AI binnen de overheid? Let op de randvoorwaarden

Gepubliceerd op: 30 maart 2022

Praktische Problemen

“Vroeger was Rijkswaterstaat in brede context een aanlegorganisatie,” vertelt Wouter Visser, strategisch adviseur voor inkoopzaken bij Rijkswaterstaat Centrale Informatievoorziening. “Nu is de organisatie meer gericht op onderhoud en renovatie. Het inkopen van inspecties en onderhoud kost veel geld en arbeidskracht, dus daar kwam de vraag op: kan dit niet efficiënter?” Hierbij speelde mee dat de organisatie weinig zicht had op de gezondheid van de verschillende assets.

“Op het moment dat je een marktpartij wil betrekken is het handig als je weet wat de risicoverdeling is,” zegt Gilbert Westdorp, senior-adviseur bij Rijkswaterstaat. “Je kan moeilijk vragen: ‘Hoeveel kost het om de komende jaren deze sluis te onderhouden? We hebben alleen geen idee hoe gezond die is…’ Het risico voor aannemers is dan niet te overzien.” Door te analyseren, onder andere met AI, krijgen wij en onze aannemers een beter beeld van de technische toestand van ons areaal en kunnen we beter onderbouwde besluiten nemen over het beheer en onderhoud en de daarbij behorende kosten en risico’s.

Mogelijkheden

Binnen het programma Datagedreven assetmanagement test Rijkswaterstaat de mogelijkheden om, mede met behulp van AI, objecten te monitoren en analyseren. Een van de onderdelen die hierbij wordt onderzocht is de mogelijkheid om het onderhoud efficiënter uit te voeren. “Een van de partijen heeft zich in de pilot Eefde op de verfconditie gericht,” vertelt Gilbert. “Normaal verven we bijvoorbeeld een hele sluisdeur elke tien jaar opnieuw. Dat is milieubelastend, geeft hinder voor de scheepvaart en is ook duur. Maar dat kan ook pleksgewijs, als je weet waar het nodig is. Dat is veel goedkoper.”

Uitdagingen

De andere uitdaging is dataverzameling. “Een sluis, brug of tunnel heeft data,” legt Gilbert uit, “maar die blijft op het object. We zien steeds beter hoe waardevol die data is.” Daar komt nog bij dat elk object een ander systeem heeft. “Er was geen standaardisatie,” voegt Wouter toe. “Eigenlijk was er maar één test: kan de brug omhoog en naar beneden? Dan is het in orde. Bij het bedienen van bruggen op afstand zagen we al de voordelen van gestandaardiseerde systemen. Dat proces zijn we nu Rijkswaterstaat breed aan het doorzetten.”

Aanbestedingen

Voor de pilots binnen dit project heeft Rijkswaterstaat een deel in eigen beheer uitgevoerd, maar ook veel uitbesteed. Hierbij kwamen weer nieuwe uitdagingen aan de oppervlakte. “Mogen wij de data van een voorgaande contractor gebruiken?” vraagt Wouter. “Anders hebben zij een concurrentievoordeel bij de aanbestedingsprocedure.” Een volgende vraag is wie de data gaat analyseren: is dat deel van de contracten? Of wordt dat een specifiek uitbestedingsdomein?

Geleerde lessen

“We hebben gemerkt dat bedrijven vaak ook niet weten wat de allerbeste manier is om zaken grootschalig aan te pakken,” merkt Wouter op. “De markt kijkt altijd naar onze aanbestedingen. Dat zijn eigenlijk vertaalslagen van het beleid naar de markt. En we weten niet zeker of dat wel de weg voorwaarts is.” Zo komt ook Rijkswaterstaat uit bij de steeds terugkerende vraag: make or buy?

“Die keuze is heel belangrijk voor de voortgang van AI-ontwikkeling, maar erg lastig te evalueren,” vertelt Wouter. “Intellectueel eigendom, schaalvergroting, toepasbaarheid: is allemaal nog lastig te evalueren. Alle processen en type assets zijn uniek. Onze grote les is eigenlijk: we moeten met elkaar praten. Use cases zijn de enige manier om duidelijk te maken welke problemen er zijn, en welke kansen er liggen.”

“Data en AI leveren voor veel mensen vraagtekens op. Dan komen ze snel in de controlemodus,” vertelt Wouter. “Daarom moeten we goed nadenken over welke informatie essentieel is. Wat moet je welke mensen voorleggen? Vraag ik een oordeel, instemming, of een besluit? Hoort dit besluit wel op deze tafel, moet het dichter bij het proces zelf belanden? Niet iedereen heeft dezelfde informatie nodig.”

“Het is 20% techniek, en 80% organisatie,” vult Gilbert aan. “Daarnaast krijgen we steeds beter in beeld wat er allemaal mogelijk. Faaldata is bijvoorbeeld ontzettend schaars. Onze openbare data is voor bedrijven daarom misschien heel waardevol, voor de doorontwikkeling van AI in Nederland.”

Delen via: