Waar moet je tien bomen planten, zodat zo veel mogelijk stedelingen er plezier van hebben? Als een slim algoritme weet hoe mensen zich door de stad bewegen én waar nu al bomen staan, kan het de optimale oplossing berekenen. Datawetenschapper Mitra Baratchi maakt het mogelijk. Haar studenten bestuderen nu het coronabeleid met deze methode.
Auteur: Rianne Lindhout
Veel data zijn gewoon openbaar, iedereen kan bijvoorbeeld naar het online satellietdataportaal, of naar data.overheid.nl. Via smartphones zijn ook enorm veel data beschikbaar: wifi-gebruik vertelt bijvoorbeeld waar het op een festivalterrein erg druk is. Daar kijken we met argusogen naar, maar je kunt er ook veel goeds mee doen. Optimaal beleid maken over oplossingen voor verkeersdrukte bijvoorbeeld.
Mitra Baratchi zoekt uit hoe je bruikbare informatie uit data kunt halen. Op allerlei terreinen is ze bezig de juiste data bij elkaar te brengen in zelf ontworpen algoritmen die computerprogramma's helpen om te leren. Die programma's kunnen dan automatisch gegenereerde oplossingen voorstellen.
Binnen de onderzoeksgroep Automated Design of Algorithms (ADA, onderdeel van LIACS) richt Baratchi zich op spatio-temporele data: gegevens over ruimte en tijd. Ze zette voor masterstudenten de cursus Urban computing op om hun ogen te openen voor de mogelijkheden. 'Stel, een ondernemer wil een winkel openen in een stad. Hij wil dat het liefst op een plek waar overdag zo veel mogelijk mensen langskomen. Het stadsbestuur wil de drukte juist wat spreiden en wil ook dat niet alle winkels op een kluitje zitten.' Baratchi's studenten ontwierpen in de internationale NetMob Future cities challenge, een algoritme dat data over winkellocaties en mobiliteitsdata gebruikt om voorstellen te doen over optimale locaties. Locaties waarmee ondernemer én stadsbestuur tevreden kunnen zijn.
De algoritmen die Baratchi ontwerpt, wil ze steeds beter maken. Ze moeten patronen gaan herkennen, rekening houdend met alle relaties tussen tijd en ruimte. 'Een belangrijke geografische wet is dat alles met alles samenhangt, maar dingen die dicht bij elkaar zijn meer dan andere. Zo ligt de temperatuur in een stad vaak dichterbij de temperatuur in een nabije andere stad dan bij de temperatuur in een stad verder weg. Ik probeer mijn algoritmes slim genoeg te maken om dat te begrijpen en die informatie te gebruiken.
Baratchi wil ook dat haar algoritmen data kunnen gebruiken uit verschillende bronnen, met verschillende technieken verzameld en van verschillende kwaliteit. Het algoritme moet slim genoeg zijn om zich aan te passen aan de data die het krijgt aangeboden. Zo begeleidt Baratchi een promovendus die natuurbehoud in de Oostvaardersplassen onderzoekt. 'Hier moeten we zelf data genereren, want satellietdata over de ontwikkeling van de vegetatie zijn niet genoeg. We hebben daarom camera's opgehangen om het gedrag van de grote grazers in het gebied te volgen. We hopen bij te dragen aan optimale beslissingen over de gewenste populatiegrootte en interventies.'
Hoewel data driven policy nog geen grote vlucht neemt, zoals Baratchi graag zou willen, biedt ze toch al antwoorden op echte vragen. Bijvoorbeeld over de effectiviteit van passend onderwijs voor kwetsbare kinderen. 'We zijn binnen Leiden-Delft-Erasmus net begonnen met het Centre for BOLD Cities’ (Big, Open and Linked Data, red.). 'We zoeken uit of kinderen met autisme in het concept passend onderwijs tot hun recht komen op een gewone school. Kinderen dragen in de pauze sensoren aan hun kleding om te meten of ze dicht bij andere kinderen zijn of juist wat afgezonderd.'
Waar en hoe lang kinderen in elkaars nabijheid zijn, geeft een indicatie van hun sociale interactie. Ook kan die informatie suggesties opleveren voor wat je bijvoorbeeld aan het schoolplein kunt verbeteren om een inclusievere omgeving te creëren. Met alleen vragenlijsten zou je deze informatie nooit correct en gedetailleerd boven water krijgen.
Studenten van de opleiding Computer Sciences met specialisaties als Data Science en Artificial Intelligence leren van Baratchi ten eerste welke stedelijke problemen zouden kunnen worden opgelost met data. Daarnaast leren ze welke data ze daarvoor nodig hebben en om creatief na te denken over waar ze die data vandaan kunnen halen. Ten slotte leren ze algoritmen te ontwerpen die de relevante informatie uit al die data kunnen halen.
Dit collegejaar bedacht de docente dat haar studenten zich weleens in corona konden verdiepen, een mooi voorbeeld van een spatio-temporeel proces. 'Ze zijn gaan nadenken over hoe ze de epidemie in een model kunnen vangen om de onzekerheid erover te reduceren. Ze leggen het beleid van verschillende landen naast elkaar om aan de hand van resultaten van verschillende maatregelen te leren voorspellen welk resultaat iedere beleidskeuze heeft.' De studenten begonnen in februari, dus ze konden niet erg veel doen voordat de universiteit sloot, relativeert Baratchi. Maar dat haar onderzoeksveld grote mogelijkheden biedt, mag duidelijk zijn.
Dit artikel is ook te vinden in de dossiers Coronavirus en Big Data
bron: Universiteit Leiden
