De steeds toenemende beschikbaarheid van data brengt veel mogelijkheden met zich mee. Ook binnen deskundigenonderzoek kunnen data-gedreven technieken tot betere inzichten leiden. Schadegevallen worden misschien toegeschreven aan onvoorziene omstandigheden maar waren die omstandigheden wel echt onverwacht? Hierbij kunnen verzamelde data en hun statistische verdelingen verheldering brengen.

In dit webinar worden de rol van data en onzekerheid in detail toegelicht. De concrete technieken van machine learning en Monte-Carlo simulatie worden besproken. Machine learning gebruikt reeds verzamelde data om predictieve modellen te trainen. Op die manier wordt bestaande ervaring vertaald naar een concreet mathematisch model. Een Monte-Carlosimulatie is een simulatietechniek waarbij een fysiek proces niet één keer maar vele malen wordt gesimuleerd, telkens met andere startcondities. Het resultaat van deze verzameling simulaties is een verdelingsfunctie die het hele gebied van mogelijke uitkomsten weergeeft. Machine learning en Monte-Carlosimulaties worden in verschillende wetenschappelijke toepassingen gebruikt, zoals bij complexe engineeringprojecten waar onzekerheden een belangrijke rol spelen. Zo maakte de recente studie van Elia m.b.t. de bevoorradingszekerheid (zgn. Adequacy Study) uitgebreid gebruik van die techniek.

De Monte-Carlomethode wordt meestal toegepast in situaties waarin (i) het resultaat van één enkele simulatie niet voldoende representatief is i.v.m. de in werkelijkheid te verwachten variatie van (of onze-kerheid m.b.t.) de startcondities, of (ii) de variatie of onzekerheid van die startcondities bekend is of met voldoende betrouwbaarheid ingeschat en gekwantificeerd kan worden. In situaties waar een groot volume aan data beschikbaar is, kan machine learning oplossingen bieden.

Kunnen Monte-Carlosimulaties en machine learning ook in deskundigenonderzoeken worden aangewend m.h.o.o. waarheidsvinding of voor een meer nauwkeurige bepaling van de geleden schade?

Daarnaast is de laatste maanden ook veel te doen rond taalmodellen zoals ChatGPT. Dit is een specifieke toepassing van machine learning die “getraind” werd met grote hoeveelheden teksten. Vervolgens kan de aldus verworven kennis gebruikt worden om bv. teksten samen te vatten. We onderzoeken of deze techniek ook van toepassing zou kunnen zijn bij het analyseren en samenvatten van de uitgebreide teksten waar we bij deskundigenonderzoeken vaak mee geconfronteerd worden.

Deze onderwerpen komen op onderhavige contactavond aan bod.