Kunstmatige intelligentie kan de veiligheid van werknemers in productieomgevingen verbeteren, maar het huidige prestatieniveau laat zien dat praktijkgerichte training en domeinspecifieke data cruciaal blijven. Een recente studie naar laswerk toont waar AI vandaag al waarde kan toevoegen – én waar nog werk aan de winkel is.
Van theorie naar werkvloer
Een interdisciplinair onderzoeksteam van de University of Notre Dame testte of multimodale large language models (AI-systemen die zowel tekst als beeld verwerken) de kwaliteit van lassen in verschillende sectoren correct kunnen beoordelen. Laswerk is niet alleen technisch complex, maar ook essentieel voor veiligheid in bijvoorbeeld luchtvaart, scheepsbouw en landbouwmachines. Fouten zijn hier geen esthetisch probleem, maar een mogelijk veiligheidsrisico.
De onderzoekers gebruikten twee databronnen:
-
Real-world beelden: foto’s van lassen uit opleidingscentra en werkplaatsen, gemaakt door ervaren lassers, inclusief een vakinhoudelijke beoordeling.
-
Online beelden: zorgvuldig geselecteerde voorbeelden van goede en slechte lassen van het internet.
Beide datasets werden door een expert gelabeld als “acceptabel” of “onacceptabel” voor drie contexten: RV & Marine, Aeronautical en Farming.
Descriptieve statistieken van de datasets.
AI-prestaties: beter online dan in het echt
De modellen (GPT-4o en LLaVA-1.6) werden getest in twee scenario’s:
-
Zero-shot prompting: enkel de lasfoto en de vraag of die acceptabel is.
-
WeldPrompt: een slimme prompttechniek waarbij de AI voorbeelden en redeneringen van gelijkaardige lassen krijgt.
De uitkomst?
-
Betere prestaties op online beelden dan op echte lasfoto’s. Dat wijst erop dat de AI deels vertrouwt op herkenning van eerder geziene patronen in trainingsdata, in plaats van puur redeneren over het beeld.
-
GPT-4o scoorde consequent beter dan LLaVA-1.6, maar beide modellen hadden moeite met de strengere luchtvaartstandaarden.
-
WeldPrompt hielp soms, maar niet altijd: in bepaalde contexten steeg de precisie, maar daalde de recall.
Met andere woorden: contextspecifieke prompttechnieken kunnen nuttig zijn, maar brengen ook nieuwe afwegingen met zich mee.
Wat betekent dit voor preventie?
Voor preventieadviseurs in industriële omgevingen is dit onderzoek relevant om drie redenen:
-
Kans op kwaliteitscontrole op schaal: AI kan een extra laag kwaliteitsborging toevoegen, bijvoorbeeld als voorselectie voor menselijke inspectie.
-
Beperkingen van generieke AI: Zonder domeinspecifieke training blijft de kans op foutieve beoordelingen reëel, zeker bij minder gangbare of complexe omstandigheden.
-
Belang van uitlegbaarheid: In veiligheidskritieke sectoren volstaat het niet dat AI een oordeel geeft; de onderliggende reden moet duidelijk en verifieerbaar zijn.
Praktische aanbevelingen
-
Investeer in domeinspecifieke datasets bij het trainen of finetunen van AI-modellen.
-
Gebruik AI als aanvulling, niet als vervanging van menselijke inspecties.
-
Kies voor uitlegbare AI om de acceptatie en betrouwbaarheid in veiligheidskritieke processen te vergroten.
-
Test in realistische omstandigheden om verrassingen bij implementatie te voorkomen.
Reflectie: AI als collega, niet als vervanging
De studie laat zien dat modelgrootte of -complexiteit geen garantie biedt op betere prestaties. In sommige gevallen zullen kleinere, specifiek getrainde modellen betrouwbaarder en kostenefficiënter zijn. Het suggereert ook dat samenwerking tussen mens en machine voorlopig de veiligste route is: AI signaleert, de mens beslist.
Een luchtige vergelijking dringt zich op: zet je AI vandaag in als lasinspecteur, dan is het alsof je een nieuwe collega inwerkt die al veel theorie kent, maar de geur van een echte werkplaats nog niet gewend is. Verwacht geen perfectie, maar met goede begeleiding kan die collega snel waardevol worden.
Wil je meer lezen? De publicatie in het wetenschappelijk tijdschrift Information Fusion is te downloaden als pdf via deze link.
