Beyond the MAP: open vragen uit het publiek

“Vorige week heeft het in mijn buurt hevig geregend. Als het volgende week opnieuw zo hard regent, waar kan er dan wateroverlast ontstaan?” Dat is het soort vraag dat ik mijn schoonmoeder aan een toekomstig geografisch informatiesysteem wil kunnen laten stellen. Het vat ook veel samen van wat ik wilde meebrengen naar het Beyond the MAP-panel in Sint-Niklaas op 10 september. Zij zou haar probleem moeten kunnen uitleggen zonder te weten welke datasets, hydrologische modellen of GIS-bewerkingen daarvoor nodig zijn. Toch vraagt het antwoord heel wat geografische kennis: wat telt als haar buurt, over welke regenbui het gaat, hoe reliëf en afwatering de uitkomst beïnvloeden, en hoe onzeker de voorspelling is. GIS makkelijk in gebruik maken, maakt GIScience nog niet makkelijk.

De aantrekkingskracht van GIS in natuurlijke taal is dat die complexiteit toegankelijk kan worden via een gewoon gesprek. De gebruiker beschrijft het probleem, en het systeem helpt uitzoeken hoe je het onderzoekt. Het antwoord kan nog altijd een kaart zijn: taal is uitstekend om de vraag te stellen, een kaart is vaak nog altijd uitstekend om het antwoord te begrijpen. Wat verandert, is hoe we daar komen. Kaarten zijn geëvolueerd van papier naar digitale, interactieve en dynamische voorstellingen, maar karteren blijft het proces van aspecten van de werkelijkheid selecteren en omzetten in iets bruikbaars. Ik zie als volgende stap dat mensen en intelligente systemen in dat proces nauwer samenwerken. Voorbij de kaart betekent niet voorbij de geografie.

Om die samenwerking te laten werken, moet geografische kennis de onderliggende intelligentie mee vormgeven. Mijn achtergrond in bewegende objecten en ruimtelijk redeneren, samen met mijn ervaring met kennisgebaseerde, datagedreven en generatieve benaderingen, maakt me bijzonder benieuwd naar hoe die elkaar kunnen aanvullen. Expliciete kennis kan randvoorwaarden uitdrukken, lerende methoden kunnen patronen blootleggen, en generatieve modellen kunnen helpen vragen te interpreteren en tools te verbinden. Daarom denk ik in twee richtingen: AI for Geo, maar ook Geo for AI. Geografie kan bijdragen aan AI zelf, want overtuigend praten over de wereld betekent nog niet dat je correct redeneert over haar ruimtelijke relaties. Onderzoek naar world models bekijkt hoe systemen uit waarnemingen en interacties kunnen leren om te voorspellen hoe fysieke situaties evolueren. Dat blijft een onderzoeksuitdaging, maar sensing, topologie, beweging en verandering in de tijd zijn problemen die onze gemeenschap al decennia bestudeert.

Die geografische competentie wordt extra belangrijk nu we van generatie naar delegatie gaan. Ik schrijf soms “aGENtic AI”, met GEN in het woord, omdat content genereren nuttig blijft terwijl de reikwijdte van het systeem groeit. Met toegang tot tools en procedures kunnen agents steeds meer werk uitvoeren. In een netwerkcontext zou een agent een veldrapport kunnen vergelijken met een digital twin, een afwijking onderzoeken en een update klaarzetten ter controle. Dat is een richting om te verkennen, waarbij de mate van autonomie afhangt van wat betrouwbaar werkt en wat er op het spel staat. Een verkennende analyse voorbereiden en een operationele instructie geven, dragen een andere verantwoordelijkheid. Mensen moeten dus doelen bepalen, bewijs controleren en beslissen wanneer ze ingrijpen; domeinexpertise wordt centraal in het superviseren van het werk.

Delegatie vraagt ons daarom om na te denken over de hele werkomgeving. Een GIS is niet alleen software, en een AI-systeem is niet alleen een model. Bij beide horen hardware, data, mensen en organisatorische afspraken die bepalen of een mogelijkheid in de praktijk bruikbaar wordt. Herbruikbare skills zijn hier interessant omdat ze expertise kunnen vertalen in procedures: welke bronnen je raadpleegt, welke controles je uitvoert en hoe je een resultaat rapporteert. Wanneer experts tekortkomingen vaststellen, kan hun feedback volgende versies verbeteren. Organisatorisch leren kan zich zo in een skill opstapelen, op voorwaarde dat we die bewust onderhouden en valideren. Zo kan kennis die in individuele interacties ontstaat, beschikbaar worden voor collega’s en toekomstige workflows.

Die controles zijn belangrijk, want vlotte antwoorden en het succesvol uitvoeren van tools tonen op zich niet aan dat een analyse klopt. Garbage in, garbage out blijft relevant, maar goede input alleen is evenmin een garantie: een systeem kan de vraag verkeerd begrijpen of een ongeschikte methode toepassen op betrouwbare data. Kwaliteit moet dus beoordeeld worden in functie van de beslissing, met onafhankelijke waarnemingen, gevestigde methoden en expliciete ruimtelijke randvoorwaarden, en met zichtbare onzekerheid. Voor kritieke infrastructuur zou ik het eenvoudig zeggen: laat het model het netwerk niet verzinnen, laat het het betrouwbare netwerk bevragen. Werk delegeren zou de verantwoordelijkheid duidelijker moeten maken, ook over wie beslist of het resultaat bruikbaar is.

Zodra we naar het hele systeem kijken, volgen er strategische vragen. Wie beheert de interface waarmee mensen vragen stellen, wie levert betrouwbare data, en wie coördineert de workflow? Die rollen kunnen verdeeld zijn over gevestigde GIS-leveranciers, gespecialiseerde GeoAI-organisaties en algemene AI-platformen. Ik zou geen winnaar voorspellen, maar die afhankelijkheden verdienen aandacht wanneer een organisatie beslist welke expertise en infrastructuur ze wil uitbouwen. Ze doen me ook het woord “transitie” in vraag stellen. Een transitie naar wat? Als voortdurende verandering de normale toestand wordt, hebben organisaties een blijvend vermogen nodig om zich aan te passen. Dat betekent brede AI-geletterdheid, naast mensen die de ontwikkelingen actief opvolgen, hun relevantie testen en ze naar de praktijk vertalen.

Voor mij brengt dit de discussie terug naar de vraag die ik mijn schoonmoeder zou willen laten stellen. Productieve samenwerking hangt af van het combineren van menselijke doelen, ervaring en oordeelsvermogen met systemen die helpen informatie te vinden, alternatieven te verkennen en werk uit te voeren. Mijn advies: word heel goed in je domein, en heel goed in het gebruik van AI binnen dat domein. Leren hoe je die competenties samenbrengt, is ook wat mijn betrokkenheid drijft als een van de senior experts die mee AI-Community@UGent uitbouwen. We delen ontwikkelingen in GenAI-technieken en bijna dagelijks praktijkvoorbeelden en best practices. Mensen binnen en buiten UGent zijn welkom om te volgen of bij te dragen. Interesse? Stuur me een e-mail en ik geef je toegang.