Dassault Systèmes en NVIDIA werken samen aan een AI-architectuur voor bedrijfskritische toepassingen. De samenwerking is onlangs aangekondigd en richt zich op industrieën in Europa en wereldwijd. Het doel is om digitale tweelingen en generatieve AI veilig en voorspelbaar in te zetten in ontwerp, productie en onderhoud. Daarmee willen de bedrijven het risico op fouten verlagen en de Europese digitalisering gevolgen bedrijfsleven beheersbaar maken.
AI-architectuur voor industrie
De nieuwe architectuur combineert het 3DEXPERIENCE-platform van Dassault Systèmes met NVIDIA’s versnelde rekenkracht en AI-software. 3DEXPERIENCE is een platform voor productontwerp, simulatie en productieplanning. NVIDIA levert GPU-infrastructuur en AI-ontwikkelsoftware om grote modellen te trainen en te draaien. Samen moet dit leiden tot snellere besluitvorming en beter voorspelbare processen.
De focus ligt op bedrijfskritische omgevingen zoals luchtvaart, automotive, hightech en gezondheidszorg. In deze sectoren moeten algoritmen herhaalbaar, uitlegbaar en traceerbaar zijn. De architectuur ondersteunt functies als versiebeheer, modelvalidatie en monitoring. Zo kunnen teams risico’s documenteren en aantoonbaar onder controle houden.
Praktisch betekent dit dat ontwerpdata, simulatieresultaten en sensorgegevens samenkomen in één omgeving. Bedrijven kunnen AI-modellen trainen op hun eigen datasets, zonder data onnodig te verplaatsen. Dit sluit aan bij eisen rond dataminimalisatie en versleuteling. De inzet kan zowel in de cloud als on-premises plaatsvinden.
Digitale tweelingen centraal
Digitale tweelingen spelen een hoofdrol in de samenwerking. Een digitale tweeling is een virtuele versie van een product of proces die met echte data wordt gevoed. Daarmee kun je gedrag voorspellen, scenario’s testen en storingen opsporen voordat ze optreden. Voor de industrie levert dit tijdwinst en minder uitval op.
Dassault Systèmes brengt hiervoor tools als CATIA, DELMIA en SIMULIA in, die respectievelijk ontwerp, productie en simulatie ondersteunen. NVIDIA voegt realtime visualisatie en generatieve AI toe om varianten te verkennen en instructies te genereren. In een fabriek kan een operator zo sneller de beste parameters vinden voor een lijnwissel. In onderhoud kan een technicus storingspatronen herkennen nog vóórdat een machine stilvalt.
Door simulatie te koppelen aan live sensordata ontstaat een gesloten lus van leren en verbeteren. Resultaten uit de praktijk verfijnen de modellen, die op hun beurt de operatie aansturen. Deze cyclus maakt continue optimalisatie mogelijk, zonder grote onderbrekingen. Bedrijven krijgen zo meer grip op kwaliteit, energieverbruik en levertijden.
Een digitale tweeling is een virtuele kopie van een product of proces die real-time data gebruikt voor analyse en voorspelling.
Veiligheid en Europese regels
De Europese AI-verordening (AI Act) stelt hoge eisen aan AI in risicovolle toepassingen. Systemen moeten onder meer risicobeheer, datakwaliteit, documentatie, transparantie en menselijk toezicht borgen. De AI-architectuur van Dassault Systèmes en NVIDIA richt zich op deze punten met functies voor logging, traceerbaarheid en expliciete goedkeuringsstappen. Dat helpt bij audits en bij het aantonen van naleving.
Bij verwerking van persoonsgegevens blijft de AVG leidend. Dataminimalisatie, toegangscontrole en versleuteling zijn noodzakelijk, vooral wanneer productie- en servicelogboeken herleidbaar zijn tot personen. De mogelijkheid om AI-ladingen on-premises te draaien is relevant voor organisaties die data binnen de EU willen of moeten houden. Dit sluit aan bij eisen rond data-soevereiniteit en sectorale richtlijnen.
Veel industriële AI-toepassingen vallen waarschijnlijk in de “hoog risico”-categorie van de AI Act. Denk aan kwaliteitsinspectie die productveiligheid raakt of besluitvorming in medische workflows. Voor zulke toepassingen zijn grondige validatie en herleidbare datasets verplicht. De aangeboden architectuur beoogt dit te ondersteunen met modelbeheer, testprotocollen en reproduceerbare pipelines.
Implementatie in het bedrijfsleven
De samenwerking mikt op flexibele inzet: in eigen datacenters of via de cloud. NVIDIA’s GPU’s en AI-software zorgen voor rekensnelheid, terwijl 3DEXPERIENCE de proceslogica en data-organisatie verzorgt. Voor Nederlandse maakbedrijven kan dat betekenen dat bestaande PLM- en MES-systemen minder hoeven te worden vervangen. Integraties en connectors spelen daarbij een grote rol.
Kosten en expertise blijven wel bepalend voor succes. Niet elk bedrijf heeft data scientists en MLOps-specialisten in huis. Templates, voorgetrainde modellen en beheerde diensten kunnen de drempel verlagen. Tegelijk moet elke organisatie eigen validatiecriteria vaststellen om te passen bij productrisico en regelgeving.
Voor het mkb is stapsgewijze invoering verstandig. Begin met een afgebakende digitale tweeling, bijvoorbeeld voor een kritieke machine of productlijn. Meet effecten op doorlooptijd, uitval en energieverbruik en schaal daarna op. Zo blijft de businesscase aantoonbaar en beheersbaar.
Techniek en interoperabiliteit
Interoperabiliteit is belangrijk om datasilo’s te voorkomen. NVIDIA Omniverse gebruikt OpenUSD voor 3D-gegevensuitwisseling, wat samenwerking tussen tools vergemakkelijkt. In de praktijk verbindt dit ontwerp, simulatie en visualisatie zonder zware conversies. Dat versnelt iteraties en vermindert fouten.
Aan de AI-kant ondersteunen referentiecomponenten herbruikbare bouwstenen, zoals modelregistratie, monitoring en versiebeheer. Dit helpt teams om van experiment naar productie te gaan. Beheerfuncties maken duidelijk welke dataset, codeversie en parameters zijn gebruikt. Dat is cruciaal voor audit en kwaliteitsbewaking.
Edge- en cloudinzet kunnen elkaar aanvullen. Zware training draait centraal, terwijl inferentie dicht bij de machine plaatsvindt voor lage latency. Updates worden gecontroleerd uitgerold met terugvalopties. Zo blijft de operatie stabiel, ook tijdens vernieuwing.
Wat nog ontbreekt
Menselijke uitlegbaarheid en domeinkennis blijven randvoorwaardelijk. Generatieve AI kan voorstellen doen, maar de eindbeslissing hoort bij het team. Heldere dashboards, waarschuwingen en contextinformatie zijn nodig om vertrouwen te behouden. Zonder deze hulpmiddelen kan acceptatie in de werkvloer stokken.
Ook standaarden voor modeldocumentatie zijn in ontwikkeling. Fabrikanten hebben behoefte aan uniforme “modelkaarten” en datasetbeschrijvingen. Europese normalisatie kan hier richting aan geven, zodat audits vergelijkbaar worden. Dit sluit aan bij de eisen uit de AI Act en sectorale normen.
Tot slot vraagt schaalbare governance om duidelijke rollen en processen. Wie keurt welke update goed, en op basis van welke tests? De voorgestelde architectuur biedt bouwstenen, maar organisaties moeten ze zelf invullen. Daarmee blijft implementatie maatwerk, met aandacht voor risico, kosten en impact op de keten.