Notifikaasjes yn 'e iepenbiere romte

Gemeente Heemskerk

Elkenien kin problemen yn iepenbiere romten melde by de gemeente fia de Fixi-app of webside (bygelyks ôffal, in kapotte strjitlampe of oerstreaming). Gefaarlike ferkearssituaasjes of oerlêst kinne ek meld wurde. Fixi is it meldsysteem fan 'e gemeente foar it oplossen fan problemen yn iepenbiere romten.

Lêst feroare op 11 febrewaris 2026 om 10:18 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: Fjild net ynfierd.
• Status: Yn gebrûk

Algemene ynformaasje

Tema

Organisaasje en bedriuwsfiering

Begjindatum

09-2029

Kontaktgegevens

[e-mail]

Link nei publykspagina

https://www.heemskerk.nl/privacy

Ferantwurde gebrûk

Doel en impact

As der wat dien of opromme wurde moat op strjitte of yn in park, kin dat meld wurde oan de gemeente fia de Fixi-app, it meldsysteem fan 'e gemeente Heemskerk. De melder beskriuwt harren melding, en it algoritme(1) herkent wurden út 'e beskriuwing en stelt de haadkategory foar de melding foar. De melder beslút úteinlik hokker haadkategory it bêste by harren melding past (bygelyks 'oerlêst en hanthavening' of 'strjitmeubilêr'). Elke haadkategory is keppele oan in ôfdieling, sadat de melding by it juste gemeentlike ôfhannelingsteam telâne komt. Elke (sub)kategory hat in foarôf bepaalde ferwurkingstiid. Ofhinklik fan 'e kar fan 'e melder wurdt de melding werjûn op 'e iepenbiere kaart en dus sichtber foar oare ynwenners (mei útsûndering fan oerlêst- en ôffalmeldingen, dy't altyd ûnsichtber binne). It algoritme(2) herkent persoanlike gegevens yn 'e beskriuwing en persoanlike skaaimerken (kentekenplaten, gesichten) yn foto's en makket se ûnlêsber.

Afwagings

Earder moasten rapporteurs de kategory kieze dy't it bêste by harren rapport paste (bygelyks "oerlêst" of "strjitmeubilêr"), sadat it rapport by de juste ôfdieling binnen de gemeente telâne kaam. De gemeente is lykwols in komplekse organisaasje, en de list mei haadkategoryen is lang. Dêrtroch waard net altyd de juste haadkategory keazen. Dit late soms ta fertragingen by it ferwurkjen fan rapporten. Dêrom brûke wy no in algoritme(1) dat wurden lykas "ôffal" en "stoepe" herkent. Op basis hjirfan wurdt in suggestje dien foar de haadkategory dy't it bêste by it rapport past. De rapporteur behâldt de kontrôle en kin noch altyd in oare haadkategory kieze as se it net iens binne mei de foarstelde haadkategory. It brûken fan it algoritme yn Fixi makket it ferwurkjen fan rapporten oer iepenbiere romten rapper, krekter en transparanter. Rapporten wurde automatysk herkend en kategorisearre, wêrtroch't de juste ôfdieling rapper mei de ferwurking begjinne kin. Hjirtroch kin de gemeente effisjinter wurkje en derfoar soargje dat de rapporten better folge wurde. Oare ferwurkingsmetoaden, lykas folslein manuele kategorisearring fan rapporten, soene mear tiid en kapasiteit kostje en liede ta langere ferwurkingstiden. It gebrûk fan dit algoritme wurdt dêrom as ridlik en ferantwurde beskôge.

Om te foarkommen dat persoanlike gegevens yn 'e beskriuwing of foto's sichtber binne foar oare ynwenners, wurdt in algoritme(2) brûkt om eleminten yn foto's te wazigjen en gegevens ûnlêsber te meitsjen. Oare ferwurkingsmetoaden, lykas it manuell kontrolearjen fan alle foto's en tekst, soene mear tiidslinend en boarnenyntinsyf wêze, mei it tafoege risiko dat rapporten dy't bûten wurktiden yntsjinne wurde pas de folgjende wurkdei beoardiele en bywurke wurde. Dêrom wurdt it gebrûk fan dit algoritme as ridlik en ferantwurdlik beskôge.

Minskele tuskenkomst

Elk rapport wurdt noch yntern kontrolearre en beoardiele troch de behanneler by it ferwurkjen fan it rapport. Rapporten dy't yntsjinne binne by de ferkearde haadkategory wurde mei de hân konvertearre troch de haadkategory oan te passen, sadat se oan de juste ôfdieling tawiisd wurde.

Risikobehear

It algoritme (1) bringt pear risiko's mei. It hat gjin ynfloed op de beslútfoarming, mar it suggerearret de juste kategory, wêrtroch it makliker is om de juste kar te meitsjen. Op dizze manier komt it rapport rapper by de juste ôfdieling telâne.

It algoritme (2) hat gjin ynfloed op in beslút, mar is bedoeld om alle persoanlike gegevens yn 'e beskriuwing en foto's te ferbergjen. Gemeentemeiwurkers sjogge de orizjinele foto's en gegevens. Ynwenners sjogge de redigearre foto's en tekst as it rapport dield wurdt op 'e iepenbiere kaart. It algoritme kin persoanlike gegevens net goed werkenne; de ​​ferantwurdlike partij sil dit fan gefal ta gefal oanpakke.

Wurking

Gegevens

It algoritme yn 'e Fixi-app ferwurket gegevens oer meldingen yn iepenbiere romten. Dizze gegevens hawwe benammen betrekking op it type melding (lykas kapotte ferljochting of ôffal), de lokaasje en de tiid dat de melding makke is. Dizze ynformaasje wurdt brûkt om meldingen automatysk te kategorisearjen en troch te stjoeren nei de juste ôfdieling of meiwurker.

Derneist kin de yntsjinner kieze om persoanlike ynformaasje te jaan, lykas namme, adres (opsjoneel), tillefoannûmer en/of e-mailadres. Dizze ynformaasje sil allinich brûkt wurde om kontakt mei jo op te nimmen oangeande it rapport.

De yntsjinner beslút oft dizze persoanlike gegevens opnommen wurde moatte: in rapport kin ek yntsjinne wurde sûnder dizze gegevens te dielen. Sadree't in rapport yntsjinne is, wurde alle persoanlike gegevens automatysk anonymisearre op 'e iepenbiere kaart.

Technyske wurking

Algoritme (1)

De Azure Language Studio Service (Multiclass Classification) wurdt brûkt foar it trainen en foarsizzen fan notifikaasjes. By it ymplementearjen fan 'e module "Automatic Notification Categoriization" wurdt in dataset fan 250 beskriuwingen ymportearre. Dizze beskriuwingen binne keppele oan 'e kategoryen. Elke moanne wurde de beskriuwingen en kategoryen fan behannele notifikaasjes tafoege oan 'e trainingsset, sadat de kategoryfoarsizzingen hieltyd krekter wurde.

Algoritme (2)

Kentekenherkenning wurdt útfierd mei in ALPR-module dy't de rânedeteksjetechniken fan OpenCV kombinearret mei de LSTM-basearre OCR-motor fan Pytesseract foar krekte karakterekstraksje. Gesichtsdeteksje wurdt útfierd mei de RetinaFace-bibleteek, dy't in djip learen-basearre single-shot-deteksjealgoritme brûkt dat optimalisearre is foar it lokalisearjen fan gesichtsfunksjes. Foar tekstdeteksje brûke wy EasyOCR, dat it CRAFT-algoritme brûkt om tekstregio's te identifisearjen en CRNN om tekstynhâld te herkennen. Om privacy te garandearjen, wurde gefoelige gebieten lykas gesichten, kentekenplaten en spesifike teksteleminten wazig:

Gaussyske konvolúsje foar ôfbyldingsgladzjen,

Kleurromtetransformaasjes foar foarferwurking,

En bitmap-rendering foar annotaasjes lykas rjochthoeken en labels.

Foar tekstmaskering brûke wy in Named Entity Recognition (NER) module mei it BERT-algoritme, dat kontekstueel begryp biedt foar it identifisearjen fan gefoelige tekstuele entiteiten. Dizze entiteiten wurde dan maskearre mei patroanmatchingalgoritmen basearre op reguliere útdrukkingen.

Leveransier

Deco's