Machine Learning
NDW zet in op Artificiële Intelligentie. Eerste stap daarin voor NDW is het toepassen van Machine Learning (MLOps). Machine Learning biedt mogelijkheden die eerder niet zo eenvoudig toepasbaar waren.
Meerwaarde
Meerwaarde voor NDW zit primair in het geharmoniseerd kunnen ontwikkelen van datatoepassingen die door de grotere uniformiteit efficiënter hergebruikt kunnen worden. Daarnaast kan de software eenvoudig worden ingezet met verschillende modellen en datasets.
Drukteverwachting
De eerste toepassingen van MLOps zijn bedoeld om een nauwkeurige drukteverwachting te doen voor een specifiek stuk snelweg. De verwachting kijkt daarbij 48 uur vooruit en levert per 15 minuten een classificatie van de verwachting.
Hiervoor is een model getraind met verkeersdata voor het specifieke stuk snelweg, aangevuld met data over wegwerken, weer, vakanties etc.. De training is ge-optimaliseerd aan de hand van het daadwerkelijk gerealiseerde verkeersbeeld waarvoor het model in de training een verwachting heeft berekend. Het model is in staat om nieuwe data in te lezen en zichzelf verder te trainen.
Hierdoor is het model in staat om rekening te houden met seizoenseffecten en zelfs effecten op het verkeersbeeld als gevolg van lockdowns. En dat allemaal zonder verder extra tussenkomst van een data specialist.
Andere locaties
Machine Learning is zeer geschikt om in te zetten voor, zoals in dit voor¬beeld, patroon- en trendherkenning en in staat om omgevingsfactoren als weer en wegwerken daarin mee te nemen. Door gebruik te maken van een MLOps-omgeving is het verrichte werk goed reproduceerbaar en in te zetten voor andere locaties.