Lifecycle stage — Build
De AI die binnen een fysiek systeem draait is een ander engineering-probleem dan de AI die in een cloud draait. Een model dat wordt uitgerold op een PLC in een productielijn, een ECU in een voertuig of een compute node bij een onderstation moet realtime-SLA's halen, netwerkpartities overleven, veiligheidsenvelopes respecteren die uw certificatie-engineers zullen reviewen en draaien op hardware waarvan de kosten moeten passen binnen wat operations-accounting goedkeurt. Generieke cloud-AI-consultancies kunnen dit werk niet doen — de referentie-architecturen zijn niet van toepassing en de teams hebben nog nooit een safety engineer ontmoet. Dit zijn de PILOT- en LAUNCH-fasen van de DEPLOY Method, aangepast voor fysieke systemen: een embedded samenwerking van 16 weken die een edge-AI-pilot door safety discovery, modelontwerp voor beperkte hardware, integratie met de industriële of voertuigstack en operationele overdracht loodst. Ik dien als AI-ambassadeur van de Franse overheid voor Financiën en Digitale Transformatie van Bedrijven — een aanduiding die ertoe doet voor soevereine en defensie-gerelateerde werkzaamheden — en ik heb acht AI-ventures gelanceerd, waaronder werk aan autonome systemen. De oplevering is een deployment die uw operations-team zal runnen, niet een demo die uw data-team zal achterlaten.
Uw cloud-first dataplatform is nooit ontworpen om een model naar een PLC, een voertuig-ECU of een onderstation-compute-node te pushen — en dat retrofitten is op zichzelf al een project van drie kwartalen. De MLOps-stack die uw team bouwde veronderstelt elastische cloud-inferentie, netwerkconnectiviteit en hardware die u kunt overprovisionen. Geen van die aannames geldt aan de edge. Het model dat uw data-team trainde draait op hardware die uw operations-team controleert, met beperkingen die uw MLOps-pipeline niet kan uitdrukken. De retrofit wordt zelf een programma, en het verslindt de tijdlijn waarop het oorspronkelijke AI-project hoorde te leveren.
Safety- en certificatie-engineers hebben vetorecht en u heeft geen proces dat het bewijs produceert dat ze nodig hebben. Het model werkt in simulatie. Uw safety engineer vraagt om de hazard-analyse, de failure mode-dekking, de envelope violation-tests en de bewijsketen die een certificatiereview zal overleven — en uw data-team heeft nooit van die artefacten geproduceerd. Het project strandt in een review waarvan uw data-team tot week tien niet wist dat hij bestond. Niemand doet iets fout; de overdracht tussen ML-engineering en safety-engineering is nooit ontworpen in uw bedrijf omdat u nog nooit AI in een gereguleerd fysiek systeem heeft gelanceerd.
Uw AI-team en uw operations-team spreken verschillende talen, en hun ticketsystemen communiceren niet. De data scientists spreken in F1-scores, validatiesets en modelkaarten. De operations-engineers spreken in OEE, MTBF, PLC-scancycli en voertuigbus-timing. De twee groepen treffen elkaar in een kwartaal-stuurgroep en vertrekken zonder het ergens concreet over eens te zijn. Zonder een gedeelde taal en een gedeeld operationeel ritme wordt het model dat uw team opleverde nooit geaccepteerd door het operations-team dat het moet runnen. Het project faalt niet technisch; het faalt sociaal.
Het model werkt op laboratoriumschaal en valt om de eerste keer dat het een echte sensor tegenkomt met de verkeerde calibratiedrift. Trainingsdata was schoon. Validatiedata was schoon. De productiesensor heeft een thermische bias die niemand modelleerde, een firmwareversie waarvan uw team niet wist dat die bestond en een intermitterende elektrische storing die het operations-team al zes jaar tolereert. De nauwkeurigheid van het model zakt op dag drie van de pilot in en niemand kan zeggen of het model kapot is, de sensor kapot is of de integratie kapot is. Die dubbelzinnigheid is waar edge-AI-projecten sterven.
De samenwerking verloopt in vier fasen van vier weken. Ik werk op locatie voor de eerste en laatste fase en embedded op afstand daartussenin. Uw engineering-, safety- en operations-teams krijgen allen toegewezen tijd — dit is geen oplevering die een data-team alleen kan dragen. De output is een deployment die draait op de productiehardware, onder het safety-regime, geïntegreerd met de operationele stack.
Gestructureerde sessies met het safety-engineering team, de certificatielead, de operations-engineers die het systeem zullen runnen en het ML-team dat de pilot bouwde. We documenteren de safety-envelope, de failure modes die ertoe doen, de vereiste certificatie-artefacten, de hardware-beperkingen (compute, geheugen, thermisch, vermogen), de netwerktopologie en partitiegedrag en de operationele SLA's die het model moet halen. Tegen het einde van week vier hebben we een geschreven beperkingsdocument dat de safety engineer zal tekenen en waar het ML-team tegen kan bouwen. Dit is de fase die de meeste projecten overslaan; het overslaan ervan is waarom de meeste projecten falen.
De modelarchitectuur en het trainingsrecept worden opnieuw ontworpen voor de hardware en de safety-envelope. Quantisatiestrategie, latentiebudget, geheugenvoetafdruk, deterministisch gedrag waar veiligheid dit vereist, graceful degradation onder sensorstoringen. We voeren ablaties uit op echte hardware, niet in simulatie. We bouwen ook de bewijsketen — hazard-analyse, failure mode-dekking, envelope violation-tests — die de certificatiereview zal vereisen. Het model dat in deze fase wordt geproduceerd is het model dat wordt uitgerold; we herontwerpen niet nadat het certificatiebewijs is opgebouwd.
Het model integreert met de industriële of voertuigstack op echte hardware — PLC-programmeeromgeving, OT-netwerk, voertuigbus, SCADA of onderstation-automatisering. Het ticketsysteem van het operations-team ontvangt de alerts die het model zal produceren. Het firmware-update-pad, het model-rollback-mechanisme en de over-the-air (of over-the-wire) deployment-pipeline worden gebouwd en getest. Tegen het einde van week twaalf draait het model op productiehardware in een gecontroleerde pilotzone — één productielijn, één voertuig, één onderstation — onder het safety-regime en gemonitord door het operations-team.
Het operations-team is eigenaar van de deployment. We bouwen de runbooks die ze gaan gebruiken, de alerting-drempels die aansluiten op hun bestaande operationele ritme, de modelprestatie-dashboards die ze zonder ML-training kunnen lezen en de rollback-playbooks voor wanneer een firmware-update om 2 uur 's nachts fout gaat. We breiden uit van de pilotzone naar de in week één afgesproken productie-footprint — lijn voor lijn, voertuig voor voertuig, locatie voor locatie — waarbij de safety engineer elke uitbreiding goedkeurt. Wanneer ik vertrek, runt het operations-team het systeem. Het ML-team wordt geraadpleegd over model-updates, niet over dagelijkse operaties.
Fabrikanten, automotive-OEM's, energie-nutsbedrijven en publieke-sector organen met een pilot AI-project aan de edge — binnen een fabriek, een voertuig, een onderstation of een soevereine infrastructuurlocatie. Organisaties waarbij de head of engineering al weet dat de kloof tussen cloud-AI en physical-AI reëel is, een certificatie- en safety-regime heeft dat het project moet halen en een buitenstaander nodig heeft die eerder AI in fysieke systemen heeft gelanceerd. Soevereine infrastructuurprogramma's die een AI-Ambassadeur-gecredentieerde partner vereisen voor defensie-gerelateerd of strategisch-industrieel werk. Dit is niet voor pure softwarebedrijven — zij hebben de Agentic System Engineering-dienst nodig. Het is ook niet voor organisaties zonder al draaiende pilot; de samenwerking gaat uit van een bestaand model en een operations-team om het aan over te dragen.
Naast hen, met duidelijke scope-grenzen. Uw automatiseringspartner is eigenaar van de PLC-programmeeromgeving, het OT-netwerk en de operationele integratielaag — dat is hun kerncompetentie en ik zal niet proberen daarin uit te breiden. Ik ben eigenaar van de modelarchitectuur, de edge-inferentie-deployment, de certificatie-bewijsketen en het safety-proces. We treffen elkaar wekelijks tijdens de samenwerking zodat de werkproducten op elkaar aansluiten. Ik heb dit naast grote industriële automatiseringsfirma's gedaan en de grens werkt schoon wanneer beide kanten die respecteren.
Ja — en vaak moet het dat. Een model dat draait op een voertuig-ECU, een afgelegen onderstation of een fabriekszone met intermitterende connectiviteit moet werken tijdens netwerkpartities en zijn state synchroniseren wanneer de verbinding terugkeert. De architectuur behandelt dit expliciet: on-device inferentie, lokaal state-beheer, conflictresolutie wanneer telemetrie het centrale platform bereikt en graceful degradation wanneer een afhankelijke service onbereikbaar is. Het ontwerp is geïnformeerd door wat ik bij Auralink heb gebouwd, waar agents moeten blijven functioneren wanneer een dependency uitvalt.
Afhankelijk van het regime. De samenwerking produceert de certificatie-bewijsketen — hazard-analyse, failure mode-dekking, envelope violation-testing — die afbeelt op de standaard waar uw safety engineer aan werkt. Ik ben geen certificatie-instantie en ik vervang uw safety engineer niet; ik bouw het bewijs in de structuur die zij nodig hebben zodat de review niet strandt. Specifiek voor EU AI Act hoog-risicoclassificaties is de bewijsketen expliciet ontworpen tegen de vereisten van Bijlage III omdat industriële en autonoom-systeem-deployments daar doorgaans landen.
Welke uw operations-team ook gaat goedkeuren. In week één identificeren we de realistische hardware-envelope — wat inkoop zal kopen, wat operations zal installeren, wat onderhoud zal servicen. Ik heb over Jetson, Intel, AMD en custom silicon gewerkt. Het modelontwerp wordt geïnformeerd door de hardware-beperkingen, niet andersom; ik kom niet binnen met een voorkeursplatform omdat de juiste hardware die is welke uw operations-team de komende tien jaar daadwerkelijk gaat runnen.
Niet betekenisvol. De vier fasen vertegenwoordigen elk een andere discipline — safety, ML-engineering, industriële integratie, operations — en elk heeft de tijd nodig die het nodig heeft. Het inkorten van de safety-fase levert een deployment op die certificatie faalt. Het inkorten van de integratiefase levert een deployment op die het operations-team verwerpt. De ene plek waar ik soms tijd kan besparen is wanneer een bestaande industriële automatiseringspartner al significant integratiewerk heeft gedaan; de samenwerking richt zich dan op de model- en safety-lagen en de integratiefase comprimeert naar twee weken. Ik zal u in week één vertellen of dat van toepassing is.
Ontdek andere diensten die dit aanbod aanvullen
30 minuten. Ik diagnosticeer uw situatie en zeg u eerlijk of deze dienst past — en zo niet, welke wel.