Terug naar alle algoritmes

Beeldherkenning Imagematching: Eerder behandelde schades

Het geautomatiseerd herkennen van eerder beoordeelde schades om te voorkomen dat in het verleden behandelde schades opnieuw worden behandeld.

Laatst gewijzigd op 30 juli 2024 om 15:08 | Publicatiestandaard 1.0
Publicatiecategorie
Impactvolle algoritmes
Impacttoetsen
Veld niet ingevuld.
Status
In gebruik

Algemene informatie

Thema

  • Recht
  • Natuur en milieu

Begindatum

11-2023

Contactgegevens

fg@schadedoormijnbouw.nl en privacy@schadedoormijnbouw.nl

Link naar publiekspagina

https://www.schadedoormijnbouw.nl/

Verantwoord gebruik

Doel en impact

Een schadedeskundige moet een handmatige toets uitvoeren of een schade eerder is behandeld. Dit doet een deskundige door foto's uit een schaderapport te vergelijken met foto's uit oude rapporten. Het beoordelen of een schade eerder is behandeld is een tijdrovend en foutgevoelig proces. Het Instituut Mijnbouwschade Groningen (hierna: IMG) heeft daarom een algoritme ontwikkeld om de deskundige te ondersteunen bij dit proces.


Doel: het algoritme ondersteunt een schadedeskundige bij de vraag of een schade eerder is beoordeeld door het IMG of zijn voorgangers, zoals de Nederlandse Aardolie Maatschappij of het Centrum Veilig Wonen. Volgens artikel 2 lid 4 van de Tijdelijke Wet Groningen is het Instituut niet wettelijk bevoegd om een schade te beoordelen, als deze eerder schade is behandeld.


Impact: Het algoritme vertelt een deskundige of de nieuw opgenomen schade overeenkomt met een reeds bij het Instituut bekende schades. In het algoritme worden geen persoonlijke kenmerken, aspecten en/of omstandigheden van u als persoon met elkaar gecombineerd om tot een beoordeling te komen. Alleen schades die op de foto's staan worden met elkaar vergeleken.

Afwegingen

Het beoordelen of een schade eerder is behandeld is een tijdrovend en foutgevoelig proces. Schadedeskundigen moeten vaak PDF's van meer dan 100 pagina's aan schaderapporten doorlopen om te toetsen of een schade eerder is behandeld. Het algoritme versnelt dit proces aanzienlijk en verbetert daarmee de schadeafhandeling.

Menselijke tussenkomst

Op basis van een ingevoerde foto van een schade produceert het algoritme een lijst met de tien meest overeenkomende foto's. Het algoritme selecteert in geen enkel geval de meest overeenkomende foto. Het algoritme ondersteunt slechts de deskundige in de selectie van de te beoordelen foto's. De deskundige zelf besluit of er sprake is van een eerder behandelde schade.

Risicobeheer

Op het moment wordt er een DPIA (een privacyrisico analyse) uitgevoerd op dit algoritme. Zodra de risico's bekend zijn zullen deze worden opgenomen in dit register. Ook zullen de maatregelen worden opgenomen in dit register die de risico's van het gebruik van dit algoritme verkleinen.

Wettelijke basis

Artikel 2 lid 4 Tijdelijke wet Groningen: 

Het Instituut is niet bevoegd om een aanvraag om vergoeding van schade te behandelen indien deze schade betreft waarvoor:

  • a. Voor 31 maart 2017, 12:00 uur een schademelding – of claim is voorgelegd aan het Centrum Veilig Wonen of de exploitant;
  • b. Door de exploitant met de gedupeerde of diens vertegenwoordiger een vaststellingsovereenkomst is gesloten;
  • c. Door de gedupeerde of diens vertegenwoordiger met de exploitant onderhandeld wordt met het doel te komen tot een vergoeding van de schade;
  • d. Een vordering is ingesteld bij de burgerlijke rechter, tenzij de vordering bij de burgerlijke rechter met instemming van de gedaagde door de aanvrager wordt ingetrokken; of
  • e. De burgerlijke rechter uitspraak heeft gedaan over de aanspraak op en de omvang van de vergoeding van de schade.

Links naar wettelijke basis

Tijdelijke wet Groningen: https://wetten.overheid.nl/BWBR0043252/2023-07-01

Toelichting op impacttoetsen

Er wordt een Data Protection Impact Analasye (een privacyrisico analyse) uitgevoerd.

Werking

Gegevens

Schaderapporten (in het bijzonder foto's van schade aan woningen)

Technische werking

Het algoritme is ontwikkeld door het IMG. Dit is gedaan op een Microsoft Azure-infrastructuur. Daarbij zijn Python open source pakketten (onder andere Tensorflow en PyTorch) gebruikt om het zelflerend vermogen vorm te geven. Voor het model zijn deep learning-modellen gebruikt. Bij de ontwikkeling is een enkele testdataset gebruikt, maar het model leert in productie van de feedback van schadedeskundigen.

Leverancier

Het algoritme is intern ontwikkeld.