Artificial Intelligence

Monitoring van het sentiment op internet

Jeroen de Mol
Dirk van der Vliet
Kaylee Rietveld
Joaquin Diez Requejo

Januari 2023

Opdrachtgever: Chapterlead OSINT – DRIO Zeeland-West-Brabant

Eindgebruiker: OSINT-specialisten – DRIO Zeeland-West-Brabant
Agenda
• Strategische agenda politie
• Dienst Regionale Intelligence Organisatie Zeeland-West-Brabant
• Belang informatiepositie open bronnen

• AANLEIDING
- Aantal telegram berichten
- Hoe hebben wij dit aangepakt?
- Wensen en behoeftes

• Proof of concept  Demo

- Deployment lokaal
- Verantwoording sentimentmodel & NER model

• Kosten en baten
• Risico’s
• Implementatie

• Vragen
Strategische agenda politie
Dienst Regionale Intelligence Organisatie
Belang verzamelen van informatie uit openbronnen

Sectorhoofd Arie Bakker

“We hebben nog nooit gezien dat via sociale media in zo'n korte tijd zo veel
verschillende mensen en groepen met diverse achtergronden elkaar wisten te vinden
én daadwerkelijk de straat op gingen om te rellen."

Bron: BNDeStem 07-02-2021

Aanleiding
Hoe hebben wij dit aangepakt?
Wensen en behoeftes

Organisatie Gebruiker

- Betrouwbaar/explainable - Analyse sentiment van bronnen

- Zorgvuldig - Overzicht van bronnen
- Effectief en efficiënt - Inzoomen en filteren bronnen
- Kennisopbouwend - Data synchroniseren
- Inzicht in belangrijke onderwerpen
- Alerts
- Inzage gebruikers en berichten
Proof of concept DEMO
Deployment lokaal

- Python 3.9.0 >

- Telegram account

- Telegram API
Verantwoording sentimentmodel

Optimalisatie middels:
Support Vector Machine Classificatie - Tokenizer
- Verwijderen stopwoorden
- SuperVised Machine Learning Algorithme - Ngrams

-Hoge classificatie accuratie

-Doel: Scheiden van 2 + Klassen (Negatief, Postief, Neutraal)

-Middels: Hyperplane (subspace) ambient space Multidimentionaal

Verantwoording NER model
Optimalisatie middels:
Natural Language Processing - Verwijderen leestekens, emoticons,
interpuncties
- Deeplearning model - Verwijderen stopwoorden
- Tekst opdelen in losse woorden.
-Hoge classificatie accuratie

-Doel: Classificatie van tekst in entiteiten

-Veel getrainde datasets en python packages beschikbaar

Kosten en baten
Kosten Baten

- Implementatiekosten - Efficiëntie OSINT afdeling

- Serverkosten - Voldoening in werk OSINT-specialisten
- Installatiekosten - Verbeterde informatievoorziening DRIO
- Licentiekosten - Vergroting de-escalerende mogelijkheden politie (vermindering escalaties)
- Onderhoudskosten (FTE) - Verlaging kosten maatschappij

Jaarlijkse kosten Exclusief btw

Cloudomgeving vier gebruikers €10.800
Onderhoud en her trainen van het AI-model €15.238,80
Totale kosten per jaar €26.038,80
Geschatte baten: 4,5 miljoen euro (10% van 45 miljoen)
Risico’s

① Discriminatie AI-model
② Maatschappelijke onrust
③ Juridische limitatie
Implementatie
Vragen?