Een eerlijke energietransitie

Mathijs de Weerdt, Universitair hoofddocent in de Algorithmics groep aan de TU Delft, werkt aan algoritmes voor problemen waarbij meerdere partijen betrokken zijn. Zo onderzoekt hij algoritmes voor een efficiënt en eerlijk gebruik van het elektriciteitsnetwerk, nu de momenten van vraag en aanbod vanwege de energietransitie steeds minder met elkaar overlappen. “Zon en wind zijn niet altijd beschikbaar,” zegt hij, “dus het helpt als we onze elektrische auto opladen en de elektrische boiler juist inschakelen bij voldoende aanbod.” Daarnaast heeft het elektriciteitsnetwerk capaciteitsbeperkingen. Met een financiële prikkel voor partijen die op zo’n moment willen leveren of gebruiken, is dit theoretisch oplosbaar. De hoogte hiervan hangt dan af van hoeveel waarde een partij op dat moment aan levering hecht. “Maar dan moet je wel altijd de optimale oplossing hebben,” zegt de Weerdt, “anders kunnen gebruikers het systeem misbruiken door een valse waarde op te geven.” Omdat een optimale oplossing vereist is, past de Weerdt in principe geen Machine Learning toe. Bovendien vindt hij het belangrijk dat de oplossing eerlijk is. “We kunnen natuurlijk niet altijd dezelfde wijk of hetzelfde windmolenpark afsluiten bij capaciteitsproblemen. Dat is misschien het beste voor alle gebruikers als geheel, maar ik vind dat dan toch geen optimale oplossing.” Dankzij zijn algoritmes zijn er op termijn mogelijk minder gas- en kolencentrales nodig voor het opvangen van acute onbalans tussen vraag en aanbod. Naast een praktische component is zijn werk ook wetenschappelijk relevant. “Bij het modelleren van een uitdagend probleem uit de praktijk komen we vaak nieuwe uitdagingen tegen, zoals die eerlijke toewijzing. We houden dan rekening met de structuur van deze problemen, om zo tot snellere en betere oplossingen te komen,” licht hij toe. “Zo bouwen we een nieuw algoritme, met daarin componenten van bestaande algoritmes. Vervolgens laten we zien dat onze nieuwe aanpak ook in andere situaties zou kunnen werken.”

Spreiding van spoedambulances

Theresia van Essen komt uit een artsenfamilie en wilde vroeger chirurg worden, maar nu grijpt ze via algoritmiek in de gezondheidszorg in. Als universitair docent in de Optimization groep aan de TU Delft doet ze bijvoorbeeld onderzoek naar de optimale spreiding van spoedambulances. “De gezondheidszorg is duur, dus als we beter kunnen presteren met dezelfde middelen, dan is dat mooi meegenomen,” zegt van Essen. Vanwege de toegenomen rekenkracht kan dit probleem met veel meer detail benaderd worden dan vroeger mogelijk was. “We kijken nu in Nederland op het niveau van de numerieke postcodes. Daarbij nemen we bijvoorbeeld de huidige spreiding van spoedambulances over de locaties mee en de historische responstijden. Vooral het aantal incidenten in een gebied is bepalend.” Als startpunt streeft ze altijd naar een optimale oplossing voor het hoogst mogelijke detailniveau. “Als die optimale oplossing te lang duurt, zoek ik naar algoritmes die deze oplossing in veel minder tijd dicht benaderen. Je kan ook het model versimpelen, bijvoorbeeld door uit te gaan van gemiddelde reistijden die ook nog eens niet variëren over de dag, maar een optimale oplossing voor een versimpeld model is niet optimaal voor het echte probleem.” Dankzij haar algoritmes is er in de regio Utrecht al een dynamische ambulancepost bijgekomen, op bepaalde tijden van de dag. Met de verbeterde spreiding wordt nu voldaan aan de geldende maximale responstijd. De extra ambulancepost zal voorlopig niet verdwijnen. “Het aantal incidenten binnen een gebied verandert immers maar langzaam over de jaren heen,” licht van Essen toe. “Het is wel verstandig om toch elk jaar een keer te bepalen of het algoritme niet tot een wezenlijke verbetering in de zorg kan leiden.”

Diversiteit in aanbevelingen

Emily Sullivan is postdoc in de Web Information Systems groep aan de TU Delft, waar ze onderzoek doet naar verbeteringen in zogenoemde recommender systems. Dit zijn de systemen die je aanbevelingen voorschotelen als je bijvoorbeeld op een website een bepaalde film hebt gekeken of nieuwsartikel gelezen. “Wij proberen de diversiteit in deze aanbevelingen te vergroten,” zegt Sullivan. “Als ze allemaal te dicht bij jouw voorkeuren liggen, dan kan je in de bekende filter bubble terecht komen. Maar aanbevelingen die te veel afwijken van jouw voorkeuren, zal je sowieso negeren. Aanbevelingen moeten dus divers zijn, maar ook weer niet te divers. Als van iemand bekend is dat hij graag korte artikelen leest, kan je bijvoorbeeld korte artikelen aanraden, maar met een net andere inhoud.” Voor het bepalen van diversiteit gebruikt ze bestaande Natural Language Processing software, een vorm van kunstmatige intelligentie, om teksten te kenmerken. “In ons onderzoek gebruiken we verschillende technieken voor het wegen van deze kenmerken, om daarmee de artikelen te rangschikken en de gebruiker tot diversiteit te stimuleren.” Ook de presentatie van de aanbevelingen krijgt hierbij aandacht, bijvoorbeeld door deze te vergezellen van gerichte uitleg, zoals: ‘Als je meer achtergrondkennis over dit onderwerp zoekt, dan vind je deze artikelen misschien interessant’. “Bij onze groep ligt de focus van dit soort onderzoek niet zozeer bij commerciële doeleinden,” zegt Sullivan. “We willen met name dat het recommender systeem de normen en waarden van zowel het bedrijf als de gebruiker representeert.”

Passende radiotherapie

Peter Bosman is deeltijdhoogleraar Evolutionairy Algorithms aan de TU Delft en senior onderzoeker in Life Sciences and Health bij het Centrum Wiskunde & Informatica in Amsterdam. Naast fundamenteel onderzoek aan evolutionaire algoritmes past hij ze ook toe in bijvoorbeeld de brachytherapie, een behandeling waarbij de bestraling van kanker van binnenin de patiënt plaatsvindt. “Hierbij moeten vaak concessies gedaan worden, omdat de hoeveelheid straling naar de tumor niet afdoende is voor genezing zonder het stralingsrisico voor één of meer gezonde omliggende organen te verhogen,” licht Bosman toe. “Met onze algoritmes geven we behandelend radiotherapeuten uniek inzicht in de mogelijke afwegingen tussen deze tegenstrijdige belangen voor een specifieke patiënt. Op basis hiervan kunnen zij, als expert, het meest geschikte bestralingsplan voor de patiënt kiezen.” Het is belangrijk dat het gekozen bestralingsplan zowel technisch uitvoerbaar is als een accurate weergave van de werkelijkheid. “Wij passen daarom zo min mogelijk benaderingen toe bij het oplossen van dit probleem,” aldus Bosman. Om toch snel tot een goede oplossing te komen, bewandelt het genetisch algoritme meerdere oplossingswegen tegelijk. Hierbij combineert het algoritme via een soort natuurlijke selectie de goede eigenschappen van oplossingen tot steeds betere oplossingen. Voor een bruikbaar resultaat in de kliniek is nauw overleg met de radiotherapeuten heel belangrijk. “Zo leren wij wat hun onderliggende doelen van de bestraling zijn en komen we tot een algoritme dat hen de gewenste mogelijke bestralingsplannen aanbiedt,” zegt Bosman. “De daaruit voortkomende bestralingsplannen zijn soms zo verrassend afwijkend van wat ze verwacht hadden, dat het hen weer tot nadenken aanzet over wat nu werkelijk de belangrijkste kwaliteitseigenschappen zijn die ze gewaarborgd willen zien.”

Evolutionaire algoritmes zijn een vorm van kunstmatige intelligentie en stammen uit de jaren ’70. Tegenwoordig zijn ze zelfs relatief gemakkelijk door iedereen toepasbaar, maar volgens Bosman zijn ze zeker geen cure for all. “Bovendien komen wij dankzij ons fundamentele inzicht in hun werking veel vaker tot een goede oplossing. Voor mij is de combinatie van fundamenteel onderzoek en de toepassing daarvan dan ook ideaal.”