Laatst vertelde mijn neefje op een verjaardagsfeestje vol trots dat hij voor school zijn opstellen door taalmodel ChatGPT had laten schrijven. Door artificial intelligence, AI, aangestuurde taalmodellen doen blijkbaar op scholen in rap tempo hun intrede. En ze kunnen al meer dan opstellen schrijven: ze maken zó een eenvoudig computerspelletje voor je of vertellen je hoe je je programmeercode kan verbeteren.
Zou dat AI iets zijn voor ons bedrijf, dacht ik gelijk. Je vraagt ChatGPT om een model en hup, AI doet de rest. Dat zou lekker schelen, want als modelbouwers krijgen we vaak de vraag waarom de ontwikkeling van verkeersmodellen nou zoveel tijd kost.
AI wordt wel gezien als de nieuwe industriële revolutie om onze productiviteit te vergroten. Ze wordt meer en meer ingezet om patronen in productieprocessen te herkennen, optimaliseren en automatiseren. AI biedt dus zeker ook in ons vakgebied kansen om onze werktijd creatiever en innovatiever in te vullen. Maar op welke onderdelen kan AI bijdragen?
De vakliteratuur stelt dat AI momenteel bij uitstek geschikt is voor het automatiseren van herhalende taken. De techniek is op dit moment (nog) niet in staat om creatief te denken of buiten specifieke werkkaders te treden. Maar dat laatste hebben we bij verkeersmodellen wel hard nodig. De werkelijkheid is groter dan wat we in modellen kunnen vangen en het is daarom essentieel de goede keuzes te maken over wat je wel en niet wil meenemen.
AI is op z’n best als het kan putten uit grote hoeveelheden data. De technologie is nog niet goed in de randgevallen – de situaties waarvoor nog weinig data beschikbaar zijn. Juist in de verkeersmodellering hebben we te maken met locatiespecifiek mobiliteitsgedrag dat sterk kan verschillen van generiek mobiliteitsgedrag. Het is dus belangrijk om modeluitkomsten in een lokale context te kunnen duiden. Hier zie ik nog een duidelijke tekortkoming van AI.
Ik denk dan ook dat AI in ons vakgebied ‘slechts’ delen van onze werktaken zal kunnen overnemen. Niet dat dat te onderschatten is: met name op de tijdrovende werktaken rondom het opstellen van de modelinvoer – netwerken, zonale data, telgegevens – verwacht ik een enorme meerwaarde. Dat biedt ons kansen om de beschikbare werktijd creatiever in te vullen, bijvoorbeeld om de zo gewenste modelinnovaties te ontwikkelen. Even in het kader van verwachtingmanagement: dat wil niet zeggen dat verkeersmodellen straks in enkele dagen klaar zijn. Bouwtijden kunnen mogelijk verkort worden, maar er zal nog veel tijd nodig zijn voor de interpretatie en duiding van de modeluitkomsten.
Met name op de tijdrovende werktaken rondom het opstellen van de modelinvoer verwacht ik een enorme meerwaarde van AI
Wat dat laatste betreft is het overigens ook goed ons af te vragen hoe we onze verkeersmodellen eigenlijk willen inzetten en gebruiken. Er lijkt bij beleidsmakers een focus te liggen om alles in (model)cijfers vast te leggen. Cijfers kunnen we immers toetsen aan grenswaarden. Maar laat deze toekomst zich wel zo eenduidig vangen in modellen? Ik denk het niet.
Voor ons als modelbouwers is het dus belangrijk creatief te blijven denken, rekenmethodieken te innoveren en te verrijken met nieuwe (toekomstige) vervoerssystemen. Dat is onze grootste meerwaarde ten opzichte van Artificial Intelligence.
Hoe AI zich gaat ontwikkelen, blijft vooralsnog gissen. Wellicht ligt daar voor ons als prognose-modelbouwers nog een mooie uitdaging. Bouw een voorspellend prognosemodel voor de ontwikkeling van Artificial Intelligence!
De reactie van het AI-taalmodel op de vraag boven deze column, ‘Hoe bouw je een verkeersmodel’, was trouwens: “Het bouwen van een verkeersmodel is een complex proces dat vaak door deskundigen op het gebied van verkeerskunde wordt uitgevoerd.” Dat hadden we zelf niet beter kunnen verwoorden.
Ir. Mark van Raaij
Partner van 4Cast
