‘Met AI-modellen halen we essentiële informatie uit akten’
Data Scientist
Robin de Vries is als Midlancer vanuit Data Talents een klein jaar werkzaam als Data Science Engineer voor Kadaster. Hij houdt zich daar vooral bezig met programmeren en modelleren. Dat is precies wat hij zocht in een opdracht. “Vooral bij modelleren weet je nooit precies wat ergens uitkomt. Het is leuk om in de praktijk te meten hoe goed een eigen idee werkt.”
‘Midlancen klonk intrigerend’
Robins rol binnen Kadaster past hem als gegoten. Dat hij als Midlancer vanuit Data Talents bij dé bron van informatie over eigendom en gebruik van vastgoed en ruimte terecht zou komen, had hij niet kunnen bedenken. “Ik had het eigenlijk best naar mijn zin bij mijn vorige werkgever, toen ik benaderd werd om te midlancen bij Data Talents. Het klonk wel intrigerend en het contact beviel van beide kanten.” Zijn ervaring bij Data Talents bevalt zo goed, dat hij zichzelf niet snel iets anders ziet doen. Ik voel me goed als data scientist en ook als Midlancer.”
Vooral programmeren en modelleren
Al snel na zijn start vond hij dankzij de Business Managers van Data Talents zijn huidige interim-opdracht bij Kadaster. Daar richt hij zich vooral op programmeren en modelleren. “Je komt er snel achter of een idee dat je hebt werkt of dat je iets anders mag knutselen.” Op dit moment zet hij zijn tanden in het bouwen van een AI-model dat helpt met het maken van een voorselectie van informatie uit vooral hypotheekakten. “Daarbij zetten we een AI-taalmodel in dat de essentiële informatie uit een akte haalt en die info klaarzet voor iemand die vervolgens alleen nog op akkoord hoeft te klikken als de data juist zijn. Eerder selecteerden Kadaster-medewerkers handmatig informatie zoals de bank, de persoon die de hypotheek krijgt, het bedrag, de notaris en de datum.”
Snellere verwerking van data realiseren
De tools die Robin en zijn collega’s maken, zorgen ervoor dat zoveel mogelijk van het akteproces geautomatiseerd verloopt. “Omdat dit leidt tot een snellere verwerking van data, kan het Kadaster ook zorgen dat een huis sneller is ‘gesignaleerd’ en iemand het huis niet tweemaal kan verkopen. Het is daarvoor wel van belang dat de software bepaalde relevante objecten of adressen kan herkennen in een akte. Dat lukt al goed. Ons werk maakt de verwerkingstijd van een akte kleiner.”
‘Mijn modellen moeten leiden tot verbeterde metrics’
“Wat ik hier doe is een continu proces, waarin ik steeds opnieuw de kwaliteit van de herkenning meet. Het is essentieel dat de gegevens die ik vind met mijn modellen correct zijn. Dat is ook het beleid hier. Als iemand een taak oplost, moet de herkenning van de metrics verbeteren.” Toch ziet Robin voor zichzelf het verbeteren van de verwerkingstijd van akten als hoofddoel. Aangevuld met het zo accuraat mogelijk vinden van gegevens. “Dus kwaliteit én kwantiteit. Dat doen we door processen te verbeteren en daarbij data science technieken toe te passen. Daar ben ik vanuit Data Talents ook voor ingeschakeld, die expertise hadden ze bij Kadaster echt nodig.”
