Datagedreven Politiewerk

Veel belangrijke feiten bij de politie staan opgeslagen als ongestructureerde vrije tekst. Deze gegevens zijn moeilijk te analyseren voor een computer. Machine Learning modellen kunnen helpen om de data inzichtelijk te maken door bijv. de data te categoriseren of informatie te extraheren. Veel van deze modellen vereisen vaak gelabelde trainingsvoorbeelden, d.w.z.van de teksten en de gewenste uitkomst. Het labelen is een tijdrovend proces als dit handmatig moet worden gedaan. In mijn onderzoeksproject onderzoek ik hoe technieken zoals Active Learning kunnen worden gebruikt om efficiënt modellen te maken die werken op (politie) teksten en om snel alle relevante informatie voor een zoekvraag te vinden.

In hoeverre kan de kennis in een machine learning model worden geformaliseerd tot een gestructureerde kennisrepresentatie ten behoeve van transparant en uitlegbare besluitvorming? Door machine learning te combineren met een gestructureerde kennisrepresentatie kunnen de respectievelijke voordelen van beide methoden worden benut. Met machine learning modellen kan kennis worden gevat uit data en door deze kennis te formaliseren in een gestructureerde kennisrepresentatie kan deze uitlegbaar en robuust worden aangeboden. Dit onderzoek zal zich richten op het formaliseren van kennis in de vorm van Computationele Argumentatie met behulp van Graph Neural Networks en Large Language Models.

Informatie uit sociale media kan een belangrijke rol spelen voor het herkennen en duiden van incidenten tijdens grootschalige evenementen zoals protesten en demonstraties. Om meer zicht te krijgen wat er zich in de toekomst kan afspelen kijken we naar tekstuele structuren in berichten die geplaatst zijn op bekende sociale media platformen, waarbij we voornamelijk geïnteresseerd zijn in hoe groepen met elkaar communiceren en welke onderwerpen gevoelig liggen binnen die groepen.Divergentiepathronen van mircoblogs gerelateerd aan opkomende demonstraties in combinatie met groepsdynamische processen liggen ten grondslag aan dit onderzoek.

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:
Odekerken, D., Lehtonen, T., Borg, A., Wallner, J.P. & Järvisalo, M. (2023). Argumentative Reasoning in ASPIC+ under Incomplete Information (pdf, 244kb). Proceedings of the 20th International Conference on Principles of Knowledge Representation and Reasoning (KR'23). Supplement.

Odekerken, D., Borg, A. & Berthold, M. (2023). Accessible Algorithms for Applied Argumentation (pdf, 5.1mb). First International Workshop on Argumentation and Applications (App&Arg'23). Source code Visual Interface Documentation

Odekerken, D., Bex, F., & Prakken, H. (2023). Justification, Stability and Relevance for Case-based Reasoning with Incomplete Focus Cases (pdf, 632kb). Proceedings of the 19th International Conference on Artificial Intelligence and Law (ICAIL'23). Implementation and Demo Extended version with full proofs

Odekerken, D. (2022). Justification, Stability and Relevance for Transparent and Efficient Human-in-the-Loop Decision Support (pdf, 379kb). In Online Handbook of Argumentation for AI, Vol. 3.

D. Odekerken, F. Bex, A. Borg & B. Testerink (2022) Approximating Stability for Applied Argument-based Inquiry (pdf, 1.22 mb). Intelligent Systems with Applications.

D. Craandijk & F. Bex (2022) EGNN: A Deep Reinforcement Learning Architecture for Enforcement Heuristics (pdf, 107 kb). Proceedings of the ninth International Conference on Computational Models of Argument (COMMA’22).

A. Borg & D. Odekerken (2022) PyArg for Solving and Explaining Argumentation in Python: Demonstration (pdf, 240 kb). Proceedings of the ninth International Conference on Computational Models of Argument (COMMA’22). GitHub Visualization

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 (2023) Model- and data-agnostic justifications with A Fortiori Case-Based Argumentation (pdf, 839 kb). Proceedings of the 19th International Conference on Artificial Intelligence and Law (ICAIL'23).

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.