De Logica van Waterkwaliteit: Ontdekt met AI - Verbeeld in Data - Toetsbaar door Experts

In deze bijdrage laten we zien hoe unsupervised AI-technieken kunnen bijdragen aan krachtige dataverhalen. Waar visualisaties en dashboards informatie toegankelijk maken, laten deze technieken zien wat er gebeurt als we data zelf laten bepalen welke patronen en structuren belangrijk zijn. De data deelt zich daarbij vanzelf in groepen en regimes die inzicht geven in hoe een systeem zich in de praktijk gedraagt, zonder dat we vooraf aangeven hoe dat eruit moet zien. De gevonden patronen kunnen we vertalen naar duidelijke, technische regels: welke variabelen een regime kenmerken, welke drempelwaarden een omslag markeren en hoe deze condities tussen situaties verschillen. Dit levert een scherp en reproduceerbaar verhaal op dat eenvoudig te visualiseren is en direct inzetbaar is in communicatie richting beleid en besluitvorming. Daarna kunnen we causale verbanden in kaart brengen binnen deze structuren. AI-gestuurde causal discovery laat zien welke factoren elkaar daadwerkelijk beènvloeden en hoe die relaties per regime variéren. Hierdoor wordt het dataverhaal niet alleen beschrijvend, maar ook verklarend en sluit het goed aan bij de ervaringen van gebruikers. We nodigen organisaties uit om voorbeelden aan te dragen waarmee we samen aan de slag kunnen om met AI-gedreven patroonherkenning en causale analyse beter begrip, betere visualisaties en beter beleid te realiseren.