Nalevingsmodel Varkenswelzijn
- Publicatiecategorie
- Impactvolle algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
Algemene informatie
Thema
Begindatum
Contactgegevens
Link naar publiekspagina
Verantwoord gebruik
Doel en impact
Dit algoritme is bedoeld om de tijd van onze inspecteurs zo nuttig mogelijk te gebruiken. Sommige controles doen we bij bedrijven die door het toeval zijn uitgekozen. Zo houden we goed zicht op hoe het gaat met varkensbedrijven in het algemeen. Daarnaast doen we inspecties omdat we een melding hebben gekregen over iets wat mogelijk niet mag van de wet. Dat willen we dan snel uitzoeken en, zo nodig, aanpakken. Verder proberen we vooral bedrijven te inspecteren waar de kans groter lijkt dat de regels niet gevolgd worden. Dit algoritme helpt zulke bedrijven te vinden. Daarna volgt een inspectie zoals we die altijd doen. Het leidt ertoe dat we meer inspecties doen bij bedrijven waar iets aan de hand is, en minder bij bedrijven waar alles goed gaat. Inspecteren waar de risico's het grootst lijken moet van de wet; met dit algoritme kunnen we dat beter doen.
Afwegingen
Dit algoritme helpt ons bedrijven te vinden waar de kans groter is dat varkens niet volgens de wet gehouden worden. Dan kunnen we ingrijpen en zorgen dat de situatie verbetert. Dat is een groot voordeel. Het algoritme zorgt er ook voor dat we zeker weten dat we voor alle bedrijven de risico's op dezelfde manier berekenen, met informatie die we daarvoor mogen gebruiken. Dat is ook een voordeel.
Een mogelijk nadeel is dat het algoritme leert van eerdere inspecties. Dat zou er toe kunnen leiden dat het algoritme telkens dezelfde bedrijven voorstelt, of juist overslaat. Een ander mogelijk nadeel is dat inspecteurs misschien meer problemen zien als ze weten dat ze bij een bedrijf zijn omdat een algoritme dat heeft voorgesteld. Dat zou er toe kunnen leiden dat sommige bedrijven meer boetes krijgen omdat het algoritme ze beter kan vinden, niet omdat ze zich slechter houden aan de wet. Maar omdat we weten dat deze risico's er zijn, kunnen we ook maatregelen nemen om ze klein te houden. We zorgen er bijvoorbeeld voor dat inspecteurs niet zeker weten of een bedrijf door het algoritme is geselecteerd. Zo wordt hun oordeel niet beïnvloed.
We zijn van mening dat alles bij elkaar de voordelen groter zijn dan de nadelen.
Menselijke tussenkomst
Dit algoritme voorspelt voor elk varkensbedrijf de kans dat het zich niet aan de wet houdt. Van de bedrijven met de hoogste kansen maken we een lijst bedrijven om te inspecteren. Het aantal bedrijven op de lijst wordt bepaald door mensen, en ook de lijst zelf wordt met de hand gecontroleerd. Als we dan mogelijke fouten of verbeteringen ontdekken, passen we het algoritme aan. Vervolgens wordt elk bedrijf op de lijst bezocht door een inspecteur. Het algoritme geeft dus alleen advies over welke varkensbedrijven geïnspecteerd moeten worden. Het algoritme neemt geen beslissingen en geeft geen advies over de inspectie zelf.
Risicobeheer
Zoals we eerder schreven, zien we twee belangrijke risico's bij gebruik van dit algoritme. Het eerste is dat we sommige varkensbedrijven misschien te vaak of juist te weinig inspecteren. Om dit te voorkomen, nemen we verschillende maatregelen. Ten eerste blijven we altijd inspecties doen bij varkensbedrijven die door het toeval zijn uitgekozen. Zo controleren we of het algoritme echt helpt meer problemen op te sporen dan we anders zouden doen. Ten tweede vergelijken we de lijst varkensbedrijven die het algoritme voorstelt met de lijst van alle varkensbedrijven die er zijn. Als we merken dat het algoritme niet goed genoeg meer voorspelt waar er problemen zijn, of altijd hetzelfde soort bedrijven uitkiest of overslaat, dan verbeteren we het, of gebruiken we het niet. Daarnaast vragen we inspecteurs om hun ervaringen op basis van de uitgevoerde inspecties te delen. Hun feedback helpt ons om het algoritme verder te verbeteren.
Het tweede risico is dat het algoritme invloed zou kunnen hebben op wat inspecteurs denken van de bedrijven die ze controleren. Om te zorgen dat dit zo weinig mogelijk gebeurt, regelen we het zo, dat een inspecteur nooit zeker weet of een bedrijf door het algoritme is voorgesteld. Daarnaast leggen we goed uit dat het algoritme alleen een kans berekent. Dat een varkensbedrijf door het algoritme is voorgesteld, betekent echt niet dat er iets aan de hand is; alleen dat het lijkt op varkensbedrijven waar we eerder een probleem hebben gevonden.
In het algemeen denken we dat de risico's van het algoritme klein zijn. Er is veel menselijke controle; we doen ook inspecties waar het algoritme niks mee te maken heeft; en het totale aantal bedrijven dat op advies van het algoritme wordt geïnspecteerd is niet zo groot.
Wettelijke basis
- De Wet Dieren
- Besluit houders van dieren
Links naar wettelijke basis
- De Wet Dieren: https://wetten.overheid.nl/BWBR0030250/2024-07-01
- Besluit houders van dieren : https://wetten.overheid.nl/BWBR0035217/2024-07-01
Werking
Gegevens
Het algoritme gebruikt gegevens uit vier bronnen:
- Onze eigen inspectie resultaten,
- het systeem waarin varkenshouders de verplaatsing of sterfte van hun dieren moeten melden ('I&R'),
- de 'landbouwtelling', waarin alle boeren jaarlijks de kenmerken van hun bedrijf moeten opgeven,
- de 'basisadministratie adressen en gebouwen', waarin gegevens over alle Nederlandse gebouwen staan ('BAG').
Links naar gegevensbronnen
- I&R: https://www.rvo.nl/onderwerpen/identificatie-en-registratie-dieren/varkens-melden/varkens-verplaatsen
- landbouwtelling: https://www.rvo.nl/onderwerpen/gecombineerde-opgave
- BAG: https://www.kadaster.nl/zakelijk/registraties/basisregistraties/bag
Technische werking
Het algoritme is tot nu toe bij elk gebruik vernieuwd. Daarbij worden verschillende supervised machine learning technieken met elkaar vergeleken en de best voorspellende gekozen. We gebruiken deze technieken om automatisch de samenhang te leren tussen bedrijfskenmerken en inspectieresultaten. Daarvoor verdelen we alle beschikbare inspecties in een trainingset en een testset. Met de inspecties in de trainingset wordt de samenhang geleerd; met de inspecties in de testset wordt getoetst of de berekende samenhang ook voorspellend is voor inspecties die het algoritme niet eerder gezien heeft.
Leverancier
Soortgelijke algoritmebeschrijvingen
Detecteren risico’s in douaneaangiften voor toelating van levende dieren en veterinaire producten
Douane
Dit algoritme helpt de Douane om zich er altijd van te vergewissen wat de Nederlandse Voedsel- en Warenautoriteit (NVWA) heeft bepaald welke bestemming de zending mag krijgen. Het gebruikt onder andere aangiftegegevens van bedrijven en selecteert alle betreffende zendingen.Laatst gewijzigd op 2 april 2025 om 12:51 | Publicatiestandaard 1.0- Publicatiecategorie
- Impactvolle algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
Detecteren risico’s in douaneaangiften op niet-veterinaire diervoeders, voedermiddelen en additieven
Douane
Dit algoritme helpt de Douane en haar handhavingspartners om op basis van risico's goederen te selecteren voor controle. Het gebruikt onder andere aangiftegegevens van bedrijven en beoordeelt of er wel of juist geen risico's zijn op niet-conforme niet-veterinaire diervoeders, voedermiddelen en toevoegingsmiddelen.Laatst gewijzigd op 2 april 2025 om 12:48 | Publicatiestandaard 1.0- Publicatiecategorie
- Impactvolle algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
- Dit algoritme helpt de Douane om te controleren dat de niet-commerciële gezelschapsdieren hun verplichte gezondheidscontroles positief hebben ondergaan, zodat ze toegelaten mogen worden tot het grondgebied van de Unie. Het gebruikt onder andere aangiftegegevens van bedrijven en selecteert alle betreffende zendingen.Laatst gewijzigd op 2 april 2025 om 12:54 | Publicatiestandaard 1.0
- Publicatiecategorie
- Impactvolle algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
- Dit algoritme helpt de Douane om op basis van douaneaangiften en risico's goederen te selecteren voor controle. Het gebruikt onder andere aangiftegegevens van bedrijven en beoordeelt of er wel of juist geen verhoogde risico's zijn op naleving van de vergunningsplicht voor de invoer van diergeneesmiddelen.Laatst gewijzigd op 2 april 2025 om 12:46 | Publicatiestandaard 1.0
- Publicatiecategorie
- Impactvolle algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
Detecteren risico’s in douaneaangiften: binnenbrengen en invoer van niet-dierlijke levensmiddelen
Douane
Dit algoritme helpt de Douane en haar handhavingspartners om op basis van risico's goederen te selecteren voor controle. Het gebruikt onder andere aangiftegegevens van bedrijven en berekent of er wel of juist geen risico's zijn op niet-conforme levensmiddelen van niet-dierlijke oorsprong.Laatst gewijzigd op 2 april 2025 om 12:57 | Publicatiestandaard 1.0- Publicatiecategorie
- Impactvolle algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik