Het antwoord

Nederlandse ondernemers die fysiek werk doen, zoals orderpicken of assembleren, kunnen hun eigen processen laten vastleggen als trainingsdata voor robots. Dit opent de deur naar automatisering die is afgestemd op jouw specifieke werkzaamheden, maar brengt ook vragen over kosten, privacy en concurrentie met zich mee.

Wat er aan de hand is

Roboticsbedrijven wereldwijd zijn op zoek naar een schat aan data: beelden van mensen die alledaagse, fysieke taken uitvoeren. Waar AI-modellen zoals ChatGPT zijn getraind op miljarden woorden, missen robots een vergelijkbare dataset over hoe mensen bewegen. Daarom worden er nu op grote schaal menselijke bewegingen vastgelegd. Dit gebeurt in speciale trainingscentra in China, waar mensen in exoskeletten honderden keren per dag dezelfde handeling herhalen, en via gig workers in Nigeria, Argentinië en India die thuis klusjes filmen. Zelfs een Amerikaans bezorgbedrijf heeft zijn medewerkers uitgerust met sensoren om hun bewegingen tijdens het tillen van pakketten te registreren. De investeringen in dit soort humanoïde robotica zijn enorm: in 2025 alleen al werd er 6,1 miljard dollar aan durfkapitaal opgehaald. Het idee is dat deze data, eenmaal verzameld, robots in staat stelt om naadloos in te stromen in de fysieke werkplekken waar mensen nu actief zijn.

Wat dit betekent

Voor het Nederlandse MKB, met name in sectoren als logistiek, assemblage en voedselverwerking, betekent deze ontwikkeling dat de drempel voor robotautomatisering kan dalen. In plaats van dat je een robot moet programmeren voor een generieke taak, kan een robot worden getraind op de specifieke bewegingen die in jouw magazijn of werkplaats worden gemaakt. Dit kan leiden tot efficiëntere en flexibelere inzet van robots. Tegelijkertijd is er een keerzijde. De data die nu wordt verzameld, wordt vaak gebruikt om robots te trainen die uiteindelijk dezelfde banen kunnen overnemen. Als MKB’er kun je dus zowel leverancier van trainingsdata zijn als de partij die straks de vruchten plukt van de automatisering. De kosten voor het verzamelen van deze data zijn nu nog hoog, maar de verwachting is dat ze dalen naarmate de technologie volwassener wordt. Het is ook belangrijk om te beseffen dat de data die jouw medewerkers genereren, mogelijk wordt gebruikt door grote techbedrijven om concurrerende robots te bouwen.

Hoe je dit kunt toepassen

Als je een magazijn runt met orderpickers… Je zou kunnen overwegen om een pilot te starten waarbij je medewerkers uitrust met eenvoudige bewegingssensoren of camera’s tijdens het picken van orders. Dit levert niet alleen data op voor een toekomstige robot, maar kan ook direct inzicht geven in ergonomische verbeteringen. Een optie is om samen te werken met een robotics-startup die gespecialiseerd is in het trainen van robots op locatie, in plaats van je data weg te geven aan een groot extern bedrijf.

Als je een assemblagebedrijf hebt met repeterende handelingen… Denk aan het vastleggen van de meest voorkomende montagehandelingen, zoals het plaatsen van een component of het vastdraaien van een schroef. Een mogelijkheid is om een aantal van deze handelingen te filmen en te laten annoteren door een gespecialiseerd bedrijf. Deze data kan dan worden gebruikt om een robotarm te trainen die deze taak overneemt, waardoor je medewerkers zich kunnen richten op complexer werk.

Als je in de voedingsmiddelenindustrie werkt, bijvoorbeeld met het verpakken van producten… Overweeg om een gestandaardiseerde werkplek in te richten waar medewerkers een aantal uren per week specifieke handelingen uitvoeren, zoals het inpakken van een maaltijd of het sorteren van producten, terwijl hun bewegingen worden geregistreerd. Dit kan dienen als trainingsdata voor een robot die deze taak uiteindelijk overneemt. Het is verstandig om vooraf duidelijke afspraken te maken met je team over het doel en de privacyaspecten van deze dataverzameling.

Als je een klein team hebt en geen eigen data wilt verzamelen… Een andere route is om gebruik te maken van bestaande, openbare datasets die al zijn verzameld door academische instellingen. Deze datasets bevatten vaak huishoudelijke of eenvoudige industriële handelingen. Je zou een robot kunnen programmeren met deze data en kijken hoe goed hij presteert in jouw specifieke omgeving. Dit is een kostenefficiënte manier om te experimenteren zonder zelf data te hoeven verzamelen.

Bron: Technologyreview