De grote uitdagingen binnen ons project om  dus de inspecteur buitenspel te zetten door   alle taken van hem over te nemen,  is dus die modellen goed krijgen. Eigenlijk is altijd op data gebied  waar de grootste uitdaging ligt. Dat wat ik al zei over goede labels: Data moet goed gelabeld zijn, dat is belangrijk. Zeker als we gaan kijken naar domeinspecifieke   dingen zoals een bolder, wanneer  is die nou kapot en wanneer niet? Ik als machine learning engineer  heb daar niet zoveel kijk op. Ik rijd niet in de haven. Dus we hebben mensen als Floris nodig die  ons vertellen of iets kapot is of niet. Als je dat aan meerdere van dat soort  mensen vraagt krijg je een beter beeld,   maar je krijgt ook duidelijk door dat  sommige inspecteurs een andere mening   hebben over bepaalde toestanden  van assets dan andere inspecteurs. Dus dat zorgt weer voor ruis onze data, en  het is belangrijk dat we dat wegpoetsen. Het belangrijkste verschil tussen  een machine learning model voor   inspecties en een mens is dat een mens  ook ziet wanneer een asset er niet is. Op het moment dat er dus een boom weg is,   dan ziet een machine learning  model geen boom en hij doet niks. Maar een mens zegt 'Hé, daar stond een  boom. Er is iets aan de hand hier.' Dat is een heel belangrijk verschil. Machine learning modellen kunnen  geen dingen zien die er niet zijn. Over het algemeen zijn de modellen  die wij gebruiken redelijk generiek. Als ze genoeg bomen hebben gezien zal  die vaak wel een andere boom herkennen,  maar het zal nooit 100% perfect zijn. Daarom bouwen we hier ook aan  feedback loops in onze processen. Wij doen voorspellingen en uiteindelijk  sturen we foto's met onze voorspelling   voor die foto naar een inspecteur  als we denken 'dit is interessant'. Het gaat allemaal automatisch. Dan kan die inspecteur zeggen 'hier klopt niks  van' en die stuurt het weer terug naar ons. Zo kunnen wij dus onze data verrijken op  basis van feedback loops vanuit de mens. Dus we hebben een 'human  in de loop' zoals dat heet..