Disruptieve verandering van traditioneel bodemonderzoek: risico of kans?

15 december 2020, Jasper Schmeits

De wereld draait meer en meer om het goed benutten van data en gaat daarmee - tot op zekere hoogte - de traditionele onderzoeksprotocollen vervangen. Hoe snel dit gaat is moeilijk te voorspellen, maar als innovatiemanager zie ik nu al de eerste tekenen in de markt.

Als ik het DIKW-model - dat de structurele en functionele relatie tussen data, informatie, kennis en wijsheid representeert - afzet tegen onze manier van traditioneel onderzoek, voorzie ik dat het traditionele onderzoek door kennis wordt ingehaald. En dat we daarmee het risico lopen een groot deel van ons marktpotentieel te verliezen. Ik ben dan ook van mening dat we moeten zorgen dat we zelf deze kennis ontwikkelen, en gericht op zoek moeten naar die vorm van wijsheid waarmee we het bodemonderzoek van de toekomst kunnen vormgeven.

 

Wat is eigenlijk Data, Informatie en Kennis?

Op internet zijn diverse beschrijvingen van het DIKW-model te vinden; een goeie beschrijving hiervan vond ik op de website ithappens.nu:

Het DIKW-model

Data, informatie, kennis en wijsheid zijn onlosmakelijk met elkaar verbonden. Informatie kan op zichzelf niet zomaar bestaan (Rowly, 2007) en is uitgebouwd uit data met relationele verbanden. Data kan gezien worden als rauwe feiten die bestaan, in welke vorm dan ook, en kunnen wel of niet bruikbaar zijn. Data heeft geen betekenis van zichzelf en krijgt pas vorm op het moment dat een persoon daar een bepaalde relatie aan geeft waardoor het informatie wordt. Bij kennis moet data en informatie toegepast worden, zodat deze bruikbaar is en er een handeling mee kan worden verricht. Kennis kan dan ook worden gezien als een deterministisch proces. Wijsheid is een zelfontplooiing en juist geen deterministisch proces. Het maakt daarbij gebruik van uitkomsten van de vorige drie niveaus om de principes te begrijpen. Wijsheid is een uniek menselijk proces en kan niet worden vervangen door computersystemen.

Om de onderliggende relatie van de vier niveaus te verduidelijken wordt hieronder een voorbeeld gegeven:

  1. Data wordt weergegeven in een afbeelding, zoals een bord langs de weg dat rond is, met een rode cirkel eromheen en twee symbolen in het witte vlak te midden van de cirkel.
  2. Informatie verbindt de data en maakt het mogelijk om oorzaak en gevolg te achterhalen. Door de combinatie van deze kleuren, de symbolen en de positie van deze plaats is het hoogstwaarschijnlijk een verkeersbord dat de maximale snelheid aangeeft.
  3. Kennis is het ontdekken van patronen uit de informatie. Op basis van de patronen wordt er voorspeld wat er zal gebeuren. Doordat een persoon de kennis heeft dat dit bewuste bord de maximale snelheid aangeeft waarmee hij mag rijden, kan hij anticiperen op het feit dat hij moet versnellen of vertragen.
  4. Wijsheid is het begrijpen van principes. Indien een weg smal is met bomen aan de zijkant en het regent, is het wellicht verstandig om zachter te gaan rijden dan de aangegeven maximum snelheid. Zodoende wordt iemand zijn wijsheid toegepast.


De data van traditioneel bodemonderzoek

Bij traditioneel bodemonderzoek beoordelen we de lokale verontreinigingssituatie,  locatiegebruik, calamiteiten, etc. op basis van historische en actuele gegevens. De gezamenlijke data gebruiken we om in de onderzoeksstrategie vast te leggen wat er nodig is om het beoogde doel te bereiken, uiteraard conform de vastgestelde protocollen. Deze historische data was jaren geleden nog in te zien bij gemeenten, en ook vonden er locatiebezoeken plaats. Momenteel wisselen we al veel data digitaal uit en kunnen we de stukken op afstand inzien.

Tegenwoordig bestaan de gegevens die we verzamelen (vergunningen, bodemonderzoeken, foto’s locatie) uit data die we aan elkaar koppelen (data omzetten in informatie) en waarmee we als bodemadviseur patronen kunnen herkennen om de strategie van het bodemonderzoek te bepalen (het kennisdeel). Voor die strategie stellen we op basis van verschillende bodembedreigende activiteiten een onderzoeksplan op conform de vigerende protocollen, voeren we bepaalde werkzaamheden opnieuw uit (boringen en plaatsen van peilbuizen) en maken we af en toe gebruik van bestaande peilbuizen. De kennis die we hierbij gebruiken betreft kennis over welke informatie we waaruit moeten halen, en dat is iets wat we herhaaldelijk doen. Nu doen we dat grotendeels nog in digitale vorm waarbij de persoon die deze kennis bezit, nog centraal staat.

 

Digitaal versus digitalisering

En juist deze patroonherkenning is iets wat computers beter kunnen dan wij mensen. De grootste uitdaging daarbij is om de computer te leren om de juiste patronen te herkennen. Met de exponentiele toename aan data die momenteel genereerd wordt, is het voor ons als mens steeds moeilijker om al die informatie tot één strategie te bundelen. Dit kunnen onze hersenen niet meer verwerken. Daarom is het nodig dat we geholpen worden bij het automatisch herkennen van dit soort data, informatie en kennis. De kracht van ons als mens is dat we kunnen achterhalen waarom bepaalde principes van belang zijn, en dat we dit anderen kunnen leren. Zo zijn we momenteel bezig om - op weg naar de zelfrijdende auto - auto’s te leren verkeersborden te herkennen. Dus waarom doen dat nog niet in het bodemvak?

In theorie is dit niet eens zo vernieuwend; we brengen nieuwe medewerkers het bodemvak bij en leren hen wat noodzakelijk data is, hoe ze deze kunnen herkennen, welke data aan elkaar gekoppeld moet worden om er bruikbare informatie van te maken, en hoe ze deze patronen kunnen herkennen. De stap naar de echte digitale verwerking lijkt groot, maar is in theorie klein.

 

Disruptieve verandering en kansen

De huidige marktontwikkeling laat zien dat we informatieherkenning steeds vaker door computers laten uitvoeren. In de basis gaat dit om het beheren van bodemdata en het leggen van de juiste verbindingen tussen die data. Momenteel kunnen we dit best nog parallel laten lopen met de traditionele manier waarop we data verwerken, echter het efficiëntiepotentieel bij de digitaliserende vorm is stukken groter, en daarmee ook de concurrentie. En als je je bedenkt dat de hoeveelheid data alleen maar toeneemt en dat de ontwikkeling van IoT-devices en Remote Sensing nieuwe buikbare datastromen op bodemgebied gaat leveren, dan weet je dat er een disruptieve verandering op komst is.

Bijna iedereen is er wel van overtuigd dat het hebben van data uiteindelijk tot kennis leidt. Maar uiteindelijk is het de mate van wijsheid die we hieraan toevoegen die ervoor zorgt hoe en hoe snel deze verandering plaatsvindt. Hoe eerder we dit gegeven omarmen, hoe eerder we zelf ook in deze verandering mee kunnen.

De eerste stap in deze digitale transformatie is om op de juiste manier met data om te gaan en om van deze data informatie te maken. Maar ook onderstaande vervolgstappen bieden een enorme potentie.

  • Wijsheid toevoegen om waarde aan data mee te geven
    • De houdbaarheidsdatum van data van een immobiele grondverontreiniging verschilt met die van een vluchtige grondwaterverontreiniging. Door deze kennis in de onderzoeksstrategie mee te nemen, kom je tot nieuwe inzichten.
    • Het verifiëren van bestaande gegevens kunnen we op termijn, zodra de patronen hiervan bekend zijn, op een minimalistische manier uitvoeren.

  • Traditionele data koppelen met nieuwe vormen (zoals de output van verschillende IoT-devices of Remote Sensing)
    • Dit biedt nieuwe inzichten waardoor we andere mogelijkheden creëren en/of traditionele onderzoeksverplichtingen overbodig maken.
    • Het geeft richting aan welke data we nog steeds zelf moeten verzamelen omdat we dit niet op een andere manier uit bestaande gegevens inzichtelijk kunnen maken.

  • De ingenieur kan zich bezighouden met zaken die echt meerwaarde bieden
    • Er ligt voor ons een complexe uitdaging in het herkennen van principes en logica, want dit is waar wij ons als mens in onderscheiden ten opzichte van computers. Als we onze mensen hierop inzetten, bieden we niet alleen meerwaarde als opdrachtnemer maar zijn we ook als werkgever interessant.

Heeft u vragen over dit blogartikel?

Leg uw vraagstuk voor aan onze experts, wij adviseren graag.