Elk jaar krijgt deze bruisende Europese stad ongeveer 400.000 meldingen van burgers over problemen in de openbare ruimte. Deze meldingen, ook wel bekend als Meldingen Openbare Ruimte (MOR), omvatten verschillende stedelijke uitdagingen, zoals afvalbeheerproblemen, overlast veroorzaakt door daklozen en beschadigde infrastructuur. Deze meldingen betreffen verschillende stedelijke uitdagingen, waaronder problemen met afvalbeheer, verstoringen van de openbare orde veroorzaakt door daklozen, en beschadigde infrastructuur. Het voornaamste probleem bij het beheer van deze meldingen is het handmatige en arbeidsintensieve proces van het analyseren van feedback over hoe het bestuur elke melding heeft afgehandeld. Deze conventionele aanpak was tijdrovend en leidde vaak tot een onvolledige beoordeling vanwege de omvangrijke hoeveelheid ongestructureerde tekstgegevens.
Strategische uitdaging
De strategische uitdaging lag in de overgang van dit handmatige, arbeidsintensieve proces naar een geautomatiseerd, efficiënt systeem. Het doel was het toepassen van geavanceerde AI-technieken, met name Large Language Models (LLMs) om automatische categorisatie van reacties op MOR's mogelijk te maken.
Aanpak
Het project omvatte verschillende belangrijke stappen:
1. Inzetten van AI voor de automatische analyse en categorisatie van MOR's
LLM's werden ingezet om de ongestructureerde tekst die de klachtenafhandeling beschreef automatisch om te zetten in categorieën zoals "Onmiddellijke Actie Genomen", "Geen Handhaving Beschikbaar", "Doorverwijzing naar Externe Instantie", "Extra extra toezicht gedurende de komende periode", "Rapport niet verwerkt vanwege storing in meldingssysteem", enzovoort. Op deze manier wordt gestructureerde data verkregen die kan worden gebruikt voor verdere analyse.
2. Genereren van statistieken over klachtenafhandeling
De classificatieresultaten werden omgezet in gedetailleerde statistieken. Belangrijke prestatie-indicatoren, waaronder de frequentie van elke methode voor klachtenafhandeling, responstijden en tevredenheidscijfers, werden automatisch samengesteld voor uitgebreide analyse.
3. Geautomatiseerde generatie van PowerPoint-rapporten voor het leveren van definitieve inzichten
- Na het voltooien van de statistische analyse genereert een geautomatiseerd systeem een uitgebreide PowerPoint-presentatie met alle cruciale inzichten.
-
Deze automatisering stroomlijnt het proces van rapportgeneratie en transformeert gegevens in een visueel aantrekkelijk en gemakkelijk te begrijpen formaat.
-
De PowerPoint-presentatie bevat grafieken, diagrammen en samenvattingen die een duidelijk verhaal van de gegevens bieden, waardoor het voor teams en belanghebbenden gemakkelijker wordt om te beoordelen en geïnformeerde beslissingen te nemen. Dit bespaart aanzienlijk wat tijd en inspanningen bij de voorbereiding van rapporten.
Resultaten
Het integreren van AI en LLM's in het MOR-analyseproces leidde tot opmerkelijke vooruitgang:
- Verhoogde efficiëntie: Automatisering verminderde aanzienlijk de tijd en arbeid die nodig was bij het categoriseren van MOR-reacties, waardoor snellere en grondiger analyse mogelijk was.
- Verbeterde inzichten: Het openbaar bestuur kreeg duidelijke inzichten in de soorten reacties en de effectiviteit bij de afhandeling van problemen in de openbare ruimte.
- Geïnformeerde besluitvorming: Deze vernieuwende, datagedreven aanpak zorgt voor een meer strategische en goed geïnformeerde besluitvorming, wat uiteindelijk leidde tot een verbetering van de dienstverlening aan het publiek en een grotere tevredenheid onder burgers.
Conclusie
De baanbrekende integratie van AI en geavanceerde Large Language Models heeft een indrukwekkende vooruitgang geboekt bij het analyseren van klachtenafhandeling met betrekking tot de openbare ruimte in deze grote Europese stad. Dit revolutionaire project creëert een nieuwe norm voor gemeenten en openbare diensten, waarbij de potentie van AI in automatische tekstverwerking en rapportage werd aangetoond.
