Sommige leden van het Bio-based Industries Consortium maken in de praktijk al uitgebreid gebruik van AI voor uiteenlopende taken. Ze gebruiken het als hulpmiddel voor R&D, maar ook voor het optimaliseren van productieprocessen en het zoeken naar nieuwe biocirculaire waardeketens. AI is dus een breed kennisgebied waarin de computer doet waar hij goed in is: orde scheppen in gegevens die zo omvangrijk zijn dat een mens snel het overzicht verliest; voorspellingen doen op basis van kansberekeningen; en rationele beslissingen nemen in een fractie van een seconde, zonder afgeleid te worden door emoties of persoonlijke voorkeuren.. Het is iets waar computers al sinds de jaren zestig voor worden gebruikt.
Neem het Nederlandse bedrijf Process Design Center (PDC), dat verschillende expertsystemen heeft ontwikkeld voor het ontwerpen van industriële processen, waaronder biobased productie en chemische recycling. Hiermee kunnen dergelijke processen worden ontworpen of geoptimaliseerd, van voorbewerking via fermentatie tot down stream processing. Parameters zoals de gewenste opbrengst, zuiverheid of energie-efficiëntie kunnen naar wens worden ingevoerd. Het systeem geeft een of meer suggesties voor de selectie van reactorsystemen, waaronder fermentoren, en voor het ontwerp van scheidingssecties.
Hans Keuken, oprichter en CEO van PDC, vergelijkt de werking van het systeem met de werkwijze van een arts. “Hij stelt je vragen en op basis van de antwoorden die je geeft, worden bepaalde mogelijkheden uitgesloten. Vervolgvragen verfijnen de diagnose. Uiteindelijk blijven er een aantal oplossingen over, waarvan de waarschijnlijkheden berekend kunnen worden.”
Verkeerde keuzes
Zo helpt het expertsysteem bijvoorbeeld bij de keuze van een reactor of een scheidingsproces. Mensen hebben de neiging om zulke keuzes te maken op basis van ervaringen uit het verleden, zelfs als de huidige processen compleet anders zijn. “In 90 procent van de gevallen wordt een minder efficiënte reactor gekozen dan op basis van de zuivere gegevens de voorkeur zou hebben.”
Het daaropvolgende scheidingsproces kan ook behoorlijk complex zijn. Keuken: “De fermentatievloeistof uit de reactor bevat soms meerdere azeotropen (paren van componenten die heel moeilijk te scheiden zijn). Hoe verwijder je die uit je product? Door destillatie met een hulpstof? Extractie? Kristallisatie? Of door een membraan te gebruiken? Welk membraan, als je de keuze hebt uit 20.000 varianten? De mogelijkheden voor scheidingssequentie zijn eindeloos. Als mens is het gemakkelijk om van het pad af te raken en verkeerde keuzes te maken. De computer berekent echter met gemak duizenden varianten. Een beetje zoals een schaakcomputer die meerdere zetten vooruit denkt. Je kunt het zien als een teamlid dat goed is in wiskunde. Het expertsysteem stelt dan de meest efficiënte oplossingen voor, waarna de menselijke expert de uiteindelijke beslissing neemt. Deze hybride manier van werken is ideaal.”
Veel onbekenden
Pieter Coussement, senior data engineer en “squad leader” van het Vlaamse ML6 denkt ook dat menselijke inbreng van vitaal belang is: AI kan nog niet autonoom werken. “Het kan veel informatie verwerken en relevante inzichten verschaffen, maar de input van een menselijke expert, een wetenschapper, blijft cruciaal voor het beoordelen van de gegevens en het nemen van beslissingen. Vooral in de biologie en aanverwante life science sectoren zijn er zoveel onbekende factoren, dat menselijke input essentieel is voor de vooruitgang en het juiste gebruik van AI.”
ML6, dat kantoren heeft in Gent, Berlijn en Amsterdam, ontwikkelt end-to-end AI-oplossingen voor specifieke toepassingen. Het bedrijf bouwde bijvoorbeeld een analysetoepassing voor wetenschappelijke literatuur over kanker in opdracht van het Maxima Ziekenhuis in Eindhoven. Het ontsluit een enorme hoeveelheid onderzoeksgegevens via een slimme zoekmachine, die kruisverwijzingen tussen documenten visueel weergeeft. Hierdoor kunnen oncologen sneller en gerichter zoeken naar mogelijke behandelopties.
ML6 is ook een van de partners van het Horizon Europe project DeCYPher, waarin een model wordt ontwikkeld voor de biotechnologische productie van terpenoïden en flavonoïden: een grote en diverse groep natuurlijke verbindingen die worden gebruikt in verschillende toepassingen, waaronder geneesmiddelen, geur- en smaakstoffen, conserveringsmiddelen voor levensmiddelen en insecticiden.
De extractie van deze verbindingen uit plantaardig materiaal is inefficiënt en nog niet commercieel haalbaar. Daarom zoekt DeCYPher naar betrouwbare en efficiënte biotechnologische productiemethoden. AI kan hierbij een duidelijke meerwaarde bieden. Het kan de methode van actief leren gebruiken om het AI-model slimmer te maken dankzij feedback, bijvoorbeeld over voorspelde resultaten van laboratoriumexperimenten.
Aanvankelijk bevat het model vooral historische gegevens, maar deze worden geleidelijk aangevuld met verrijkingen, beoordelingen en correcties van een menselijke expert. Op deze manier worden voorspellingen steeds nauwkeuriger. Deze aanpak vermindert uiteindelijk de noodzaak voor tijdrovend en duur onderzoek in het fysieke lab (het ‘natte lab’), omdat grote aantallen experimenten virtueel kunnen worden uitgevoerd (in het ‘droge lab’). Coussement: “Door het aantal fysieke experimenten te verminderen, versnellen we innovatie. We hoeven niet langer miljoenen bacteriestammen te testen in het natte lab, alleen een paar duizend die het AI-model als veelbelovend bestempelt.”
Dit model wordt gebruikt voor het ontdekken en ontwikkelen van nieuwe enzymen, het optimaliseren van bacteriestammen die dienen als microbiële fabrieken en het optimaliseren van groeicondities in het bioproces.
Valorisatie van reststromen
Het proces van gegevenslabeling is cruciaal om machinaal leren mogelijk te maken. Hierbij worden ruwe gegevens gelabeld met relevante tags, trefwoorden en/of categorieën. De AI-toepassing heeft deze informatie nodig om grote hoeveelheden gegevens te ordenen en sorteren, maar ook om een model te trainen om ‘betekenis’ te vinden in relevante soortgelijke gegevens. Het labelproces is belangrijk wanneer meerdere datasets van verschillende oorsprong aan elkaar worden gekoppeld.
Het potentieel van deze aanpak wordt aangetoond door het BioLink-model van het Duitse bedrijf VCG.AI. De afkorting staat voor Value Chain Generator, de specialiteit van VCG: een AI- en datagestuurd proces voor het ontwikkelen van circulaire oplossingen voor de industrie. Medeoprichter en CEO Jon Goriup ziet namelijk dat er in Europa volop kansen liggen voor het verwaarden van reststromen. “Toch blijven deze grotendeels onderbenut en onontwikkeld, ondanks hun potentiële positieve impact op zowel het klimaat als de winstgevendheid van de industrie.”
Het AI-model van VCG richt zich op de vraag hoe bijproducten en organisch afval kunnen worden gevaloriseerd tot duurzame producten met de hoogst mogelijke marktwaarde, zoals eiwitten, chemicaliën of farmaceutische ingrediënten.“ Het beantwoorden van deze vraag vereist dat het AI-model processen identificeert die zowel technisch en economisch haalbaar als milieuvriendelijk zijn. VCG traint het model met grote hoeveelheden gegevens, van statistische gegevens over industrie en materiaalstromen binnen een specifieke regio tot techno-economische analyses, onderzoekspapers, klimaateffectbeoordelingen en LCA-datasets van meer dan 400 conversietechnologieën en bedrijfsmodellen.”
Het AI-model weet dus niet alleen waar de verschillende bijproducten en afvalstromen te vinden zijn, maar kan ook bijpassende conversieprocessen, technologieën en marktkansen evalueren en deze aan elkaar koppelen. “In twee fasen van dit proces gebruiken we de toegevoegde waarde van AI,” zegt Jon Goriup. “In de eerste fase gebruiken we grote taalmodellen zodat we honderdduizenden of zelfs miljoenen verschillende datapunten over circulaire bedrijfsmodellen en technologische processen wereldwijd echt kunnen analyseren en begrijpen. Hiermee ontwikkelen we onze zogenaamde BioLink-modellen, die in feite generieke weergaven zijn van circulaire bedrijfsmodellen. We kunnen AI ook gebruiken om een oplossing te vinden voor een specifieke klant of een specifieke materiaalstroom op een specifieke locatie. We vergelijken data uit onze modellen met die van onze klanten, waarbij we ook rekening kunnen houden met verschillende technische parameters, zoals vochtgehalte en zuiverheid van het restmateriaal.”
Gistafval
Als voorbeeld noemt Goriup een reststroom van brouwerijen: gebruikte gist. Momenteel wordt dit verwerkt als afval. “Met onze modellen kunnen we een winstgevend scenario vinden om deze reststroom te gebruiken voor productieve doeleinden, op basis van de locatie van de klant, de beschikbare hoeveelheden en tal van andere parameters. Zo zijn we erin geslaagd om €200.000 aan gistverwerkingskosten voor een middelgrote brouwerij om te zetten in oplossingen die potentieel €1,2 miljoen aan winst opleveren. Dat is ons specialisme: zoveel mogelijk waarde halen uit organische afvalstromen, bedrijven helpen circulaire biobased producten te maken en de juiste aanvoer van reststoffen vinden om dat te bereiken.”
VCG.AI richt zich momenteel vooral op reststromen uit de agrifood-, dranken- en houtindustrie, maar het bedrijf is van plan om in de nabije toekomst uit te breiden naar andere sectoren, zoals textiel en chemie. Jon Goriup nodigt bedrijven die actief zijn in deze sectoren uit om contact met hem op te nemen.
Breed toepasbaar
De conclusie is duidelijk: AI is breed toepasbaar in de biobased industrie, op micro- en macroniveau en op alle TRL-niveaus. Het kan de ontwikkeling van nieuwe circulaire en biobased activiteiten en producten stimuleren, en ook de efficiëntie van processen en de winstgevendheid van producten verhogen.
Dit geldt niet alleen voor grote bedrijven, maar ook voor het MKB, aldus Pieter Coussement: “Kleine bedrijven kunnen hun eerste stappen in AI zetten met gratis of relatief goedkope tools. Er zijn veel dienstverleners op de markt die je voor een bescheiden bedrag gebruik laten maken van AI. Microsoft, Google en andere grote spelers bouwen het al standaard in hun systemen in.
Volledig op maat gemaakte oplossingen zoals wij die in ML6 maken, zijn misschien een stap te ver. Ondernemers zouden zich echter moeten afvragen in hoeverre ze zo’n op maat gemaakt systeem nodig hebben. Ik denk in ieder geval dat er al efficiencywinst te behalen is door enkele eenvoudige processen via AI te automatiseren. Vooral voor een klein bedrijf kan dit een echte gamechanger zijn!”
Dit artikel kwam tot stand in samenwerking met het Bio-based Industries Consortium.
Beeld bovenaan: PopTika/Shutterstock
