Michael Sluydts: Voor materiaalonderzoek blijft fine-tuning essentieel

‘De grens tussen generieke AI-modellen en gespecialiseerde R&D-modellen beweegt voortdurend’, constateert Michael Sluydts. ‘Het is voor veel toepassingen nog niet duidelijk waar de mogelijkheden van de moderne foundation models ophouden en waar specifieke modellen nodig worden.’

AI in onderzoeksomgevingen: een mix van modellen

ePotentia werkt als wetenschappelijke AI-consultancy aan uiteenlopende toepassingen, variërend van databanken en databeheersystemen tot AI-modellen voor materiaalanalyse.

In projecten zoals het Horizon Europe-project AID4GREENEST bouwt het bedrijf een dataplatform voor microscopie, ondersteund door AI. Sluydts beschrijft hoe daar verschillende typen modellen samenkomen: ‘Er zijn grote foundation models ingezet voor interactie en beeldbewerking, gespecialiseerde modellen die zijn getraind op omvangrijke microscopiedatasets en compacte modellen die zeer specifieke materiaal- of proceskenmerken voorspellen. Deze combinatie is noodzakelijk omdat wetenschappelijke data vaak niet publiek beschikbaar is en omdat veel toepassingen zich in niches bevinden waar generieke modellen te weinig kennis hebben.’

AI in de verpakkingspraktijk

Om de mogelijkheden van recente modellen te testen, experimenteerde Sluydts met publiek beschikbare tools. Aan de hand van een foto van een demonstratie liet hij zien hoe AI objecten herkent, zoals een exoskelet, televisieschermen en krimpverpakte waterflessen. De modellen herkennen niet alleen objecten, maar gebruiken ook contextinformatie zoals ‘beursvloer’, wat helpt bij het interpreteren van de situatie.

Vervolgens liet hij zien hoe AI dezelfde objecten in een video kan volgen en hoe eenvoudige post-processing hun beweging kan analyseren. In zijn voorbeeld zou AI kunnen tellen hoe vaak een product wordt opgetild of vaststellen wanneer een exoskelet veilig moet uitschakelen.

Microstructuren en materiaalkunde

Sluydts toonde vervolgens voorbeelden uit de materiaalkunde, zoals microscoopbeelden van koolstofstaal. De AI modellen blijken in staat om sommige kenmerken te herkennen, zoals carbiden en spanningsscheuren. Maar ze doen ook aannames die niet uit het beeld zelf zijn af te leiden, bijvoorbeeld over warmtebehandeling of chemische samenstelling.

‘Dit komt doordat generieke modellen te snel ‘willen gokken’, zegt Sluydts. ‘Zonder aanvullende metadata of een beperking op wat het model mag concluderen, kan dit leiden tot foutieve interpretaties. Voor materiaalkundig onderzoek blijft fine-tuning dus essentieel.’

Sluydts vergeleek door AI gegenereerde staalmicrostructuren met echte beelden. Hoewel de gegenereerde varianten oppervlakkig lijken te kloppen, ontbreekt het fijnmazige ruispatroon dat microscopen in werkelijkheid produceren. Een model kan daardoor te ‘ideale’ beelden leveren. Volgens hem is dit een risico als synthetische data wordt gebruikt om nieuwe modellen te trainen: ‘die kunnen dan leren van data die te glad is in vergelijking met realistische beelden’.

Energiegebruik: een groeiend aandachtspunt

Sluydts benadrukte dat het gebruik van grote AI-modellen aanzienlijk energieverbruik met zich meebrengt. Op basis van recent onderzoek liet hij zien dat het totale energieverbruik van datacenters in de VS tegen 2030 kan verdubbelen door grootschalige inzet van generatieve AI. CO₂-emissies zouden zelfs kunnen verdrievoudigen. Dit pleit volgens hem voor het zorgvuldig kiezen van modelgroottes en voor het vermijden van onnodig gebruik van zware modellen.

Volgens Sluydts kunnen foundation models de drempel verlagen om AI in te zetten bij verpakkingsvraagstukken, bijvoorbeeld voor beeldherkenning, inspectie of simulatie. Maar voor specialistische materiaalevaluaties blijft eigen data, domeinkennis en fine-tuning noodzakelijk. In productieomgevingen kan vaak worden volstaan met compacte en energiezuinige modellen.

‘AI biedt grote kansen, maar dat zorgvuldig omgaan met modelkeuze, datakwaliteit en energiegebruik blijft belangrijk voor een duurzame inzet in de verpakkingsketen.’