Hoe identificeer je zwakke signalen vanuit verschillende soorten data van chemische bedrijven (big data), en hoe kun je hieruit leren om zo de omgevingsveiligheid verder te verbeteren?

Code: AIPSM 2022-55

Status: Uitvoering

Update: Februari 2023

De waarde van data is groter dan ooit, mede dankzij de opkomst van kunstmatige intelligentie (AI). Zo ook voor omgevingsveiligheid, waarvoor in dit project de voorwaarden, haalbaarheid en effectiviteit van AI-technologie zal worden onderzocht. Het kunnen vinden en duiden van leerpunten in big data, zoals ‘weak signals of afwijkingen, stelt bedrijven in staat om steeds complexer wordende processen beter te begrijpen, en om sneller en effectiever in te grijpen in situaties waar het mis dreigt te gaan en zo eventuele incidenten voorkomen.

In een eerdere Safety Deal is reeds aangetoond dat het haalbaar is om zwakke signalen (‘weak signals’) in big data te identificeren met slechts één databron. Het ging hier om wachtverslagen van één bedrijf met één AI-techniek (Natural Language Processing).

In dit project willen we ‘breder leren’: met méér soorten data en bij méér bedrijven. We verwachten dat dit betere en meer onderbouwde resultaten in het vinden van ‘weak signals’ zal opleveren. Echter, een methode en de technologie daarvoor ontbreken nog en worden hier onderzocht.

Een methode te ontwikkelen om ‘weak signals’ (=leerpunten) te identificeren uit méérdere databronnen van méérdere bedrijven met behulp van kunstmatige intelligentie (AI). Hierbij is de ambitie het creëren van breed toepasbaar ‘digitaal ecosysteem’.

We kiezen voor een gezamenlijke aanpak met bedrijven op het chemisch cluster ‘Chemelot’. Hierdoor wordt de leercurve van individuele bedrijven versneld, omdat bedrijven direct van elkaar leren en niet ieder bedrijf dit proces afzonderlijk hoeft te doorlopen.

Beter en sneller inzicht in het ontstaan en in het verloop van afwijkingen in (complexe) processen, inclusief begrip van de context waarbinnen gebeurtenissen plaatsvinden. Dat inzicht biedt kansen om eerder en effectiever in te grijpen als iets fout dreigt te gaan.

In de aanpak staan het definiëren van voorwaarden (succesvoorwaarden), wegnemen van blokkades (draagvlak), informatiedeling (input), data-analyse (proces) en resultaat (product) centraal.

Het project levert een handreiking met een leermethode waar bedrijven mee aan de slag kunnen. De leermethode zal bestaan uit vier elementen die tijdens dit project verder ontwikkeld en in de praktijk getest zullen worden:

1. Leerrandvoorwaarden: zowel voor ‘breder leren’ als voor privacy vriendelijk delen van data.
2. Leerinput: selectie van databronnen met leerpotentieel en verschillende soorten AI-technieken.
3. Leerproces: het vaststellen van leerpunten door middel van geavanceerde data-analyse met AI.
4. Leerproduct: het opslaan en delen van leerpunten met anderen.

Informatie over de project voortgang is alleen beschikbaar voor deelnemers - u moet hiervoor bij het SDN programmabureau toegang voor aanvragen en inloggen.