Industrie | Inzicht | Predictie

Kostbare mijnoperatie beter beheersen

RAG, ooit Duitslands grootste mijnbouwbedrijf voor steenkool, moet dagelijks tonnen water uit oude mijnschachten pompen om aan veiligheidsregels te voldoen. Het precieze proces waarmee water de mijn instroomt is echter niet goed begrepen. Landscape heeft een model gemaakt van real-world data om die hoeveelheid water maanden van tevoren te voorspellen. Hoeveel water er gepompt zal moeten worden is hiermee ook van tevoren duidelijk, waardoor RAG hun resources beter en efficiënter kan managen!

Selectical | Literatuuronderzoek | NLP | Active Learning

Literatuuronderzoek in 1/3 van de tijd

Onderzoekers die (systematisch) literatuuronderzoek doen, moeten vaak véle duizenden artikelen screenen om die artikelen te vinden die relevant zijn voor hun onderzoek. Daarbij moeten ze grondig zijn, omdat er vaak niets gemist mag worden. Echter zijn van die duizenden papers vaak slechts een paar honderd relevant. Deze selectie handmatig doen kost ontzettend veel nuttige tijd en is simpelweg niet leuk.

Zonder vooraf gelabelde data

Normaal gesproken train je een AI-model op basis van gelabelde data. Op basis van voorbeelden. Maar dat kan in dit geval niet! De uitdaging is namelijk dat gezien elke literatuurstudie anders is, er geen voorbeelden zijn. Dat labelen van die voorbeelden is eigenlijk precies je werk. Maar dat betekent niet dat je dan geen AI kunt trainen!

En toch AI inzetten

Hiervoor hebben we Active Learning gebruikt: een type AI dat leert van menselijke input en zich continu verbetert tijdens het werken. Zo kan de onderzoeker op dezelfde manier aan de slag met hun werk, terwijl de AI meeleert. Op het moment dat de AI zeker genoeg is dat het de juiste patronen heeft opgepikt, neemt deze het labelen van de artikelen over en hoeft de onderzoeker dit alleen nog te valideren of corrigeren. Scheelt een hoop werk!