Hoe identificeer je zwakke signalen vanuit verschillende soorten data van chemische bedrijven (big data), en hoe kun je hieruit leren om zo de omgevingsveiligheid verder te verbeteren?

Doel:  Een methode te ontwikkelen om ‘weak signals’ (=leerpunten) te identificeren uit méérdere databronnen van méérdere bedrijven met behulp van kunstmatige intelligentie (AI). Hierbij is de ambitie het creëren van breed toepasbaar ‘digitaal ecosysteem’. Er is gekozen voor een gezamenlijke aanpak met bedrijven op het chemisch cluster ‘Chemelot’. Hierdoor wordt de leercurve van individuele bedrijven versneld, omdat bedrijven direct van elkaar leren en niet ieder bedrijf dit proces afzonderlijk hoeft te doorlopen.

De waarde van data is groter dan ooit, mede dankzij de opkomst van kunstmatige intelligentie (AI). Zo ook voor omgevingsveiligheid, waarvoor in dit project de voorwaarden, haalbaarheid en effectiviteit van AI-technologie zal worden onderzocht. Het kunnen vinden en duiden van leerpunten in big data, zoals ‘weak signals of afwijkingen, stelt bedrijven in staat om steeds complexer wordende processen beter te begrijpen, en om sneller en effectiever in te grijpen in situaties waar het mis dreigt te gaan en zo eventuele incidenten voorkomen.

In een eerdere Safety Deal is reeds aangetoond dat het haalbaar is om zwakke signalen (‘weak signals’) in big data te identificeren met slechts één databron. Het ging hier om wachtverslagen van één bedrijf met één AI-techniek (Natural Language Processing).

In dit project willen we ‘breder leren’: met méér soorten data en bij méér bedrijven. We verwachten dat dit betere en meer onderbouwde resultaten in het vinden van ‘weak signals’ zal opleveren. Echter, een methode en de technologie daarvoor ontbreken nog en zijn onderzocht.

De uitkomst is de Handreiking BLIC vooruit – Praktische gids ter bevordering van procesveiligheid met AI       (opent de website van Brightsite)

Code: AIPSM 2022-55

Status: Afgerond

Update: juni 2024