Hoe de dubbele AI-validatie een melding bijstelt
Kort antwoord
De eerste AI herkent wat er op de foto misgaat en stelt een ernst en een maatregel voor. De tweede AI weegt de omstandigheden eromheen en corrigeert die ernst als hij niet in verhouding staat. De veiligheidskundige ziet beide oordelen, beslist en kan alles overschrijven.
Een veiligheidsbeeld is pas bruikbaar als het klopt met de vloer. In een test bij een productiebedrijf hebben we die keten van begin tot eind laten lopen: mensen op de werkvloer maakten een foto van iets wat niet in orde was, spraken kort in wat ze zagen, en even later stond er een geclassificeerde melding met een voorgestelde beheersmaatregel klaar voor de veiligheidskundige. Dit artikel volgt een van die meldingen door de hele keten. We noemen bewust geen aantallen en geen doorlooptijden; wat telt is hoe de stappen elkaar corrigeren.
Hoe was de test opgezet?
De test draaide op de productieomgeving van Meldwijs, in een afgeschermde omgeving voor een productiebedrijf. We noemen dat bedrijf hier niet: de situaties zijn echt, de omgeving is dat niet. De beelden bij dit artikel zijn representatieve, AI-gegenereerde foto's zonder herkenbare mensen of plekken, zodat niemand terug te leiden is naar een specifieke locatie.
De keten zelf is niet nagespeeld. Iemand op de werkvloer opent de app, maakt een foto en spreekt of typt een korte toelichting. De eerste AI leest de foto en de toelichting, herkent het type onveilige situatie, vat het samen en stelt een ernst en een beheersmaatregel voor. De tweede AI toetst of die ernst proportioneel is. Daarna komt de melding met beide oordelen bij de veiligheidskundige, die beslist. Hoe die dubbele toets precies werkt, staat in ons artikel over dubbele AI-validatie van veiligheidsmeldingen.
Wat deed de eerste AI met de brandblusser?
Een medewerker fotografeerde een brandblusser die werd geblokkeerd door een stapel pallets, en sprak in wat hij zag. De eerste AI herkende het type situatie en zette de melding in de categorie brandveiligheid met de ernst hoog. De redenering was rechttoe rechtaan: een primair blusmiddel dat niet vrij bereikbaar is, hoort hoog te staan.
Bij die classificatie kwam meteen een voorstel voor de maatregel: haal de pallets weg en markeer de vrijhoudingszone rond de blusser, zodat de plek ook op langere termijn vrij blijft. Dat is het verschil met een los meldingenlijstje. De melding komt niet binnen als een klacht, maar als een voorstel waar een veiligheidskundige ja of nee tegen kan zeggen.
Waarom stelde de tweede AI bij naar middel?
De tweede AI kijkt niet naar het type gevaar maar naar de situatie eromheen. Die woog mee dat de blusser nog aanwezig en bereikbaar was, dat er geen acute branddreiging speelde en dat er geen vluchtweg was versperd. Op grond daarvan stelde hij de ernst bij van hoog naar middel, met die drie punten als onderbouwing.
De voorgestelde maatregel bleef staan. Het gevaar wordt dus niet weggewuifd, het krijgt de plek die het verdient in de rij. Dat onderscheid is het hele punt van de tweede stap: niet minder melden, maar beter ordenen wat er ligt.
Wat besloot de veiligheidskundige?
De veiligheidskundige zag beide oordelen naast elkaar: de classificatie van de eerste AI, de bijstelling van de tweede en de onderbouwing daarvan. Hij nam de bijstelling naar middel over, wees een verantwoordelijke aan en zette er een deadline op. Vanaf dat moment was het geen melding meer maar een actie in het plan van aanpak.
Had hij de eerste inschatting willen aanhouden, dan had hij die met een klik kunnen terugzetten. Elke keuze blijft zichtbaar in het dossier, naast wat beide modellen voorstelden. De AI stelt voor, de mens beslist, en achteraf is te zien wie wat vond.
Waarom telt bijstellen zowel omlaag als omhoog?
Veiligheidssystemen falen op twee manieren tegelijk. Ze blazen kleine dingen op, waardoor de echt urgente melding ondersneeuwt, en ze onderschatten af en toe iets ernstigs. Beide kosten vertrouwen. Wie te vaak loos alarm krijgt, gaat meldingen wegklikken. Wie ziet dat een serieuze melding bleef liggen, meldt de volgende keer niet meer.
Dat de tweede AI in dit geval naar beneden bijstelde, betekent dus niet dat de eerste het slecht deed. Bij een machinebeveiliging die met tape was overbrugd, bevestigde diezelfde tweede AI juist de zwaarste classificatie: dat is geen slijtage maar een bewuste ingreep die mensen blootstelt aan bewegende delen. Bevestigen is hier net zo waardevol als bijstellen, want het laat zien dat de toets de urgentie niet afvlakt waar die terecht hoog is.
Hoe wordt hier een veiligheidsbeeld van?
Losse meldingen zijn losse incidenten. Bij elkaar, geordend op categorie en ernst, vormen ze een beeld: waar knelt het, welk type gevaar komt vaker terug, wat vraagt als eerste aandacht. Dat beeld is niet iets wat je een keer per jaar opstelt en daarna in een la legt. Het beweegt mee met wat er op de vloer wordt gezien en gemeld.
Zo laat je ook je risico-inventarisatie meegroeien met de praktijk. Dezelfde meldingen die binnenkomen vanaf de werkvloer voeden het beeld waarop je stuurt, in plaats van dat je terugvalt op een momentopname van maanden geleden. Hoe je dat concreet aanpakt, staat in ons artikel over de RI&E actueel houden. En hoe je van losse waarnemingen naar een gestructureerde meldroute komt, lees je in de gids over onveilige situaties melden op de werkvloer.
De keten in het kort
| Stap | Wat er gebeurde bij de brandblusser |
|---|---|
| Melder op de vloer | Foto van de geblokkeerde blusser plus een ingesproken toelichting |
| AI 1: classificeren | Brandveiligheid, ernst hoog, met het voorstel de pallets te verwijderen en de vrijhoudingszone te markeren |
| AI 2: proportionaliteit toetsen | Bijgesteld naar middel: geen acute branddreiging, geen geblokkeerde vluchtweg, blusser nog bereikbaar |
| Veiligheidskundige | Nam middel over, wees een verantwoordelijke aan en zette een deadline |
Veelgestelde vragen
Wat laat deze case study zien?
Hoe een echte melding van de werkvloer door de hele keten loopt: een medewerker maakt een foto, een eerste AI classificeert en stelt een maatregel voor, een tweede AI toetst of die inschatting proportioneel is, en de veiligheidskundige beslist. We volgen een geblokkeerde brandblusser van foto tot toegewezen actie.
Waarom stelde de tweede AI de ernst naar beneden bij?
Omdat de omstandigheden meewogen. De blusser was nog aanwezig en bereikbaar, er was geen acute branddreiging en er was geen vluchtweg geblokkeerd. De eerste AI keek naar het type gevaar, de tweede naar de situatie eromheen. Daardoor ging de ernst van hoog naar middel.
Betekent bijstellen dat de eerste AI het fout had?
Nee. De eerste AI doet het herkennen en het benoemen, de tweede het wegen. Dat de tweede stap corrigeert, is geen fout maar de bedoeling. Waar de eerste inschatting klopt, bevestigt de tweede die gewoon.
Beslist de AI dus over de veiligheid?
Nee. De veiligheidskundige neemt het oordeel over of overschrijft het. In dit geval nam hij de bijstelling naar middel over, wees hij een verantwoordelijke aan en zette hij er een deadline op. Die keuze staat in het dossier, naast wat beide modellen voorstelden.
Zijn de getoonde situaties echt?
De situaties komen uit echte werkvloertests: een geblokkeerde brandblusser, ongezekerde gasflessen, versperde nooduitgangen, een overbrugde machinebeveiliging en een kabel over een looppad. De foto's op deze pagina zijn representatieve, AI-gegenereerde beelden zonder herkenbare personen of locaties.
Verder lezen en aan de slag
- Dubbele AI-validatie van veiligheidsmeldingen: hoe de twee AI-stappen elkaar controleren voordat een melding bij een mens komt.
- Onveilige situaties melden op de werkvloer: van foto en stem tot een gestructureerde melding met beheersmaatregel.
- RI&E actueel houden: hoe meldingen je veiligheidsbeeld laten meegroeien met de praktijk.
- Terug naar de kennishub voor alle gidsen over veilig melden en de RI&E.
Wil je dit op jouw situatie zien werken, van een enkele productiehal tot meerdere vestigingen? Plan een demo, dan laten we zien hoe een melding van foto tot maatregel loopt, met de dubbele validatie ingebouwd.