Wat de tuinbouw kan leren van het ‘Tesla-model’

In Food & Agri staat innovatie niet stil. Heel wat organisaties zijn aan het werk gegaan om een echte innovatiecultuur in hun organisaties tot stand te brengen. Tijdens de workshops die we geven krijgen we vaak de vraag wat men kan leren van wereldwijd bekende voorbeeldbedrijven op het vlak van innovatie. Tesla, Inc is zo een voorbeeld, zelfs voor Food & Agri in de Benelux. Waarom? Daar gaan we hier verder op in.

Tesla werd in 2003 opgericht door Martin Eberhard en Marc Tarpenning. Vanaf de start was het de bedoeling een autobouwer op te richten die ook gezien kon worden als een technologiebedrijf. Immers, vanaf de start was het de bedoeling auto’s te maken met de beste batterij, computer software en een motor ontwikkeld in eigen beheer.

Vandaag houdt het missions statement van Tesla in ‘To accelerate the world’s transition to sustainable energy.’ Daartoe hanteert het een uitgebreide strategie, waarvan de basisfilosofie vervat zit in het niet-zo-geheime ‘Secret Tesla Motors Plan’ 2016. ‘Build sports car, use that money to build an affordable car, use that money to build an even more affordable car. While doing above, also provide zero emission electric power generation options’.

Essentieel in de visie van Tesla vandaag is dat het die auto niet als einddoel ziet. Het is slechts een onderdeel in een verhaal van gedeelde mobiliteit met zelfrijdende auto’s en zelfrijdende trucks die gebruik maken van duurzame energie. Voertuigen die optimaal gebruikt worden in een deeleconomie. Zo staat het ook te lezen in Musk’s ‘Master Plan, Part Deux’ van 2016.

Welk aspect van dit ‘Tesla-model’ vinden wij nu zo inspirerend voor tuinbouwondernemers? Daarvoor moeten we verder kijken hoe Tesla een vloot van zelfrijdende, gedeelde voertuigen op de markt wilt brengen.

Master Plan, Part Deux stelt ‘Create stunning solar roofs with seamlessly integrated battery storage, expand the electric vehicle product line to address all major segments, develop a self-driving capability that is 10X safer than manual via massive fleet learning and enable your car to make money for you when you aren't using it’

Tesla heeft zich als doel gesteld om zelfrijdende voertuigen in het verkeer te brengen die 10x veiliger zijn dan niet-zelfrijdende voertuigen. Het wil dat doel bereiken door in te zetten op ‘massive fleet learning’. Maar wat betekent dit precies?

Het ontwikkelen van een zelfrijdende capaciteit is ontzettend moeilijk. In essentie tracht je een systeem te ontwikkelen dat in elke mogelijke situatie de juiste beslissing kan nemen. In het klassieke tijdperk zou je geprobeerd hebben een computer te programmeren die op alle situaties kan inspelen. Maar dat is in dit geval natuurlijk onmogelijk door de miljoenen gevarieerde situaties waarmee een voertuig geconfronteerd kan worden en waarvoor je geen regels kan uitschrijven. Daartoe gebruik je vandaag heel veel datasets (big data) en laat je aan de hand van AI-technieken een computer zelf leren welke acties in een bepaalde situatie te nemen.

In de tuinbouw word je met een gelijkaardige situaties geconfronteerd. Neem nu autonoom telen. Je wilt planten zo optimaal mogelijk laten groeien. In essentie heb je hiervoor een systeem nodig dat in staat is om op elke mogelijk manier in te spelen op veranderingen in de kwekerij. Ook die regels vallen moeilijk te programmeren, en hier wil je dan ook terugvallen op big data en AI-technieken om autonoom teeltsysteem te leren steeds de juiste beslissing te nemen. En kom je tot dezelfde vaststelling als bij het autonoom rijden: “We gaan heel wat data nodig hebben om onze modellen te trainen en om te leren steeds die juiste beslissing te nemen.”

Hoe verzamelt Tesla die grote hoeveelheden aan data?

Wel, door dat principe van ‘massive fleet learning’. Verschillende bedrijven die zich richten op autonoom rijden proberen deze data te verzamelen door zelf auto’s de weg op te sturen. Tesla daarentegen maakt slim gebruik van zijn eigen klantenbasis. Elke Tesla-wagen en Tesla-rijder fungeert daarin als een generator van data, waarmee de autobouwer elke gereden kilometer dataset verzamelt. De auto vergelijkt welke acties de bestuurder neemt en vergelijkt die met degene die het zelf zou genomen hebben, op basis van de sensoren in de auto. Op die manier verfijnt het systeem stelselmatig z’n eigen kunnen.

Voor technische leveranciers actief in de tuinbouwsector liggen gelijkaardige mogelijkheden voor handen. Ook zij hebben een eigen klantenbasis die grote hoeveelheden data kan genereren. Toeleveranciers leveren steeds meer digitale oplossingen waarmee zij bedrijfsprocessen bij veredelaars en kwekers gemakkelijker en efficiënter proberen in te richten. Data uit klimaatcomputers is beter toegankelijk om met collega kwekers te delen, arbeidsregistratie gebeurt steeds meer digitaal en ook de kas wordt in toenemende mate uitgerust met nieuwe sensoren.

Met andere woorden, leveranciers beschikken over steeds meer data, gegenereerd door hun systemen bij kwekers, die gebruikt zou kunnen worden om algoritmen te trainen.

Als leverancier is het noodzakelijk om een oog te hebben voor deze trend. De sector vraagt steeds meer om oplossingen die het werk meer inzichtelijk en schaalbaar maken. Of om systemen die taken kunnen ondersteunen of zelfs volledig kunnen overnemen.

Zowel de eenvoud waarmee grote hoeveelheden data verzameld kan worden, als de toenemende toegankelijkheid van advanced analytics en artificial intelligence, zorgt ervoor dat je als toeleverancier kan gaan nadenken over het creëren van volstrekt nieuwe toepassingen voor de eindklant. Toepassingen die gebruik maken van voorspellende algoritmen om het nemen van complexe beslissingen te ondersteunen of zelfs over te nemen.

Of, zoals in het voorbeeld van Tesla, toelaten de chauffeur te waarschuwen wanneer hij moet remmen om een ongeval te vermijden of om het remmen en uitwijken van de auto volledig over te nemen.

Als de technologie zo toegankelijk is geworden, hoe begin je er dan aan?

Allereerst zijn er twee zaken die je heel duidelijk dient te maken. Welke taken wil ik ondersteunen of overnemen én welke data-infrastructuur heb ik daarvoor nodig. Laten we met die laatste beginnen.

Door de infrastructuur slim in te richten en stapsgewijs aan te vullen kan je gericht data van kwekers verzamelen, uiteraard zonder dat de privacy van de klant hiervoor in het geding moet komen. De data die wordt gegenereerd door de systemen die bij de klant draaien wordt centraal in de cloud verzameld in een database. Vanuit die database kunnen visualisaties en algoritmen worden ontwikkeld die de organisatie of de klant in staat stelt om betere beslissingen te maken of bepaalde processen te automatiseren.

De concrete toepassingen die men voor ogen heeft zijn voor elke organisatie anders. Het bepalen van deze toepassingen is een oefening die het beste gedaan kan worden na diverse workshops met interne en externe stakeholders (zoals klanten!). Laat je begeleiden door ervaren organisaties zoals PEAX Data die in staat zijn om de rol van ‘AI translator’ op zich te nemen. Daarmee weet je zeker dat de business impact en de benodigde infrastructuur op elkaar zijn afgestemd.

In onze samenwerking met klanten, hebben we geleerd om finale plannen duidelijk op papier te zetten in een Data & AI strategie. Dit is een strategie met glasheldere doelstellingen en een uitgewerkte roadmap aan use cases om gefaseerd naar een data-gedreven organisatie te werken. Op deze manier ligt er een duidelijk plan op tafel met aandacht voor zowel de kosten, als de te behalen business value.

Wil je meer te weten komen over onze aanpak. Neem contact met ons op.

‍