De energietransitie versnellen met AI? Niet zonder de juiste datakwaliteit
‘Zonder goede data gaat geen enkel AI-model je helpen. Dan stuur je in het donker’, zegt Jip van Seeters, adviseur Data & AI bij SeederDeBoer. Hij werkt dagelijks met data en AI in de energiesector en ziet hoe groot de belofte is, maar ook hoe vaak de basis ontbreekt.
Data als fundament van AI
AI lijkt de sleutel tot vele soorten problemen. Een slimmere planning, een geoptimaliseerd onderhoudsschema, betere communicatie met klanten, of een efficiënter beheer van assets (de elektriciteitshuisjes, onderstations, transformatoren, schakelaars, etc.). Vaak vergeten we echter één cruciale voorwaarde: zonder goede data werkt geen enkel AI-model betrouwbaar. Data bij netbeheerders geeft weer hoe de fysieke wereld van kabels en stations zijn gebouwd. Die data registreert bijvoorbeeld de leeftijd van de kabels, de maximale capaciteit van een elektriciteitshuisje of wat bijvoorbeeld de huidige belasting is. Die data is de basis voor AI-modellen. Jip vergelijkt het met bouwen: ‘Een huis zonder fundament zakt scheef. Met AI is dat niet anders: zonder betrouwbare data stort je model in.’
In de energietransitie waar veiligheid, capaciteit en betrouwbaarheid op het spel staan is datakwaliteit dus geen detail. Het is belangrijk om je datalandschap eerst op orde te hebben, om ook beter de operationele en toekomstige risico’s te voorspellen. Het is het verschil tussen gedwongen conservatieve keuzes maken, of risicogericht kunnen voorspellen en sturen.
De realiteit in de praktijk
Veel organisaties hebben te maken met versnipperde, incomplete of verouderde data. Denk aan:
- Netkaarten met informatie die niet recentelijk gecontroleerd is of waar details nooit compleet gemaakt zijn.
- Data zou beschikbaar moeten zijn, maar de verantwoordelijkheid ligt buiten de organisatie.
- Kennis in de vorm van ervaring, die in de hoofden van de monteurs zitten kan een AI-model niet gebruiken.
- Informatie die op zich wel klopt, maar niet meer nauwkeurig genoeg is geregistreerd.
De risico’s van incorrecte data beperken zich niet tot moeizaam AI gebruik. Bij incidenten of onderhoudswerkzaamheden leiden data kwaliteitsproblemen tot vertraging of zelfs tot bedrijfsrisico’s. Een voorbeeld? Bij het in- of uitschakelen van stroomverbindingen worden er korte spanningspieken in het stroomnet veroorzaakt. ‘Als je niet exact weet wat de maximale pieken mogen zijn, loop je het risico om delen van het regionale of zelfs landelijke net plat te leggen,’ aldus Jip.
AI is gevoelig voor vervuiling
AI-modellen hebben geen eigen intelligentie. Ze leren van wat je ze geeft. Garbage in = garbage out. Een model dat voorspellingen doet op basis van onbetrouwbare data vergroot fouten juist, in plaats van ze te corrigeren.
Daarom moet datakwaliteit altijd vóór de AI-investeringen worden aangepakt. Dit betekent:
- Beheerstructuren inrichten: governance: wie mag welke gegevens aanpassen?
- Data schoonmaken en valideren: klopt de data nog en hoe kunnen we dat controleren?
- Gebruikers trainen in correct datagebruik: zorg dat iedereen begrijpt wat de indirecte risico’s zijn.
Pas daarna kun je AI inzetten om data verder te verrijken, fouten op te sporen of informatie automatisch te labelen.
De rol van AI als hefboom
Toch kan AI zelf ook helpen om datakwaliteit te verbeteren, want er zijn slimme algoritmes die patronen kunnen herkennen die mensen missen, zoals:
- Opsporen van afwijkende gegevens in de data.
- Constateren van ontbrekende data of meetgegevens die niet nauwkeurig genoeg zijn.
- Signaleren wanneer informatie uit verschillende bronnen elkaar tegenspreekt.
In sommige gevallen kan AI gebruikt worden om de opgespoorde data daadwerkelijk te corrigeren. In andere gevallen kan het wijzigen van data risicovol zijn. ‘AI kan je helpen om sneller te zien waar je data niet klopt,’ zegt Jip. ‘Maar je moet goed afspreken wie vervolgens beslist of en hoe die data wordt aangepast. Automatisch corrigeren klinkt efficiënt, maar kan ook risico’s opleveren. Per gegevenssoort moet je dat zorgvuldig afwegen.’
Er zijn ook vormen van geautomatiseerde controles waarin je periodiek controleert of AI nog steeds de juiste wijzigingen doorvoert. Zo zijn er voor verschillende gradaties van risico, verschillende maatregelen te nemen om AI verantwoord te gebruiken in verbeteracties voor datakwaliteit.
AI is pas waardevol als de basis op orde is. AI-modellen gebruiken zonder goede datakwaliteit, is alsof je een nieuw navigatiesysteem gebruikt, zonder de wegenkaarten bij te werken. ‘De boodschap is simpel,’ besluit Jip. ‘Wie AI echt wil inzetten om de energietransitie vooruit te helpen, moet beginnen met datakwaliteit. Dat is geen IT-feestje, maar een verantwoordelijkheid van de hele organisatie.’
Betrouwbare data is daarmee niet alleen een randvoorwaarde, maar een strategische hefboom. Het bepaalt of AI een hype blijft of een structureel instrument wordt voor betrouwbaarder netbeheer. Organisaties die nu investeren in datakwaliteit, leggen het fundament voor voorspellende intelligentie die de energietransitie daadwerkelijk kan versnellen.
Onze AI-experts vertellen je graag meer over de mogelijkheden van AI
Verder lezen
