegevensverzameling → edge-verwerking → AI-analyse → visualisatie → cloudsystemen.
5. Ontworpen voor industriële omgevingen
Wat de hardware betreft, is de EC700 voorzien van passieve koeling zonder ventilator, met een behuizing van een aluminiumlegering en grote koelribben. Het apparaat werkt bij temperaturen van -20 °C tot 70 °C en beschikt over foto-elektrische isolatie en overspanningsbeveiliging aan de I/O-zijde. Dit zijn geen spectaculaire specificaties, maar ze zijn precies wat apparatuur voor productielijnen nodig heeft: aansluiten en het blijft draaien.
Wat nu?
De volgende fase van industriële AI draait niet om het naar de cloud sturen van nog meer data. Het gaat erom intelligentie dichter bij de plek te brengen waar de data worden gegenereerd. Apparaten evolueren van “databronnen” naar “intelligente knooppunten” – die in staat zijn tot realtime waarneming, analyse en besluitvorming via Edge AI.
Industriële edge-AI-computerplatforms zoals de EC700 worden een onmisbare infrastructuur voor IT/OT-integratie: ze verbinden industriële apparatuur, draaien AI-modellen en stimuleren slimme beslissingen ter plaatse voor Smart Manufacturing. De toekomst van de productie draait niet om het genereren van meer gegevens uit apparatuur. Het gaat erom ervoor te zorgen dat die data wordt begrepen, verwerkt en omgezet in realtime actie – op de juiste plaats, op het juiste moment.
