Zeg AI, hoe werk je veilig?

Hey copilot, vertel me wat ik moet doen om te voorkomen dat mijn medewerkers van de trap vallen. 

De vraag

Ik ben sinds kort de gelukkige bezitter van copilot, een general AI product waarvan ik de fabrikant maar even achterwege laat. Ik kan me voorstellen dat veiligheidskundigen, van welke oorsprong of aard dan ook, een dergelijke vraag al eens aan een Gen-AI product heeft gesteld. Dit is het antwoord op deze vraag: 

“Het voorkomen van valpartijen op trappen is essentieel voor de veiligheid op de werkplek. Hier zijn een paar effectieve maatregelen die je kunt nemen om je medewerkers te beschermen:

1. Duidelijke en goede verlichting – Zorg ervoor dat trappen goed verlicht zijn, zodat treden goed zichtbaar zijn, vooral in gebieden met weinig daglicht.
2. Antislipmaterialen gebruiken – Leg antislipstrips op de treden of gebruik een slipbestendige vloerbedekking om uitglijden te voorkomen.
3. Stevige leuningen installeren – Leuningen aan beide zijden van de trap zorgen ervoor dat medewerkers zich kunnen vasthouden en hun balans behouden.
4. Trappen vrijhouden van obstakels – Zorg ervoor dat er geen losse voorwerpen zoals dozen, kabels of tassen op de trap liggen.
5. Duidelijke markeringen aanbrengen – Markeer de randen van de treden met een contrasterende kleur om ze beter zichtbaar te maken, vooral bij ongelijke treden.
6. Veiligheidsbewustzijn bevorderen – Train medewerkers in veilig trapgebruik en moedig hen aan om voorzichtig te lopen en niet te haasten.
7. Regelmatig onderhoud uitvoeren – Controleer de trap op slijtage, losse treden of beschadigde leuningen en repareer deze indien nodig.
8. Strikte regels voor veiligheid opstellen – Denk aan richtlijnen zoals het verbod op telefoongebruik of zware ladingen dragen tijdens het traplopen.
9. Alternatieve oplossingen overwegen – Als de trap vaak wordt gebruikt, kun je overwegen een lift of een extra trapleuning te installeren voor extra veiligheid.

Als je specifieke uitdagingen hebt binnen jouw bedrijfslocatie, kan ik meedenken over een gerichte aanpak!”

En dan volgen er een aantal commerciële suggesties om een specifiek merk antislipproducten te kopen, én een link naar een bedrijf die graag jouw de data in jouw bedrijf synchroniseert (vooralsnog zonder enige link naar veiligheidsdata.) 

Ook als je niet zo tevreden was over het antwoord geeft onze oefening inzicht over hoe AI het werk van veiligheidskundigen gaat veranderen. Laten we dit voorbeeld gebruiken om het probleem van een aantal verschillende perspectieven te bekijken. 

Perspectief 1: vanuit de technologie

Wat wij in de volksmond als ‘GenAI’ bestempelen, is in werkelijkheid een complex taalmodel. Het gaat wat te ver om de technologie in detail te bespreken maar taalmodellen doen precies wat de naamgeving suggereert: taal genereren. 

Bij GenAI taalmodellen zit er zoveel taal in het model dat het lijkt alsof op elke vraag een antwoord kan worden gegeven. Veel kennis wordt immers in taal opgeslagen, als je er vanuit gaat dat alle taal in het model is opgenomen, zou alle kennis in principe beschikbaar moeten zijn. 

Maar de werkelijkheid is weerbarstig. Wat een taalmodel in de achtergrond doet, is zoeken naar woorden en taal die het beste passen bij de taal en de concepten die jij in jouw vraag aandraagt. Taal voor taal dus. Hoe dat precies werkt is zelfs voor de ontwikkelaars van de software niet duidelijk. De technologie werkt als een ‘slimme Black Box’, de antwoorden worden (buiten taal) zonder inhoudelijke modellen gegeven. 

Perspectief 2: vanuit risicomanagement

Nu bestaat risicomanagement, net als veel andere vormen van management, voor een groot gedeelte uit taal. Ambities voor veiligheid worden in taal geformuleerd. Plannen, doelen, leercirkels, protocollen, incidenten, gesprekken… alles wordt in taal uitgedrukt. 

Wat voor de (veiligheids)manager belangrijk is, is dat in die taal concepten zijn vastgeklonken die het belang van taal overstijgen. De juiste interpretatie van die concepten is belangrijk. Bijvoorbeeld: als de woorden ‘dode collega’ maar één keer voor komt in het hele veiligheidsmanagementsysteem is dat toch héél belangrijk. 

Om die betekenis te vangen, gebruiken we kennismodellen. Dat kunnen veiligheidsmodellen zijn, zoals een bowtie of de PDCA cyclus. Maar het kunnen ook lijsten van definities zijn, zogenaamde ontologieën. Mits dat in AI wordt ondergebracht spreek je van ‘Modelrijke AI’. En even voor de duidelijkheid, daar is bij ons voorbeeld geen sprake van.

Perspectief 3: vanuit het antwoord 

Deze specifieke AI-oplossing geeft een inhoudelijk antwoord op een relatief oppervlakkige veiligheidskundige vraag. Op het éérste gezicht zijn dit handige adviezen, ware het niet dat ze erg algemeen zijn. 

Ja, het is een goed idee om de fysieke staat van de trap zo in te richten dat je minder makkelijk valt (punt 1, 2, 3 & 5) en om deze optimale staat in stand te houden (punt 7). En ja, je kunt mensen instrueren (punten 4, 8) en veiligheidsbewustzijn bevorderen (punt 6). En natuurlijk zou je ook alternatieven aan kunnen bieden (punt 9). 

De antwoorden kunnen worden gegeven omdat er simpelweg veel data beschikbaar is in het taal model. Je kunt hetzelfde model bijvoorbeeld ook vragen hoe je het beste tomaten kunt kweken in je achtertuin of wat de leukste toeristische attracties in Timboektoe zijn kunnen vragen. Hier is het antwoord in ons voorbeeld een verschijningsvorm van de kracht van Big Data. 

Perspectief 4: vanuit de implementatie

Evengoed zal je bedrijf vraagtekens bij jouw advies zetten als je de adviezen in ons voorbeeld overneemt en voorstelt om alle trappen te vervangen. En het veiligheidsbewustzijn vergroten (punt 6) is een mooi streven maar dat gaat over het algemeen verder dan de trap. Zou ik de vraag kunnen verfijnen om betere antwoorden te krijgen? Ja dat kan en dat is waar het voor veiligheidskundingen interessant wordt. Het construeren van vragen aan een GenAI heet prompt-engineering. 

Daarmee kunnen heel specifieke vragen worden gesteld, zeker als je de context en (een deel van de) inhoud van je vraag mee kunt geven. Ik daag de lezer uit om de volgende applicaties op het internet te vinden: het automatisch generen van bowties, het analyseren van interviews of auditrapporten en/of geschreven incidentrespons genereren. Daarmee lijkt het erop dat een GenAI, mits goed uitgevoerd, de veiligheidskundige kan helpen in haar werk. 

Als je je op dat pad bevindt, ben je eigenlijk onderdeel van een hybride-intelligentie team waar menselijke en machinale AI elkaar versterken. Als je daar handig in bent kun je veiligheidskundig meer presteren met AI. 

De grote vier van AI

Met deze perspectieven botsen wij op de vier belangrijkste manieren waarop veiligheidskundingen AI kunnen gebruiken om meerwaarde te creëren: 

• slimme Black Box (snel basiskennis verzamelen, documenten opstellen en proleemgebieden definieren);
• modelrijke AI (snel gestructureerd kennis verzamelen, modellen toetsen, data verzamelen);
• Big Data (meer leren door veel data met elkaar te combineren volgens het 1+1 = 3 principe); en
• meer presteren met AI (sneller en slimmer werken, meer analyseren, betere conclusies trekken). 

Daarmee leggen we een conceptueel fundament onder de toekomst van de veiligheidskundige met AI. Je kunt in principe met allerlei veiligheidsdata beginnen om de AI-route in te slaan (grote incident-databases, bowties, sensordata etc.) Maar je kunt dus ook beginnen met en cursus prompt-engineering en een GenAI chatbot.