Thematische werkgroep 2

Versie van 7 mei 2024 21:01

Technologie werkgroep

Deze thematische werkgroep richt zich op het identificeren en in kaart brengen van de functionele noden en interacties. Na de data- en informatiewerkgroep zijn deze respectievelijke noden helder geworden. Deze functionele werkgroep bouwt hierop verder om de data- en informatie-uitwisseling tussen mensen en systemen, mensen onderling en systemen onderling te schetsen.

De eerste thematische werkgroep rond '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.

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.

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 groen inventarisering belangrijk? Laat ons uitgaan van ‘the worst case’: we doen het niet.. Wat zijn de gevolgen?

Voorbeeld: We kunnen geen rapportering doen naar Vlaamse overheid/EU (subsidies?)

2) Wat heb je nodig om de geïdentificeerde meerwaardecreaties uit oefening 1 te realiseren? Lijst de acties op

Voorbeeld:

-Doel: we willen kunnen rapporteren naar Vlaanderen. Wat heb je hiervoor precies nodig?

-Ik wil het aantal bomen in een bepaalde regio gedurende een bepaalde tijd visueel weergeven, deze vergelijken met een ijkpunt/objectief en een actieplan opmaken

Overzicht

Discussie

Oefening 3

Bij deze oefening keken we naar manieren om de voorgestelde oplossing duurzaam te implementeren:

Hoe kunnen we groen inventarisering 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 de kosten delen?

-Zijn er applicaties die noodzakelijk zijn om de oplossing draaiende te houden?

=> zorgen dat de groen inventaris up to date gehouden wordt?

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.<div class="ws-video" data-video="<iframe width="560" height="315" src="https://www.youtube.com/embed/XWb1qzO9Ito?si=JikLcxeoSIBNL2go" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe>">" title="Video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen>

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
Thematische werkgroep 4	Technologie werkgroep	2024-06-21	9u-12u	Teams

@@ Regel 1: / Regel 1: @@
 <h2>{{#show:{{FULLPAGENAME}}|?SessieType # -}}</h2>Deze thematische werkgroep richt zich op het identificeren en in kaart brengen van de <b>functionele noden en interacties</b>. Na de data- en informatiewerkgroep zijn deze respectievelijke noden helder geworden. Deze functionele werkgroep bouwt hierop verder om de data- en informatie-<b>uitwisseling tussen mensen en systemen, mensen onderling en systemen onderling</b> te schetsen.
-De Werkgroep Data en Informatie staat open voor deelname door de gehele <b>quadruple helix</b>. Vaste deelnemers zijn de leden van het VLOCA-trajectconsortium en stakeholders, die samen de data- en informatienoden in kaart brengen.
-De verzamelde inzichten worden vervolgens verwerkt om de IT-architectuur verder aan te vullen.{{InschrijvingWorkshop}}<h2>Andere werkgroepen</h2>{{OverzichtWorkshops}}
+De eerste thematische werkgroep rond '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.
+===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.
+==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:
+) Waarom is groen inventarisering belangrijk? Laat ons uitgaan van ‘the worst case’: we doen het niet.. Wat zijn de gevolgen?
+*Voorbeeld: We kunnen geen rapportering doen naar Vlaamse overheid/EU (subsidies?)
+) Wat heb je nodig om de geïdentificeerde meerwaardecreaties uit oefening 1 te realiseren? Lijst de acties op
+*Voorbeeld:
+-Doel: we willen kunnen rapporteren naar Vlaanderen. Wat heb je hiervoor precies nodig?
+-Ik wil het aantal bomen in een bepaalde regio gedurende een bepaalde tijd visueel weergeven, deze vergelijken met een ijkpunt/objectief en een actieplan opmaken
+====Overzicht====
+==== Discussie ====
+===Oefening 3===
+Bij deze oefening keken we naar manieren om de voorgestelde oplossing duurzaam te implementeren:
+Hoe kunnen we groen inventarisering 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 de kosten delen?
+-Zijn er applicaties die noodzakelijk zijn om de oplossing draaiende te houden?
+=> zorgen dat de groen inventaris up to date gehouden wordt?
+====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 [https://miro.com/app/board/uXjVNhTHAPI=/ deze link].
+===Opname===
+De opname van deze sessie is te bekijken via [https://www.youtube.com/watch?v=XWnQVWYaA5o deze link].{{Video|Url=<iframe width="560" height="315" src="https://www.youtube.com/embed/XWb1qzO9Ito?si=JikLcxeoSIBNL2go" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe>}}
+==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<h2>Andere werkgroepen</h2>{{OverzichtWorkshops}}