AI verkort de weg van data-inwinning naar besluitvorming

Deze blog is gebaseerd op de Geo Explore-presentaties van Jeroen van Winden (CTO bij Esri Nederland) en Willem Vlot (Manager Data & Analytics bij Esri Nederland) over de huidige en toekomstige mogelijkheden op het gebied van GeoAI, AI-Assistants en AI-Agents in Esri-software, en van Wiebe de Jager (eigenaar van Dronewatch.nl) over de evolutie van drones en innovatie op het gebied van data-inwinning met drones.

Innovatie begint bij de eerste stap van elk dataproces: inwinning. De nieuwste enterprise drones hebben heel veel rekenkracht. Ze hebben geen cloudverbinding nodig om data te verwerken; die verwerking gebeurt op de drone zelf. Deze techniek heet Edge AI. Realtime analyse is hiermee geen toekomstmuziek meer.

Edge AI verkort de doorlooptijd van dataverwerking drastisch. Zodra de drone landt, zijn de eerste bruikbare resultaten al beschikbaar, zonder lange uploadtijden en zonder handmatige taken zoals batchverwerking en voorselectie.

Drones worden ook steeds slimmer. Ze denken met je mee. Er zijn al Edge AI-drones in ontwikkeling die automatisch extra details vastleggen zodra er een afwijking geconstateerd wordt. Dit voorkomt extra handwerk na de landing en verhoogt de waarde van de ingewonnen data.

De volgende stap in een dataproces is de interpretatie: wat zien we? Dit is een proces waarin AI uitblinkt en waar de GIS-wereld al heel lang mee bezig is. Voorgetrainde AI-modellen herkennen objecten, segmenteren boomkronen, tellen voertuigen en classificeren oppervlakten. Ze kunnen ook trends en afwijkingen door de tijd heen detecteren. Bijvoorbeeld: ontstane schade aan infrastructurele assets of de ontwikkeling van ongewenste begroeiing.

De ArcGIS Living Atlas biedt meer dan 100 voorgetrainde AI-modellen: van nauwkeurig getrainde taakspecifieke modellen zoals het Tree Segmentation-model tot breder inzetbare generalistische modellen, zoals het Text SAM-model. Deze modellen zijn gebruiksklaar, maar kunnen in veel gevallen nog worden verrijkt met domeinspecifieke trainingsdata om de nauwkeurigheid van de modellen verder te verbeteren.

Met de introductie van vision–language modellen betreedt GeoAI een nieuw tijdperk: gebruikers kunnen met natuurlijke taal opdrachten geven aan lucht- of satellietbeelden. Opdrachten zoals: “segmenteer het meer”, “classificeer deze beelden als stad, bos of landbouw”, zonder modeltraining of handmatige labeling. Deze modellen vullen de traditionele workflow aan: waar taakspecifieke modellen uitblinken in nauwkeurige prestaties voor één type object of data-bron, bieden deze modellen flexibiliteit en een meer intuïtieve manier van gebruik.

Image interrogation is een voorbeeld van een dergelijk model dat snel volwassen wordt. In theorie kan deze techniek vrijwel elke vraag over een luchtfoto beantwoorden. Een voorbeeld hiervan is: "hoeveel parkeervakken staan er op deze foto?" Deze modellen maken GIS toegankelijker voor gebruikers zonder specifieke voorkennis over data.

De stap van “wat zien we?” naar “wat betekent dit?” vindt plaats in je GIS. AI herkent objecten en zet ze automatisch om in features. Die combineer je direct met administratieve grenzen, assetregisters en risicolagen. Neem het voorbeeld van een boomkroonanalyse: na segmentatie bereken je het aandeel kroonbedekking per buurt en koppel je dat aan doelen voor hittestress of biodiversiteit. 

Omdat analyses als services met een API binnen hetzelfde platform draaien, vloeien de resultaten automatisch terug in één informatiemodel. Zo automatiseer je processen: zodra AI een afwijking detecteert, krijgt deze afwijking een label en prioriteit en verschijnt hij op de juiste locatie in het systeem, inclusief relevante metadata.

AI versnelt de klassieke stappen in een GIS-proces. Maar: de combinatie drone en AI is voor sommige processen al zo krachtig dat er geen mens meer aan te pas komt. Een voorbeeld uit de landbouw: een drone vliegt een geautomatiseerde missie over een perceel; AI herkent en classificeert tijdens of direct na de vlucht wat landbouwkundig relevant is (bijvoorbeeld ziektehaarden of ongewenste begroeiing) en zet dat meteen om in een gegeorefereerde taakkaart.

Er komt dus geen orthofoto of aanvullende GIS-verwerking meer aan te pas: na de landing staat de kaart klaar voor de trekker of sproeimachine. Dit sluit aan op een bredere trend: realtime mapping tijdens het vliegen, verwerking aan boord en systemen die afwijkingen automatisch markeren en labelen. Het effect: je gaat van vluchtplan naar uitvoerbare actie in één geautomatiseerde keten; de tijdrovende stappen van uploaden, voorselectie en handmatige analyse verdwijnen, terwijl de resultaten consistenter worden en direct operationeel inzetbaar zijn.

De weg van data-inwinning naar besluitvorming is korter dan ooit en zal alleen maar korter worden. Toch blijft de mens de centrale factor die controleert of het analyseproces goed verloopt, aannames checkt en AI-hallucinaties voorkomt. Ook de vertaling naar beleidskeuzes blijft in de toekomst een menselijke taak. Op naar een datagedreven toekomst met AI-drones, AI-Agents en AI-Assistants!