Voordat ze vertrekken: Ondersteunen van kennisoverdracht met machinaal leren

Inleiding
Voordat ze vertrekken: Ondersteunen van kennisoverdracht met machinaal leren Effectieve kennisoverdracht tussen senior en junior is waardevol nu een significant deel van de beroepsbevolking die betrokken was bij het ontwerp en bouw van drinkwaterinfrastructuur de pensioenleeftijd nadert. Concepten en methodes om deze kennisoverdracht te faciliteren zijn echter nog onderontwikkeld. In dit project is onderzocht in hoeverre technieken voor kunstmatige of artificiële intelligentie (AI), en specifiek machinaal leren (ML), gebruikt kunnen worden voor kennisoverdracht over distributiesystemen.
Doel
Het doel van dit project is om de mogelijkheden voor kennisoverdracht ondersteund door ML te verkennen en om een “proof of concept” te ontwikkelen specifiek voor kennisoverdracht op het gebied van drinkwaterdistributie op basis van makkelijk toegankelijke data. Dit wordt gevold door aanbevelingen voor vervolg en voor daadwerkelijke implementatie.
Aanpak
Voor dit onderzoek is in eerste instantie een summiere literatuurstudie gedaan naar AI en ML in het algemeen, en naar hun toepassing in de drinkwatersector. In parallel is een denkkader voor kennisoverdracht uitgedacht. Vervolgens is een iteratief proces een ML concept ontwikkeld op basis van zes stappen.
Resultaten
De literatuurstudie laat zien dat AI en ML voor verschillende doeleinden gebruikt worden in de drinkwatersector, maar dat kennisoverdracht hier niet of nauwelijks deel van uitmaakt. Het ontwikkelde denkkader voor kennisoverdracht is gebaseerd op een onderscheid tussen verschillende soorten kennis: expliciete kennis (te documenteren en dus overdraagbaar) en impliciete kennis (persoonsgebonden en contextgebonden en daardoor moeilijk(er) te documenteren en over te dragen). De combinatie van beide soorten kennis levert het uiteindelijke ontwerp van drinkwaterinfrastructuur. Het ontwikkelde ML concept zoekt naar de sporen van impliciete kennis op basis van een datagedreven model en anomaliedetectie. Het is de verwachting dat dit een overzicht van afwijkende ontwerpkeuzes oplevert en is bedoeld als concreet aanknopingspunt voor gespreken met senior experts. Het is tijdens deze gesprekken, waarin gespeculeerd wordt over oorzaak van de ontwerpkeuzes, dat kennisoverdracht daadwerkelijk plaatsvindt.
Implementatie
Voor het ontwikkelde ML concept gebruiken we vooralsnog alleen relatief makkelijk toegankelijke data en adviseren we een getrapte implementatie. Op dit moment is het effect van impliciete kennis op het ontwerp van distributiesystemen vooral hypothetisch en anekdotisch. Door implementatie in toenemende stappen van detail en nauwkeurigheid kan gedurende het proces nagegaan worden of de hypothese dat impliciete kennis ontwerpbeslissingen beïnvloedt standhoudt net als de toegevoegde waarde ten opzichte van de nodige input.