In het vorige artikel beschreven we de keten van slimme oplossingen: van sensordata verzameld door Internet of Things-toepassingen naar de analyse van deze Big Data met Artificial Intelligence. We drukten deze keten vervolgens uit middels een infographic. In dit vervolgartikel geven we een aantal voorbeelden van slimme oplossingen, waarbij deze keten van technologieën ingezet wordt. Het gaat om real world-toepassingen, die ons dagelijks leven kunnen verrijken en verbeteren. We gaan in op luchtkwaliteit, watermanagement, zorgtoepassingen en de plaats waar al deze toepassingen samenkomen: Smart Cities.
Spring naar:
Luchtkwaliteit
Watermanagement
Zorgtoepassingen
Smart Cities
Op veel plekken op de wereld zijn de niveau’s van luchtvervuiling gevaarlijk. Luchtkwaliteit in steden is een wereldwijde uitdaging voor overheden, toezichthouders, stadsbeheerders en burgers. Er is een toenemende focus van alle belanghebbenden op het begrijpen van de niveaus en oorzaken van luchtverontreiniging om interventies mogelijk te maken om het te bestrijden. Veel van de enorme investeringen in groene energie, elektrische voertuigen en de elektrificatie van spoorwegdiensten worden aangedreven door de noodzaak om luchtvervuiling te verminderen. De exacte hoeveelheid vervuiling fluctueert met weersomstandigheden, luchtvochtigheid, temperatuur en wind. Zodoende is het extreem moeilijk om de luchtvervuiling te voorspellen en hebben inwoners vaak niet genoeg tijd om zichzelf te beschermen.
De infrastructuur voor monitoring van de luchtkwaliteit in de meeste steden is beperkt vanwege de hoge installatie- en operationele kosten van vaste meetstations. Dit betekent dat gegevens schaars zijn, waardoor het moeilijk is om de vervuilingsniveaus te meten die burgers in hun dagelijks leven ervaren. Vooruitgang in sensoren, IoT en mobiele communicatietechnologieën hebben geleid tot de opkomst van kleinere, draagbare, goedkopere sensoren waarmee de luchtkwaliteit in realtime kan worden gemeten en gerapporteerd aan Cloud-gebaseerde platforms. Big Data-mogelijkheden, zoals analyse met machine learning, kunnen vervolgens worden toegepast op deze en gerelateerde datasets, zoals weer en verkeer, om de oorzaken en schommelingen in luchtvervuiling te begrijpen.
De talrijke factoren die bijdragen aan luchtverontreinigingsniveaus worden door aangesloten sensoren geregistreerd en vervolgens door machine learning geanalyseerd. Hoewel de gegevens te complex zijn voor menselijke analisten om patronen te kunnen detecteren, kunnen AI-technologieën de verzamelde Big Data verwerken om trends vast te stellen. Die trends worden op hun beurt gebruikt om prognosemodellen te bouwen en mogelijke toekomstscenario’s te creëren. Na een voorspellende analyse zijn deze systemen in staat om voorspellingen veel effectiever dan ooit tevoren te maken. Denk aan voorspellingen van meerdere dagen in een hoge resolutie en met een hoge nauwkeurigheid, waardoor burgers meer waarschuwing en planningstijd krijgen. Consumenten, bedrijven en steden vroegtijdig worden gewaarschuwd om zich voor te bereiden op vervuilende gebeurtenissen of juist om een dagje buiten in de frisse lucht te plannen.
De door de IoT-toepassingen verzamelde data kan daarnaast gecombineerd worden met andere gegevensbronnen. Grondsensoren vormen de kern van dergelijke berekeningen, maar er kunnen ook gegevens uit social media gebruikt worden om een groter beeld te vormen van de situatie ter plaatse. Denk daarnaast aan de luchtkwaliteitsgegevens afkomstig van satellieten, of aan metingen van pollen in de lucht. Duizenden parameters kunnen worden gecombineerd en afgestemd op verschillende seizoenen en op verschillende locaties. Met behulp van de machine learning-technologie nemen we enorme hoeveelheden gegevens van al deze weerstations, satellieten, sociale media, en kunnen we niet alleen exacte verontreinigende stoffen en hun bronnen identificeren, maar ook trends in de gegevens creëren.
De resultaten kunnen worden ingezet om ons leven te verbeteren. Voorbeelden zijn wearables die outdoor-training aanbevelen wanneer de voorspelling frisse lucht suggereert, cosmetische bedrijven die van te voren advies geven over welke producten (bijvoorbeeld zonnebescherming) moeten worden gedragen en luchtzuiveringsinstallaties die automatisch starten, al voordat de vervuilingsniveaus stijgen. De gegevens helpen niet alleen de burgers van vandaag om zich voor te bereiden op de dagelijkse omstandigheden, maar ze helpen ons ook om de luchtkwaliteit blijvend te verbeteren. Zo kunnen we vervuilers identificeren en bepalen welke maatregelen effectief zijn om de vervuiling te verminderen.
Een van de gebieden die sterk beïnvloed kan worden door slimme oplossingen is waterbeheer. Vaak richt het debat zich op de slimme meter, maar in een wereld van IoT is dit slechts het topje van de ijsberg. De nieuw ontwikkelde sensortechnologieën hebben de potentie om verschillende aspecten van de waterkwaliteit te bewaken. En de combinatie van sensoren met voorspellende analyses, kan op termijn bijdragen tot aanzienlijke voordelen voor waterbeheer, bescherming van natuurlijke hulpbronnen en de aanpak van milieuproblemen.
Denk bijvoorbeeld aan het detecteren van subtiele trends of milieuveranderingen, die cruciaal kunnen zijn voor de volksgezondheid en veiligheid, of voor saneringsinspanningen. Ook kan IoT ingezet worden om het energieverbruik te verminderen. Als we weten wat de watervereisten in een stad zijn, kunnen we de pompen gedurende de dag zodanig inplannen dat er geen onnodige energie verloren gaan. Met behulp van data-analyse kunnen we verder het optimale opslagniveau achterhalen, bepalen wanneer er het beste water onttrokken kan worden aan een grondwaterbron en onderzoeken wat de beste tijd is om gezuiverd afvalwater te lozen. En dan eens aan slimme irrigatie, waarmee de vraag naar water aanzienlijk wordt verminderd.
Er is een grote behoefte aan niveausensoren die worden ingezet in reservoirs. Niveausensoren zijn speciaal ontworpen sensoren die het waterniveau kunnen bepalen. Dit vastgestelde waterniveau kan vervolgens worden gecommuniceerd naar de centrale servers, die worden ingezet voor effectief waterbeheer. Een van de cruciale uitdagingen van waterbeheer is het bepalen van de hoeveelheid water die een stad of streek gedurende de dag gaat gebruiken. Dit kan nauwkeurig worden berekend met behulp van voorspellende analyses, mede door historische gegevens, evenementen, vakanties en het weer te combineren. Wanneer we kennis hebben over de hoeveelheid water die nodig is voor het totale verbruik in een stad op een bepaalde dag, wordt het gemakkelijk om het waterniveau in een reservoir te handhaven en naar bovenliggende tanks te pompen, zoals vereist gedurende de dag.
IoT helpt bij het plannen van het onderhoud en het afsluiten van pompen. Een pompstationcontroller zal bijvoorbeeld worden uitgerust met diagnoses voor het bewaken van de conditie van de pompen, hun hydraulische prestaties en energie-efficiëntie, en zal indien nodig een onderhoudsinterventie kunnen aanvragen. Hiermee kunnen we overstappen van reactief naar preventief onderhoud, gebaseerd op de werkelijke toestand van de installatie en de apparatuur, waarmee betrouwbaarheid en beschikbaarheid toenemen. Middels machine learning kunnen we ook systemen maken die overstromingen kunnen voorspellen, waardoor gemeenschappen zich kunnen voorbereiden, en we middels preventief ingrijpen misschien zelfs catastrofale gebeurtenissen kunnen voorkomen.
Tekst gaat verder onder de afbeelding.
De gezondheidszorg genereert elke dag enorme hoeveelheden patiëntgegevens (medische dossiers, afbeeldingen en video’s). Deze worden niet langer uitsluitend gebruikt voor het bijhouden van de voortgang van patiënten, maar ook geïntegreerd in voorspellende analyses, waarmee trends gevonden kunnen worden die de patiëntenzorg verbeteren. Daarvoor worden er ook grote hoeveelheden gegevens van draagbare medische hulpmiddelen toegevoegd.
Met alle aangesloten apparaten kunnen we ziekten voorkomen en behandelen, en ook de zorgverlening, qua efficiëntie en logistiek, verbeteren. De impact van IoT op gezondheid en welzijn van de patiënt is geen futuristische droom. Het helpt artsen al om gepersonaliseerde zorg te bieden, ziekenhuisopnames te verbeteren en levens te redden. Patiënten krijgen bijvoorbeeld persoonlijke dashboards om betere gezondheidsresultaten te behalen, en zorgverleners krijgen toegang tot uitgebreide en longitudinale patiëntgegevenssets met gepersonaliseerde beslissingsondersteuning. Ook begrijpen we risicofactoren voor ziekten beter.
Wanneer het verzamelen van informatie geautomatiseerd wordt, kunnen artsen zich richten op de zorg. Tegelijkertijd kunnen managers de inzichten gebruiken als leidraad bij operationele verbeteringen, aankoopbeslissingen en veiligheidsprotocollen. De gegevens kunnen op een doordachte, patiëntgerichte manier worden gepresenteerd, ook kunnen ze ingezet worden om clinici te waarschuwen voor subtiele veranderingen in de gezondheid van patiënten.
Data-analyse met behulp van AI zal de zorg voor de patiënt verbeteren, zo levert het modellen op die op massale schaal deskundige inzichten en analyses bieden, tegen relatief lage kosten. Naarmate de hoeveelheid en de complexiteit van de medische gegevens toeneemt – gevoed door draagbare biosensoren, neemt ook het potentieel voor machine learning toe. Een draagbare sensor kan een continue gegevensstroom genereren, bijvoorbeeld over de vitale functies van een persoon. Die gegevens kunnen worden gebruikt voor bewaking en alarmering. Neem een waarschuwingssysteem voor bloedvergiftiging, waarmee de symptomen van de patiënt bewaakt kunnen worden. Gegevens worden verzonden naar een centrale hub in de Cloud, waar algoritmen effectief kunnen voorspellen welke patiënten risico lopen. Medici kunnen dan ingrijpen, hetgeen resulteert in een 20 tot 30 procent grotere overlevingskans.
Honderden of zelfs duizenden geneesmiddelen en vaccins voor de behandeling van kanker worden getest. Het is de uitdaging om manieren te vinden om met alle resulterende gegevens te werken. Machine learning is in staat een hele reeks inzichten te bieden en patronen in gegevens te vinden die leiden tot doorbraken in therapieën of behandelingen. Onderzoekers verkennen bijvoorbeeld het gebruik van machine learning om radiologen te helpen. Machine learning biedt de potentie om prognoses te stellen en de diagnostische nauwkeurigheid te verbeteren.
Voorspellende analyses worden gebruikt om een depressie te diagnosticeren en behandelen, met als doel het produceren van een testbatterij voor gebruik in klinische omgevingen. Machine learning wordt ook toegepast op het monitoren en voorspellen van epidemieën, op basis van gegevens verzameld van satellieten, historische informatie op het web, realtime updates van sociale media en andere bronnen. Hiermee kunnen bijvoorbeeld malaria-uitbraken voorspeld worden, rekening houdend met gegevens zoals temperatuur, gemiddelde maandelijkse regenval en totaal aantal positieve gevallen.
Het toepassen van voorspellende analyses bij het identificeren van kandidaten voor klinische proeven zou kunnen putten uit gegevens afkomstig van sociale media en doktersbezoeken, evenals genetische informatie bij het zoeken naar specifieke populaties; dit zou in het algemeen resulteren in kleinere, snellere en goedkopere proeven. Machine learning kan ook worden gebruikt voor verhoogde veiligheid van deelnemers; bijvoorbeeld het monitoren van letsel bij deelnemers.
Gepersonaliseerde geneeskunde, of een effectievere behandeling op basis van individuele gezondheidsgegevens in combinatie met voorspellende analyses, is ook een populair onderzoeksgebied. De medische informatie en geschiedenis kan gebruikt worden om de selectie van behandelingsopties te optimaliseren. Een toenemend gebruik van micro-biosensoren en mobiele apps met monitoring op afstand, zullen een stortvloed aan gegevens bieden die kunnen worden gebruikt om te helpen bij de doeltreffendheid van de behandeling. Gepersonaliseerde behandeling heeft belangrijke implicaties voor het individu in termen van gezondheidsoptimalisatie, maar ook voor het verlagen van de totale zorgkosten.
Om diabetes te controleren, worden een bloedglucosemeter, een draagbare fitnesstracker en een app gecombineerd. Hiermee kunnen de vitale functies en bloedsuikerspiegel van een patiënt in realtime worden gevolgd, in relatie tot fysieke activiteit. De arts kan de patiënt op afstand observeren en de patiënt kan communiceren met het kantoor van de dokter. Fout gedrag kan snel worden opgevangen en mensen in het voorstadium van diabetes kunnen een normaal, gezond leven leiden. Artsen leren veel sneller over de oorzaken van chronische ziekten, dankzij een ‘vogelperspectief’ op het leven van hun patiënt.
Slimme steden hebben met elkaar gemeen dat ze hun diensten en activiteiten doeltreffender willen maken. Daartoe zetten de steden uiteenlopende middelen in, die echter vaak gebruikmaken van technologie. De mate waarin ICT geïntegreerd is in het leven in de stad geldt voor sommigen zelfs als het criterium dat slimme steden onderscheidt van andere steden. Door slim gebruik te maken van technologie en data wordt gewerkt aan oplossingen voor maatschappelijke issues. Onder meer op het gebied van klimaatverandering, veiligheid, volkshuisvesting, arbeidsparticipatie, mobiliteit en gezondheid.
Al eeuwenlang zetten mensen alle beschikbare technologieën in om steden aantrekkelijk te maken. De nieuwste (ICT-)technologieën maken een soort utopische, ideale schone Smart City nu echt denkbaar. Technologie wordt gebruikt om de kwaliteit, prestatie en interactiviteit van stedelijke diensten te verbeteren, de kosten en het verbruik van middelen te verminderen en het contact tussen burgers en overheid te verbeteren. Zo wordt het ook mogelijk een stad beter te beheren en te besturen, onder meer door de efficiëntie van diensten te verbeteren. De technologie staat bestuurders toe om direct met de gemeenschap en de infrastructuur te communiceren. En ook om te controleren wat er in de stad gebeurt en hoe de stad zich ontwikkelt. Hiermee wordt een betere levenskwaliteit mogelijk gemaakt. Een slimme stad is namelijk alleen echt slim als deze niet alleen technologie bezit, maar deze technologie ook heeft geïmplementeerd op een manier die de gemeenschap positief beïnvloedt.
Smart Cities draaien om de voortdurende heroriëntatie van stedelijke vraagstukken op basis van technologie. Een van die vragen is: hoe zorgen we dat steden leefbaar blijven/worden? In een Smart City zijn alle onderdelen van de stad (apparaten, voertuigen en gebouwen) ingebed met elektronica, software, sensoren, actuatoren en netwerkconnectiviteit. Deze objecten zijn allemaal met elkaar verbonden, waardoor ze gegevens kunnen verzamelen en uitwisselen. In een Smart City komen alle bovenstaande slimme oplossingen samen. We maken onze steden slim om onze levens(kwaliteit) te verbeteren. We doen dit onder meer door te zorgen voor schonere lucht, beter watermanagement en voor iedereen beschikbare gezondheidszorg.
Gegevens staan centraal in de slimme stad. Deze gegevens kunnen uit vele bronnen komen, waaronder instanties (zoals demografische gegevens en schooldata) en burgers (actief of passief, onder meer door ingebouwde sensoren in smartphones). Veelal zal de data echter afkomstig zijn van IoT. In een smart city wordt deze voortdurend aanzwellende stroom gegevens (Big Data) die de stad continu genereert intelligent benut. Belangrijk hierbij is het realtime verzamelen van informatie. Met de Big Data kunnen we middels (machine learning-)analyses patronen ontdekken en voorspellingen doen.
Smart Cities beantwoorden vragen als: hoe slaan we energie op en hoe kunnen we energie slim distribueren? Ook zijn de verkeersdeelnemers en infrastructuur smart gemaakt met IoT en sensoren die, een breed scala aan informatie kunnen verzamelen, zoals over verkeer of luchtvervuiling. Slimme steden vertrouwen op nauwkeurige gegevens om goed te functioneren.
Technologie maakt de volgende functies mogelijk, die de sleutels zijn voor het bereiken van de doelen en het optimaliseren van de prestaties van de slimme stad: informatie- en kennisdeling, voorspellingen en integratie. Deze technologie ingezet om de efficiency van systemen te verbeteren, kosten te reduceren, betrouwbaarheid te verbeteren en betere dienstverlening te bieden. Smart Cities gebruiken IoT-apparaten om data te verzamelen, analyseren en uit te wisselen. Deze communicatie is wat de steden echt slim maakt. Met deze juiste connecties en data kan het IoT verkeersopstoppingen, geluidsoverlast, criminaliteit en vervuiling verminderen.
IoT kan in Smart Cities ingezet worden voor een schoner milieu. We kunnen monitoren waar (chemisch) afval gedumpt wordt en in welke hoeveelheden. Daarmee kunnen we milieuvervuiling terugdrijven. Of denk eens aan slimme ondergrondse afvalcontainers die zelf aangeven of ze geleegd moeten worden. De planning en route van vuilniswagens kan daarmee vele malen efficiënter worden geregeld. Ook worden in veel Smart Cities oude straatlantaarns vervangen door slimme LED-verlichting, uitgerust met sensoren. De verlichting gaat alleen aan wanneer een voetganger of voertuig nadert.
Ook wat betreft energieverbruik kunnen Smart Cities veel winnen met de inzet van IoT. Met smart grids kan een besparing bewerkstelligd worden, evenals met slimme meters in woningen. Er wordt bijvoorbeeld geëxperimenteerd met de combinatie van energieopslag en zonnepanelen. De batterijen van de opslag helpen de druk op de grid verminderen tijdens piekuren door energie op te slaan tijdens de rest van de dag. En met de zonnepanelen wordt overgebleven gewonnen energie teruggebracht in de grid.
Middels een app op je telefoon kun je dankzij de sensoren in een Smart City zien waar er nog een parkeerplaats is voor je auto. Een andere IoT-toepassing op het gebied van verkeer zijn slimme stoplichten die zorgen voor betere doorstroming van het verkeer. Minder opstoppingen, minder files en minder smog. En wanneer je de gehele verkeersstroom kunt monitoren en analyseren, kun je verkeer ook via een andere route laten rijden, zeker als blijkt dat weggebruikers op bepaalde punten bijvoorbeeld steeds hard moeten remmen. Ten slotte kun je denken aan apps die het gedrag van de auto meten en daarmee kunnen bepalen waar het wegdek slecht is, zodat wegwerkers gericht aan het werk kunnen.
Dit artikel is onderdeel van een serie.
Lees meer:
Deel 1 – De keten van slimme oplossingen: sensoren, IoT, Big Data en AI
Deel 3 – Verdieping: smart oplossingen met Fog computing en deep learning
Infographic – De keten van slimme oplossingen: sensoren, IoT, Big Data en AI
Bronnen – Bronnen 3Bplus artikelen slimme oplossingen