Machine Learning helpt met bestrijden zwerfafval

Maarten Sukel promoveerde afgelopen vrijdag 8 november op zijn onderzoek aan de Universiteit van Amsterdam. Hij onderzocht hoe machine learning kan worden verbeterd met het gebruik van data uit verschillende modaliteiten, zoals beeld, tekst, tijd of geografische data. Sukel adviseert om deze techniek in te zetten om stedelijke problemen zoals zwerfafval aan te pakken.

Machine learning
Machine learning is een tak van kunstmatige intelligentie (AI) waardoor computers kunnen leren en hun prestaties kunnen verbeteren. Door het gebruik van geavanceerde algoritmen en data-analyse kunnen machine learning-systemen complexe problemen oplossen en efficiëntie creëren in verschillende sectoren. “Kunstmatige intelligentie is nuttiger dan alleen een systeem dat tekstjes kan schrijven en grappig plaatjes kan maken. Het kan ook helpen de maatschappij een mooiere, schonere en efficiëntere plek te maken,” zegt Sukel.

Proefschrift
In zijn proefschrift, getiteld ‘Machine Learning with Geo, Temporal, Textual, and Visual Data for Real World Applications’, beschrijft Sukel machine learning-modellen en -applicaties die tegelijkertijd gebruik maken van geografische, tijdelijke, tekstuele en visuele data, zoals foto’s. De modellen en applicaties zijn toegepast en getest in echte toepassingen, zoals het detecteren en classificeren van zwerfafval en andere stedelijke problemen op basis van de data.

Conclusie
Sukel concludeert dat machine learning de efficiëntie van bijvoorbeeld grofvuil- of zwerfafvalverzameling aanzienlijk kan verbeteren door automatische herkenning en classificatie van afval in de juiste categorie. Dit leidt niet alleen tot kostenbesparingen, maar ook tot een schonere en aangenamere stad.

Beeldherkenning
“Real-time beeldherkenning maakt het mogelijk om problemen met zwerfafval snel en effectief op te lossen, vooral in drukke stadsomgevingen. Hierdoor is het technologisch mogelijk om niet alleen te herkennen waar een melding van een inwoner over gaat, maar kan er ook met camera’s op voertuigen worden herkend of er objecten in de openbare ruimte zijn die de aandacht van de lokale overheid kunnen gebruiken voor een leefbaardere stad.”

Het ontwikkelde systeem is niet alleen toepasbaar in Amsterdam, maar kan ook worden ingezet in andere steden. Ook kan het van pas komen voor het herkennen van gevaarlijke situaties. In 2023 werd er een dataset vrijgegeven voor het ontwikkelen van beeldherkenningsmodellen.

Advies
Sukel adviseert gemeenten om de nieuwe technologie te implementeren en grondig te testen om de effectiviteit te beoordelen. Hierbij is het volgens hem belangrijk om aandacht te besteden aan privacy en gebruiksvriendelijkheid, zodat de technologie toegankelijk is voor alle belanghebbenden. Daarnaast pleit hij voor samenwerking met technologische partners om de technologie verder te verbeteren en aan te passen aan nieuwe uitdagingen. “Ook is het belangrijk om er bij stil te staan dat, zelfs als het systeem privacytechnisch geen informatie opslaat, het rondrijden met camera’s door bewoners vaak gezien wordt als een inbreuk op hun privacy,” aldus Sukel.

Voedselverspilling
Sukel beschrijft in zijn proefschrift ook een complexe machine learning-aanpak, die helpt met het beter voorspellen van de vraag van producten, om op die manier voedselverspilling in de aanleveringsketen te voorkomen. Hiervoor deed Sukel onderzoek bij online supermarkt Picnic.

Lees het artikel van Maarten Sukel over het tegengaan van voedselverspilling

Hoe kan machine learning voedselverspilling tegengaan? Bekijk de video:

Lees het proefschrift van Maarten Sukel

Bronnen:
Machine Learning met geo-, temporele, tekstuele en visuele data – Universiteit van Amsterdam
ABS-onderzoek houdt Amsterdam schoon: real-time beeldherkenning voor verzamelen zwerfafval – Universiteit van Amsterdam
Minder overlast met behulp van machine learning – Universiteit van Amsterdam