Voor de beste ervaring schakelt u JavaScript in en gebruikt u een moderne browser!

Maarten Sukel wil steden leefbaarder maken. Hij werkt daarvoor aan machine learning modellen met een uiteenlopende tijdshorizon. ‘Bij de gemeente ben ik bezig met het oplossen van dagelijkse problemen van nu... Bij de UvA werk ik ook aan de vraag hoe we kunnen voorkomen dat dit soort problemen überhaupt ontstaan in de toekomst.’

Christine, garbage bags, Eureka

De gemeente Amsterdam krijgt jaarlijks meer dan 250.000 meldingen over de openbare ruimte. Deze meldingen, die bij de gemeente via de website of telefonisch kunnen worden gemeld, lopen zeer uiteen. Zo staat er bijvoorbeeld bij iemand een oude bank op de stoep, houdt uitgaanspubliek in het centrum buurtbewoners uit de slaap of scheurt een speedboot op hoge snelheid rakelings langs zwemmers op de Amstel. Voorheen werd bij een melding handmatig aangegeven waar deze over ging. Hierdoor konden meldingen in een verkeerde categorie worden ingedeeld als het gebruikte jargon niet goed werd geïnterpreteerd. Naar aanleiding van dit probleem maakt de gemeente sinds eind 2018 gebruik van machine learning met als doel het beter kanaliseren van de meldingen, vertelt Sukel in zijn kantoor bij de Amsterdam Business School (ABS).

Sukel was een van de eerste masterstudenten Data Science die bij de gemeente Amsterdam zijn afstudeeronderzoek deed. Sukel Hij ontwikkelde voor de gemeente een tekstclassificatiemodel dat meldingen automatisch naar een van de acht klassen en de ruim zeventig subklassen kan leiden zodat direct de juiste actie kan worden ondernomen. Dit model wordt inmiddels voor alle meldingen over de openbare ruimte in Amsterdam ingezet. Voor het ontwikkelen ervan kon Sukel putten uit een database van 500.000 historische overlastmeldingen van de gemeente. ‘Vroeger wilde het nog wel eens gebeuren dat een bank als huisvuil werd geclassificeerd, waarna er een vuilniszakkenwagen naartoe werd gestuurd - dan ben je zo drie dagen verder, met extra kosten en een teleurgestelde melder als gevolg. Of dan ging er op dinsdag overdag iemand kijken in een straatje waar vrijdagnacht geluidsoverlast werd gemeld en werd er niets aangetroffen.’ Met behulp van het tekstclassificatiemodel wordt dit probleem aangepakt. ‘Inmiddels staat de eerste versie. Het werkt, maar er is nog steeds ruimte voor verbetering.’ Zo zijn er deep learning technieken die beter werken. Ook is het mogelijk om naast tekst ook locatie, afbeeldingen en tijdstip mee te nemen in de classificatie.

‘Vroeger wilde het nog wel eens gebeuren dat een bank als huisvuil werd geclassificeerd, waarna er een vuilniszakkenwagen naartoe werd gestuurd.' 

Primeur die smaakt naar meer

Sukel werkt inmiddels anderhalf jaar aan zijn proefschrift, als promovendus bij de ABS én als artificial intelligence (AI) specialist bij het Chief Technology Office bij de gemeente. Sukel wordt begeleid door Stevan Rudinac, Associate Professor bij de ABS, en Marcel Worring, directeur van het Informatics Institute en hoogleraar bij ABS. Het doen van een afstudeeronderzoek bij de gemeente, bleek en blijft een win-win situatie. ‘Ik gebruik de infrastructuur en het netwerk van de universiteit om modellen te maken. Er is veel rekenkracht nodig om bijvoorbeeld een model voor het herkennen van afvalzakken te ontwikkelen, een ander project waar ik mee bezig ben. Dankzij deze samenwerking krijgt de gemeente nieuwe kennis en de infrastructuur om zoiets te kunnen maken, de UvA krijgt interessante casussen uit de praktijk.’

Tweeledige focus

Voor zijn proefschrift werkt Sukel naast met in tekst ontvangen meldingen ook met meldingen met een ander karakter zoals beeld, locatie en tijdstip. Door dergelijke modaliteiten in het classificatiemodel te verwerken, wordt het resultaat steeds nauwkeuriger. Zo zou bij een melding over afval met een foto erbij op basis van dat beeld kunnen worden bepaald of het huisafval, grofvuil of zwerfvuil betreft. Deze informatie is belangrijk om te bepalen welk materieel nodig is om het afval op te ruimen. Een afbeelding van bijvoorbeeld een autowrak, fietswrak of graffiti toegevoegd aan een melding in tekst "kan dit worden verwijderd?" zou meteen duidelijk maken wat voor actie gewenst is. Voor zijn proefschrift werkt Sukel naast met in tekst ontvangen meldingen ook met meldingen met een ander karakter zoals beeld, locatie en tijdstip. Door dergelijke modaliteiten in het classificatiemodel te verwerken, wordt het nog nauwkeuriger. Meldingen zouden hiermee nog sneller naar de juiste afdeling kunnen worden gekanaliseerd.

De gemeente zal zich voorlopig echter tot tekst beperken. Sukel: ‘Als overheid lig je onder een vergrootglas. Je moet goed kunnen uitleggen hoe beslissingen worden genomen, en de gemeente wil zelf ook transparant zijn. Door al die andere elementen in die modellen in te brengen, wordt het minder makkelijk uitlegbaar.’ Bovendien is men binnen de gemeente volgens hem nog steeds een aan het beetje bijkomen van het tekstclassificatiesysteem. ‘Als je dat nu al nog ingewikkelder maakt, gaat dat gewoon te snel voor de organisatie. Er zijn ontzettend veel verschillende afdelingen en processen mee gemoeid.’

De promovendus, die bij de ABS wordt begeleid door Stevan Rudinac en Marcel Worring, vindt zijn onderzoek bij de UvA en bij de gemeente een mooie combinatie. ‘Bij de gemeente ben ik bezig met het oplossen van problemen van nu, zoals het efficiënter routeren van meldingen. Mijn proefschrift is meer gericht op de langere termijn; bij de UvA werkt ik ook aan de vraag hoe we kunnen voorkomen dat dit soort problemen überhaupt ontstaan in de toekomst.’ Op termijn zijn dergelijke meldingen mogelijk niet meer nodig, als de gemeente problemen in de openbare ruimte met scanauto’s op kan sporen, voegt Sukel toe.

Proactief en open

Gemeenten zouden met behulp van onder meer door hem ontwikkelde modellen op termijn actief op zoek kunnen gaan naar zaken die beter kunnen. Zo zouden parkeer-scanauto’s kunnen worden geprogrammeerd om bijvoorbeeld ook rondslingerende vuilniszakken te lokaliseren en hier direct melding van te maken bij handhavers of een vuilniswagen van het juiste type en op de juiste route.

De modellen die hij in het kader van zijn promotieonderzoek bouwt, deelt Sukel vrij op ontwikkelfora. ‘Mijn doel is om steden leefbaarder te krijgen. Amsterdam én andere steden. Iedereen is in verschillende steden wereldwijd met hetzelfde bezig, zonde van de middelen… En als anderen hun modellen, toepassingen en inzichten ook delen, hoop je dat je uiteindelijk ook iets terugkrijgt.

‘Mijn doel is om steden leefbaarder te krijgen. Amsterdam én andere steden.' 

Jonge energie

Sukel, die officieel twee dagen per week bij de UvA en drie bij de gemeente Amsterdam werkt, hoopt over twee-en-een-half jaar klaar te zijn met zijn proefschrift. Sinds zijn komst heeft Amsterdam talrijke studenten AI & Data Science-studenten van de UvA verwelkomd. Vorig jaar werkten er 25 studenten van de UvA bij de gemeente aan hun afstudeeronderzoek en voor dit studiejaar zijn er al 90 aanmeldingen. Sukel helpt met het zoeken naar afstudeerprojecten en begeleidt meerdere studenten. ‘Die Masterstudenten ontdekken ineens dat ze al heel veel kunnen. Voor de gemeente is het ook heel waardevol: er komt veel jonge energie binnen. Zodra deze mensen aan het werk zijn zullen ze niet snel meer denken aan werken voor de gemeente, maar sommigen blijven bij de gemeente omdat ze de uitdaging leuk vinden.’

Meer informatie? Stuur een e-mail naar redactie-feb@uva.nl