Posted on

Virtuele klascursus “Effectief communiceren voor ingenieurs”.

Jaco Friedrich en zijn team hebben een online versie van de training “Effectief communiceren voor ingenieurs” ontwikkeld, als alternatief voor hun klassikale cursus. Het e-learningprogramma zit vol interactieve opdrachten en verschillende virtuele klassikale sessies. De eerste editie staat gepland voor juni dit jaar.

Leren over communicatie via een online cursus vereist meer dan alleen een webinar of videoconferentie. Zo’n cursus moet veel interactie bieden, zoals break-out rooms, individuele en groepsoefeningen, rollenspellen, feedbackrondes (zowel geven als ontvangen), allemaal onder de constante begeleiding van de trainer. Daarom zal de eerste online cursus voor “Effectieve communicatie voor ingenieurs” worden aangeboden in ons volledig nieuwe online-leerplatform, samen met zes live virtuele klassikale sessies.

De focus van deze online cursus ligt op de drie belangrijkste onderwerpen in bedrijven:

  • Zorg voor duidelijke communicatie en wederzijds begrip.
  • Overtuig (gemengde) groepen belanghebbenden en zet weerstand om in buy-inn.
  • Leer de psychologie achter je eigen gedrag en dat van anderen.

Voor degenen die de voorkeur geven aan klassikale training, is er in oktober een nieuwe sessie beschikbaar.

Posted on

November 2020: Systeemarchitect(en)-editie in Leuven, België

High Tech Institute plant een speciale editie van de training Systeemarchitect(ing) in november 2020.

Techbedrijven in België tonen steeds meer interesse in de opleiding Systeemarchitect(en) (Sysarch) en daarom besloot High Tech Institute een speciale editie te plannen in de stad Leuven – die gemakkelijk bereikbaar is vanuit Brussel, Luik en Antwerpen.

Luud Engels is de trainer voor Sysarch in Leuven. Engels is een senior systeemarchitect met uitgebreide ervaring in de consumentenelektronica en hightech industrie.

De cursus wordt gehouden in ‘De Hoorn’, gelegen aan de Sluisstraat 79 in Leuven vlakbij het treinstation. Er is voldoende parkeergelegenheid op loopafstand.

Alle sociale distantiëringsmaatregelen, gericht op het voorkomen van de verspreiding van COVID-19, worden verzorgd door De Hoorn en High Tech Institute.

Deze speciale editie vindt plaats van 16-20 november 2020.

Posted on

AI-engineering deel 2: versiebeheer van gegevens en beheer van afhankelijkheden

In mijn vorige column presenteerde ik onze onderzoeksagenda voor AI-engineering. Deze keer gaan we ons richten op een van de onderwerpen op die agenda, namelijk het beheer van dataversies en afhankelijkheden. Hoewel het big data-tijdperk nu al meer dan tien jaar bezig is, worstelen veel van de bedrijven waar we mee werken nog steeds met hun datapijplijnen, data lakes en datawarehouses.

Aangezien we voornamelijk werken met de embedded systeemindustrie in de B2B-ruimte, is een van de eerste uitdagingen waar veel bedrijven mee worstelen de toegang tot gegevens en eigendomskwesties. Zoals ik in een [eerdere column] (https://bits-chips.nl/artikel/get-your-data-out-of-the-gray-zone/) heb besproken, is het belangrijkste dat in plaats van uw gegevens in een soort grijze zone te laten bestaan waarin het onduidelijk is wie de eigenaar van wat is, het essentieel is om vragen rond toegang, gebruik en eigendom van gegevens tussen uw klanten en uw bedrijf aan te pakken. En natuurlijk moeten we duidelijk en transparant zijn over het gebruik van de gegevens en hoe de gegevens worden geanonimiseerd en samengevoegd voordat ze met anderen worden gedeeld.

De tweede uitdaging op dit gebied hangt samen met het toenemende gebruik van DevOps. Omdat het genereren van gegevens als technologie veel minder volwassen is dan bijvoorbeeld API-beheer in software, hebben teams de neiging om nogal ad-hoc wijzigingen aan te brengen in de manier waarop loggegevens worden gegenereerd, omdat ze denken dat zij de enige gebruikers van de gegevens zijn en dat deze alleen door hen worden gebruikt om het gedrag van de functionaliteit waaraan het team werkt te evalueren. Bijgevolg hebben andere gebruikers van de gegevens de neiging om frequente verstoringen van de gegevensstroom en de inhoud ervan te ervaren.

De frequente veranderingen in gegevensformaten en manieren om gegevens te genereren vormen vooral een uitdaging voor machine learning (ML) toepassingen, omdat de prestaties van de ML-modellen sterk afhankelijk zijn van de kwaliteit van de gegevens. Veranderingen in de data kunnen dus onverwachte verslechteringen van de prestaties veroorzaken. Omdat ML-modellen vaak veel data nodig hebben, willen we meestal grote datasets gebruiken voor training. Daarom combineren we de data van meerdere sprints en DevOps implementaties in een enkele trainings- en validatiedataset. Maar als de gegevens die door elke implementatie worden gegenereerd subtiel (of niet zo subtiel) verschillen, kan dat een uitdaging worden.

De derde uitdaging is dat datapijplijnen vaak impliciete afhankelijkheden hebben die onverwacht naar boven kunnen komen bij het doorvoeren van wijzigingen of verbeteringen. Consumenten van datastromen kunnen plotseling worden uitgeschakeld en aangezien er meestal een aanzienlijke bedrijfskritische waarde is verbonden aan de functionaliteit die door de consument wordt geïmplementeerd, leidt dit gemakkelijk tot blusacties om de consument van de data weer online te krijgen. Maar ook al is dit een leuke endorfine-kick voor de cowboys in de organisatie, feit is dat we dit soort problemen eigenlijk niet hadden moeten ervaren. In plaats daarvan moeten de partijen die gegevens genereren, verwerken en consumeren goed worden aangestuurd en moet de evolutie van de pijplijn en de inhoud ervan worden gecoördineerd tussen de betrokken spelers.

'We’re working on a domain-specific language to model data pipelines'

Dit zijn slechts enkele van de uitdagingen op het gebied van gegevensbeheer. In eerder onderzoek hebben we een uitgebreid overzicht gegeven van de uitdagingen op het gebied van gegevensbeheer. In ons huidige onderzoek werken we aan een domeinspecifieke taal om datapijplijnen te modelleren, inclusief de verwerkings- en opslagknooppunten en hun onderlinge connectoren. Het doel op de lange termijn is om operationele pijplijnen te kunnen genereren die monitoringoplossingen bevatten die de afwezigheid van datastromen kunnen detecteren, zelfs in het geval van batch levering van gegevens, evenals een groot aantal andere afwijkingen.

Daarnaast hebben we gewerkt aan een “data linter” oplossing die kan waarschuwen wanneer de inhoud van de gegevens verandert, variërend van eenvoudige veranderingen zoals ontbrekende of buiten het bereik vallende gegevens tot meer gecompliceerde veranderingen zoals verschuivende statistische verdelingen in de tijd. De oplossing kan waarschuwen, gegevens verwerpen en mitigatiestrategieën in gang zetten die de problemen met de gegevens aanpakken zonder de werkzaamheden te onderbreken. Neem contact met me op als je meer wilt weten.

Concluderend, databeheer, inclusief versiebeheer en afhankelijkheden, is een verrassend ingewikkeld onderwerp waar veel bedrijven nog niet uit zijn. Het verschil in volwassenheid tussen de manier waarop we omgaan met software en met gegevens is gewoon onthutsend, vooral bij bedrijven die embedded systemen maken, waar gegevens van oudsher alleen werden gebruikt voor defectbeheer en kwaliteitsborging. In ons onderzoek werken we samen met bedrijven om een stapsgewijze functiewijziging door te voeren in de manier waarop gegevens worden verzameld, verwerkt, opgeslagen, beheerd en geëxploiteerd. Omdat data volgens sommigen de nieuwe olie is, is het van cruciaal belang om deze net zo serieus te nemen als elk ander bedrijfsmiddel.

Posted on

AI-engineering: AI echt maken

Er zijn maar weinig technologieën die tegenwoordig zoveel hype, opwinding en angst veroorzaken als kunstmatige intelligentie (AI). De niet-ingewijden geloven dat algemene AI voor de deur staat en maken zich zorgen dat Skynet het binnenkort zal overnemen. Zelfs onder degenen die de technologie begrijpen, is er verbazing en opwinding over de dingen die we nu al kunnen en veel voorspelling over wat er nog gaat gebeuren.

'Rolling out an ML/DL model remains a significant engineering challenge'

De realiteit is natuurlijk veel minder mooi dan de overtuigingen waarmee we allemaal rondlopen. Niet omdat de technologie niet werkt, want dat doet het in verschillende of zelfs veel gevallen, maar omdat het uitrollen van een machine learning (ML) of deep learning (DL) model in productiekwaliteit, industriesterke implementaties een aanzienlijke technische uitdaging blijft. Bedrijven zoals Peltarion helpen bij het aanpakken van een aantal van deze uitdagingen en doen hun werk uitstekend.

Vanuit een end-to-end perspectief hebben we in ons onderzoek een agenda ontwikkeld met als doel een uitgebreid overzicht te geven van de onderwerpen die moeten worden aangepakt bij de overgang van de experimenteer- en prototypefase naar de implementatie. Deze agenda is gebaseerd op meer dan 15 casestudies waarbij we betrokken zijn geweest en meer dan 40 problemen en uitdagingen die we hebben geïdentificeerd.

De onderzoeksagenda voor AI-engineering ontwikkeld in het Software Center

De onderzoeksagenda volgt het typische datawetenschapsproces met vier fasen: het verkrijgen van de gegevens, het creëren en ontwikkelen van het model, trainen en evalueren en vervolgens de inzet. Voor generieke AI-engineering identificeren we voor elk van de fasen de primaire onderzoeksuitdaging met betrekking tot architectuur, ontwikkeling en proces. Deze uitdagingen hebben vooral te maken met het goed beheren van data, gefedereerde oplossingen, het waarborgen van de verschillende kwaliteitsattributen, het integreren van ML/DL-modellen in de rest van het systeem, monitoring tijdens operaties en infrastructuur.

Naast de generieke AI-engineeringuitdagingen erkennen we dat verschillende domeinen hun eigen unieke uitdagingen hebben. We identificeren de belangrijkste uitdagingen voor cyberfysische, veiligheidskritische en autonoom verbeterende systemen. Bij cyberfysische systemen gaat het, zoals te verwachten, om het beheer van vele exemplaren van een systeem dat in het veld bij klanten wordt ingezet. Voor veiligheidskritische systemen zijn verklaarbaarheid, reproduceerbaarheid en validatie belangrijke aandachtspunten. Tot slot vereisen autonoom verbeterende systemen de mogelijkheid om hun eigen gedrag te monitoren en te observeren, alternatieve oplossingen te genereren voor experimenten en een balans te vinden tussen exploratie en exploitatie.

Concluderend: voor het bouwen en implementeren van ML/DL-systemen van productiekwaliteit en industriekwaliteit is AI-engineering als discipline nodig. Ik heb uiteengezet wat volgens ons in onze onderzoeksgroep de belangrijkste onderzoeksuitdagingen zijn die moeten worden aangepakt om meer bedrijven in staat te stellen de overstap te maken van experimenteren en prototypen naar implementatie in de echte wereld. Deze post is slechts een samenvatting op hoog niveau van het werk dat we doen in het Software Center, maar je kunt kijken en lezen of contact met me opnemen als je meer wilt weten.

Posted on

Waarom Agile belangrijk is

Onlangs kreeg ik een e-mail met de vraag waarom we ons zorgen zouden moeten maken over Agile als het totale productontwikkelingsproces, inclusief mechanica en elektronica, in jaren wordt gemeten en volledig waterval is. De vraag verraste me. Ik werk al bijna twintig jaar met Agile praktijken en voor mij is het een gegeven dat snelle feedbacklussen beter zijn dan langzame.

Na zorgvuldiger nadenken realiseerde ik me echter dat de vraag gebaseerd is op een aantal aannames die op hun beurt weer gebaseerd zijn op onze overtuigingen over ons vermogen om te voorspellen. De eerste veronderstelling heeft te maken met ons vermogen om de vereisten voor onze producten maanden, kwartalen of jaren later optimaal te voorspellen. In veel industrieën waar producten mechanische en elektronische onderdelen bevatten, vereist de productiepijplijn lange doorlooptijden. Bijgevolg worden de productvereisten lang voor het begin van de productie geformuleerd. De misvatting is natuurlijk dat eisen voortdurend veranderen door nieuwe technologieën die beschikbaar komen, veranderende voorkeuren van klanten, acties van concurrenten, enzovoort. Een vuistregel in software zegt dat requirements met 1 procent per maand veranderen – een zeer conservatieve schatting als je het mij vraagt.

Dus, hoe te reageren op voortdurend veranderende vereisten? Er zijn in principe twee benaderingen. Of je neemt wendbaarheid aan en reageert voortdurend op veranderingen, of je verzet je tegen veranderingen in vereisten, verwerpt alles wat je kunt en accepteert met tegenzin diegene die je echt niet kunt negeren. Het resultaat van de laatste aanpak is natuurlijk een inferieur product omdat het gebaseerd is op de beste inzichten van jaren geleden.

De tweede aanname is dat we het effect van onze vereisten kunnen voorspellen. Deze worden gedefinieerd als we hopen een specifiek resultaat te bereiken als gevolg van het realiseren van de eis. We zien dit het vaakst bij bruikbaarheidseisen, maar het geldt in principe voor elke kwaliteitsattribuut van het systeem. Online bedrijven gebruiken A/B-testen van oplossingen om de effecten van verschillende realisaties van functies en kenmerken op gebruikers te bepalen. Deze bedrijven doen dat niet omdat ze zo slecht zijn in requirements engineering, maar omdat het effect van functies fundamenteel onbekend is als het gaat om de manier waarop mensen reageren op softwarefuncties.

Traditionele engineeringbedrijven zijn trots op hun vermogen om de mogelijkheden van systemen te voorspellen voordat ze ze bouwen, omdat engineering een set wiskundige hulpmiddelen biedt voor modelleren, simuleren en voorspellen. Deze modellen worden dan meestal bevestigd door laboratoriumtests en in sommige gevallen kleinschalige tests in de echte wereld voordat er volledig wordt toegezegd op een specifiek ontwerp. Hoewel dit in veel gevallen goed werkt, blijft het zo dat metingen in de echte wereld een veel hogere validiteit opleveren dan wiskundige modellen en laboratoriumtests. Zoals ik in eerdere posts heb verteld, toont onderzoek door ons en anderen aan dat minstens de helft van alle functies in een typisch systeem nooit wordt gebruikt of zo zelden wordt gebruikt dat de investering in R&D een verspilling is. Dus als we technieken kunnen gebruiken om stukjes functionaliteit of functies te implementeren en het effect te meten voordat we er meer bouwen, dan moeten we dat doen, omdat het de effectiviteit van onze R&D sterk kan verbeteren.

'We need real-world experiments to continuously improve'

Hoewel velen begrijpen dat praktijkexperimenten met betrekking tot bruikbaarheid en gebruikersgedrag een noodzaak zijn, geldt hetzelfde voor alle kwaliteitsattributen. Denk aan alle beveiligingsoplossingen die we moeten uitrollen. Vaak gaat het om kwetsbaarheden voor bedreigingen die al bekend waren voordat het ontwerp van het systeem klaar was. Het bleek gewoon dat de risicobeperkende strategieën die de ingenieurs in het systeem hadden ontworpen niet voldoende waren. Weten we ook zeker dat het huidige systeemontwerp ons de hoogste prestaties, de beste robuustheid en de hoogste energie-efficiëntie geeft? Natuurlijk niet! In plaats van te vertrouwen op modellen en laboratoriumtests, hebben we real-world experimenten nodig met onze producten bij klanten in het veld om voortdurend te verbeteren. Modellen en laboratoriumtests zijn nog steeds nodig, maar vooral om ons te beschermen tegen de nadelen van minder geslaagde experimenten voordat ze worden ingezet.

Concluderend, als je in staat bent om de optimale set vereisten voor een systeem of product jaren voor de start van de productie of uitrol perfect te voorspellen en als je in staat bent om het effect van elke vereiste op de gebruiker, de klant en de kwaliteitsattributen van het systeem nauwkeurig te voorspellen, dan heb je geen Agile nodig. In alle andere gevallen biedt Agile (zowel pre-deployment als post-deployment – DevOps) de mogelijkheid voor een enorme verbetering in de effectiviteit van je R&D (zoals gemeten in gecreëerde waarde voor elke eenheid R&D). Het is niet zo dat we geen producten kunnen maken met behulp van traditionele watervalprocessen – natuurlijk kunnen we dat wel, want dat doen we al tientallen jaren. De uitdaging is dat we daarbij veel minder efficiënt te werk gaan, waardoor het risico op verstoring voor ons bedrijf toeneemt.

Posted on

Workshop Thermisch ontwerp & koeling van elektronica gaat online

We zijn erg trots op onze trainers Wendy Luiten en Clemens Lasance, die erin geslaagd zijn om een online versie van hun workshop “Thermisch ontwerp & koeling van elektronica” te ontwikkelen als alternatief voor hun klassikale cursus. De training, die traditioneel veel cursisten uit het buitenland aantrekt, zal nu gemakkelijker toegankelijk zijn via de online cursusmodules. De eerste editie staat gepland voor mei dit jaar.

De COVID-19 pandemie vraagt om een andere aanpak in het uitwisselen van kennis. Omdat videoconferenties tegenwoordig onmisbaar zijn, raken mensen steeds meer vertrouwd met deze vorm van communicatie. Als gevolg hiervan zal de eerste online cursus voor “Thermisch ontwerp en koeling van elektronica” worden aangeboden via Microsoft Teams.

De online versie is opgesplitst in twee segmenten: het thermische ontwerpgedeelte, gevolgd door het gedeelte over geavanceerde onderwerpen. Het thermisch ontwerpgedeelte wordt met twee halve dagen verlengd, zodat er meer gelegenheid is om te oefenen en een actief vaardigheidsniveau te bereiken voor het ontwerpen van nieuwe thermische toepassingen, het evalueren van bestaande thermische toepassingen en het beoordelen van computationele simulatiemodellen. Het gedeelte voor gevorderden bouwt voort op deze basis en wordt enkele weken later gepland. Dit geeft deelnemers meer tijd om vertrouwd te raken met het materiaal en vergemakkelijkt de opname van het gevorderde materiaal.

Voor degenen die de klassikale workshop verkiezen, is er een nieuwe sessie beschikbaar in november.

Posted on

Versnelde digitalisering

Ondanks al het menselijk leed en de economische impact die corona heeft veroorzaakt, is er één ding dat me de afgelopen weken keer op keer heeft verbaasd: bedrijven en professionals passen zich gewoon aan en passen zich snel aan. Teams en afdelingen die vastzaten in oude manieren van werken hebben plotseling ontdekt dat het heel goed mogelijk is om op afstand te werken.

Tijdens de bijeenkomst van de stuurgroep van het Software Center deze week vertelden alle aanwezige bedrijven hoe ze het bedrijf ondanks alles draaiende hielden. Degenen die software ontwikkelden, klanten ontmoetten of administratief werk deden, werkten vanuit huis, maar er zat schot in de zaak. Degenen die toegang tot complexe machines nodig hadden of in de productie werkten, waren nog steeds in het bedrijf maar hadden maatregelen genomen om zich zo goed mogelijk tegen besmetting te beschermen.

Al deze nieuwe werkopstellingen vergden van iedereen tijd om zich aan te passen, vereisten in sommige gevallen wat meer infrastructuur en bezorgden de IT-afdelingen een drukke tijd. Maar na ongeveer de eerste week raakten de meeste mensen in de ban en lijken de zaken in grotendeels hetzelfde tempo vooruit te gaan.

Nu wil ik helemaal niet beweren dat de huidige situatie ideaal is. Sommige bedrijven zijn gesloten of werken op 40-60 procent van hun capaciteit. Velen ervaren eenzaamheid door het gebrek aan menselijk contact. En hoeveel videoconferenties er ook zijn, er gaat niets boven samen voor een whiteboard staan tijdens een brainstormsessie. Mijn punt is dat we in staat zijn om door te gaan, R&D uit te voeren, verkoop te stimuleren en dingen draaiende te houden in een veel grotere mate dan waar ik aanvankelijk bang voor was.

'Necessity is the mother of invention'

En natuurlijk is er het begrip digitalisering. Veranderingen in werkgedrag, interacties met klanten, activiteiten die voorheen alleen maar fysieke aanwezigheid vereisten, zijn nu in een fenomenaal tempo gedigitaliseerd. Noodzaak is de moeder van de uitvinding en het is duidelijk dat dingen die als onmogelijk of op zijn minst ondermaats werden beschouwd, plotseling volledig mogelijk zijn en binnenkort de norm zullen zijn.

Als leider moet je nu een keuze maken. Ofwel verander je zo weinig mogelijk met de bedoeling om zo snel mogelijk terug te keren naar de oude manier van doen. Of je gebruikt deze kans om zoveel mogelijk verandering teweeg te brengen en dit als springplank te gebruiken voor het versnellen van allerlei veranderingen in je organisatie, variërend van de bedrijfsmodellen, interacties met klanten en de manier waarop verkoop plaatsvindt tot de manier waarop je R&D uitvoert, wat en hoe je processen automatiseert en waar je mensen inzet. Zoals het gezegde luidt: Never waste a good crisis!

Posted on

Digitalisering beschleunigt

Bij alle menschlichen Leid und den wirtschaftlichen Auswirkungen, die Corona verursacht hat, gibt es eine Sache, die mich in den letzten Wochen immer wieder überrascht hat: Unternehmen und Fachleute passen sich einfach an und zwar schnell. Teams en afdelingen, die al langer in dienst zijn, hebben duidelijk laten zien dat het heel goed mogelijk is om op afstand te werken.

Tijdens de bijeenkomst van de Lenkungsausschusses van de Software Centers in deze week berichtten alle aangesloten bedrijven hoe ze hun werk zouden aanpakken. Diejenigen, die Software entwickeln, Kunden treffen oder Verwaltungsarbeit leisten, arbeiten von zu Hause aus, aber es geht voran. Diejenigen, die Zugang zu komplexen Maschinen benötigten oder in der Fertigung arbeiteten, waren noch im Unternehmen, hatten aber Maßnahmen ergriffen, um sich so gut wie möglich vor Ansteckung zu schützen.

Al deze nieuwe arbeidsplaatsen vereisen van iedereen een betere bereikbaarheid, in sommige landen meer infrastructuur en bij IT-bedrijven een betere bereikbaarheid. Maar na de eerste week of zo hebben de meesten hun kennis teruggewonnen en die dingen gebeuren nu eenmaal in hetzelfde tempo.

Daarom zal ik nooit zeggen dat deze situatie ideaal is. Sommige bedrijven hebben hun werk stopgezet of werken met 40-60 procent van hun vermogen. Viele fühlen sich einsam, weil ihnen der menschlichen Kontakt fehlt. En ondanks alle videoconferenties op de wereld is er niets beters dan een gezamenlijke brainstormsessie voor een whiteboard. Ich will damit sagen, dass wir in der Lage sind, die Dinge voranzutreiben, Forschung und Entwicklung zu betreiben, den Verkauf voranzutreiben und die Dinge in einem viel größeren Ausmaß am Laufen zu halten, als ich ursprünglich befürchtet hatte.

'Necessity is the mother of invention'

En dan is er natuurlijk nog altijd het begrip digitalisering. Veränderungen im Arbeitsverhalten, Interaktionen mit Kunden, Aktivitäten, die früher einfach nur physische Anwesenheit erforderten, haben sich nun in einem phänomenalen Tempo digitalisiert. Not macht erfinderisch und es ist klar, dass Dinge, die als unmöglich oder zumindest als minderwertig galten, plötzlich völlig möglich sind und bald zur Norm werden.

Als Führungskraft müssen Sie nun eine Entscheidung treffen. Of u nu zo weinig als mogelijk is aan het licht brengt, zo snel als mogelijk is, zo snel mogelijk naar de oude situatie terugkeert. Of je gebruikt die Gelegenheit, um so viele Veränderungen wie möglich voranzutreiben und dies als Sprungbrett zu nutzen, um alle Arten von Veränderungen in Ihrem Unternehmen zu beschleunigen, angefangen bei den Geschäftsmodellen, der Interaktion mit den Kunden und der Art und Weise, wie der Vertrieb abgewickelt wird, bis hin zu der Art und Weise, wie Sie Forschung und Entwicklung betreiben, was und wie Sie Prozesse automatisieren und wo Sie Menschen einsetzen. Zoals het Sprichwort al zegt: Verschwende niemals eine gute Krise!