AI-automatisering voor bodemrapporten

Van rapport naar spreadsheet

Bodemrapporten bevatten meetwaarden, tabellen en technische context die samen gelezen moeten worden. Medewerkers van Grondbeheer Genk besteedden daar uren aan. Naast het bestuderen van de documenten moesten ze gegevens overnemen en formules in Excel uitwerken. Bij een uitgebreid rapport kon dat proces tot een halve dag in beslag nemen.

We vertaalden die werkwijze naar een platform dat het terugkerende lees-, extractie- en rekenwerk automatiseert. De medewerker start de verwerking met een upload en kan de resultaten vervolgens binnen hetzelfde dossier controleren.

Meerdere AI-taken met een eigen rol

De backend is gebouwd in Python en Django. Na de upload wordt de PDF onderzocht op relevante pagina's, tabellen en monsteridentificaties. Pagina's krijgen een rol, zoals analyseblad, monsteroverzicht of ondersteunende context. Daardoor kan de verwerking gericht omgaan met de verschillende onderdelen van een rapport.

De AI-pijplijn verdeelt het werk over opeenvolgende taken. Een eerste stap herkent monsters en hun context. Een volgende stap haalt de bijbehorende meetgegevens uit de relevante pagina's. Snellere modellen kunnen de voorbereidende herkenning uitvoeren, terwijl een uitgebreider model voor de data-extractie wordt ingezet. Achtergrondworkers verwerken de taken buiten het normale webverzoek.

Het systeem combineert AI met vaste controles op de documentstructuur. Een monsterregister houdt identificaties over meerdere pagina's bij. Dat helpt om een meetwaarde aan het juiste monster te koppelen wanneer informatie verspreid staat over een rapport.

Van uitgelezen waarden naar berekeningen

De uitgelezen gegevens worden gecontroleerd op structuur voordat ze worden opgeslagen. Stofnamen en synoniemen worden gekoppeld aan de centrale gegevensstructuur. Vervolgens voeren vaste rekenregels de normalisatie en classificatie uit, onder meer met referentiewaarden zoals lutum en organische stof.

De berekeningen uit de oorspronkelijke Excel-werkwijze zijn vastgelegd in regressietests. Daardoor kunnen wijzigingen worden gecontroleerd op afwijkingen in de uitkomsten. De classificatie steunt op expliciete regels en ingestelde grenswaarden.

Controle blijft onderdeel van het dossier

Het dashboard toont de voortgang, de resultaten en onderdelen die aandacht vragen. Ontbrekende referentiewaarden of onvolledige verwerking worden zichtbaar gemaakt voor verdere controle. Een onderbroken verwerking kan waar mogelijk vanaf een opgeslagen voortgangspunt worden hervat.

Medewerkers kunnen de resultaten beoordelen en een rapport met beslissingen en technische onderbouwing exporteren. Zo blijft duidelijk welke informatie aan de beoordeling ten grondslag ligt.

Een upload als start van de verwerking

Het platform is in gebruik bij GBG en verandert de manier waarop het team bodemrapporten voorbereidt voor beoordeling. Het handmatig bestuderen van documenten, overnemen van meetwaarden en uitwerken van Excel-berekeningen kon voorheen uren tot een halve dag per rapport vragen. Nu zet een upload de verwerking in gang.

De AI-taken onderzoeken het document en halen de relevante informatie eruit. Daarna volgen de controles, normalisatie en berekeningen. De medewerker krijgt de verwerkte gegevens in het dossier te zien en kan zich richten op de beoordeling en de onderdelen die aandacht vragen.

De bestaande rekenkennis vastgelegd

De formules en regels uit de eerdere werkwijze hebben een vaste plaats gekregen in het platform. Meetwaarden worden volgens dezelfde ingestelde systematiek verwerkt, met centrale definities voor stoffen, synoniemen en grenswaarden. Daardoor hoeft de voorbereiding niet voor ieder rapport opnieuw in een spreadsheet te worden opgebouwd.

Regressietests leggen de aansluiting op de oorspronkelijke Excel-berekeningen vast. Die bieden bij verdere ontwikkeling een manier om te controleren of aanpassingen de verwachte uitkomsten behouden. De vakkennis achter de berekeningen blijft zo onderdeel van het systeem.

Resultaten die gecontroleerd kunnen worden

Het dossier brengt de uitgelezen waarden, berekende resultaten en aandachtspunten samen. Ontbrekende gegevens en onvolledige verwerking worden zichtbaar gemaakt, zodat de medewerker kan bepalen welke controle nodig is. De automatische voorbereiding krijgt daarmee een duidelijk vervolg in de menselijke beoordeling.

Een export bundelt de beslissingen en technische onderbouwing in een rapport. GBG beschikt zo over een doorlopende werkwijze van aangeleverd document tot controleerbare uitkomst. De belangrijkste verandering zit in de taakverdeling: het platform verwerkt de gegevens, terwijl het team zijn expertise inzet bij de interpretatie en uitzonderingen.

‍