Experimentele AI-camera’s in Griekenland blijken aanzienlijk onnauwkeurig, waardoor het meeste werk terug bij menselijk toezicht terechtkomt. Dit artikel kijkt naar wat er misging, waarom handmatige controle onmisbaar blijft en welke lessen andere landen hieruit kunnen trekken.
Wat gebeurde er met de AI-flitsers in Athene?
In Athene draaide een proef met camera’s die verkeersregels automatisch moesten vastleggen flink uit op een soap. Camerasystemen die moeten herkennen wie te hard rijdt, door rood licht rijdt, een telefoon vasthoudt, geen gordel draagt of zonder helm rijdt, leverden een berg meldingen op die in de praktijk grotendeels onbruikbaar bleken.
De apparaten genereerden volgens lokale berichtgeving duizenden signalen in een korte periode, maar vrijwel alle meldingen moesten daarna handmatig door agenten te worden gescreend. Van de duizenden automatisch gegenereerde overtredingen resulteerde slechts een klein deel in daadwerkelijke boetes.
Hoe groot is de foutmarge en waar gaat het mis?
In de geteste periode registreerden de camera’s ongeveer 13.000 incidenten, maar werknemers konden er slechts zo’n 5.500 controleren. Uiteindelijk werden slechts circa 400 boetes geformaliseerd, wat neerkomt op een uiterst lage doorkeuringsgraad van de automatische detectie.
Dat cijfer alleen geeft niet het volledige beeld. Van de 5.100 geanalyseerde meldingen die handhavers onterecht achtten, bleken 3.800 gevallen te maken te hebben met hardrijders die met een meetmethode waren gefotografeerd die in Griekenland nog niet wettelijk is erkend. In die gevallen staat de fout dus niet zozeer in de AI, maar in de juridische toepasbaarheid van de gebruikte techniek.
Echter, in ongeveer 1.300 gevallen zat de fout echt in de software. De algoritmes verwisselden bijvoorbeeld elektronische sigaretten (vapes) en andere objecten met mobiele telefoons, konden veiligheidsgordels niet detecteren wanneer bestuurders donkere kleding droegen en schreven boetes uit voor bijrijders zonder riem terwijl er helemaal niemand op die stoel zat.
Om beter te begrijpen waar het technisch misgaat, helpt het om te bedenken hoe een algoritme een object identificeert: op basis van patronen in pixels en markeringen die tijdens training zijn geleerd. Als die patronen in de praktijk anders zijn door bijvoorbeeld licht, hoeken of ongebruikelijke objecten, valt de herkenning snel door de mand.
Waarom menselijke afweging onmisbaar blijft bij automatische handhaving
Critici wijzen terecht op het ontbreken van menselijke context in automatische systemen. Een agent kan rekening houden met uitzonderlijke omstandigheden: een medische noodsituatie, onduidelijke markeringen of technische fouten in de meetapparatuur. Een algoritme volgt simpelweg regels en pixelwaarden, zonder ruimte voor nuance.
Die afwezigheid van menselijke beoordeling maakt systemen gevoelig voor het opleveren van onterechte sancties en geeft burgers het gevoel dat controle meer gericht is op opbrengst dan op verkeersveiligheid. In meerdere Europese landen groeit de terughoudendheid tegenover grootschalige inzet van automatische handhaving vanwege deze ethische en juridische vragen.
Menselijke beoordeling voegt dus niet alleen foutcorrectie toe, maar ook legitimering van het proces. Wanneer mensen betrokken blijven bij de laatste stap, kunnen ongerechtvaardigde boetes worden voorkomen en blijft het vertrouwen in handhaving beter behouden.
Technische tekortkomingen: voorbeelden uit de praktijk
De concrete fouten die in Athene optraden, zijn leerzaam voor iedereen die met AI-flitsers werkt. Het herkennen van voorwerpen in bewegende beelden blijft lastig onder variërende lichtomstandigheden, verschillende kledingkleuren en onverwachte achtergrondobjecten. Donkere T‑shirts verbergen bijvoorbeeld contrasten die essentieel zijn voor gordelherkenning, terwijl reflecties en regendruppels valse positieven kunnen veroorzaken.
Daarnaast speelt de kwaliteit van de trainingsdata een grote rol. Als het systeem vooral is getraind op westerse voertuigen en rijhoudingen, presteert het minder goed in andere omgevingen. Zelfs kleine verschillen in camerahoek of compressie van videobeelden kunnen tot verkeerde classificaties leiden.
Een praktische consequentie is dat implementatie nooit ‘plug-and-play’ is: camera’s moeten worden afgesteld op lokale omstandigheden en algoritmes continu worden herijkt. Zonder die iteratieve aanpak blijft het risico op systematische fouten aanwezig.
Juridische haken en ogen: wanneer is een meting geldig?
Een groot deel van de afgewezen boetes had niets te maken met een falende AI, maar met het feit dat de gebruikte meetmethode in Griekenland nog niet was geaccepteerd volgens de wet. Dat onderstreept een belangrijke les: technologische inzet moet hand in hand gaan met juridische erkenning en duidelijke protocollen.
Zonder wettelijke dekking kan een ogenschijnlijk betrouwbare technische meting juridisch niet worden afgedwongen. Dat zorgt niet alleen voor frustratie bij handhavers, maar ook voor kosten en reputatieschade wanneer talloze boetes ongedaan moeten worden gemaakt.
Het is daarom cruciaal dat pilotprojecten vanaf het begin juridische toetsing ondergaan en dat er duidelijke richtlijnen bestaan over bewijslast, privacy en verantwoordingsplicht. Dat voorkomt kostbare verrassingen zodra een systeem operationeel wordt gemaakt.
Wat kunnen andere landen en gemeenten leren van deze proef?
Allereerst: automatische handhaving moet worden gezien als hulpmiddel, niet als vervanging van de mens. Handmatige controle, kwaliteitsbewaking van de data en transparante procedures blijven vereist om onterechte sancties te voorkomen.
Ten tweede: investering in betere datasets en continue validatie is cruciaal. Systemen verbeteren alleen als ze getest worden in de specifieke omstandigheden waarin ze moeten functioneren. Dat betekent tijd en geld steken in lokale kalibratie, onafhankelijke controles en terugkoppelingslijnen voor foutcorrectie.
Tot slot: wetgeving moet gelijktijdig evolueren met technologie. Zonder juridische kaders zijn technische innovaties weinig waard in termen van handhaafbaarheid en burgervertrouwen.
Een andere les is organisatorisch van aard: projecten waarvoor handhavers en technici niet vanaf het begin samenwerken, lopen grotere kans op mislukken. Door van meet af aan multidisciplinair te werk te gaan, ontstaan praktischer oplossingen en sneller corrigeerbare fouten.
Conclusie: slimme inzet, niet blind vertrouwen
De Griekse proef met AI-flitsers laat zien dat geavanceerde camera’s veelbelovend zijn, maar nog lang niet foutloos. Het grootste risico is niet per se dat de technologie faalt, maar dat beleidsmakers en operators de grenzen van die technologie verkeerd inschatten.
Automatische systemen kunnen veel werk verlichten, maar alleen wanneer er zorgvuldige menselijke toetsing, juridisch draagvlak en technische finesse aanwezig zijn. Voor wie slimme en rechtvaardige verkeershandhaving wil, is de sleutel een gebalanceerde mix van innovatie én gezond verstand.
FAQ
Waarom werden zoveel boetes in Griekenland ongeldig verklaard?
Veel meldingen faalden door technische fouten in de herkenning en doordat gebruikte meetmethodes juridisch niet erkend waren, waardoor handmatige controle nodig was.
Kunnen zulke AI-flitsers ook in Nederland betrouwbaar werken?
Ja, maar alleen met lokale kalibratie, betere trainingsdata, wettelijke erkenning en permanente menselijke toetsing om foutmarges te beperken.
Wat moeten gemeenten doen voordat ze AI-handhaving invoeren?
Eerst juridische toetsing, pilot-tests in lokale omstandigheden, samenwerking tussen technici en handhavers en duidelijke procedures voor handmatige nazorg.
Bron: Autovisie
