- Een veiligere en gezondere leefomgeving
- Verbeterde misdaaddetectie en persoonlijke veiligheid
- Optimaliseren van rampenbeheer en -preventie
- Meer veiligheid op onze wegen
Technologie wordt steeds belangrijker in het veiliger en gezonder maken van onze wereld. Dankzij ontwikkelingen op het gebied van sensortechnologie, camera’s, kunstmatige intelligentie (AI), gezichtsherkenning en slimme robotica kunnen we steeds betere systemen ontwikkelen om onszelf, onze leefomgeving, openbare ruimten en het milieu te beschermen. Vooral kunstmatige intelligentie speelt hierbij een steeds belangrijkere rol. AI wordt gebruikt voor het creëren van een veiligere en gezondere leefomgeving, verbeterde misdaaddetectie en persoonlijke veiligheid, het optimaliseren van rampenbeheer en -preventie, en meer veiligheid op onze wegen.
Een veiligere en gezondere leefomgeving
Dankzij AI beschikken we over nieuwe middelen om onze directe leefomgeving en het milieu wereldwijd effectiever te beschermen en sneller actie te kunnen nemen. CO2-uitstoot, vervuiling en ontbossing kunnen er namelijk veel beter mee gemonitord worden. Er lopen inmiddels diverse projecten en initiatieven op het gebied van duurzaamheid en milieu waarbij big data en kunstmatige intelligentie worden ingezet – zoals bijvoorbeeld om milieuproblemen aan te pakken, de natuur en wildlife te monitoren en bosbranden te voorkomen.
Onze regenwouden zijn de longen van de aarde en voorzien ons van zuurstof. Een wereld zonder regenwoud is niet voor te stellen. Toch worden deze onmisbare ecosystemen, met dieren en planten die nergens anders voorkomen, nog steeds op grote schaal ontbost. En dat vormt een ernstige bedreiging voor al het leven op aarde.
AI helpt het regenwoud te beschermen
Zo’n 31 procent van het wereldwijde landoppervlak is bedekt met bossen, en daarin leven meer dan 1,3 miljoen diersoorten. Onze regenwouden zijn de longen van de aarde en voorzien ons van zuurstof. Een wereld zonder regenwoud is niet voor te stellen. Toch worden deze onmisbare ecosystemen, met dieren en planten die nergens anders voorkomen, nog steeds op grote schaal ontbost. En dat vormt een ernstige bedreiging voor al het leven op aarde. Om onze bossen te beschermen, maken onderzoekers wereldwijd steeds vaker gebruik van kunstmatige intelligentie. Data science-bedrijf Gramener, bijvoorbeeld, gebruikt AI en machine learning in de strijd tegen illegale ontbossing en andere door mensen veroorzaakte schade aan de natuur en het milieu. Het bedrijf heeft onlangs de krachten gebundeld met een plantagebedrijf in Zuidoost-Azië, om ervoor te zorgen dat er verantwoord wordt geoogst. Dit wordt gedaan door alleen die bomen te kappen die een bepaalde mate van volgroeidheid hebben bereikt. Voorheen moest het plantagebedrijf – om de houtkap zowel ecologisch verantwoord als economisch haalbaar te maken – luchtfoto’s handmatig inspecteren om de leeftijd van de bomen te bepalen, en er zeker van te zijn dat ze volgroeid waren. Dit was natuurlijk een enorm tijdrovende bezigheid. Om dit proces efficiënter te maken heeft Gramener een AI-systeem ontwikkeld dat de volgroeide bomen aan de hand van foto’s automatisch kan identificeren. Anand Subramanian, CEO en medeoprichter van Gramener, vertelt: “Het systeem is nu geautomatiseerd. Hiervoor is niet per se een expert nodig, maar het gebied is zo groot dat automatisering in dit geval een enorm verschil maakt.”
Helaas vindt er nog steeds veel illegale ontbossing plaats. Illegale houtkap vertegenwoordigt zelfs 50 tot 90 procent van alle houtkap in de wereld, aldus Topher White, natuurkundige, ingenieur en oprichter van de in San Francisco gevestigde non-profitorganisatie Rainforest Connection. White heeft een ingenieus geluidsbewakingssysteem ontwikkeld, RFCx genaamd, dat veranderingen in bosgeluiden analyseert en zo signalen van illegale houtkap op het spoor komt. Dat gebeurt met hergebruikte mobiele telefoons die hoog in de bomen worden gehangen. Deze ‘RFCx-wachters’ waarschuwen de autoriteiten zodra er ongebruikelijke activiteiten gesignaleerd worden. De telefoons werken op zonnecellen, en kunnen dus 24 uur per dag geluid opnemen. De geluidsopnamen worden vervolgens geanalyseerd met behulp van AI en machine learning. Geluiden als pratende mensen, voertuigen, kettingzagen, vrachtwagens voor de afvoer van hout, en geweerschoten kunnen zo geïdentificeerd worden. De bewakingsmethode heeft haar nut inmiddels bewezen bij het tegengaan van illegale houtkap in Latijns-Amerika en Centraal-Afrika. White vertelt: “Als het gaat om wat je met de software kunt doen – de data naar de cloud streamen en het daar analyseren – daar begint het geweldige werk pas echt. De mobieltjes vangen eigenlijk al het geluid op en sturen het naar de cloud. We verzamelen de gegevens en ordenen ze en dan kunnen we ze gebruiken. Onze netwerken identificeren eigenlijk de geluiden van kettingzagen, houthakkers, diersoorten, noem maar op.”
Het beschermen van onze oceanen en het voorkomen van overbevissing
AI kan, in combinatie met satellietgegevens en informatie over de bewegingen van vissersboten, worden gebruikt om oceanen tegen illegale overbevissing te beschermen. Een voorbeeld is Global Fishing Watch, een gratis intuïtieve en interactieve online tool, ontwikkeld door Google, SkyTruth en Oceana, waarmee iedereen ter wereld de activiteiten van 35.000 van ’s werelds grootste commerciële vissersboten in real time kan volgen. Het platform maakt gebruik van neurale netwerken om gebieden te identificeren waar illegaal wordt gevist, met als doel het zeeleven te beschermen, overbevissing te voorkomen en het herstel van vispopulaties en oceaan-habitats mogelijk te maken. Global Fishing Watch is een krachtig instrument en levert een enorm positieve bijdrage aan de gezondheid van de oceanen. Het helpt handhavingsinstanties om illegale visserij tegen te gaan en biedt commerciële vissers een adequaat beeld van hun visserijactiviteiten zodat ze deze beter kunnen managen. Jacqueline Savitz, vicevoorzitter Global Fishing Watch bij Oceana, vertelt: “Global Fishing Watch transformeert het beeld dat de wereld heeft van de commerciële visserij. Deze gratis tool kan gebruikt worden door overheden, journalisten, burgers, onderzoekers en de visindustrie. Overheden kunnen er verdachte schepen mee opsporen, de naleving van regels afdwingen en fraude met de visvangst tegengaan. Global Fishing Watch is een krachtig instrument in de strijd tegen illegale visserij en biedt enorme mogelijkheden om het kwetsbare mariene ecosysteem voor de komende generaties in stand te houden en te beschermen.”
Verbeterde misdaaddetectie en persoonlijke veiligheid
Het voornaamste doel van wetshandhavers is zorgen voor veiligheid in de samenleving door misdrijven te voorkomen en op te lossen. Conventionele misdaadbestrijdingstechnieken zijn echter niet langer doeltreffend genoeg. Ze zijn traag, tijdrovend, duur, inefficiënt, en leveren vaak onnauwkeurige resultaten op. AI wordt daarom steeds belangrijker in de rechtshandhaving en misdaadpreventie. AI-algoritmen kunnen (potentiële) criminelen sneller dan ooit identificeren, lokaliseren en arresteren, en de arrestatie van onschuldige mensen voorkomen. Met AI kunnen enorme hoeveelheden gegevens, fotomateriaal, videobeelden en andere informatie snel en efficiënt worden doorzocht om patronen op te sporen en voorspellingen te doen. AI-gezichtsherkenning wordt steeds vaker gebruikt om personen aan de hand van digitale gegevens, zoals foto’s of videobeelden, te identificeren. De technologie kan zelfs worden gebruikt om personen in drukke gebieden snel en in real time te identificeren. Tijdens een recent sportevenement slaagde de Chinese politie er bijvoorbeeld in een verdachte in een menigte van ongeveer 60.000 mensen te vinden en te arresteren.
Snelle analyse van videobeelden
Dankzij AI kunnen videobeelden veel sneller en nauwkeuriger worden geanalyseerd. AI-videoanalyse maakt gebruik van algoritmen om onderscheid te maken tussen verschillende soorten objecten, bepaald gedrag of bepaalde handelingen in realtime te detecteren, en daar melding van te maken. AI-videoanalyse kan ook automatisch beschrijvingen genereren van wat er in videobeelden gebeurt. Deze informatie kan worden gebruikt om auto’s, mensen en objecten die in de beelden worden waargenomen, te volgen. De politie kan deze gegevens gebruiken om hun zoekactie te verfijnen en op specifieke kenmerken te zoeken – zoals een lange man in een wit overhemd die met een bepaalde snelheid loopt, of een kleine vrouw met een rode handtas – en zo andere resultaten uit de beelden wegfilteren. Wanneer een persoon eenmaal is aangemerkt als verdacht of ‘van belang’, kan de technologie diezelfde persoon ook op andere videobeelden lokaliseren en zijn of haar bewegingen traceren.
Spraakherkenning op basis van AI
Met behulp van spraakherkenning op basis van AI kan de politie criminelen aan de hand van hun stem identificeren. Spraakfragmenten uit persoonlijke gesprekken, telefoongesprekken of beelden op sociale-mediaplatforms als Facebook, Twitter, LinkedIn, Google+ en YouTube, worden dan vergeleken met geluidsopnamen in de databanken van de politie. Middels filters als geolocatie en taalrelevantie kunnen de systemen de geluidsopnamen verder coderen en verwerken, en in de databanken naar soortgelijke spraakfragmenten zoeken. Uit geluidsfragmenten – zoals wanneer een misdadiger iets zegt tijdens een gesprek of misdrijf – kan alle nodige informatie over de betreffende persoon worden geëxtraheerd. Spraakanalyse-algoritmen kunnen geluidsfragmenten filteren op leeftijd, taal, geslacht en zelfs accent. De geluidsopnamen kunnen vervolgens worden gebruikt om de naam, geboortedatum, etc. van een verdachte te achterhalen en informatie te verstrekken over recente betrokkenheid bij strafbare feiten of eerdere arrestaties. Eén zo’n platform wordt beheerd door Interpol en bestudeerd door onderzoeksgroepen in het Verenigd Koninkrijk, Duitsland, Italië en Nederland om de ethische aspecten ervan te evalueren.
Voorspellend politiewerk
AI kan ook helpen bij het identificeren van personen die mogelijk een misdrijf aan het beramen zijn, zodat de politie hen kan ondervragen wanneer vermoed wordt dat er een misdaad op til is. Met voorspellend politiewerk kan ook worden geïdentificeerd in welke gebieden de kans op misdrijven het grootst is en kan zelfs worden geanticipeerd op een bepaalde datum of tijd. Hierdoor kan de politie op bepaalde tijdstippen van de dag of de week in bepaalde gebieden aanwezig zijn om misdrijven te voorkomen. Het helpt politieafdelingen ook bij het stroomlijnen van de inzet van politiemiddelen. Een voorbeeld hiervan is PredPol, een programma dat is ontwikkeld door wetenschappers van de Universiteit van Californië in samenwerking met de politie van Los Angeles. Hierbij wordt big data gecombineerd met machine learning, om erachter te komen in welke gebieden de kans het grootst is dat een misdrijf in een bepaalde periode zal plaatsvinden. De software analyseert gegevens over misdaden uit het verleden en voorspelt waar en wanneer het volgende incident hoogstwaarschijnlijk zal plaatsvinden, met een aanzienlijke vermindering van criminaliteit als resultaat.
Geweerschotdetectie
Geweerschotdetectiesystemen (GDS) kunnen geweervuur met behulp van AI-gestuurde sensoren detecteren. Deze sensoren registreren het geluid van het geweerschot, waarna machine learning-algoritmen bepalen waar het schot vandaan komt en de politie waarschuwen. Een dergelijk op AI gebaseerd GDS-systeem is ShotSpotters, dat in de VS al op grote schaal wordt gebruikt en in steeds meer rechtszaken als bewijsmateriaal dient. Volgens de website van ShotSpotter helpt het systeem vuurwapengeweld met behulp van sensoren, algoritmen en kunstmatige intelligentie aan banden te leggen. In de ShotSpotter-databank zijn inmiddels al 14 miljoen geluiden gecategoriseerd. De algoritmen van ShotSpotter – die volgens het bedrijf nagenoeg feilloos zijn – zijn het meest waardevolle product van het bedrijf. De werking van het systeem wordt echter strikt geheim gehouden en is als een grotendeels ondoorgrondelijke ‘black box’. Daarbij komt dat de identificatie van schoten niet altijd uitsluitend op de bevindingen van de algoritmen berust. Medewerkers kunnen de bron van de door de sensoren opgevangen geluiden namelijk wijzigen, evenals het aantal schoten en de locatie. Het algoritme kan dus door menselijke factoren worden beïnvloed en dat betekent dat de legitimiteit van deze technologie in twijfel kan worden getrokken.
Systemen voor autonome rapportage, bewaking en respons
De autonome beveiligingssystemen van de toekomst communiceren met mensen en met elkaar, verzamelen zelfstandig informatie, en zetten complexe beveiligingsprocessen in gang. Slimme beveiligingstechnologie gaat in toenemende mate gebruikmaken van voorspellende intelligentie en bewakingsmogelijkheden op afstand, en zal in steeds meer gebouwsystemen worden geïntegreerd. Autonome, proactieve en real-time bewaking en respons worden mogelijk door verschillende technologieën te combineren. Robots kunnen bijvoorbeeld assistentie verlenen in de vorm van een extra paar ogen waarmee ze van dichtbij informatie kunnen verzamelen en een potentieel gevaarlijke situatie kunnen inspecteren en evalueren. Dit doen ze met behulp van sensoren die onder meer de luchtkwaliteit, vochtigheid en temperatuur controleren, alvorens mensen naar de locatie te sturen. Algoritmen voor gezichtsherkenning en -matching, gecombineerd met slimme opsporingstechnologie, kunnen verdachten helpen identificeren, onbevoegden de toegang tot een gebouw ontzeggen, of gezochte personen lokaliseren.
Optimaliseren van rampenbeheer en -preventie
Van evacuatiemodellen tot systemen voor tijdige waarschuwing – kunstmatige intelligentie, en in het bijzonder machine learning, biedt veelbelovende mogelijkheden voor innovaties op het gebied van rampenbeheer, -voorspelling en -preventie. Denk aan het voorspellen van extreme klimaatgebeurtenissen, het in real time signaleren van gevaarlijke situaties, het ontwikkelen van gevarenkaarten, en ondersteuning bij bewustwording en het nemen van beslissingen. AI kan met informatie uit seismische beelden worden getraind om aardbevingspatronen te leren herkennen, zodat kan worden voorspeld waar en wanneer een aardbeving en naschokken kunnen plaatsvinden. Als AI met geografische en seismische gegevens wordt getraind, zal het steeds nauwkeurigere voorspellingen over toekomstige vulkaanuitbarstingen kunnen genereren. Ook voor extreme weersomstandigheden wordt AI steeds vaker ingezet: om satellietbeelden te monitoren en zo de kracht en koers van tornado’s of orkanen te voorspellen.
Voorspellen van extreme weersomstandigheden
In Georgia ontwikkelt het Ontwikkelingsprogramma van de Verenigde Naties (UNDP) een systeem voor vroegtijdige waarschuwing om gemeenschappen, hun infrastructuur en bestaansmiddelen te beschermen tegen extreme weersomstandigheden. Met behulp van AI wordt een model voor machine learning ontwikkeld waarmee de kans op hevige weersomstandigheden, zoals stormen of hagelbuien, kan worden voorspeld. Het model kan zware weersomstandigheden voorspellen door waarnemingen ter plaatse te combineren met gegevens uit de 5th-generation atmospheric reanalysis dataset (ERA5) van het Europees Centrum voor Weersverwachtingen en uit de 70 jaar oude Storms Events Database van de National Oceanic and Atmospheric Administration. Deze tool maakt gebruik van transfer learning om historische informatie uit regio’s met veel gegevens te extrapoleren naar plaatsen in de wereld waar weinig gegevens beschikbaar zijn. Met behulp van ERA5-gegevens en het numerieke weersvoorspellingsmodel van Weather Research and Forecasting (WRF) kunnen extreme weersomstandigheden worden gesimuleerd en geanalyseerd, en kunnen zware stormen worden voorspeld en gevarenkaarten worden ontwikkeld.
DeepShake neuraal netwerk voorspelt aardbevingsintensiteit
Als het om aardbevingen gaat, telt elke seconde. Vroegtijdige waarschuwing kan mensen helpen de nodige voorzorgsmaatregelen te nemen en tienduizenden levens redden. Met behulp van deep learning-algoritmen hebben onderzoekers van de Stanford University DeepShake gecreëerd, een neuraal netwerk dat sterke schokken snel kan voorspellen en vroegtijdig waarschuwingen kan afgeven. DeepShake is getraind met gegevens van meer dan 35.000 aardbevingen, en analyseert seismische signalen in real time. Het neurale netwerk registreert de vroegst waarneembare golven van een aardbeving, waarna het de intensiteit van de grondschokken kan voorspellen en waarschuwingen naar de getroffen gebieden kan sturen. DeepShake werd ontwikkeld met gegevens van de Ridgecrest aardbevingen in Zuid-Californië in 2019, en het testen ging goed: het neurale netwerk slaagde erin om tot wel 13 seconden voordat de hevige schokken begonnen gesimuleerde waarschuwingen naar seismische stations in het gebied te sturen.Bestaande systemen voor vroegtijdige waarschuwing zijn gebaseerd op gegevens uit meerdere bronnen, en bepalen eerst de omvang en de locatie van een aardbeving voordat ze de intensiteit van de aardschokken voor een bepaald gebied berekenen. Volgens Stanford-student Daniel Wu kunnen deze stappen tot fouten leiden die een voorspelling minder nauwkeurig maken. Het DeepShake-netwerk, daarentegen, heeft geleerd welke aspecten van seismische golfvorm de intensiteit van toekomstige aardbevingen het nauwkeurigst voorspellen, en het waarschuwingssysteem is uitsluitend op seismische golfvormen gebaseerd. Met slechts 15 seconden van gemeten gegevens over grondschokken – en zonder enige voorkennis over de locatie van seismische stations in het netwerk – is het in staat om de toekomstige intensiteit van schokken op al deze stations te voorspellen. Wu vertelt: “Met DeepShake willen we voor een betere vroegtijdige waarschuwing zorgen. En dat doen we door de schattingen van de trillingen direct te baseren op de waarnemingen van de grondbewegingen, waarbij enkele tussenstappen die door de conventionelere waarschuwingssystemen worden gebruikt, worden vermeden.” De onderzoekers hopen dat DeepShake als aanvulling gebruikt kan worden op het ShakeAlert-waarschuwingssysteem dat momenteel in Californië wordt gebruikt.
Volgens de Wereldgezondheidsorganisatie (WHO) komen als gevolg van verkeersongevallen jaarlijks zo’n 1,3 miljoen mensen om het leven en raken nog eens 50 miljoen mensen gewond of invalide.
Bron: Wereldgezondheidsorganisatie
Meer veiligheid op onze wegen
Er rijden meer auto’s op onze wegen dan ooit tevoren, met als gevolg een verhoogd risico op ongelukken, verwondingen en sterfgevallen. Volgens de Wereldgezondheidsorganisatie (WHO) komen als gevolg van verkeersongevallen jaarlijks ongeveer 1,3 miljoen mensen om het leven en raken nog eens 50 miljoen mensen gewond of invalide. Verkeersongevallen zijn de belangrijkste doodsoorzaak onder kinderen en jongvolwassenen en kosten de meeste landen 3 procent van hun BBP. AI kan de verkeersveiligheid op verschillende manieren helpen verbeteren, onder meer door de wegeninfrastructuur te verbeteren, data over ongelukken efficiënter te verzamelen en te analyseren, en de kwaliteit van de hulpverlening na een ongeluk te optimaliseren. AI wordt ook al geruime tijd gebruikt om de rijveiligheid te verbeteren. Denk aan met het internet verbonden voertuigen die zowel met de weginfrastructuur als met elkaar communiceren, en aan mobiele apps die het rijgedrag monitoren en verantwoordelijke bestuurders belonen met voordelen als lagere verzekeringspremies.
Autonome voertuigen
De meeste auto-ongelukken ontstaan door menselijke fouten en zijn dus te voorkomen. Nu 5G en AI op steeds meer plaatsen geïmplementeerd worden, zullen autonome auto’s – die met behulp van radarsensoren en camera’s een 3D-beeld van de omgeving creëren – de hoeveelheid menselijke fouten die vaak bij snel te nemen beslissingen worden gemaakt, kunnen terugdringen. Daardoor zal het aantal verkeersongelukken dalen en de veiligheid op onze wegen toenemen. Verbeterde connectiviteit zal het binnenkort mogelijk maken om real-time informatie vast te leggen en te verzenden. Hiermee kan de analyse van verzamelde gegevens mogelijk gemaakt worden, wat weer nodig is om veel van deze belangrijke beslissingen te nemen. Autonome voertuigen kunnen objecten en voetgangersverkeer detecteren en onderscheid maken tussen mensen en voorwerpen. De huidige dashcams en sensoren met geïntegreerde AI-technologie zorgen ervoor dat autonome voertuigen voetgangersoversteekplaatsen al kilometers van tevoren kunnen detecteren, en voorzien bestuurders van de nodige informatie om door gebieden met veel voetgangers te navigeren. Voertuigen met geïntegreerde AI kunnen menselijke fouten beperken door bestuurders eraan te herinneren dat ze de verkeersregels moeten volgen, op de juiste rijstrook moeten rijden, en op veilige afstand van andere weggebruikers moeten blijven.
Verkeersmanagement
In de transportsector wordt AI gebruikt in combinatie met camerabewaking (CCTV) en sensoren voor de registratie van nuttige informatie, zoals verkeers- en weersomstandigheden, zodat bestuurders op tijd gewaarschuwd kunnen worden en voorbereid zijn op ongunstige omstandigheden en vertragingen. De verzamelde gegevens worden in de cloud opgeslagen, wat snelle en efficiënte informatie en voorspellingen over de toestand op onze wegen mogelijk maakt. Dankzij AI kunnen verkeersproblemen worden voorspeld, beschikken overheidsdiensten over relevante en bruikbare gegevens, en hebben ze ruim de tijd om knelpunten op te lossen, het reizen zo vlot mogelijk te laten verlopen, en kostbare vertragingen te vermijden. AI helpt op deze manier niet alleen verkeersopstoppingen in de stad te verminderen, maar zorgt ook voor een vermindering van de CO2-uitstoot. Siemens Mobility heeft onlangs een op AI gebaseerd monitoringsysteem ontwikkeld dat wordt gebruikt om videobeelden van verkeerscamera’s te verwerken. Het systeem detecteert automatisch problemen, zoals files of ongevallen, en waarschuwt vervolgens de verkeerscentrales. Het systeem kan ook de verkeersintensiteit inschatten en de verkeerslichten en digitale verkeersborden aanpassen om de verkeersstroom te verbeteren. Dankzij AI en machine learning komen er steeds meer slimme vervoersoplossingen, en daarmee verbetert de verkeersveiligheid voor alle weggebruikers.
Een laatste overweging
Uit onderzoek blijkt dat kunstmatige intelligentie allerlei complexe en tijdrovende taken beter kan uitvoeren dan mensen dat kunnen. En de voorbeelden in dit artikel laten zien dat we AI ook kunnen inzetten om een gezondere en veiligere wereld te creëren. AI kan ons helpen menselijke fouten te beperken, bijvoorbeeld tijdens het autorijden, zodat er minder gevaarlijke situaties ontstaan die tot ongelukken kunnen leiden. Kunstmatige intelligentie wordt ook in toenemende mate gebruikt om fraude op te sporen en te voorkomen, misdaad te bestrijden en illegale praktijken als ontbossing en overbevissing tegen te gaan. Op termijn kunnen we met AI misschien zelfs een soort digitaal dashboard voor onze planeet creëren, waarmee we onze wereldwijde ecosystemen kunnen monitoren en beheren, onze inspanningen op het gebied van duurzaamheid kunnen verbeteren, en natuurrampen beter kunnen voorspellen. Kunstmatige intelligentie in al haar vormen is echt een transformerende technologie waarmee we een wereld kunnen creëren die voor iedereen veiliger en gezonder is.
