Schiphol is (via Computable) bezig met het testen van video-analyse met deep learning. Door het laden en lossen van toestellen te volgen hoopt men vertragingen te voorkomen.
Het door Schiphol ontwikkelde systeem heet Turnaround Insights. Met het systeem wil men het zogenoemde omdraaiproces (het keren en klaarmaken van het vliegtuig; van aankomst tot vertrek) verbeteren. Tijdens dat omdraaiproces vinden een hoop activiteiten plaats. Denk aan het uitstappen van passagiers, het schoonmaken, het uitladen van bagage en het tanken. Elke verstoring van die activiteiten kan (via een domino-effect) leiden tot een vertraging van een vlucht.
Het omdraaiproces wordt op Schiphol geregistreerd door een geavanceerd camerasysteem. Turnaround Insights zet vervolgens Artificial Intelligence (of specifieker: deep learning-technologie) in om de beelden te vertalen naar bruikbare data.
Lees meer: Wat is Computer Vision en wat is het verband met AI?
Tekst gaat verder onder de afbeelding.
Laten we voordat we verdergaan op het AI-systeem van Schiphol eerst even een stapje terugdoen. Wat is deep learning ook alweer?
Deep learning is een subset van machine learning dat diepe neurale netwerken inzet. Een diep neuraal netwerk heeft met meerdere lagen, hetgeen complexe transformaties mogelijk maakt. Met deep learning kunnen we patronen ontdekken binnen ongestructureerde data. Neem een systeem dat bepaalt hoeveel voertuigen van een bepaald merk en model langsrijden. Dat krijgt toegang tot een databank van autotypen, waaronder hun vorm, grootte en motorgeluid. Vervolgens worden de gegevens die door camera’s en microfoons in de weg verzameld. Door deze gegevens te vergelijken met de gegevens die het geleerd heeft, kan het met een bepaalde waarschijnlijkheid voertuigen classificeren.
Andere deep learning-toepassingen, zijn bijvoorbeeld het transcriberen van gesproken woorden, en het lezen en interpreteren van medische scans.
We geven nog een voorbeeld: stel je voor dat je frauduleuze creditcard-transacties wilt voorspellen. Bij deep learning betekent dat concreet dat elke laag van het neuraal netwerk in staat is om een specifieke eigenschap te herkennen. De eerste laag gaat bijvoorbeeld op zoek naar hoge bedragen, de tweede naar banken in het buitenland, etc. Komt het systeem met een fout antwoord dan past het netwerk het gewicht dat mee wordt gegeven aan bepaalde neuronen aan. Zo kan een buitenlandse bank uiteindelijk minder belangrijk zijn bij het herkennen van een frauduleuze creditcard-transactie en dus minder zwaar mee moeten wegen. De volgende voorspelling zal op die manier beter kloppen.
Lees meer: Wat zijn predictive en prescriptive analytics en wat is het verschil?
Zoals gezegd registreren de camera’s op Schiphol het omdraaiproces. Deze data moet Schiphol helpen om vertragingen te voorspellen en te voorkomen. Het deep learning-systeem herkent namelijk handelingen op de beelden, zoals het koppelen van een tankwagen – net zoals de auto’s in ons voorbeeld. Op die manier kan de voortgang van het omdraaiproces dus nauwlettend gevolgd worden.
Met de data moet het vervolgens mogelijk zijn om verstoringen in het omdraaiproces in de toekomst te voorkomen. Je kunt via deep learning-analyses namelijk ook nagaan wat er in de toekomst gaat gebeuren. Of nog een stap verder dan het, met een bepaalde zekerheid, voorspellen wat er in de toekomst gaat gebeuren: het bepalen wat je concreet moet gaan doen. Hoe kan vertraging in de toekomst voorkomen worden?
Meer lezen over dit onderwerp?
Misschien vind je deze artikelen ook interessant:
Historische figuren gefotografeerd met Artificial Intelligence (AI)
Artificial Intelligence ingezet bij detectie tumoren in longen en bloed
Deep fake-video’s kunnen onze mening over een persoon veranderen
De inzet van AI en deep learning bij de analyse van scans
