Amazon presenteert algoritme voor AWS dat fabricagedefecten opspoort

Amazon heeft een functie aan AWS toegevoegd, waarmee producenten door middel van een algoritme defecten bij producten kunnen opsporen. Na een training op juiste afbeeldingen detecteert de software of er afwijkingen zijn.

Zo kunnen klanten onder meer bekijken of een behuizing krassen heeft, of er kleurverschil is en of er componenten missen op een pcb, zegt Amazon. Het gebruik van het algoritme moet het leunen op menselijke inspectie voor producten verminderen. Daardoor moeten producenten sneller op grote schaal producten kunnen checken. Het gaat om een betaalde dienst.

De dienst geeft na een training op een set afbeeldingen van producten zonder defecten een betrouwbaarheidsscore aan afbeeldingen, waarna klanten in een dashboard kunnen zien welke dat zijn. De dienst is per direct voor klanten beschikbaar, ook in de Europese Unie.

Reacties (57)

[SeenD]

Ik snap niet zo goed hoe de praktijk werkt met dit:
Ik koop een product, en die ga ik na het uitpakken scannen via de "Amazon app"(?) om te kijken of het product het juiste is qua kleur, PCB onderdelen(evt) en krassen?

Of gebruiken fabrikanten dit na het productieproces bij het verpakken?

[Reactie gewijzigd door SeenD op 23 juli 2024 03:59]

[Generaal Pep]

Dit is voor fabrikanten. Ik gebruik dergelijke systemen ook in 2 fabrieken.

Amazon is hier alleen een beetje laat mee, dit is technologie welke we al ruim 10 jaar actief hebben.

[Verwijderd]

Amazon is hier alleen een beetje laat mee, dit is technologie welke we al ruim 10 jaar actief hebben.

Dus er zijn meer levaranciers die dit als een service aanbieden? Dat er machines zijn die dit doen is natuurlijk duidelijk en al veel (!) langer dan tien jaar.

Maar als een service die je een lopende band en een camera kan gaan gebruiken is naar mijn idee geheel nieuw.

[mngm]

Robovision doet dit al een tijdje: https://robovision.ai/

[Generaal Pep]

Ja, er zijn meer leveranciers inderdaad!

Dat dit nog langer dan 10 jaar bestaat weet ik. 13 jaar geleden was ik pas bereid erin te investeren. Vandaar dat ik zeg dat we deze technologie ruim 10 jaar actief hebben.

In de branche waarin ik actief ben, zie ik Amazon geen voet aan de grond krijgen. Deze markt is volledig verzadigd met een veelvoud aanbieders. Ze laten het er wel allemaal veel interessanter uitzien als de concurrenten. .... Is het natuurlijk ook hè....! Wellicht dat ze zich wel op andere branches kunnen storten. Ze storten zich in dit filmpje ook op een andere branch als die van mij.

Ik ben verbaasd dat Amazon hier nu mee komt (menig professioneel bedrijf heeft deze technologie al actief), dat het blijkbaar nieuwswaardig is (dit bestaat al hartstikke lang) en dat in deze toepassing de cloud interessanter zou zijn (de investering is al gedaan, daarnaast is on-premise velen malen voordeliger)?!

Ach. Ik wens Amazon veel succes met hun nieuwe baby! Dat er nog meer centen binnen mogen stromen!

[xleeuwx]

Ben ik het niet met je eens, ruim 10 jaar geleden kwam amazon met hosting en hebben nu groot deel van de markt in handen ondanks dat er toen al vele kleine maar ook grotere spelers actief waren.

Dus dat de te laat zijn en niet meer de markt kunnen veroveren durf ik nu niet te beweren.

Het zou me niet verbazen als de huidige partijen uiteindelijk allemaal amazon gaan gebruiken ipv het zelf ontwikkelen.

[Reactie gewijzigd door xleeuwx op 23 juli 2024 03:59]

[Generaal Pep]

Te laat heb ik ook nergens gezegd. Enkel dat amazon hier 'een beetje laat' mee is!

Wat we Apple hebben zien doen met de telefoon, Tesla met de wagen en Tony Chocolony met chocolade in Nederland. Is ook mogelijk in andere martken en branches. (Het verstoren van een verzadigde markt)

[Reactie gewijzigd door Generaal Pep op 23 juli 2024 03:59]

[xleeuwx]

Misschien even te snel gelezen, Iedergeval heeft amazon inmiddels enorm veel diensten die ze aanbieden dus voor het zelfde geld wordt het niks.

[Luxx]

Ik denk dat het duurste aan dit soort systemen vaak het inregelen is, zeker bij een nieuwe en wisselende productielijnen. Als Amazon een slim algoritme heeft dat dit automatisch kan, kunnen ze dit als een service aanbieden. Een on-site systeem dat dit ook kan is in sommige gevallen vast goedkoper, maar Amazon biedt mogelijk meer flexibiliteit en een lagere investeringsdrempel.

[OxWax]

Inderdaad, dat doen wij (de Belgen) al aan de kassa
https://www.freshplaza.co...ruit-and-veg-at-the-till/

[djwice]

Grappig, in Nederland weeg ik al jaren zelf mijn groente en fruit, en dan krijg ik een sticker met barcode, productnaam, gewicht en prijs.
Ik lees in het artikel dat in België dat nog door de cassiere gedaan wordt? Of hebben jullie ook een zuil met display waarop je kiest wat je in de schaal hebt liggen (totdat die veg ai er bij kwam) ?

We hebben bij Jumbo ook scanners die de cassiere vervangen, je gooit de spullen op de band en de machine scant alles, weegt en kijkt ook of de streepjescode overeenkomt met het product (want tja, mensen gingen streepjescodes overplakken met goedkope product codes).

Maar meestal scannen we met een handscanner nu en betalen aan de kassa. Die Amazon winkel ben ik wel benieuwd naar https://www.youtube.com/watch?v=NrmMk1Myrxc

[Reactie gewijzigd door djwice op 23 juli 2024 03:59]

[Frenziefrenz]

Dat verschilt per winkel. Waar je zelf de boel moet wegen is het gewoon zoals vroeger in de jaren '90 bij bv. de AH, oftewel je zet het op een weegschaal en kiest het product.

[OxWax]

Even nadenken :
- Delhaize/carrefour zelf wegen aan zuil, kassa of zelfscan om af te rekenen. Handscanner ook optie.
- Aldi en Lidl alles aan de kassa. Jumbo nog niet geweest.

[Hieronymus]

Dat is echt vollédig andere techniek.

Wat Colruyt (blijkbaar) doet is het klassificeren van een beperkte, vastgestelde groep producten in een vastgestelde groep klassen. Wat zo'n classifier doet, is de meest gelijkende klasse pakken en (met een confidence threshold) die uitkiezen. Er is in principe altijd een klasse die past, dus je hoeft alleen een probleem met bekende factoren op te lossen. Alles wat die classifier ooit gaat zien, heeft ie al kunnen zien tijdens trainen.

Die luxe heeft dit algoritme niet. Zo'n product kan op oneindig veel manieren verkeerd zijn, ook op manieren die de machine nog nooit heeft gezien. Wat dit algoritme dus (typisch gezien) doet is het standaard, correcte product heel goed in de smiezen krijgen, en vervolgens bepalen hoe zeer iets afwijkt van het perfecte plaatje (letterlijk en figuurlijk).

[Generaal Pep]

Oh gaaf! Ook een coole toepassing van optische herkenning!

[Joolee]

Dat ze er rijkelijk laat me zijn was mijn eerste idee ook. Ik ben zelden echt onder de indruk van de resultaten van de huidige "artificial intelligence" maar deze toepassing is echt iets dat specialisten jaren geleden al konden.

Afbeeldingen "lossy" met elkaar vergelijken is al lang geen rocket science meer. Tegenwoordig kan elke handige Harry dat op zijn thuis-pc'tje met open source producten in elkaar zetten.

De vernieuwing zal wel zijn dat dit een SaaS product is.

[Reactie gewijzigd door Joolee op 23 juli 2024 03:59]

[janbaarda]

Ik kan mij geen goede leverancier voorstellen die niet zijn eigen controle programma heeft. Je wil toch niet van een derde partij afhankelijk zijn voor je productie. Zie wat de VS met buitenlandse bedrijven doen: van de ene dag op de andere mogen ze geen diensten meer leveren. Stel dat Huawei voor zijn productcontrole afhankelijk was van AWS ...

[pagani]

Je zet aan het einde van je productieproces een camera neer die beelden maakt van het product, iemand traint het model met x afbeeldingen wat goed en wat slecht is, vervolgens gaat het algoritme voor je beoordelen wat goed en slecht is (waar je eventueel geautomatiseerd dan het product ofwel in de prullenbak of in de doos stopt).

[Gomez12]

Trainen etc is allemaal nieuwerwetse onzin voor dit soort toepassingen.

Je maakt gewoon 1 afbeelding van een perfect iets en dan vergelijk je gewoon de foto met de perfecte afbeelding, is er meer als x% verschil dan is het fout.

Hoef je niets voor te trainen, of te voorzien van slechte afbeeldingen of wat dan ook. Je moet gewoon een percentage verschil ingeven. En als er teveel in de prullenbak verdwijnt moet je wellicht dat percentage bijstellen, maar dat is het.

[pagani]

In een perfecte wereld waar de belichting perfect is en er nul variatie in je product zit misschien

[Gomez12]

Je bedoelt waar de belichting kunstmatig is en je nul variatie wilt omdat het net geproduceerde artikelen zijn...

Jouw perfecte wereld is gewoon de realiteit die nagestreefd wordt in massa-productie.

[pagani]

Blijkbaar zijn onze realiteiten verschillend. De mijne (Siemens, BMW, Philips, MSD, diverse staalproducenten, diverse FMCG) met dergelijke projecten gebruiken állemaal inleerprocessen voor hun visuele inspectie. De tijd dat "een foto van het goede product" voldeed zijn we al jaren voorbij. Ook is classificatie van het kwaliteitsgebrek belangrijk (zien of het een krasje is, een deuk, een vlek of iets anders, vaak tientallen tot honderden kwalificaties) en dat registreren belangrijk, anders registreer je alleen maar "is stuk", daar kun je je proces niet op verbeteren.

[Tjark]

Dit is niet voor eindgebruikers maar voor fabrikanten. Ik zou zeggen: kijk het filmpje eerst eens (voor je een post maakt )

[SeenD]

Weet je hoe lang dat filmpje duurt.

Ik werd vooral in de war gebracht door t artikel, in de aanhef hebben ze over producenten en later over klanten. Daarom had ik zoiets van ok, dit is soort van bescherming voor de consumenten... ofzo. Maar ja, klanten en klanten betekent natuurlijk ook hetzelfde, een producent is ook een klant en een consument ook.

[Grim]

Het gebruik van het algoritme moet het leunen op menselijke inspectie voor producten verminderen. Daardoor moeten producenten sneller op grote schaal producten kunnen checken.

Menselijke inspectie voor producten wordt door een fabrikant gedaan, niet de consument zelf (in eerste instantie). Producenten (bedrijven/mensen die dingen produceren) kunnen producten op grote schaal checken. Ik ken geen normale consument die nood heeft aan producten op grote schaal te checken.

Lijkt mij toch redelijk duidelijk dat het voor bedrijven is en niet voor consumenten.

[Gomez12]

Tja, maar de meeste bedrijven hebben dit al jarenlang geleden geïntroduceerd, tenminste waar het gewoon over productielijnen met voor langere tijd dezelfde producten gaat.

Dit is gewoon binnen een plaatje (met vaste kenmerken) een vast object herkennen en rechtzetten en daarna gewoon vergelijken met een perfect object en dan is gewoon de mate van verschil wat bepaalt of het goed of fout is.

[Glenn023]

Ik zie niet in hoe dit voor PCBs waarde toevoegt. De meeste productiehuizen voor PCBs gebruiken al een AOI (Automatische Optische Inspectie). Deze controleren zowel de plaatsing van de componenten als de soldeerverbinding. Voor machines zie: https://partnertec.nl/aoi/

[MeMoRy]

Sorry hoor, maar er is genoeg troep op de markt. "De meeste" is mijn inzien lang niet waar. Dan heb je het over gerenommeerde bedrijven e.d. Als je iets goedkoop laat produceren in een lagelonenland, dan wordt er soms wat aangeprutst.

[DropjesLover]

Maar daar gaat dit ook niet mee helpen, component zit er immers op, soldeerverbinding is (binnen de specificaties) gelegd. Next
Dat het component van prut-kwaliteit is, of dat de kwaliteit van de soldeerverbinding (goedkopere soldeer ofzo) an sich prut is, tsja, daar gaat dit niet bij helpen.

[Kenhas]

Ik denk eigenlijk direct aan namaak. Fabrikanten zullen wel een controle proces hebben maar met deze tool kan je er misschien achterkomen dat die grafische kaart van Asus, die je bestelde, een namaak is.

Weet niet of dat namaak grafische kaarten wijd verspreidt is. Was maar iets wat in mij opkwam

disclaimer : ervan uit gaande dat dit voor eind klanten is. De ene keer wordt er gesproken van fabrikanten en de andere keer van klanten

[Reactie gewijzigd door Kenhas op 23 juli 2024 03:59]

[djpfaff]

Dit is duidelijk een business to business model, en is de business die dit product afneemt een klant van Amazon. Of je moet als eind gebruiker het model kunnen gaan trainen wat wel en wat niet goed is, en vervolgens kun je dus gaan controleren of iets uiteindelijk goed is.

Wat 'een Asus' nog wel eventueel hiermee zou kunnen doen voor zijn klanten is, om dit model te trainen, en vervolgens hun klanten een foto van een aagekochte grafische kaart te controleren of dat deze fake is.

[Kenhas]

Het was dat laatste waar ik aan dacht. Fabrikant maakt het model en de eindklant kan controleren
Ben niet duidelijk genoeg geweest

[SgtElPotato]

Waarschijnlijk zijn dat erg kostbare oplossingen. Door het te outsourcen richting de cloud kan het, gok ik, een stuk sneller en misschien wel efficiënter? Heb verder geen ervaring met dat soort systemen, maar kan me voorstellen dat dat niet super snel is als alles offline berekend wordt.

[david-v]

De meeste.... Er zijn er dus nog wel genoeg die dat niet doen.... Daarom 🙂

[Verwijderd]

Ik zie niet in hoe dit voor PCBs waarde toevoegt.

Maar het systeem is ook niet gemaakt voor PCB's maar in principe voor elk product dat je in massa maakt. Een fietsenfabriek gaat het bijvoorbeeld gebruiken voor tandwielen.

[Timoo.vanEsch]

Er is momenteel een hele grote beweging gaande van legacy (on-premise) software naar cloud-driven. Dit is de volgende legacy-applicatie die naar de cloud kan migreren. Meer is het niet, toch?

[Gomez12]

Waarom zou je dit ooit eens in de cloud willen hebben?

Dit is juist iets wat je als Legacy wilt hebben staan.

Je wilt van zoveel mogelijk producten foto's maken ter controle, maar waar je on-premise heel makkelijk een 10Gb netwerk pijp neerlegt tussen camera en vergelijkingscomputer. Daar zie ik nog niet direct een 10Gb upload pijp naar de cloud gelegd worden.

[Timoo.vanEsch]

Snap ik. Zou ik persoonlijk ook doen.
Maar stel; je hele productieproces wordt overgezet naar AWS.
Dan is dit een mooie extra. Anders moet je die legacy weer gaan porten naar AWS.

[Gomez12]

Wat bedoel je met je hele productieproces wordt overgezet naar AWS?

Dat je een productielijn neerzet die afhankelijk is van internet-toegang? Oftewel bij een internet-storing ligt je hele productielijn plat?
Dat lijkt me enkel een mogelijk scenario als je fabriek binnen graafafstand van een AWS-datacenter zit, waar je jouw programmatuur ook nog eens op kan garanderen, zodat je 1 kabel naar AWS kan laten graven ipv dat je het via een internet-connectie doet waarbij je afhankelijk bent van tig partijen (je eigen provider, maar ook dns, aws zelf en AMS-IX en ... en ...)

Kijk het probleem met productie processen is (qua cloud dan) is dat die 100% voorspelbaar zijn.
Je wordt gelimiteerd door je grondstoffen of door de snelheid van de productielijn, maar je hebt er niets aan dan je kan gaan scalen in the cloud, want dan loop je simpelweg eerst tegen andere limitaties aan. En omdat het 100% voorspelbaar is, kan je het interne computerpark ook gewoon 2x of 3x uitvoeren, puur om uitval te voorkomen.

[Timoo.vanEsch]

Niet zozeer de productie zelf als wel de gehele administratie er rond. En op deze manier kan dit worden geintegreerd, zodat product controle een onderdeel wordt van het logistieke productieproces.

Niet vergeten dat SAP -bijvoorbeeld- één van die platformen is die de gehele logistieke en administratieve productie afhandelt bij veel bedrijven. Nog net niet het in gang steken van de lopende band, maar vrijwel alles wat er binnen het productieproces moet worden geregistreerd, kan in SAP geplaatst worden. Ik denk dat AWS hiermee wil concurreren.

[ro8in]

In hoevere is dit dan anders dan standaard beeldherkenning algoritmes, waarbij je een model traint en vervolgens laat zeggen of een foto voor 20% of voor 90% zeker een kat is?

[Dorstlesser]

Dit is niet anders. Maar, Amazon biedt hiermee een product/portal waar elke producent met minimale investering van geld en tijd een ML beeldherkinningspipeline kan opzetten, specifiek voor het herkennen van bepaalde productdefecten.

Grote bedrijven kunnen dat zelf, maar een klein bedrijf heeft daar de kennis natuurlijk niet voor in huis. En een groot bedrijf vindt het misschien ook wel makkelijk om zo'n dienst gewoon aan te kopen.

[RonJ]

Het probleem met ML is dat heel simpel gezegd hoe meer data = hoe beter je model. Er zijn best goeie toolkits en diensten te vinden om dit allemaal zelf te kunnen regelen (en dit is ook maar een stukje tooling), maar of je dat nou zelf kan met je eigen IT mannetje of dat je er vele miljoenen aan big4 consultants tegenaan gooit, uiteindelijk wordt je eigen algoritme niet heel veel beter dan dat je hem trainingsdata kan (blijven) voeren.

Als je dan 1000 CV-ketels per dag van je Remeha-band laat lopen, ik verzin maar wat, dan ben je vrij snel uitgeleerd. En ook daarna zal het niet snel heel veel beter worden. Maar als je je model kan trainen op de foto's van 1000den andere metaalproducenten om bijv. deuken op te sporen, dan werkt het al veel beter.

Je ziet het ook bij spraakherkenning. Veel bedrijven hebben dat ook offline/zelf geprobeerd, Homey bijvoorbeeld, maar dat werkt dan op zn best redelijk en het zal ook niet veel beter worden. Die kunnen nooit op tegen de hoeveelheid stemopdrachten en R&D van de grote jongens.

Doordat Amazon de modellen kan trainen op véél meer datasets hebben ze hier echt een inherent voordeel en dat kan het het waard maken voor bedrijven om via deze amazon dienst in feite de modellen op elkaars data te gaan trainen, zonder dat ze dat zelf (veilig, privacyproof, etc) moeten organiseren.

Je zal hiermee vrijwel altijd nog de boel moeten uitrollen (je hebt nog geen imaging op je productiestraat) en trainen op je eigen product (wat er toch weer uniek uitziet), maar je vertrekpunt en het daarop volgende bijlerende vermogen zijn dan wel een stuk beter.

[Reactie gewijzigd door RonJ op 23 juli 2024 03:59]

[Hatsjoe]

Het principe is het zelfde, maar het model waarmee het algoritme getrained wordt is anders. Wat AWS doet is kant en klare modellen aanbieden die je enkel hoeft te trainen met je eigen dataset. Helaas is het niet zo dat er 1 "magisch model" is dat je allerlei soorten data kan voeren en dat dan een werkend algoritme uitpoept.

Wat hier dus anders aan is is de achterliggende code die gebruikt wordt voor het trainen. Zo zal je andere code nodig hebben om een kras of een kromme connector pin te detecteren dan je nodig hebt om te zeggen of iets een kat of een hond is.

[ro8in]

Ik betwijfel het. Hij doetgewoon een vergelijking van hoe het hoort te zijn(fotos waarmee je het model traint) en wat het werkelijk is (de foto's van de te inspecteren objecten) en hoeveel procent pixels ervan afwijken. Wat het onderwerp in de foto en hoe deze kan afwijken doet er volgens mij helemaal niet toe.

[Hatsjoe]

De manier hoe dat model getraind wordt zal toch anders zijn. Er is een verschil tussen modellen die zeggen "dit is een kat of hond" of die zeggen "deze PCB heeft een kromme pin". Ja, uiteindelijk komt het allemaal op het zelfde neer, maar de weg (de code) naar het uiteindelijke getrainde model is per use-case zeker verschillend.

Wat je hierbij krijgt is een kant en klare oplossing die een werkend model geeft zolang je maar genoeg plaatjes geeft om het model te trainen. Je kan een model dat kromme pinnen detecteert geen foto's van katten en honden geven en verwachten dat het model uiteindelijk kan zeggen wat een kat of hond is.

[Valen_76]

Een kromme poot daar in tegen.

[this]

Misschien willen ze op termijn al voorgetrainde modellen kunnen aanbieden?

[SinergyX]

Dat 'model' wordt volledig aangeleverd, het is meer een kant en klare oplossing dan zelf aan de slag te gaan met verschillende modellen/platformen. Je dumpt er flinke berg foto's, wat variabelen, je laat AWS de rest voor je doen.

Grote bedrijven die doen dit over het algemeen al zelf, daar zit het veelal in de productie-band ingebouwd, maar met name de kleinere bedrijven kunnen nu gewoon een kant en klare oplossing pakken en draaien maar.

Secondair verwacht ik dat hun 'leermodel' veel dynamisch is dan een standaard model, als zij zien dat er meer mensen bv paperclips laten scannen, kunnen ze het leermodel erachter wat beter finetunen voor herkenning van paperclips.

[TTLCrazy]

Ik wist niet wat AWS betekende en heb dat maar even opgezocht, wellicht hebben meer mensen er wat aan:
AWS staat voor Amazon Web Services.

Amazon Web Services (AWS) is a subsidiary of Amazon providing on-demand cloud computing platforms and APIs to individuals, companies, and governments, on a metered pay-as-you-go basis. These cloud computing web services provide a variety of basic abstract technical infrastructure and distributed computing building blocks and tools.

[Reactie gewijzigd door TTLCrazy op 23 juli 2024 03:59]

[djwice]

En een Amsterdammer is daar de hoogste IT baas:
https://nl.wikipedia.org/wiki/Werner_Vogels

[david-v]

Het is eigenlijk wel gek ja, bij Amazon denken de meeste mensen aan de webwinkel en dat het ooit begon als een boekenwinkel op internet. Dat Amazon de grootste leverancier is wereldwijd van cloud computing is bij velen onbekend. Het wordt echt heel veel gebruikt, ook in de projecten waar ik werk. Persoonlijk heb ik meer affiniteit met Azure (Microsoft), de nummer 2 wereldwijd

[djwice]

LOL
Dus je maakt foto's van goede en defecte producten.

Vervolgens kijkt een computer met welk plaatje het net gemaakt product het meeste overeen komt en geeft dan aan of die in de "defecte" of "niet defecte" lijst met plaatjes staat.

Klinkt niet heel vernieuwend, toch?

Om het process te versnellen, nemen we de div van de goede en slechte plaatjes, en zo kunnen we na een kleine transformatie wellicht zelfs met een xor operatie kijken of iets goed of fout is.

Iemand ooit met Sprites gewerkt op een C64

[Reactie gewijzigd door djwice op 23 juli 2024 03:59]

[david-v]

Wauw, Artificial Intelligence uitgelegd in Jip en Janneke taal. Dat hele AI is ook maar divjes doen met and en xors, echt niet spannend... Ik weet het

[djwice]

Vol met valkuilen zoals locale minima (of een locale piek) - het lijkt bijna statistiek

[Reactie gewijzigd door djwice op 23 juli 2024 03:59]

[TNJ]

Hopelijk functioneert het beter dan de grafieken voor banden in de formule 1.