Datagedreven Politiewerk
Het lab onderzoekt datagedreven vaardigheden voor opsporing en intelligence en technieken om het leerproces efficiënter te maken.
Veel belangrijke feiten in politieaangiftes of incidentmeldingen worden vastgelegd in ongestructureerde vrije tekst. Deze gegevens zijn moeilijk te analyseren voor een computer. Deze documenten moeten worden voorzien van tags en andere metadata om de analyse te vergemakkelijken. Dit is echter een tijdrovend proces als dit handmatig moet worden gedaan. Mijn onderzoeksproject beoogt een systeem te creëren dat deze documenten automatisch van de juiste tags voorziet. Bovendien willen we door het gebruik van nieuwe machine learning technieken het aantal handmatig getagde documenten dat nodig is voor de training van het model minimaliseren.
Om informatie uit social media te extraheren, doe ik onderzoek naar tekstuele structuren en divergentiepathronen van mircoblogs gerelateerd aan incidenten.
Mijn onderzoek gaat over dialoogsystemen; daarbij onderzoek ik hoe technieken uit de argumentatie gecombineerd kunnen worden met bestaande technieken voor dialoogsystemen, die nu vaak gebaseerd zijn op machine learning. Het doel daarbij is om systemen te ontwikkelen die op transparante (uitlegbare) wijze in interactie gaan met de gebruiker en relevante vragen stellen op het juiste moment. Binnen de politie ben ik verbonden aan het project Intelligente Aangiften, waarin we zo’n systeem implementeren voor de intake van aangiftes van online handelsfraude.
Publicaties:
D. Odekerken, F. Bex, A. Borg & B. Testerink (2022) Approximating Stability for Applied Argument-based Inquiry. Intelligent Systems with Applications. PDF
A. Borg & D. Odekerken (2022) PyArg for Solving and Explaining Argumentation in Python: Demonstration. Proceedings of the ninth International Conference on Computational Models of Argument (COMMA’22). PDF GitHub Visualization
D. Odekerken, A. Borg & F. Bex (2022) Stability and Relevance in Incomplete Argumentation Frameworks. Proceedings of the ninth International Conference on Computational Models of Argument (COMMA’22). PDF
D. Odekerken & F. Bex (2020) Towards transparent human-in-the-loop classification of fraudulent web shops. International Conference on Legal Knowledge and Information Systems (JURIX 2020). PDF
D. Odekerken, A. Borg & F. Bex (2020) Estimating Stability for Efficient Argument-Based Inquiry. International Conference on Computational Models of Argument (COMMA 2020). PDF Extra materiaal (inclusief bewijzen en demo)
Ik ben geïnteresseerd in het snijvlak van AI en domeinkennis in de politiepraktijk. Hoe komt besluitvorming bij de politie tot stand en hoe kan AI (argumentatie dan wel ML) daaraan bijdragen? Om die twee werelden samen te brengen moeten beide transparanter worden voor elkaar. Dat betekent formele beschrijvingen van de politiepraktijk en XAI-oplossingen voor AI-toepassingen.
Publicaties:
J. Peters, F. Bex & H. Prakken (2022) Justifications Derived from Inconsistent Case Bases Using Authoritativeness. Proceedings of the 1st International Workshop on Argumentation for eXplainable AI (ArgXAI, co-located with COMMA ’22). PDF
J. Peters & F. Bex (2020) Towards a Story Scheme Ontology of Terrorist MOs. Proceedings of the 2020 IEEE International Conference on Intelligence and Security Informatics (ISI 2020). PDF
Uit onder andere het Nationale Politie Lab AI komen mooie nieuwe innovatie initiatieven voort. Als promovendus ga ik onderzoek doen naar het ontwikkelen van een methode die deze initiatieven kan begeleiden om ze door te ontwikkelen tot een operationele beschikbare dienst die meerwaarde levert voor de Politie als organisatie. Hierbij zal voornamelijk een initiatief dat gebruik maakt van spraak-naar-tekst en andere kunstmatige intelligentietechnieken een hoofdrol gaan spelen, met als doel om de administratielast binnen de organisatie te verlagen.