machine learning en big data in - divosa€¦ · machine learning en big data in het sociaal domein...
TRANSCRIPT
![Page 1: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/1.jpg)
MachineLearningenbigdatainhetsociaaldomein
Divosacongres15juni2017
![Page 2: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/2.jpg)
programma
• 1. Inleiding(S:mulansz)• 2. Techniekvanmachinelearning(ToAa)
• 3. Machinelearningindeprak:jk(WIL)
• 5. Privacy(S:mulansz)
![Page 3: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/3.jpg)
Bigdata
• Ontwikkelinghard-enso9ware
• Sta;s;sche(analy;sche)ontwikkeling
![Page 4: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/4.jpg)
Machinelearning
To@aDatalab
![Page 5: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/5.jpg)
Klik om de stijl te Machine Learning
![Page 6: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/6.jpg)
Klik om de stijl te Classificatie - Decision Tree
Snuit?
Vacht? Blaffen
?
Hoogte?
Oren?
Ademt door
kieuwen?
Poten?
![Page 7: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/7.jpg)
Klik om de stijl te Classificatie
Model
Data
“0”
“1”
Voorspelling
0
0
1
1
Werkelijkheid
Kenmerkenhond
! Kleurvacht
! 2oren! 4poten! Staart! …
![Page 8: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/8.jpg)
Klik om de stijl te
Watisdeafstandtussenhetbegineneindpuntineenvolledigeboom?
Outlier detectie - Isolation forest
![Page 9: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/9.jpg)
Klik om de stijl te Classificatie - Random Forest
![Page 10: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/10.jpg)
Themacontrole Pilot Totta Machine learning
Wim Janssen Projectleider WIL
Warda Lamnadi Medewerker Hoogwaardige Handhaving
![Page 11: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/11.jpg)
Henry Ford: “Als ik gevraagd had wat mensen wilden, dan had ik snellere paarden
moeten bouwen”.
![Page 12: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/12.jpg)
Vragen
• Aanleiding om machine-learning toe te passen (of is de term datagestuurd werken beter?) (WIL)
• Waarom is WIL deze pilot aangegaan? Wat waren de verwachtingen op korte / lange termijn? Welke visie zit er achter?
![Page 13: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/13.jpg)
• Redenen
• Ambitie. • Op zoek naar een eenvoudig toe te passen
model van mogelijkheid van risicoanalyse. • Innovatieagenda (bezuiniging).
![Page 14: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/14.jpg)
• Wat weten wij van het systeem
• Een algoritme gebaseerd op de bij WIL bekende data van fraudeurs.
• Daarna vergelijking van de data van lopende uitkeringspartijen met dit algoritme.
![Page 15: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/15.jpg)
• Definitie • “Harde fraudeurs”: fraudevordering minus
de gegronde bezwaren • “Grijs gebied”: cliënten waarvan vermoed
wordt dat zij hebben gefraudeerd zonder dat daar bewijs voor is.
• Code: werkproces handhaving + beëindiging
![Page 16: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/16.jpg)
• Resultaten 2016
• Een werkend model. • Toepasbaarheid op andere onderdelen van
WIL bv Poort/SHV). • Besparing op uitkeringen.
![Page 17: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/17.jpg)
• Verantwoordelijkheden WIL start
• Bestuurlijke besluitvorming. • Binnen wettelijke kaders. • Bewerkingsovereenkomst Totta. • Aanleveren data.
![Page 18: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/18.jpg)
• Verantwoordelijkheden WIL na selectie klanten
• Onderzoek team handhaving. • Administratieve verwerking. • terugkoppeling Totta.
![Page 19: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/19.jpg)
Automatiseren/applicatiebeheer
• Bepalen data. • Gegevens uit Suite voor inkomen (Gws4all
en Acces). • Verzenden gegevens beveiligd via FTP. • Op afroep update queries en levering
data.
![Page 20: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/20.jpg)
Vragen
• Hoe werkt het? (WIL) • Wat hebben jullie moeten doen en regelen op
het gebied automatisering, onderzoeken, werkprocessen etc om invulling te geven aan de pilot. Welke hobbels kwam je tegen en hoe heb je die opgelost? Wat zijn de tips voor gemeenten die hier mee aan de gang gaan.
![Page 21: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/21.jpg)
Wat ging goed
• Systeem werkt. • Beëindigingen 20%. • Juridisch haalbaar. • Weinig bestuurlijke ophef.
![Page 22: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/22.jpg)
Wat viel tegen
• De verdeling van de mogelijke fraudeurs in fraudesoorten.
• Verwachting was meer “hits”. • Gebruik bij het Poortproces is nog niet
duidelijk
![Page 23: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/23.jpg)
Aanvullingen
• Pilot is verlengd met 1 jaar. • Meer data toevoegen. Te beginnen
met data uit het inlichtingenbureau.
![Page 24: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/24.jpg)
Verwachtingen
• Vergelijkingen draaien op computers WIL.
• Periodieke oplevering gegevens (1 x per kwartaal 10 klanten).
• Resultaten 40% score.
![Page 25: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/25.jpg)
![Page 26: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/26.jpg)
• Uitgangspunten: • We voorspellen op cliënt-niveau • We nemen alle variabelen en hun mutaties mee tot
het punt dat een cliënt fraudeert. • We voorspellen de fraude bij cliënten die een
uitkering ontvangen. • We willen liever betrouwbaardere voorspellingen
dan kwantiteit. • De focus ligt op inkomensfraude en woonfraude • We gebruiken alleen GWS als databron.
![Page 27: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/27.jpg)
Privacy
![Page 28: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/28.jpg)
We@elijkeregels
• Europeseregels• Wetbeschermingpersoonsgegevens
• Wetgemeentelijkebasisadministra;epersoonsgegevens
• Suwiwet
![Page 29: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/29.jpg)
Wetbeschermingpersoonsgegevens
• Doelbeginsel(art7en9)• Art42lid1:“Niemandkanwordenonderworpenaaneenbesluitwaaraanvoorhemrechtsgevolgenzijnverbondenofdatheminaanmerkelijkematetre;,indiendatbesluitalleenwordtgenomenopgrondvaneengeautoma=seerdeverwerkingvanpersoonsgegevensbestemdomeenbeeldtekrijgenvanbepaaldeaspectenvanzijnpersoonlijkheid.”
![Page 30: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/30.jpg)
SUWIwet
![Page 31: Machine Learning en big data in - Divosa€¦ · Machine Learning en big data in het sociaal domein Divosa congres 15 juni 2017](https://reader035.vdocuments.us/reader035/viewer/2022062602/5ed0f3762a742537f26ea0d7/html5/thumbnails/31.jpg)
TOESTEMMINGHELPTNIET