Projecten

Laat onze case studies je inspireren voor jullie volgende stap met data en AI. Met welke data-gedreven oplossing kunnen we je helpen?

wallpaper
Project
Natural Language Processing

67% tijdswinst met Active Learning

Onze klant moet wetenschappelijke artikelen selecteren die relevant zijn voor een specifiek onderwerp. Uit vaak duizenden mogelijke interessante papers zijn er een paar honderd daadwerkelijk nuttig. Dit met de hand doen kost veel tijd en is niet leuk om te doen, dus vroeg de klant ons:
Kan AI de werklast verminderen?
Dit is een uitdagend probleem. Om zowel de (menselijke) onderzoeker minder papers te laten screenen, maar ook alle relevante papers uiteindelijk te vinden, moet de AI een notie hebben van 'zekerheid' in zijn oordeel van relevantie.

Daarbij moet de gebruiker niet te veel, maar ook zeker niet te weinig artikelen handmatig beoordelen. Dat aandeel van vereist handmatig werk kunnen bepalen maakte dit een zeer interessante uitdaging.

Hoe hebben we dat gedaan?

Hiervoor hebben we Active Learning gebruikt: een type AI dat leert van menselijke input en zich continu verbetert. De onderzoeker krijgt maar een fractie van de duizenden papers te zien maar het oordeel over dat kleine aandeel is voldoende voor de AI om alle relevante artikelen terug te vinden.

Op deze manier leert de AI wat relevante papers zijn en kan zo het menselijke (en routineuze) werk met 67% verminderen!

Onze klant heeft deze oplossing in gebruik genomen en we zijn met hen aan het werk om deze technlogie als commercieel product op de markt te brengen.

Project
Highlight

Honderduizenden medische dossiers automatisch labelen

Ziekenhuizen in Nederland zijn bij wet verplicht om universele codes toe te wijzen aan patiëntdossiers (en dit te rapporteren aan de NZa en het CBS). De ziekenhuizen hebben hier specifiek getrainde mensen voor in dienst, wat dit proces erg duur maakt en vatbaar voor fouten, gegeven dat het allemaal door mensen wordt gedaan. Onze klant DHD wilde een manier vinden om de ziekenhuizen en deze codeurs te ondersteunen bij deze bewerkelijke taak.

Wat hebben we gedaan?

  • Een AI-model getraind dat de juiste code aan de juiste case toewijst
  • Vastgesteld hoe dit model ingezet kan worden om menselijke taken optimaal te ondersteunen

Ons AI-model is in staat om automatisch de meeste codes juist toe te wijzen. Met de voorwaarde dat het model 90% zeker moet zijn (een terechte vereiste van de eindgebruikers) kon de AI meer dan 30% van de codes volledig automatisch toekennen (een veelbelovend resultaat voor een eerste studie).

Voor gevallen waar de zekerheid van de AI onder de hoge drempel valt wordt de gebruiker een top-5 van meest waarschijnlijke codes voorgelegd, zodat gemakkelijk handmatig gekozen kan worden. Dit bespaart nog steeds veel tijd t.o.v. het met de hand opzoeken van het juiste label zonder voorselectie.

De klant is, met ziekenhuizen en met ons, op weg om deze AI-oplossing te verbeteren en te implementeren in de praktijk.

Project

Bezoekersaantallen van de dierentuin voorspellen

Hoe druk zal het in het park zijn? Hoeveel gasten kunnen we deze week verwachten? De klant wilde kunnen voorspellen wat de drukke en rustige momenten van de komende weken zullen zijn.

Wat hebben we gedaan?

  • Hun historische data gecombineerd met datasets als het weer, vakanties, evenementen in de stad, etc.
  • Onderzocht welke factoren de grootste impact hebben op bezoekersaantallen
  • Een AI-model gebouwd en getraind dat het aantal bezoekers per uur voorspelt
  • Alle historische data, de voorspellingen en de externe factoren samen in een handig dashboard opgeleverd

Deze AI kan voorspellen hoeveel bezoekers de dierentuin zal hebben, per uur, twee weken van tevoren. Dit is uitgesplitst in verschillende soorten bezoekers, zoals abonnees, buitenlandse toeristen of schoolreisjes.

De klant kan de gasten nu veel effectiever informeren over verwachte drukte, en is op weg naar het implementeren van een systeem voor 'dynamic pricing'. Bovendien kunnen ze hiermee hun inkoop en inroostering vebeteren.

Project
Strategie Case Study

Bewaar alleen de data die je nodig hebt

Airborne Oil & Gas, fabrikant van pijpleidingen, wilde sensoren en camera's in hun fabriek gaan inzetten om data over hun productieproces te verzamelen. Deze data kan gebruikt worden om een AI verchillende taken uit te laten voeren en om een Digital Twin te bouwen: een virtuele kopie van het fabrieksproces.

Maar voor zoiets kon gebeuren moesten ze eerst grote hoeveelheden data opslaan die door deze sensoren worden gegenereerd. Ze vroegen ons om vast te stellen hoeveel opslagcapaciteit er nodig zal zijn, welke data dan precies opgeslagen moet worden, en wat daarvoor de optimale methode is.

Lees er alles overkeyboard_arrow_right
Project

Biometrische sensoren in klinisch onderzoek

Hoe kunnen we wearables inzetten in klinisch onderzoek? Onze klant doet veel medisch onderzoek bij proefpersonen en wil graag sensordata voor studies kunnen gebruiken en de grote hoeveelheden data die dat oplevert effectief kunnen verwerken.

Wat hebben wij gedaan?

  • De data onderzocht op bruikbaarheid
  • Geholpen bij het ontwerp van een onderzoek om dit soort sensordata klinisch te valideren
  • Strategisch advies over een in te richten Big-Data-omgeving en te gebruiken tooling

Gebaseerd op onze resultaten is een klinische studie gestart waarin het doel is om patiënten te onderscheiden van gezonde proefpersonen.

Samen met de klant ontwikkelen we AI-modellen om op basis van biometrische sensoren patiënten direct te kunnen diagnosticeren.

Project

Alle daken van Nederland gemeten en beoordeeld

Hoe hoog is een gebouw? Wat voor dak zit erop? De klant, een data-aggregator, wilde een dataset met daarin hoogteprofielen en daktypes van alle gebouwen in Nederland.

Wat hebben we gedaan?

  • Data uit satellietbeelden gekoppeld met (open) kaartdata en daarmee de hoogte van elk Nederlands gebouw bepaald
  • Tienduizenden 'gelabelde voorbeelden' verzameld van types van daken uit verschillende bronnen
  • Een AI getraind om de meest gangbare daktypes automatisch te herkennen

Ons model bouwde de gevraagde dataset door het type dak van elk gebouw in Nederland te categoriseren. Met deze nieuwe data kan de klant hun eigen modellen verbeteren, waarmee ze bijvoorbeeld kunnen zien hoe waarschijnlijk het is dat iemand binnenkort gaat verhuizen.