Een generieke monitoring package voor Machine Learning modellen ontwikkeld voor Rijkswaterstaat
Rijkswaterstaat
AI consultant Utrecht
Advies over AI voor spoor, wegen, water en zorg, tot en met de monitoring van modellen in productie, zoals voor Rijkswaterstaat.
Eén package om alle modellen van Rijkswaterstaat in productie te bewaken
Rijkswaterstaat heeft verschillende AI-modellen in productie. Met de hand bewaken schaalt niet, dus bouwden we één generiek package voor drift- en outlierdetectie. “DSL is met een inventieve oplossing gekomen die we goed kunnen gebruiken.” Nanine Overgaauw, SRE Data Science, Rijkswaterstaat
Wie merkt het als een model in het netwerk langzaam afwijkt?
ProRail en NS hebben hun hoofdkantoor in Utrecht, Rijkswaterstaat werkt er onder meer vanuit Westraven. Een model in het spoor- of wegennet krijgt te maken met nieuw materieel, vervangen sensoren en werk aan het traject. Zonder bewaking en eigenaar kan de kwaliteit ongemerkt dalen.
Modellen in spoor, weg, water en zorg moeten jaren blijven kloppen
Use cases uit je eigen sensoren
Glasvezel, meettreinen, camera's en storingsmeldingen leveren al data. In het Datalab van ProRail onderzochten we wat machine learning met glasvezelsignalen kan.
Bewaking die met de modellen meegroeit
Bij een nieuw model plannen we controles op drift en uitschieters mee. Draaien er al modellen, dan kan het achteraf, zoals voor Rijkswaterstaat.
Modellen die naast de arts werken
Voor het St. Antonius Ziekenhuis bouwden we, als deel van hun AI-team, een algoritme dat SEH-artsen kan ondersteunen bij de keuze: naar huis of opnemen.
Een beheerkeuze tijdens de bouw
Wie het model bewaakt, wie hertraint en of het later naar jullie eigen team gaat, spreken we per model al tijdens de ontwikkeling af.
Het baanvak, de weg of de SEH komt vóór het model
-
Eén beslissing kiezen
Bijvoorbeeld wanneer een wissel onderhoud krijgt of welke SEH-patiënt een bed nodig heeft, en wie die beslissing nu neemt.
-
Data uit het veld toetsen
Sensor-, inspectie- of patiëntdata: is er historie, mag het gebruikt worden en wat als sensoren of werkwijze veranderen?
-
Bouwen met het beheer erbij
We bouwen het model met monitoring en een hertrainschema, en leggen vast wie een nieuwe versie goedkeurt.
Heeft jullie netwerk of ziekenhuis nu een AI consultant nodig?
Past als
Jullie beheren spoor, wegen, water of zorgprocessen, er ligt sensor-, inspectie- of patiëntdata, en er draait een pilot of model waarvan nog niet vastligt wie het na de oplevering bijhoudt.
Past niet als
Een vaste drempel in het onderhouds- of meldsysteem lost het al op. Of het model draait al en alleen de bewaking ontbreekt: dan begin je bij MLOps, zonder adviestraject.
Waar de omvang van afhangt
Het aantal modellen en databronnen, of er al een platform en monitoring staat, de eisen van informatiebeveiliging en inkoop, en hoeveel van het beheer jullie zelf willen doen.
Overnemen blijft mogelijk
We bouwen waar dat kan in jullie bestaande omgeving, met documentatie. Wil je team het beheer later overnemen, dan spreken we vooraf af wat er wordt overgedragen.
Wie beheert het model na de oplevering?
Jullie eigen team
Kies dit als je datateam ervaring heeft met modellen in productie, het model op jullie eigen platform draait en iemand de alerts op drift structureel oppakt.
Data Science Lab
Kies dit als wij het model bouwen en jullie geen beheerteam willen opzetten. We beheren alleen wat we zelf ontwikkelden, via AI managed services.
Eerst samen, dan overdragen
Kies dit als je team het beheer wil overnemen maar nog geen model in productie heeft gehad. Ons advies: richt samen de MLOps in en draag het daarna over.
We blijven betrokken als het model in productie draait
Data Science Lab werkt sinds 2016 vanuit Amsterdam aan data en AI, als Databricks- en Microsoft-partner. Beheer nemen we al tijdens de ontwikkeling mee, en kennis delen we in ons lab en op Techdays.
Beheer komt al in het eerste gesprek ter sprake
Stef Stoelwinder
Business DevelopmentStef is je eerste aanspreekpunt. In het eerste gesprek kijken we naar het model of idee, de data en wie het straks beheert. Dat kan bij jullie, in Amsterdam of online.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Draait er al een model, of ligt er nog een idee?
Beschrijf het model, de pilot of het idee en wie het nu beheert. We reageren per mail, of stellen een eerste gesprek voor.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Verschillende beheerders en ziekenhuizen in de regio hebben zo'n team. ProRail heeft een Datalab, Rijkswaterstaat bracht eind 2025 zijn digitaliserings-, data- en AI-onderdelen samen in een Data and AI Lab, en UMC Utrecht werkt met AI-labs en de Health Data Space Utrecht.
We werken dan met dat team samen, zoals met het Datalab van ProRail, of als onderdeel ervan, zoals in het AI-team van het St. Antonius Ziekenhuis. Ons kantoor staat in Amsterdam; we werken bij jullie op locatie of online.
Fiber-Optic Acoustic Sensing (FOAS) werkt met glasvezelkabels die geluidsgolven meten. Samen met het Datalab van ProRail hebben we machine learning ingezet, met onder meer Databricks en Tensorflow, om de detectie van treinen, spooronderdelen en wieldefecten te automatiseren. Het doel: een veiliger en duurzamer spoornetwerk.
Zo'n verkenning laat zien of een signaal bruikbaar is. Voor het onderhoudsproces komen er vragen bij: wie reageert op een melding, hoe vaak het model opnieuw wordt getraind en wie het bewaakt als kabel of materieel verandert. Lees de case van ProRail.
Drift betekent dat de invoer van een model (data drift) of zijn voorspellingen (prediction drift) gaandeweg verschuiven ten opzichte van de trainingsdata. In een netwerk komt dat door nieuw materieel, een vervangen sensor, groot onderhoud of een ander seizoen. Het model blijft uitkomsten geven, alleen kloppen ze minder.
Rijkswaterstaat heeft verschillende modellen in productie, en die met de hand bewaken schaalt niet. Het package dat we bouwden is gemaakt om ze allemaal op drift en uitschieters te controleren, met onder meer Python en Alibi Detect. Hoe dat in de levenscyclus van een model past, lees je bij MLOps.
Welke modelversie draait en uit welke trainingsrun die komt, welke drempels gelden voor drift en datakwaliteit, wie een alert krijgt, hoe hertrainen verloopt en wie beslist dat een nieuwe versie live mag. Zonder die afspraken blijft een overgedragen model op de kennis van één persoon hangen.
Volgens de AI-strategie van Rijkswaterstaat blijven menselijk toezicht en oordeel essentieel. Bij een overdracht hoort dus ook vast te liggen wie een uitkomst beoordeelt voordat erop gehandeld wordt. Zie ook data en AI voor de overheid.
Vooral een helder beslismoment: wanneer weet de SEH-arts genoeg om een opname te verwachten? Voor het St. Antonius Ziekenhuis, met een SEH in Utrecht en in Nieuwegein, ontwikkelden we als deel van hun AI-team een algoritme dat artsen kan ondersteunen bij de vraag of een patiënt naar huis kan of moet worden opgenomen.
Het doel: afdelingen eerder informeren over een mogelijke opname, zodat ze eerder kunnen voorbereiden en de patiënt sneller van de SEH naar de afdeling kan. “Professionele samenwerking met gedreven vakmensen”, zegt Marleen Vreeburg, SEH arts, St. Antonius. Lees de case of meer over data en AI in de zorg.
Dat kan. Bijlage III van de AI-verordening noemt AI-systemen die bedoeld zijn als veiligheidscomponent bij het beheer of de exploitatie van wegverkeer of bij de levering van water. Voor spoorsystemen en medische hulpmiddelen loopt het via de productwetgeving in bijlage I. Of jouw model eronder valt, hangt af van wat het doet.
Door de AI-omnibus van juli 2026 gelden de eisen voor bijlage III pas vanaf 2 december 2027. Bij de inventarisatie en de voorbereiding van de risico-indeling helpen wij; je jurist of compliance-afdeling beslist over de juridische duiding. Lees verder bij de AI Act.
Als een vaste regel het probleem al oplost: een drempelwaarde in het onderhoudssysteem, een melding bij een bepaalde meetwaarde of een goed dashboard op de inspectiedata. Een model voegt pas iets toe als de verbanden te ingewikkeld zijn voor zo'n regel, of als er te veel signalen zijn om met de hand te wegen.
Draait het model al en ontbreekt alleen de bewaking, begin dan bij MLOps. Mis je vooral handen in je eigen datalab, dan ligt het detacheren van een MLOps engineer of data scientist meer voor de hand dan een adviestraject.