iD-Lab: machine learning voor snelle, real time inzichten
Met ons iD-Lab bieden we beleidsmakers en beslissers in de waterwereld de mogelijkheid om real-time én tot tien dagen vooruit, inzicht te krijgen in overstromings- en droogterisico’s. We hebben daarvoor databronnen en visualisatiemogelijkheden tot onze beschikking en machine learning en data science maken hybride modelleren mogelijk. De inzichten helpen waterschappen, overheden, verzekeraars en bedrijven uit de logistieke sector belangrijke beslissingen en maatregelen te nemen, om de gevolgen van extreme weersomstandigheden te verminderen of te voorkomen.
Met bestaande, meer traditionele hydrologische modellen simuleren onze experts onder meer hoeveel water er door de Rijn gaat stromen en wat de waterstand wordt. Droogte of overstromingen kun je er niet mee voorkomen, maar er wel tijdig op anticiperen. Dat kan de impact van extreme weersomstandigheden op het leefgebied van mensen wereldwijd aanzienlijk beperken.
Het rekenwerk doen we in ons interactive data onderzoekslaboratorium, dat naast de experimenteerruimte ook een crisisruimte heeft. Deze experimenteerruimte biedt beleidsmakers een solide een stevige werkwijze. Bijvoorbeeld als we spoedadviezen geven aan Rijkswaterstaat.
Ons iD-Lab brengt modellen, data, visualisatietechnieken en kennis samen, ook voor toepassing in crisissituaties. De visuele presentatie van de data helpt om de juiste beslissingen te kunnen nemen. De crisisruimte ondersteunt expert adviseurs om externe partijen in crisissituaties. In de praktijk zijn dat experts, crisismanagers en beslissers van RWS/WMCN.
Steeds meer data beschikbaar die goed verwerkt kan worden
Het iD-Lab heeft een steeds groter wordende hoeveelheid data tot zijn beschikking als gevolg van de grote groei aan data vanuit satellieten en allerlei sensoren, zoals sensoren van vliegtuigen en van telefoons. De onderzoekers van het iD-Lab kunnen die beschikbare data openen en combineren met data science-technieken als machine learning. Dat maakt het mogelijk om complexe fysische processen uit te rekenen en te begrijpen, iets wat met een traditionele manier van modelleren niet lukt. Of je kunt bepaalde berekeningen enorm versnellen.
"Met machine learning kun je veel rekenwerk verrichten. Het is nog geen gemeengoed in de waterwereld om AI toe te passen, maar wij experimenteren er volop mee. Met behulp van de juiste technieken is het namelijk mogelijk modellen te maken en uit te rekenen of er lage of hogere waterstanden komen. Dat gaat veel sneller en het is goed toepasbaar voor voorspellingen op een korte termijn. Traditionele modellering blijft echter verstandig voor het afgeven van verwachtingen voor een langere termijn, bijvoorbeeld voor 10 dagen. De accuraatheid is dan groter.", aldus Gert-Jan Schotmeijer, manager datastrategie
Een ander voorbeeld waarbij machine learning een proces kan versnellen, betreft baggervragen van havenbeheerders rondom vaargeulen. Daarvoor onderzoek je of slib dat door het water zweeft, wel of niet naar de bodem zakt. Dan komt de vraag naar voren of je moet baggeren of juist op bepaalde plekken grind moet neergooien. Dat vraagt om rekenwerk.
Bepaalde fysische processen kunnen we nu nog niet goed in formules vatten. Met machine learning zou je dat wel kunnen doen door de processen te simuleren op basis van data. De computer kun je die formules zelf laten uitrekenen. Daarmee krijgt een havenbeheerder antwoord op zijn vraag.
Conventionele modellering, machine learning of hybride?
Hoewel machine learning een vlucht heeft genomen, kun je het niet voor alles gebruiken. In die zin is het niet de heilige graal. Het iD-lab onderzoekt daarom niet alleen de mogelijkheden, maar gebruikt ook haar kennis om te bepalen wat de grenzen zijn. Bijvoorbeeld het gegeven dat de correctheid van machine learning voor een langere termijn minder accuraat is.
Met dit type onderzoek jaagt het iD-lab het data-innovatieproces aan, iets waar je onze handtekening aan herkent. Zo ondersteunen we beleidsmakers en beslissers bij het maken van eenn weloverwogen keuze voor een snel advies: conventionele modellering, machine learning of een hybride vorm.
Crisisruimte en experimenteerruimte beschikbaar voor beslissers
In ons lab verwelkomen we beslissers en experts om gebruik te maken van de fysieke ruimte tijdens crisissituaties. Of om te experimenteren met data wat innovatiekracht aanboort. Ook kunnen Deltares-medewerkers met de relevante expertise worden ingezet om advies te geven. Het lab is ook beschikbaar voor trainingsdoeleinden of co-creatiesessies.
We onderzoeken al decennialang hoe je verschillende type data kunt inzetten voor het maken van voorspellingen en adviseren over maatregelen. Data science in die zin is voor ons niet nieuw. Wel nieuw is dat je er nu veel meer mee kunt en meer mogelijkheden hebt in de schaal waarop je die data toepast.
Gert-Jan Schotmeijer, manager datastrategie
