Op 17 mei 2023 heeft EU-OSHA zestien casestudies gedeeld, om inzicht te geven in hoe taken kunnen worden geautomatiseerd met behulp van op AI gebaseerde systemen, en hoe dit het welzijn van werknemers kan bevorderen. Deze studies kijken naar de impact van deze systemen op veiligheid en gezondheid op het werk. Ze brengen ook in kaart wat de drijvende krachten zijn, wat de obstakels kunnen zijn en wat de succesfactoren zijn voor het optimaal gebruik van deze technologie, terwijl werknemers tegelijkertijd worden beschermd.
De casestudy "An artificial intelligence-based system for visual recognition of hazardous particles in an air sample (ID8)" behandelt hoe een Duits onderzoeksinstituut een AI-gestuurde microscoop gebruikt. Dit apparaat analyseert elektronenbeelden en classificeert vezels naar grootte, waardoor handmatige, repetitieve taken worden geëlimineerd en het risico op monsterbesmetting vermindert. Dit leidt niet alleen tot tijdsbesparing, maar verbetert ook de groepsdynamiek, doordat de nadruk in discussies en interacties nu op relevantere, intellectuele en productieve onderwerpen ligt.
1 Bedrijfsprofiel en situatieschets
Een Duits onderzoeksinstituut, opgericht in de jaren '90,
legt zich toe op arbeidsveiligheid en -gezondheid, met een team van meer dan
500 mensen. Het geeft politiek advies, biedt operationele richtlijnen en voert
onderzoek uit in velden zoals werkveiligheid, arbeidsomstandigheden en
werknemersgezondheidsrisico's. Het gebruikt AI om het welzijn op de werkvloer
te verbeteren en trends in de werkomgeving op te sporen. Daarnaast ontwikkelt
het innovatieve veiligheidsmaatregelen en houdt het rekening met
veiligheidskwesties bij nieuwe technologische en organisatorische ontwikkelingen.
Een speciale onderzoeksafdeling van het instituut focust op
gevaarlijke stoffen, zoals nanomaterialen. Ze onderzoeken de impact van
blootstelling en materiaalmorfologie, en ontwikkelen tests en preventieve
strategieën. Om dit te doen, gebruiken ze hoogstaande apparatuur voor metingen
en analyse van deeltjes en beeldvorming. Recente toevoegingen zijn AI-systemen
die onderzoekers helpen bij het vaststellen van het aantal specifieke
vezelmaterialen in een monster. Analyse van de dichtheid van gevaarlijke
deeltjes in luchtmonsters vraagt om geavanceerde technieken. Vroeger vereiste
detectie en classificatie van deze deeltjes handmatig werk. De nieuw
ontwikkelde AI kan de beeldvorming van de elektronenmicroscoop analyseren, en
vezels op het filter opsporen en classificeren naar grootte. Voor de analyse
worden enkel biopersistente vezels met specifieke groottecriteria meegenomen.
2 Implementatie
Het onderzoeksteam ontwikkelde het AI-systeem zelf,
beginnend in 2015. Aanvankelijk was er geen AI betrokken, maar de invoeging van
een neuraal netwerk verbeterde de efficiëntie. Het leerproces van dit netwerk
moest herhaaldelijk worden aangepast voor betere resultaten, en het wordt
continu bijgeschoold om de precisie te verhogen. De implementatie is dus in zekere
zin nog steeds aan de gang.
Het volledige team was betrokken bij dit proces, met één
hoofdontwikkelaar. Anderen hielpen met het maken van de trainingsgegevens.
Gedurende de ontwikkeling werd de noodzaak voor hardware-upgrades duidelijk. Na
goedkeuring van de financiële afdeling, kon deze upgrade plaatsvinden.
Het implementatieproces was toegankelijk en redelijk
zelfstandig binnen de onderzoeksgroep, die de bevoegdheid had om de
AI-ontwikkeling te starten en de technische vaardigheden om hun ideeën uit te voeren.
3 Problemen en hindernissen bij de uitvoering
Tijdens de ontwikkeling van het AI-systeem, waren er vooral
technologische struikelblokken. De eerste uitdaging was het vinden van
kwalitatieve trainingsdata om de AI op te scholen. Dit had deels te maken met
menselijke fouten en initiële AI-keuzes rond het omgaan met uitzonderingen,
zoals een vezel die een afbeeldingsrand raakt of het correct identificeren van
overlappende vezels. Bij het gebruik van transfer learning merkte het team dat
het systeem soms vaardigheden verloor bij de overgang van de ene naar de andere
situatie. Maar door dit te combineren met versterkend leren, werd een voldoende
analytisch niveau bereikt.
4 Impact op veiligheid en gezondheid op het werk
De invoering van geavanceerde robotica of op AI gebaseerde
systemen kan een brede impact hebben op veiligheid en gezondheid op het werk
(VGW). Het kan een aantal uitdagingen en kansen met zich meebrengen die uniek
zijn voor elke casestudy. Daarom is het belangrijk om mogelijke belemmeringen
en drijfveren in kaart te brengen om er in toekomstige projecten rekening mee
te houden. Deze nieuwe vormen van taakautomatisering kunnen zelfs leiden tot
veranderingen in het algemene VGW-beheer van een bedrijf. Via de interviews
zijn een aantal van deze factoren voor deze specifieke casestudy
geïdentificeerd en besproken.
Afbeelding: AI-gebaseerd systeem voor visuele herkenning van gevaarlijke deeltjes, met uitdagingen en kansen voor VGW. Bron: case-rapport, p. 10.
4a Uitdagingen
- Wantrouwen: Het systeem wordt
gebruikt om veiligheids- en gezondheidsfactoren op de werkvloer te
beoordelen. Een bijhorende uitdaging is om een zo onbevooroordeeld
mogelijk systeem te bouwen. Elke bias kan het vertrouwen erin ondermijnen
en ervoor zorgen dat derden hun werkplekmonsters niet laten analyseren.
- Betrouwbaarheid: Als het AI-systeem te
gevoelig is, kan dit hoge kosten veroorzaken voor bedrijven zonder de
situatie voor hun werknemers daadwerkelijk te verbeteren. Als het niet
gevoelig genoeg is, kunnen werknemers blootgesteld worden aan deeltjes,
zoals asbest, met gezondheidsrisico's als gevolg. De uitdaging ligt dus in
het ontwikkelen van een betrouwbaar, onbevooroordeeld systeem dat zo
nuttig mogelijk is voor de veiligheid en gezondheid op het werk.
- Vergelijkbare
resultaten:
Aanvankelijk was het moeilijk om kwalitatieve trainingsdata te selecteren.
Dit werd echter overwonnen naarmate het project vorderde. Ook ontbreken
systemen waarmee ze hun technologie kunnen vergelijken. Er zijn momenteel
geen andere labs die dit type analyse gebruiken, dus de onderzoekers
kunnen hun metingen niet valideren met onafhankelijke resultaten.
Dergelijke vergelijkingen zouden helpen om het proces te bekrachtigen.
4b Kansen
- Werkdruk en mentale
vermoeidheid:
Het handmatig selecteren van vezels op beelden voor analyse is een saaie
en vermoeiende taak. De komst van het nieuwe systeem vermindert zowel de
werkdruk als de mentale belasting van onderzoekers.
- Werkplezier: Door het automatiseren
van saaie taken, kan de werktevredenheid toenemen. Het AI-systeem kan
hierbij helpen als het correct geïmplementeerd wordt.
- Veiligheid en gezondheid
op de werkplek:
Het AI-systeem kan ook helpen bij het verzamelen van gegevens over de
luchtkwaliteit op de werkplek. Onderzoekers kunnen monsters nemen en het
systeem deze laten analyseren. Met deze informatie kunnen ze
tegenmaatregelen nemen als er gevaarlijke deeltjes worden gedetecteerd.
- Vermindering schermtijd: Het handmatige
analyseproces was tijdrovend en moest achter een computer worden
uitgevoerd. Door automatisering kan de tijd die aan een scherm wordt
doorgebracht verminderen. Hierdoor hebben onderzoekers meer tijd voor
andere taken die minder of geen schermtijd vereisen. Toch blijft langdurig
zitten en excessieve schermtijd een punt van aandacht. De impact van een
AI-systeem op de totale schermtijd kan per case verschillen.
5 Belangrijkste bevindingen
Deze studie illustreert de unieke rol van AI in zowel
automatisering als in VGW. Hierbij zien we dat naarmate AI-systemen verbeteren,
ze kunnen bijdragen aan het ondersteunen van VGW-onderzoek en -management op
grotere schaal. Dit specifieke AI-systeem is gespecialiseerd in het analyseren van
één type afbeelding, en doet dit sneller en mogelijk nauwkeuriger dan
individuele onderzoekers. De automatisering van deze taak leidde niet tot angst
voor baanverlies, maar werd eerder gezien als een kans om zich meer te richten
op taken waarin de onderzoekers gespecialiseerd zijn en plezier hebben. Het
belang van onafhankelijke systeemvergelijkingen om de betrouwbaarheid van een
AI-systeem te valideren, wordt benadrukt. Naarmate er meer AI-systemen
ontwikkeld worden, zal dit makkelijker worden.
In deze studie demonstreert het AI-systeem hoe AI VGW kan
verbeteren zonder verstoring op de werkvloer. Het automatiseert een saaie,
tijdrovende taak en voert deze even goed of beter uit dan mensen. Dit laat
werknemers vrij om zich te richten op taken die creatief denken en
probleemoplossing vereisen.
Bronnen:
EU-OSHA -
Using AI for task automation while protecting workers: eight case studies
provide new insights https://osha.europa.eu/en/highlights/using-ai-task-automation-while-protecting-workers-eight-case-studies-provide-new-insights
EU-OSHA – Publications https://osha.europa.eu/en/publications