Hoe artificiële intelligentie benutten voor veiligheidsopleidingen en preventie van arbeidsongevallen?

Nieuwe technologieën worden razendsnel geïntroduceerd op de arbeidsplaatsen. Exoskeletten, virtual reality (VR) of augmented reality (AR) zijn hiervan enkele voorbeelden. Maar ook slimme camera’s, oorspronkelijk ontwikkeld in de militaire industrie op helmen van infanteristen zullen meer en meer worden toegepast op de arbeidsplaatsen. Een camera op de werkpost zal bijvoorbeeld de werknemer opleiden over hoe de taken moeten worden uitgevoerd, maar zal tegelijkertijd de werknemer informeren van een onveilige situatie. Wanneer hieraan niet wordt verholpen, zal deze camera de machine stilleggen. Allerhande 5-G-toepassingen zorgen ervoor dat dit alles razendsnel kan gebeuren. Doch dit alles lijken mij niet de grootste vernieuwingen. De grootste vernieuwing is de artificiële intelligentie (AI) die hiermee gepaard zal gaan. Via een algoritme zal de informatie naar de werknemer steeds beter en beter worden afgestemd op de situatie en worden verbeterd.

Wat is nu juist artificiële intelligentie?

Het definiëren van artificiële intelligentie is, zoals het definiëren van veiligheid of veiligheidscultuur, zeer moeilijk. Sommige definities zijn heel vaag en daardoor weinigszeggend, andere definities zijn heel concreet maar hierdoor eerder reductionistisch. De bekendste definitie van artificiële intelligentie komt van de wiskundige Alain Turing, bekend van de film over zijn leven met het breken van de enigmacode in de Tweede Wereldoorlog. Volgens Turing zal een machine beschikken over artificiële intelligentie als het de Turing-test doorstaat. Deze Turing-test bestaat uit het kunnen misleiden door de machine van de mens. 
McCarthy et al definiëren artificiële intelligentie als: ‘making a machine behave in ways that would be called intelligent if a human were so behaving’ (McCarthy, 1955). Kaplan et al definiëren AI als: ‘a systems ability to correctly interpret external data, to learn from such data, and to use those learning to achieve specific goals and tasks through flexible adaption’ (Haenlein & Kaplan, 2019). Deze definitie van Kaplan gaat dus uit van:

  • externe data uit een database;
  • leren;
  • verhogen van veiligheid (= doel).

Algemeen wordt artificiële intelligentie ingedeeld in drie niveaus:

  • niveau 1: zwakke artificiële intelligentie. De machine houdt zich bezig met onderzoek in beperkte deelgebieden waarin gedragingen intelligent lijken maar niet intelligent zijn.  De machine is gericht op het uitvoeren van bepaalde typetaken zoals zoekalgoritmen en expertsystemen;
  • niveau 2: artificiële intelligentie. De machine kan verschillende typetaken uitvoeren en kan algemene problemen oplossen.  Het systeem kan steeds efficiënter werken door de analyse van de database die steeds groter en groter wordt.
  • niveau 3: super artificiële intelligentie. De machine houdt zich bezig met het creëren van software die echt kan denken en nieuwe problemen oplossen.  Dit niveau wordt op dit moment nooit bereikt.  De machine kan wetenschappelijke creativiteit vertonen en beschikt over sociale vaardigheden. 

Problemen bij artificiële intelligentie

Onderzoek naar artificiële intelligentie geeft problemen. Vooreerst worden vele toepassingen, zoals reeds aangehaald, gebruikt in de militaire industrie. Ook ethische vragen zoals privacy geven problemen. Bestaande wet- en regelgeving bijvoorbeeld naar drones of zelfrijdende voertuigen begrenzen het toepassen van artificiële intelligentie. Specifiek voor de arbeidsplaatsen publiceerde het OSHA volgende bijdrage ‘OSH and the future of work: benefits and risks of artificial intelligence tools in workplaces’ (EU-OSHA).

Artificiële intelligentie in veiligheidsopleidingen

Een eerste start van artificiële intelligentie op gebied van veiligheid is de toepassing in opleidingen.  De reeds genoemde simulatoren worden al lang gebruikt bij opleiding van piloten of in nucleaire centrales.  Deze simulatoren worden meer en meer ‘slim’ door toepassing van artificiële intelligentie.  Ook simulaties voor het omgaan met kranen, het betreden van besloten ruimten of het aanleren van het omgaan met gevaarlijke stoffen, bestaan.  Het spreekt voor zich dat onvoldoende kennis of ervaring bij de mensen die AI-systemen configureren voor simulatoren voor het omgaan met gevaarlijke stoffen, een probleem kan zijn.  Indien deze mensen niet beschikken over voldoende of foute kennis over het omgaan met gevaarlijke stoffen, kunnen verkeerde procedures worden aangeleerd en kan dit catastrofale gevolgen met zich meebrengen. 
Leren is reeds veelvuldig onderzocht.  Vele modellen zijn ontwikkeld, bijvoorbeeld het leermodel van Kolb (Kolb, 1983). Dit model gaat uit van ervaringsleren. Bij het leren in een omgeving met artificial intelligence wordt veel gebruikgemaakt van ervaringsleren, ‘leren door te doen’ of ‘Action Learning’ zoals dat in het model van Kolb kan teruggevonden worden. De leerstijlen van Kolb bestaat uit fasen en leerstappen (zie figuur). Kolb onderscheidt vier leerfasen en vier bijhorende leerstijlen:

  • de doener: vertoont een combinatie van experimenteren en ervaren. Doeners gaan snel aan de slag en leren het best via proberen en oefenen. De leerprocessen die doeners hanteren, steunen vooral op trial and error;
  • de dromer: heeft een voorkeur voor concreet ervaren en reflectief observeren. Dromers zoeken leersituaties op waarin zij zelf kunnen ervaren hoe iets in de praktijk uitpakt.  (Veiligheids)problemen worden van alle kanten bekeken. Nieuwe oplossingen worden snel gevonden; 
  • de denker: combineert het reflectief observeren en abstract conceptualiseren. Denkers vertalen observaties in theorieën. Denkers redeneren, zijn graag intellectueel bezig en werken zelfstandig;
  • de beslisser: is goed in en hebben een voorkeur voor abstract conceptualiseren en actief experimenteren. Beslissers proberen theorieën uit en experimenten. Ze nemen initiatief en experimenteren. Bij een (veiligheids)probleem gaan zij deductief en probleemoplossend te werk. Beslissers functioneren best als zij een leertaak kunnen beginnen met duidelijke regels en principes die zij dan in de concrete situatie kunnen verwerken.

 

Waar de meeste leermodellen - ook het model van Kolb - in gebreke blijven, is de aanpassing van het leren aan de werking van onze hersenen, noem het brain-based-leren (Degen, Brain-based learning: The neurological findings about the human brain that every teacher should know, 2014; ).  Een ander element wat wel eens wordt vergeten bij leren, is hoe onze hersenen ‘vergeten’. Want dit is nu juist in artificiële intelligentie niet het geval: alles kan onbeperkt worden opgeslagen en dat is bij onze hersenen niet het geval: wij vergeten. 
In overeenstemming met Kolb, gaat Ebbinghaus ervan uit dat we beter onthouden en minder vergeten bij het herhalen van zinvolle informatie, het gebruik van visuele en auditieve hulpmiddelen en korte leersessies (Murre & Dros, Replication and analysis of Ebbinghaus Forgetting Curve, 2015). Virtual Reality en Augmented Reality zullen hier zeker toe bijdragen: het herhalende en gebruikmakende van visuele hulpmiddelen bij VR en AR vergroten het leereffect. Dit wordt bevestigd door wetenschappelijk onderzoek van Leder et al (Leder et al, Comparing immersive virtual reality and powerpoint as methods for delivering safety training, 2019).  Er was bij de deelnemers een grotere betrokkenheid bij de training en een groter effect van de risicoperceptie. Qua kennisverwerving was er geen verschil tussen de VR-opleiding en de klassieke Powerpointopleiding. Een andere studie wijst uit dat de VR-opleiding van bouwvakkers voordelen heeft voor specifieke taken, maar geen voordelen voor algemeen veilig gedrag (Sacks et al, Construction safety training using immersive virtual reality, 2013). 


Gesimuleerde omgevingen
Al lange tijd worden allerhande gesimuleerde omgevingen ingezet om werknemers op te leiden, zonder te worden blootgesteld aan risico’s via deze gesimuleerde omgeving. Denk maar aan simulatoren van nucleaire centrales of vliegtuigen. Maar deze systemen bevatten tot nu toe geen of beperkte artificiële intelligentie. Door algoritmen zal de camera niet alleen de werknemer informeren van een onveilig situatie, maar door het gebruik van algoritmen zal dit altijd beter en beter worden. Dergelijke slimme systemen en koppeling aan allerhande databases/big data zullen in de toekomst steeds beter en beter worden en dus kunnen leren.  


Virtual reality (VR) en augmented reality (AR)

Bij VR wordt een door de computer gegenereerde omgeving opgebouwd die de werkelijkheid evenaart. De werknemer is omringd door VR en krijgt het gevoel van echte aanwezigheid van de werknemer in de VR. Bij AR wordt door de computer de omgeving aangevuld met ‘aangevulde realiteit’. Het reële beeld wordt aangevuld met virtuele objecten. 

Virtual en augmented reality toepassingen kunnen bijdragen aan veiligere arbeidsplaatsen. Bedrijven zoals BASF, Duracell en AB InBev hebben reeds veiligheidsgerelateerde oplossingen op basis van VR en AR uitgewerkt. Virtual reality of virtuele werkelijkheid gaat erom dat het individu interageert met een door de computer gegenereerde driedimensionale omgeving. 
Daarnaast bestaat augmented reality – letterlijk vertaald naar ‘uitgebouwde realiteit’. Hier gaat het erom dat er aan de realistische omgeving nieuwe dingen worden toegevoegd zoals instructies of objecten.  Augmented reality is beter geschikt voor veiligheidstoepassingen. Omdat veel supervisie nodig is, kiezen organisaties meer en meer voor oplossingen via augmented reality. 
Voorbeeld: https://soulmade.media/portfolio/basf-safety-training/

Augmented en virtual reality AR/VR hebben vele voordelen:

  • kostenefficiënt doordat niet steeds de ganse set-up moet worden nagebouwd in 3D. Een éénmalige VR-video moet worden gemaakt voor de ontwikkeling van de AR en/of VR-training. Updates zijn mogelijk. De kost is ongeveer 20.000 EUR;
  • de ervaring is realistisch waarbij de gebruiker het gevoel heeft dat hij rondloopt op de werkplek.  Mogelijkheden om de AR/VR-training interactief te maken is aan te bevelen;
  • de opleiding kan remote worden gevolgd. Taalbarrières kunnen worden overbrugd;
  • het leereffect is hoog. Doordat de werknemer zich in de situatie bevindt, is er sprake van een actief leerproces (Wadee, Virtual reality systems enhance students achievements in engineering education, 2016; Thompson et al., Using 360-Degree Video for Immersive Learner Engagement, 2018). Een analyse achteraf is mogelijk, evenals herhalingen.

Machine learning (ML) en deep learning (DL)

Bij machine learning identificeert de machine bepaalde patronen via een algoritme, waardoor de machine beter en beter wordt. Dit wordt nu reeds toegepast bij spraak- en beeldherkenning maar ook bij online advertentie targeting. Bij deep learning is er bij de algoritme een analogie met neurale netwerken zoals de hersenen. Met ‘deep’ wordt verwezen naar het aantal lagen van artifical neural networks (ANN’s).


Arbeidsongevallen voorspellen op basis van data

Op basis van data verzameld bij reeds gebeurde ongevallen zullen ongevallen kunnen worden voorspeld en dus voorkomen. Het voorspellen van de gevolgen van handelingen of van een incident door gebruik te maken van camerabeelden in combinatie met artificiële intelligentie, zal snel aan belang toenemen en dan ook toelaten om arbeidsongevallen te voorkomen (Ayhan et al, Predicting the outcome of construction incidents, 2019). Hier kan niemand iets tegen hebben. Gegevensverzameling is hierbij cruciaal omdat het helpt bij het identificeren van de meest voorkomende ongevallen met letsel, het vaststellen van de oorzaken en het identificeren van de gevoelige werknemers/ploegen. 

Voor bouwplaatsen werd hiervoor reeds een database aangelegd en aan de hand van neural networks (zie hierna) kunnen volgens Ayhan voorspellingen worden gemaakt.  Ook voor de oil & gas werd een ‘early warning system’ opgesteld (Zaranezhad et al, Development of prediction models for repair and maintenance-related accidents at oil refineries using artificial network, fuzzy system, genetic algorithm and ant colony optimization algorithm, 2019). 
Andere studies onderzochten machine learning bij valongevallen van de begane grond (Matias et al, A machine learning methodology for the analysis of workplace accidents, 2008).


De studie van Hajabari et al (Hajabari et al, A new scoring system for assessing the risk of occupational accidents: a case study using data mining techniques with Iran’s Ministry of Labor data, 2014) toonde aan dat ongevallen kunnen worden voorspeld op basis van een eenvoudig algoritme gebaseerd op enkele eenvoudige gegevens van de organisatie, zoals de sector, de verdeling van de werknemers (leeftijd, man-vrouw, aantal werknemers, enz.). 
De Noorse Inspectiediensten ontwikkelden een inspectiemethode op basis van een machine learning algoritme dat gebruikmaakt van een regressiemodel op de data van 35.000 voorgaande inspecties. In dit model worden de voorspellingen gradueel beter en beter als het aantal inspecties toeneemt. Het algoritme past zichzelf aan op basis van feedback (juiste en foute voorspellingen) van nieuwe inspecties (Ridemar, Decision support for SWEA inspections, 2018). 

Gepubliceerd op 02-03-2020

Jan Dillen
Auditor @ Vincotte / VCA-coördinator / Auteur senTRAL
  51