Amii breidt AI-adoptiepartnerschap uit om 25 extra bedrijven te ondersteunen

Amii, het Alberta Machine Intelligence Institute, breidt zijn samenwerking uit met PrairiesCan, het regionale agentschap voor economische ontwikkeling van Canada, om nog eens 25 kleine en middelgrote bedrijven te helpen praktische AI-capaciteiten op te bouwen. De aankondiging van 27 oktober voegt C$2.5 miljoen aan federale steun toe, waardoor de totale federale investering in het initiatief uitkomt op C$5.6 miljoen.

De uitbreiding bestrijkt Alberta, Saskatchewan en Manitoba. De eerste samenwerkingen zijn inmiddels van start gegaan in de energie-, landbouw- en productiesector. Volgens Amii heeft het programma sinds de start in 2024 samengewerkt met 30 bedrijven in de regio. Het koppelt bedrijven aan specialisten in machine learning, die systemen ontwikkelen op basis van de eigen operationele gegevens van de bedrijven en hen de expertise meegeven om die systemen te onderhouden.

Een onderzoekssamenwerking gericht op toepassing in de praktijk

Amii is gevestigd in Edmonton en is een onafhankelijke non-profitorganisatie en een van Canada’s drie nationale AI-instituten binnen de Pan-Canadian AI Strategy. De geschiedenis van het instituut gaat terug tot het Alberta Ingenuity Centre for Machine Learning in 2002; in 2017 werd het onder de naam Amii een onafhankelijke non-profitorganisatie. Het werk van Amii verbindt onderzoek, talentontwikkeling en commerciële toepassingen.

Prairies Economic Development Canada, bekend als PrairiesCan, is het federale agentschap dat de economische ontwikkeling in de drie deelnemende provincies ondersteunt. Voor internationale lezers is deze samenwerking een voorbeeld van hoe overheidsinvesteringen kleinere bedrijven toegang kunnen geven tot gespecialiseerde technische expertise die ze moeilijk zelf kunnen opbouwen.

Amii’s AI-ontwikkelingsmodel plaatst een fulltime machinelearningresident op een project van een bedrijf, onder begeleiding van vaste wetenschappers. De resident werkt samen met het bedrijfsteam aan de ontwikkeling en het testen van modellen. Het bedrijf kan die persoon daarna in dienst nemen. Het algemene aanbod omvat een verbintenis van 12 tot 15 maanden, al verschillen de omvang en kosten per project.

Bedrijven behouden het intellectuele eigendom dat tijdens de samenwerking wordt ontwikkeld en ontvangen documentatie en kennisoverdracht. Daardoor heeft de samenwerking een ander doel dan alleen het opleveren van een uitbesteed prototype: het bedrijf moet het systeem kunnen aanpassen nadat het externe onderzoeksteam is vertrokken.

Croptimistic: computervisie die bestand is tegen omstandigheden in echte velden

Croptimistic Technology ontwikkelt het precisielandbouwecosysteem SWAT MAPS, dat gegevens over bodem, water en topografie combineert om het beheer van landbouwpercelen te sturen. Het product SWAT CAM verzamelt beelden tijdens reguliere spuitwerkzaamheden en gebruikt machine learning om gewassen en onkruid te analyseren.

De samenwerking met Amii richtte zich op graangewassen in een vroeg groeistadium, zoals tarwe en haver. Door hun smalle, over elkaar liggende bladeren zijn afzonderlijke planten moeilijk te onderscheiden. Het team ontwikkelde gespecialiseerde computervisiemodellen die ook met dichte bladerdaken en lastige beeldomstandigheden overweg kunnen, waaronder stof, schittering en wind.

De productinformatie van Croptimistic legt uit hoe camera’s op spuitmachines beelden van dichte gewasbestanden koppelen aan beheerzones. Betere gewasdetectie levert vooral meer ruimtelijk inzicht op: telers kunnen de ongelijkmatige opkomst en de onkruiddruk in een heel perceel beoordelen, in plaats van alleen af te gaan op enkele handmatige waarnemingen.

Carson Integrated: milieuverslagen omzetten in voorspellingen

Carson Integrated is een adviesbureau voor milieu en bosbouw. Het werk omvat geospatiale informatie voor projecten op het gebied van natuurlijke hulpbronnen. De uitdaging was het classificeren van waterlopen, wat helpt bij het bepalen van beschermingszones rond waterwegen.

Amii’s casestudy over Carson beschrijft een model dat is gebouwd met gegevens die gedurende ongeveer twee decennia zijn verzameld, waaronder veldmetingen en informatie uit teledetectie. Bij de ontwikkeling van kenmerken werden terreineigenschappen en omgevingskenmerken onderzocht; de omvang van het stroomgebiedsuitlaatpunt bleek bijzonder nuttig. Volgens de studie bedraagt de gemiddelde classificatienauwkeurigheid ongeveer 75% wanneer de juiste gegevens beschikbaar waren.

Deze toepassing laat zien hoe vakkennis bijdraagt aan bruikbare machine learning. Een waterweg op beelden herkennen is iets anders dan de wettelijke classificatie ervan voorspellen. Voorspellingen kunnen helpen bepalen welke beoordelingen in afgelegen gebieden prioriteit krijgen, maar de nauwkeurigheid en geschiktheid ervan moeten nog steeds worden beoordeeld met het oog op de beslissingen die ermee worden ondersteund.

Visionstate: planning als optimalisatieprobleem met beperkingen

Visionstate ontwikkelt software voor facilitair beheer, inspecties en werkverificatie. De huidige website legt de nadruk op MIRA, een platform dat rapporten, inspecties, werkopdrachten en toezicht met elkaar verbindt. De samenwerking met Amii was gericht op het facilitairbeheerplatform WANDA van het bedrijf.

De uitgebreide casestudy legt uit dat schoonmaakroutes en -roosters werden geformuleerd als een optimalisatieprobleem met beperkingen. Het systeem moet een vast personeelsbestand inzetten en daarbij rekening houden met de indeling van locaties, servicevereisten en nalevingsregels, terwijl het efficiëntie en eerlijkheid tegen elkaar afweegt.

Het werk ondersteunde ook TidyLogic, een product voor middelenplanning, en een tool om de schoonmaakkosten in de gezondheidszorg te ramen. In de casestudy werd TidyLogic omschreven als een bèta­product en werd vermeld dat het model op het moment van schrijven richting integratie bewoog. Dit onderscheid is belangrijk: commerciële productontwikkeling en een volledig geïmplementeerd optimalisatiesysteem zijn afzonderlijke mijlpalen.

Ambyint: expertise opbouwen in bekrachtigingsleren

Ambyint levert software voor productieoptimalisatie aan olie- en gasbedrijven. Het bestaande platform combineert modellen op basis van natuurkundige principes met geautomatiseerde besturing, waaronder aanpassingen van instelwaarden van apparatuur via industriële bewakingsinfrastructuur.

In het project van Amii werd bekrachtigingsleren onderzocht voor putten met plunjerlift, waarbij veranderende drukdrempels bepalen hoe opgehoopte vloeistoffen worden verwijderd. Doordat er weinig bekend is over de omstandigheden diep onder de grond, zijn simulatie en besturing lastig. Het team testte benaderingen op basis van historische gegevens en methoden op basis van natuurkundige principes om de besluitvorming te verbeteren.

De casestudy is duidelijk over de uitkomst: de experimentele modellen verbeterden de efficiëntie niet ten opzichte van de bestaande automatisering van Ambyint en waren nog niet betrouwbaar of responsief genoeg voor productie. Het resultaat was een beter toegerust intern team en een duidelijker beeld van waar verder onderzoek nodig was. Dat is een waardevol resultaat van de invoering, ook als het niet meteen een inzetbaar model oplevert.

Riva: bedrijfsgegevens bruikbaar maken voor AI

Amii noemt ook het in Edmonton gevestigde Riva als een van de eerste bedrijven die hiervan profiteerden en wijst op de vooruitgang richting oplossingen die klaar zijn voor productie, zonder de specifieke modelarchitectuur bekend te maken.

Het platform van Riva koppelt e-mail-, agenda-, contact- en vergadergegevens aan systemen voor klantrelatiebeheer. Tot de mogelijkheden behoren door AI gegenereerde gesprekssamenvattingen en gestructureerde vergaderresultaten, die teams kunnen beoordelen en aan CRM-records kunnen koppelen. Dit is een andere context voor AI-toepassing dan beeldvorming in het veld of industriële besturing: de uitdaging is om zakelijke interacties bruikbaar te maken en tegelijk governance en menselijke beoordeling te waarborgen.

Waarom het model ook buiten Canada van belang is

De deelnemende bedrijven laten zien dat AI-toepassing uiteenloopt van computervisie, voorspellende modellen, optimalisatie onder randvoorwaarden en bekrachtigingsleren tot informatiestromen binnen bedrijven. Elk daarvan vereist andere gegevens, evaluatiemethoden en operationele expertise.

De bredere betekenis van het partnerschap ligt in de nadruk op eigenaarschap en technische capaciteit. Een bedrijf haalt meer uit een model wanneer de eigen medewerkers leren hoe het is gebouwd, hoe ze het kunnen testen en wanneer de voorspellingen ervan betrouwbaar zijn. Voor kleinere bedrijven kan de overdracht van die capaciteiten even belangrijk zijn als de eerste oplevering van de software.