‘Data is brandstof voor toekomstgericht beleid’

Tijdens de sessie ‘Datagedreven assetmanagement – een realistisch perspectief’ vertelden Glenn Polman (CROW) en Greet Leegwater (TNO) meer over datagedreven assetmanagement. Beide sprekers waren het er over eens: “Data is brandstof voor toekomstgericht beleid.”

Steeds meer gemeenten maken werk van datagedreven assetmanagement. Machine learning en kunstmatige intelligentie worden steeds vaker ingezet om te bepalen wat de status is van een asset. Dan is het wel van belang om juiste en complete data te hebben, geeft Polman aan. “Ander mis je echt een essentiële bouwsteen. Daar moet wel bij aangetekend worden dat data verzamelen soms lastig is, net als handen en voeten geven aan data governance. Filmen en fotograferen in de openbare ruimte is een grijs gebied. Een belangrijke grondslag om data te verzamelen is om de kwaliteit van het beheer te verhogen. Vergaande acceptatie kan helpen geen beelden meer te hoeven delen, maar op basis van coördinaten en een advies actie te ondernemen. De Data Governance Act die nu is opgesteld door de Europese commissie, en in april is goedgekeurd door het Europees parlement, zal meer richtlijnen geven op het gebied van datadeling en datagebruik.”

Kunstmatige intelligentie
De rol van artificial intelligence wordt steeds belangrijker bij datagedreven assetbeheer, vertelt Polman. “De meest geavanceerde vorm van kunstmatige intelligentie is een vorm welke zelf in staat is keuzes door te voeren en zichzelf te verbeteren zonder tussenkomst van de mens, maar waarbij keuzes wel worden afgestemd op de omgeving of context waarin zij opereert.” Machine learning is het onderdeel wat kunstmatige intelligentie in staat stelt te leren. Polman merkt op dat er momenteel drie dominante vormen van machine learning voorkomen. “Supervised learning is leren door goede en foutieve voorbeelden te labelen. Unsupervised learning is leren door patronen in de data te herkennen. Bij reinforcement learning wordt er geleerd door te interacteren met de omgeving.” Met name statuschecks van assets zijn inmiddels al goed uit te voeren door middel van kunstmatige intelligentie. Polman: “Algoritmen zijn steeds beter in staat schadebeelden of afwijkingen ten opzichte van de norm te signaleren. Voorbeelden zijn bijvoorbeeld te vinden rondom verhardingen, groenbeheer, verkeersborden en zwerfafval. Het doorvertalen naar een betrouwbare langetermijnvoorspelling voor alle type assets heeft echter nog wel groeitijd nodig.”

Aan de hand van twee praktijkcases lieten Polman en Leegwater vervolgens zien wat er allemaal mogelijk is met data en kunstmatige intelligentie.

Praktijkcase 1
Met een aantal gemeenten, VNG realisatie, Stichting Big Data Innovatiehub en de Haagse Hogeschool werkt CROW aan het vormgeven en uitvoeren van het programma ‘Datagedreven assetmanagement‘. Het doel van het programma is om vanuit datagedreven experimenten praktische en standaard toepassingen voor de beheerpraktijk te ontwikkelen. Zo is er een ‘voorspelmodel interventiemoment vervanging verhardingen’. Hoe kan data helpen om procesmatig beter de risico’s, kosten en prestaties in te schatten over een langere periode? In Zoetermeer wordt een proof of model concept verder uitgewerkt door middel van het toevoegen van verschillende databestanden. Daarnaast is vanuit het programma een experiment gestart voor nieuwe data inwintechnieken. De belangrijkste vraag daarbij is hoe kunnen nieuwe data inwinningstechnieken de accuratesse van de bovenliggende voorspelmodellen verbeteren en daarnaast informatie geven over de huidige staat van de assets. Zo draait er een proef waarbij camerabeelden uit de openbare ruimte, volledig privacy proof, worden ingezet om te kunnen voorspellen wanneer assets aan vervanging toe zijn. Daarnaast worden camerabeelden van marktpartijen ingezet om datagedreven technieken te vergelijken met visuele inspecties.

Praktijkcase 2
Rijkswaterstaat, CROW, TNO en Heijmans hebben een praktijkcase opgesteld waarbij een modelframework is gemaakt voor het voorspellen van de levensduur van asfalt. Het gaat om een technologisch platform wat in staat is om iedere twee jaar voorspellingen te doen van de status van de verschillende asfaltlagen. Binnen dit project wordt de versnipperde kennis, informatie en data over de levensduur van asfalt in de sector ontsloten en geanalyseerd met geavanceerde data-analysetechnieken. “Beter voorspellen van de levensduur van asfaltverhardingen kan geld, CO2 en grondstoffen besparen en helpen innovatieve verhardingssoorten toepasbaar te maken”, vertelt Leegwater. “We hebben hiervoor kunstmatige intelligentiemodellen gecombineerd met binnengehaalde data. Waar we wel tegenaan lopen is dat niet altijd alle data voor handen is, verspreid is over veel ketenpartners en in sommige gevallen ontbreekt. Aanlegdata is bijvoorbeeld vaak niet beschikbaar omdat garantietermijnen zijn verlopen en ook de leeftijd van deklagen is soms niet bekend. Als je een levensduurmodel wilt maken van het asfalt in de straten is het wel van belang dat alle informatie beschikbaar is. Daarnaast willen we ook graag nieuwe databronnen gebruiken. Om de stroefheid van het asfalt te kunnen bepalen is het onder meer van belang dat we data verzamelen uit auto’s. Deze data ontbreekt nu nog. Met deze gegevens kun je beter in kaart brengen wat de degradatie van het asfalt is als gevolg van het aantal voertuigenpassages.”

Polman komt tot slot nog met een oproep voor de aanwezigen in de zaal: “Data is brandstof voor toekomstgericht beleid. Zorg ervoor dat je het langetermijnperspectief goed in ogenschouw neemt als je aan de slag gaat met datagedreven assetbeheer. Als je op zoek bent naar quick wins kom je van een koude kermis thuis. We zitten in een transitie die nog wel vijf tot tien jaar duurt”, besluit Polman.