De vis-, schaal- en schelpdierindustrie is extreem onvoorspelbaar. Weer, zeetemperaturen, visvoorraden, migratiepatronen, klimaatverandering - al deze factoren hebben invloed op de visserijactiviteiten en leiden tot grote overschotten en tekorten. De kwaliteit is ook onvoorspelbaar, vaak afhankelijk van omgevingsfactoren, vangstmethoden, seizoensgebondenheid, behandeling op zee, koelketen en nog veel meer. Aquacultuur heeft ook te maken met natuurlijke variabiliteit. Oncontroleerbare milieuomstandigheden - zoals waterkwaliteitsproblemen veroorzaakt door het weer of vervuiling en uitbraken van ziektes - beïnvloeden de productie en kwaliteit in vis- en garnalenkwekerijen. Kortom, het is een riskante onderneming.

Om deze redenen houdt kunstmatige intelligentie (AI) - omschreven als "voorspellende machines" - de belofte in om de vis-, schaal- en schelpdierindustrie voorspelbaarder en dus winstgevender te maken.

"Voorspellen is het invullen van ontbrekende informatie", schrijven de auteurs van Prediction Machines: The Simple Economics of Artificial Intelligence. "Voorspelling neemt informatie die je hebt, vaak 'data' genoemd, en gebruikt die om informatie te genereren die je niet hebt. Naast het genereren van informatie over de toekomst, kan voorspelling ook informatie genereren over het heden en het verleden. Dit gebeurt wanneer voorspelling creditcardtransacties classificeert als frauduleus, een tumor in een afbeelding als kwaadaardig of dat een persoon die een iPhone vasthoudt de eigenaar is."¹

De auteurs - allemaal bedrijfsprofessoren aan de Universiteit van Toronto - stellen dat AI ons in staat stelt om sneller en goedkoper betere voorspellingen te doen. Dat, in het kort, is de drijvende kracht achter de winsten en de toepassing van AI in alle sectoren: inclusief de zeevruchtenindustrie.

In dit artikel geef ik de lezer eerst een overzicht van de verschillende soorten AI, hoe ze werken en hun toepassingen. Ten tweede analyseer ik hoe AI momenteel wordt gebruikt in toeleveringsketens van vis-, schaal- en schelpdierproducten, op basis van een overzicht van zo'n 365 softwaretoepassingen. Ten derde verken ik hoe AI kan worden gebruikt in de verwerking van vis, een sector die op dit moment te weinig wordt bediend door AI. Ik zal ook baanbrekend onderzoek delen dat we (ThisFish Inc.) momenteel doen om AI in de verwerkingssector te brengen. Tot slot sluit ik af met een aantal gedachten over hoe vis-, schaal- en schelpdierbedrijven zich kunnen voorbereiden op de AI-revolutie, zodat ze niet achterblijven.

Wat is AI en hoe werkt het

Kunstmatige intelligentie wordt vaak de vierde industriële revolutie genoemd. De oorspronkelijke revolutie werd aangedreven door stoomkracht en mechanisatie in de jaren 1780; de tweede draaide om elektrificatie en massaproductie in de jaren 1870; en de derde begon in 1969 met computerelektronica. AI staat nu centraal in de vierde industriële revolutie, die vaak Industrie 4.0 wordt genoemd. Veel van de nieuwe technologieën, zoals cloud computing, het internet der dingen (IoT), slimme sensoren en computerchips, maken AI mogelijk door vooruitgang op het gebied van gegevensverzameling, gegevensopslag en rekenkracht. AI zelf maakt ook veel nieuwe technologieën mogelijk, zoals autonome robots, zelfrijdende auto's, augmented reality en cognitive computing.

Wat is AI precies? In de kern gaat AI over het simuleren van menselijke intelligentie in machines en valt het onder het algemene gebied van gegevenswetenschap. Machine learning is een onderdeel van AI waarbij machines beslissingen nemen zonder geprogrammeerd te zijn. In feite trainen we machines met behulp van gegevens. Over het algemeen maken meer en kwalitatief betere gegevens AI slimmer. Je kunt het leren van AI "superviseren" door gegevens te labelen, wat betekent dat de invoer een corresponderend uitvoerlabel heeft. Je kunt bijvoorbeeld een afbeelding van een vis (de input) labelen met de juiste vissoort (de output). Bij leren zonder toezicht gaat het om een algoritme dat verborgen patronen in gegevens probeert te ontdekken, zoals het opsporen van afwijkingen of fouten. De Amerikaanse Food and Drug Administration (FDA) gebruikt AI bijvoorbeeld om patronen te ontdekken in importgegevens van zeevruchten om mogelijke illegaliteit te identificeren. Een derde vorm van leren is "versterkt", wat optreedt wanneer AI interageert met zijn omgeving en positieve of negatieve feedback ontvangt. Chatbots voor klantenservice die je vragen om de antwoorden te beoordelen, zijn een veelvoorkomend voorbeeld van versterkt leren.

Een subset van machinaal leren wordt "deep learning" genoemd, waarbij neurale netwerken worden gebruikt die zijn geïnspireerd op de structuur en functie van het menselijk brein. Deze technologie wordt vaak gebruikt om verborgen patronen te ontdekken in enorm grote, complexe of multidimensionale datasets. De meest gebruikte technologieën zijn computer vision en natuurlijke taalverwerking.

Computer vision is een gebied van AI dat machines in staat stelt om visuele gegevens uit de wereld te interpreteren en beslissingen te nemen. Elke pixel in een afbeelding krijgt een nummer, waarna algoritmes patronen vinden die bijvoorbeeld een geelvintonijn van een grootoogtonijn in een afbeelding onderscheiden. Computers kunnen een afbeelding classificeren, een object detecteren, een afbeelding segmenteren in componenten en gezichten herkennen. Computer vision technologieën maken gebruik van een soort neuraal netwerk om een hoge nauwkeurigheid te bereiken.

De laatste technologie is generatieve AI, zoals het razend populaire ChatGPT of DALL-E voor het genereren van afbeeldingen. Deze technologie maakt ook gebruik van neurale netwerken om patronen te leren uit grote datasets van afbeeldingen of teksten om nieuwe inhoud te genereren. Grote taalmodellen worden getraind op miljoenen pagina's tekst waardoor ze menselijk klinken.

Hoe kan al deze AI-technologie worden toegepast op de vis-, schaal- en schelpdierindustrie? Een handige tool is het P.A.C Framework, ontwikkeld door ondernemer en AI-expert Rob May. P.A.C. staat voor Predict, Automatic en Classify, de kernfuncties van AI. May stelt voor om een eenvoudige tabel te maken om te zien hoe AI kan worden toegepast op je bedrijf. "Om je eerste raster te maken, maak je drie kolommen, één voor Predict (voorspellen), één voor Automate (automatiseren) en één voor Classify (classificeren). Maak vervolgens op de rijen een lijst met de belangrijkste gebieden van uw bedrijf. Bijvoorbeeld: Klanten, Product en Operaties. Vervolgens kun je in elk vak bedenken hoe die specifieke A.I.-benadering kan worden toegepast op dat gebied van je bedrijf", schrijft May.

Ik heb zo'n raster gemaakt (tabel 1), waarbij ik naar verschillende sectoren van de waardeketen voor vis, schaal- en schelpdieren kijk, zoals vissen, kweken, planning, productie en kwaliteitscontrole. Hoewel dit geen uitputtende lijst is, is het bedoeld als brainstorm over hoe AI zou kunnen worden toegepast op jouw bedrijf. Zoals we in de volgende paragraaf zullen zien, wordt AI nu breed toegepast in de hele vis-, schaal- en schelpdiersector.

Tabel 1: P.A.C.-raamwerk, aangepast aan de vis-, schaal- en schelpdierindustrie

De explosieve groei van AI in vis en zeevruchten

AI is nu overal in ons dagelijks leven: in onze smartphones, virtuele assistenten, auto's, muziekaanbevelingen, voedselleveringen, gezichtsherkenning, enzovoort. De groei is te danken aan drie factoren. Ten eerste is de hoeveelheid digitale gegevens de afgelopen 10 jaar ongeveer 30 keer zo groot geworden. AI heeft gegevens nodig om te leren en dus genereert de groei van digitale technologieën - vooral cloud computing en smartphones - de gegevens om AI te trainen. Ten tweede zijn AI-algoritmen krachtiger geworden. ImageNet was bijvoorbeeld een grootschalige visuele herkenningsuitdaging die de afgelopen tien jaar eens per jaar werd gehouden. In 2015 versloeg het beste AI-systeem voor het eerst de menselijke prestaties. AI kan nu foto's nauwkeuriger herkennen dan mensen. En ten derde worden computerchips steeds krachtiger en goedkoper. Ze zijn cruciaal voor het verwerken van grotere hoeveelheden gegevens met complexere algoritmes.

Wat vis en zeevruchten betreft, heb ik een "metatrend" geïdentificeerd die helpt verklaren waarom AI op grote schaal wordt toegepast in de sector. Ik noem het de Fish n' Chips Index. Sinds 1990 is de FAO visprijsindex met 60 procent gestegen, terwijl de prijs van halfgeleiders of computerchips met meer dan 50 procent is gedaald. Tegenwoordig maakt ongeveer een derde van de software - meer dan 120 apps - die in de visindustrie wordt gebruikt, gebruik van AI.

Ik heb zelfs meer dan 365 software-apps geanalyseerd die worden gebruikt in de vis-, schaal- en schelpdierindustrie en deze gepubliceerd in een online directory op de website van ThisFish2. Er is een explosie geweest van nieuwe tech startups die de vis-, schaal- en schelpdiersector bedienen, met een piek in 2018-2019. AI wordt echter ongelijk toegepast in de vis-, schaal- en schelpdierindustrie.

Er worden ongeveer 100 software-apps gebruikt in de wilde visvangst en nog eens 100 in de aquacultuur. Bijna 70 procent van de aquacultuurtechnologie maakt gebruik van AI, vergeleken met slechts 20 procent in de visserij. De reden voor het verschil is tweeledig: prikkels en regelgeving. In de aquacultuur zorgt AI voor een verlaging van twee van de grootste kostenposten in de sector: optimalisatie van voeding en vermindering van sterfte. Kwekers zijn gemotiveerd om AI toe te passen omdat het zakelijk zinvol is. In de visserij wordt de meeste technologie niet gedreven door de dynamiek van de markt, maar door naleving van de regelgeving om de vangsten beter te controleren. Vissers zijn terughoudend bij het invoeren van technologieën die het toezicht verhogen, met uitzondering misschien van verbeterde veiligheid op zee. Een aanzienlijk deel van de AI in de visserij is gericht op het gebruik van computervisie om het bekijken van videobeelden van elektronische controlesystemen aan boord van vissersschepen te automatiseren.

We zullen deze kloof in de toepassing van AI waarschijnlijk groter zien worden. Volgens Crunchbase hebben aquacultuurtechnologiebedrijven ongeveer 632 miljoen dollar aan investeringen opgehaald, vergeleken met slechts 19 miljoen dollar bij visserijtechnologiebedrijven. Crunchbase meldt zelfs dat alleen al in 2022 45 aquacultuur-startups 292 miljoen dollar hebben opgehaald.

AI-gebruiksgevallen voor visverwerking

De visverwerkende sector heeft een achterstand opgelopen op het gebied van digitale transformatie en de toepassing van AI. Het bijhouden van gegevens op papier is de belangrijkste methode voor het verzamelen van gegevens, wat voor veel problemen zorgt, zoals menselijke fouten, geen real-time analyse, trage rapportage en slechte traceerbaarheid. Er zijn 29 softwareproducten voor deze sector, maar slechts vier daarvan beschikken over AI-mogelijkheden. Voor het testen en verifiëren van de kwaliteit zijn er 13 softwareproducten voor zeevruchten. Meer dan 50 procent maakt gebruik van AI, waaronder computervisie, DNA-testen en chemometrie.

Ondanks de lage niveaus van digitalisering en AI-implementatie zijn verwerkers van vis-, schaal- en schelpdierproducten cruciale knooppunten in de toeleveringsketens, die het aanbod bundelen, de voedselveiligheid handhaven en de wereldwijde handel mogelijk maken. Naar schatting zijn wereldwijd ongeveer 23 000 bedrijven betrokken bij de verwerking van vis, schaal- en schelpdieren. Zij vormen een knelpunt tussen de miljoenen primaire producenten en miljarden consumenten.

Ondanks het cruciale commerciële belang heeft de verwerkende sector te kampen met een lage winstgevendheid. Planet Tracker analyseerde 89 beursgenoteerde visverwerkende bedrijven en stelde vast dat hun winstmarge voor rente en belasting (EBIT) gemiddeld slechts 3,4 procent bedroeg.³ Kunstmatige intelligentie zou deze marges kunnen verbeteren door middel van automatisering en optimalisering en tegelijkertijd voldoen aan de duurzaamheidsdoelstellingen.

Op basis van ons werk met het digitaliseren van visverwerkende fabrieken schat ThisFish Inc. dat een gemiddelde tonijnfabriek, die 100 ton grondstoffen per dag verwerkt, meer dan vier gigabyte aan digitale gegevens per jaar genereert, gelijk aan ongeveer 2,7 miljoen pagina's tekst. Vers ingevroren verwerkers van tonijn en zalm genereren ongeveer één gigabyte aan gegevens of 680 000 pagina's. Deze enorme hoeveelheid gegevens zou waardevol kunnen zijn voor de vis-, schaal- en schelpdierverwerkende sector. Historische gegevens zouden gebruikt kunnen worden om machine-learning algoritmen te trainen om kwaliteit en productieresultaten te voorspellen. In het volgende gedeelte deel ik enkele van de innovatieve AI-onderzoeken die we in de loop der jaren hebben uitgevoerd.

Machinaal leren

In 2021 ontwikkelden datawetenschappers van ThisFish Inc. een proof of concept om de opbrengst van een tonijnfabriek in Thailand te voorspellen. De gegevens die voor de analyse werden gebruikt, waren afkomstig van ongeveer 22 maanden productie van skipjack-, albacore- en geelvintonijn. De gegevens bestonden uit 8.818 unieke datapunten waarvoor de opbrengst werd berekend. Een enkele eenheid grondstof waarvoor de opbrengst werd berekend, was een productielot. De opbrengst werd als volgt berekend:

We verdelen de variabelen in twee categorieën: grondstofvariabelen en procesvariabelen. Grondstofvariabelen zijn variabelen die inherente eigenschappen zijn, zoals vissoort, visgrootte, oogstmethode, etc. Procesvariabelen zijn variabelen die worden verzameld als onderdeel van het inblikproces, zoals de duur van de koude opslag, de ontdooitijd, de ontdooitemperatuur, de kooktijd, de kooktemperaturen, enz. We bestudeerden de invloed van deze variabelen en probeerden manieren te bepalen waarop deze variabelen kunnen worden aangepast om de opbrengst mogelijk te verhogen.

Samengevat waren de belangrijkste variabelen die de opbrengst beïnvloedden de grootte van de vis, de vissoort, de tijd in de koelcel, de kooktemperatuur en de kooktijd. De interessantste bevinding was echter de invloed van de duur van de koude opslag op de opbrengst, die tot drie procent invloed had op de terugvinding. Ongeveer 85 procent van de variatie in opbrengsten werd verklaard door de variabelen in het model en de AI had een betrouwbaarheidsniveau van 95 procent. Aangezien grondstoffen de grootste productiekosten zijn, zou een opbrengstvoorspellingsmodel een conservenfabriek kunnen helpen bij het voorspellen van de brutomarges in de productie.

Een ander machine-learningproject richtte zich op het uitlekgewicht in tonijnconserven. Het uitlekgewicht wordt aangegeven op blikjes en vertegenwoordigt de minimale hoeveelheid vleesgewicht die in een blikje overblijft nadat het vloeibare medium - meestal olie, pekel of bronwater - is uitgelekt. Het is moeilijk om het uitlekgewicht te voorspellen omdat de tonijn in het blik een deel van de vloeistof absorbeert, bekend als "pick-up". Veel variabelen kunnen de hoeveelheid "pick-up" beïnvloeden, waaronder de soort, het type vloeistof, de kwaliteit van het vlees, de dichtheid van de verpakking, de grootte van het blik, de verhouding tussen de vlokken en de brokken en andere. De meeste conservenfabrieken hebben uitlekgewichttabellen ontwikkeld die productiemanagers helpen bij het bepalen van het vulgewicht van de blikken. Deze tabellen zijn echter simplistisch en bevatten slechts een paar variabelen. Ze houden geen rekening met alle relevante variabelen en hoe deze variabelen op elkaar inwerken. Het resultaat is dat conservenfabrieken vaak verrast zijn als er resultaten terugkomen van het laboratorium voor uitlekgewicht.

Verder zijn er wettelijke grenzen aan het aantal blikken dat te weinig gevuld mag zijn, de zogenaamde toelaatbare negatieve fout. De drempelwaarde voor een uitlekgewicht van 102 gram betekent bijvoorbeeld dat niet meer dan 2,5 procent van de blikken 4,5 gram te weinig gevuld mag zijn en er is nul tolerantie voor extreme ondervulling van meer dan 9 gram. Omdat het proces onvoorspelbaar is, vullen conservenfabrieken blikken met opzet gemiddeld 3-6 gram te veel af om ervoor te zorgen dat ze de regels voor te weinig afvullen niet overtreden.

In 2023 en 2024 werkte ThisFish Inc. samen met twee tonijnconservenfabrieken in Manta, Ecuador om een uitlekgewichtvoorspellingsmodel te ontwikkelen. We ontvingen meer dan 100.000 uitlekgewichtmonsters en gerelateerde variabelen van Eurofish S.A. en Tri Marine's SEAFMAN conservenfabriek. We trainden twee aparte AI-modellen, één voor elke conservenfabriek, waarbij we de gegevens gescheiden hielden vanwege de vertrouwelijkheidseisen.

De eerste resultaten waren veelbelovend. Over het algemeen verminderde de AI de standaardafwijking in de uitlekgewichten, wat wijst op een betere procesbeheersing. De resultaten suggereren ook dat er mogelijk tot drie gram per blik bespaard kan worden, afhankelijk van de benchmarkprestaties van de conservenfabriek. Eén gram skipjack staat gelijk aan ongeveer 500.000 USD aan grondstofkosten per jaar voor een conservenfabriek van 100 ton per dag. Wereldwijd zijn er 150 conservenfabrieken met een gemiddelde van 100 ton, wat betekent dat AI de sector jaarlijks 75 tot 225 miljoen dollar aan grondstofkosten kan besparen. Zodra de prestaties zijn verbeterd, kan het AI-model opnieuw worden getraind op de betere gegevens, waardoor hopelijk nog meer besparingen worden gerealiseerd en de controle wordt versterkt.

Computervisie

Er is veel visuele inspectie in de vis-, schaal- en schelpdierindustrie, op grondstoffen, halffabricaten en eindproducten. In het algemeen geldt dat als mensen iets kunnen zien, we AI kunnen programmeren om het ook te zien.

Bij ThisFish Inc. hebben we verschillende computervisie-algoritmen ontwikkeld voor het tellen en meten van visfilets, het classificeren van zalmfilets op basis van de SalmoFan kleurenschaal en het detecteren van vijf verschillende soorten defecten op zalmfilets, waaronder spleten, sleuven, zachtheid, kneuzingen en inoculatielittekens (bij gekweekte vis). We werken ook aan een algoritme om het gewicht van een zalm te schatten op basis van een afbeelding. Toekomstige modellen zouden ook getraind kunnen worden op witvis of garnalen.

In de tonijnindustrie heeft een Japans technologiebedrijf Tuna Scope ontwikkeld om computer vision te gebruiken om de kwaliteit van verse tonijn te beoordelen. ThisFish Inc. heeft ook geëxperimenteerd met het gebruik van computervisie om het zoutgehalte in bevroren skipjack te schatten, een onderzoeksproject dat nog loopt. Andere toepassingen zijn visuele inspectie van de naden van blikjes of detectie van deuken en andere defecten op blikjes. De meeste visverwerkers voeren ook labelinspecties uit op eindproducten, een taak die geautomatiseerd zou kunnen worden door een slimme camera.

Computer vision kan kwaliteitsinspectie mogelijk goedkoper en beter maken. Op dit moment bestaat de meeste kwaliteitsinspectie uit menselijke inspecteurs die willekeurige steekproeven nemen om de kwaliteit te controleren. Met computervisie worden de arbeidskosten geautomatiseerd en is de inspectie continu in plaats van steekproefsgewijs. Zeevisbedrijven zouden enorme hoeveelheden inspectiegegevens genereren die gebruikt kunnen worden om betere beslissingen te nemen en lichtzinnige claims te verminderen, omdat verwerkingsbedrijven enorme hoeveelheden gegevens zouden hebben om te bewijzen dat ze aan de eisen van de klant hebben voldaan.

Conclusie

In het verleden geloofden veel vis-, schaal- en schelpdierbedrijven dat ze een concurrentievoordeel konden behalen door gegevens te verbergen en niet transparant te zijn over hun productieproces of toeleveringsketen. Nu de markt steeds meer vraagt om transparantie en verantwoorde inkoop, wordt deze houding met de dag anachronistischer. In het informatietijdperk zullen bedrijven die met behulp van kunstmatige intelligentie verborgen inzichten en patronen in hun gegevens ontdekken een blijvend concurrentievoordeel behalen.

Mijn advies aan bedrijven die hun AI-reis willen beginnen is simpel: digitaliseer, stel prioriteiten en leer. Digitaliseer eerst je gegevens. Zonder gegevens heb je geen AI. Ten tweede, stel prioriteiten door je te richten op vroege resultaten en kostenbesparingen door middel van automatisering en optimalisaties. En ten derde: leer terwijl je bezig bent. Kies voor een gefaseerde aanpak bij de introductie van nieuwe digitale technologieën.

Terwijl AI de industrie winstgevender kan maken, zou het ook waardevol kunnen zijn voor duurzaamheid, vooral door te helpen bij het opsporen en elimineren van fraude met vis, schaal- en schelpdieren in toeleveringsketens. Aangezien AI schone, uitgebreide en volledige gegevens vereist voor nauwkeurige voorspellingen, zullen er steeds meer commerciële prikkels komen om kwaliteitsgegevens over herkomst en traceerbaarheid te verzamelen.

Stanford professor en AI expert Andrew Ng heeft gezegd: "Het is niet wie het beste algoritme heeft dat wint. Het is wie de meeste data heeft." Je zou ook kunnen zeggen dat degenen met de beste gegevens zullen winnen.

OPMERKING: Dit artikel is voor het eerst gepubliceerd in het online InfoFish magazine. Klik hier voor artikel.

VOETNOTES

¹ Ajay Agrawal, Avi Goldfarb en Joshua Gans Voorspellende machines: De eenvoudige economie van kunstmatige intelligentie. Harvard Business Review Press, Boston, 2028, pp. 29-30

² https://this.fish/software-directory

³ François Mosnier, John Willis, Matt McLuckie. Traceerbare terugkeer. Planet Tracker. Oktober 2020.