Anders dan verwacht; (mis)lukkingen

De kennisuitwisselingsbijeenkomsten Hydroinformatica worden georganiseerd in het kader van Waterwijs, het gezamenlijke onderzoeksprogramma van Nederlandse en Vlaamse waterbedrijven. Een belangrijk doel van deze bijeenkomsten is het uitwisselen van praktijkervaring en kennis in thematische bijeenkomsten.

Intelligent falen

Geertje Pronk (KWR) begon de bijeenkomst met een overzicht van verschillende soorten ‘falen’. Simpel (je doet iets fout), Complex (er is een samenloop van omstandigheden) en Intelligent (bewust en zorgvuldig experimenteren). In het Waterwijs ‘Verkennend onderzoek’ programma is er ruimte om onderwerpen te verkennen waarvan de uitkomst onzeker is. Ook de keuze om op basis van een goede onderbouwing iets niet te vervolgen is binnen het programma een waardevolle uitkomst. Elk verkennend onderzoek resulteert in een rapport. Geertje benadrukt dat het publiceren van negatieve resultaten erg belangrijk is, zodat niet meerdere malen wordt geïnvesteerd in iets wat niet werkt.

Afbeelding 1: Verschillende typen van falen.

AI: begin klein en eenvoudig… op een van je grootste problemen

Alex van der Helm (Waternet) nam ons mee langs verschillende leermomenten in data science projecten, die breed herkend werden. Wat goed werkt is incrementeel te werk gaan met het einddoel voor ogen. Eerst een klein, maar essentieel probleem aanpakken met AI in plaats van direct het complexe geheel. Een andere tip van Alex is om de basis voor implementatie van een data science project eerst goed op orde te hebben. Als er bijvoorbeeld geen automatische dataflow is voor een data-intensief project, kost dit erg veel tijd en staat dit het succes van implementatie in de weg. Ga dan eerst aan een ander geprioriteerd project werken waar de dataflow wel al gereed is, want de grootste waarde van data science projecten zit vaak in het automatisch continu gebruik. Een andere tip is om herbruikbare data- en codecomponenten te maken met versiebeheer. Het kost meer tijd, maar zelfs al wordt een project geen succes, dan kan je de onderdelen wel gebruiken voor volgende projecten. Ook is het goed om breed te informeren wat plannen binnen het bedrijf zijn, om te voorkomen dat een project niet meer compatibel is met toekomstige ontwikkelingen. Als laatste noemt Alex dat collega’s ieder hun eigen expertise hebben bij het ontwikkelen van data science oplossingen. Een Data scientist is bijvoorbeeld geen machine learning (ML) engineer en een ML engineer is geen Product owner. Je hebt al deze expertises nodig voor een succesvolle implementatie. Dat niet onderkennen kan demotiverend zijn voor de betrokkenen. Dat is zonde en het is te voorkomen.

Afbeelding 2: Als het niet gaat zoals verwacht, is er vaak waardevolle informatie te delen.

Kloof tussen model en praktijk

Peter van Thienen (KWR) nam de deelnemers mee in een aantal projecten rond numerieke optimalisatie van drinkwater- en sensornetwerken met KWR’s optimalistietool Gondwana die anders gingen dan verwacht, en wat we daaruit kunnen leren. In de praktijk zat er soms een kloof tussen model en praktijk. Probleemdefinitie met eindgebruikers was een uitdaging. Het was ook een uitdaging dat geleverde netwerkmodellen niet altijd volledig waren, er extra omstandigheden waren waar geen rekening mee was gehouden, of relevante gegevens moeilijk te achterhalen of niet formeel vastgelegd waren. Er was heel veel data nodig van de drinkwaterbedrijven. Met de lessen uit de eerste projecten is een meer interactieve werkwijze ontwikkeld, waarmee Gondwana uiteindelijk  toegepast is bij en met negen drinkwaterbedrijven en de resultaten van de optimalisatieberekeningen in de praktijk worden toegepast.  Een mooie opsteker is dat Gondwana is genomineerd voor de Waterwijs implementatieprijs 2025.

Afbeelding 3: Een gat tussen theorie en praktijk overbruggen.

Een spel rond falen en slagen

Voor bedrijven is het belangrijk goed om te gaan met het gegeven dat een project kan falen. Medewerkers moeten zeker niet het gevoel krijgen dat ze het niet meer moeten proberen, want dat is uiteindelijk geen gunstig uitgangspunt. Tessa Pronk (KWR) bracht de deelnemers tot dit inzicht met een strategiespel dat gebaseerd was op speltheorie. Deelnemers van de kennisuitwisseling waren in het spel medewerkers in een startup en konden jaarlijks beslissen om innovaties uit te werken, of hun dagelijkse werkzaamheden te blijven doen. Het was interessant om te zien dat wat de medewerkers deden als individu van invloed was op het resultaat van allen èn de startup.

Altijd bijvangst bij ‘mislukkingen’

Zoals bij elke bijeenkomst werd afgesloten met een discussie. Er werd opgemerkt dat ‘mislukken’ voor een deel ook perceptie is. Zit iets tegen, of noem je het mislukt? Of kan je je doel gewoon aanpassen, en past het dan wel. Wat belangrijk werd gevonden is dat bij elk mislukt project je wel verder komt dan je was; veelal zijn individuele onderdelen wel heel geslaagd. Er is een leerproces dat je anders zou missen. Het is wel belangrijk om projecten in een zo vroeg mogelijk stadium af te sluiten, als blijkt dat iets echt niet mogelijk is. Dit kan veel kosten schelen. Er werd ook aangegeven dat een project in principe succesvol kan zijn, maar dat het alsnog kan mislukken als het niet ‘landt’ bij de juiste personen. De bijeenkomst gaf de deelnemers een gelegenheid stil te staan bij het feit dat niet altijd alles gaat zoals gepland, maar dat dit ook waardevol kan zijn vooral als het om ‘intelligent’ falen gaat