Hoe AI de veiligheid van kinderen in speeltuinen kan bevorderen

dinsdag 7 mei 2024

Kinderen kunnen veilig spelen in speeltuinen dankzij goed onderhouden speelobjecten. Om te kijken na hoeveel jaar een speeltoestel het begeeft en wanneer slijtage optreedt, heeft de gemeente Rotterdam de hulp van Artificial Intelligence (AI) ingeroepen. Dit moet er voor zorgen dat er eventueel preventief onderhoud gepleegd kan worden, zodat kinderen veiliger kunnen spelen en er kosten en tijd bespaard kan worden. Om hier een betere onderhoudsstrategie voor op te stellen analyseerde Tommie Perenboom 15.000 inspecties met behulp van AI. Hij legt uit hoe het in zijn werk gaat.

Tekst: Laura Vliek

Bij een beheerder is een terugkerende belangrijke vraag: moet ik onderhoud plegen of niet. Om de onderhoudsstrategie van speelplaatsobjecten te verbeteren kwamen zijn collega’s bij Stadsbeheer Rotterdam bij Perenboom terecht. Perenboom werkt bij de afdeling assetmanagement openbare ruimte, waar ze de diverse grote assets in de openbare ruimte beheren, waarvan spelen er een is. Als adviseur datagedreven assetmanagement kijkt Perenboom hoe met behulp van digitale innovatie het werk bij al die assets slimmer, makkelijker of beter uitgevoerd kan worden.

Zijn collega’s van de asset spelen verwachtten steeds meer storingen. Om de speelplaatsen veilig te houden en om de kosten te besparen en wilden ze daarom preventief onderhoud kunnen plegen. Daarvoor hadden ze inzicht nodig in het historische storingsgedrag. De vraag aan Perenboom was of ze met de gegevens die ze sinds 2016 met meer dan 15.000 inspecties hadden verzameld, preventief onderhoud zouden kunnen plegen.

15.000 inspecties analyseren

“Het ging daarbij om 15.000 inspecties met informatie in open tekstvelden. Mijn collega’s misten de instrumenten en vaardigheden om die te analyseren”, legt Perenboom uit. Hij wendde daartoe AI aan. “Binnen AI heb je verschillende werkvelden”, begint Perenboom. “Een daarvan heet natural language processing. Dat gaat over het begrijpelijk maken van tekst voor een computersysteem, want een computer praat in ééntjes en nulletjes en begrijpt ‘gewone’ taal niet. Wanneer tekst omgezet is in iets wat de computer begrijpt, kunnen we met behulp van AI-technieken woorden en zinnen categoriseren tot soortgelijke groepen. Deze techniek heet Topic modelling.”

Die omzetting is nodig om een algoritme te laten zoek naar veelvoorkomende onderwerpen in de teksten van de documenten van de 15.000 inspecties. “Ik weet van tevoren niet wat erin voorkomt, dat laat ik het algoritme uitzoeken. De inspectieteksten zet ik dus om in een getal. Het getal wordt weergeven in een tweedimensionale omgeving. Dan laat ik een ander algoritme kijken welke punten met elkaar te maken hebben of dichtbij elkaar liggen. Als ik dat weet, ga ik kijken met welke schade het te maken heeft. Het mooie aan deze hele werking is, dat ik het algoritme voor me laat zoeken in plaats van dat ik zelf op zoek ga. Je zou zeggen, je kunt ook met control-F op bijvoorbeeld slijtage zoeken, maar dat werkt niet. Er worden verschillende termen door elkaar gebruikt in die open velden, zoals versleten, slijtage, gesleten. Of er zitten spelfouten in, waardoor je informatie mist.”

Grafieken die schades en onderdelen koppelen

Hoewel AI het uitzoekwerk doet, is de rol van de beheerder belangrijk. “De kennis van de beheerder over het domein fungeert als startpunt van dergelijke projecten.” Ook tijdens het Topic Modelling is de kennis van de beheerder nodig om de topics te benoemen. Nadat het algoritme alle 15.000 inspecties heeft doorlopen, kan Perenboom met de opgeleverde data aan de gang. “Zo weet ik welke schades er bij welke onderwerpen voorkomen.” Hij toont een grafiek waarin hij voor schommels visualiseert hoe vaak welke schade (beschadigd, houtrot, iets zit los, is kapot, ontbreekt, slijtage, et cetera) bij welk onderdeel (ketting/schakel, ondergrond, staander, bout/schroef, zitje schalm et cetera) voorkwam en andersom.

“Daarmee kun je conclusies trekken als: slijtage springt eruit. Bij de schommels zie je bijvoorbeeld dat logischerwijs veel slijtage voorkomt in de bovenste schalm (waar de schommel vastzit): als je dat weet, kun je dat neerzetten in de tijd: wanneer gebeurt dat, wanneer zijn die meldingen geweest. Zo kon ik in de tijd zien wanneer schommels vaak beginnen te slijten. Dus ik breng bijeen: dit gaat over slijtage bij de schalm, dit gaat over houtrot bij de palen. Dat doe je voor alle inspecties per onderwerp en schade. Dus hoeveel jaar na aanleg van het speeltoestel komt die schade voor en zo stel je grafieken samen.”

Hij vervolgt: “De vraag die dan komt is: moeten we onderhoud plegen of niet? Door op deze manier te werk te gaan, kun je het aantal standaard inspecties wellicht terugbrengen, preventief onderhoud plegen en ervoor zorgen dat je alleen met een speeltoestel aan het werk gaat als het echt nodig is. Dit bespaart een hoop tijd, geld en moeite.”

Perenboom sleepte met dit project tijdens zijn anderhalf jaar durende Data Science & AI-traject aan de Jheronimus Academy of Data Science de Best Project Award in de wacht.