Slimmer controleren met AI-modellen en autodetectie

Weblogbericht | 19-09-2022 | Webredacteur Douane

De Douane wil steeds meer datagedreven werken, dus zich steeds meer laten leiden door gegevens en informatie. Dat is ook één van de doelen uit ons Strategisch Meerjarenplan. In de Rotterdamse haven staat op sommige dagen 50 kilometer containers. Die kunnen we niet allemaal openen en controleren. We moeten dus wel aan de slag met slimmere technieken. Om containers die we willen openen steeds meer te selecteren op basis van gegevens die we hebben.

Van simpele naar complexe algoritmes

Een belangrijke term bij datagedreven werken: algoritme. Algoritmes zijn een set instructies om een doel te bereiken, een soort ‘recept’ om een probleem op te lossen. De stappen in zo’n algoritme kunnen geautomatiseerd achter elkaar uitgevoerd worden. Een algoritme beschrijft dus de stappen die software moet nemen om een doel te bereiken.

Op dit moment werken we al met algoritmes. Dat zijn eenvoudige algoritmes, gebaseerd op ‘if-then-else’-combinaties. Een voorbeeld, in dit geval van een ‘sanctie-algoritme’: als (if) uit de informatie die we hebben over een zending blijkt dat de goederen ervan op een sanctielijst staan, (then) dan kiezen we deze zending uit voor meer uitgebreide inspectie. En houden we die tegen. Als de goederen niet op de sanctielijst staan (else), houden we de zending niet tegen. Of in elk geval niet op basis van dit criterium.

We willen steeds complexere algoritmes gaan gebruiken. Dit zijn de zogenoemde AI-modellen. We werken bijvoorbeeld aan modellen die automatisch voorwerpen op X-raybeelden kunnen herkennen. Die beelden krijgen we door scans te maken, een soort röntgenfoto’s van goederen. Een AI-model moet eerst getraind worden in het herkennen van bepaalde voorwerpen. Bijvoorbeeld: je wil dat het model pillen in pakketjes herkent. Je ‘voedt’ de software met zoveel mogelijk, liefst honderden, X-raybeelden met verschillende soorten pillen in allerlei situaties. Je geeft bij het aanbieden aan wat een postpakket met pillen is en wat niet.

Leren herkennen door kunstmatige intelligentie

Op een bepaald moment gaat de software die dingen waarop je ze getraind hebt zelf herkennen en aangeven. Dit is artificial intelligence (AI), een systeem dat de menselijke intelligentie nabootst om taken uit te voeren en dat zichzelf tijdens dat proces kan verbeteren. Het model uit dit voorbeeld ‘leert’ onder de aansturing van mensen, die daarna in testsituaties controleren of het voldoende betrouwbaar is. Onze datascientists trainen een model net zo lang tot dat zo is. Dit proces gebeurt met veel aandacht, met voldoende data en met de juiste data. De regels voor het trainen zijn er streng. Het trainen is dan ook een wetenschap.

Het herkennen van informatie op scanbeelden is een vorm van ‘autodetectie’, het geautomatiseerd verzamelen en analyseren van data. We willen steeds meer data automatisch gaan ophalen in inzetten voor geautomatiseerde detectie. Naast X-ray-scans verzamelen we onder andere foto’s van nummerplaten, GPS-data van containers en gegevens van stralingsniveaumeters. Deze gegevens worden op allerlei manieren ‘slim’ gecombineerd worden met aangiftedata. In eenvoudige algoritmes, of in meer complexe.

Complexere AI-modellen kunnen namelijk ook gebruikt worden voor ‘normale’ gegevens. We kunnen een AI-model voeden met informatie uit de aangifte, vrachtdocumenten en certificaten, namen van bedrijven, en gegevens van eerdere zendingen van hetzelfde product, zoals vaarroutes. Je kunt het model dan trainen om afwijkingen te zien. Zo’n model kan een zending beoordelen als ‘normaal’: alles verloopt zoals je verwacht. Maar ook als ‘anomalie’. Bijvoorbeeld: voor een avocado op een vrachtschip dat vertrekt van locatie A is de weg via B naar Rotterdam de meest logische. Dit is het normaalpatroon. Als een schip een andere route neemt, dan herkent het model dit als een afwijking. Voor dit soort analyses moet je allerlei soorten informatie slim combineren. Hoe meer gegevens, en hoe meer die te maken hebben met het doel, hoe beter de resultaten.

Douanewerk blijft mensenwerk

Algoritmes hebben ook een andere kant. Ze zijn de laatste tijd wel minder positief in het nieuws geweest, ook in combinatie met het werk van overheidsorganisaties. Maar algoritmes kunnen mensen helpen om betere beslissingen te nemen. Dat is in ons geval ook zo: we zetten algoritmes in om het maken van besluiten te ondersteunen. De regels voor het gebruik van algoritmes zijn erg streng. Uiteindelijk is het de douanemedewerker die beslissingen neemt, bijvoorbeeld of we goederen wel of niet tegenhouden. Het is en blijft dus mensenwerk.

Alle nieuwe methodes vervangen het geoefende oog van de douanier dan ook niet. Een model kan niet zien of er verdachte types bij een container rondhangen. Of dat een reiziger op Schiphol nerveus lijkt. Maar douanemedewerkers kunnen bijvoorbeeld niet handmatig alle aangiftes van goederen doorlopen. Daar kunnen AI-modellen een grote bijdragen leveren. De menselijke intuïtie blijft belangrijk, maar wordt steeds meer ondersteund door geautomatiseerde signalen. Zodat we de juiste zendingen selecteren voor een meer uitgebreide inspectie. Zo wordt de kans groter dat we bijvoorbeeld gevaarlijk speelgoed, schadelijke namaakmedicijnen of spullen die op een sanctielijst staan onderscheppen.

Steeds beter toezicht door AI en autodetectie

De Douane staat nu nog aan het begin van het werken met AI-modellen en autodetectie. We zijn onder andere nog bezig met het trainen en testen van modellen. Het kan dus nog wel even duren voordat we deze technieken volledig in de praktijk kunnen brengen. Wat we dan hebben? Steeds beter toezicht. AI-modellen geven op een steeds betrouwbaardere manier aan waar we de grootste kans hebben iets verdachts te vinden. We maken dan misschien niet elke container en elk pakketje open, maar hebben wel alles in beeld.