VisueelWikitekst
Regel 1: Regel 1:
−
<De tweede thematische werkgroep rond MLaaS 'Marktplaats' vond plaats op 15 april 2024.
+
De tweede thematische werkgroep rond MLaaS 'Marktplaats' vond plaats op 15 april 2024.
 
===Context===
 
===Context===
 
====Initiatief ====
 
====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.
 
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.
+
De opzet van het project is om een platform te bouwen dat toegankelijk is voor steden en gemeenten. Op dit platform wenst Roeselare en aanbod te publiceren van beeldmateriaal en data om beleidsdoelstellingen te ondersteunen zoals inventaris wegmarkeringen op het grondgebied, inventaris vegetatie op het grondgebied en inventaris van wegdekmaterialen en de kwaliteit ervan.
  
−
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 biedt een aantal voordelen, nl:
  
−
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. 
+
* Schaalvoordeel
 +
* Lagere kostprijs
 +
* Relatief frequente beschikbaarheid van recente data
 +
* Minder afhankelijk van technische kennis & expertise (beeldresolutie, algoritmes, etc)
 +
* Laagdrempelige toegang tot deze informatie
  
−
==== Marktplaats ====
+
 
−
De focus van deze toepassing binnen het MLaaS-project is het volgende:  
+
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 wensen de initiatiefnemers 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. 
 +
[[Bestand:Marktplaats dia 1.jpg|geen|miniatuur]]
 +
Het project bestaat uit 3 pijlers:
 +
 
 +
# Beeldmateriaal  In de eerste fase ligt de focus op het verzamelen van input. Hierbij worden de noden/mogelijkheden rond het gebruik van luchtbeelden in kaart gebracht op basis van beeldresolutie, prijs en frequentie van beeldbeschikbaarheid. In een volgende fase volt de analyse data verwerking. Hierbij wordt een matrix opgesteld van alle mogelijke soorten luchtbeelden die beschikbaar zijn met telkens de voor-en nadelen per beeldsoort.
 +
# Machine learning algoritmes  In de eerste fase van deze pijler wordt input verzameld. Hierbij worden de noden in kaart gebrecht rond de gevraagde machine learning algoritmes. Het uitgangspunt hierbij is een bestaande lijst binnen stad Roeselare met de volgende onderwerpen: wat zou er mogelijk moeten zijn via machine learning algoritmes, uitbreiden en aftoetsen met andere deelnemende besturen (andere noden), nagaan wat er reeds  bestaat op de markt. Daarnaast is het belangrijk om de technische noden per algoritme te bepalen: inputvereisten van het beeldmateriaal en toelaatbare foutenmarge van het algoritme moet vastgelegd worden. Output zoals kaarten, databank voor de inventaris, GEO loket, BI dashboard etc maken hier ook deel van uit.  De tweede fase is gericht op de aanbesteding. Hierbij wordt bepaald op welke manier het algoritme kan ontwikkeld of hergebruikt worden.  Tijdens de derde en laatste fase gaat men over naar de realisatie van het algoritme en de verwerking van de data.
 +
# Platform  Momenteel hebben de initiatiefnemers een high level concept voor ogen. Het is belangrijk dat dit concept vertaald wordt naar functionele en technische vereisten en dat er vorm gegeven wordt aan de architectuur van het platform. Daarnaast moet er een businessmodel voor het gebruik van het platform gecreëerd worden. Hierbij moet men stilstaan bij de volgende vragen: wie zijn de gebruikers, hoe krijgen ze toegang, wat kunnen ze kopen, wat met het licentiemodel, duidelijkheid rond pay per use, pay per login, pay per area etc.
  
 
==== VLOCA ====
 
==== VLOCA ====
Regel 17: Regel 29:
  
 
== VLOCA-model ==
 
== VLOCA-model ==
 +
{| class="wikitable"style="background-color:#ffffff;font-size:90%"
 +
|-
 +
| Style="background-color:#FFED00;"|ID
 +
| Style="background-color:#FFED00;"|Status
 +
| Style="background-color:#FFED00;"|Samenvatting
 +
| Style="background-color:#FFED00;"|Beschrijving
 +
|-
 +
|UC1
 +
|Voorstel
 +
|UC1: Marktplaats Mgt
 +
|Marktplaats Management die moet zorgen voor kwaliteitsvolle inhoud, veiligheid en 'fairness' op het platform
 +
|-
 +
|UC2
 +
|Voorstel
 +
|UC2: Registratie & login
 +
|Registratie van gebruikers die toegangen (willen) hebben op het platform ifv hun toegekende rechten
 +
|-
 +
|UC3
 +
|Voorstel
 +
|dr
 +
|Bouwplatform as a service die gebruikers toelaat om hun modellen zelf te bouwen op het platform
 +
|-
 +
|UC4
 +
|Voorstel
 +
|UC4: Run aaS
 +
|Run as a service die gebruikers toelaat om een gekozen model uit de bibliotheek te draaien op hun eigen input data
 +
|-
 +
|UC5
 +
|Voorstel
 +
|UC5: Bibliotheek Modellen
 +
|Bibliotheek van modellen die toegang verleent aan machine learning modellen (algoritmen) evt tegen betaling
 +
|-
 +
|UC6
 +
|Voorstel
 +
|UC6: Model Governance
 +
|Model Governance die bepaalt wie wat mag aanpassen, wie rechten heeft voor wat, enz.
 +
|-
 +
|UC7
 +
|Voorstel
 +
|UC7: Helpdesk & Feedback
 +
|Helpdesk bij issues alsook feedback kunnen geven over de services, kwaliteit modellen of haar documentatie, enz
 +
|-
 +
|UC8
 +
|Voorstel
 +
|UC8: Betalingen
 +
|Betalingen kunnen uitvoeren op het platform met facturatie mogelijkheden
 +
|-
 +
|UC9
 +
|Voorstel
 +
|UC9: CRM
 +
|Communicatie met bouwers, eigenaars en gebruikers van modellen/algoritmes
 +
|-
 +
|UC10
 +
|Voorstel
 +
|UC10: Samenvatting
 +
|UC10: Beschrijving
 +
|}
 +
 +
 +
 
==Brainstormsessie==
 
==Brainstormsessie==
 
===Doel===
 
===Doel===

Versie van 27 mei 2024 09:31

De tweede thematische werkgroep rond MLaaS 'Marktplaats' vond plaats op 15 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.

De opzet van het project is om een platform te bouwen dat toegankelijk is voor steden en gemeenten. Op dit platform wenst Roeselare en aanbod te publiceren van beeldmateriaal en data om beleidsdoelstellingen te ondersteunen zoals inventaris wegmarkeringen op het grondgebied, inventaris vegetatie op het grondgebied en inventaris van wegdekmaterialen en de kwaliteit ervan.

Dit biedt een aantal voordelen, nl:

  • Schaalvoordeel
  • Lagere kostprijs
  • Relatief frequente beschikbaarheid van recente data
  • Minder afhankelijk van technische kennis & expertise (beeldresolutie, algoritmes, etc)
  • Laagdrempelige toegang tot deze informatie


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 wensen de initiatiefnemers 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.

Marktplaats dia 1.jpg

Het project bestaat uit 3 pijlers:

  1. Beeldmateriaal In de eerste fase ligt de focus op het verzamelen van input. Hierbij worden de noden/mogelijkheden rond het gebruik van luchtbeelden in kaart gebracht op basis van beeldresolutie, prijs en frequentie van beeldbeschikbaarheid. In een volgende fase volt de analyse data verwerking. Hierbij wordt een matrix opgesteld van alle mogelijke soorten luchtbeelden die beschikbaar zijn met telkens de voor-en nadelen per beeldsoort.
  2. Machine learning algoritmes In de eerste fase van deze pijler wordt input verzameld. Hierbij worden de noden in kaart gebrecht rond de gevraagde machine learning algoritmes. Het uitgangspunt hierbij is een bestaande lijst binnen stad Roeselare met de volgende onderwerpen: wat zou er mogelijk moeten zijn via machine learning algoritmes, uitbreiden en aftoetsen met andere deelnemende besturen (andere noden), nagaan wat er reeds bestaat op de markt. Daarnaast is het belangrijk om de technische noden per algoritme te bepalen: inputvereisten van het beeldmateriaal en toelaatbare foutenmarge van het algoritme moet vastgelegd worden. Output zoals kaarten, databank voor de inventaris, GEO loket, BI dashboard etc maken hier ook deel van uit. De tweede fase is gericht op de aanbesteding. Hierbij wordt bepaald op welke manier het algoritme kan ontwikkeld of hergebruikt worden. Tijdens de derde en laatste fase gaat men over naar de realisatie van het algoritme en de verwerking van de data.
  3. Platform Momenteel hebben de initiatiefnemers een high level concept voor ogen. Het is belangrijk dat dit concept vertaald wordt naar functionele en technische vereisten en dat er vorm gegeven wordt aan de architectuur van het platform. Daarnaast moet er een businessmodel voor het gebruik van het platform gecreëerd worden. Hierbij moet men stilstaan bij de volgende vragen: wie zijn de gebruikers, hoe krijgen ze toegang, wat kunnen ze kopen, wat met het licentiemodel, duidelijkheid rond pay per use, pay per login, pay per area etc.

VLOCA

VLOCA, de Vlaamse Open City Architectuur, is een initiatief van het Agentschap Binnenlands Bestuur van de Vlaamse Overheid. De hulp van VLOCA aan lokale besturen start bij het scherpstellen van duidelijke, verstaanbare use cases en loopt door tot de aanbestedingsfase van het project. VLOCA vormt op deze manier een duidelijke brug tussen de beleidsdoelstellingen van het lokale bestuur en de technische laag waarin de oplossingen beschreven en geïmplementeerd worden. We stellen de juiste vragen en verzamelen de noden en behoeften van alle stakeholders (lokale besturen, kenniscentra, bedrijven en burgerorganisaties). Door een gestructureerde aanpak en verwerking van deze informatie wordt de ontwikkeling van herbruikbare bouwblokken, standaarden en normen gestimuleerd die van Vlaanderen één grote interoperabele slimme regio kunnen maken. De opgedane kennis en ervaring wordt ontsloten via een kennishub waarop onder andere draaiboeken, architectuur componenten en modellen ter beschikking gesteld worden voor alle andere lokale besturen en stakeholders.

VLOCA-model

ID Status Samenvatting Beschrijving
UC1 Voorstel UC1: Marktplaats Mgt Marktplaats Management die moet zorgen voor kwaliteitsvolle inhoud, veiligheid en 'fairness' op het platform
UC2 Voorstel UC2: Registratie & login Registratie van gebruikers die toegangen (willen) hebben op het platform ifv hun toegekende rechten
UC3 Voorstel dr Bouwplatform as a service die gebruikers toelaat om hun modellen zelf te bouwen op het platform
UC4 Voorstel UC4: Run aaS Run as a service die gebruikers toelaat om een gekozen model uit de bibliotheek te draaien op hun eigen input data
UC5 Voorstel UC5: Bibliotheek Modellen Bibliotheek van modellen die toegang verleent aan machine learning modellen (algoritmen) evt tegen betaling
UC6 Voorstel UC6: Model Governance Model Governance die bepaalt wie wat mag aanpassen, wie rechten heeft voor wat, enz.
UC7 Voorstel UC7: Helpdesk & Feedback Helpdesk bij issues alsook feedback kunnen geven over de services, kwaliteit modellen of haar documentatie, enz
UC8 Voorstel UC8: Betalingen Betalingen kunnen uitvoeren op het platform met facturatie mogelijkheden
UC9 Voorstel UC9: CRM Communicatie met bouwers, eigenaars en gebruikers van modellen/algoritmes
UC10 Voorstel UC10: Samenvatting UC10: Beschrijving


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

Discussie

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

Discussie

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

Discussie

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?

  1. Verwerking van de input van de brainstorm oefening.
  2. Verder onderzoek en voorbereiding van de volgende thematische werkgroep.
  3. Publicatie op de Kennishub

Feedback kan bezorgd worden aan laurien.renders@vlaanderen.be

Andere werkgroepen

WerkgroepType werkgroepDatumTijdLocatie
Thematische werkgroep 1Data en informatie werkgroep2024-03-149u-12uTeams
Thematische werkgroep 2Technologie werkgroep2024-04-169u-12uTeams
Thematische werkgroep 3Technologie werkgroep2024-05-1513u-16uTeams
Overgenomen van "https://vloca-kennishub.vlaanderen.be/index.php?title=VlocaSessie/49&oldid=10696"