Stoffenanalyse met kunstmatige intelligentie: ‘AI kan helpen om potentiële risico’s op te sporen.’
Wetenschappers, technici, ontwikkelaars, ingenieurs, creatieve beroepsgroepen, businessprofessionals en juristen; allemaal krijgen ze te maken met AI, aldus een in 2023 verschenen rapport van consultancybureau McKinsey. Zo kan AI bijvoorbeeld grote hoeveelheden data analyseren en nieuwe datasets maken op basis van bestaande data. Precies die toepassing ziet ook Pim Wassenaar, opdrachtcoördinator bij het RIVM, dat binnen het expertisecentrum Lexces onderzoek doet naar de toepassing van AI voor het opsporen van risicovolle stoffen.
‘Vanuit het Lexces onderzoeken we hoe we AI kunnen benutten om kennishiaten sneller in beeld te brengen,’ vertelt Wassenaar. ‘Er is enorm veel data beschikbaar, en nu hebben we ook de rekenkracht om daar iets mee te doen. Veel beter en sneller dan we voorheen konden.’
Sneller beoordelen hard nodig
Dat risicobeoordeling sneller kan, is niet alleen een mooie efficiëntieslag. Het is hard nodig. ‘Steeds meer stoffen vragen om een risicobeoordeling,’ vertelt Wassenaar. ‘Maar het beoordelen van risicovolle stoffen is een langdurig proces. AI kan ons helpen om bij te blijven.’
Concreet richt het Lexces zich daarbij op twee dingen. ‘Enerzijds willen we onderzoeken hoe AI kan worden ingezet om informatie te verzamelen over potentieel gevaarlijke stoffen en blootstellingen,’ verduidelijkt Wassenaar. ‘Anderzijds bekijken we hoe AI kan helpen om vroegtijdig nieuwe potentiële risico’s op te sporen.’
‘AI kan het proces van risicobeoordeling in theorie vele malen versnellen.’
De structuur van stoffen vergelijken
Een voorbeeld van een toepassing is door AI naar de moleculaire structuren van stoffen te laten kijken, en deze te vergelijken. ‘De structuur van een stof zegt wat over de eigenschappen van de stof,’ verduidelijkt Wassenaar. Als stof A met een bepaalde structuur risicovol is, kan stof B met een vergelijkbare structuur ook risicovol zijn. We kijken nu naar de voorspellende waarde van AI. Is het in staat om risicovolle stoffen te identificeren?’
Deze snellere manier van beoordelen is hard nodig. De risicobeoordeling van stoffen neemt nu soms jaren in beslag. ‘AI kan de risicobeoordeling ondersteunen,’ vertelt Wassenaar. ‘En daarmee kan AI dit proces in theorie vele malen versnellen.’
Transparantie
Dat AI ook negatieve kanten heeft, beseft Wassenaar maar al te goed. ‘AI is zo goed als de data waarop het getraind is. Maar vaak is dat een black box.’ De risico’s hiervan zijn dat de resultaten van AI-uitkomsten biased kunnen zijn. ‘Veel beschikbare data gaat over risicovolle stoffen,’ legt Wassenaar uit. ‘Als een AI-systeem onvoldoende getraind is op niet-risicovolle stoffen, kan hierdoor een scheve uitkomst ontstaan. De AI kan dan bijvoorbeeld onterecht een te groot risico voorspellen voor een stof.’
‘Juist naar de onzekerheid en uitlegbaarheid van AI voorspellingen doen we onderzoek,’ vervolgt Wassenaar. ‘Het gaat ons niet enkel om het resultaat, maar ook de redenatie van de AI. We willen weten hoe een AI-systeem de data interpreteert. Dat moet zo transparant mogelijk zijn.’
AI-systemen in gereedschapskist risicobeoordelaar
Om die reden denkt Wassenaar dat de modellen waar hij nu aan werkt niet snel het beroep van risicobeoordelaar overbodig zal maken. ‘Over vijf tot tien jaar zou een AI-systeem zomaar in de gereedschapskist van een risicobeoordelaar kunnen zitten. Maar voornamelijk om snel en efficiënt te signaleren en te analyseren. Een menselijke blik zal altijd toegevoegde waarde blijven houden,’ denkt Wassenaar. ‘Risicobeoordeling moet geen computerwerk worden.’
Onderzoeksprogramma Lexces
Expertisecentrum Lexces werkt in een meerjarig onderzoeksprogramma aan onderzoek naar verschillende vormen van preventie van stoffengerelateerde beroepsziekten. Het onderzoeksprogramma bestaat uit diverse projecten, waarvan onderzoek naar de toepassing van AI er één is. Op de website van Lexces staat een overzicht van alle onderzoeksprojecten.