Klantcase
Agentschap Telecom

AI wijst inspecteurs de weg naar het grootste risico

Hoe Agentschap Telecom data en machine learning inzet om de kans op graafschade te voorspellen — en inspecteurs helpt hun aandacht te richten op de situaties waar het risico het grootst is.

OCI-infrastructuur met een Oracle-omgeving en Microsoft Azure-omgeving erboven
Klant Agentschap Telecom
Context Toezicht op naleving van de WIBON
Expertise Data Platforms, Analytics & Intelligence, AI & Applications
Oplossing Voorspellend risicomodel voor graafschade

Gerichter toezicht op honderdduizenden graafwerkzaamheden

Jaarlijks vinden in Nederland circa 700.000 mechanische graafwerkzaamheden plaats. Agentschap Telecom hield toezicht op de naleving van de WIBON en voerde jaarlijks honderden inspecties uit.

Graafschade aan ondergrondse kabels en leidingen kan grote economische en maatschappelijke gevolgen hebben — de directe herstelkosten liepen op tot ruim €38 miljoen in 2020. Tegelijkertijd is het onmogelijk om iedere graafactiviteit te inspecteren: de uitdaging was niet om méér inspecties uit te voeren, maar om beter te bepalen waar toezicht de meeste impact kon hebben.

Infographic met het aantal graafmeldingen, calamiteiten en oriëntatieverzoeken per jaar (2016–2020) en de totale directe herstelkosten van graafschade, oplopend tot €38,4 miljoen in 2020

Bron: Infographic "WIBON en schade door graven", Agentschap Telecom, 31-5-2021

Onze aanpak

Data combineren om risico voorspelbaar te maken

  1. Data verzamelen

    Kaartgegevens, glasvezelaanleg, graafmeldingen, weersinformatie en historische schadegegevens samengebracht in één toepassing.

  2. Risico modelleren

    Full Orbit werkte samen met Agentschap Telecom, DICTU en Oracle om deze data te vertalen naar een voorspellend Machine Learning-model.

  3. Kans op graafschade voorspellen

    Een Random Forest-model schat voor elke graafmelding de kans op schade, op basis van historische en actuele kenmerken.

  4. Inspecties prioriteren

    Inspecteurs kunnen hun beperkte capaciteit gerichter inzetten op de meldingen met het hoogste risico.

Een risicoscore bij elke graafmelding

In een interactieve toepassing kregen inspecteurs relevante informatie over graafmeldingen in hun omgeving bij elkaar te zien — van actuele kaartgegevens tot geplande glasvezelaanleg en historische schadegegevens.

Daarbovenop voorspelt een Machine Learning-model (Random Forest) op basis van historische gegevens hoe groot de kans op graafschade is bij een nieuwe KLIC-melding. Het resultaat: iedere graafmelding krijgt een risico-indicatie waarmee inspecteurs hun werk gerichter kunnen prioriteren.

Voorbeeldschermen uit de Shiny-toepassing: kaartweergave met graafmeldingen en risico-indicatoren, met keuze uit meerdere kaartlagen zoals luchtfoto, bodemkaart en polygonen
De kern

Data stuurt de inspectieplanning

Door meerdere databronnen te combineren en een voorspellend model te ontwikkelen, kreeg Agentschap Telecom een datagedreven basis om schaarse inspectiecapaciteit gerichter in te zetten.

Download de klantcase
Meerdere databronnen gecombineerd Kaartgegevens, glasvezelaanleg, graafmeldingen, weer en historische schade in één toepassing.
Voorspellend risicomodel Een Random Forest-model schat de kans op graafschade per graafmelding.
Risicogestuurd toezicht Inspecteurs richten hun aandacht op de meldingen met het hoogste risico.

Een concreet fundament voor risicogestuurd toezicht

82%

Nauwkeurig voorspelmodel

Het voorspelmodel classificeerde 82% van de voorspellingen correct — bewijs dat historische en actuele data de kans op graafschade goed kunnen inschatten.

6 → 2 uur

Snellere modeltraining

Door Machine Learning dichter bij de data uit te voeren (Oracle Machine Learning for R), daalde de trainingstijd van het model aanzienlijk.

62%

Betrouwbare risicovoorspelling

62% van de door het model voorspelde schadegevallen bleek ook daadwerkelijk schade (PPV) — een belangrijke indicator voor risicogestuurd toezicht, waarbij inspecteurs hun aandacht richten op de meldingen met de hoogste voorspelde kans.

De hoge veroorzaakte economische schade in combinatie met het kunnen beschikken over een groot aantal relevante databronnen, maakte glasvezel gerelateerde graafschade voor ons een relevant thema voor het starten van een pilot. De doelstelling hiervan was om met behulp van data-analyse het aantal meldingen van graafschade te kunnen reduceren.

Dr. Ryanne van Dalen Data Scientist, Agentschap Telecom

Ook meer waarde halen uit de data die je al hebt?

Full Orbit helpt organisaties data, analytics en AI te vertalen naar concrete toepassingen die besluitvorming verbeteren en processen slimmer maken.