Home Deelprojecten totaal Verborgen feiten achterhalen
Verborgen feiten achterhalen

Verborgen feiten achterhalen door informatie te combineren

(Flexible Situation Assessment)

Vanuit het overkoepelende ICIS concept werkt een aantal van de vele ICIS-onderzoekers aan slimmere situatieanalyse.

Stel: er is een explosie in de haven van Rotterdam. Dan is het zaak snel te achterhalen of daarbij giftige gassen zijn vrijgekomen. Eenvoudig is dat niet, want gassen kun je niet direct waarnemen.

Door veelvormige observaties uit allerlei bronnen bij elkaar te brengen en van daaruit terug te redeneren, kan worden nagegaan of de aanwezigheid van een gas waarschijnlijk is.

Snuffelpalen

Patrick de Oude (UvA) en Gregor Pavlin (Thales Research & Technology) deden onderzoek naar een wiskundig model dat observaties vertaalt naar antwoorden op cruciale vragen bij kritieke gebeurtenissen, met een zekere mate van waarschijnlijkheid.

Denk bijvoorbeeld aan de aanwezigheid van een bepaald gas. Daarbij geldt: hoe meer informatiebronnen, hoe betrouwbaarder de uitkomst.

Die bronnen kunnen van alles zijn: mensen, maar ook gegevens van statische sensoren, of mobiele sensoren gemonteerd aan helikopters, en dergelijke.

Veelvormige informatie dus, in kleine of grote hoeveelheden. Elke observatie wordt gezien als de uitkomst van een causaal proces, waarbij de aanwezigheid van een bepaald gas de oorzaak is en de observaties de gevolgen.

Een causale beschrijving van dit soort processen helpt bij het vinden van de juiste modellen om de aanwezigheid van een gas te kunnen aantonen, omdat mensen in termen van causale verbanden redeneren.

Kansberekening

Het model maakt gebruik van Bayesiaanse netwerken om causale processen te beschrijven. Daarbij kunnen gegevens uit verschillende bronnen uniform worden weergegeven. Hetzelfde geldt voor de mate van onzekerheid over wat er is gebeurd.

Bayesiaans netwerk van informatie

Het model redeneert terug aan de hand van de observaties. Wat is er mogelijk gebeurd en met welke mate van onzekerheid? Het gaat dus altijd om een kansberekening.

Het globale model is modulair: het is opgebouwd uit kleinere, lokale modellen (modules) die elk gemodelleerd zijn in zogeheten fusie- en sensoragents die gezamenlijk een multi-agent systeem vormen.

Elk model in een agent bestaat uit een lokaal Bayesiaans netwerk. De agents communiceren met elkaar: de output van de een vormt input voor de ander. Deze aanpak ondervangt het feit dat informatiebronnen door de tijd heen veranderen.

Daarnaast kan het agent systeem niet gemodelleerde afhankelijkheden signaleren tussen verschillende gebeurtenissen die in verschillende agents zijn gemodelleerd. Deze afhankelijkheden kunnen geleerd worden om vervolgens het globale model te repareren.

Beslissingen op basis van een kans

De informatiebronnen kunnen door middel van bestaande communicatie infrastructuur,
zoals GSM of internet, aan het systeem worden gekoppeld.

Het model geeft de verantwoordelijke functionarissen informatie op basis waarvan ze beslissingen kunnen nemen. Uiteraard is daarvoor belangrijk dat zij het systeem vertrouwen en hebben ervaren dat het werkt. De interactie tussen mens en systeem heeft daarom veel aandacht. Zo kunnen mensen het model laten weten wat voor informatie ze nodig hebben.

Het model kan toegepast worden bij veiligheidsissues, zoals het achterhalen en volgen van giftige stoffen, uitbraken van ziekten en bosbranden, of de aanwezigheid van schadelijke stoffen in de zee.

De DCMR Milieudienst Rijnmond werkt bijvoorbeeld met ‘gecertificeerde neuzen’ om gassen te detecteren. Dat zijn mensen die getraind zijn om gassen te herkennen en hun meldingen te rapporteren aan de meldkamer.

Dit detectieproces zou deels geautomatiseerd kunnen worden. Daarbij kunnen observaties van mensen en andere bronnen (zoals sensoren) worden samengevoegd.

DEIN

Een voorbeeld van een project met DCMR is het valorisatieproject DEIN (Dynamic Expertise Integration Network). Het project maakt gebruik van een systeem met agenten, om snel de kennis van experts in kritische situaties te benutten.

Het systeem coördineert en combineert de input van de juiste experts op het juiste moment om de juiste beoordeling van een situatie te geven.

In de samenleving

Op basis van het onderzoek kunnen met Bayesiaanse netwerken systemen worden gebouwd die betrouwbaar genoeg zijn om mensen te helpen bij het nemen van besluiten in crisissituaties.

Bayesiaanse netwerken worden behalve op milieugebied ook al gebruikt op medisch gebied. Uit de symptomen kan worden herleid van welke ziekte waarschijnlijk sprake is.

Mogelijk zijn er ook toepassingen in andere domeinen, zoals ouderenzorg en verkeer. Belangrijk is een duidelijke probleemstelling: wat zijn kritische situaties en welke informatie missen we daar? Het probleem moet dus heel duidelijk gedefinieerd zijn.

Resultaten tot nu

Er is een software toolkit om gedistribueerde fusie met Bayesiaanse netwerken uit te kunnen voeren. Neem hiervoor contact op met Patrick de Oude.

Toekomstig onderzoek

Een deel van het onderzoek zal worden toegepast in DIADEM en DHRS-CIM projecten. Het project met de Milieudienst wordt gecontinueerd in het DIADEM project.

Er is meer onderzoek nodig naar het leren van afhankelijkheden in het geval data van bepaalde variabelen ontbreken.

Zie voor meer informatie tevens:

Patrick de Oude
Gregor Pavlin
Intelligent Systems Lab Amsterdam

Download de project PDF

 

ESA

ESA is de afkorting van Enhanced Situation Awareness.

Dit cluster houdt zich bezig met slimmere situatieanalyse.

Met andere woorden: hoe kunnen mensen, maar ook kunstmatig intelligente systemen, zo slim mogelijk hun omgeving waarnemen en in kaart brengen?