Arno Knobbe - Universiteit Leiden

22
dr. arno Knobbe is dataminer – iemand die met hulp van computers zinnige kennis kan halen uit grote hoeveelheden data. hij is senior
onderzoeker in de data mining-groep van het LiaCs, het informatica-instituut van de universiteit Leiden. Knobbe is groepsleider van
tien promovendi, postdocs en programmeurs. hij begon zijn carrière in het bedrijfsleven, als dataminer bij een it-bedrijf. daarna werkte
hij als zelfstandig ondernemer, en rondde ondertussen in zijn eigen tijd een proefschrift af over data mining. daarna werkte hij vier jaar
als postdoc in utrecht, waarna hij in 2009 overstapte naar Leiden.

arno knoBBe
Leiden institute of advanCed Computer sCienCe
De computer ziet meer
de computercode die hij ontwikkelt is onbegrijpelijk voor de leek,
maar dataminer arno Knobbe kan met praktijkvoorbeelden precies
uitleggen wat die code kan. frauderende artsen opsporen in
declaratiegegevens van achmea bijvoorbeeld, of een middeleeuws
facebook opbouwen aan de hand van verkoopakten. “de praktijk
is ingewikkelder dan je kunt verzinnen.”
“Toen ik op huizenjacht ging, heb ik een databankje gemaakt
met alle beschikbare gegevens van interessante huizen. Dan zie
je zo dat een extra slaapkamer ongeveer 40.000 euro kost en dat
de huizenprijs afneemt als je verder van het station woont. Dat
is de manier waarop je als dataminer naar de wereld kijkt”, lacht
Arno Knobbe.
Om op serieuze toon te vertellen over de databank van Canadese
koophuizen, die hij voor zijn onderzoek gebruikt. “Die twintig
huizen van mij had je zo nog kunnen overzien. Maar bij de
databanken waar wij mee werken, gaat dat niet.” De Canadese
databank bevat ruim 500 huizen met hun kenmerken, zoals
verkoopprijs, perceelgrootte, aantal slaapkamers en badkamers
en ga zo maar door. Bij elkaar een kluwen aan informatie. “Wij
vragen ons af wat voor verbanden er in die onoverzichtelijke
dataset verstopt zitten.”
Knobbe werkt als onderzoeker en groepsleider bij het informatica-instituut
LIACS. Zijn groep ontwikkelt methoden om relevante
informatie uit een databrij te vissen. “Welke huizen het best
verkoopbaar zijn bijvoorbeeld, of wat de beste beleggingsobjecten
zijn.” De Leidse dataminers maken analyseprogramma’s die
zoeken naar ‘subgroepen, die afwijken van de rest van de dataset’.
“Zo kan uit de analyse rollen dat huizen met een oprit, zoveel
vierkante meter grond en twee badkamers geliefde objecten zijn.”
Het gaat hem niet om die huizen zelf. Zijn groep werkt ook aan
methoden voor fraudedetectie voor verzekeraar Achmea. “Daar
komt dan met soortgelijke methoden een subgroep boven van
tandartsen die opvallend vaak röntgenfoto’s of adviesgesprekken
declareren.” Het werken met datasets uit de praktijk geeft zoveel
inspiratie, vertelt hij. De ruwe werkelijkheid is ingewikkelder
dan de verzonnen datasets waar onderzoekers hun methoden
vaak op testen. Knobbe: “Een mooie theorie publiceren, met
een fundamentele component, en dan als uitsmijter een mooie
toepassing – daar houd ik van.”
Zijn onderzoeksgroep is de laatste tijd hard gegroeid. De rol van
groepsleider ligt hem goed, vertelt hij. “Zelf software ontwikkelen
of stoeien met een mooie dataset is geweldig, dat heb ik
als postdoc gedaan. Maar nu kan ik meerdere projecten doen, ik
krijg meer voor elkaar. Soms ben ik wel jaloers op de postdocs
en promovendi. Dan spotten ze: ‘laat eens zien of je het nog kan’.
Gelukkig blijk ik het nog niet verleerd.”
Knobbe legt uit dat de fundamentele onderzoeksvraag is hoe
je in datasets de juiste, interessante subgroepen kan vinden.
Neem weer die Canadese huizenmarkt. Banken of makelaars
hebben niets aan zoekalgoritmen die aankomen met de subgroep
‘huizen met een keuken en minstens één slaapkamer’. Te groot
en algemeen. Maar de subgroep ‘huizen van twee verdiepingen
met een voordeur op het oosten, drie badkamers, een zwart dak
23

24
arno knoBBe
en een zwembad’ is ook oninteressant. Te gedetailleerd. Of, zoals
Knobbe formuleert: “Die subgroep is te klein om nog voorspellende
waarde te hebben. Je wilt dat het algoritme uitkomt op een
handjevol subgroepen, die je daadwerkelijk meer vertellen over
de huizenmarkt.” De vraag is hoe complex je algoritme dan moet
zijn. “Het model wordt niet steeds beter naarmate het complexer
wordt. Er is een omslagpunt, waarna de prestaties weer afnemen.
De kunst is dus om het punt te vinden waar het model maximaal
presteert.”
Daarnaast is het belangrijk dat de analyse razendsnel gaat. “Een
dag rekenen mag, maar niemand wil een jaar wachten. Vergelijk
het met een immens landschap, dat je snel met slechts honderd
mensen moet verkennen. Dan verspreid je de verkenners eerst
netjes over het land. Stel dat een paar dan wat heuveltjes zien.
Dan stuur je extra verkenners die kant op – misschien ligt er een
gebergte. Zo doe je dat binnen datasets ook. Het zoekalgoritme
vindt kleine afwijkingen ten opzichte van de omgeving. Die af -
wijkingen pluist het uit.”
Naast ‘subgroepen’ heeft Knobbe nog een interessegebied: de
analyse van sensordata. Ook hier haalt hij inspiratie uit de
praktijk. Samen met industriepartner Strukton en de Technische
Universiteit Delft doet hij onderzoek naar de Hollandse Brug.
In die verbindingsbrug tussen Flevoland en Noord-Holland zitten
145 sensoren om trillingen en temperatuur te meten. Met die
sensoren zou je de veroudering van de brug in gaten kunnen
houden. Maar hoe moet dat precies?
Ook hier ontstaat een onoverzichtelijke berg data. Iedere trilling
van iedere auto wordt in detail geregistreerd. Dat zijn een miljard
metingen per dag, het hele jaar door. Knobbe laat meetgegevens
zien van één dag. “Op het oog zie je in dit drukke piekenlandschap
twee uitschieters, de ochtend- en avondspits. Andere trends vallen
je niet op. Maar onze algoritmen splitsen deze gegevens op. Dan
komen er andere fenomenen boven, zoals een dag-nacht-ritme:
de brug beweegt doordat hij opwarmt en afkoelt.” Technologiestichting
STW gaf hem de financiering voor dit onderzoeksproject,
dat nu twee jaar loopt en al meerdere publicaties heeft opgeleverd.
“De ene dag praat ik over bruggen, de andere over middeleeuwse
akten”, vertelt Knobbe. Sinds begin 2012 is hij betrokken bij een
Engels onderzoeksproject naar middeleeuwse verkoopakten.
“Bijvoorbeeld dat ene William, zoon van Mariot, land verkoopt
aan Simon de Evesham. In een ander document is weer te vinden
dat die Simon ook zaken doet met John de Esingwald.” De documenten
geven inzicht in het zakelijk leven in die tijd. De historici
in het project willen de sociale netwerken in kaart brengen – wie
kende wie, wie was belangrijk? “Met de hand is dat een enorme
puzzel. Dat ‘achternaam’ nog een vaag begrip was in de middeleeuwen
maakt het extra moeilijk. John of York kan zijn naam zijn,
maar ook een John die in York woont. Dat puzzelen resulteerde
in een grote tafel vol briefjes met brokjes informatie.”
Dat is dankzij project ChartEx voorbij. Knobbe maakt deel uit
van de groep historici en informatici die geld krijgt uit de Digging
into Data-Challenge, waarin ook NWO meedoet. Doel is
om de kennis uit de informatica op andere terreinen in te zetten,
bijvoorbeeld in de cultuursector. “Wij ontwikkelden de softare
om de digitale versie van die tafel te maken; een doorzoekbaar
diagram waarin met pijlen de relaties zijn aangegeven. Een soort
Facebook van de middeleeuwen.”
De historici in het project zijn dolenthousiast. Knobbe: “Ik vind
het zo vanzelfsprekend wat er met datamining kan, maar voor
hen is het een nieuwe wereld. Ze noemen het een game changer.
Dat vind ik een eer.”
Anouck Vrouwe

engLish summarY
Whether it concerns claim details of a large health insurance
company, or sensor readings from a highway bridge, data miner
Arno Knobbe from the Leiden Institute of Advanced Computer
Science (LIACS) is not fazed. Just as long as the database is large
and challenging, and he and his team can develop smart methods
to extract useful knowledge from the big pile of data. This could
be care givers that claim ‘ineffi ciently’, or simply how the bridge
responds to sunshine. “I like to work with datasets from practice.
This is often so much more complex than you could imagine.
Recognizing the fundamental problems in such practical applications
can lead to nice theoretical advances that are appreciated
by the entire research fi eld, not just by the insurance people or
civil engineers.”
“Een netwerk van middeleeuwse zakelijke relaties.” 25