Algoritme datakwaliteit

Gemeente Den Haag

Quality-Bot (Q-Bot) ontdekt zelfstandig bestaande en nieuwe patronen in de data. Deze gebruiken we als Quick Scan om de datakwaliteit in te schatten en mogelijke fouten te ontdekken. Vervolgens kunnen goede patronen geadopteerd worden als datakwaliteitsregels om de datakwaliteit continu te monitoren.

Laatst gewijzigd op 23 augustus 2024 om 15:42 | Publicatiestandaard 1.0

• Publicatiecategorie: Overige algoritmes
• Impacttoetsen: Veld niet ingevuld.
• Status: Buiten gebruik

Algemene informatie

Thema

Organisatie en bedrijfsvoering

Begindatum

Veld niet ingevuld.

Contactgegevens

[e-mail]

Link naar publiekspagina

n.v.t., proprietary code

Verantwoord gebruik

Doel en impact

Doel van het algoritme is om patronen om mogelijke (structurele) fouten in data te ontdekken om deze te vertalen naar kwaliteitsregels. Het is bedoeld om de bronhouder te voeden met nieuwe inzichten over de data kwaliteit. Het is niet bedoeld om zelfstandig data te corrigeren.

Het effect is indirect voor de burger. Het effect is direct voor de medewerkers van Den Haag die ondersteund worden om de kwaliteit van de dienstverlening naar de burger te verbeteren. De kwaliteit van de registratie wordt beter en daarmee ook de kwaliteit van de dienstverlening.

Afwegingen

Q-bot brengt focus aan bij het verbeteren van datakwaliteit. Het helpt dataspecialisten gericht fouten of bijzonderheden in data op te sporen en op te lossen.

Menselijke tussenkomst

Ja, dit is de kern van de applicatie.

Risicobeheer

De risico's zijn beperkt omdat het algoritme geen zelfstandige beslissingen neemt. De bias is uitsluitend technisch van aard en heeft geen impact op de besluitvorming en de burger. Er worden geen persoonsgegevens verwerkt.

Werking

Gegevens

Erfpacht contracten, eigendommen en kadasterpercelen. Deze zijn aan elkaar verbonden.

Technische werking

Zelfgebouwd algoritme dat gebruik maakt van verschillende, bestaande machine learning algoritmes. Diverse bestaande algoritmes worden toegepast op de data en resultaten hieruit worden verzameld. Vervolgens selecteert het eigen algoritme welke patronen relevant en sterk zijn.

De data wordt gestructureerd in views door de technische gebruiker. Vervolgens worden de analyse voorkeuren en instellingen bepaald. Daarna gaat het algoritme autonoom op zoek naar significant sterke patronen in de data. Deze worden verzameld in een lijst. Vervolgens worden deze beoordeeld op kwaliteit en relevantie. De meeste sterke patronen worden geselecteerd. Tenslotte worden de patronen weer toegepast op de originele data en wordt per veld vastgesteld welke normaal (regelmatig) zijn en welke afwijkend (onregelmatig) zijn. Deze worden dan groen of rood aangemerkt.