Breed scala aan videotoepassingen
Het bedrijfsleven maakt steeds vaker gebruik van video. De toepassingen zijn breed: van bewaking en andere situaties waarbij je afwijkingen van een normale situatie wilt waarnemen tot inspectie en inventarisatie van objecten. Het bekijken van die beelden is in vrijwel alle bedrijven nu nog handwerk. Frank traint machine learning algoritmen om videobeelden te herkennen. Het doel: volautomatisch signaleren als zich een bepaalde situatie voordoet. Mensen kunnen zich dan richten op dat deel van het werk waarvoor hun kennis écht belangrijk is. Frank: “De tijdbesparing is groot en we maken het werk van medewerkers die beelden moeten beoordelen een stuk leuker.”
Schades volautomatisch detecteren
Frank werkte onder meer aan een project waarbij hij voor BAM een zelflerend model heeft getraind om diverse soorten asfaltschade te herkennen. Hij vertelt: “BAM maakt gebruik van camera-auto’s die opnamen maken van het wegdek. Voorheen werden al die opnamen bekeken door inspecteurs. Op de meeste beelden is natuurlijk niets te zien, dus dat is best saai werk waarvoor je wél heel geconcentreerd moet blijven. Wij hebben een AI-model getraind om volautomatisch acht verschillende typen schades te herkennen. Het eerste algoritme kon meteen al bij 80 procent van de beelden met zekerheid aangeven dat er geen schade op voorkwam. Bij de resterende 20 procent van de beelden deed het algoritme een voorstel. Die beelden werden vervolgens beoordeeld door een inspecteur en deze feedback hebben we gebruikt om het algoritme verder te trainen. Ons doel is dat we op termijn 99 procent van alle schades volautomatisch kunnen detecteren.”
“We trainen AI-modellen zodat ze videobeelden automatisch kunnen classificeren.”
De kinderschoenen ontgroeid
Frank vindt het inspirerend om klanten te laten zien waar de businesscase ligt. “Veel bedrijven hebben het beeld dat deze technologie nog in de kinderschoenen staat, maar niets is minder waar. De politie gebruikt AI bijvoorbeeld al jaren in de opsporing, bijvoorbeeld voor het automatisch herkennen van nummerborden. En ziekenhuizen gebruiken het voor het beoordelen van radiologiebeelden. Als een algoritme goed is getraind, dan stijgt de kwaliteit van de beoordelingen en daalt de tijd die nodig is om beelden te beoordelen daalt. Je neemt dus betere beslissingen in minder tijd. De menselijke capaciteit is niet langer een beperkende factor. Bij diagnostiek of opsporing kan die snelheid mensenlevens redden. Maar bij inspectie of inventarisatie van objecten ontstaat door toepassing van AI wellicht een nieuw verdienmodel.”
Puzzelen met datasets
Als data scientist is het Franks werk om grote datasets inzichtelijk te maken en daar nieuwe inzichten uit op te doen. “Ik ben continu aan het puzzelen: als ik aan mijn dataset nog een andere bron toevoeg, kan ik dan nieuwe inzichten opdoen? Of kan ik een bestaande bron ook gebruiken voor andere toepassingen? Kunnen we bijvoorbeeld de beelden die BAM maakt van de weg ook gebruiken om te beoordelen of verkeerssituaties overzichtelijk zijn en of verkeersborden op een zichtbare en logische plek staan? En ontstaan er wellicht andere verdienmodellen doordat beelden sneller kunnen worden geanalyseerd? Op die manier voorzie ik opdrachtgevers vaak van ideeën voor nieuwe toepassingen. Dat is gaaf, want ondanks dat de kern van mijn werk erg technisch is, opereer ik constant op het snijvlak van business en IT.”
