Machine learning verlost 112 van broekzakbellers

De noodcentrale 112 voor ambulance en brandweer krijgt een oproep waarbij de beller niets zegt. Is iemand in nood? Of gaat het om een broekzakbeller? ML2Grow bedacht een AI-oplossing.

Nido is het innovatielab voor de overheid, opgericht door de FOD Beleid & Ondersteuning (BOSA) in 2017. FOD Binnenlandse Zaken kwam er aankloppen met een concrete uitdaging. Het noodnummer 112, zo blijkt, heeft nogal vaak te maken met zogenaamde broekzakoproepen. 112 is namelijk het enige nummer dat u met een vergrendelde smartphone – ook ongewild vanuit de broekzak – kunt bellen.

1 op 3 broekzakbellers

“De moeilijkheid is dat 112 het principe ‘first in first out’ hanteert”, zegt Frédéric Baervoets, manager bij Nido. “Alle oproepen komen in een wachtrij terecht, waar de operatoren ze één na één behandelen.” Tot 29 procent van de oproepen zijn ongewild of gebeuren per ongeluk. Tijdens piekmomenten, onder meer tijdens noodweer, komt daar nog een groot aantal niet dringende oproepen bij, bijvoorbeeld van mensen met een ondergelopen kelder.

Echte noodoproepen moeten daardoor soms langer wachten, met mogelijk extra gezondheidsschade of zelfs de dood tot gevolg. De FOD Binnenlandse Zaken klopte bij Nido aan met de vraag of het mogelijk is de afhandeling van de broekzakoproepen geheel of gedeeltelijk te automatiseren, zodat de dienst 112 zich optimaal op de echte, dringende hulpvragen kan focussen.

Hazira

Na een grondige evaluatie kreeg ML2Grow de gelegenheid om een proof of concept uit te werken. Het bedrijf ontstond vijf jaar geleden als spin-off van de Universiteit Gent. Het is gespecialiseerd in oplossingen op basis van machinelearning. “We wilden voor 112 niet zomaar een stuk automatisering voorstellen”, zegt Joeri Ruyssinck, CEO bij ML2Grow. “We hebben een oplossing bedacht die gebaseerd is op het principe ‘primum non nocere’ of ‘doe vooreerst geen kwaad’. We wilden met Hazira Digital niet het risico lopen reële oproepen af te breken.”

Het project kreeg niet zomaar de naam Hazira Digital mee. Hazira is één van de operatoren bij 112 die te zien was in het tv-programma ‘De Noodcentrale’, dat een team medewerkers van 112 een tijdlang volgde. “Hazira kreeg op een bepaald moment een oproep waarbij de beller niets zei”, vertelt Ruyssinck. Maar ook al bleef het stil, op basis van intuïtie en ervaring besliste Hazira de oproep niet als een broekzakoproep te behandelen. Die aanpak inspireerde ML2Grow. Hazira Digital maakt gebruik van een audiofingerprinttechniek om broekzakoproepen te identificeren.

Resultaten verfijnen

ML2Grow trainde Hazira Digital via machinelearning, met een set van 300 audiofragmenten van echte vrijwillige en onvrijwillige oproepen. Het proefproject leidde tot een correcte identificatie van broekzakoproepen van 84 procent. “Dat is al een goed resultaat”, stelt Frédéric Baervoets. “Onze aanbeveling is het project een vervolg te geven om die resultaten nog te verbeteren.” Dat kan onder meer door – bij een implementatie in de praktijk – het systeem de oproep te laten beantwoorden, wat een betere analyse van het geluid van de beller moet toelaten. Is het systeem niet zeker dat het om een onvrijwillige oproep gaat, dan komt de oproep toch in de wachtrij. Dat moet het risico uitsluiten dat echte oproepen verloren gaan. Het systeem zou ook maar in werking treden wanneer er effectief een wachtrij met oproepen ontstaat.