Alleen klagen helpt niet. Daarom kocht Dirk ‘Zwerfinator’ Groot ooit een grijper en ging hij tijdens zijn dagelijkse rondjes zwerfafval verzamelen. Sindsdien is hij een terminator voor zwerfafval. Dat zó effectief doen dat die rol straks overbodig wordt: dat is zijn missie. Naast de grijpstok zitten er nog twee andere ‘wapens’ in zijn arsenaal: de mobiele telefoon en data-analyse.
Tijdens opruimacties maakt Groot een foto van elk stuk afval dat hij verzamelt. Op die manier heeft hij al een databank van meer dan een miljoen zwerfafvalfoto’s gecreëerd. Genoeg data om een AI mee te trainen. En dat is dan ook precies wat hij en Capgemini samen met studenten van Hogeschool Utrecht hebben gedaan.
Snelle eerste indruk
Van elk stuk opgeruimd afval wordt genoteerd om wat voor soort afval het gaat, op welke dag en welk tijdstip het is gevonden, en op welke locatie het zich bevond. Dat is niet nieuw. Groot had er al een AI-model op getraind, en het was aan Capgemini en de studenten om dit model te verbeteren.
Het model dat nu achter de ontwikkelde app draait, is nog niet beter dan de zelfgetrainde van Groot, maar geeft wel snel een eerste indruk van het soort afval dat hij tijdens een opruimactie ophaalt.
Hoe meer opruimacties en heatmaps, hoe beter we in Nederland het zwerfafvalprobleem in beeld krijgen. En dat helpt weer om nationale en lokale maatregelen te nemen die écht effect hebben.
Bottleneck
Data verzamelen is één ding. Maar ervoor zorgen dat al die data ook correct in een systeem komt te staan, is een ander verhaal. Bij het handmatig invoeren van gegevens ontstaat er namelijk al snel een bottleneck. Dat gaf Groot vorig jaar ook aan tijdens de Innovation Day van Capgemini. Daarbij had hij een concrete vraag: is het mogelijk om op basis van digitale technologie data sneller in te winnen en te classificeren?
‘Ja, dat kan zeker!’, was de spontane reactie van Luc Baardman, Managing Consultant Strategy & Transformation bij Capgemini. Het toeval wilde dat hij net op zoek was naar een geschikt project voor Hogeschool Utrecht, waarbij Capgemini elk jaar een aantal studenten begeleidt bij het bouwen van een proof of concept op basis van AI.
Het team achter de Litterlens-app
Samen met Groot en de studenten gingen experts van Capgemini aan de slag met een app die ze Litterlens noemden. Baardman: ‘De grootste uitdaging was het vinden van een geschikt AI-model. We hebben er wel een stuk of tien getest voordat we een model vonden dat over de parameters beschikte die we voor onze app nodig hadden.’
‘Daarbij hebben we er bewust voor gekozen om een applicatie te bouwen die de gebruiker de mogelijkheid geeft om de resultaten te verifiëren en – indien nodig – te corrigeren. We zijn er nog niet, bij het inwinnen van de data moeten we de nodige kinderziektes nog uit de app halen om ook dat stuk te optimaliseren.’
De vuurdoop vond eind augustus plaats in Amsterdam-Noord, langs een drukke fietsroute naast het Noordhollandsch Kanaal. Vlak voor de start van Sail Amsterdam vond daar de eerste opruimactie plaats, en de tweede nadat dat evenement was afgelopen.
Veelbelovende resultaten
Groot: ‘We vonden die tweede keer net zoveel afval als de eerste keer. Ook het soort afval was vergelijkbaar. We konden dus geen link leggen met Sail en het afval.’ Maar het belangrijkste was toch wel dat ze de Litterlens-app voor het eerst in de praktijk konden testen. ‘Bovendien moesten we constateren dat we nog een hoop werk hebben aan de app zelf.’
Het uploaden van de foto’s verliep soepel, maar niet perfect. En bij de AI-analyse bleek Litterlens in staat om het materiaal van zo’n 70 procent van het afval op de juiste manier te classificeren. Bij wat specifiekere classificatie, bijvoorbeeld de vermelding van een merk, heeft het model nog altijd meer moeite. Maar alles bij elkaar goed genoeg om een groep afvalrapers meteen een eerste indruk te geven van het resultaat.
‘Daarnaast is dankzij de Litterlens-app het uploaden van foto’s minder omslachtig. De eerste resultaten qua tijdsbesparing zijn veelbelovend, volgens Baardman: ‘Ik zie een proces waar Groot deze technologie gebruikt om sneller data in te winnen en te classificeren. Dat levert uiteindelijk kennis op die helpt bij het bedenken van beleid om af te rekenen met zwerfafval.’
Een tien!
‘We willen dat Groot er écht iets aan heeft, dus richten ons nu op het stabiliseren van de app, het inwinnen van data en het kunnen bewerken en downloaden van de data op de juiste manier. We zijn erachter gekomen dat Groot vervangen nog niet aan de orde is: het blijft mensenwerk. Maar met AI is al wel een eerste indruk te geven, dat vind ik een mooi resultaat’, geeft Baardman tot slot nog aan.
Een bijkomend positief resultaat: de studenten van de Hogeschool Utrecht hebben een tien gekregen voor dit project.
Dit artikel wordt u aangeboden door
Capgemini
Capgemini loopt voorop in de toepassing van innovatie bij het realiseren van duurzame groei en een betere manier van werken en leven. Capgemini helpt klanten beter te anticiperen op toekomstige trends, het potentieel ervan in te schatten en er op verantwoorde wijze voordeel uit te halen.
Meer informatie:
