Bij de eindcontrole staat een medewerker met een onderdeel in zijn hand. Hij draait het een halve slag, kijkt langs de rand en legt het weg. Goed of niet goed, beslist in twee seconden op grond van jaren ervaring. Die twee seconden zijn lastig te automatiseren, en daar lopen de meeste AI-voorstellen in productie op stuk.
Toch valt er wel iets te winnen. Niet door die twee seconden te vervangen, maar door het werk eromheen: de foto's die niemand terugkijkt, de ingevulde controlelijsten die in een map verdwijnen, de meetwaarden die pas bij de klacht boven tafel komen.
Wat wil je eigenlijk afkeuren?
Voordat je een camera of een model uitzoekt, moet er een definitie liggen van wat een afwijking is. Niet in termen als "krassen" of "niet haaks", maar als een kenmerk met een tolerantie, een meetmethode en de omstandigheid waarin gemeten is. Zonder die vier is elke uitkomst discutabel, ook die van een mens.
Dat is meestal de eerste verrassing in zo'n project. De kennis bestaat wel, maar zit in het hoofd van twee mensen en in een kwaliteitshandboek dat drie versies achterloopt. Het gesprek met de keurmeester levert de bruikbare norm op. Een braam aan de onderkant mag, aan de zichtzijde niet, en de zichtzijde is bij dit product de kant waar het label zit. Zulke uitzonderingen haal je niet uit een dataset, die moet iemand opschrijven.
Een deel van het oordeel blijkt niet vast te leggen. Een keurmeester keurt iets goed omdat het onderdeel ruw aanvoelt op een plek waar dat niet hoort, of omdat de pers bij de laatste slag anders klonk. Dat is geen data die je even in een formulier stopt. Het is wel een reden om het besluit bij die persoon te laten en het model alleen het voorwerk te geven.
Wat een foto wel vastlegt en niet verklaart
Beeldherkenning is sterk in dingen aanwijzen: een braam, een kras, een ontbrekend label, een verkeerde kleur partij, een onderdeel dat op de verkeerde plek in de bak ligt. Het is zwak in uitleggen waarom iets misging. Een model dat een kras vindt, vertelt je niet dat de geleider verlopen is. Die stap blijft mensenwerk, en daar begint pas de kwaliteitsverbetering.
Belangrijker is de vraag of je foto's onderling vergelijkbaar zijn. In de praktijk niet. Een foto onder de tl-balk naast de pers heeft een andere kleurzweem dan dezelfde foto bij het raam, en een model dat op kleur let, leert dat verschil als afwijking aan. Een telefoon op dertig centimeter geeft iets anders dan een telefoon op een armlengte. Wie dit niet vastzet, verzamelt ruis en noemt het een dataset.
Wat je met losse foto's niet krijgt, is een meting. Een foto van twee megabyte vanaf een werkbank is geen meetinstrument, hoe scherp hij ook lijkt. Zeg dat hardop in een project, want anders verwacht over een half jaar iemand dat het model ook de wanddikte controleert.
Een formulier uitlezen is geen beeldherkenning
Een groot deel van de kwaliteitsdata in een productiebedrijf is helemaal geen beeld. Het zijn controleformulieren met vinkjes, meetrapporten met waarden, en de aantekeningen van de ploeg aan het eind van de dienst. Die moet je eerst leesbaar krijgen. Dat is documentextractie: velden uitlezen, eenheden omrekenen, een waarde naast een tolerantie leggen. Voor dat laatste heb je geen model nodig, dat is rekenwerk met een grens.
De rommel zit in de aanlevering. Hetzelfde meetrapport komt binnen als PDF uit de meetsoftware, als scan van een uitgeprinte Excel, en soms als foto van een scherm waar de muis nog op staat. Gecertificeerde meetapparatuur levert waarden waarvan de geldigheid aan een kalibratie hangt. Een model dat die waarden overneemt, verandert niets aan die geldigheid. Het mag de uitkomst niet mooier maken dan de meter toelaat.
Voor het inlezen van die formulieren en meetrapporten is documentverwerking meestal de eerste stap: velden eruit, eenheden gelijk, klaar om te beoordelen.
De drempel stel je in de hal in, niet in de demo
Elke detector heeft een grens nodig: vanaf welke afwijking telt iets als afwijking. Die grens is geen technische instelling maar een bedrijfsbeslissing. Te strak en de werkvloer krijgt een rij meldingen die niemand wegwerkt, waarna het systeem binnen drie weken genegeerd wordt. Te ruim en je mist precies de gevallen waarvoor je het bouwde.
De twee fouten zijn niet even duur. Een foutpositief kost een minuut controletijd. Een foutnegatief kost een partij die bij de klant ligt. Toch is de neiging om de drempel scherp te zetten, omdat een scherpe drempel in een demo indruk maakt. Vraag in plaats daarvan wat een gemiste afwijking kost en wat een extra check kost, en zet de grens op basis van dat antwoord.
Er is een tussenstand die goed werkt: markeren met de reden erbij, beoordelen, en die beoordeling terug laten vloeien. Na honderd beoordelingen weet je waar de grens hoort. Dat is geen training meer, dat is tellen wat er langskomt. Over de rolverdeling tussen model en medewerker staat meer in Human in the loop bij AI-automatisering.
Van signaal naar een actie met een eigenaar
Een afwijkingssignaal dat in een dashboard belandt, is geen kwaliteitscontrole. Het wordt pas iets als er een eigenaar aan hangt, een termijn, en een plek waar de afhandeling te zien is. In de praktijk loopt dat mis bij de overdracht: de melding komt bij de planner, de planner wacht op de werkvoorbereiding, en intussen loopt de order door.
Zet die route vast in de workflow zelf. Elk signaal krijgt een eigenaar op basis van productielijn of productfamilie, een termijn die meeloopt met de order, en een status die zichtbaar is voor de ploeg. Een signaal zonder eigenaar blijft liggen, ook als de workflow hem netjes heeft opgepakt. Dat is de meest voorkomende faalmodus, en de goedkoopste om te verhelpen.
Wat je verder vastlegt, bepaalt of je later iets kunt aantonen. Bij een audit telt niet alleen het eindresultaat, maar ook wie het signaal zag, wat er is overwogen en wie heeft vrijgegeven. Audit trail bij AI-automatisering gaat in op wat je minimaal logt, en de route zelf regel je met werkstroomorkestratie. Voor de opvolging van meldingen van binnenkomst tot afsluiting is er Kwaliteitsmeldingen in productie automatiseren.
Waar vaste regels het beter doen dan een model
Niet elke controle vraagt om een model. Een barcode die niet matcht met de order, een aantal dat niet klopt met de paklijst, een temperatuur buiten bereik, een waarde buiten tolerantie: dat zijn vaste regels, en die zijn sneller, goedkoper en beter uitlegbaar dan een model. Zet die regels eerst neer. Ze vangen vaak meer afwijkingen dan het beeldverhaal waar iedereen naar kijkt.
Een model voegt iets toe waar de variatie in het uiterlijk zit: verschillende leveranciers, wisselend licht, onderdelen die er net anders uitzien maar wel goed zijn. Waar de norm scherp te beschrijven is, wint de regel. Waar de norm vooral in het oog van de keurmeester zit, helpt een model om de twijfelgevallen uit de stroom te halen. Hoe dat per productielijn verschilt, staat bij AI-automatisering voor productiebedrijven.
Begin dus klein: een productfamilie, een afwijkingsoort, een controlepunt. Kijk vier weken wat het oplevert, en breid pas uit als de meldingen door de ploeg worden opgepakt in plaats van weggeklikt. Zet in die vier weken elke override in een lijst met de reden erbij, ook de onbenullige. Die lijst is je beste onderhandelingsdocument bij de volgende ronde.
Veelgestelde vragen
Moet de camera de keurmeester vervangen?
Nee, en dat is zelden het doel. Het levert meer op om te beginnen bij onderdelen die nu al worden afgekeurd: een tweede blik op de afgekeurde bak haalt soms materiaal terug dat onnodig naar de schroot ging. Wie daar eerst meet, ziet meteen of het model de norm van de keurmeester begrijpt.
Hoeveel voorbeelden heb je nodig?
Reken op een paar honderd opnames per afwijkingsoort, inclusief de twijfelgevallen. Die twijfelgevallen zijn het belangrijkst: een set met alleen duidelijke krassen leert een model dat elke grijstint een kras is. Verzamel de set in de eerste weken op de werkbank, met dezelfde mal en hetzelfde licht als later in bedrijf.
Mag een model een partij tegenhouden?
Blokkeren mag, vrijgeven is iets anders. Een model kan een pallet op hold zetten in je WMS of ERP, zodat er niets verscheept voordat iemand ernaar keek. Het vrijgeven blijft bij iemand met de bevoegdheid daarvoor, met naam en tijdstip in het log. Zet die twee acties ook echt apart in je systeem, want anders verdwijnt het verschil tussen "wacht op mens" en "goedgekeurd" binnen een maand.
Wat als de ploeg het model steeds tegenspreekt?
Dat is geen storing maar een meting. Loop de tegenspraken eens per maand door en kijk of ze bij een productfamilie, een ploeg of een lichtomstandigheid horen. Vaak is de norm zelf niet eenduidig en is het gesprek met de keurmeester nuttiger dan een nieuwe versie van het model. Leg de uitkomst vast, anders begint dezelfde discussie over drie maanden opnieuw.
Werkt dit ook met onze bestaande meetapparatuur?
Ja, zolang je de waarden niet opnieuw gaat interpreteren. Haal ze via de export of de API van de meetsoftware op, inclusief het kalibratiekenmerk dat erbij hoort. Een model dat waarden overneemt, mag geen afronding toepassen die de meter niet haalt. Bestaat die export niet, dan is dat het eerste dat je oplost, niet het model.