Achmea krijgt hagelschade in glastuinbouw sneller in beeld met machine learning

Stormen en hagelbuien zorgen soms voor grote schade, zeker lokaal. Vooral in de glastuinbouwsector worden hagelbuien gevreesd. Zo zorgde een hagelbui in Noord-Brabant in de zomer van 2016 voor vele miljoenen euro’s aan schade, verdeeld over 160 klanten van Achmea. De financiële dienstverlener is in Nederland marktleider in het verzekeren van glas- en gewasschade bij glastuinbouwondernemers. “Een van onze uitdagingen is om snel inzicht te krijgen in deze schades en daarmee onze schade-experts, taxateurs en noodhulpcoördinatoren beter in te zetten”, vertelt Martijn Feenstra Kuiper, productmanager bij Achmea. “Daarom zijn wij enkele jaren geleden begonnen met het gebruiken van luchtbeelden, gemaakt door helikopters, vliegtuigen en drones.”

De volgende stap was om deze beelden slimmer te gebruiken.

“In plaats van het inventariseren van de schade bij de kassen, met de honderden ruiten die verspreid in elke kas stuk waren, waren we nu bezig met het beoordelen van grote hoeveelheden foto’s. Dat is nog steeds een erg langzaam proces. We vroegen ons af of technologie, in het bijzonder machine learning, ons daarbij kon helpen.” Uit deze vraag werd Skye geboren, een oplossing die Achmea helpt om schades sneller te beoordelen. Reinier Buskens, datascientist bij Achmea, bouwde Skye met nog een collega. “Het is een combinatie van een SQL-server, een databricks-omgeving waarin je Python-scripts kunt aftrappen, een storage-omgeving in Azure waarin je foto’s laat landen en kunt beheren, een data factory – ook in de cloud – en nog wat andere functionaliteiten eromheen”, aldus Reinier.

Nieuwe oplossingen in beeld

“Het leuke van Skye is de modulaire opbouw”, zegt Reinier. “Die zorgt ervoor dat we meerdere modellen kunnen trainen, implementeren en gebruiken.” Dat trainen is overigens nog wel een uitdaging, omdat grote hagelschades zoals in Noord-Brabant weinig voorkomen. “Dat gebeurt misschien eens in de vier of vijf jaar, zodat er maar beperkte data beschikbaar zijn om het model te trainen. Daarom kijken we nu naar hoe we Skye frequenter kunnen inzetten, zoals voor het meten van schade na lokale windhozen. Dit om ervoor te zorgen dat als er zich weer zo’n grote calamiteit voordoet, het systeem daar klaar voor is.” Ondertussen komen met Skye ook nieuwe use cases binnen bereik. “Daar denken we veel over na. Neem bijvoorbeeld hulp in het buitenland. Onze schade-experts zitten vooral in Nederland, maar veel Nederlandse tuinders zijn in andere landen actief. Stel dat iemand in Canada bij ons een verzekering afsluit, waarom zouden we deze klant dan geen drone cadeau doen? Als hij dan schade heeft, kunnen we aan de hand van de daarmee gemaakte beelden toch snel helpen.”

Een andere use case is het werken met satellietbeelden.

“Een barst in een ruit van een kas ziet een satelliet nu nog niet. Maar een gat van twee meter bij één meter tachtig wel. En dat verbetert alleen maar. Met elke satelliet die de lucht in gaat, krijgen wij weer betere informatie. En wanneer wij door middel van luchtfoto’s ons model beter hebben getraind, kunnen we op termijn ook minder gedetailleerde beelden inzetten.” Het is overigens nog een hele opgave geweest om het model, dat gebouwd is met TensorFlow, te leren hoe het glasschade herkent. “We begonnen in 2018 met architecturen die zo complex waren dat het voor ons niet praktisch was. We konden al die beelden onmogelijk zelf labellen om het model te trainen. Dat deel wilden we juist aan de gebruikers in de business overlaten, om snel en wendbaar te zijn in onze modelontwikkeling.”

Simpele user interface

De oplossing voor dit vraagstuk vond Reinier toen hij een Google-captcha tegenkwam. “Ik dacht: waarom bouwen zelf niet zoiets? Het leek in elk geval een interessante oplossing voor het labelen van foto’s. En daarmee hebben we in korte tijd, in samenwerking met onze schade-experts, zoveel labels verkregen dat we een eerste model konden bouwen. We willen ook voor het detectiemodel, dat gebaseerd is op YOLO v3, toe naar een simpele user interface waarmee je makkelijk kunt labelen en trainen. Zodat het model ook echt van de schade-expert wordt en niet alleen een datascience-feestje is.”

Het model werkt nu zo dat foto’s door de leverancier worden klaargezet in een Amazon S3-opslagomgeving. “Op het moment dat de foto’s klaar worden gezet, worden ze via een data factory naar de Skye-omgeving gekopieerd. Skye gaat met de foto’s aan de slag en presenteert de expert in de rapportagetool Power BI een rapport met daarop een overzicht van de schades en een prioriteitenlijst die aangeeft welke kassen als eerste aandacht nodig hebben. Niet onbelangrijk: het volledige proces van schade beoordelen, dat voorheen minstens vijf dagen duurde, kan nu worden teruggebracht tot 48 uur.”

Tweakers Digital Meet-up AI

Tijdens de Tweakers Digital Meet-up AI vertellen Reinier en Martijn over Skye. Wat gaan zij het over hebben? “Natuurlijk zullen we het hebben over de ontwikkeling van het model”, zegt Reinier. “Maar eerlijk gezegd zou ik inmiddels al veel dingen anders doen, omdat je inzichten en ook de beschikbare technologie veranderen. Maar ook belangrijk is om te benadrukken dat het om een model gaat waarmee de gebruikers zich vertrouwd voelen, waardoor ze meer geneigd zijn om het te gaan gebruiken.” Verder wil Martijn de samenwerking benadrukken die het project zover heeft gebracht. “De samenwerking tussen de business en IT is wel de sleutel tot succes, daardoor hebben we nu technologie op de werkvloer op basis van machine learning die we kunnen toepassen en doorontwikkelen. Vergeet ook niet dat dit geen project is waar een heel team voortdurend mee bezig is geweest. Het verzekeren van glastuinbouw is een nichemarkt en onze afdeling is voor Achmea-begrippen vrij klein. Skye is echt tussen de bedrijven door ontwikkeld, steeds met hooguit twee ontwikkelaars en één specialist voor de integratie van het model. Dat je dan al zoveel kunt bereiken in een complexe bedrijfsomgeving vind ik best bijzonder.”