OT/IT-segregatie als architectuur-axioma
Iedere implementatie respecteert het zoneringsprincipe van IEC 62443: de OT-zone (PLC's, SCADA, DCS) is fysiek of logisch gescheiden van de IT-analyticszone. Data stroomt van OT naar IT via dataguards of replicatie van historian-databases — eenrichtingsverkeer is de norm. Onze AI-modellen leven aan de IT-zijde en produceren waarschuwingen, geen PLC-acties. Voor zeer mature klanten met goed gescheiden zones is bidirectionele integratie mogelijk, maar dan alleen via een gevalideerde control gateway met expliciete operator-goedkeuring. Deze structuur voorkomt dat een hallucinerende LLM ooit een kraan kan stoppen of een setpoint kan wijzigen — een NIS2-vereiste die wij als architectuurprincipe behandelen.
Predictive maintenance: tijdreeksen plus context
Onze predictive-maintenance-implementaties combineren drie modellen. Een classificatiemodel (XGBoost) op gefeaturede sensor-data geeft een dagelijkse risico-score per asset. Een tijdreeksmodel (LSTM of Temporal Fusion Transformer) detecteert subtiele drift in trillings-, temperatuur- en stroomprofielen. Een LLM-laag (Mistral Large of GPT-4o) combineert sensorsignalen met onderhoudshistorie, recente werkorders en componentdocumentatie tot een diagnose-suggestie voor de onderhoudsmonteur. De LLM stelt voor; de monteur beslist. Voor roterende machines en pompen liggen de besparingen tussen 15 en 30 procent op onderhoudskosten plus aanzienlijke beschikbaarheidswinst.
Kwaliteitscontrole: vision aan de lijn
Voor visuele inspectie implementeren we computer-vision-modellen op de productielijn. Camera's met edge-compute (Nvidia Jetson, Hailo-acceleratoren) draaien YOLO-varianten of vision-transformers op de productiesnelheid. Defecte producten worden gemarkeerd voor afsteek of voor handmatige inspectie. Tegenover klassieke regelgebaseerde vision-systemen wint deep learning op variabele defecten en op nieuwe productvarianten — fine-tuning op nieuwe defectklassen is een kwestie van weken in plaats van maanden. Voor kritieke kwaliteitsbeslissingen integreren we human-in-the-loop: de inspecteur bevestigt twijfelgevallen, en feedback voedt het model.
Supply-chain-intelligentie en LLMs
De grootste verandering die LLMs in supply chain brengen is in ongestructureerde data: e-mailcorrespondentie met leveranciers, douanepapieren, vervoersdocumentatie, marktrapporten. Een agent die wekelijks alle inkomende leverancierscommunicatie verwerkt — categoriseert, prioriteert en concept-antwoorden voorstelt — bespaart 30 tot 50 procent op inkoop-administratietijd. Voor risico-detectie monitoren we externe bronnen: nieuwsstromen, beurskoersen van toeleveranciers, geopolitieke signalen. Een Mistral Large of Llama 3-agent destilleert deze stromen tot weekrapportages voor de inkoopafdeling. Risk-events (faillissement, sancties, natuurramp in een productieregio) worden binnen uren gesignaleerd in plaats van weken.
NIS2: incidentprotocol en supply-chain-beveiliging
Onder NIS2 zijn meldingstermijnen kort: een early warning binnen 24 uur, een eerste assessment binnen 72 uur. AI-incidenten — model-uitval, drift voorbij drempel, output-afwijking — hebben hun eigen scenario in ons incidentprotocol. Het MLOps-platform genereert automatisch een incident-record bij overschrijding van metrics; de SOC-engineer beoordeelt en escaleert zo nodig. Voor supply-chain-beveiliging (NIS2 artikel 21 lid 2) documenteren we elke afhankelijkheid: van GPU-leverancier tot LLM-aanbieder tot data-pijplijn. Onze multi-vendor strategie (GPT-4o, Mistral Large en Llama 3 als wisselbare opties) levert de operationele weerbaarheid die de richtlijn vereist.
