In politiesystemen is veel data opgeslagen. Met de hand hier doorheen gaan gaat allang niet meer. En daarom werken er steeds meer data scientists mee aan onderzoeken. Ze maken modellen die automatisch door de bergen aan ruwe data heen filteren. Die structureren, verrijken en combineren. Op zoek naar dat cruciale stukje bewijs. Of naar patronen om actuele voorspellingen te kunnen doen.
Duizenden foto’s, berichten en allerlei apps. De gemiddelde smartphone staat vol met data. Net als laptops, navigatiesystemen en slimme thermostaten. Het zijn allemaal gegevensdragers die potentieel interessant kunnen zijn in politieonderzoeken. Dagelijks worden er dan ook honderden in beslag genomen. Wat deze politiedata zo uitdagend maakt? Collega Nils van het Team Rendement Operationele Informatie (TROI) legt het uit: “Je werkt met concepten die niet in standaardmodellen zitten. Met data van heel slechte kwaliteit. Afbeeldingen met een lage resolutie, videobeelden met een hoge compressie. Dat zijn challenges waar je mee te maken krijgt. Maar dat maakt het ook zo leuk. Ik werkte aan een model dat deepfakes genereerde om ze vervolgens beter te kunnen herkennen. Dat doen we nog steeds: modellen trainen met synthetische data. En dan zie je dat ze vervolgens beter werken op echte data.”
Om wat voor data het dan gaat? Collega Hilde vertelt: “De eerste dag hier dacht ik: nou, kom maar door met al die data. Maar het verzamelen van gegevens uit alle politiesystemen is al een kunst op zich. Het kan gaan om data uit sensoren, uit telefoons, laptops, bakens, telefoonmast-data... Bedenk het maar en het komt hier allemaal samen.” Vanuit haar rol als data-analist helpt Hilde rechercheurs aan antwoorden op hun datavragen. Bijvoorbeeld door de facilitator te vinden in een crimineel netwerk. Alle voor een drugszaak interessante chatberichten. Of bankrekeningnummers binnen een phishingzaak. “Ik vind dat echt heel leuk, want ik kan mensen heel blij maken met wat ik doe.”
In de laatste zeven jaar is TROI gegroeid naar vijf multidisciplinaire teams van developers, data scientists, analisten en UX’ers. Een mix van ervaren politiemensen en mensen die een frisse blik meenemen van buiten. “Dat is zo leuk hier,” zegt Dominique Roest, kwartiermaker van het TROI-netwerk. “Wij doen met TROI iets binnen de politieorganisatie wat er eigenlijk nog niet was. Dus we zijn elke dag aan het pionieren en nieuwe dingen aan het bedenken om de politie mee vooruit te helpen.”
Stel dat je kunt voorspellen waar in je wijk de volgende woninginbraak is. Of waar je ’s avonds laat het volgende dronken opstootje kunt verwachten. Dat kan met CAS: het Criminaliteits Anticipatie Systeem van de politie. Het is uniek in de wereld dat een nationaal politiekorps ‘predictive policing’ op zo grote schaal inzet.
CAS is ontwikkeld in Amsterdam in 2014 en het idee achter het systeem is eigenlijk heel eenvoudig, legt projectleider René Melchers uit: “De software legt een raster over een stad met vakjes van 125 bij 125 meter en bepaalt dan voor ieder vakje de kans op criminaliteit en verschillende soorten overlast. Waar de kans groter is op bijvoorbeeld een woninginbraak, kleurt het vakje donkerder. Is er geen kans, dan kleurt het vakje niet.” Verschillende kleuren geven verschillende delicten aan. De kaarten lezen ongeveer als hoge- en lagedrukgebieden op een weerkaart. Maar dan voor zakkenrollers en inbrekers.
CAS doet die voorspellingen op basis van data. Véél data. Aangiftes en criminaliteitscijfers worden aangevuld met historische data van het Centraal Bureau voor de Statistiek. Algoritmes doen de rest. Hoe meer gegevens het systeem heeft, hoe nauwkeuriger de voorspellingen. Die algoritmes zeggen verder niets over de reden voor een verhoogde kans. De kaartjes moeten daarom eerst langs een informatiemedewerker, die er weer adviezen voor het basisteam op baseert. Om extra te surveilleren bijvoorbeeld, of om samen met woningcorporaties afspraken te maken over het verbeteren van hang- en sluitwerk. Dat lijken misschien schoten voor open doel, maar door het systeem vallen patronen sneller op en blijven nieuwe trends niet onopgemerkt.
Het team dat CAS ontwikkelde is inmiddels alweer aan de slag met dataoplossingen voor andere kwesties vanuit de organisatie. Vanuit hun Analytical Data Service (ADS) denken ze mee over oplossingen voor stuk-voor-stuk maatschappelijk relevante vragen. Neem een vraag over de indicatoren die helpen om kindermishandeling vast te stellen. Het team gaat met zo’n verzoek aan de slag en bekijkt welke oplossing daarbij het beste past.
Een data scientist moet daarbij creatiever zijn dan je misschien zou denken. Elke dataoplossing is namelijk weer anders. “Het kan een algoritme zijn, maar ook een programma dat met big data om kan gaan, of een statistisch model. Slim zijn met data en tooling is dus niet genoeg. Je moet ook echt programmeerskills meenemen. En tegelijkertijd zo communicatief zijn dat je businessvragen kunt vertalen. Maar dat maakt het werk ook wel zo leuk.”
Je hebt misschien wel een master op zak in data science of een achtergrond in AI of big data. Je verslindt elk nieuwe paper in het vakgebied. En ook machine learning is voor jou geen onbekend terrein. Kortom: jij bent expert in BI of in data science. Maar je bent ook creatief en maatschappelijk gedreven. Ga jij met data science zaken oplossen? Of voorkomen? Vergroot je impact, vergroot jezelf!
