Weerdata en klimaatdata hebben veel overeenkomsten. Er wordt bijvoorbeeld gekeken naar temperatuur, vochtigheid en oceaan- en luchtstromen. Het grote verschil zit hem in tijdschaal. Een klimaatmodel gebruikt data die laten zien hoe het weer honderden jaren geleden was, zoals boomringen en koolstofdateringen. Een weermodel kijkt op zeer korte termijn. Het richt zich daarbij bijvoorbeeld op wolken en temperatuurverschillen tussen luchtlagen. Voor klimaat zijn deze individuele gebeurtenissen niet relevant en gaat het om het gemiddelde effect van bewolking op langere termijn.

Zowel een weermodel als een klimaatmodel zijn complex. De modellen houden rekening met veel verschillende invloeden. De dagelijkse gang van de zon heeft op het weer een grote invloed. Een dag in de winter zal minder zonuren krijgen dan een zomerdag. Is het dan ook kouder? Dat kan, maar hoeft niet. Een weermodel moet zo nauwkeurig mogelijk zijn voor een heel specifieke plaats en tijd. Voor het klimaat tellen de lokale, dagelijkse of seizoensgebonden veranderingen minder. Klimaatmodellen rekenen op een andere schaal en geven daarmee niet aan hoe het weer er op een bepaalde plek over 100 jaar uitziet. Het kijkt naar het effect van dit weer op de omstandigheden op aarde, zoals de bandbreedte van temperatuur en zeespiegelniveau.

Een weermodel kent vele verschillende omstandigheden die bestaan uit zekerheden en onzekerheden. Het is een uitdaging om dit zo precies mogelijk uit te rekenen. Luchtstromen en windrichtingen zijn bijvoorbeeld vrij goed te voorspellen, maar het ontstaan van wolken is veel onvoorspelbaarder. Daarom is de weersvoorspelling van morgen in jouw stad niet altijd juist. Echter heeft dit weer zeer weinig invloed op het klimaat over 100 jaar. Hiervoor gebruiken modellen meer stabiele factoren en hebben ze te maken met andere soorten onzekerheden. Zo kan het dat het weer van morgen lastiger te voorspellen is dan een wereldwijde temperatuurstijging van 1.5℃.

Data voor klimaatmodellen zijn een combinatie van natuurkundige ‘zekerheden’ en van variabelen die afhankelijk zijn van ‘onzekerheden’. Zekerheden zijn bijvoorbeeld hoe moleculen reageren op temperaturen (water bevriest altijd bij 0℃). Een onzekerheid is bijvoorbeeld hoeveel CO2 er over 50 jaar uitgestoten wordt. In een rekenmodel worden deze data gecombineerd. Zo ontstaat een beeld van het effect van de ‘onzekerheden’ op het klimaat en de uiteindelijke zeespiegelstijging.

Wat er morgen gaat gebeuren is onbekend, maar dat de zon opkomt is zeker. Bepaalde natuurkundige wetten gelden ook over 100 jaar nog. Een rekenmodel combineert ‘zekerheden’ met factoren waarvan bekend is dat ze onzeker zijn. Hoe meer factoren, hoe groter het aantal mogelijke uitkomsten. Door modellen al die verschillende scenario’s te laten uitrekenen, krijgen de onderzoekers meer inzicht in de meest waarschijnlijke scenario’s. Op die manier worden de voorspellingen steeds betrouwbaarder.

Uit de rekenmodellen komt een spreiding aan mogelijke uitkomsten voor het klimaat. Zo is er bijvoorbeeld grote zekerheid dat de zeespiegel zal stijgen, maar is de mate van stijging meer onzeker. Dit is immers mede afhankelijk van factoren die in de toekomst gaan spelen en nu nog onbekend zijn. In Nederland houden we nu rekening met een zeespiegelstijging van 30-80cm in het jaar 2100 in het meest optimistische scenario. En tot 1.2m in het minst gunstige geval. In beide gevallen heeft de stijging tot gevolg dat de kans op overstromingen sterk toeneemt.

Klimaatmodellen gebruiken verschillende soorten data over bijvoorbeeld de samenstelling van de atmosfeer en temperatuur van oceaan en land. Ook na vulkaanuitbarstingen wordt veel data verzameld. Zoals hoeveel as er vrijkomt, hoe dit zich verspreidt en welke andere stoffen in de lucht en op land terechtkomen.

De verandering van atmosfeer en de effecten daarvan op het klimaat, zijn voor vulkaanuitbarstingen goed te voorspellen door klimaatmodellen. Bijvoorbeeld aan de hand van de grootte van de uitbarsting en de samenstelling van de as. De modellen nemen immers dit soort factoren al mee. De modellen hebben echter onvoldoende data om te voorspellen wanneer en waar een vulkaanuitbarsting plaatsvindt.

Klimaatmodellen kunnen de gevolgen van een vulkaanuitbarsting nabootsen, maar voorspellen niet wanneer die in de toekomst plaatsvinden. Dit brengt dus een grote onzekerheid met zich mee. Daarom kiest Asha ervoor om ze niet mee te nemen in voorspellende modellen. Ze betrekt dit soort afgebakende gebeurtenissen pas op het moment dat ze zich voordoen of hebben gedaan. Op die manier wordt een scenario bijgewerkt aan de hand van actuele gebeurtenissen, en wordt het rekenmodel zelf krachtiger.

Slimme energiemeters verzamelen dag in dag uit grote hoeveelheden data. De energiemeter meet de hoeveelheid elektriciteit- en gasverbruik op elk moment van de dag. In de app zie je precies hoeveel energie je wanneer gebruikt hebt; jouw verbruiksdata. Data over jouw type woning, je adres, en persoonsgegevens worden ook verzameld, zodat de data die jij ziet in de app bij jou hoort.

De app die inzicht geeft in jouw energieverbruik laat alleen data zien zonder daar analyse op toe te passen. Wel maakt het digitaal verzamelen van data het mogelijk om grote analyses te doen en patronen te herkennen. Het analyseren van de verbruiksdata van alle energiemeters geeft inzicht in hoe bepaalde wijken, of misschien zelfs mensen, hun leven hebben ingericht. Hoe laat sta je op en hoe laat ga je slapen? Je energieverbruik geeft inzicht.

Het is handig om naar je eigen verbruik te kijken, maar het is niet vanzelfsprekend dat deze data voor anderen toegankelijk is. Met dit soort privacygevoelige data moet zorgvuldig worden omgegaan. Bijvoorbeeld door strenge regels voor het verzamelen en opslaan van data, zodat persoonsgegevens niet gelinkt zijn aan verbruiksgegevens. De data van energieverbruik gaan dan op een grote hoop en zijn niet te koppelen aan jouw eigen huis. Op die manier zorg je ervoor dat privacy-gevoelige data, ofwel de bron, verantwoord gebruikt worden.

TNO maakt gebruik van rekenmodellen met kostenoptimalisatie. Daarmee zijn de kosten en technische kenmerken van verschillende scenario’s van energietransitie te beoordelen. De algoritmes in het model gebruiken gegevens (data) over de kosten en technische kenmerken van heel veel verschillende technologieën. Kernenergie is een van de technologieën waar data van wordt gebruikt.

Het kostenoptimalisatie model wordt gebruikt om te kijken hoe je een doel als klimaatneutraliteit haalt tegen de laagst mogelijke kosten. In alle scenario’s van dit model blijkt dat elektriciteit uit zon en wind een grote rol speelt. Een scenario aangevuld met kernenergie blijkt minder optimaal. De opdracht van het algoritme is om te selecteren op betaalbaarheid. Om die reden kiest het model niet voor duurdere opties met kernenergie.

Dit model kijkt op basis van kosten hoe Nederland het beste elektriciteit kan opwekken in een klimaatneutrale toekomst. Betekent dit dat kernenergie bij voorbaat is uitgesloten om (ideologische) redenen? Nee, juist niet. Het is aan politici als Wim om te besluiten wat er met de uitkomst van de TNO-modellen wordt gedaan. Het financiële aspect is maar één van de afwegingen in het keuzeproces bij energietransitie.

Bij een model dat berekent hoe een wijk aardgasvrij kan worden, komt veel data kijken. Denk daarbij aan data over type woningen, mate van isolatie, ligging voor zonnepanelen en mogelijkheden voor bijvoorbeeld aardwarmte of warmtenetten. Het is ook relevant of het gaat om koop- of huurwoningen. Bovendien moet de gebruiker kiezen welke data exact gebruikt worden, bijvoorbeeld bouwjaar of energielabel. Informatie over het bouwjaar van een woning is betrouwbaar, maar zegt niet zoveel over het energielabel. Energielabels leveren misschien betekenisvolle informatie over een woning, maar zijn vaak verouderd.

Het maken van keuzes en het doen van aannames is belangrijk bij een rekenmodel om de meest efficiënte manier te vinden om aardgasvrij te worden. Bij een keuze om te kijken naar bouwjaar is de aanname bijvoorbeeld dat moderne woningen beter geïsoleerd zijn dan oude. Als je kiest voor energielabel is de aanname dat deze informatie voldoende beeld geeft van de huidige situatie. Het is belangrijk om deze aannames zorgvuldig te overwegen en goed vast te leggen.

Welke aanname Brechtje kiest, heeft invloed op de uitkomst van het model. Bij het gebruiken van energielabels weet ze bijvoorbeeld al dat de data verouderd kan zijn. De huidige situatie is in veel gevallen verbeterd. Hoeveel isolatie nog nodig is kan dus overschat worden. Daardoor lijken aardgas alternatieven misschien minder haalbaar dan ze zijn. Ditzelfde probleem speelt in grotere mate bij een keuze voor bouwjaar.

Data uit smartwatch apps kan op verschillende manieren verzameld worden. Door observatie: de data van alle gebruikers die toestemming hebben gegeven wordt opgeslagen. Deze data is dus passief verkregen en kan achteraf geanalyseerd worden. Of door selectie via een ontworpen experiment. Daarbij selecteren de onderzoekers van tevoren het type deelnemers gebaseerd op hun onderzoeksvraag en benaderen hen actief om deel te nemen. Op de eerste manier kan zeer veel data met weinig moeite worden verzameld. De tweede manier kost meer tijd en inspanning.

Als een zorgverzekeraar data analyseert die door observatie zijn verzameld, dan moet hij er rekening mee houden dat deze geen volledige afspiegeling van de samenleving geven. De data komt immers van een bepaalde groep. Namelijk; mensen die om uiteenlopende redenen een smartwatch app gebruiken. De actieve manier van data verzamelen door selectie kost meer tijd en moeite, maar geeft meer kans op een objectief antwoord op de onderzoeksvraag. Want ook mensen die uit zichzelf geen smartwatch app gebruiken, worden onderzocht.

De zorgverzekeraar concludeert dat mensen die een smartwatch app gebruiken gezonder zijn en dus korting op hun zorgverzekering krijgen. Dit kan kloppen. Echter het is op basis van alleen observatiedata niet mogelijk om te weten of het gebruik van smartwatch apps mensen gezonder maakt. Om een oorzaak-gevolg verband vast te stellen is data afkomstig van een representatieve groep mensen nodig.

Het algoritme maakt gebruik van data om keuzes te maken in de checklist. In dit geval zijn het twee soorten data; de gegevens van de patiënt (zoals gewicht, leeftijd, onderliggende aandoeningen) en de data die gebruikt zijn om het algoritme te maken (zoals wetenschappelijk onderzoek, beschikbare medicatie, ziekenhuisprotocollen). Voor beide soorten geldt dat er keuzes zijn gemaakt over welke data wel en niet verwerkt worden. Bijvoorbeeld of sociaaleconomische status zoals inkomen of afkomst van de patiënt relevant is. Maar ook over hoe ver de data teruggaat in de medische geschiedenis van de patiënt. Verder moet de data uit wetenschappelijke onderzoeken recent genoeg zijn.

Een algoritme is een serie berekeningen, waarbij de volgende stap afhangt van aanpasbare instellingen. Deze instellingen worden gemaakt door mensen en zijn gebaseerd op aannames of keuzes. Samen met artsen moet bijvoorbeeld besloten worden welke leverfunctie past bij welke dosis pijnmedicatie. Door deze stappen zo volledig mogelijk in te stellen, ontstaat een algoritme dat met veel verschillende medische aspecten rekening houdt. Een algoritme met de juiste instellingen en relevante data is een ondersteuning voor de artsen en verpleegkundigen op de IC-afdeling.

De Checklist-app biedt Joyce en haar collega’s steun bij het maken van beslissingen over IC-patiënten. Op basis van vooraf gemaakte keuzes en instellingen geeft het algoritme gepersonaliseerde informatie. Dit verkleint de kans op menselijke fouten of vergissingen. Het is daarbij belangrijk om inzicht te kunnen krijgen in de data die wel of juist niet gebruikt is, en de aannames die gedaan zijn. Het aanpassen van instellingen naar aanleiding van nieuwe inzichten is cruciaal bij het verantwoord gebruik van deze app.

Bij het trainen van het algoritme gebruikte Jin zoveel mogelijk röntgenfoto’s van verschillende afdelingen uit het ziekenhuis. Een algoritme ‘ziet’ een foto niet zoals wij als een geheel, maar als een verzameling pixels van verschillende intensiteit. De data bestaat voor het algoritme dus niet uit een stapel foto’s, maar uit lange series getallen waar het algoritme de relevante informatie uit moet leren halen.

Bij ‘black box’ AI leert een algoritme zichzelf welke informatie in de serie getallen relevant is. Het algoritme wordt getraind met uiteenlopende foto’s die gemarkeerd zijn als ‘wel botbreuk’ of ‘geen botbreuk’. Hierdoor gaat het algoritme patronen herkennen in de twee categorieën. Na de trainingsfase komt de testfase. Met een serie nieuwe foto’s wordt het algoritme gevraagd om zelf de categorie te kiezen. Het is bij Jin niet bekend welk patroon precies geleerd is. Als Jin dat wil weten, dan kan hij kiezen voor zogenaamd ‘explainable’ of ‘verklaarbare’ AI. Het leerproces is dan in stappen opgedeeld en het algoritme laat bij elke stap zien welke patronen het herkent.

Het ‘black box’ algoritme van Jin blijkt erg goed in het herkennen van foto’s met botbreuken. Echter kwam Jin er door explainable AI achter dat het herkende patroon weinig te maken heeft met de medische gegevens op de foto. Op de eerste hulp staat op relatief zeer groot deel van de foto’s een botbreuk. Deze worden bovendien vaak op net andere manier genomen dan op de andere afdelingen. Het algoritme herkent dit patroon; andere achtergrond, positie etc. Het algoritme moet dus leren om het afdeling-specifieke patroon over te slaan. Pas dan is het echt nuttig in het vinden van botbreuken.

Het zelflerend algoritme werd getraind op data uit 30.000 voorbeelddossiers. Een deel daarvan waren door ambtenaren behandelde dossiers waarvan was vastgesteld of ze ‘goed’ of ‘fout’ waren. Een ander deel van de dossiers kwam van een ‘zwarte lijst’ van potentiële fraudeurs. Daarmee werd een niet-representatieve risico-inschatting geïntroduceerd in het model; het werd getraind met dossiers waarvan deels onbekend was of ze ‘goed’ of ‘fout’ waren. Hierdoor ontstaat ‘selection-bias’. Wanneer zou de uitkomst van de risico-inschatting betrouwbaarder zijn geweest? Als het algoritme getraind zou zijn op representatieve voorbeelddossiers, waarvan gecheckt is of ze inderdaad ‘goed’ of ‘fout’ zijn.

Het algoritme gebruikte criteria op basis van een lijst indicatoren, gekozen door werknemers van de afdeling. Helaas kunnen op die manier menselijke vooroordelen doorgezet worden in het algoritme. Zo werden de kenmerken Nederlander/niet-Nederlander en inkomen gezien als indicatoren voor fraude. Om dit soort vooringenomenheid tegen te gaan, moeten criteria voor selectie toetsbaar en openbaar zijn. Dit maakt ze niet automatisch perfect of objectief, maar biedt de mogelijkheid tot aanpassing en verbetering.

Bij de Toeslagenaffaire was er geen mechanisme om te controleren of de risico-inschatting voor fraude ook daadwerkelijk klopte. Daardoor werden jaar-in-jaar-uit duizenden mensen gedupeerd, zonder dat het systeem werd aangepast. Bij gebruik van zelflerende algoritmes dient de uitkomst altijd steekproefsgewijs getoetst te worden. Zodat de methode gecorrigeerd kan worden wanneer dat nodig is.

Alles dat je post, deelt of schrijft op sociale media wordt opgeslagen als data. Recent hebben onderzoekers van Oxford en het Alan Turing Institute een database van 4000 voorbeelden gemaakt. De database is wereldwijd voor iedereen beschikbaar: Hatecheck. Deze dataset is ontwikkeld door een combinatie van 29 verschillende testen en handmatig vast te stellen of iets geclassificeerd wordt als haattaal of niet.

De onderzoekers hebben werknemers van 16 verschillende non-profit organisaties die werken aan online haattaal geïnterviewd. Op basis van deze interviews zijn 18 verschillende typen geschreven Engelse haattaal gedefinieerd, inclusief denigrerende en bedreigende taal. Daarnaast werden 11 scenario’s gedefinieerd die AI kunnen misleiden. Denk aan vulgaire woorden in onschuldige uitspraken of gebruik van beledigende taal in protestberichten, zogenaamde ‘counter-speech’.

De criteria werden getest op drie commerciële diensten die ‘content-moderation’ gebruiken en reacties van hun lezerspubliek verzamelen. Een van de conclusies was dat haatspraakdetectie door AI nog veel uitdagingen kent. Als je te weinig modereert los je het probleem van online discriminatie en intimidatie niet op. Als je te veel modereert zou je het soort taal kunnen censureren dat gemarginaliseerde groepen gebruiken om zichzelf te versterken en te verdedigen.

Taxi apps verzamelen dagelijks duizenden gegevens. Zowel chauffeurs als klanten delen via de app hun locatie- en verplaatsingsgegevens. Het systeem weet waar een chauffeur is. Maar ook wat de afstand van de laatste klant naar een potentiële nieuwe klant is. Alles wordt gebruikt om vraag en aanbod zo snel mogelijk aan te laten sluiten.

De taxi app gebruikt een algoritme waarbij chauffeurs zo snel mogelijk van de ene naar andere rit overgaan. De verwachte tijd voor de huidige rit wordt berekend en de verwachte aankomst voor de volgende wordt alvast doorgegeven. Er worden dus keuzes gemaakt door het algoritme bij het selecteren van de ritten. Met voldoende tijd om de volgende te halen, maar niet zo veel dat de chauffeur staat te ‘niksen’. De aanname is hierbij dat zowel klant als chauffeur zo kort mogelijk willen wachten.

Het algoritme is zo ingesteld dat het optimaliseert op het inplannen van zo veel mogelijk ritten. Chauffeurs hoeven op deze manier zelf geen tijd te besteden aan het vinden van nieuwe ritten. In theorie kunnen zij zoveel mogelijk geld verdienen en onafgebroken en lang doorwerken. In de praktijk kunnen chauffeurs een grote druk ervaren, doordat ze continu opgeroepen worden. Het algoritme zou ook zo ingesteld kunnen worden dat de chauffeurs meer pauzes nemen. Hierdoor hebben zij betere arbeidsomstandigheden.