Thematische werkgroep 2 MLaaS: Wegen
De tweede thematische werkgroep rond MLaaS 'Wegen' vond plaats op 16 april 2024.
Context
Initiatief
De stad Roeselare beschikt reeds over verschillende machine learning algoritmes die data genereren op basis van fotomateriaal en is hiervoor in contact met verschillende partijen. Deze data wordt gebruikt in zowel operationele processen als bij het nemen van beleidsbeslissingen.
Naast het voeden van eerder traditionele databanken stellen ze die intern ook ter beschikking via GEO loketten, en dit op een automatische manier. Deze kennis en ervaring willen ze verder uitbouwen en de algoritmes en processen tegelijkertijd ter beschikking stellen voor ieder bestuur, gaande van het kleinste lokaal bestuur tot bovenlokale overheden als Vlaanderen. Het concept van “machine learning as a service” laat de gebruiker om gebruik te maken van de data en de algoritmes zonder kennis te moeten uitbouwen van de technische achtergrond. Het moet als het ware een “dummy proof” platform worden waarbij men op een éénvoudige manier kan kiezen uit een overzichtelijke catalogus en kunnen “inpluggen” voor de processen die men nuttig acht. Door deze ontzorging kunnen meer besturen stappen zetten richting een sterker data gestuurde beleidsvorming en –voering.
Met het streven naar het opschalen van bestaande machine learning processen, het uitrollen van nieuwe mogelijkheden en deze via een platform als een service ter beschikking te stellen van alle overheden willen ze niet alleen zorgen voor meer data op Vlaams niveau maar ook voor “massa productie” aan een betaalbare prijs.
Dit alles kadert een groter geheel rond het City dashboard dat Roeselare enkele jaren geleden opgestart is. Hierbij is men gestart met het verzamelen van mobiele beelden en luchtbeelden. Deze data heeft men verzameld en verwerkt in een City dashboard. Uit dit dasboard kan heel wat informatie uit gehaald worden, waaronder ook informatie rond wegen waarrond we vandaag zullen brainstormen.
Wegen inventaris
De focus van deze toepassing binnen het MLaaS-project is het volgende:
- monitoring kwaliteit wegmarkeringen
- monitoring kwaliteit wegdek
- Nazicht wegmarkeringen vs verkeersborden
- plannen & budgetteren herbelijning wegen
- plannen & budgetteren herstel/heraanleg wegen
Het onderzoek richt zich momenteel op het gebruik van luchtbeelden voor het detecteren en analyseren van wegmarkeringen. In een volgende stap worden satellietbeelden gebruikt. Verder wordt machine learning wordt toegepast om beelden te analyseren en relevante informatie te extraheren. Uiteraard is de beeldkwaliteit van groot belang voor de resultaten van de algoritmes. Roeselare werkt samen met GIM die algoritmes ontwikkelen en deze ook testen op beelden van verschillende kwaliteit. Resultaten van tests met verschillende beeldmaterialen zijn veelbelovend met goede herkenning van standaardsymbolen en wegmarkeringen.
Er is veel potentieel voor het gebruik van eenvoudige orthofoto's voor het detecteren en analyseren van wegmarkeringen. We onderzoeken momenteel de limieten van verschillende soorten beeldmateriaal, waaronder luchtfoto's en satellietbeelden, voor nauwkeurige detectie.
Daarnaast richten we ons op het identificeren van extra types wegmarkeringen en symbolen, evenals het beoordelen van de kwaliteit van het wegdek volgens OCW-normen en andere criteria. Dit omvat ook het opzetten van monitoringssystemen om de kwaliteit van het wegdek te bewaken en analyses uit te voeren voor operationeel beheer.
Roeselare is van plan om hun activiteiten uit te breiden naar andere gemeenten, waaronder Brugge, Knokke-Heist, enzovoort.
Het ML as a Service platform (MLaaS) dat ze ontwikkelen zal verschillende functies omvatten:
- Het opladen of bestellen van beeldmateriaal,
- Het selecteren van het juiste machine learning proces,
- Het uitvoeren van het proces en het downloaden van de resulterende data.
VLOCA
VLOCA, de Vlaamse Open City Architectuur, is een initiatief van het Agentschap Binnenlands Bestuur van de Vlaamse Overheid. Meer informatie over VLOCA en onze werking kan je terugvinden op https://www.vlaanderen.be/lokaal-bestuur/digitale-transformatie/vloca/vloca-trajectbegeleiding-waarom.
VLOCA-model
| ID | Samenvatting | Beschrijving |
| UC1 | UC1: beleidsacties | datagedreven wegen beleidsacties gebaseerd op inzichten |
| UC2 | UC2: Dashboard | Performantie beleidsacties ifv beleidslijnen, meten is weten |
| UC3 | UC3: DWH Wegen | Datawarehouse of Dataspace met alle historische en geprojecteerde data mbt wegen |
| UC4 | UC4: BI | Rapportering, Analyse op trends en Data Science op de verrijkte data |
| UC5 | UC5: (manuele) Opmetingen | Het opladen van reeds gemeten wegen attributen om zo het beeld in gans Vlaanderen te vervolledigen stap per stap |
| UC6 | UC6: AI ML automatische metingen | Gebruik van AI Machine Learning om via bvb foto's de wegmarkeringen, haar kwaliteit alsook wegdek materiaal en kwaliteit te identificeren |
| UC7 | UC7: Helpdesk & Monitoring | Contact info bij vragen, FAQ, feedback op het platform en zijn werking, inclusief het monitoren van het platform |
| UC8 | UC8: kwaliteit feedback | Kwaliteit en andere attributen van zowel de opgeladen data als de modellen |
| UC9 | UC9: Onderhoudsplanning | Het kunnen opstellen van proactieve en preventieve acties, lees onderhoud, om 'defecten' te vermijden |
| UC10 | UC10: Duurzaamheid | Afhankelijkheid van technologie en leveranciers |
Brainstormsessie
Doel
Het doel van de brainstormsessie is het volgende:
- Identificatie van de meerwaardecreatie
- Inzicht in wat je nodig hebt om de meerwaardecreaties te realiseren
- Beschrijven van mogelijkheden om de oplossing te verduurzamen
- Opsommen van valkuilen en potentiële principes waaraan de oplossing moet voldoen
Oefening 1+2
Bij deze oefeningen stonden we stil bij de volgende vragen:
1) Waarom is een ML voor wegen (wegmarkeringen en wegdek) belangrijk? Laat ons uitgaan van ‘the worst case’: we doen het niet.. Wat zijn de gevolgen?
- Voorbeeld: Slechte wegmarkeringen kunnen voor gevaar zorgen
2) Wat heb je nodig om de geïdentificeerde meerwaardecreaties uit oefening 1 te realiseren? Lijst de acties op
- Voorbeeld:
-Adhv foto’s kan ik de staat van het wegdek/wegmarkeringen idenficeren en acties plannen om deze te repareren
-Aan preventie doen dmv door AI gededecteerde defecten op de wegen
Overzicht
| Identificatie meerwaardecreatie | Acties |
| Beter inschatting van de onderhoudskosten (vb. hoeveel liter verf) | Inventarisatie van de oppervlakte wegmarkeringen |
| Bepalen hoeveel liter verf nodig | |
| beter/pro-actief plannen van onderhoudswerken (kosten reduceren door efficient plannen) = hoe vroeger hoe goedkoper (damage is groter bij langer wachten) | Tijdsreeks analyse van de wegen inventarisatie m.b.t. staat van het wegdek/wegmarkering (extra type ML om predictief de defecten te identificeren) |
| Regelmatig onderhoud is kosten efficiënter dan te laat onderhouden wegen | |
| risico op schadeclaims o.w.v. slechte wegkwaliteit (defecten aan wagens) => stad kan aangeklaagd worden en zijn zijn ervoor verzekerd. | (historische) inventaris met beeldmateriaal als staving van de aan/afwezigheid van wegmarkering |
| risico op betwistingen bij ongevallen t.g.v. onduidelijke wegmarkeringen | controle wegmarkering vs verkeersbord vs reglementen mobiliteit |
| Pothole monitoring (preventief, mitigatie) in winter maanden | Foto's in de wintermaanden via sat beelden |
| Bulten Detectie tijdens zomer maanden (preventief & mitigatie) | |
| Omleiding veilige route voor speciaal transport (bvb glastransport) | |
| ook bij burgerverkeer afhankelijk van de ernst van het probleem | |
| Juiste markering op de juiste plaats m.b.t. verkeershandhaving (verkeersbord <> wegmarkeringen, of <> 'reglementen' databank van de lokaal bestuur, of dat de markering nog niet overeenkomt met de reglementering die gewenst is) | Analyse relatie tussen wegen en markeringen (met datum) |
| controle facturatie onderhoud markeringen (hoeveel vierkante meters, aantal stuk = prijs per stuk of per vierkante meter of lopende meter alsook per kleur) | |
| inschatting van kwaliteit verf, leverancier, machine | Na combineren met verkeerstellingen (bvb telramen, camera's,...) (en weer, type wegdek/ondergrond) en vergelijken met andere wegen (benchmarking) |
| Predictief onderhoud | |
| Monitoring overeenkomst verschillende wegelementen (vb verkeersbord en wegmarkering, wegdek in slechte staat en waarschuwingsverkeersbord...) ifv | opbouwen van verschillende weggerelateerde basisinventarissen op juiste locaties |
| Aan de hand van de inventarisatie kwaliteit wegdek kan er een prioriteitenprogramma opgesteld worden ikv onderhoud wegen | |
| Optimalisatie/prioritisatie planning van het onderhoud | |
| Zoektocht naar aanwezige putdeksels / aansluitputten (voor waterleiding, gas, glasvezel,enz.) / rioolputjes (ronde of rechthoekige) ook voor de brandweer, bij infrastructuurwerken of onderhoud | |
| Slechte' belijning zorgt er voor dat weggebruikers verkeerd rijden => kan een tool zijn in mobiliteitsplan bijv? | |
| Evolutie verkeersveiligheid en/of -drukte in de stad nav reële (tijdsreeksen) of conceptuele (Digital Twin) aanpassingen = 'mobiliteit' | Volledige up-to-date basisinventaris van wegelementen en verkeerstellingen (via Camera's en Telramen) |
| andere toepassing: tellen van geparkeerde wagens/ vrachtwagens => ruimtelijke planning/'overlast' | Verkeersmodellen die rekening houden met extra parameters zoals wegmarkeringen, staat van het wegdek, verkeersborden… |
| percentage bezetting openbare parkeerplaatsen (via markeringen geteld) en afleiden (via communicatie) bij hoge bezetting naar verder gelegen parkeergebieden |
Discussie
- Belang van tijdig onderhoud: Er werd besproken dat het wachten met het uitvoeren van onderhoud aan wegen kan leiden tot grotere schade, wat uiteindelijk meer kosten met zich meebrengt.
- Kostenbesparing door regelmatig onderhoud: Regelmatig onderhoud werd als kostenefficiënter beschouwd dan het laten verwaarlozen van wegen.
- Voorspellend onderhoud: Er werd gesproken over het gebruik van tijdreeksanalyse en machine learning om voorspellingen te doen over de staat van wegen en wegmarkeringen, waardoor onderhoud proactief kan worden uitgevoerd.
- Risico's op schadeclaims: Er werd gewezen op het risico van schadeclaims als gevolg van slechte werkkwaliteit en wie hiervoor verantwoordelijk is.
- Monitoring van wegmarkeringen: Discussie over het gebruik van monitoring, zoals het nemen van foto's in de wintermaanden, om de kwaliteit van wegmarkeringen te controleren en schade te voorkomen.
- Identificatie van weggerelateerde elementen: Er werd gesproken over het identificeren en inventariseren van verschillende elementen in het wegdek, zoals putdeksels en aansluitputten.
- Gebruik van data voor mobiliteitsplanning: Het idee om data over wegmarkeringen, verkeersveiligheid en verkeersdrukte te gebruiken bij het opstellen van mobiliteitsplannen en het beheren van verkeer.
- Technologieën zoals AI en computer vision: Het gebruik van kunstmatige intelligentie en computervisie om wegmarkeringen en wegmaterialen te analyseren, onregelmatigheden te detecteren en prioriteiten te stellen voor onderhoud.
Oefening 3
Bij deze oefening keken we naar manieren om de voorgestelde oplossing duurzaam te implementeren:
Hoe kunnen we ML voor wegen (wegmarkeringen en wegdek) duurzaam implementeren?
-Welke frequentie en accuraatheid zijn hiervoor nodig?
-Hoe kunnen AI en ML bijdragen tot het verduurzamen van de oplossing?
-Welke expertise hebben we nodig?
-Hoe kunnen we andere organisaties laten participeren in de kosten?
-Zijn er applicaties die noodzakelijk zijn om de oplossing draaiende te houden?
Overzicht
| Verduurzamen oplossing | Toelichting |
| aanleveren ML-output (=verwerkte data obv foto's), zodat dit geïntegreerd kan worden op een eigen BI/GIS-analytics platform en gecombineerd kan worden met andere beschikbare data binnen de organisatie | stabiel bronmateriaal m.b.v. exacte spec's (beelden en ML-algoritmes) |
| AI & aardobservatie expertise binnen de lokale overheden/intercommunales | |
| Beeld materiaal geschikt voor de verschillende use cases | |
| Raamovereenkomst voor foto's, databronnen, dataplatform en bijhorende diensten | |
| Transparantie over kosten / duidelijk model (vb wie gaat wat betalen ? wie is de owner ? wie gaat de aankopen doen ? Storage en rekenkracht ? wie heeft de lead voor verdere groei van het platform ?) | |
| Intellectual property van wie ? Hoe incentiveren ? | |
| hosting platform, beelden, AI /ETL modellen, runtime (prijs per uur van processing => efficiente 'tiling' van de foto's) | |
| Datamodellen, uniformiteit = herbruikbaarheid en opschaling mogelijkheid voor andere steden/gemeenten | over de type data heen (vb databank moet op dezelfde manier werken voor datatype x als datatype y, compatibiliteit tussen de verschillende modellen) |
| GeoICT, Geodata & AI expertise voor het opzetten van het platform, leveren van de modellen, geografische post-processing van de AI output | |
| Soort marketplace voor applicaties, modellen, data (wet overheidsopdrachten => als overheid mag je niet zomaar in zee gaan met één leverancier zonder 'raamovereenkomst' anders via besteding/bestek) | Intercommunale kan dit wel in hun eigen werkingsgebied ? |
| Bibliotheek van raamovereenkomsten (je moet die nominatief vermelden die potentieel/met budget die ze daaraan willen spenderen kunnen meedoen) | |
| maintenance van het platform |
Discussie
- Behoefte aan Data Integratie: Integratie van machine learning output met het bestaande Business Intelligence (BI) Analytics Platform en andere beschikbare data binnen de organisatie.
- Platform Nodig voor Data-Integratie: De noodzaak van een platform waarop alle data kunnen worden geïntegreerd en gecombineerd, mogelijk in een data warehouse.
- Stabiel Materiaal Vereist: Belang van het leveren van stabiel materiaal, zonder de ambitie om alles op het platform te doen, maar met de garantie van consistentie.
- Transparantie over Kosten: Discussie over het duidelijk maken van kostenmodellen en -berekeningen, inclusief verborgen kosten.
- Intellectuele Eigendomsrechten: Overwegingen over de beloning en bescherming van het intellectueel eigendom van algoritmes en machine learning modellen.
- Efficiënt Beheer van Data: Noodzaak van efficiënt beheer van data, inclusief tiling van foto's voor kosteneffectieve verwerking en opslag.
- Uniformiteit in Datastructuur: Belang van uniformiteit in datastructuur voor herbruikbaarheid, opschaling en compatibiliteit tussen verschillende modellen en data.
- Marketplace voor Applicaties en Modellen: Idee van het opzetten van een marketplace voor applicaties en machine learning modellen, mogelijk geregeld via overheidsopdrachten.
- Overheidswetgeving en Raamovereenkomsten: Noodzaak om te voldoen aan overheidsopdrachtwetgeving en mogelijkheid van raamovereenkomsten voor het gebruik van modellen en applicaties.
- Onderhoud van het Platform: Onderhoud van het platform, inclusief technologische evoluties en ondersteuning van gebruikers.
Oefening 4
Tot slot werden potentiële valkuilen geïdentificeerd en, op basis hiervan, formuleerden we principes waaraan de oplossing moet voldoen:
Voorbeeld:
•Self-service zonder goede training kan een risico vormen
•Afhankelijkheid van leverancier
•Interoperabiliteit van de oplossing
•Betrouwbaarheid, en dus ‘vertrouwen’ in de output en dashboard cijfers
•Stabiliteit, en dus ‘continuiteit’ van de metrieken in de rapporten en dashboards
Overzicht
| Valkuilen | Principes |
| wat gebeurt er als er wegenwerken in uitvoering zijn. Wijziging van wegprofiel/markering. Duur der werken 1à2 jaar. Wat geeft het systeem aan? wegenwerken database (vb link met GIPOD, maar die is niet volledig) | projectzones definieren (over die periode zal er werken zijn, of waren er werken op die plaats) |
| risico op vendor lock-in (te weinig leveranciers van beelden / ML-algoritmes, leveranciers die wegvallen) | spec's scherp definiëren als basis (beeldmateriaal + ML-algoritmes + combinatiemogelijkheden) |
| efficiënte (via optimalisatie bvb tiling&clipping van de foto's) AI processing chain => impact op running kost | algoritmes geöptimaliseerd voor de use case |
| spagetti verhaal | Standardisatie modellen metadata, datasstructuur. Goed nadenken over de opzet van het systeem (data, modellen) om zo voldoende standardisatie te hebben. OSLO is op een bepaalde niveau, maar in praktijk ga je fijnere niveau nodig hebben, en daar is ook standaardisatie nodig |
| beeldmateriaal / algoritmes zijn onvoldoende stabiel, waardoor trendanalyses niet mogelijk zijn | |
| beperkte budgetten | |
| versnippering | |
| wet overheids-opdrachten (probleem van raamovereenkomsten) om te schalen naar de andere steden. | |
| representativiteit van de resultaten (evolutie van de technologie zorgt voor verbetering van resultaten of is het werkelijk verbeterd?) | |
| Te hoge verwachtingen => AI geeft geen 100% nauwkeurigheid | |
| Voldoende frequente opnames voor de verschillende use cases (invloed van weersomstandigheden, provider afhankelijke aspecten (vb. vaste opname frequentie om trends analyse te kunnen doen) | |
| diversiteit / evolutie aan ML algoritmes en de gebruikte technologie | |
| (alles "inplugbaar" in één platform?) : via python, arcgis suite met bijhorende addons en plugins,... |
Discussie
- Gebrek aan standaardisatie: Het ontbreken van standaardisatie in gegevensformaten en processen kan problemen veroorzaken bij de integratie van verschillende systemen en het delen van informatie.
- Beperkte budgetten: Budgetbeperkingen kunnen de ontwikkeling en implementatie van een effectief monitoring- en onderhoudssysteem belemmeren.
- Versnippering van middelen: Het risico bestaat dat elk bestuursniveau zijn eigen systemen en oplossingen implementeert, wat kan leiden tot versnippering van middelen en inefficiëntie.
- Risico op vendor lock-in: Afhankelijkheid van een beperkt aantal leveranciers voor beeldmateriaal en machine learning-algoritmen kan het risico op vendor lock-in vergroten.
- Onvoldoende frequentie van opnames: Als de frequentie van opnames niet voldoende is, kan dit leiden tot onnauwkeurige analyses en trendvoorspellingen.
- Impact van weersomstandigheden: Weersomstandigheden kunnen de kwaliteit en frequentie van opnames beïnvloeden, wat de nauwkeurigheid van analyses kan verminderen.
- Evolutie van technologieën: Technologische vooruitgang kan leiden tot verbetering van resultaten, maar ook tot nieuwe uitdagingen, zoals veranderende algoritmes en veroudering van beeldmateriaal.
- Gebrek aan diversiteit in technologieën: Afhankelijkheid van een beperkt aantal machine learning-algoritmen en technologische oplossingen kan de diversiteit en veerkracht van het systeem beperken.
Opname en Miro bord
Miro bord
Het Miro bord kan je consulteren via deze link.
Opname
De opname van deze sessie is te bekijken via deze link.
Volgende stappen
Wat na deze werkgroep?
- Verwerking van de input van de brainstorm oefening.
- Verder onderzoek en voorbereiding van de volgende thematische werkgroep.
- Publicatie op de Kennishub
Feedback kan bezorgd worden aan laurien.renders@vlaanderen.be
Andere werkgroepen
| Werkgroep | Type werkgroep | Datum | Tijd | Locatie |
|---|---|---|---|---|
| Thematische werkgroep 1 | Data en informatie werkgroep | 2024-03-14 | 9u-12u | Teams |
| Thematische werkgroep 2 | Technologie werkgroep | 2024-04-16 | 9u-12u | Teams |
| Thematische werkgroep 3 | Technologie werkgroep | 2024-05-15 | 13u-16u | Teams |