SynerScope nu beschikbaar in de Microsoft Azure Marketplace

Microsoft Azure-klanten over de hele wereld krijgen nu toegang tot Ixivault van SynerScope om te profiteren van de schaalbaarheid, betrouwbaarheid en flexibiliteit van Azure om de ontwikkeling van applicaties te stimuleren en bedrijfsstrategieën vorm te geven. 

HELVOIRT, Nederland – 21 februari 2024 – SynerScope, de betere, snellere en veiligere oplossing voor uw dataproblemen, heeft vandaag de beschikbaarheid aangekondigd van zijn cloud-native Ixivault-oplossing in de Microsoft Azure Marketplace, een online store die applicaties en diensten levert voor gebruik op Azure. De klanten van SynerScope kunnen nu profiteren van het productieve en vertrouwde Azure-cloud platform, met gestroomlijnde implementatie en beheer.

SynerScope’s Ixivault versnelt de identificatie en labeling van ongestructureerde gegevens en dark data, waardoor ondernemingen gegevens in intelligentie kunnen omzetten. Het biedt ook een datakluis in Microsoft Azure blob of Microsoft Azure Data Lake Storage waar u uw bedrijfsgegevens veilig kunt opslaan, zelfs de minder bekende delen ervan. Door uw gegevens te verenigen, waar deze zich ook bevinden, lost Ixivault uw gegevenswanorde op en helpt u één enkele bron van waarheid te bieden voor betere besluitvorming.

“Microsoft Azure Marketplace maakt de voordelen waar die het belooft aan zowel klanten als ISV’s. De vereenvoudiging van het inkoopproces bij de allereerste aankoop via de Azure Marketplace door een gedeeld datacenter van de Nederlandse overheid toont de waarde van dit partnerschap aan. We kunnen onze oplossing nu binnen enkele uren implementeren en transacties worden via de Azure-portal in één factuur geconsolideerd. Dit zal de overheidsinstantie helpen de uitgaven in de hele organisatie te monitoren en te beheersen door gebruik te maken van gedefinieerde rollen en permissies”, aldus Jan-Kees Buenen, CEO van SynerScope.

“Microsoft verwelkomt Ixivault van SynerScope op Azure Marketplace, waar wereldwijde klanten duizenden partneroplossingen kunnen vinden, uitproberen en kopen”, zegt Jake Zborowski, General Manager, Microsoft Azure Platform bij Microsoft Corp. “Azure Marketplace en vertrouwde partners zoals SynerScope helpen klanten meer met minder te doen door de efficiëntie te verhogen, met vertrouwen te kopen en slimmer uit te geven.”

Key features van SynerScope Ixivault:

  • Visuele scanner van ALLE data (inclusief ongestructureerde data) die clusterlabeling mogelijk maakt
  • Geautomatiseerd sorteren op inhoud
  • Labels per cluster voorstellen, waarbij ruimte wordt gelaten voor domeinexperts om te valideren, te kiezen en waar nodig bij te sturen

Key benefits voor u als gebruiker:

  • Eenvoudig en veilig te implementeren via de Microsoft Azure Marketplace
  • Rechtstreeks geïmplementeerd in uw eigen Microsoft Azure-tenant
  • Serverloos voor flexibele schaling en kostenbeheersing
  • Eenvoudig in gebruik, er is een korte training beschikbaar

De Azure Marketplace is een online markt voor het kopen en verkopen van cloudoplossingen die gecertificeerd zijn om op Azure te draaien. De Azure Marketplace helpt bedrijven die op zoek zijn naar innovatieve, cloudgebaseerde oplossingen met partners die oplossingen hebben ontwikkeld die klaar zijn voor gebruik.

Lees meer over de Ixivault-oplossing van SynerScope en download deze nu door de pagina op de Azure Marketplace te bezoeken.

OVER SYNERSCOOP

Als disruptor en innovator op het gebied van informatiemanagement is de wereld van dark data onze eerste zorg. We verlagen de kosten van het ontdekken van dark data honderdvoudig door gebruik te maken van alle voordelen van een Microsoft Azure cloud first-strategie. Door uw data te leren kennen, kunt u de beveiliging, toegangscontrole, publicatie, retentie, verwerking van AI-analyses en het archiveren en opschonen van uw data efficiënt regelen en uitvoeren.

Voor meer informatie, druk alleen op:

Annelieke Nagel, SynerScope, +31-88-2553282, info@synerscope.com

Kunstmatige intelligentie is slechts zo goed als datalabeling

Gegevenslabeling met SynerScope

Recente gebeurtenissen in mijn thuisland inspireerden mij tot het schrijven van deze blog. Dagelijks horen wij verhalen over bedrijven en overheidsorganisaties die moeite hebben om individuele dossiers of zaken voldoende te begrijpen. Kennislacunes en gebrek aan toegang tot goede informatie schaden het welzijn van individuen en organisaties. Soms wordt de welvaart van de samenleving zelf aangetast. Bijvoorbeeld bij grootschalige financiële criminaliteit en saneringszaken in het bank- en verzekeringswezen, bij de overheid en bij pandemieën.

We hebben gewoon weinig inzicht in de gegevens, wat betekent dat AI en analytics zijn ingesteld om te falen. Bovendien is het moeilijk te zien welke gegevens we kunnen of mogen verzamelen om mens-computer processen uit te voeren om relevante informatie te extraheren om die problemen op te lossen.

Onbeperkt dataverkeer zonder applicatie

De COVID19-pandemie laat niet alleen zien hoe moeilijk het is om de juiste gegevens te genereren, maar ook hoe moeilijk het is om bestaande gegevens te gebruiken. Daarom vertoont gegevensgestuurde besluitvorming vaak hiaten in het begrip van gegevens.

Banken besteden miljarden aan technologie en mensen in KYC-, AML- en klantherstelprocessen. Toch voldoen ze nog steeds niet volledig aan de gewenste regelgevingsdoelstellingen.

Ook regeringen hebben moeite met gegevens. Recente schandalen bij de Nederlandse belastingdienst, zoals de Toeslagenaffaire, laten bijvoorbeeld zien hoe moeilijk het is om tienduizenden gevallen te behandelen die moeten worden gesaneerd. En het Nederlandse ministerie van Economische Zaken worstelt met de vaststelling van individuele schadevergoedingen in Groningen, waar aardbevingen door gaswinning huizen hebben beschadigd.

Tegenwoordig is de wereld in ongelooflijke mate gedigitaliseerd. Dus overschat de samenleving, van burgers tot pers en politici en het rechtssysteem, het vermogen van organisaties om de juiste informatie te halen uit de gegevens die zo overvloedig beschikbaar zijn.

Die organisaties, hun datawetenschappers, IT-teams, cloudleveranciers en geleerden hebben immers een wereld van welzijn en welwillendheid beloofd op basis van data en AI. Maar dat ze die beloften niet nakomen is zeker geen teken dat de complottheorieën waar zijn. Het laat eerder de grenzen zien van AI in een wereld waarin organisaties minder dan de helft begrijpen van de gegevens die ze hebben wanneer deze niet in een staat verkeren die gereed is voor machinale verwerking. Immers, als je niet weet wat je hebt, kun je ook niet zeggen welke gegevens je mist.

De helft van alle gegevens zijn donkere gegevens

Gartner bedacht de term “Dark Data” om te verwijzen naar die helft van alle gegevens waar we niets van weten. En, als Donkere Materie zoveel invloed heeft in ons universum, zouden Donkere Gegevens dan niet een soortgelijke invloed kunnen hebben op ons vermogen om informatie en kennis uit de gegevens te halen?

We zijn te veel in de droom van AI gaan geloven, want wat als donkere gegevens zich gedragen als donkere materie? Door overschatting van wat mogelijk is met gegevensgestuurde besluitvorming, kunnen mensen geloven dat de machthebbers deze gegevens manipuleren.

Het drijvende concept van SynerScope is gebaseerd op onze technologie om Dark Data binnen organisaties te beoordelen. Door onze donkere gegevens beter te begrijpen, kunnen we onze wereld beter begrijpen en betere resultaten halen uit menselijke en computerintelligentie (AI) samen.

Algoritmen vertrouwen op gelabelde datasets

De huidige AI, DL (Deep Learning) en ML (Machine Learning) hebben gegevens nodig om te leren – en veel gegevens. Gegevensvertekening is een echt probleem voor dat proces. Hoe beter de opleidingsgegevens zijn, hoe beter het model presteert. De kwaliteit en kwantiteit van de opleidingsgegevens hebben dus evenveel invloed op het succes van een AI-project als de algoritmen zelf.

Helaas zijn ongestructureerde gegevens en zelfs sommige goed gestructureerde gegevens niet zodanig gelabeld dat zij geschikt zijn als trainingsset voor modellen. Voor sentimentanalyse zijn bijvoorbeeld slang- en sarcasmalabels nodig. Chatbots vereisen entiteitsextractie en zorgvuldige syntactische analyse, niet alleen ruwe taal. Een AI voor autonoom rijden heeft straatbeelden nodig met daarop voetgangers, fietsers, straatnaamborden, enz.

Goede modellen vereisen solide gegevens als sterke basis. Maar hoe labelen we de gegevens die ons kunnen helpen die basis te verbeteren. Voor chatbots, voor zelfrijdende voertuigen, en voor de mechanismen achter klantherstel, fraudepreventie, steunprogramma’s van de overheid, pandemieën, en boekhouding onder IFRS?

Regelgeving en pandemieën komen in dezelfde zin voor omdat ze vanuit het oogpunt van gegevens vergelijkbaar zijn. In beide gevallen gaat het om een plotselinge of onopgemerkte komst die ons verplicht nieuwe informatie uit bestaande gegevens te halen. Die nieuwe informatie is voor AI alleen haalbaar als de opleidingsgegevens met dat doel voor ogen zijn gelabeld.

Ik zal het uitleggen met een eenvoudig voorbeeld van zelfrijdende voertuigen. Tegenwoordig worden trainingsgegevens gelabeld voor voetgangers, fietsen, auto’s, vrachtwagens, verkeersborden, kinderwagens, enz. Wat als we morgen besluiten dat de AI zich ook moet aanpassen aan de hogere snelheid van elektrische fietsen? U zult een enorme operatie nodig hebben om nieuwe gegevens te verzamelen en die gegevens opnieuw te trainen, aangezien de huidige modellen waarschijnlijk niet goed zullen presteren voor deze nieuwe vraag.

Bedrijven die softwaresystemen gebruiken met reeds bestaande meta-gegevensmodellen of bedrijfswoordenlijsten hebben dezelfde grenzen. Zij werken door labels te selecteren en aan te brengen zonder een label aan de inhoud te ontlenen – anders moeten zij met de hand labelen, wat arbeids- en tijdsintensief is – en vaak te veel om dit onder de druk van grootschalige schandalen en crises te kunnen doen.

Automatische gegevenslabeling en SynerScope

De noodzaak om gegevens aan te passen voor plotselinge crises laat geen handmatige etikettering toe. In plaats daarvan is automatische etikettering een betere keuze. Maar, zoals we weten uit mislukkingen van organisaties en van de overheid, is AI alleen niet nauwkeurig genoeg om rekening te houden met individuele inhoud.

Voor SynerScope moet de inhoud zelf altijd bepalend zijn voor de beschrijvende etikettering. De etiketteringsmethode moet altijd meegroeien met de inhoud. Daarom gebruiken wij een combinatie van algoritmeautomatisering en menselijk toezicht, om het beste van beide werelden samen te brengen – voor een snelle en efficiënte gegevenslabeling.

Als u meer wilt weten over hoe onze etikettering werkt, neem dan gerust contact met ons op via info@synerscope.com.

Proces van herstel en verhelpen

Herstel en sanering

Geen enkele organisatie wil in een verhaal- en saneringsproces terechtkomen. Maar als je dat doet, is tijd van levensbelang. Het starten van een verhaalsonderzoek kan plotseling gebeuren. In andere gevallen kan het om een langzamere planning gaan. In beide gevallen hebt u plotseling heel andere behoeften aan organisatiegegevens dan bij de gewone bedrijfsprocessen. In sommige gevallen heeft u zelfs toegang nodig tot gegevens die normaal gesproken in het donker of op servers met lage prioriteit worden opgeslagen, waardoor de manier waarop uw organisatie toegang heeft tot die gegevens volledig verandert.

Beroepsprocedures en herstelmaatregelen hebben hoge prioriteit

Als u wordt geconfronteerd met de noodzaak van herstel, sanering of schadevergoeding, hebt u daar waarschijnlijk dringende redenen voor. Uw organisatie kan bijvoorbeeld geconfronteerd worden met een dalende klantentevredenheid, het verdwijnen van leveranciers, juridische stappen, regelgeving of reputatieschade.

Processen van verhaal en herstel brengen de details van individuele gevallen en dossiers op de voorgrond. Het oplossen van die details is van groot belang. Maar zonder een onmiddellijk overzicht of een manier om snel en efficiënt hoogwaardige vergelijkingen van die individuele of groepsgevallen te maken, kan er weinig worden gedaan. U moet bijvoorbeeld eerst handmatig nagaan welke gevallen moeten worden verholpen. En het zal moeilijk blijven om te bepalen welke schadeloosstelling, herstel of compensatie van toepassing is. Zonder die overzichten kunt u te veel of te weinig compensatie bieden.

Om dit op te lossen moeten gegevens een centrale plaats krijgen in het proces. U moet processen implementeren om verhaal en herstelacties te sturen. U moet ook de regulerende belanghebbenden voldoende op de hoogte houden, zodat zij niet escaleren of procedures tegen u beginnen.

U moet snel handelen, maar systemen zijn niet ontworpen voor beroepsprocedures

De standaardreactie op een verhaal- en herstelproces is mensen aan het werk zetten. Helaas worden veel van die mensen ad hoc ingeschakeld, zonder de informatie en gegevens die zij nodig hebben om te kunnen handelen.

Aan de slag gaan betekent het maken van diepgaande overzichten van elke zaak, met voldoende context van soortgelijke zaken om beslissingen te sturen. Door dat in een controlekader op te nemen kunnen mensen aan de slag, terwijl het risico van overcompensatie van individuele gevallen of goedkeuring van frauduleuze claims wordt vermeden.

Toch is die verschuiving van gegevensbeheer van dagelijkse werkzaamheden naar een volledig onderzoek van minieme gegevens niet iets waarvoor IT-systemen en -ondersteuning normaal gesproken zijn ontworpen. In plaats daarvan moet u gegevens op nieuwe manieren combineren om individuele gevallen snel en eerlijk op te lossen. Dat geldt vooral wanneer uw zaken massale gegevenstoegang en -verwerking vereisen, zoals bij saneringszaken het geval is. Sanering begint nooit met een stroompje gevallen, je moet ze altijd allemaal tegelijk aanpakken. Het niveau waarop u die bulkgegevens kunt verwerken, is van invloed op hoeveel schade u kunt beperken, hoeveel werk en herwerk er nodig is, en hoe snel u het project kunt afronden tot tevredenheid van klanten, interne en externe belanghebbenden, en regelgevende of wettelijke belanghebbenden.

Externe organisaties kunnen niet werken zonder gegevens

Grote organisaties doen vaak een beroep op derden, of het nu gaat om gespecialiseerde dienstverleners, advocaten, consultants of materiedeskundigen, om deze processen te helpen beheren. Vaak gaat het ook om data- en IT-diensten. Die consultants moeten echter wel toegang hebben tot gegevens, die uw eigen IT-systemen moeten leveren. En wanneer u consultants inschakelt voor IT-ontwerp en -implementaties, is hun doel het leveren en bouwen van efficiënte oplossingen en toepassingen – meestal met het doel om de dagelijkse processen binnen de organisatie te runnen en te ondersteunen.

Herstel vereist opschaling van gegevensverwerkingscapaciteit

Herstel- en saneringssituaties vereisen steun op een heel andere manier. U moet uw vermogen om gegevens te beheren sterk vergroten. Denk aan een vliegtuig tijdens een noodlanding. Mensen verlaten het vliegtuig niet ordelijk via de trap. In plaats daarvan gebruiken zij noodglijbanen, die de capaciteit om het vliegtuig snel leeg te maken terwijl de mensen veilig op de grond aankomen, aanzienlijk vergroten.

U kunt het zich niet veroorloven tijd te verliezen om gegevens voor te bereiden of IT-oplossingen op te bouwen voor ondersteuning tijdens verhaal en herstel. Ad-hoc tools met query’s en spreadsheets helpen vaak ook niet. In plaats daarvan kunnen ze de verwarring vergroten en de problemen groter maken, waardoor individuele gevallen door de mazen van het net glippen.

Als u een onmiddellijke oplossing nodig heeft voor sanerings- en herstelprocessen, is Synerscope er om u te helpen. Onze tooling wordt snel geïnstalleerd op uw Azure-tenant, waarbij de gegevens onder uw beheer blijven, zodat u snel zaken kunt sorteren, labelen en beoordelen met het microscopische detailniveau dat nodig is om de juiste afhandeling te garanderen. En zonder wijzigingen in het bestuur kunt u de oplossing snel implementeren en uw verhaal- en herstelprogramma in werking stellen.

Klantcase: Stedin: MDM sanering

Dynamische datalabeling gebruiken om bedrijfswaarde te creëren

Dynamische gegevenslabeling met Ixivault

Voordat u enige waarde aan gegevens kunt ontlenen, moet u relevante gegevens vinden en ophalen. Met zoeken kun je dat doel bereiken. Wil “zoeken” echter werken, dan zijn er twee dingen nodig: Een zoekterm moet door mensen worden gedefinieerd; gegevens moeten worden geïndexeerd zodat de computer ze kan vinden met kosten- en snelheidsefficiëntie en om de gebruiker bezig te houden. Maar de zoekefficiëntie wordt ondermijnd door de omvang van alle beschikbare gegevens en de aanwezigheid van dark data (zonder indexen of labels), zowel vanuit financieel oogpunt als vanuit het oogpunt van de reactietijd.

Technologieën als bedrijfszoeken zijn om die reden nooit van de grond gekomen. Zonder labels is het niet effectief om een systeem te vragen resultaten uit de gegevens te selecteren. Op het moment dat de gegevens worden gecreëerd, weet de maker precies wat een bestand bevat. Maar met het verstrijken van de tijd laat ons geheugen het afweten, en andere mensen kunnen worden belast met het vinden en opvragen van gegevens, lang nadat wij verder zijn gegaan. Het doorzoeken van gegevens in bedrijfsapplicaties betekent vaak dat elk geregistreerd onderwerp of object moeizaam moet worden opgezocht. Voor eindgebruikerstoepassingen zoals MS Office ontbreekt zelfs die mogelijkheid. Zonder goede labels zijn zoek- en vindmogelijkheden vrijwel onmogelijk. En terwijl de mensen die gegevens creëren precies weten wat erin staat, kunnen de mensen die daarna komen, en de programma’s die we maken om die gegevens te beheren, niet dezelfde mentale truc uithalen om betekenis te halen uit ongesorteerde gegevens.

Bij SynerScope bieden we een oplossing om gemakkelijk gegevens te herstellen die in de loop der tijd verloren zijn gegaan of vanaf het begin vaag gedefinieerd waren. Wij tillen dergelijke “onbekende” gegevens eerst in een geautomatiseerde, op AI gebaseerde, sorteermachine. Eenmaal gesorteerd schakelen wij een menselijke dataspecialist in, die dan kan werken met subgroepen van gegevens in plaats van individuele bestanden. Nogmaals, zonder toezicht, onze oplossing presenteert de gebruiker de onderscheidende woorden die elke subgroep ten opzichte van elkaar vertegenwoordigen. In wezen presenteert de AI de voornaamste labelopties voor bestanden en inhoud in elke subgroep, ongeacht de grootte in aantal bestanden, pagina’s of paragrafen. De menselijke beoordelaar hoeft alleen een labeloptie te selecteren en te controleren, in plaats van de zware taak van het genereren van labels op zich te nemen.

Aldus gelabeld zijn de gegevens klaar voor de gevestigde processen voor bedrijfsgegevens. Catalogiseren, toegangsbeheer, analyse, AI, machine learning en sanering zijn gemeenschappelijke einddoelen voor data nadat Synerscope Ixivault metadata en labels genereert.

SynerScope maakt ook een voortdurende, dynamische herlabeling van gegevens mogelijk als er nieuwe behoeften ontstaan. Dat is belangrijk in dit tijdperk van snelle digitale groei, met een constant spervuur van nieuwe vragen en digitale behoeften. De analyse- en informatie-extractiemogelijkheden van Ixivault kunnen gemakkelijk, snel en nauwkeurig evolueren en zich aanpassen aan toekomstige vereisten.

Hoe komen ongelabelde gegevens tot stand?

Er worden voortdurend gegevens gecreëerd en verzameld. Wanneer werknemers gegevens vastleggen of creëren, voegen zij toe aan bestanden en logboeken. Mensen zijn ook heel goed in het mentaal categoriseren van gegevens – we kunnen met gemak navigeren door de meest recente gegevens, ongesorteerd en al. Of het nu gaat om het navigeren door een stapel papieren of geneste mappen – onze associatieve hersenen kunnen het algemene idee onthouden van wat er in elke stapel gegevens zit – zolang die gegevens niet bewegen. Maar we zijn erg beperkt door de schaal die we aankunnen. Wij hebben mentale beelden van geleerden en professoren die werken in kamers waar de gegevens overal tot aan het plafond zijn opgestapeld, maar waar weinig werd schoongemaakt. Dit paradigma geldt niet voor digitale gegevens in ondernemingen. Samenwerking, analyse, AI-behoeften en regelgeving leggen altijd een te grote druk op weten waar gegevens zijn.

Catalogi en classificatieoplossingen kunnen helpen, maar het automatiseringsniveau voor het vulproces is te laag. Dat leidt tot hiaten en achterstanden in de etiketteringsgegevens. De AI voor volledig automatisch labelen is er nog niet. Het catalogiseren en classificeren van bedrijfsdocumentatie is nog moeilijker dan het classificeren van digitale beelden en videobeelden.

Digitale jumelage en het leveren van waarde met gegevens

Vóór breedband bestond er niet zoiets als een digitale tweeling voor mensen, door de mens gemaakte voorwerpen of natuurlijke objecten. Alleen noodzakelijke informatie werd opgeslagen in op toepassingen gebaseerde gegevenssilo’s. In 2007 veranderde dat door de komst van de iPhone en de revolutie op het gebied van mobiele en mobiele apparaten. Iedereen en alles was online, de hele tijd, en genereerde voortdurend gegevens. De digitale tweeling, een verzameling gegevens die een echte persoon of een natuurlijk of door de mens gemaakt voorwerp voorstelt, was geboren.

In de meeste organisaties blijven deze digitale tweelingenmeestal in het ongewisse. De meeste organisaties verzamelen enorme hoeveelheden gegevens over klanten, klantcases, accounts en projecten. Het blijft in het duister omdat het in silo’s wordt samengesteld, opgeslagen en gebruikt. Wanneer de mensen die de gegevens hebben gecreëerd met pensioen gaan of naar een ander bedrijf verhuizen, vervagen de betekenis en de inhoud ervan snel – omdat niemand anders weet wat er is of waarom. En zonder de juiste labels kunnen uw systemen er moeilijk mee omgaan.

GDPR, HIPPA, CCPA enz. dwingen organisaties te begrijpen welke gegevens ze hebben over echte mensen, en ze eisen hetzelfde voor alle historische gegevens die zijn opgeslagen uit de tijd voordat die voorschriften bestonden.

Regelgeving evolueert, technologieën evolueren, markten evolueren en uw bedrijf evolueert, wat allemaal leidt tot zeer dynamische veranderingen in wat u van uw gegevens moet weten. Als je wilt bijblijven
,
ervoor zorgen dat u die gegevens kunt gebruiken om de bedrijfswaarde te verhogen – terwijl u onnodige risico’s van bedrijfsvoorschriften, gegevensbescherming en beveiligingsvoorschriften vermijdt – moet u uw gegevens kunnen doorzoeken. Gebeurt dit niet, dan kunt u verstrikt raken in een chaotische saneringsprocedure, vergezeld van ongesorteerde gegevens die de onrust niet verminderen, maar de chaos juist vergroten.

Dynamische gegevenslabeling met Ixivault

Ixivault helpt u om gegevens op een flexibele, efficiënte manier af te stemmen op nieuwe realiteiten, met een dynamisch, zwak gesuperviseerd systeem voor gegevenslabeling. De applicatie wordt geïnstalleerd in uw eigen beveiligde Microsoft Azure client-tenant, waarbij gebruik wordt gemaakt van de gegevensopslag die u hebt opgezet en beheerd, zodat alle gegevens altijd veilig onder uw beheer blijven. Onze oplossing, met haar vermogen om gegevens te sorteren, helpt al uw medewerkers – van LOB tot IT – om gegevens te categoriseren, classificeren en labelen op inhoud – waardoor ze in wezen uit het duister worden gehaald.

Uw gegevens zijn dan toegankelijk voor al uw digitale processen. Ixivault toont situaties en objecten gegroepeerd op gelijkenis van documentatie en beeldopnames en stelt u in staat groepen te vergelijken op verschillen in de inhoud. Dit vereenvoudigt en versnelt het toekennen van labels aan de gegevens. Elke activiteit waarbij gevallen, objecten, situaties, gegevens of een toetsing aan vastgestelde normen moeten worden vergeleken, wordt eenvoudig gemaakt. Ixivault verbetert ook de kwaliteit van de dataselectie, wat helpt bij een reeks toepassingen, van Know Your Customer en Customer Due Diligence tot analyses en AI-gebaseerde voorspellingen op basis van historische gegevens.

Verzekeringsmaatschappijen kunnen die gegevens bijvoorbeeld gebruiken om vergelijkbare gevallen te vinden, ze te koppelen aan risico’s en premietarieven, en zo uitschieters op te sporen – zodat het bedrijf kan ingrijpen bij de prijsstelling, de acceptatie of de binding, of allemaal.

Het type dynamische etikettering van SynerScope creëert mogelijkheden om snel en flexibel alle gegevens te matchen.. Naarmate de perceptie en de culturele toepassingen van gegevens in de loop der tijd veranderen, kunt u ook gegevens afstemmen op de evoluerende behoeften inzake informatie-extractie, labels wijzigen naarmate de gegevenscontext verandert, en waarde blijven halen uit de gegevens waarover u beschikt.

Als u meer wilt weten over Ixivault of de dynamic matching mogelijkheden in uw organisatie, neem dan contact met ons op voor persoonlijke informatie.

Verhuizen naar de Azure-cloud: dark data uitpakken

Verhuizen naar de Azure cloud?

Tegenwoordig stappen steeds meer bedrijven over naar de cloud – om te automatiseren en te profiteren van AI en schaalbare opslag, en om de kosten ten opzichte van bestaande legacy-infrastructuur te verlagen. In 2021 zal namelijk naar schatting 19,2% van de grote organisaties de overstap naar de cloud maken. En Microsoft Azure leidt die verschuiving bijna – met een marktacceptatie van 60%.

Vaak richten organisaties zich tijdens een cloudtransitie op geselecteerde toepassingen. De bestaande gegevens zouden echter wel eens de grootste complexiteit kunnen vormen. Een meerderheid van de organisaties gebruikt minder dan 50% van de gegevens die zij bezitten. Tegelijkertijd is er geen toezicht op gegevens waarvan men eigenaar is. Deze ongebruikte, niet-geclassificeerde en niet-gelabelde gegevens worden ook wel “dark data” genoemd, omdat ze in de schaduw blijven totdat er voldoende tijd is uitgetrokken om ze te sorteren, labelen en classificeren.

Verhuizen naar de Azure Cloud is als verhuizen

Wij denken dat het zinvol is om de overstap naar de Azure-cloud te vergelijken met een verhuizing. Je beslist waar je gaat wonen, je kiest je nieuwe infrastructuur en je maakt alles klaar om in te trekken. Dan pak je je oude spullen in en verhuis je mee. Het probleem is dat je waarschijnlijk al genoeg dozen hebt liggen. Denk aan je zolder, je kelder en opslag. Dingen van eerdere verhuizingen. Je hebt misschien alle kennis verloren van wat er in zit. Hetzelfde geldt wanneer de applicaties en gegevens van uw organisatie moeten verhuizen. Maar deze keer heb je ook te maken met “dozen” met gegevens die niet gelabeld zijn door mensen die de organisatie verlaten, gegevens die langere tijd ongebruikt zijn gebleven en gegevens die zijn achtergebleven van reeds verouderde toepassingen. Het verplaatsen van deze en andere minder bekende gegevens kan in de toekomst tot grotere problemen leiden.

  • Gegevens stapelen zich sneller op dan ooit tevoren. Morgen heb je er meer van. Daarom is het nu het beste moment om de gegevens door te nemen en te categoriseren
  • Goed beheer van gegevens is onmogelijk zonder eerst de inhoud ervan te kennen. Oudere gegevens van vóór de GDPR-regelgeving zijn er nog steeds. Compliance- en risicofunctionarissen en CISO’s vrezen deze onbekende gegevens en vrezen dat ze buiten de compliance-voorschriften vallen.
  • Met dark data kan het moeilijk zijn om door controles op naleving van de regelgeving te komen. Als u een ‘doos’ met gegevens niet kunt openen om de controleurs te laten zien wat erin zit, kunt u niet bewijzen dat u aan de regels voldoet.
  • Je mag ook niet zomaar gegevens wissen. Industrieën en overheden moeten voldoen aan wet- en regelgeving over het archiveren en onderhouden van open data.
  • Als u weet welke gegevens u hebt, kunt u een strategie bepalen en gecontroleerde beslissingen nemen over koude/warme/warme opslag om zowel de kosten als de toegang te optimaliseren. Het verplaatsen van gegevens die nog donker zijn, kan leiden tot onomkeerbaar gegevensverlies of ten minste dure reparaties in de toekomst.
  • Voor het lokaliseren en raadplegen van gegevens is het soort informatie nodig dat het best wordt vastgelegd in classificaties en labels; voor de analyse van historische gegevens zijn deze metadata nodig.
  • De delen van gegevens die dark data vormen, maken organisaties kwetsbaar omdat het ontwerpen en nemen van beveiligingsmaatregelen extra moeilijk wordt.
  • Soms kunt of moet u informatie verwijderen. U kunt dit echter alleen doen als u de inhoud ervan van tevoren kent en de naleving van de regelgeving kunt bepalen en een vooruitziende blik hebt voor toekomstige waardevolle analyses.

Hoe kunt u de toegang tot deze gegevens optimaliseren? Toen een van onze klanten, de Drents Overijsselse Delta Waterschappen, zich boog over het archiveren en opslaan van haar projectdocumentatie uit het verleden in de cloud, vond zij de noodzakelijke handmatige labeling een ontmoedigende taak. De enorme tijdsinvestering die nodig is, is zeer vergelijkbaar voor andere organisaties die op de cloud overstappen. Handmatige controle van gegevens is voor de meeste organisaties gewoonweg te arbeidsintensief om binnen een haalbaar tijdsbestek uit te voeren.

Gegevens uitpakken met Ixivault van Synerscope

Met Synerscope krijgt u de gegevenshelderheid die u nodig hebt. Als zwak gecontroleerd AI-systeem zijn onze oplossingen gebouwd om te presteren waar standaard AI-benaderingen zouden falen. Synerscope’s Ixivault implementeert op uw Azure Tenant – zonder eigen backend. Dit betekent dat alle gegevens binnen uw huurder blijven, wat een groot pluspunt is voor alle zaken en zorgen met betrekking tot beveiliging, governance en compliance. Met onze wrijvingsloze implementatie kunt u vervolgens donkere gegevens openen, categoriseren en labelen met behulp van een combinatie van machine learning met handmatige beoordeling om het volledige proces met gemiddeld 70% te versnellen.

Ixivault analyseert uw volledige gegevenspool van gestructureerde en ongestructureerde gegevens, maakt categorieën op basis van overeenkomsten tussen gegevens, haalt trefwoorden en onderscheidende termen eruit en genereert afbeeldingen van die gegevensstapels – die uw domeinexpert vervolgens snel kan gaan labelen. Het belangrijkste is dat Ixivault ingebouwde leermogelijkheden heeft, wat betekent dat het beter wordt in het categoriseren en labelen van uw specifieke gegevens naarmate u het gebruikt.

Dit alles maakt Ixivault de perfecte tool om u te helpen verhuizen – door dozen met gegevens uit te pakken terwijl u ze naar de cloud verplaatst. U kunt dan kiezen voor passende opslag, beheer en toegangscontrole, ook als u de gegevens wel of niet hoeft te bewaren. Voor het eerst kunt u een bijna rand-tot-rand overzicht krijgen van al uw gegevens met inzoommogelijkheden tot op zeer gedetailleerd niveau, zodat u de beste keuze kunt maken wat u met deze nieuw ontdekte gegevens gaat doen. Nieuwe informatie over uw gegevens kan u geld opleveren en tegelijkertijd geld besparen.

Als u hulp nodig heeft bij het uitpakken van uw dark data tijdens uw verhuizing, neem dan contact met ons op voor meer informatie over hoe Synerscope kan helpen. U kunt de Ixivault-app ook rechtstreeks kopen op de Azure Marketplace van Microsoft.

Ixivault helpt bij het labelen en categoriseren van Dark Data in de Azure Cloud

Ixivault, een beheerde app op Microsoft Azure

De donkere gegevens van uw organisatie vormen een uitdaging bij de overstap naar de cloud. Toch is het laten staan op een huidige locatie ook niet de oplossing.

Donkere gegevens omvatten digitale gegevens die worden opgeslagen maar nooit worden gemobiliseerd voor analyse of om informatie te leveren. Als u over dark data beschikt, mist uw organisatie al mogelijkheden om er waarde uit te halen. Maar als u donkere gegevens niet meeneemt naar de cloud, drijven ze nog verder af van uw andere gegevensassets. Ondertussen biedt de flexibele reken- en geheugeninfrastructuur van de cloud een zeer kosteneffectieve oplossing om die gegevens te mobiliseren. Het belangrijkste is dat dit gebeurt op elke schaal die uw organisatie nodig heeft.

Er zijn echter nog uitdagingen. Bijvoorbeeld het overwinnen van de risico’s van governance en compliance, hogere opslagkosten en keuzes op het gebied van opslagtiering. Kiest u ervoor gegevens in de buurt op te slaan om ze met andere gegevens te synchroniseren – maar tegen hogere opslagkosten?

Donkere gegevens migreren naar de Azure-cloud

Voor de meeste organisaties is het niet opstellen en uitvoeren van een dark data plan als onderdeel van de cloud transitie in het beste geval ongewenst en in het slechtste geval in strijd met data compliance. Synerscope levert de tools om die gegevens te analyseren en te “ontsluiten” tijdens de overgang, waarbij efficiënt gebruik wordt gemaakt van cloud computing, terwijl u de gegevens volledig onder controle houdt. Dit betekent dat er geen extra risico’s ontstaan voor compliance, beveiliging, enz.

Synerscope helpt u ook om dark data te mobiliseren, met behulp van een combinatie van machine learning, AI en menselijke expertise. Het ontsluiten van dark data is voor de meeste organisaties essentieel. Dat blijft zo, of u nu overschakelt van legacy-systemen naar Azure, uw governance-voetafdruk verkleint of onder druk staat om gegevens te ontsluiten voor compliance of een audit van de regelgeving. Ixivault van Synerscope komt in beeld op elk punt waar u gedetailleerde en brede overzichten van complexe gegevens nodig hebt. Dit wordt bereikt door het sorteren, categoriseren en onthullen van patronen en door domeindeskundigen de middelen te geven om snel en met grote nauwkeurigheid categorieën te labelen.

Uw gegevens, uw Azure huurder


Ixivault
is een beheerde app op Microsoft Azure. Wanneer u de tool inzet, installeert deze bovenop uw Azure Blob of ADLS waar de gegevens onder uw controle blijven. Wij zetten Ixivault aan op Azure computing, wat betekent dat de rekenkracht dynamisch wordt opgeschaald om te voldoen aan de omvang en complexiteit van de gegevens die u erheen stuurt om te scannen en te berekenen. Op geen enkel moment verlaten de gegevens uw Azure-tenant of een toegewezen beveiligde opslag die wordt gebruikt voor het scheiden van gevoelige gegevens. Het ontwerp van SynerScope voldoet aan de strengste eisen voor compliance en governance. Onze Ixivault voelt en werkt als een SaaS, maar doet dat in uw huurder, zonder een eigen back-end voor de opslag van uw gegevens. Daarom kunt u met Synerscope uw donkere gegevens categoriseren, sorteren en labelen zonder extra ingewikkelde regelgeving. Uw gegevens blijven in uw cloud, het proces is volledig transparant en u controleert en bewaakt uw huurder voor alle zaken die verband houden met gegevenssoevereiniteit.

Dat geldt of u nu voor het eerst gegevens naar Azure importeert om ze te inspecteren voordat u beslist waar u ze opslaat of dat u al gegevens in een Blob of ADLS hebt en die moet inspecteren of gegevens op legacy-infrastructuur wilt openen.

Sorteren en categoriseren van donkere gegevens

Ixivault maakt gebruik van AI en machine learning voor sortering en tekstextractie. Hierbij bieden visuele displays domeinexperts een rijke en onderscheidende context waaruit de meest geschikte labels van beschrijvende metadata kunnen worden gekozen. Onze technologie is een zwak gecontroleerd systeem, waarbij eerst unsupervised computing de gegevens in bulk behandelt, gevolgd door een menselijke operator om labels en in bulk gesorteerde gegevenscategorieën te valideren. Het systeem werkt rechtstreeks op ruwe gegevensinvoer, zonder training. Het gebruik van onbewerkte datasets met menselijke validatie om labels toe te voegen betekent dat we het systeem mettertijd slimmer kunnen maken. Toekomstige onbewerkte datasets worden automatisch gecontroleerd op overeenkomsten met eerder verwerkte datasets. Er kan dus vanaf de eerste dag een hoge waarde worden bereikt, maar het systeem leert in de loop der tijd. .

Ixivault abstraheert gegevens tot hypervectoren – waarbij de overeenkomst tussen gegevens algoritmisch wordt vergeleken. Met behulp van algoritmen kan de AI nauwkeurig gegevens sorteren in “stapels” van soortgelijke bestanden. Formaat, lay-out en inhoud van documenten worden allemaal door de algoritmen gebruikt om gewone bedrijfsdocumenten zoals contracten, brieven, offertes, facturen, e-mails, brochures, claims en verschillende tabellen te scheiden. En onze algoritmen scheiden subgroepen volgens de feitelijke inhoud binnen elk van deze. Onze taalextractie presenteert onderscheidende woordgroepen uit elk “Stack”, zodat mensen de meest geschikte labels kunnen selecteren. Dezelfde geëxtraheerde woorden kunnen ook worden gekoppeld aan zakelijke woordenlijsten en gegevenscatalogi waarover uw organisatie reeds beschikt. Met hypervectoren kunnen onze algoritmen overeenkomsten tussen documenten “holistisch” detecteren, op een schaal die het menselijk vermogen te boven gaat. De resulterende samenvoeging van rijke ontologieën en semantische kennis zijn herbruikbaar in de hele organisatie en de vele toepassingen die er draaien.

Machinaal leren met menselijke context

Ixivault creëert outputs waarmee uw data-experts op maximale snelheid en schaal kunnen instappen. De toepassing toont een dashboard met de stapel gegevens, visuele beeldvorming van wat zich in deze stapel bevindt, en trefwoorden of tags die uit die gegevens en metadata worden gehaald. Waar beschrijvende metadata ontbreken of ontbreken, stelt ons systeem nieuwe kandidaten voor labels voor. Het systeem ondersteunt gebruikers bij het uitvoeren van snelle en krachtige data discovery-cycli, waarbij zoeken, sorteren, programmeren in natuurlijke taal en labelen aan elkaar worden gekoppeld. De output is kennis over de dark data van uw organisatie die kan worden gebruikt en hergebruikt door andere gebruikers en softwaresystemen.

Met deze aanpak kunnen gegevensdeskundigen naar bestanden en trefwoorden kijken en zeer snel tags toevoegen. Nog belangrijker is dat het ruimte schept voor menselijke expertise, om te herkennen wanneer gegevens buiten de norm vallen – bv. bestanden houden verband met een bijzondere omstandigheid, wat machines eenvoudigweg niet op betrouwbare wijze kunnen doen. Het resultaat is een krachtig, snel en flexibel systeem, bruikbaar met uiteenlopende gegevens.

Zodra u de door de machine voorgestelde etiketten hebt geselecteerd, hoeft u slechts een klein aantal van de eigenlijke bestanden afzonderlijk te inspecteren om de etikettering voor een hele groep gesorteerde bestanden te bevestigen.

Donkere gegevens ontsluiten bij de overgang naar de cloud

De overgang naar Azure dwingt de meeste organisaties om iets te doen met, of zeker na te denken over, hun dark data. Je kunt niet onnoemelijk veel gegevens naar de cloud verplaatsen zonder te weten wat erin zit. U zou niet genoeg extra waarde kunnen halen uit zo’n blinde zet. Om gegevens naar de juiste opslagoplossingen te leiden voor eenvoudige governance, compliance en beheer is kennis van de inhoud nodig. Bijvoorbeeld, zodat u voorrang kunt geven aan gegevens voor verdere verwerking en berekening, of kunt besparen op opslag voor inhoud met minder toegevoegde waarde. Data intelligentie kan meestal worden betaald door het verminderen van “dark storage”. Ondertussen kan uw organisatie haar bestuurlijke voetafdruk verbeteren en de naleving van de regelgeving waarborgen.

Synerscope kan de potentiële waarde van dark data leveren door de kennis te vergroten, te helpen bij retentie, toegangsbeheer, ontdekking, opschoning van gegevens, maatregelen ter bescherming van de privacy van gegevens en naleving. Het belangrijkste is dat dark data mining organisaties de informatie geeft die nodig is om met die gegevens zowel zakelijke als IT- en nalevingsbeslissingen te nemen – omdat gegevens de drie raakvlakken hebben.

Als u meer wilt weten over de software van Synerscope en onze aanpak, neem dan contact met ons op om een demo te plannen en de software in actie te zien.

Duiken in donkere gegevens op Azure – Gegevensbeheer in de cloud

Voor de meeste organisaties is dark data een vaag concept, de wetenschap dat je ergens enorme hoeveelheden opgeslagen gegevens hebt – en je hebt geen echt idee wat het is. Gartner bedacht de term om te verwijzen naar gegevens die organisaties verzamelen maar niet gebruiken of te gelde maken, en uiteindelijk uit het oog verliezen.

Die gegevens, die zijn opgeslagen in netwerkbestandsshares, samenwerkingstools (bv. SharePoint), online opslagdiensten zoals Drive en Dropbox, oude pc’s en back-ups, zijn duister omdat de meeste mensen in de organisatie geen idee hebben wat erin staat. In feite zijn die gegevens vaak opgeslagen in oude systemen of op schijven geplaatst door mensen die de organisatie inmiddels hebben verlaten. Maar nu organisaties overgaan op de cloud en moeten kiezen of ze gegevens laten waar ze zijn of ze verplaatsen naar een Azure Blob, wordt het een groter probleem – niet alleen voor het potentieel aan bedrijfswaarde, maar ook voor naleving van de regelgeving.

Donkere gegevens kunnen privégegevens omvatten

Donkere gegevens bieden geen beloften op het gebied van bedrijfswaarde. Toch kunnen organisaties het niet negeren. Vaak bevatten dark data alles van persoonlijk identificeerbare informatie tot HR-gegevens, juridische contracten, veiligheids- en toegangsinformatie en andere vertrouwelijke of bedrijfseigen informatie. Dit brengt reële risico’s met zich mee op het gebied van informatiebeheer, vooral in sectoren zoals de financiële en de openbare sector. En voor mondiale bedrijven wordt het steeds belangrijker dat gegevensanalyse en -beheer tegelijkertijd worden aangepakt om te voldoen aan de wetgeving inzake gegevensprivacy in de EU en de VS.

Uw bedrijfsgegevens kennen en kunnen opzoeken zou ideaal zijn. Het ontbreken van labels, categorieën en metagegevens in het algemeen maakt het echter moeilijk om te kiezen wat naar AI moet worden gestuurd voor analyse en ontdekking, wie toegang krijgt tot welke gegevens, en welke gegevens moeten worden bewaard (en waar). De meeste bedrijven hebben juist donkere gegevens omdat het sorteren en labelen te veel handwerk kost. Maar donkere gegevens houden onbekende mogelijkheden en risico’s in – zonder inzicht in de inhoud ervan kan geen enkele organisatie optimale beslissingen nemen over wat zij het beste kan doen.

Een aanzienlijke bestuurlijke voetafdruk

Zowel gestructureerde als ongestructureerde gegevens kunnen deel uitmaken van dark data. Er bevinden zich meer ongestructureerde dan gestructureerde gegevens in het donker.

Waarom? Ongestructureerde gegevens bemoeilijken geautomatiseerde verwerking; veel van deze gegevens vereisen aanzienlijke handmatige verwerking. Azure cloud compute en storage gebruiken elasticiteit en schaal om opties te bieden om resources efficiënt en kostenefficiënt te optimaliseren en alle gegevens te verwerken. Deze optie is uiteraard niet gemakkelijk beschikbaar in on-premise datacenters. Met SynerScope bovenop de Azure object store (Blob of ADLS) van de klant, kunnen ondernemingen snel en economisch zien welke content ze hebben. Nog belangrijker is dat zij deze informatie kunnen gebruiken om actie te ondernemen.

Zo kunnen de onderliggende contracten en correspondenties voor 10 jaar oude facturen niet worden behandeld zonder een goede governance. In de Azure-cloud kun je die gegevens genereren. Maar als er meerdere back-ends van verschillende SaaS-leveranciers zijn, wordt het verplaatsen van dark data naar de cloud bemoeilijkt vanuit een governance- en risicoperspectief. Daarom gebruikt de SaaS-achtige applicatie van SynerScope de opslag op de Azure-tenant van de klant. Daarom worden alle gegevensbescherming en -beveiliging geregeld in het ene contract tussen de klant en Microsoft Azure. Dankzij deze eenvoud kan de onderneming met vertrouwen gegevens naar de cloud verplaatsen, in de wetenschap dat de verantwoordelijkheden en aansprakelijkheden duidelijk zijn vastgelegd.

Dark Data categoriseren in de Azure Cloud

Bij Synerscope leveren we de tools om donkere gegevens te ontsluiten met behulp van machine learning voor het sorteren op inhoud, terwijl uw domeinexperts context toevoegen. Onze AI sorteert gegevens visueel, “stapelt” inhoud op basis van visuele gelijkenis – en markeert trefwoorden en descriptoren uit de stapel. Uw domeinexpert kan dat gebruiken om context aan de stapel toe te voegen – snel vaststellen of iets een factuur is, een hypotheekafschrift, de bankgegevens van een enkele klant, enz.

De software wordt geïnstalleerd in uw Azure-tenant, waarbij de gegevens in een systeemstructuur blijven, die alleen door uw Azure-contract wordt geregeld. SynerScope werkt op dezelfde manier als een Azure-module; wij brengen gegevens naar het cachegeheugen, deze worden berekend, en nieuw gegenereerde metadata vullen de oorspronkelijke gegevens aan. Deze data artefacten worden verplaatst naar de opslag, die u als klant inricht en beheert. Wij bieden u de ondersteuning om:

  • Vind relevante gestructureerde en ongestructureerde gegevens, open ze voor controle, data governance en onderhoudbaarheid voor GDPR-compliance
  • Gegevens vinden en structureren voor governance om te voldoen aan compliance-eisen in de financiële sector, de publieke sector, enz.
  • Verbetering van de triage voor dossiers die moeten worden gecontroleerd in KYC-, CDD-, PDD- en AML-onderzoeken.

Het belangrijkste is dat dit zowel geldt voor opgeslagen dark data als voor de enorme hoeveelheden gegevens die worden gegenereerd door CMS, selfservice, enquêtes en specifieke zaken als KYC-programma’s en beveiliging. Synerscope levert tooling om de overstap naar de cloud mogelijk te maken met dark data-analyse – zodat de organisatie een goede governance implementeert op alle gegevens terwijl deze naar de cloud verhuizen – en tegelijkertijd structuur en inzicht creëert in nieuwe gegevens.

Grof inzicht in Big Data

Synerscope geeft massaal inzicht in niet alleen donkere gegevens, maar in alle gegevens. Door gegevens visueel in kaart te brengen en te vertrouwen op gegevensexperts om verbanden te leggen, versnellen wij de analyse van vrijwel alle soorten gegevens.

Een specifiek voorbeeld: KYC is ongelooflijk belangrijk voor banken en andere financiële organisaties. Automatische waarschuwingssystemen kunnen tot meer dan 5% fout-positief zijn – elke waarschuwing moet handmatig worden beoordeeld. Als elke handmatige bestandscontrole meer dan 4 uur in beslag neemt, is een fout-positief percentage van 5% een enorme belasting voor het bedrijf. Maar Synerscope’s machine learning met behulp van AI om gegevens te categoriseren en sorteren, versnelt deze handmatige beoordeling met wel 20x.

Naarmate de gegevens zich in de cloud blijven opstapelen, zal de rol van Synerscope bij het nemen van dagelijkse beslissingen over compliance en governance toenemen. Dat geldt voor het opvragen van gegevens, het beslissen waar ze moeten worden opgeslagen, en of die gegevens überhaupt moeten worden bewaard.

Als u wilt zien hoe het werkt, neem dan contact met ons op voor een demo of pilot.

David Duijnmayer: ‘Uitrol slimme meter kan nog wel wat slimmer’

AMSTERDAM (Energeia) – Het softwarebedrijf SynerScope, gespecialiseerd in het destilleren van kennis uit grote hoeveelheden data, gaat een netbeheerder helpen met de grootschalige uitrol van de slimme meter. Door verschillende soorten data aan elkaar te koppelen, kan SynerScope beter en sneller voorspellen wat er achter de voordeur wordt aangetroffen. Zo kan de netbeheerder de juiste monteur met de juiste spullen op pad sturen.

SynerScope bestaat sinds 2011, maar is nieuw in de energiesector. Tot nu toe was het bedrijf vooral actief in de financiële sector en voor verzekeringsmaatschappijen. Via de Technische Universiteit Eindhoven (TUE), waar SynerScope zijn oorsprong heeft, kwamen de energienetbeheerders onder de aandacht van het in big data gespecialiseerde softwarebedrijf. “De ‘big’ in big data is eigenlijk niet zo interessant”, zegt solutions engineer Thomas Ploeger van SynerScope. “Wij zijn vooral geïnteresseerd in vraagstukken waarvoor verschillende soorten data gekoppeld moeten worden. En bij de netbeheerders zitten dan genoeg uitdagingen.”

Het vraagstuk waar SynerScope zich voor deze netbeheerder mee heeft beziggehouden, is: hoe kun je de slimme meter zo slim mogelijk uitrollen? Als een planning gemaakt wordt om in een bepaald gebied de slimme meter te gaan aanbieden, is het handig om te weten wat een netbeheerder achter de voordeur zal aantreffen: wat voor soort meter hangt er nu, wat voor kast zit daar omheen, wat voor zekeringen zijn gebruikt, is er mogelijk asbest aanwezig? “Om die vragen te beantwoorden, is nu nog een serie handmatige checks nodig”, zegt Ploeger. “Dat kost veel tijd en is foutgevoelig.”

SynerScope kan de informatie die van belang is sneller en beter verzamelen door alle gegevens die eerst handmatig gecheckt werden, aan elkaar te koppelen. Daarnaast wordt gebruik gemaakt van foto’s die door monteurs gemaakt zijn. Met behulp van machine learning worden deze geclusterd: foto’s waarop dezelfde apparatuur te zien is, komen in dezelfde groep, zodat snel zichtbaar is of in een bepaald gebied veel verschillende meters hangen of juist sprake is van grote uniformiteit. “Wat wij doen, is data bij elkaar brengen om de werkvoorbereiding te optimaliseren”, zo vat Ploeger het samen.

Door met de juiste informatie een werkplanning te maken, worden fouten voorkomen. “Voor het verwijderen van bepaalde zekeringen is een specifieke opleiding nodig, die niet alle monteurs hebben”, geeft Ploeger als voorbeeld. “Het komt dus wel eens voor dat een monteur niks mag doen, omdat hij de juiste papieren niet heeft. Ook helpt goede informatie bij het inplannen van de benodigde tijd, waardoor je goed weet hoeveel adressen je op een dag kunt inplannen.” Uit een eerste test -waarbij de methode van SynerScope vergeleken werd met de resultaten van de oude, handmatige methode- blijkt volgens Ploeger dat er 30% minder fouten gemaakt zouden zijn.

Bron: David Duijnmayer  |  david.duijnmayer@energeia.nl  |  15 juni 2017