RailTech België: ‘Je moet slimmere keuzes maken’ – Kapernikovs CEO over de AI-revolutie op het spoor, gegevensoverbelasting en hoe je je kunt aanpassen

Met iets minder dan zes weken te gaan tot RailTech België, spraken we met panellid Rein Lemmens, CEO en medeoprichter van Kapernikov, over de AI-gedreven spoorwegrevolutie. Zijn bedrijf is gespecialiseerd in AI-aangedreven asset management en voorspellend onderhoud. Lemmens werpt een licht op de praktische uitdagingen en de mentaliteitsverandering die nodig is om deze technologie te omarmen – waarmee hij de weg bereidt voor een boeiende discussie in maart.

Kapernikov, opgericht in 2010, loopt voorop in het gebruik van gegevens voor asset management in België. Het bedrijf is gespecialiseerd in infrastructuurbedrijven, met name de spoorwegsector, en helpt organisaties inzicht te krijgen in de staat van hun bedrijfsmiddelen, onderhoudsschema’s te optimaliseren en geïnformeerde vervangingsbeslissingen te nemen met behulp van slimme technologie. Een belangrijke partner in deze reis is Infrabel.

Sinds 2014 werkt Kapernikov samen met de Belgische spoorweginfrastructuurbeheerder en ondersteunt hen bij de overstap naar digitaal asset management en, meer recent, de overstap naar toestandsafhankelijk onderhoud op basis van kunstmatige intelligentie (AI). Maar zoals Rein Lemmens, medeoprichter en CEO van Kapernikov, uitlegt: hoewel het potentieel van AI voor spoorwegonderhoud onmiskenbaar is, is de weg naar volledige integratie nog lang niet geëffend. Hij belicht de belangrijkste uitdagingen – van het aanpassen aan enorme hoeveelheden nieuwe informatie tot het overwinnen van de diepgewortelde menselijke psychologie – en geeft een voorproefje van wat er besproken zal worden op RailTech België (we zullen binnenkort een volledige video van de chat aanbieden…).

Data stortvloed

Een van de belangrijkste verschuivingen als gevolg van AI-gestuurd onderhoud is de enorme hoeveelheid gegevens waarmee infrastructuurbeheerders nu te maken hebben. Lemmens benadrukt de organisatorische veranderingen die nodig zijn om deze informatie effectief te verwerken. De verschuiving naar geautomatiseerde visuele inspectie en continue metingen betekent in wezen een drastische toename van de gegevensfrequentie.

“In plaats van één keer per jaar 7.000 kilometer spoor te inspecteren, zullen we elke dag 50.000 kilometer aan data van gereden afstanden binnenkrijgen. En je kunt je voorstellen dat de hoeveelheid gegevens eigenlijk een grote uitdaging is om te verwerken, omdat al die ritten een of andere waarschuwing zullen genereren,” merkt Lemmens op. Deze stortvloed aan gegevens vormt een uitdaging voor organisaties die gewend zijn aan traditionele inspectieschema’s.

Hoe aanpassen?

De toegenomen gegevensfrequentie dwingt tot een fundamentele verandering in de manier waarop onderhoudsbeslissingen worden genomen. Organisaties kunnen niet langer simpelweg reageren op elke afzonderlijke waarschuwing. Zoals Lemmens uitlegt, “als je nu één keer per jaar meet, en we gaan in de toekomst elke week meten, dan moet je organisatie evolueren om de verandering in output aan te kunnen. Je zult je prioriteiten anders moeten stellen.

“Je zult situaties krijgen waarin je zegt: ‘We hebben iets gezien, maar daar gaan we niet naartoe omdat er geen tijd voor is.'” De gevestigde praktijk van het aanpakken van elke fout die tijdens inspecties wordt gevonden, wordt onhoudbaar. Dat betekent dat organisaties moeten leren prioriteiten te stellen, waarbij ze moeten begrijpen dat het niet langer haalbaar – of noodzakelijk – is om “op alles te springen wat ze vinden” wanneer er voortdurend gegevens binnenkomen.

“En dus moet iemand, of liever gezegd, eerst een algoritme, dat allemaal behandelen. En dat brengt dus extra werk met zich mee in een tijd waarin spoorwegmaatschappijen meer kilometers spoor willen bedienen met minder mensen.” Deze mentaliteitsverandering vereist een aanzienlijke culturele en operationele aanpassing. Teams moeten overstappen van reactieve naar proactieve strategieën, waarbij AI wordt gebruikt om kritieke problemen te identificeren terwijl routinematige onderhoudstaken efficiënt worden beheerd.

Een afwijking van de norm

Dit betekent niet alleen dat AI voor meer werk zorgt; het betekent ook dat het verandert hoe werk gedaan wordt. Dit kan een moeilijke aanpassing zijn voor spoorwegprofessionals. Neem bijvoorbeeld een spoorwegbedrijf dat traditioneel om de paar decennia zijn bovenleiding (de bovenleidingen die elektrische treinen van stroom voorzien) vervangt. AI kan op basis van real-time conditiegegevens aangeven dat de bovenleiding langer kan blijven zitten.

Lemmens merkt op dat beslissingen over het vervangen van infrastructuur “een afwijking kunnen zijn van wat je in het verleden hebt gedaan. En dat houdt een soort risico in.” Maar, stelt hij, op de lange termijn: “De productiviteit gaat omhoog dankzij dit soort hulpmiddelen.” Je kunt AI alleen niet zomaar toevoegen aan het oude systeem. “Als je AI er gewoon bovenop toepast, nou, dan is bovenop altijd extra. Je moet dus slimmer werken en slimmere keuzes maken.”

Een menselijk element

Naast de logistieke en praktische uitdagingen van het verwerken van meer gegevens, speelt er ook een diep menselijk element. Lemmens belicht de psychologische barrières voor de adoptie van AI en baseert zich daarbij op inzichten van de Israëlisch-Amerikaanse psycholoog Daniel Kahneman over cognitieve vooroordelen. “Mensen accepteren veel meer foute oordelen van andere mensen dan ze accepteren van systemen,” merkt hij op. Dit betekent dat zelfs als AI-systemen beter presteren dan mensen, hun fouten vaak met meer scepsis en wantrouwen worden begroet. Deze inherente vooringenomenheid kan het moeilijk maken om AI-gestuurde oplossingen te implementeren, zelfs als ze aantoonbare voordelen bieden – vooral in een sector waar veiligheid zo belangrijk is als de spoorwegen.

Zoals Lemmens het zegt: “Mensen willen nog steeds zelf kunnen zien wat het systeem heeft gevonden en een goede visualisatie van de gegevens en informatie hebben voordat ze bereid zijn de conclusies van de AI te accepteren.” De technologie moet niet alleen effectief zijn, maar ook transparant. In wezen willen spoorprofessionals het “waarom” achter AI-beslissingen begrijpen, niet alleen het “wat”.

Het visualiseren van gegevens en het geven van duidelijke uitleg over AI-logica kan helpen bij het opbouwen van vertrouwen en acceptatie. Deze factoren voegen extra complexiteit toe aan de implementatie van AI. Het gaat niet alleen om het bouwen van een goed AI-model; het gaat er ook om het begrijpelijk en acceptabel te maken voor de mensen die het gaan gebruiken. Het is een uitdaging, maar wel een waar Kapernikov en andere bedrijven hard aan werken.

Kom naar RailTech België

Wil je meer weten over AI en predictief onderhoud? Met tal van panels, papers en workshops over de nieuwste hot topics van onze sector, kom naar RailTech Belgium 2025 om bruikbare inzichten te krijgen, in contact te komen met marktleiders en de toekomst van het spoor in België en daarbuiten vorm te geven. Bekijk ons conferentieprogramma en verzeker je vandaag nog van een plaats – inschrijvingen zijn nu open!

Lees meer:

• ‘Geef ons uw spoorgegevens en wij verlagen uw kosten’: ontmoet de data-experts die bewijzen dat groener goedkoper is
• Noorwegen: AI-camera’s om spoorwegovergangsongevallen aan te pakken
• RailTech Belgium: hoe 5G-gedreven FRMCS het spoor herdefinieert
• RailTech België: ERTMS, basislijnen en grenzen – wat we kunnen leren van de Belgische uitrol
• InnoTrans24: voestalpine lanceert zentrak Object Controller Point
• SNCF en Deutsche Bahn werken samen aan duurzame technologie