In de toekomst gebruiken lokale beleidsmakers nog meer inzichten uit data om hun beleidsknopen door te hakken. Die data wordt aangeleverd via ontelbare real-time sensoren, die op hun beurt gebundeld worden tot een digital twin, een digitale replica van de stad. De digital twin maakt het mogelijk om lastige beslissingen beter te stoelen op feiten en alternatieve opties beter af te wegen. Dat kan het draagvlak voor beslissingen verhogen en uiteindelijk ook de burger ten goede komen. Een revolutionaire ommezwaai? Niet echt. Het is een logische volgende stap om overheidsbeslissingen verder te objectiveren.
Voortbouwen op een eeuwenoude traditie
Lokaal beleid beroert de mensen. Denk maar aan de invoering van een nieuw mobiliteitsplan. Dat leidt weleens tot verhitte discussies, met hevige voor- en tegenstanders, en vooral: met véél emoties. Het maakt de job van lokale beleidsmakers er niet eenvoudiger op: hoe neem je in zo’n gespannen context de beste beslissing voor de samenleving? Hoe ontmasker je drogargumenten? Hoe hou je rekening met groepen die minder vocaal zijn in het debat?
Het antwoord is “evidence-based decision making”. Nieuw is dat concept zeker niet. Al sinds het prille ontstaan van de moderne administraties is het de ambitie om beleid te onderbouwen met data en expertise, en er vervolgens objectieve regels op toe te passen. Daarmee maakten de overheidsadministraties een resoluut einde aan tijden waarin burgers overgeleverd waren aan de willekeur van Middeleeuwse alleenheersers.
Wel nieuw is dat de beschikbaarheid van data enorm gegroeid is. Goed nieuws, zou je denken. “Maar met data is het zo’n beetje als met cijfers: je kan daar alles mee bewijzen”, legt Maxim Chantillon, innovatiespecialist bij imec uit, “het is zaak om data te vervlechten met de expertise van wetenschappers, specialisten en ervaren beleidsmakers. Zo ontstaan data-inzichten.”
Niet alleen de hoeveelheid data neemt toe, trouwens: hetzelfde geldt voor de rekenkracht die op die data losgelaten kan worden. Zo kunnen we dankzij artificiële intelligentie op ongeziene schaal trends ontwaren en zelfs data voorspellen. En daar wordt het écht boeiend: want zo kan je verschillende ‘wat als’-scenario's naast elkaar leggen, die de effecten van een beslissing berekenen, over de verschillende expertisedomeinen heen. Dat laatste is belangrijk in de context van lokale besturen, want uitdagingen zoals de klimaatverandering hebben een invloed over alle beleidsdomeinen heen: mobiliteit, economie, bouwen, noem maar op. Heldere datavisualisaties kunnen ervoor zorgen dat de verschillende opties begrijpelijk worden voor een breed publiek en ze kunnen de betrokkenheid sterk verhogen. Uiteindelijk kan een digital twin ondersteuning bieden in elke stap van het beleidsproces: van de eerste beleidsdiscussies, tot en met de evaluatie ervan. En zo is de cirkel rond.
Op die manier kunnen betrouwbare data-inzichten de lont uit het spreekwoordelijke kruitvat halen, de beslissingen stelselmatig objectiveren en ook betere inzichten opleveren. Het kan ervoor zorgen dat welles-nietesdiscussies beslecht kunnen worden, en het kan beslissingen een stuk transparanter maken.
Of: als we nog een stapje verder gaan, kunnen het middenveld en burgers ook zélf aan de slag gaan met de data. Het idee past in wat we ‘the hackable city’ noemen, waar burgers mee aanschuiven aan de tekentafel van hun stad, of als citizen scientists zélf mee data aanleveren. Op die manier ga je nog een stapje verder dan de keuze tussen enkele opties die van bovenaf gepresenteerd worden en creëer je de ruimte om ideeën ook van onderuit te doen groeien.
De mens blijft aan het stuur
AI-modellen worden er steeds beter in om ruwe data te vertalen in informatie en dus betekenis te geven. Op termijn wordt ook een degelijke interpretatie van de context mogelijk, en kunnen we spreken over kennis. Maar: hoe sterk de rekenkracht, het aantal databronnen en het aantal sensoren in de toekomst ook toenemen, toch is er de verwachting dat er uiteindelijk altijd nog een mens nodig zal zijn om de knoop door te hakken, en dus te spreken over wijsheid. De machine heeft de mens nog steeds nodig, met andere woorden.
In dat verband spreken we ook van verschillende levels van autonomie. Systemen van datagebaseerde beslissingsondersteuning kunnen van level 0 (weinig autonomie, grote rol menselijke interventie) tot level 7 (bijna volledige autonomie, beperkte rol menselijke interventie) evolueren.
Dat is trouwens niet alleen een kwestie van technologische ontwikkeling, maar ook van vertrouwen en van verantwoordelijkheid, want een mens moet de verantwoordelijkheid nemen voor een beslissing en pas dan zal er vertrouwen zijn.
Vertrouwen is het ordewoord: 8 strategieën om het op te bouwen
Zowel beleidsmakers als burgers moeten voldoende vertrouwen kunnen hebben in de datakwaliteit en de AI-datamodellen die de basis vormen van datagebaseerde beslissingen.
“Het grootste risico is dat digital twins gepresenteerd worden als een magische oplossing zonder gebreken“, zegt Maxim Chantillon, innovatiespecialist bij imec. “Maar de simulaties zelf mogen geen black box worden, dat betekent dat de modellen en algoritmes die erachter schuilgaan altijd uitlegbaar en transparant moeten zijn. Bovendien is het een ondersteunende tool, het ontslaat politieke besluitvormers nooit van hun eigen verantwoordelijkheid.”
Onderzoekers van imec onderscheiden 8 strategieën die toegepast kunnen worden om het vertrouwen van beleidsmakers én burgers in datagebaseerde beslissingen te maximaliseren.
1/ Een beslissing kan geheel of slechts gedeeltelijk gebaseerd zijn op AI, maar wie beslist moet te allen tijde kunnen uitleggen waarom ze een beslissing genomen hebben.
2/ Algoritmes kunnen ontworpen worden in cocreatie met het publiek en stakeholders. Dat zal het maatschappelijk draagvlak voor de algoritmes ten goede komen.
3/ Verleen niet alleen uitleg over de algoritmes zelf, maar zorg ook voor duidelijkheid over de precieze rol van AI in het besluitvormingsproces.
4/ Zet onafhankelijke organisatiestructuren op die algoritmes onderzoeken en controleren, of er specifieke regelgeving voor ontwikkelen.
5/ Door bewust gebruik te maken van concurrerende algoritmes en datasets, vermijd je dat één model een monopoliepositie krijgt. Als verschillende algoritmes die getraind werden op onafhankelijk verzamelde datasets tot min of meer dezelfde beslissing komen, dan kan je redelijkerwijs aannemen dat de beslissing correct is.
6/ Houd niet alleen rekening met mogelijke discriminatie in de data en de algoritmes, maar ook met de waarden van de persoon die de uiteindelijke beslissing neemt.
7/ Vraag professionals om de AI-gebaseerde beslissingen uit te dagen. Vergelijk de verschillende uitkomsten op betrouwbaarheid en nauwkeurigheid, zodat mens en machine van elkaar kunnen leren.
8/ Creëer een overzicht van de gebruikte AI en algoritmen (zoals bijvoorbeeld ook Amsterdam deed), en bouw een databank die burgers, organisaties en anderen kunnen gebruiken om inzicht te verwerven in hoe AI gebruikt wordt door de overheid.
