NMDC Project
Doel
Het werk dat binnen de NMDC instituten wordt uitgevoerd levert AI-modellen, data-pipelines, datasets, papers, etc. op. Deze hoeven niet perse domein- of toepassing-specifiek te zijn en kunnen door anderen worden gebruikt of herschreven. Op deze pagina vind je een korte omschrijving, eventuele links naar meer informatie en een contactpersoon aan wie je meer informatie kunt vragen of met wie je in overleg kunt met jouw specifieke vraag.
Producten
Opsporen koeltorens op luchtfoto NL
| Type: | Beeldherkenning |
| Status: | Project afgerond |
| Contactpersoon: | Rob Beffers, rob.beffers@rivm.nl |
| Kenmerken: | ▸ Combineer verschillende bronnen (Infrarood, Luchtfoto) ▸ Opsporen van betrekkelijk kleine objecten |
Er zijn scripts ontwikkeld om verschillende datasets te maken (annoteren) m.b.v. algemene GIS-software. De datasets worden gebruikt om het AI-model (verder) te trainen. Het getrainde AI-model kan worden gebruikt om nieuwe objecten op te sporen.
De scripts zijn gebruikt om koeltorens op te sporen. De resultaten waren niet zo goed, omdat het oplossend vermogen van de gebruikte luchtfoto laag was. Het oplossend vermogen ligt nu 13x hoger. Toch was men blij met het resultaat; Een lijst met mogelijke koeltorens, die eenvoudig door experts kon worden bekeken. Na het (handmatig) uitfilteren van de false-positifs werd de definitieve lijst verkregen. De hiervoor benodigde tijd was zeer te overzien.
Tweets waarop je moet reageren
| Type: | Natural Language Processing |
| Status: | Project loopt meerjarig |
| Contactpersoon: | Rob Beffers, rob.beffers@rivm.nl |
| Kenmerken: | ▸ Bevat deze tweet een vraag? ▸ Nog een kenmerk |
Over sommige onderwerpen waar het RIVM zich mee bezig houdt worden op social media veel berichten gepost. Sommige van deze berichten bevatten onjuiste informatie, misinformatie of vragen.
Voor het RIVM is het van belang om de juiste informatie aan het publieke debat toe te voegen. Daarom onderzoeken we of we m.b.v. AI sneller en beter berichten op te kunnen sporen waar het RIVM op kan/moet reageren.
Er is een eerste versie ontwikkelt. Daarbij zijn veel lessen geleerd. In een langdurig(er) traject gaan we i.s.m. de Hogeschool Utrecht kijken of we zaken kunnen verbeteren; Verbetering AI-modellen, snelle(re) inzetbaarheid bij nieuwe onderwerpen (Stikstof, PFAS, …), meer focus op voortdurend bijleren van de AI-modellen
ASReview
| Type: | Natural Language Processing |
| Status: | Continuing project |
| Contactpersoon: | ▸ PBL: Stefan Troost, stefan.troost@pbl.nl ▸ RIVM: Rob Beffers, rob.beffers@rivm.nl ▸ UU: Rens van de Schoot and Jonathan de Bruin |
| Kenmerken: | ▸ Active Learning ▸ Developed and maintained by Utrecht University ▸ Not necessarily restricted to scientific papers |
Systematically screening large amounts of textual data is time-consuming and often tiresome. The rapidly evolving field of Artificial Intelligence (AI) has allowed the development of AI-aided pipelines that assist in finding relevant texts for search tasks. A well-established approach to increasing efficiency is screening prioritization via Active Learning.
The Active learning for Systematic Reviews (ASReview) project, published in Nature Machine Intelligence implements different machine learning algorithms that interactively query the researcher. ASReview LAB is designed to accelerate the step of screening textual data with a minimum of records to be read by a human with no or very few false negatives. ASReview LAB will save time, increase the quality of output and strengthen the transparency of work when screening large amounts of textual data to retrieve relevant information. Active Learning will support decision-making in any discipline or industry.
Ruimtelijk energiemodel Vesta
| Type: | |
| Status: | closed |
| Contactpersoon: | ▸ PBL: Ruud.vandenWijngaart@pbl.nl |
| Kenmerken: | ▸ Gebouwde omgeving ▸ Energie verbruik & CO2 emissies ▸ Effecten van maatregelen doorrekenen |
Het ruimtelijk energiemodel Vesta berekent het energiegebruik en de CO2-uitstoot van de gebouwde omgeving (onder andere woningen, kantoren, winkels en ziekenhuizen) en de glastuinbouw voor de periode van 2010 tot 2050. Daarnaast kan het model de effecten berekenen van gebouwmaatregelen en gebiedsmaatregelen voor warmtelevering in termen van vermeden CO2-uitstoot, energiegebruik, investeringskosten en financiële opbrengsten.