聽heeft een duidelijk doel voor ogen: wereldwijd marktleider worden. Om die groei mogelijk te maken, verruilde de Limburgse fabrikant van oogstrobots Excel voor聽, met ondersteuning van 麻豆原创-partner聽. Een opvallende keuze voor een bedrijf dat nog maar net vijf jaar bestaat? Directeur Marcel Beelen vindt van niet.

FineField bracht in 2019 een prototype van zijn oogstrobot voor het plukken van verse blauwe bessen op de markt. Vijf jaar later heeft het bedrijf meerdere modellen ontwikkeld, en rijden de robots in vijftien landen, van de Verenigde Staten tot Australi毛.

De Harvy500 is het topmodel in het portfolio. Hiermee gaat het plukken van blauwe bessen volledig geautomatiseerd. 鈥淢et behulp van sensoren 鈥榲oelt鈥� de robot waar de struiken staan en bepaalt hij zelfstandig zijn route鈥�, vertelt Beelen. 鈥淒e oogstrobot neemt het werk van vijftig mensen over, een uitkomst voor telers die steeds moeilijker aan arbeidskrachten kunnen komen.鈥�

Leidende positie

鈥淲ij willen wereldwijd een leidende positie innemen als het gaat om innovatie, duurzaamheid en een premium kwaliteit oogst鈥�, zegt Beelen vol overtuiging. De recente oprichting van een vestiging in de Verenigde Staten draagt bij aan dat doel.

Groei brengt echter ook complexiteit met zich mee. 鈥淒aarom is het essentieel dat je processen voor verkoop, inkoop, service, productie en finance goed op orde zijn. Je moet inzicht hebben in je cashflow, je bill of material goed kunnen beheren en grip houden op de kwaliteit van de assemblage. We hebben nu al onderdelen verspreid over de hele wereld liggen, en daar wil je controle over hebben.鈥�

Voorbereiden op groei

Om ook in de toekomst grip op de operatie te behouden, besloot FineField al vroeg in de ontwikkeling van het bedrijf de bedrijfssystemen onder de loep te nemen. Beelen: 鈥淲e werkten met een financi毛le administratie, aangevuld met een aantal applicaties die we zelf aan elkaar hadden geknoopt. Mijn belangrijkste hulpmiddel was Excel, waarin ik de cashflow bijhield. We moesten stappen zetten om verdere groei te ondersteunen en te vereenvoudigen. Als je daar te lang mee wacht, kost het alleen maar meer reparatiewerk.鈥�

Er was echter nog een reden om de losse tools te vervangen door een volwassen ERP-systeem: de verdere ontwikkeling van het servicemodel van FineField dat is gebaseerd op IoT. 鈥淲e ontvangen enorme hoeveelheden data van de robot en via een digital twin kunnen we precies zien wat de machine doet en waar eventuele problemen zich voordoen. Als een klant een storing meldt, zien wij direct waar het probleem zit en helpen we het snel op te lossen.鈥�

Beelen ziet mogelijkheden om dit concept verder uit te breiden, onder andere met kunstmatige intelligentie (AI). 鈥淲e gebruiken data nu al voor predictive maintenance. In de toekomst zou een machine zelf een inkooporder kunnen plaatsen voor een vervangend onderdeel. Dat vereist echter dat de administratie aan de achterkant op orde is.鈥�

ERP in de cloud

Na een pakketselectie koos FineField voor 麻豆原创 S/4HANA Cloud Public Edition via het GROW with 麻豆原创-programma, dat scale-ups tegen een vast bedrag per maand ondersteunt bij hun digitale transformatie. 鈥淢et GROW heeft FineField de zekerheid van een lage kostenbasis. Het biedt een compleet systeem waarin alles is ge茂ntegreerd, en waarbij 麻豆原创 zorgt voor het beheer鈥�, schetst Ferry Bogaards, managing partner van Scheer Nederland.

Scheer Nederland begeleidde als 麻豆原创-partner de implementatie van 麻豆原创 S/4HANA Cloud Public Edition. Samen kozen ze voor een stapsgewijze aanpak. 鈥淏egin klein鈥�, zo luidt het advies van Bogaards. 鈥淏ij FineField hebben we in drie maanden tijd eerst een solide basis gelegd. Daarna kun je stap voor stap functionaliteit toevoegen die aansluit bij de groei van de organisatie.鈥�

Stevig fundament

In oktober 2024 gaat FineField live met 麻豆原创 S/4HANA Cloud Public Edition. 鈥淒ankzij de ervaring van Scheer en hun gestandaardiseerde aanpak kunnen we terugkijken op een soepel project鈥�, zegt Beelen.

Een volgende stap is de integratie van de nieuwe vestiging in de Verenigde Staten. 鈥淶odra daar mensen aan de slag gaan en de operaties op gang komen, moeten we deze naadloos integreren met onze Europese organisatie鈥�, besluit Beelen. 鈥淢et 麻豆原创 hebben we een stevig fundament om onze internationale groei verder te ondersteunen.鈥�

The post Nederlandse robotbouwer FineField verovert de wereld met 麻豆原创 appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Data lake: ruw en ongestructureerd

zijn een hot topic. Een dergelijke oplossing voor data-opslag is goedkoop, je kunt er grote hoeveelheden data van elk type format in kwijt en je kunt er geavanceerde analyses met diverse tools op los laten. Ruimte voor innovatie en experimenteren dus. Het nadeel? Data lakes kenmerken zich doordat data ruw en ongestructureerd wordt opgeslagen. Ideaal voor , clickstreams en machinedata. Maar, een data lake leent zich daardoor niet echt voor het opslaan van gestructureerde data. Doe je dat wel, dan raak je alle referenties en verbanden tussen die gegevens kwijt. Zonde.

Je data lake wordt al snel een data swamp

Maak je gebruik van een data lake? Dan heb je data scientists nodig om analyses uit te voeren en algoritmes op je lake los te laten. Doe je dat niet, dan zit je met een datamoeras. Alle data die erin wegzakken, vind je onmogelijk terug. Wil je sales, inkoop, onderhoud of elke andere afdeling in je organisatie vanuit je lake van inzichten voorzien, dan heb je verschillende tussenstappen nodig om dat te bereiken. Om weer structuur 鈥� en dus vindbaarheid 鈥� terug te brengen in data worden er daarom vaak verschillende datalagen bovenop een data lake aangebracht. En dat lijkt weer verdacht veel op die traditionele data warehouses uit het verleden.

Data driven werken met alleen een data lake? Niet te doen

Klinkt paradoxaal toch? Je stopt al je gestructureerde data uit diverse bronnen in een chaotisch meer en vervolgens ga je het opnieuw ordenen. Bovendien leidt dat ook nog eens tot extra kosten 鈥� die je juist wilde besparen 鈥� en is de data die je 鈥榦proept鈥� in je systeem altijd verouderd. Want het gestructureerd aan de oppervlakte brengen van die gegevens in je data lake kost nou eenmaal tijd.

Datagedreven werken als organisatie is er niet bij als je enkel gebruik maakt van een data lake. Want je business heeft niet zoveel aan inzichten van gisteren in een economie waarin je snel moet beslissen op basis van de actualiteit. Een data lake is daarom niet de meest ideale bron voor snel 鈥� of liever nog: real-time 鈥� inzicht. Benader daarom je informatielandschap eens op een andere manier. Een intelligente manier. Met ruimte voor structuur en executie 茅n creativiteit.

Neem een voorbeeld aan de natuur

Waarom zou je alleen je rechterhersenhelft gebruiken als je met je linkerhelft erbij twee keer zo intelligent met je kennis om kunt gaan? En, om maar meteen het bruggetje naar mijn oplossing te maken: wat als je die linker- en rechtercapaciteiten voor elk type gebruiker beschikbaar kunt maken? Structureer je datalandschap daarom naar het beste voorbeeld, recht uit de natuur: je brein. Oftewel: een intelligent data platform.

Net als je brein heeft een intelligent data platform een logische en creatieve kant. Met de creatieve kant kan het zowel grotere contexten 鈥榸ien鈥� als out-of-the-box idee毛n genereren op basis van data. Die kun je vervolgens in de praktijk loslaten op de gestructureerde kant van je platform. De plek waar je gerichte vragen stelt aan het systeem en kant-en-klare inzichten kunt opdiepen.

Meer weten over data?

In deze gids vind je tips over hoe jij de beste datastrategie kan samenstellen. Onderscheid jouw bedrijf met een succesvolle datastrategie.

De bouwstenen van een intelligent data platform

Waar dit platform concreet uit bestaat? Door een lake met een logisch 聽te combineren, cre毛er je een intelligent data platform. Zo profiteer je van alle voordelen van data science en traditionele analyses. Kortom: 茅cht het beste van twee datawerelden.

Met je data lake vol ruwe gegevens experimenteer en innoveer je. Met name je data scientists en engineers zijn bezig in die hoek. Niet alle data in je lake zijn namelijk direct interessant voor je verschillende bedrijfsonderdelen. Sommige van die wel. Die breng je daarom ook onder in je logisch data warehouse. Daar sla je voornamelijk tactische en strategische data op. Door niet alles in dat gestructureerde systeem op te slaan, blijft het licht in gebruik en kan het daardoor snel 鈥� en dus real-time 鈥� vragen van onder meer business analisten en andere gebruikers uit je organisatie beantwoorden.

Creatief en logisch: investeer in een intelligent data platform

Investeer je in een langetermijnsamenwerking tussen die 鈥榟ersenhelften鈥� in data-opslag? Dan investeer je in een intelligent data platform, waar je zowel creatief als logisch mee aan de slag kunt. Intelligent datamanagement waarmee je niet alleen slagvaardiger bent, maar waarmee je ook klaar bent voor toekomstige innovaties op het gebied van data science en data-analyses.

Meer weten?

The post De data lake-hype voorbij: tijd voor een Intelligent Data Platform 聽 appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Wat is Machine Learning?

Machine learning technologie leert computers hoe ze taken moeten uitvoeren door te leren van data, in plaats van dat ze er expliciet voor worden geprogrammeerd. Het maakt gebruik van geavanceerde algoritmen om te “leren” van immense hoeveelheden . Hoe meer data toegankelijk zijn voor algoritmen, hoe meer ze kunnen leren. Het dagelijks leven kent talloze voorbeelden. Denk bijvoorbeeld aan productaanbevelingen op , en de suggesties voor de snelste route op .

Click the button below to load the content from YouTube.

Always allow YouTube

Is Artificial Intelligence hetzelfde als Machine Learning?

Nee, beide termen worden vaak samen genoemd, maar het is niet hetzelfde als Artificial Intelligence. Machine Learning valt altijd onder AI, maar andersom is dat niet het geval. Kunstmatige Intelligentie (AI) is de brede term voor het nabootsen van menselijk vermogen. Machine learning is een specifieke onderdeel van AI die een machine traint om zelf te leren.

The post Wat is Machine Learning? | Definitie en betekenis appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Wat is het verschil tussen digitization en digitalization?

Het kan afhangen van de organisatie of branche. In sommige bedrijfstakken is het onderscheid erg duidelijk, terwijl op andere gebieden verwarring bestaat over de twee termen. Het gevolg? Beide termen worden onderling uitwisselbaar gebruikt. In dit blog zal ik proberen het betekenisverschil te verduidelijken zodat je deze termen met vertrouwen kunt gebruiken.

Wat is digitale transformatie?

Digitale transformatie is de verandering die een organisatie doorgaat wanneer deze digitaliseert. Volgens is digitale transformatie “de acceptatie van digitale technologie om diensten of bedrijven te transformeren, door niet-digitale of handmatige processen te vervangen door digitale processen of door oudere digitale technologie te vervangen door nieuwere digitale technologie”.

Naarmate de digitalisering evolueert, wordt de klantgerichtheid verscherpt

De voor digitization is verschillend: “… de weergave van een object, beeld, geluid, document of signaal (meestal een analoog signaal) door een reeks getallen te genereren die een afzonderlijke set van zijn punten of voorbeelden beschrijven. Digitization betekent simpelweg de conversie van analoog bronmateriaal naar een numeriek formaat. 鈥� De Wikipedia-definitie voor digitalization verwijst echter naar digitization. Het is een goed begin, maar uiteindelijk versterkt het alleen de onduidelijkheid.

De -woordenlijst gaat nog een stap verder in het toekennen van betekenis. Het definieert als ‘het gebruik van digitale technologie毛n om een 鈥嬧�媌edrijfsmodel te veranderen en nieuwe inkomsten en waardeproducerende kansen te bieden; het is het proces van overstappen naar een digitaal bedrijf. 鈥� Net als Wikipedia zegt Gartner ook: “ is het proces van het veranderen van analoge naar digitale vorm.”

“Bij 麻豆原创 hebben we tientallen jaren ge’digitized'”, zegt Uwe Riss, Senior Onderzoeker voor Digital Business, Research & Innovation Hub St. Gallen, 麻豆原创, in een interview met 麻豆原创 News getiteld Digital Business Modeling: A Structural Approach Towards Digital Transformatie. 鈥淣u zijn we op weg naar digitalization, wat anders is. Digitalization, of digitalisering, heeft de effici毛ntie van onze processen vergroot; digitalisering betekent dat bedrijven nu technologie gebruiken om met mensen in contact te komen om precies aan hun specifieke behoeften te voldoen. 鈥�

Riss legt uit dat digitalisering het grootste potentieel heeft om onze manier van leven te veranderen. “Als eenvoudig voorbeeld kan het betekenen dat een bijna onzichtbare technologie ons helpt het restaurant te vinden dat we leuk vinden of het vervoer dat we nodig hebben, waar we ook zijn en op elk moment – en tegelijk.”

Zoekopdrachten op digitalization zijn in opkomst

Toch is er onduidelijkheid over het gebruik van deze voorwaarden. Een diepgaande duik in Google Analytics onthulde dat hoewel Google Zoeken beide termen herkent, ze soms door elkaar worden gebruikt in zoekresultaten – een beetje zoals synoniemen. Zoekstatistieken kunnen veel onthullen over hoe termen tegenwoordig echt worden gebruikt.

De klantentest

Tevreden dat ik voor eens en altijd een einde kon maken aan alle verwarring tussen digitization en digitalization, deelde ik dit onderzoek met mijn manager. Zoals managers soms doen, bracht hij me in verwarring met een simpele en belangrijke vraag: ‘Maar kan het klanten iets schelen?’

Ik moest erachter komen. Hiervoor had ik een nietsvermoedende proefpersoon nodig.

Thuis in de keuken was mijn man druk bezig heen en weer te rennen en te wisselen tussen spatels terwijl hij de kinderen hun eten opdiende. Als CEO in een Duits -bedrijf met een nieuwe, hypermoderne -achtige fabriek – en een 麻豆原创-klant – leek hij een goed persoon om te vragen: “Maak jij onderscheid tussen digitization en digitalization?”

‘Nee,’ zei hij schouderophalend.

‘Zie je als natuurkundige enig verschil?’ Omdat natuurkundigen soms een verschil zien dat de rest van ons misschien mist.

‘Nou – laat me even nadenken – en niet als natuurkundige’, keek hij naar het plafond en droogde zijn handen af 鈥嬧�媜p een keukenhanddoek. ‘Als ik een document scan, digitize ik het. Maar ik zou een fabriek digitaliseren.’

Dit blog verscheen eerder op de global news.sap.com website. Klik hier om het oorspronkelijke artikel te bekijken.

The post Digitization vs. Digitalization – Wat is het verschil? appeared first on 麻豆原创 Nederland Blogs & Nieuws.

Verschillende cijfers wijzen erop dat bedrijven meer tijd kwijt zijn aan beperkingen en obstakels van AI dan dat zij waarde halen uit de technologie:

• Zo maakt 84% van de klanten zich zorgen over de kwaliteit van data waar algoritmes mee werken
• Een vergelijkbare groep (86%) stelt daarnaast niet de maximale waarde uit hun data te halen
• Ruim driekwart (74%) geeft toe dat hun datalandschap dusdanig complex is dat dit hun flexibiliteit beperkt.

Levensader van AI

Bij een robotstofzuiger is voorwerk – zoals het aan de kant zetten van stoelen – de sleutel tot een goed resultaat. Bij AI is dit niet anders. De technologie maakt gebruik van complexe rekenmodellen en geavanceerde rekenkracht om resultaten te leveren. Deze berekeningen en hardware zijn afhankelijk van data, die de levensader van AI vormen. Zonder een goede grip op databeheer kan AI dan ook geen optimale resultaten opleveren.

is uitdagend. Zo is data opgeslagen op verschillende locaties, verspreid over cloud en on-premise systemen. Tegelijkertijd neemt de hoeveelheid data waarover bedrijven beschikken explosief toe. Zo verzamelen sensoren en steeds meer gegevens. Bedrijven staan dan ook voor de uitdaging data uit een groot aantal bronnen te combineren. AI moet deze gegevens verzamelen, integreren en combineren met onder meer afbeeldingen, video’s, audiobestanden en tekstbestanden.

AI beter schaalbaar maken

Het simpelweg beheren van al deze integraties en verwerken van verschillende type data (zoals audio, beeld en tekst) vereiste voorheen het gebruik van meerdere tools. Hier komt nu verandering in. Een nieuwe generatie cloud oplossingen maakt AI schaalbaar over de gehele organisatie door drie kritieke elementen te beheren:

• De data die je nodig hebt, ongeacht de locatie of het soort data
• Het ontwerp van machine learning algoritmes met de tools en raamwerken die data science-teams willen gebruiken
• De uitrol van machine learning met behulp van cloud containers, zodat IT AI snel kan uitrollen, beheren en de volledige end-to-end levenscyclus van AI kan automatiseren

AI is een teaminzet die co枚rdinatie en samenwerking vereist tussen:

• Gebruikers die de behoeften van de organisatie en diens klanten begrijpen
• Data scientists die weten waar data zijn opgeslagen en hoe deze zijn gestructureerd
• De data Science-teams die begrijpen hoe zij waarde uit data kunnen extraheren

Ieder lid van het AI-team moet samenwerken om een maximale productiviteit en snelheid te realiseren. Zij krijgen hierbij ondersteuning van software die functionaliteiten bevat voor governance, het beheer van metadata en machine learning transparantie. Deze aanpak stelt je in staat zeker te stellen dat de resultaten van hun inzet uitlegbaar, begrijpbaar en betrouwbaar zijn.

Wil je meer weten over het belang van data management en AI? Lees dan ook het blog ‘Wat is Data Management?’

The post Waarom Artificial Intelligence nergens is zonder data intelligence appeared first on 麻豆原创 Nederland Blogs & Nieuws.