Andrei Kulik, medeoprichter van XENOM – interviewreeks

Andrei Kulik is medeoprichter en CEO van XENOM. Hij brengt zijn ervaring met AI op het apparaat, gedistribueerde systemen en machine learning in bij industriële activiteiten. Eerder was hij medeoprichter van AIMatter, dat werd overgenomen door Google, en werkte hij bij Google aan AI-systemen voor consumentenapparaten. In zijn loopbaan heeft hij zich gericht op het betrouwbaar laten functioneren van geavanceerde AI onder de praktische beperkingen van hardware en omgevingen in de echte wereld.

XENOM ontwikkelt een industrieel AI-platform dat software combineert met slimme beschermingsmiddelen, zodat operators hun werkomgeving in realtime kunnen overzien. Het systeem brengt positionering, communicatie tussen medewerkers, omgevingsmetingen en veiligheidsgegevens samen. In dit interview bespreekt Kulik edge-AI, slimme helmen, menselijk toezicht, de privacy van werknemers en de ontwikkeling van industriële monitoring naar voorspellende beslissingsondersteuning.

U was eerder medeoprichter van AIMatter, dat werd overgenomen door Google, en hebt jarenlang AI-systemen ontwikkeld die rechtstreeks op consumentenapparaten draaien. Wat inspireerde u om XENOM mede op te richten, en hoe heeft uw ervaring bij Google uw visie gevormd op de inzet van AI in industriële omgevingen?

Na de overname heb ik jarenlang aan één specifiek probleem gewerkt: hoe zorg je ervoor dat geavanceerde AI betrouwbaar draait op een apparaat dat in je zak past, met een beperkte batterij, onvoorspelbare connectiviteit en omstandigheden in de echte wereld die geen enkel laboratorium volledig kan nabootsen? We hebben dat werk uitgerold op telefoons, brillen en oordopjes — op miljarden apparaten. Op een gegeven moment begon ik me af te vragen waar deze architectuur nog meer van betekenis kon zijn. Consumentenapparaten zijn handig, maar op industriële locaties worden de kosten van een verkeerde beslissing — of van helemaal geen beslissing — uitgedrukt in mensenlevens en miljoenen aan verloren productiviteit. Op de meeste industriële locaties is er nog steeds geen realtime beeld van wat er gebeurt. Dat gebrek leek me precies het juiste probleem voor de technologie waaraan we jarenlang hadden gewerkt.

XENOM combineert AI-software met slimme beschermingsmiddelen om industriële activiteiten in realtime inzichtelijk te maken. Wat zijn de grootste blinde vlekken in traditionele industriële veiligheidssystemen, en hoe pakt uw platform uitdagingen aan waar conventionele monitoringtechnologieën moeite mee hebben?

Het fundamentele probleem is dat de meeste systemen zijn ontworpen om vast te leggen wat er is gebeurd, niet om te voorkomen dat het gebeurt. De locatie van een werknemer wordt maar om de paar minuten bijgewerkt. Urenstaten worden aan het einde van de dienst ingevuld. Veiligheidsovertredingen worden geregistreerd nadat er een incidentrapport is ingediend. Tegen de tijd dat een manager de gegevens ziet, is de dienst voorbij of heeft het ongeluk al plaatsgevonden. De tweede blinde vlek is de versnippering: een bedrijf heeft misschien een gasdetectiesysteem, een afzonderlijk toegangscontrolesysteem, een papieren checklist voor persoonlijke beschermingsmiddelen en een handmatig proces voor urenstaten, die geen van alle met elkaar communiceren. XENOM vervangt dat alles door één doorlopende datastroom van de locatie, die in realtime wordt verwerkt en een manager één samenhangend beeld geeft in plaats van vijf losstaande beelden.

Een groot deel van uw loopbaan was gericht op het optimaliseren van machine learning en LLM-inferentie voor apparaten met beperkte middelen. Hoe past u deze principes toe in industriële omgevingen, en wat zijn de technische voordelen van AI-verwerking aan de rand van het netwerk in plaats van afhankelijk te zijn van cloudinfrastructuur?

Werken met apparaten met beperkte middelen leert je één discipline: elke milliseconde, elke milliwatt en elke byte moet verantwoord zijn. Dat is precies de mentaliteit die nodig is voor een industriële helm, omdat die een hele dienst wordt gedragen en in het elfde uur net zo consistent moet werken als in het eerste. We verdelen het werk bewust: tijdkritische taken die veel gegevens verwerken, zoals het verwerken van de spraakstroom en sensorsignalen of het detecteren van vallen en stoten, worden uitgevoerd op de NPU in de helm, met modellen die voor die hardware zijn gecomprimeerd en afgestemd. Het totaalbeeld van de locatie en de diepgaandere analyses worden daarentegen op het platform uitgevoerd.

Edge-verwerking biedt ons vier praktische voordelen. Ten eerste snelheid: het apparaat reageert onmiddellijk op een gebeurtenis, zonder een heen-en-terugverbinding met een server. Ten tweede betrouwbaarheid: een efficiënt model op het apparaat gedraagt zich voorspelbaar, terwijl elke extra schakel in de keten een extra storingspunt is. Ten derde netwerkbelasting: honderden helmen kunnen niet voortdurend ruwe audio- en sensorgegevens streamen, dus stuurt elke helm het resultaat van de analyse. Ten vierde batterijduur: gegevens verzenden is een van de meest energieverslindende dingen die een apparaat doet. Door lokaal te verwerken en minder te verzenden, kan het apparaat langer werken.

XENOM heeft slimme helmen ontwikkeld waarin positionering, communicatie, omgevingsmetingen en AI-mogelijkheden zijn geïntegreerd. Wat waren de grootste technische uitdagingen bij het samenbrengen van deze technologieën, vooral in omgevingen waar connectiviteit, batterijduur en betrouwbaarheid onvoorspelbaar kunnen zijn?

De grootste uitdaging was niet één afzonderlijke technologie, maar ervoor zorgen dat ze allemaal betrouwbaar samenwerkten in één apparaat, onder omstandigheden die de meeste consumentenelektronica zouden vernielen. Industriële locaties zijn vuil, fysiek veeleisend en onderhevig aan extreme temperaturen. De helm valt op de grond, wordt blootgesteld aan regen en wordt tijdens diensten van twaalf uur gedragen. De batterijduur wordt een echte beperking wanneer positionering, sensoren, communicatie en AI-inferentie tegelijkertijd actief zijn. Dan is er ook nog de verbindingsarchitectuur: we hadden een naadloze overgang nodig tussen RTK-satellietpositionering buiten en ons eigen UWB-meshnetwerk binnen, zonder verlies van nauwkeurigheid wanneer een werknemer van het ene naar het andere gebied gaat. Die overgang automatisch, betrouwbaar en in realtime laten verlopen, was een van de technisch uitdagendste dingen die we hebben gebouwd.

Uw team heeft een spraak-AI-model ontwikkeld dat tekenen van alcoholintoxicatie kan herkennen aan de hand van spraak en daarbij prestaties rapporteert die beter zijn dan eerdere academische benchmarks. Welke technische doorbraken hebben dit mogelijk gemaakt, en hoe valideert u de betrouwbaarheid van het systeem in verschillende talen, accenten, niveaus van achtergrondgeluid en reële werkomstandigheden?

Het belangrijkste inzicht was dat intoxicatie een herkenbare signatuur achterlaat in de microdynamiek van spraak — niet in de woorden, maar in de akoestische eigenschappen: timing, variatie in toonhoogte en articulatieprecisie. We hebben een model gebouwd dat deze patronen op de achtergrond analyseert tijdens normale spraakcommunicatie, zonder dat daarvoor een aparte test of enige handeling van de werknemer nodig is. Het nauwkeurigheidspercentage van 86,7% is afkomstig van strenge benchmarktests op basis van gepubliceerde academische datasets. Om de werking in de praktijk te valideren, testen we het model in verschillende talen, accenten en omstandigheden met achtergrondgeluid die representatief zijn voor echte industriële locaties — zware machines, wind en meerdere mensen die tegelijkertijd spreken. Het model moest robuust genoeg zijn om te werken onder omstandigheden die totaal anders zijn dan in een gecontroleerd onderzoek. Daarvoor waren veel variatie in de trainingsgegevens en herhaald testen en bijstellen nodig.

AI-systemen die zijn ontworpen om verminderde alertheid of vermoeidheid bij werknemers vast te stellen, roepen belangrijke vragen op over fout-positieven en verantwoordelijkheid. Hoe zorgt XENOM voor een balans tussen vroegtijdige risicosignalering en de noodzaak van menselijke verificatie, en welke waarborgen voorkomen dat een onjuiste beoordeling door AI een werknemer onterecht benadeelt?

Dit is iets waar we vanaf het begin heel bewust over hebben nagedacht. Het systeem is bedoeld om een mogelijke zorg onder de aandacht van een leidinggevende te brengen, niet om zelfstandig actie te ondernemen. Een AI-beoordeling die op mogelijke intoxicatie wijst, leidt tot een menselijke controle: de leidinggevende kan de werknemer rechtstreeks observeren, vragen stellen of, indien daar aanleiding toe is, een fysieke test aanvragen. De AI verwijdert niemand van de locatie. Het systeem geeft een mens de informatie die nodig is om sneller dan anders een oordeel te vellen. We houden ook bij hoe vaak fout-positieven voorkomen tijdens de implementatie en verbeteren het model voortdurend. Het doel is het aantal incidenten terug te dringen dat plaatsvindt omdat niemand iets heeft opgemerkt — niet een systeem te creëren dat werknemers uitsluitend op basis van een algoritme bestraft.

Voordat u XENOM oprichtte, was u CTO van OneSoil, waar u computervisie en machine learning toepaste voor landbouwmonitoring en productiviteitsanalyses. Welke lessen uit de toepassing van AI in de landbouw zijn het waardevolst gebleken bij de ontwikkeling van intelligente systemen voor bouwplaatsen, mijnen, havens en energievoorzieningen?

AI in de fysieke wereld inzetten is een fundamenteel andere uitdaging dan AI in software inzetten. Je hebt te maken met variatie, apparatuur die zich niet twee keer op dezelfde manier gedraagt en operators die hun werk al tientallen jaren doen en diep sceptisch staan tegenover alles wat hun vertelt dat ze het anders moeten aanpakken. Op industriële locaties speelt hetzelfde. De technologie moet vertrouwen winnen door vaker betrouwbaar te werken dan mensen verwachten, en ze moet eenvoudig genoeg zijn zodat iemand die een ploeg van vijftig mensen aanstuurt haar daadwerkelijk zonder training kan gebruiken. De andere les: de datakwaliteit in het veld is vrijwel altijd slechter dan je had verwacht. Je moet systemen bouwen die bestand zijn tegen ruis, hiaten en uitzonderingsgevallen die nooit in een schone dataset voorkomen.

Industriële AI-platforms kunnen gedetailleerde informatie opleveren over de locaties, activiteiten, communicatie en productiviteit van werknemers. Hoe gaat u om met gegevensprivacy, toestemming van werknemers en het risico op toezicht op de werkvloer, terwijl u ervoor zorgt dat deze technologieën de veiligheid en operationele efficiëntie daadwerkelijk verbeteren?

We benaderen dit vanuit het principe van doelbinding. De gegevens die XENOM verzamelt, zijn bedoeld voor veiligheid en operationeel inzicht — het is geen instrument voor productiviteitstoezicht en mag ook niet als zodanig worden gebruikt. Voorafgaand aan de implementatie werken we met de operators aan duidelijke beleidsregels voor gegevensbeheer: wat wordt verzameld, hoe lang het wordt bewaard, wie er toegang toe heeft en onder welke omstandigheden de gegevens mogen worden gebruikt bij personeelsbeslissingen. Locatiegegevens van werknemers worden geaggregeerd en geanonimiseerd voor productiviteitsanalyses; individuele tracking is beschikbaar voor veiligheidsverantwoordelijken bij noodsituaties, niet voor lijnmanagers om prestaties te beoordelen. Nu de EU AI-verordening ook van toepassing wordt op industriële AI-systemen, verwachten we dat regelgeving veel hiervan formeel zal vastleggen. We lopen daar liever op vooruit dan dat we ons op het laatste moment moeten haasten om aan de regels te voldoen.

Het inzetten van AI in veiligheidskritische industriële processen, buiten gecontroleerde laboratoriumomgevingen, brengt uitdagingen met zich mee waar softwarebedrijven die uitsluitend met AI werken zelden mee te maken krijgen. Wat waren de grootste verrassingen bij de implementatie van XENOM in de praktijk, en hoe meten jullie of de technologie daadwerkelijk bijdraagt aan het voorkomen van ongevallen, de operationele efficiëntie en de productiviteit van werknemers?

De grootste verrassing is hoeveel waarde het oplevert om simpelweg een accuraat beeld te hebben van waar mensen zich bevinden en hoe hun tijd wordt besteed. We verwachtten dat gesprekken met operators vooral over veiligheid zouden gaan. We ontdekten dat inzicht in de productiviteit — begrijpen waar tijdens diensten tijd verloren gaat, waarom bepaalde teams beter presteren dan andere en waar knelpunten zitten — vaak sneller rendement oplevert en veel sneller interne pleitbezorgers voor het platform creëert. De tweede verrassing is hoe sterk de verschillen zijn tussen bedrijfstakken, en zelfs tussen locaties binnen dezelfde bedrijfstak. De bouwsector in Duitsland werkt heel anders dan die in de Verenigde Arabische Emiraten. Je kunt niet één product bouwen en ervan uitgaan dat het overal past zonder het aanzienlijk aan te passen.

Vooruitkijkend ziet XENOM een Industrial AI Copilot voor zich die verder gaat dan monitoring en risico’s kan voorspellen en operationele beslissingen kan aanbevelen. Hoe ziet u fysieke AI zich de komende vijf jaar ontwikkelen, en welke technologische doorbraken zijn nog nodig voordat industriële AI-systemen zelfstandiger kunnen werken en tegelijkertijd onder menselijk toezicht blijven?

Industriële AI biedt momenteel vooral inzicht: weten wat er gebeurt. De volgende fase is voorspellen: patronen herkennen die voorafgaan aan een incident of productiviteitsverlies, voordat dat zich voordoet. Daarvoor moeten in de loop der tijd op grote schaal gestructureerde, gelabelde gegevens worden verzameld. Dat is precies waar XENOM vanaf dag één mee bezig is. De fase daarna bestaat uit aanbevelingen: het systeem vertelt niet alleen wat er waarschijnlijk gaat gebeuren, maar stelt ook voor wat je eraan kunt doen — hoe je mensen anders kunt inzetten, wanneer je een activiteit moet stilleggen en welke teamsamenstelling voor een bepaalde taak de beste resultaten oplevert. Met de Industrial AI Copilot werken we toe naar die derde fase. De daarvoor benodigde technologische doorbraak is niet in de eerste plaats een vooruitgang op het gebied van modellen; het is een dataprobleem. Je hebt voldoende hoogwaardige operationele gegevens nodig van voldoende uiteenlopende locaties om een model te trainen dat betrouwbaar generaliseert. Bedrijven die nu beginnen met het verzamelen van die gegevens, zullen een voorsprong hebben die later zeer moeilijk in te halen is.

Bedankt voor het geweldige interview. Lezers die meer willen weten over edge-AI, slimme beschermingsmiddelen en realtimebewaking van industriële veiligheid kunnen terecht bij XENOM.