Uw edge AI ziet elk defect. En keurt 12% van de goede onderdelen af.

Ik stond naast een stamppers van 200 ton en zag hoe die goede onderdelen de schrootbak in schopte.

De lijn draaide op ongeveer 40 slagen per minuut. Twee GigE-camera's die we boven de matrijs hadden gemonteerd, vingen bramen en onvolledige vullingen prachtig op — in het lab had het model 97% nauwkeurigheid gehaald. Op de werkvloer keurde het 14% van de perfect goede onderdelen af. De fabrieksmanager stond naast me met zijn armen over elkaar en stelde de enige vraag die ertoe deed: waarom heeft jouw AI zojuist mijn schrootpercentage verslechterd?

Die ochtend veranderde hoe ik over deze hele categorie denk. Want het verkoopverhaal rond edge AI voor kwaliteitsinspectie in de maakindustrie is zo helder dat het bijna onweerstaanbaar is: zet een kleine GPU op de transportband, draai inference in twaalf milliseconden, vang elk defect in realtime. NVIDIA verkoopt je maar al te graag de hardware. Landing AI verkoopt je het model. En dan sta je op de werkvloer te kijken hoe 14% van je goede onderdelen in de afkeurbak belandt, en besef je dat niemand je het onderdeel heeft verkocht dat er werkelijk toe doet.

De hardware werkt. De uitrol niet. Die kloof is de hele business.

Dit is het cijfer dat het hele probleem voor mij in een ander licht plaatste: 84% van de systeemintegratieprojecten mislukt of mislukt gedeeltelijk. Niet omdat de inference te traag was. Niet omdat het model niet nauwkeurig genoeg was. Ze mislukken in de naden — waar de AI de pers ontmoet, de PLC, de verlichting, het netwerk, de nachtploeg. We bouwden de edge AI-inspectiepraktijk van Veriprajna rond die ongemakkelijke waarheid: edge AI in productie krijgen is een integratie- en operationeel probleem in een hardwarekostuum.

De maand die ik besteedde aan het verkeerde probleem

Toen die stamplijn voor het eerst 14% liet zien, deed ik precies wat een ingenieur die modellen vertrouwt doet. Ik nam aan dat het model zwak was. Dus trainden we het opnieuw. We voegden data toe, pasten confidence-drempels aan, draaiden meer epochs. Het afkeurpercentage bewoog niet. Ik bracht het grootste deel van een maand door in de overtuiging dat als ik het netwerk gewoon slimmer maakte, de werkvloer zich zou gedragen als het lab.

Dat deed het niet. En de reden waarom het dat niet deed, is het allerbelangrijkste dat ik in dit vakgebied heb geleerd.

De labbeelden werden geschoten onder een gecontroleerd LED-ringlicht. Op de pers weerkaatst het plaatstaal de bovenliggende hallverlichting bij elke slaghoek anders. Het stampsmeermiddel vormt op een warme matrijs andere plassen dan op een koude. De eerste vijftig onderdelen van een ploegendienst — voordat het gereedschap thermisch evenwicht bereikt — zien er werkelijk anders uit dan de onderdelen een uur later. Mijn model had geen ongelijk. Mijn model had de wereld waarin de pers daadwerkelijk leeft nog nooit gezien.

De oplossing had niets met het netwerk te maken. Het was gepolariseerde achtergrondverlichting om de spiegelende reflectie op geolied metaal te elimineren, een thermische camera om het oppervlakteaanzicht te correleren met de matrijstemperatuur, en een trainingsset die opnieuw was opgebouwd om koudestart-, midden-run- en eind-run-condities te omvatten. Het model dat ik een maand lang had "gerepareerd" was al die tijd prima. Ik had naar de verkeerde laag van de stack zitten staren.

De eerste vijftig onderdelen van een ploegendienst zien er niet uit als het onderdeel waarop je hebt getraind. Als jouw data de koude matrijs niet heeft gezien, zal jouw lijn de koude matrijs afkeuren.

Dat is een dure les om op de werkvloer van een klant te leren. Het is de les die ons veranderde van mensen die modellen bouwen in mensen die bouwen aan deployments.

Waarom "gooi er gewoon een Jetson op" de plek is waar projecten stilletjes sterven

Een tijdje later deed ik een pitch bij een fabrikant en de operationeel verantwoordelijke wuifde met zijn hand en zei, min of meer, schroef gewoon een Jetson op de transportband en draai inference — hoe moeilijk kan het zijn?

Ik begrijp het instinct. De hardware is werkelijk een inkooporder. Maar laat me je meenemen door wat die stamplijn daadwerkelijk nodig had nadat de verlichting was opgelost, want hier zit het echte werk.

Het inspectieresultaat moet de Allen-Bradley ControlLogix bereiken via EtherNet/IP zodat het afkeuractuator fysiek afvuurt binnen het slagvenster van 750 milliseconden. Mis dat venster en je hebt een defect correct geïdentificeerd dat je vervolgens toch verscheept. Elk onderdeel moet met zijn inspectieresultaat worden gelabeld in de MES voor traceerbaarheid. Defectbeelden moeten worden gerouteerd naar het dashboard van de kwaliteitsingenieur, gefilterd op defectklasse en op matrijsstation, anders verdrinkt de ingenieur. Niets daarvan is een modelprobleem. Het is allemaal het verschil tussen een demo en een lijn die onbemand draait tijdens de derde ploeg.

Dit is ook de muur waar de cloud-pilotvluchtelingen tegenaan lopen — de kopers die al een budgetcyclus hebben besteed aan een inspectiepilot die de lijn niet kon bijhouden. Een retourreis naar een cloud-GPU kan briljant zijn voor training, maar een actuatorvenster van 750 ms laat geen ruimte voor een netwerksprong naar een datacenter en terug. Hun pilot mislukte niet omdat het model slecht was; hij mislukte omdat de beslissing ergens moest plaatsvinden waar de cloud nooit op tijd kon komen. De juiste architectuur is hybride door fysica, niet door voorkeur: train in de cloud of on-prem waar je de GPU's hebt, infereer aan de edge waar de data leeft en de actuator wacht.

Als we optellen waar de tijd van een echt project naartoe gaat, is het integratiewerk — het OT/IT-leidingwerk, de PLC-handshakes, de datapijplijn — ongeveer 60% van de tijdlijn. Modeltraining is ruwweg 15%. De hardware, het ding waar iedereen op fixeert, is een regel op een inkooporder. Ruwweg twee derde van de fabrikanten loopt tijdens de integratie tegen productievertragingen aan, simpelweg omdat hun systemen niet met elkaar kunnen praten, en legacy-complexiteit is de meest genoemde reden. Dat is het faalpercentage van 84% in slow motion.

Dit is ook waar het leverancierslandschap stilletjes instort voor een middelgrote fabrikant. Siemens Industrial Edge is werkelijk uitstekend — diepe S7-1500-integratie, IEC 62443-beveiligingscertificering, echt fleet management — als je Siemens van begin tot eind draait. Maar als je op de helft van je lijnen Allen-Bradley draait, en dat doen de meeste fabrieken waar ik binnenkom, overbrugt Industrial Edge die kloof niet. Rockwells FactoryTalk VisionAI sluit de lus prachtig met ControlLogix en laat je eigen kwaliteitsmedewerkers modellen trainen zonder code — alleen binnen het Rockwell-ecosysteem. NVIDIA Metropolis drijft inspectie aan in meer dan 50 fabrieken met opmerkelijke nauwkeurigheid, maar het verkoopt je SDK's en hardware, geen uitgerolde oplossing in jouw specifieke OT-omgeving, en het bindt je aan NVIDIA-silicium. Elk hiervan lost een echt stuk op. Geen van alle lost de integratie-tot-operatiepijplijn op voor de fabriek die Siemens en Allen-Bradley naast elkaar draait — en dat is bijna elke fabriek.

Waarom wordt het model niet gewoon slimmer na verloop van tijd?

Dit is de vraag die ik krijg van technisch onderlegde kopers, en ze verdient een echt antwoord in plaats van een wegwuiving.

De eerlijke beperking is niet het model — het is de data eronder. Slechts 34% van de fabrikanten heeft productiesystemen met realtime datastreaming. De andere twee derde is nog aan het piloten. Als je historian elke vijf seconden een meting logt maar je inspectiebeslissing binnen vijftig milliseconden moet vallen, dicht geen enkele hoeveelheid edge-rekenkracht die kloof — het is een architecturale mismatch, geen afstemmingsprobleem. En de trainingsdata is slechter dan mensen toegeven: slechts ongeveer 5% van de fabrikanten houdt uitgebreide registraties bij van storingen aan apparatuur, wat precies de data is waarvan een voorspellend model zou moeten leren. Inconsistente tagnamen en ontbrekende tijdstempels in de OPC-UA-laag vergiftigen stilletjes een model, lang voordat iemand het algoritme de schuld geeft.

Dus voordat we iets trainen, moeten we vaak het ding bouwen waarvoor niemand had begroot: een datalaag op fabrieksniveau die een edge-model daadwerkelijk in realtime kan voeden. Het is onglamoureus. Het is ook de reden waarom de projecten die dit goed aanpakken ruwweg 4x snellere AI-uitrol en 3x hogere waardecreatie zien dan de projecten die het overslaan.

De mislukking die ons leerde dat operatie de helft van het werk is

Dit is het deel van edge AI dat niemand in de verkooppresentatie zet.

Een edge-uitrol in de logistiek die ik van buitenaf volgde, stortte zes maanden na een succesvolle lancering in. De apparaten werkten. De modellen werkten. Toen legde een stroomprobleem 30% van de 500 apparaten offline, en omdat niemand een proces voor probleemoplossing in het veld had opgezet, kostte het per stuk 48 uur om ze terug te brengen. Het project stierf niet aan slechte AI. Het stierf aan het ontbreken van een operationeel plan.

Ik denk voortdurend aan die ene, want het is de faalmodus die op pilotschaal onzichtbaar is en op productieschaal fataal. Een model in de cloud updaten is een CI/CD-pijplijn. Een model updaten over 200 edge-apparaten in 15 fabrieken in 4 landen raakt tegelijkertijd OT-verandermanagement, netwerkbeveiliging en productieplanning — en de meeste organisaties hebben er geen vast proces voor. Een rollback-knop die nooit onder productiebelasting is getest, is geen rollback-knop. Het is een gebed.

Een pilot bewijst dat de AI één keer kan werken. Operatie is wat het laat werken tijdens de derde ploeg in fabriek nummer twaalf, zes maanden later, met niemand van de leverancier aan de telefoon.

Dus nu, voordat we iets op schaal uitrollen, bouwen we eerst het operationele raamwerk: over-the-air modelupdates met een rollback-pad dat we daadwerkelijk hebben geoefend, monitoring van de apparaatgezondheid, en onderhoudsprocedures die zo geschreven zijn dat een OT-technicus ze kan uitvoeren zonder de leverancier op de snelkeuzetoets. De onglamoureuze infrastructuur is wat een uitrol die overleeft onderscheidt van een die stilletjes zwart wordt.

Onterechte afkeuringen van 14% naar onder de 2% brengen

Laat me terugkomen op de afkeurbak, want dit is het cijfer waar een kwaliteitsdirecteur werkelijk van wakker ligt.

Kant-en-klare geautomatiseerde optische inspectie draait doorgaans op een onterecht-afkeurpercentage van 5–15%. Dat is geen afrondingsfout — op schaal is het een belasting op goed product, en erger nog, het leert je operators het systeem te wantrouwen. Een goed afgestemd AI-visionsysteem komt onder de 2% terwijl het nog steeds 99%-plus van de echte defecten opvangt. De reis tussen die twee cijfers is het hele vak, en bijna niets daarvan is "een beter model."

Het is gestructureerde, gepolariseerde verlichting zodat het metaal je niet langer tegenwerkt. Het is gedisciplineerd hardwareonderhoud — de meeste toename van onterechte afkeuringen is terug te voeren op een driftende lichtbron of een besmeurde lens, niet op het algoritme. Het is segmentatie op pixelniveau waarmee je een regel kunt schrijven die een kwaliteitsingenieur ook echt vertrouwt: is er een kras langer dan twee millimeter binnen vijf millimeter van het afdichtingsoppervlak? Die ene mogelijkheid laat je stoppen met het afkeuren van cosmetische oneffenheden zonder soft te worden op de defecten die garantieclaims opleveren.

En het is kalibratiediscipline op siliciumniveau. Om snel te draaien op een edge-apparaat kwantiseer je het model naar INT8 — een compressie die, achteloos uitgevoerd, je nauwkeurigheid onderuithaalt. Uitgevoerd met een goede kalibratieset van rond de duizend representatieve onderdelen die elk defecttype en elke normale variatie omspannen, bedraagt het nauwkeurigheidsverlies ongeveer 0.2%, terwijl je ruwweg 4x geheugenreductie krijgt en, in één benchmark, een 32x versnelling. Maar die 0.2% gaat ervan uit dat je correct kalibreert. De naïeve post-training-kwantisatie die de meeste toolchains standaard doen, kan je stilletjes enkele procentpunten nauwkeurigheid kosten; kwantisatiebewuste training — waarbij de compressie in de training zelf wordt gevouwen — haalt het grootste deel ervan terug. Genoeg teams leren het verschil nooit kennen totdat de lijn te veel begint af te keuren en ze op jacht gaan naar een modelbug die eigenlijk een kwantisatiekeuze was. De andere valkuil is dat de kalibratieset ook koudestart- en eind-run-condities moet dekken — dezelfde les die de stamplijn erin ramde, die één laag lager weer opduikt.

Hierin schuilt een leveranciersstrategische beslissing die mensen echt geld kost. Als je alleen compileert naar NVIDIA's TensorRT, is je model voor altijd getrouwd met NVIDIA-hardware. Wij exporteren eerst naar ONNX en houden een dubbel pad aan — ONNX Runtime voor gemengde en ARM-gebaseerde uitrollen, TensorRT waar de werklast werkelijk NVIDIA-zwaar is. Het is een kleine architecturale keuze die stilletjes je vermogen behoudt om over drie jaar met je hardwareleverancier te onderhandelen.

Wanneer het defect een geluid is, geen beeld

Kwaliteitsinspectie is de voordeur, maar hetzelfde edge-probleem duikt op in predictief onderhoud — en dat is waar ik het duurste valse vertrouwen zie.

Akoestische en trillings-AI voor machinegezondheid is echt en bewezen; Augury bouwde er een miljardenbedrijf op met klanten als PepsiCo en Nestlé. Maar de metriek die in demo's wordt geciteerd — detectiegraad — verbergt de metriek die adoptie om zeep helpt. Een vals-positiefpercentage van 5% over 2,000 gemonitorde assets betekent 100 onnodige werkorders per inspectiecyclus. Je technici jagen op honderd spookfouten, vinden niets, en binnen een maand reageren ze op geen enkele melding nog met enige urgentie. Alarmmoeheid is geen mensenprobleem; het is een afstemmingsfout die creëert een mensenprobleem.

De benchmark waaraan ik ons houd, is die van Ford: hun modellen voorspelden 22% van de componentstoringen ongeveer tien dagen van tevoren bij een vals-positiefpercentage van 2.5%, wat 122,000 uur stilstand bespaarde en ruwweg $7 miljoen op één enkel componenttype. De kloof tussen 5% en 2.5% vals-positieven is het hele verschil tussen een systeem dat je onderhoudsteam vertrouwt en een dat het leert te negeren.

Dit doet ertoe omdat de kosten van een fout meedogenloos en specifiek zijn: ongeplande stilstand in de automotive bedraagt ongeveer $22,000 per minuut. Een voorspellend systeem dat vals alarm slaat, verspilt niet alleen technici-uren — het holt het vertrouwen uit dat de ene storing die telt, had kunnen voorkomen.

De compliancedeadline waar de meeste fabrieken nog niet aan begonnen zijn

Mensen vragen me of de regelgeving echt is of gewoon consultantgeruis. Ze is echt, en de klok tikt heel specifiek.

De meeste verplichtingen onder de EU AI Act worden volledig van toepassing op 2 augustus 2026. Voor AI in de maakindustrie betekent dat volledige tracering van dataherkomst, human-in-the-loop-controlepunten voor beslissingen die de veiligheid raken, en risicoclassificatielabels op elk model. "Tracering van dataherkomst" klinkt als papierwerk totdat je beseft dat het betekent dat elke afkeurbeslissing die je edge-box neemt een jaar later reconstrueerbaar moet zijn — wat verandert hoe je logt op het apparaat, niet alleen hoe je naar boven rapporteert. Ik ontwerp nu het logschema vóór het model. Het boeteplafond is €35 miljoen of 7% van de wereldwijde jaaromzet. Wat dat praktisch verandert, is dat je architectuurbeslissingen in 2026 nu worden bepaald door de vraag of ze regelgevende toetsing overleven — niet alleen of ze nauwkeurig zijn. Een model waarvan je de beslissingen niet kunt traceren, is niet langer alleen een technisch risico; het is een risico voor je regelgevingsdossier.

De beveiligingslaag beweegt parallel mee. IEC 62443 definieert hoe industriële besturingssystemen veilig blijven, en edge-apparaten die autonome afkeurbeslissingen nemen, hebben gecertificeerde, vertrouwde hardware nodig — leveranciers als Advantech en Innodisk leveren al 62443-gecertificeerde modules. Het is de moeite waard te onthouden dat zelfs Siemens Industrial Edge in januari 2026 een CISA-advies kreeg dat een patch voor een autorisatie-bypass vereiste. Het meest capabele platform in de categorie moest alsnog gepatcht worden. Beveiligingshouding aan de edge is geen vinkje; het is een blijvende operationele verplichting.

Levert dit alles eigenlijk wel iets op?

Ja, en de cijfers zijn goed genoeg dat ik begrijp waarom de categorie het snelst groeiende stuk van edge AI is — de maakindustrie groeit niet voor niets met ruwweg 23% per jaar samengesteld.

Knauf Insulation rapporteerde 511% ROI in het eerste jaar uit edge-vision-AI voor schrootreductie. BMW verminderde defecten met 40% met CNN-modellen op gelakte oppervlakken. Een koekjesfabrikant bespaarde $94,000 per jaar door 8.7% van het schrootafval te schrappen. De typische terugverdientijd van deze projecten ligt tussen de 6 en 18 maanden. De economie is niet het moeilijke deel.

Het moeilijke deel is dat die uitkomsten zijn verdiend, niet gekocht. Knaufs 511% en Fords $7 miljoen zijn uitzonderlijk juist omdat de meeste kopers ze niet kunnen repliceren door een contract te tekenen — ze vereisen de integratie, de datalaag, het operationele raamwerk, en de discipline rond onterechte afkeuringen die de leveranciersbrochures stilletjes aan jou overlaten. Die kloof, tussen de technologie die je kunt kopen en de uitkomst die je werkelijk wilt, is de hele reden waarom wij dit werk doen zoals we het doen — leverancierneutraal, integratie-eerst, gebouwd om te draaien tijdens jouw derde ploeg zonder ons in de ruimte.

Ik denk nog steeds aan de fabrieksmanager met zijn armen over elkaar bij die pers. Hij gaf niets om de nauwkeurigheid van mijn model. Het kon hem schelen dat zijn lijn goed staal weggooide. Op de dag dat zijn percentage onterechte afkeuringen onder de 2% zakte en daar door een ploegwisseling heen bleef, zei hij niets over AI. Hij stopte gewoon met het in de gaten houden van de afkeurbak. Dat is de enige benchmark die ooit heeft uitgemaakt: niet hoe slim het model in het lab is, maar of de mensen op de werkvloer vergeten dat het er is.