Met gedegen onderwijs en training moeten we verkeersprofessionals toerusten om AI veilig en verantwoord te gebruiken. Maar waar hebben we het dan over? Anders gezegd: wat is ‘onveilig’ en ‘onverantwoord’ als het om AI gaat? In deze bijdrage zetten Job Birnie, Christian Evers en Isabel Wilmink enkele risico’s en beheersmaatregelen op een rij.
Dat AI veel vermag, hoeven we hier niet toe te lichten. Maar juist daarom is het belangrijk ook oog te hebben voor de risico’s ervan. Die risico’s zitten niet zozeer in de techniek zelf, maar in de manier waarop wij AI gebruiken.
In het onderstaande schetsen we de belangrijkste risico’s. Veel voorbeelden betreffen generatieve AI, juist omdat de inzet daarvan zo laagdrempelig is en die AI-vorm ook zoveel gebruikt wordt. Maar de meeste risico’s gelden in essentie net zo hard bij bijvoorbeeld machine learning en deep learning.
Vage of onvolledige opdracht
Een eerste risico is dat we AI aan het werk zetten met een te vage of onvolledige opdracht. AI kan het probleem daardoor verkeerd interpreteren of een oplossing aandragen die logisch lijkt, maar niet aansluit bij de werkelijke situatie.
Stel bijvoorbeeld dat we AI willen gebruiken voor een evaluatie van verkeersregelingen of van netwerkmanagement in een gebied. Dan is het belangrijk dat eerst helder is wat we precies willen begrijpen of verbeteren. Gaat het om doorstroming, robuustheid, veiligheid, ov-betrouwbaarheid of netwerkbalans? Een specialist moet die probleemspecificatie vooraf scherp formuleren.
Bij zo’n scherpe opdracht hoort ook juiste en volledige informatie. Bij veel opdrachten zit de bottleneck bij de lokale data. Zonder die input kan AI geen rekening houden met plaatselijke regelstrategieën, gekoppelde kruispunten, spitsafhankelijke instellingen, evenementenverkeer, brugopeningen of de rol van de verkeerscentrale. Geef in elke AI-opdracht daarom expliciet gebiedskenmerken, regelingstype, koppelingen, prioriteiten en operationele randvoorwaarden mee. Een alternatief is om het AI-systeem te koppelen aan een lokale kennisbank met documenten die die specifieke context beschrijven.
Te groot vertrouwen
Een tweede risico is dat we AI meer vertrouwen dan gerechtvaardigd is. Vooral generatieve AI werkt het idee van ‘laat het maar aan mij over’ in de hand. Antwoorden worden vaak stellig en overtuigend geformuleerd en als ‘het juiste antwoord’ neergezet, terwijl er misschien ook andere verklaringen zijn. In een verkeersmanagementcontext kan AI bijvoorbeeld concluderen dat filevorming op een kruispunt vooral wordt veroorzaakt door te korte groentijden, terwijl het euvel net zo goed kan liggen bij detectiestoringen of onjuiste koppelingen tussen regelingen.
Vooral generatieve AI werkt het idee van ‘laat het maar aan mij over’ in de hand.
Voorzichtigheid is ook geboden bij relatief lichte taken, zoals het redigeren, herschrijven of samenvatten van rapportages en notities. AI kan de formulering van een evaluatie stilistisch verbeteren, maar tegelijk ongemerkt de lading verzwaren: van ‘voorzichtige indicatie’ naar ‘aantoonbaar effect’. Opdrachtgevers of bestuurders krijgen daarmee een stelliger beeld dan de analyse rechtvaardigt.
En laten we ook hallucineren niet vergeten, waarbij (generatieve) AI feiten, bronnen of cijfers presenteert die niet bestaan of niet kloppen. Dat gebeurt onder meer wanneer de opdracht onduidelijk is of informatie ontbreekt. Maar feit is ook dat het model liever antwoord geeft dan dat het moet toegeven iets niet te weten.
Een voorbeeld uit de praktijk: een AI-tool die stelt dat een groene-golfstrategiein een andere stad ‘15 procent reistijdwinst heeft opgeleverd’, terwijl die bron niet bestaat, niets over een dergelijk effect vermeldt of betrekking heeft op een totaal onvergelijkbare situatie.
Hoe beperken we deze risico’s? Houd de opdracht scherp en vraag AI expliciet onderscheid te maken tussen feit, aanname en hypothese. Laat het model ook tegenargumenten benoemen en vraag de gebruikte bronnen te vermelden. Controleer vervolgens altijd of die bronnen daadwerkelijk bestaan én of ze de genoemde informatie bevatten. Laat AI-uitkomsten beoordelen door een verkeersprofessional. En vergeet ook niet die ‘snelle AI-redactieslag’ nog eens kritisch na te lezen.
Geen zicht op de redenering
Het voorgaande risico speelt nog vooral bij generatieve AI. Bij machine learning en deep learning ligt de uitdaging vaak ergens anders: los van de vraag of de uitkomst klopt, is niet altijd te achterhalen hoe het model tot zijn conclusies is gekomen.
Bij patroonherkenning en dashboards bijvoorbeeld kan een model patronen herkennen en classificeren, zonder dat duidelijk is waaróm een zeker patroon als incident, structureel knelpunt of effect van een verkeersregeling is aangemerkt. Dat maakt de resultaten lastig uit te leggen, laat staan te reproduceren.
Dat risico is in te dammen door de gebruikte data, modelkeuzes en interpretatiestappen systematisch vast te leggen. Blijft de werking van een model onvoldoende uitlegbaar, wees daar dan ook open over. De uiteindelijke interpretatie en besluitvorming horen sowieso altijd bij de verkeersprofessional, niet bij het model.
Ook AI is vooringenomen
Een ander probleem is vooringenomenheid. AI leert van bestaande data en neemt de patronen en voorkeuren daarin ongemerkt over. Daardoor bevestigt het systeem vaak bestaande werkwijzen.
AI leert van bestaande data en neemt de patronen en voorkeuren daarin ongemerkt over.
Zo stelt AI bij netwerkdrukte misschien maatregelen voor die de doorstroming van auto’s verbeteren, terwijl de gevolgen voor ov, fiets, voetgangers, hulpdiensten of leefbaarheid nauwelijks aandacht krijgen. AI zoekt immers naar wat in vergelijkbare situaties eerder is gedaan, niet per se naar de meest innovatieve of evenwichtige oplossing.
Iets soortgelijks kan gebeuren als AI rekening houdt met eerdere prompts. De bias komt in dit geval niet (alleen) van de training maar van de interacties met de gebruiker: wat wilde die in eerdere opdrachten?
De beheersmaatregel is voor beide typen vooringenomenheid eenvoudig. Vraag AI bewust vanuit meerdere perspectieven naar een vraagstuk te kijken, bijvoorbeeld vanuit auto, ov, fiets, veiligheid, leefbaarheid en beheer. Vraag daarnaast expliciet naar nadelen, verliezers en alternatieve oplossingsrichtingen. Juist door AI uit te dagen om buiten de voor de hand liggende antwoorden te denken, wordt het een beter hulpmiddel voor de verkeersprofessional.
Dataveiligheid
De inzet van AI kan ook voor problemen zorgen op het gebied van dataveiligheid. Wie bijvoorbeeld voor een analyse of storingsdiagnose logbestanden van regelinstallaties, incidentmeldingen, camera-observaties, klantnotities of broncode invoert in een externe AI-tool, kan ongemerkt vertrouwelijke informatie delen. Afhankelijk van de AI-omgeving kan de ingevoerde informatie namelijk worden opgeslagen of toegankelijk worden voor de leverancier.
Gebruik daarom alleen AI-tools die door de organisatie zijn goedgekeurd en maak duidelijke afspraken over welke gegevens mogen worden ingevoerd. Anonimiseer data waar mogelijk. Twijfel je of informatie gedeeld mag worden, voer die dan niet in.
Te grote afhankelijkheid
Een laatste risico is dat we te afhankelijk worden van AI. Dat speelt allereerst op individueel niveau. Misschien hebben junior medewerkers de neiging om AI veel van het denkwerk te laten doen. Daarmee zouden ze minder ervaring opdoen met het analyseren van verkeersvraagstukken en het zelfstandig beoordelen van oplossingen. Zet AI daarom vooral in als hulpmiddel en laat de junior de uitkomsten altijd bespreken met een ervaren verkeersmanager, regeltechnisch specialist, adviseur of onderzoeker.
Zet AI vooral in als hulpmiddel en laat de junior de uitkomsten altijd bespreken met een ervaren verkeersmanager, regeltechnisch specialist, adviseur of onderzoeker.
Ook organisaties kunnen te afhankelijk worden van AI. Dat gaat lang goed – maar wat als die essentiële AI-tool uitvalt, de voorwaarden veranderen of een leverancier de dienstverlening beperkt? Is de organisatie daarop voorbereid? Kijk daarom kritisch naar het gebruik van externe AI-diensten, breng de gevolgen van uitval in kaart en zorg waar nodig voor alternatieven.
Tot slot
Dat AI van waarde is voor ons werkveld, lijdt geen twijfel. Maar de mogelijkheden komen alleen tot hun recht als verkeersprofessionals de beperkingen van AI kennen en de uitkomsten kritisch blijven beoordelen. Verantwoord gebruik vraagt om duidelijke afspraken én voldoende kennis en vaardigheden.
Die kennis moet via de reguliere opleidingen (hbo, universiteiten) worden overgedragen, maar ook via in-house trainingen en bijscholing. Zowel nieuwelingen als ervaren verkeersprofessionals kunnen zo hun AI-vaardigheden ontwikkelen en tegelijkertijd leren omgaan met de beperkingen en risico’s van AI. Iedereen in de organisatie weet dan: AI neemt verkeersprofessionals werk uit handen, maar niet hun verantwoordelijkheid.
De auteurs
Ir. Job Birnie en ir. Christian Evers zijn respectievelijk senior adviseur Verkeersmanagement en senior adviseur Mobiliteit & Ruimte bij Goudappel.
Ir. Isabel Wilmink is senior scientist enkennismanagerbij TNO Mobility and Built Environment.
