S08E84 - Dataprep voor AI: energiezuinig rijden voorbereid bij NS

Rick Stoop, data expert bij NS, meet het energieverbruik van treinen met GPS-data, energiemeters en dienstregelingen van dertig verschillende teams. Eén verkeerde aanname en de hele score klopt niet meer, dus zijn team ontdekte pas na onderzoek waarom bepaalde trajecten structureel geen score kregen. De oorzaak: tunnels verstoorden de GPS-meting stelselmatig, zonder dat iemand dat wist.

Rick laat zien hoe NS met een genormaliseerde score van 0 tot 100 machinisten begrijpelijke feedback geeft, en waarom bewust geen AI-conclusies worden getrokken over rijgedrag. Morgen kun je bij twijfelachtige databronnen zoeken naar patronen in de uitval, zodat je structurele meetfouten ontdekt voordat ze je rapportages maanden lang onbetrouwbaar maken.

Onderwerpen

• Meten van energieverbruik van treinen met GPS-data en de uitdagingen van onvolledige sensordata
• Ontwikkeling van een genormaliseerde score die begrijpelijk is voor machinisten en teammanagers
• Bewuste keuze om geen AI-conclusies te laten trekken over menselijk gedrag voordat de datakwaliteit gevalideerd is
• Identificeren en labelen van anomalieën zoals tunnels en verstoringen met metadata
• Toekomstige ontwikkeling van een AI-model voor realtime rijadvies in het TIM-systeem

Links

• Evenement: Data Expo (Jaarbeurs Utrecht)
• Kaartspel: AI Game Changer - Generative AI editie

Genoemde entiteiten: Nederlandse Spoorwegen - NS - TIM

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

Copy Transcript Copied

1
00:00:00,000 --> 00:00:03,279
Welkom bij nieuwe aflevering van AIToday Live.

2
00:00:03,279 --> 00:00:07,879
Vandaag spreken we Rick Stoop, data expert bij NS.

3
00:00:07,879 --> 00:00:13,039
Hij vertelt hoe zijn team energiezuinig rijden bij de trein meetbaar maakt met data.

4
00:00:13,039 --> 00:00:15,800
En wat er allemaal bij komt kijken.

5
00:00:15,800 --> 00:00:21,160
We hebben het gesprek in twee delen geknipt, zodat je morgen na deel twee kunt luisteren.

6
00:00:21,160 --> 00:00:23,640
Dit is het eerste deel.

7
00:00:23,640 --> 00:00:27,239
Deze week is het bij ons namelijk Data Expo week.

8
00:00:27,239 --> 00:00:30,760
De hele week hoor je sprekers van het evenement.

9
00:00:30,760 --> 00:00:36,439
Dataexpo zelf vindt plaats op 9 en 10 september in de Jaarbeurs in Utrecht.

10
00:00:36,439 --> 00:00:38,960
Je ticket is gratis.

11
00:00:38,960 --> 00:00:40,679
Hier is het gesprek met Rick.

12
00:00:40,999 --> 00:00:43,558
Joop Snijder, Head of AI bij Info Support.

13
00:00:43,719 --> 00:00:46,039
Niels, die eerste vandaag even niet.

14
00:00:46,039 --> 00:00:49,639
Maar gelukkig hebben we een ontzettend leuke gast, Rick Stoop.

15
00:00:49,639 --> 00:00:57,878
Rick, voordat jij jezelf gaat voorstellen, wil ik eigenlijk eerst even benoemen dat je gaat spreken op de Dataexpo.

16
00:00:58,358 --> 00:01:01,799
En we nemen dit ook op in het kader van de Dataexpo week.

17
00:01:01,799 --> 00:01:04,918
Zou je jezelf eerst even willen voorstellen aan de luisteraars?

18
00:01:04,919 --> 00:01:05,397
Ja, zeker.

19
00:01:05,397 --> 00:01:07,238
Ja, ik ben Rick Stoop.

20
00:01:07,239 --> 00:01:12,118
Ik ben data expert bij NS bij team duurzaam ondernemen en energie.

21
00:01:12,119 --> 00:01:15,558
Kijk, dat is meteen best wel een mooie mond vol.

22
00:01:15,718 --> 00:01:16,999
Wat doet het team?

23
00:01:17,159 --> 00:01:25,559
Wij houden ons bezig met verschillende dataproducten en informatieproducten voor NS op gebied van duurzaamheid.

24
00:01:25,559 --> 00:01:30,118
En onder andere gaat het over tractie-energie en over vermeden CO2.

25
00:01:30,679 --> 00:01:34,278
Ik denk niet dat alle luisteraars weten wat tractie-energie is.

26
00:01:35,159 --> 00:01:36,679
Daar kan ik me voorstellen.

27
00:01:37,078 --> 00:01:40,759
Toen ik bij het team kwam, duurde het ook even voor ik door had wat dat nou precies is.

28
00:01:41,159 --> 00:01:52,118
Het gaat om het tractie, zeg maar het tractie geven van de trein, dus het optrekken van de trein en het op constante snelheid houden van het rijden van de trein eigenlijk.

29
00:01:52,359 --> 00:01:54,198
Het is het gewoon het geven van gas.

30
00:01:54,439 --> 00:01:56,518
En waarom is dat zo belangrijk?

31
00:01:57,159 --> 00:01:58,998
Het kost heel veel stroom.

32
00:01:58,999 --> 00:02:02,518
En daarom is het heel belangrijk om daar wat meer over te weten, zeg maar.

33
00:02:02,918 --> 00:02:10,437
En dan neem ik aan bij de duurzaamheid dat jullie gaan kijken: hoe zou je met minder stroom hetzelfde kunnen doen?

34
00:02:10,439 --> 00:02:15,319
Ja, wat belangrijk is, is dat de treinen natuurlijk op tijd rijden.

35
00:02:15,799 --> 00:02:18,998
En dat de reizigers gewoon goed van A naar B komen.

36
00:02:18,999 --> 00:02:24,679
Alleen het verbruik van de trein is ongeveer 1% van stroomverbruik van Nederland.

37
00:02:24,679 --> 00:02:26,918
Dus dat is best een hoop.

38
00:02:28,519 --> 00:02:36,359
Daar valt dus ook heel veel in te winnen als je wat meer weet van aan welke knoppen kan je draaien, om dat iets terug te brengen, zeg maar.

39
00:02:36,359 --> 00:02:37,799
En alle kleine beetjes helpen.

40
00:02:37,799 --> 00:02:44,758
Dus daar doen wij ons best voor om daar met behulp van data om dat zeg maar zo mooi mogelijk te maken.

41
00:02:45,079 --> 00:02:47,638
En hoe gaat data je behelpen dan?

42
00:02:48,118 --> 00:02:53,158
Ten eerste, maar het hoofddoel van ons op dit moment is dat we echt inzicht geven.

43
00:02:53,319 --> 00:03:06,119
Inzicht geven bij teammanagers en later ook bij machinisten zelf, dat ze ook weten van oké, als ik zo rijdt, dan heeft dat dit tot gevolg een goede score.

44
00:03:06,118 --> 00:03:08,359
Of iets minder goede score.

45
00:03:09,319 --> 00:03:18,839
Dus het begint eerst met die inzicht te krijgen van hoe doe ik het eigenlijk en daarna kunnen we na knoppen gaan zoeken waar we aan kunnen draaien.

46
00:03:18,838 --> 00:03:22,919
Dan kunnen we ook kijken van hoe gaan we dat dan verbeteren.

47
00:03:23,158 --> 00:03:27,159
En die data, want je gaat daarover spreken.

48
00:03:27,158 --> 00:03:30,679
Dus ik neem aan dat daar een complexiteit in zit.

49
00:03:30,679 --> 00:03:33,479
Die misschien niet voor de hand liggend is.

50
00:03:33,479 --> 00:03:35,879
Nee, het is best wel lastig.

51
00:03:36,118 --> 00:03:42,359
Sommigen hebben best wel veel verschillende materieelsoorten die op het spoor van NS rijden, waar we mee rijden.

52
00:03:43,479 --> 00:03:46,839
En sommigen hebben al energiemeters van zichzelf.

53
00:03:46,838 --> 00:03:51,878
En die data kunnen we dan ook gebruiken van de energiemeters, maar sommige treinen hebben dat nog niet.

54
00:03:53,079 --> 00:04:00,359
En de grote puzzel die wij proberen te leggen is: hoe gaan we naar een uitgevoerde dienstregeling data, zeg maar.

55
00:04:00,359 --> 00:04:07,479
Dus trein van station Utrecht, ik zat in Venlo te klompen vandaag.

56
00:04:07,639 --> 00:04:14,359
Dat begint eerst met een plandatum en daarna ga je naar een uitvoeren datumtijd, zeg maar.

57
00:04:14,359 --> 00:04:18,918
Hoe zorg je ervoor dat je van die gegevens kan koppelen aan de energiegegevens.

58
00:04:18,918 --> 00:04:25,718
En dan op de juiste vormen van gebruikte energie te komen.

59
00:04:26,039 --> 00:04:28,679
Best wel lastig, zeker als je geen meters hebt.

60
00:04:28,838 --> 00:04:42,838
Daarvoor gebruiken we dan bijvoorbeeld GPS-data om het basis van GPS de natuurkunde toe te passen en dan met snelheid en versnelling dan te kijken van oké, wat is dan op die manier die verbruikte energie.

61
00:04:43,159 --> 00:04:54,199
En dat is een hele puzzel met allerlei businesslogica en allerlei regels die je dan toe moet passen en best wel pittig proces om doorheen te komen.

62
00:04:54,199 --> 00:04:56,438
Maar dat is wel gelukt uiteindelijk.

63
00:04:57,399 --> 00:04:58,679
Daar kom ik over vertellen.

64
00:04:58,679 --> 00:05:03,719
Ja, en wat krijg je dan de teammanager of de machinist dan te zien?

65
00:05:04,998 --> 00:05:12,439
Wij berekenen op basis van wat er is verleden, berekenen we op historische gegevens een score door.

66
00:05:12,438 --> 00:05:20,518
Dus dat je op basis van de referentie eigenlijk kan kijken van hoe heb ik het gedaan ten opzichte van een soort van nulmeting.

67
00:05:20,519 --> 00:05:26,439
En die nulmeting of dat eindpunt, dat gebruiken we dan om ook de performance te volgen over de tijd.

68
00:05:26,438 --> 00:05:29,959
En ze krijgen een genormaliseerde score.

69
00:05:29,959 --> 00:05:36,199
Dus niet zoveel kilowatturen heb je gebruikt of het is wel iets wat wat makkelijker klikt, als het ware.

70
00:05:36,159 --> 00:05:43,359
En het zijn ook vaak gemiddeld dus, want dat praat nog weer makkelijker dan echt als je heel specifieke stukjes gaat maken.

71
00:05:43,518 --> 00:05:47,838
Dan krijg je een score van 0 tot 100, of dat je bij de beste zoveel hoort.

72
00:05:48,479 --> 00:05:50,398
Nu moet ik daar moet ik daarover denken.

73
00:05:51,118 --> 00:05:58,159
Dat is wel grappig dat je dit vraagt, want wij zaten zelf ook met de mensen die dit moeten gaan vertalen, ook te kijken wat praat nou makkelijk.
74
00:05:59,118 --> 00:06:04,638
Wat we hebben gemerkt is dat een score boven de 100, dat is niet goed.
 74
00:06:04,638 --> 00:06:05,919
Je moet naar de 100 toe.
 75
00:06:05,919 --> 00:06:11,998
Maar ze willen het liever van een hoge score naar de 100, dus boven de 100 is minder goed.
 76
00:06:12,638 --> 00:06:14,158
Steeds meer dan 100, dat is dan goed, zeg maar.
 77
00:06:14,878 --> 00:06:17,198
En welke logica staat erachter?
 78
00:06:17,198 --> 00:06:25,599
Ja, dat zijn de gesprekken die je voert met de mensen die het gaan gebruiken, wat we eerst dachten was, als je bijvoorbeeld beter scoort.
 79
00:06:25,599 --> 00:06:30,959
Hoe die score precies werkt is, we nemen dus de referentie van vorig jaar bijvoorbeeld.
 80
00:06:31,838 --> 00:06:35,758
Da zetten we alles op een rij van op dit traject zoveel verbruikt.
 81
00:06:35,758 --> 00:06:39,118
En dan pakken we niet de beste score, maar dan pakken we tiende percentiel.
 82
00:06:39,279 --> 00:06:44,479
En van de tiende percentiel rekenen we dan de referentiewaarde.
 83
00:06:44,479 --> 00:06:52,799
En van dat tiende percentiel krijg je dan als het ware, je kan beter scoren dan tiende percentiel of slechter.
 84
00:06:53,679 --> 00:06:55,438
Je kan ook dus lager scoren.
 85
00:06:55,438 --> 00:07:05,679
Maar wat we hebben gemerkt is dat als je dus beter scoort, dan val je dus in die score van 0 tot 100 val je buiten de range.
 86
00:07:05,679 --> 00:07:07,679
Want dan score je opeens 105 bijvoorbeeld.
 87
00:07:07,679 --> 00:07:10,719
Of in ons geval dan 95.
 88
00:07:11,279 --> 00:07:13,599
En dat praat heel lastig.
 89
00:07:13,599 --> 00:07:16,078
Dus wat we hebben gezegd, we ronden alles af naar die 100.
 90
00:07:16,078 --> 00:07:17,438
Als je beter bent ben je 100.
 91
00:07:17,438 --> 00:07:18,799
Als je erop zit, ben je ook 100.
 92
00:07:18,799 --> 00:07:20,319
Maar daar houden we, dat maakt niet uit.
 93
00:07:20,318 --> 00:07:21,518
100 is gewoon goed.
 94
00:07:22,159 --> 00:07:24,959
Maar als je te hoog zit, dus 120 bijvoorbeeld.
 95
00:07:24,958 --> 00:07:27,599
Dan heb je gebruikt, heb je te veel verbruikt.
 96
00:07:28,399 --> 00:07:31,118
En dan gaan we naar beneden toe.
 97
00:07:31,279 --> 00:07:34,479
Dan is het de kunst om dichter bij die 100 te komen.
 98
00:07:34,718 --> 00:07:35,679
Oké.
 99
00:07:36,958 --> 00:07:39,599
Zijn al eerste resultaten of niet?
 100
00:07:40,078 --> 00:07:44,479
Ja, dat is de resultaten lastig, zeg maar te bespreken.
 101
00:07:44,479 --> 00:07:47,998
Het is niet dat je meteen zeggen van we hebben dit product klaargezet.
 102
00:07:47,998 --> 00:07:49,759
We zien meteen effect, zeg maar.
 103
00:07:49,759 --> 00:07:53,518
Wat we wel merken, is dat het onderwerp echt leeft binnen doorgezet.
 104
00:07:53,519 --> 00:07:55,679
Het leeft sowieso al een tijdje, zeg maar.
 105
00:07:55,679 --> 00:07:59,518
En nu heb je echt iets om mee te zitten en mee te praten.
 106
00:07:59,519 --> 00:08:02,239
En wij krijgen daar ook op die manier feedback over.
 107
00:08:03,039 --> 00:08:06,878
Het helpt helemaal als het bijvoorbeeld op deze manier weer gegeven worden.
 108
00:08:07,599 --> 00:08:08,959
Iets meer detail kunnen krijgen.
 109
00:08:09,198 --> 00:08:11,758
Dat zijn allemaal stappen die je dan vervolgens gaat zetten.
 110
00:08:12,239 --> 00:08:14,558
Maar het helpt in ieder geval dat gesprek op gang te brengen.
 111
00:08:14,558 --> 00:08:23,518
En dat is natuurlijk al heel waardevol, dat je met elkaar over praat van let erop, dat je wel zuinig rijdt, dat is het hele doel.
 112
00:08:23,519 --> 00:08:29,359
En er zit veel meer programma loopt al best wel lang, maar er zijn mensen die weten er veel meer van dan ik.
 113
00:08:29,359 --> 00:08:35,359
Ik zit echt meer in die datahoek, maar je merkt wel dat het dan gaat leven.
 114
00:08:35,599 --> 00:08:36,719
Dat is wel leuk.
 115
00:08:36,879 --> 00:08:38,318
Dat kan ik me wat bij voorstellen.
 116
00:08:38,318 --> 00:08:40,957
En net wat je zegt, weet je, het gaat over iets heel belangrijks.
 117
00:08:41,118 --> 00:08:46,959
We hebben heel veel netcongestie, dus als daar iets aan gedaan kan worden, alle beetjes helpen.
 118
00:08:47,198 --> 00:08:47,998
Zeker.
 119
00:08:51,118 --> 00:08:54,878
Kijk, we hadden heel kort al even een voorgesprek gehad.
 120
00:08:55,998 --> 00:09:00,638
Toen gaf je aan van ja, maar we zijn nu vooral nog in de voorbereidende fase.
 121
00:09:00,639 --> 00:09:02,479
We zit hier in AIToday Live.
 122
00:09:02,639 --> 00:09:05,359
We zijn nog niet bij de AI-modellen.
 123
00:09:06,639 --> 00:09:14,799
Wat doen jullie aan voorbereiding op om straks met AI machine learning aan de slag te kunnen gaan?
 124
00:09:16,879 --> 00:09:29,119
Wat we nu hebben op dit moment is dat we op het punt staan dat we een goede dataset hebben, die de input kan zijn voor de AI of voor een machine learning model.
 125
00:09:29,359 --> 00:09:44,239
En daar hebben er nu voor gezorgd dat dat mogelijk is, het doel van waar we eigenlijk naartoe willen, is de machinisten hebben een soort tomtom in de trein, dat noemen we TIM TIM.
 126
00:09:44,718 --> 00:09:51,998
En dat is vroeger ooit eens een keer per dag door een wetenschapper of onderzoek dat geweest is bij NS.
 127
00:09:51,998 --> 00:10:02,238
En wat we nu willen proberen is om met de dataset die wij hebben, plus allerlei extra parameters, weersvariabelen, noem maar op, weerstand van het spoor.
 128
00:10:02,399 --> 00:10:11,679
Ga zo maar door dat we dat wat ze in de cockpit krijgen als rijadvies, als het ware, dat we dat kunnen verbeteren.
 129
00:10:11,679 --> 00:10:20,318
En als ze dan makkelijker dat kunnen volgen of beter dat kunnen volgen, dan gaan we ervan uit dat energie ook af zal nemen.
 130
00:10:20,478 --> 00:10:21,838
Dus dat is het uiteindelijk het doel.
 131
00:10:21,839 --> 00:10:23,478
En die verbetering, zeg maar.
 132
00:10:23,718 --> 00:10:28,839
Dat model trainen om die TIM TIM te gaan verbeteren, dat is de stap die we eigenlijk zouden moeten gaan zetten.
 133
00:10:29,399 --> 00:10:36,199
Dat je eigenlijk live kan zien van verbruik ik te veel of twijfel of dat echt live zal gaan zijn.
 134
00:10:36,519 --> 00:10:41,879
Ik weet ook niet hoe die stroom, zeg maar, of hoe dat precies in de cockpit terecht gaat komen.
 135
00:10:41,879 --> 00:10:45,079
Maar dat we in ieder geval voor vertrek al een patroon kunnen neerzetten.
 136
00:10:45,318 --> 00:10:52,039
Als je dit volgen, dan zou dat betekenen dat je dan zo efficiënt als dat kan gereden zou hebben.
 137
00:10:52,039 --> 00:11:02,279
Dus eigenlijk een rijstrategie is het eigenlijk van je moet gas geven tot dit punt, dan moet je coasten of je snelheid vasthouden en dan vanaf hier laat je je gas los.
 138
00:11:02,279 --> 00:11:05,879
En het gas los laten, is gewoon uitrollen op lage weerstand over het spoor.
 139
00:11:05,879 --> 00:11:09,799
Totdat je dicht bij eindpunt bent dan remmen.
 140
00:11:10,039 --> 00:11:10,999
Ja, precies.
 141
00:11:12,279 --> 00:11:15,318
Wat zijn jullie dan aan het doen aan die datapreparatie?
 142
00:11:15,318 --> 00:11:16,999
Wat moet er dan gebeuren?
 143
00:11:17,238 --> 00:11:19,239
Waarom is dat nu nog niet klaar?
 144
00:11:19,238 --> 00:11:21,719
Nou, dat is dus best wel complex.
 145
00:11:21,799 --> 00:11:27,399
Wat ik vertelde, we zitten heel erg met de GPS bijvoorbeeld.
 146
00:11:27,879 --> 00:11:34,838
Ik weet niet of je zelf daar ervaring mee hebt, maar ik kom ook uit de voetballen rijden, dan hebben we heel veel met GPS-data gedaan.
 147
00:11:34,999 --> 00:11:37,079
GPS is super gevoelig.
 148
00:11:38,198 --> 00:11:38,998
Zo wil het zijn.
 149
00:11:38,999 --> 00:11:40,039
Supergevoelig op wat?
 150
00:11:40,039 --> 00:11:43,639
Ja, op meetfout, op verstoringen van buiten op het weer.
 151
00:11:43,958 --> 00:11:46,679
Overkappingen bij stations, tunnels waar het doorheen rijdt.
 152
00:11:46,679 --> 00:11:53,398
Dus je hebt heel erg te maken met hoe ga je daar dan mee om, terwijl je wel die GPS-gegevens wilt gebruiken.
 153
00:11:53,879 --> 00:11:59,159
Dat is echt om dat goed te kunnen begrijpen en goed uit te werken, zeg maar.
 154
00:11:59,159 --> 00:12:01,399
Daar zijn we nu best wel ver in.
 155
00:12:01,399 --> 00:12:03,799
En ook om de kwaliteit goed te monitoren.
 156
00:12:03,799 --> 00:12:11,639
Daar zijn we wel dat we denken van oké, we voelen ons comfortabel om in ieder geval met de gaten die we nu weten wat er niet kan.
 157
00:12:11,799 --> 00:12:13,078
Weten we ook wat we wel kunnen.
 158
00:12:13,078 --> 00:12:14,599
En dan kunnen we nu de volgende stap gaan.
 159
00:12:14,679 --> 00:12:15,159
Ja, precies.
 160
00:12:15,159 --> 00:12:16,838
En die gaten die dicht je dan?
 161
00:12:16,838 --> 00:12:18,759
Of wat doe je daarmee?
 162
00:12:19,078 --> 00:12:20,598
Ja, dat weten we nog niet.
 163
00:12:20,599 --> 00:12:21,958
Dat hangt ook een beetje af.
 164
00:12:21,958 --> 00:12:28,919
Maar onze samenwerking met Kickstart AI voor dit project straks ook een beetje mee gaat komen, denk ik.
 165
00:12:29,718 --> 00:12:35,959
We kunnen wel op dit moment, wat we doen, is bijvoorbeeld als we weten dat er een tunnel is op het traject, dan kunnen we dat markeren.
 166
00:12:35,958 --> 00:12:51,078
Dus dan zeggen van oké, dit traject heeft een tunnel gehad, dus kun je waarschijnlijk niet meenemen voor de analyse of voor de scores die we willen laten zien, dus het is meer nog het identificeren van je dataset, goede metadata meegeven.
 167
00:12:51,238 --> 00:12:54,119
Dat is eigenlijk wat we dan vooral nu doen.
 168
00:12:54,759 --> 00:12:58,039
En die metadata kan je daar ook iets over vertellen.
 169
00:12:58,679 --> 00:13:01,799
Ja, wat wil je weten over de metadata?
 170
00:13:01,799 --> 00:13:05,718
Nou, welke voorbereiding je daarvoor doet.
 171
00:13:06,039 --> 00:13:11,718
Ja, dat is vooral echt de kennis van het spoor weten, zeg maar.
 172
00:13:12,039 --> 00:13:22,919
Dus een machinist die kan alleen invloed uitoefenen op zijn energieconsumptie, als hij ook kan voldoen aan bijvoorbeeld op tijd vertrekken van het spoor.
 173
00:13:23,318 --> 00:13:25,799
Of als er onderweg niks geks gebeurt.
 174
00:13:26,119 --> 00:13:31,478
Als ze bijvoorbeeld een het over het spoor gaat, dan moet je in de ankers.
 175
00:13:31,718 --> 00:13:33,719
Dan verpest het meteen je hele score.
 176
00:13:33,799 --> 00:13:34,998
Daarna moet je weer optrekken.
 177
00:13:34,998 --> 00:13:49,399
Dus met dat soort gegevens proberen we dus de dataset te verrijken om aan te geven van oké, je bent je van A tot B volledig kunnen rijden en je hebt alles zelf in de hand gehad onder de voorwaarden die wij stellen.
 178
00:13:50,198 --> 00:13:52,679
Of volgens de businesslogica als het ware.
 179
00:13:52,679 --> 00:13:57,558
En dan ben je geldig genoeg om meegenomen te worden in onze validatie.
 180
00:13:58,438 --> 00:14:02,358
Dus dus eigenlijk dat soort anomalies, die haal je er dan uit.
 181
00:14:02,359 --> 00:14:03,238
Ja, precies ja.
 182
00:14:03,238 --> 00:14:07,558
En dan zijn er zeker nog vast nog wel een paar die we nog niet hebben kunnen identificeren.
 183
00:14:07,558 --> 00:14:14,999
Of dat we bijvoorbeeld last hebben van een synchronisatieprobleem van de meetbox op de trein zelf voor die de GPS opslaat.
 184
00:14:15,238 --> 00:14:19,558
Dat soort zijn kleine dingen die we weten die er zijn, maar die we nog niet super goed kunnen identificeren.
 185
00:14:19,558 --> 00:14:21,159
Dus daar zijn we dan weer.
 186
00:14:21,399 --> 00:14:26,919
En wie identificeert nu dat van dat hert is wel een heel mooi beeldend voorbeeld.
 187
00:14:27,639 --> 00:14:29,799
Wie zegt van dat is gebeurd?
 188
00:14:29,799 --> 00:14:35,799
Probeer jullie proberen jullie dat uit de data te halen, of wordt dat gemarkeerd door de machinist.
 189
00:14:35,799 --> 00:14:39,799
Laat ik het zo zeggen, weet je, als ik als ik met Flitsmeister rij.
 190
00:14:40,039 --> 00:14:45,078
Dan krijg ik ook signalen van dier op de weg of file komt er aan.
 191
00:14:45,399 --> 00:14:47,078
Er staat iemand langs de kant van de weg.
 192
00:14:47,079 --> 00:14:50,119
En dat wordt gedaan door de mensen die er langskomen.
 193
00:14:51,399 --> 00:14:55,639
Ik weet niet alle ins en outs, maar wij knopen best wel veel.
 194
00:14:55,639 --> 00:15:01,799
Kijk, als om het beeld te schetsen, met bij NS werken we met ongeveer 30 datateams.
 195
00:15:02,039 --> 00:15:07,239
En elk datateam is weer verantwoordelijk voor zijn eigen stukje van de keten, zeg maar.
 196
00:15:07,238 --> 00:15:15,199
En wij zitten nu een beetje met ons team aan het einde van de keten en we maken ook gebruik van drie of vier teams van hun data, zeg maar.
 197
00:15:16,078 --> 00:15:21,119
En van die data nemen wij ook bijvoorbeeld dit soort stukjes informatie af.
 198
00:15:21,279 --> 00:15:29,919
Dus hoe dat precies gaat, kan ik je niet vertellen, maar wij knopen ook zeg maar die set aan elkaar met de kennis die we van hen krijgen.
 199
00:15:30,399 --> 00:15:36,639
Dus ja, het is ook heel erg veel samenwerken en ook wij verwachten dat zij dat weten.
 200
00:15:37,119 --> 00:15:42,879
Als zij zeggen, ja, je moet het hier op letten, en deze zijn deze parameters, die kan je gebruiken en die niet, dan gaan we daarmee aan de gang.
 201
00:15:43,838 --> 00:15:55,039
En dat is dus best wel die dataset is best wel complex in die zin, omdat je ook veel verschillende elementen hebt echt samen moet werken met de rest.
 202
00:15:55,279 --> 00:16:02,159
Kan je misschien die complexiteit toch nog wat meer duiden, van waar zit dan de complexiteit.
 203
00:16:07,279 --> 00:16:09,599
Het zijn veel regels.
 204
00:16:09,598 --> 00:16:16,558
En ook regels die soms wel of soms niet samenkomen tot een valide rit.
 205
00:16:18,799 --> 00:16:22,558
We zeggen bijvoorbeeld, je moet op tijd kunnen vertrekken.
 206
00:16:22,879 --> 00:16:25,439
Je mag niks geks gebeuren onderweg.
 207
00:16:25,759 --> 00:16:28,078
Het moet een beetje volgens de dienstregeling zijn.
 208
00:16:28,078 --> 00:16:32,639
En we verwachten dat de GPS goede nauwkeurigheid heeft.
 209
00:16:32,879 --> 00:16:36,079
Daar proberen we dat dan aan elkaar te knopen.
 210
00:16:36,078 --> 00:16:44,238
Maar het kan ook zijn dat bijvoorbeeld als we de data binnenkrijgen van de uitvoering, van wat de trein daadwerkelijk heeft gereden, dat het niet meteen in één keer goed is.
 211
00:16:44,238 --> 00:16:47,839
We zijn dan afhankelijk van degene die ons dat levert.
 212
00:16:48,478 --> 00:16:55,519
En dat zorgt ervoor dat als wij dan al een score hebben berekend, dat we weer terug moeten naar de tekentafel van we moeten weer hebben rekenen.
 213
00:16:55,519 --> 00:17:01,838
Dus het hele proces van hoe zorg je ervoor dat je wel iets zinnigs zegt, zeg maar, wat ook valide is.
 214
00:17:01,838 --> 00:17:11,838
En op je tenen blijven lopen om ervoor te zorgen dat je telkens weer kan anticiperen op dat er de data verbetert, dat maakt het complex als het ware.
 215
00:17:12,159 --> 00:17:14,877
Omdat je ook al die verschillende bronnen aan elkaar gaat knopen.
 216
00:17:15,519 --> 00:17:20,799
Als één ding gaat verbeteren of afwijken of gaat veranderen, dan gaat de rest mee.
 217
00:17:20,958 --> 00:17:24,078
Of ja, die moet mee, want anders zeggen wij iets verkeerds.
 218
00:17:24,078 --> 00:17:26,877
En dat wil je natuurlijk niet, zonder de juiste dingen blijven zeggen.
 219
00:17:27,759 --> 00:17:31,119
Gebruiken jullie bij de data-analyse zelf AI.
 220
00:17:34,238 --> 00:17:43,519
Ik vind definieer AI, kijk, als je het hebt over we gebruiken business rules en rekenregels.
 221
00:17:43,519 --> 00:17:48,078
En als we dat AI vinden, dan gebruiken we dat.
 222
00:17:48,399 --> 00:17:52,478
Als je statistiek gebruikt, vind ik ook inderdaad, dan gebruiken we dat ook.
 223
00:17:52,478 --> 00:18:05,038
Maar op dit moment voor echt het feedback geven aan de teammanagers, dat is echt, dat laten we aan hun, we rapporteren het.
 224
00:18:05,039 --> 00:18:12,798
We geven geen conclusies of zeggen niks voor, zeg maar, ze mogen zelf het mee aan de gang.
 225
00:18:12,798 --> 00:18:23,998
Dus in die zin voor die analyse doen we niks, maar voor de analyse van de kwaliteit van de data gebruiken we wel verschillende rekenregels om te kijken van is het valide of is het niet veel.
 226
00:18:24,879 --> 00:18:30,958
Heb je in de dataanalyse iets gevonden wat heel opmerkelijk was, wat de andere teams niet wisten bijvoorbeeld.
 227
00:18:32,238 --> 00:18:39,199
Wij nemen de dataset af van het team, wat ontsluit op ons dataplatform.
 228
00:18:39,599 --> 00:18:41,839
Die gebruiken het vooral voor stilstanden.
 229
00:18:42,079 --> 00:18:45,998
Die wil weten waar een trein staat op het moment dat die stilstaat, zeg maar.
 230
00:18:46,478 --> 00:18:50,639
Vooral voor het rangeren van de trein op opstelterreinen.
 231
00:18:50,639 --> 00:18:52,639
En wij willen het weten voor rijden.
 232
00:18:52,879 --> 00:18:57,518
Dus je hebt een hele andere wens van dezelfde dataset.
 233
00:18:57,679 --> 00:19:02,478
Dus kom je ook niet, wij komen achter dingen die zij niet naar kijken.
 234
00:19:03,039 --> 00:19:04,319
Ja, omdat ze niet nodig hebben.
 235
00:19:04,319 --> 00:19:15,518
Precies, dus wij kwamen dus opeens van die tunnels kan wij achter van ja, maar wacht eens even, als een trein door een tunnel gaat, hebben we het zijn altijd dezelfde trajecten, die bij ons geen score opleveren.
 236
00:19:16,478 --> 00:19:20,478
En dan kom je er dus achter van ja, oh ja, wacht even, daar gaan we door een tunnel heen.
 237
00:19:20,478 --> 00:19:28,879
En dan proberen we, we hebben de meetfrequentie van de GPS is zes keer per minuut, dus één keer per tien seconden.
 238
00:19:28,879 --> 00:19:34,958
Dus wij zeggen, oké, als je een gap hebt van 20 seconden, dan kunnen we dat nog wel herstellen.
 239
00:19:35,039 --> 00:19:40,478
Dan kunnen we nog wel redelijk meer omgaan, maar als het groter is, dan vinden we het eigenlijk te onnauwkeurig worden en kunnen we niet zoveel over zeggen.
 240
00:19:40,478 --> 00:19:43,919
Maar altijd zat er op dezelfde stukje traject, konden we het niet meten.
 241
00:19:44,079 --> 00:19:45,198
Altijd dezelfde fout.
 242
00:19:45,438 --> 00:19:48,159
We hebben niet de valide GPS-meting.
 243
00:19:48,159 --> 00:19:51,279
En dan ga je kijken van oké, maar wat is dat traject nou precies?
 244
00:19:51,278 --> 00:19:54,399
En dat bleek dus een tunneltrain te zijn.
 245
00:19:54,399 --> 00:19:56,358
Ik dacht, oh, daar moeten we dus wat mee.
 246
00:19:55,119 --> 00:20:00,039
Weet je wel, met die tunnels, dat heeft dus invloed op onze scores.
 247
00:19:55,519 --> 00:20:02,599
Dus nu weten we van oké, daar gaan we wat mee doen.
 248
00:20:03,238 --> 00:20:07,478
Dus in die zin, en opstelterrein is vaak niet overdekt.
 249
00:20:07,478 --> 00:20:09,879
Dus of nou weet ik eigenlijk niet trouwens.
 250
00:20:09,879 --> 00:20:11,639
Maar staan buiten.
 251
00:20:12,038 --> 00:20:14,838
Als een trein buiten stilstaat, ja, dan heb je nog steeds GPS.
 252
00:20:14,839 --> 00:20:15,639
Dus daar heb je geen.
 253
00:20:15,879 --> 00:20:16,838
Dan merk je dat niet.
 254
00:20:16,839 --> 00:20:18,038
En daar kom je dan dus achter op.
 255
00:20:18,038 --> 00:20:19,159
Oh ja, wat grappig.
 256
00:20:19,798 --> 00:20:24,598
Maar weet je dat, zijn er veel stations.
 257
00:20:24,839 --> 00:20:30,998
Ik bedoel, Schiphol heb je bijvoorbeeld, dat je best wel lang onder een onder een tunnel rijdt.
 258
00:20:30,998 --> 00:20:34,119
Dus dan wordt het dan straks moeilijk om dat er data op te halen.
 259
00:20:34,119 --> 00:20:35,958
Ja, dat is best lastig.
 260
00:20:37,559 --> 00:20:48,359
En gaan jullie daar iets mee doen of zeg je van, nou ja, weet je, voor nu zijn dat gewoon de uitzonderingen, laten we zo richten ons eerst maar eens op waar het allemaal buiten is.
 261
00:20:48,679 --> 00:20:52,518
Het liefst zeg maar wil je dat straks die treinen allemaal energiemeters hebben.
 262
00:20:52,518 --> 00:20:54,438
Want dan ben je niet meer afhankelijk van die GPS.
 263
00:20:54,438 --> 00:21:01,958
En dan zou je op basis van die energiemeters, dan kan je altijd de data zo knippen dat je energie krijgt verbruikt energie.
 264
00:21:01,958 --> 00:21:04,438
Dus dat zou het ideale scenario zijn.
 265
00:21:04,438 --> 00:21:12,198
En voor nu is het inderdaad werken met wat je hebt en proberen gewoon transparant te zijn naar de mensen die het gaan gebruiken.
 266
00:21:12,438 --> 00:21:19,879
Dit is waarom jij met jouw team of als machinist niet de scoren te scoren krijgt.
 267
00:21:20,438 --> 00:21:26,278
En ja, die boodschap, zeg maar, dat is wel dan denk ik heel belangrijk dat je dat goed doet.
 268
00:21:26,278 --> 00:21:29,319
Want je wilt dat mensen het gaan gebruiken.
 269
00:21:29,319 --> 00:21:33,159
En als je afbreukrisico hebt, ja, dat is wel vervelend.
 270
00:21:33,159 --> 00:21:34,518
Ja, zeker.
 271
00:21:35,159 --> 00:21:41,639
Zijn jullie alles meegeweest op een rit om te kijken van wat de mensen ervan zouden vinden.
 272
00:21:41,958 --> 00:21:43,399
Ik heb iemand in mijn team.
 273
00:21:43,399 --> 00:21:49,558
Die is echt niet zeggen gekker van, maar die is super enthousiast over dit onderwerp.
 274
00:21:49,559 --> 00:21:50,919
En die zit er helemaal in.
 275
00:21:51,319 --> 00:21:53,318
Dus die kan je uren over praten.
 276
00:21:53,319 --> 00:21:59,718
En die gaat ook, die stuurde me gisteren nog een bericht van ja, ik was in Amsterdam bij een teammanager.
 277
00:21:59,718 --> 00:22:02,919
En uitleg geven over dit rapport.
 278
00:22:02,919 --> 00:22:09,238
En hij zegt, ja, ik wil dan op de terugweg naar Utrecht wil ik eigenlijk dan op een trein stappen en dan mag ik meerijden met een meerijpas.
 279
00:22:09,238 --> 00:22:12,198
En dan kan ik ook kijken wat zeg maar de scores zijn.
 280
00:22:12,518 --> 00:22:15,078
Die gaat er echt letterlijk meekijken in de cockpit.
282
00:22:15,079 --> 00:22:19,159
In de cockpit kan je ook zien wat je energieconsumptie is of je verbruikt.

281
00:22:19,159 --> 00:22:22,038
En dan gaat hij gewoon erover praten en meekijken en meedoen.

282
00:22:22,039 --> 00:22:23,078
En dat vind ik wel heel gaaf.

283
00:22:23,079 --> 00:22:25,239
Ik doe dat zelf nog niet, zeg maar.

284
00:22:27,159 --> 00:22:34,119
Het is wel heel aanstekelijk, als je het hebt over iemand die ergens op zit, zeg maar, hij zit er echt op.

285
00:22:34,198 --> 00:22:36,198
Hij zit zo fanatiek erop.

286
00:22:36,198 --> 00:22:37,159
Dat is echt mooi.

287
00:22:37,159 --> 00:22:38,438
Het is echt gaaf.

288
00:22:39,478 --> 00:22:44,198
Wat ik hoor is dat de praktijk en de theorie bij jullie heel dicht bij elkaar komt.

289
00:22:44,198 --> 00:22:45,318
Ja, zeker.

290
00:22:45,319 --> 00:22:52,838
Ja, en dan af en toe horen wij ook dingen dat we denken van ja, we snappen dat het in de praktijk gebeurt, maar het is heel lastig om dat dan met de data te koppelen, zeg maar.

291
00:22:53,639 --> 00:22:56,758
Hoe gaan we name om ervoor zorgen dat we dat bij maar goed bij elkaar gaan brengen.

292
00:22:56,919 --> 00:22:59,799
Dat is wel lastig dat soms.

293
00:22:59,798 --> 00:23:14,919
Maar we zorgen wel echt ervoor, en dat vind ik ook wel sterk van ons bedrijf, zeg maar, dat als je een vraag hebt over kan ik ergens meekijken, of wij doen ook iets met circulariteit van producten.

294
00:23:15,798 --> 00:23:19,479
Dan kan je gewoon een berichtje sturen naar iemand die daarover gaat.

295
00:23:20,039 --> 00:23:24,039
De kans dat je een keertje mag kijken, is eigenlijk bijna 100%.

296
00:23:24,438 --> 00:23:25,238
Oh, wat goed.

297
00:23:25,399 --> 00:23:28,119
Dus heel erg, we zijn heel erg betrokken bij elkaar.

298
00:23:28,119 --> 00:23:31,639
En dat maakt het wel echt sterk, want dan kan je ook goede producten leveren.

299
00:23:31,639 --> 00:23:36,999
Ik moet je even inbreken in het gesprek dat je nu volgt, niet omdat er iets mis is,

300
00:23:36,999 --> 00:23:39,678
maar omdat we het opgeknipt hebben.

301
00:23:39,678 --> 00:23:43,519
Deze week is het bij ons namelijk Data Expo Week.

302
00:23:43,519 --> 00:23:48,919
Je luistert de hele week naar sprekers van het evenement, van maandag tot en met vrijdag

303
00:23:48,919 --> 00:23:50,959
een aflevering.

304
00:23:50,959 --> 00:23:56,998
Data Expo zelf vindt plaats op 9 en 10 september in de Jaarbeurs in Utrecht.

305
00:23:56,998 --> 00:23:59,119
Je ticket is gratis.

306
00:23:59,119 --> 00:24:03,119
De link om het te bestellen vind je in de shownotes.

307
00:24:03,119 --> 00:24:07,678
Je luisterde vandaag naar het eerste deel van het gesprek met Rick Stoop van de Nederlandse

308
00:24:07,678 --> 00:24:09,479
Spoorwegen.

309
00:24:09,479 --> 00:24:12,159
Morgen gaan we verder met het tweede deel.

310
00:24:12,159 --> 00:24:12,639
Tot dan.