Machine Learning as a Service - MLaaS

Aanleiding  

In de bestuursakkoorden van 2020 van de steden Roeselare, Brugge en Knokke-Heist wordt sterk ingezet op digitalisering en datagedreven beleid. Lokale besturen hebben nood aan actuele en betrouwbare data om maatschappelijke uitdagingen rond mobiliteit, verkeersveiligheid, leefbaarheid en klimaat beter te begrijpen en gericht beleid te voeren.

Tegelijk ontbreekt het bij veel besturen aan de nodige middelen, expertise en infrastructuur om zelfstandig grootschalige dataverzameling, machine learning en AI-trajecten op te zetten. Hierdoor blijft het potentieel van deze technologieën vaak onderbenut.

Het project had als doel om:

• een toegankelijk platform te onderzoeken waarmee lokale besturen eenvoudig gebruik kunnen maken van machine learning-algoritmes;  
• de opgebouwde expertise rond AI en datagedreven toepassingen vanuit Roeselare verder op te schalen;  
• concrete beleidsvraagstukken te ondersteunen, zoals vergroening, verkeersveiligheid en mobiliteit.  

Het project werd opgebouwd rond drie trajecten:

• Ontwikkeling en validatie van machine learning-algoritmes op basis van luchtbeelden voor toepassingen in de publieke ruimte.  
• Onderzoek naar een MLaaS-platform waarmee besturen zonder gespecialiseerde AI-kennis analyses kunnen uitvoeren.  
• Testen van concrete beleidsgerichte toepassingen binnen de deelnemende steden.  

Kernresultaten

MLaaS-platform

Er werd een Proof of Concept uitgewerkt dat gebruikers begeleidt bij het aanvragen en uitvoeren van een machine learning-opdracht. Daarnaast werden een businessanalyse en UX-analyse uitgevoerd. Hieruit bleek dat een dergelijk platform vooral meerwaarde biedt wanneer het op een hoger niveau wordt aangeboden om voldoende schaalvoordelen te creëren.

Algoritmes en toepassingen

• Groenbeheer: Een succesvol model werd ontwikkeld om solitaire bomen en kleine boomclusters automatisch te detecteren en tellen. Het algoritme zal verder worden ingezet bij de ontwikkeling van beleidsrapporten en voor de monitoring van groenindicatoren, waaronder de 3-30-300-regel in Roeselare.
• Wegmarkeringen: Algoritmes voor inventarisatie werden ontwikkeld
• Wegdekmateriaal: De resultaten waren bruikbaar om bestaande inventarissen aan te vullen, maar de resolutie van luchtbeelden was onvoldoende om alle materialen betrouwbaar te onderscheiden.  
• Wegdekschade: Detectie van kleine schade via luchtbeelden bleek onvoldoende betrouwbaar en werd daarom niet weerhouden als geschikte toepassing.  
• Verkeersborden: Het bestaande classificatiemodel werd uitgebreid met bijkomende categorieën als technische proef.

OSLO-standaardisatie

Binnen het project werd een OSLO-implementatiemodel en vocabularium ontwikkeld voor wegkwaliteit en wegmarkeringen. Deze standaarden werden opgenomen in het OSLO-standaarden register en ondersteunen een betere gegevensuitwisseling tussen overheden.

Uitdagingen

Belangrijke uitdagingen waren:

• Sterke afhankelijkheid tussen algoritmes en het gebruikte beeldmateriaal;  
• Beperkingen van lucht- en satellietbeelden door resolutie, weersomstandigheden en beschikbaarheid.
• Het aanbieden van machine learning-diensten vereist naast een technisch platform ook een passend aankoop- en samenwerkingsmodel. De kostprijs van gespecialiseerde diensten en databronnen maakt een individuele afname door lokale besturen vaak moeilijk. Om schaalvoordelen te realiseren en de toegang tot het platform te vereenvoudigen, is een raamcontract of gezamenlijke aanbestedingsvorm noodzakelijk.
• Juridische en organisatorische complexiteit rond het realiseren van een volledige marktplaats.
• Beperkte interesse van leveranciers in automatische integraties.
• Personeelswissels waardoor kennisverlies en vertraging ontstonden.

Geleerde lessen

• Er bestaat geen universeel algoritme: resultaten hangen sterk af van beeldkwaliteit, seizoen, lichtomstandigheden en toepassingscontext.  
• De timing van dataverzameling is cruciaal: het juiste moment van opname bepaalt mee de kwaliteit van de resultaten.  
• Niet elke toepassing is geschikt voor luchtbeelden: voor gedetailleerde operationele controles, zoals wegdekschade biedt mobiele sensoren vaak betere resultaten.  
• Lokale context is noodzakelijk: algoritmes moeten afgestemd worden op lokale kenmerken en regelgeving.  
• Schaal is belangrijk: een MLaaS-platform wordt pas rendabel wanneer het breed beschikbaar wordt gesteld aan meerdere besturen.
• Standaardisatie is essentieel: Om data en algoritmes duurzaam inzetbaar te maken over verschillende organisaties heen, is een gemeenschappelijk datamodel en duidelijke standaardisatie noodzakelijk. Door gebruik te maken van standaarden zoals OSLO wordt gegevensuitwisseling tussen lokale besturen eenvoudiger en wordt hergebruik van oplossingen mogelijk.

Meer informatie over het project, de doelstellingen, partners en resultaten is terug te vinden op de projectpagina van Stad Roeselare.

Budget

879.704,03 euro