Naar de content

Op zoek naar smokkelaars op zee

Slimme algoritmes bekijken welke schepen een risico vormen

Een stroomdiagram van een bedrijfsproces.
Een stroomdiagram van een bedrijfsproces.
METIS, COMMIT/

Welke schepen op de Noordzee verdienen een bezoek van kustwacht of douane? Met een speciaal computermodel is dit makkelijker te achterhalen. Slimme algoritmes bekijken bijvoorbeeld hoe vaak een schip van naam is veranderd en waar de matrozen over ‘facebooken’.

Het is als het zoeken naar een speld in een hooiberg. Welke bemanning van de duizenden schepen die op de Noordzee varen, heeft minder goede bedoelingen? Operators kunnen wel een aantal schepen in de gaten houden, maar op het drukst bevaren gebied in de wereld is het ondoenlijk om ieder schip handmatig te volgen. Dan komen computers en algoritmes van pas.

Een algoritme is een serie opdrachten die de computer doorloopt. In dit geval combineren slimme algoritmes de informatie uit verschillende bronnen, zoals radarinformatie en data van social media. De computer schotelt daarmee de operator vervolgens een plaatje voor waarmee hij smokkelaars van wapens, mensen en drugs eenvoudiger kan traceren. Hij ziet in één oogopslag welke schepen een risico vormen en kan actie ondernemen. De kustwacht of de douane kunnen dan het schip controleren om vast te stellen wat er echt aan de hand is. Kustwacht controleert voor de veiligheid en naleving van wetten op zee, de douane is verantwoordelijk voor naleving douanewetgeving.

Welke schepen op de Noordzee verdienen een bezoek van kustwacht of douane? Met een speciaal computermodel is dit makkelijker te achterhalen. De Flintstone, het schip op de foto, is niet betrokken bij criminele activiteiten.

OceanflORE

Als promovendus bij de Radboud Universiteit hield de Duitse Steffen Michels zich met name bezig met het programmeren van deze algoritmes, als onderdeel van het Metis-project van Commit, waar verder de Vrije Universiteit Amsterdam, TU Delft, TU Eindhoven, onderzoeksgroep TNO-ESI en defensiebedrijf Thales betrokken zijn. Samenwerking met de experts van Thales werd gezocht om te achterhalen hoe criminelen te werk gaan. Die kennis is in het computermodel verwerkt zodat op de juiste aanwijzingen wordt gelet. “Als bijvoorbeeld de kleur van een schip op zee wordt overgeschilderd. Dan weet je dat de schipper iets te verbergen heeft en kun je er een patrouilleboot op afsturen.”

Kansmodel

De algoritmes combineren verschillende factoren, zoals snelheid en boottype. Via een trechtermodel zetten de wiskundige modellen ongestructureerde data om naar gestructureerde data. Een containerboot kan niet zo snel varen als een speedboot. Als een containerboot dat wel doet, dan klopt er iets niet: Of de snelheidsmeting klopt niet of er vaart een ander type schip dan opgegeven is.

De onderzoekers gebruiken ook data afkomstig van social media zoals MyShip.com, een ‘social en career website’ waarop crewleden uit verschillende landen van schepen over de hele wereld met elkaar in contact kunnen komen en kunnen laten weten op welke schepen ze nu en in het verleden hebben gevaren, welke rang ze hebben en of ze op zoek zijn naar ander werk. Michels erkent dat die informatie niet altijd betrouwbaar is. “We gebruiken daarom een kansmodel, dat dat het mogelijk maakt om de betrouwbaarheid van bronnen te modelleren. Het algoritme weegt op basis van alle beschikbare informatie, op basis van de betrouwbaarheid, de correctheid af en komt tot een conclusie.”

Een stroomdiagram van een bedrijfsproces.

De informatie uit de verschillende databases (rechts) leidt -gecombineerd met verschillende algoritmes – tot observaties, die de operator in het plaatje kan bekijken.
De operator kan op dit voorbeeld in één oog opslag zien dat de gegevens uit verschillende bronnen overeenkomen. Alle gegevens (rechts) hebben namelijk dezelfde kleur. Er is daarom geen reden om aan te nemen dat het schip zijn identiteit probeert te verhullen (bovenaan Hides Identity zit in het groen).
Het schip bevindt zich echter in een gebied waar het niet mag varen (Inside Restricted Area) met de lading die hij vervoert (Gross Tonnage Above 10.000 tons) en kan dus mogelijk gevaar zijn voor milieuschade (in ‘t rood voor Enviromental Hazard).

METIS, COMMIT/

De wiskundige modellen kijken vooral of de informatie van de verschillende bronnen overeenkomt. Het blijft een inschatting, legt de onderzoeker uit. Pas als douane of kustwacht naar het schip toegaan, weten ze of het alarm echt terecht was. Michels geeft een voorbeeld. “De ene bron zegt: ik ben een containerschip, de andere bron geeft aan dat het een passagiersschip is. Dat is verdacht. Of misschien klopt het wel dat het een containerschip is, maar blijkt uit andere data dat het schip in een gebied vaart, waar dat niet is toegestaan. Dan gaat er een belletje rinkelen. Maar het kan natuurlijk ook een fout in één van de databases zijn.”

Het onderzoeksproject is in 2016 afgerond, maar het systeem is nog niet in gebruik. De Radboud Universiteit kijkt naar de mogelijkheid van een vervolgstudie in samenwerking met de kustwacht. Ook wordt gekeken naar commerciële exploitatie van het ict-systeem.

Betrouwbaar schip of verdachte vaartuig

Slimme algoritmes bekijken welke schepen een risico vormen. De computer analyseert en de operator krijgt een plaatje voorgeschoteld. Rechts ziet hij de informatie die bekend is. Wat is de naam van het schip, was het eerder betrokken bij vervuiling of botsingen in het verleden, welke vlag voert het schip en wat is het identiteitsnummer (MMSI).

De informatie is afkomstig van meerdere bronnen. Bijvoorbeeld van MaritimeTraffic.com, waar met behulp van AIS-data scheepsbewegingen gevolgd worden. AIS (Automatic Identification Sysytem) is een systeem dat automatisch de identiteit en de positie van een schip via een marifoonkanaal uitzendt. En het algoritme bekijkt nieuwsbronnen, bijvoorbeeld van Press Association en IHS Fairplay, een internationale website over scheepvaart. De data van al deze bronnen wordt gecombineerd.

Het is gebruikers in een oogopslag duidelijk waar de problemen liggen. Als de cellen dezelfde kleur hebben, dan geven de bronnen dezelfde informatie. Als er meerdere kleuren opdoemen, betekent dit dat er iets aan de hand is. Het schip staat dan in verschillende systemen bijvoorbeeld onder een andere naam geregistreerd.

De operator kan de verschillende observaties in het plaatje bekijken. Is het schip bijvoorbeeld op zee overgeschilderd, bevindt het zich in een verboden gebied, heeft het ergens een vreemde manoeuvre uitgevoerd? Deze informatie leidt tot een hypothese, bijvoorbeeld dat het schip zijn ware identiteit verbergt. Die hypothese krijgt een score, bijvoorbeeld niet waarschijnlijk of zeer waarschijnlijk. Of basis van de hypothese kan de operator ingrijpen.

Een visualisatie van schipgegevens waarbij alarmbel is gaan rinkelen vanwege het niet overeenkomen van gegevens. De operator kan door met zijn muis over het scherm te bewegen verschillende namen van het schip checken en kijken wat voor effect dat heeft op redenering over mogelijk verdacht gedrag.
In dit voorbeeld heeft het schip twee verschillende namen ‘Black Pearl’ en ‘Flying Dutchman’. Onder de naam Black Pearl verschillen de kleuren rechts wat betekent dat gegevens niet met elkaar overeenkomen. Het lijkt erop dat het schip zijn identiteit verborgen wil houden (Rood voor Hides Identity) en kan dus mogelijk een smokkelaar zijn (Lichtrood voor Is Smuggling).

ReactiesReageer