Politie en machine learning: dreigingsdetectie en bias herkennen

Welkom terug bij het tweede deel van het gesprek met Oscar Wijsman en Ruud Staijen van de Nederlandse politie. In het eerste deel hoorde je hoe data en AI bijdragen aan veiligheid, wat proportionaliteit inhoudt en hoe het Landsdecker arrest de manier van werken bij de politie heeft veranderd. We eindigden bij het verhaal over de crypto-telefoons en de eerste stappen richting AI, met de samenwerking met het Openbaar Ministerie. Vandaag gaat het verder. Je hoort hoe de politie met machine learning, dreigingen tegen personen proberen op te sporen, hoe je omgaat met bias en gemanipuleerde data. En wat je kunt leren van fouten uit het verleden. Deze week is het bij ons Data Expo week. De hele week hoort je sprekers van het evenement. Data Expo zelf vindt plaats op 9 en 10 september in de Jaarbeurs in Utrecht. Je ticket is gratis. De link om het te bestellen vind je in de shownotes. Hier is het tweede deel van het gesprek met Oscar en Ruud. Begin je dus met een hele goede gerichte vraag. Ja, toch? En dan is het ook, hoe krijg ik dat eruit. Nou, dat is gelukt hè om dat er dan uit te halen en vervolgens ontwikkel je. Is ook proportionaliteit. En haal je het. Want je doet niet alle data openzetten, je probeert een manier te vinden om gericht. De soort dingen eruit te halen. Dus ja, AI heeft aan de ene kant iets onheilspellends van alles en iedereen en open. En aan de andere kant kun je het ook gebruiken om privacy te beschermen. Kun je het ook gebruiken. Dus wij zijn opnieuw aan het uitvinden, hoe de balans is tussen vrijheid en veiligheid. En het is de Nederlandse samenleving. Misschien op de Europese samenleving. Dus wat je vooral doet, is wat we zeggen de heavy lifting. Dat is het werk wat je niet met de hand kan doen. En het voordeel is, je kunt die machine ook dingen laten filteren. Stel zo'n telefoon, daar heb je heel veel data in, maar er zit ook een heel medisch dossier in. Nou, daar mag je gewoon niet aankomen. Als je dat handmatig zou doen, dan moet je er eigenlijk eerst doorheen. Dan lees je dus persoon X allemaal markeert. En denk je, nou dat is allemaal relevant. Maar heb je het wel gelezen. Terwijl als je dat de machine laat doen, kunnen dat gewoon automatisch uitgooien. En dan heb je daar geen. Dat betekent ook wat voor data maturity of de data gedreven werken, kennis ervan hebben. En dat in zo'n brede gebruikersgroep van 65.000 medewerkers, dat betekent best wel wat. Hoe krijg je de mensen op het niveau dat nodig is? En wat voor niveaus hebben jullie? Dan moet je ook nog realistisch zijn. Toen we begonnen, is het altijd verstandig om even goed te analyseren. Toen hebben we met de hulp van een externe partij tien grote dataverzamelingen. en collega's uit die dataverzamelingen hebben we een soort scan gedaan. Voor de nerds onder ons, daar heeft een soort model. Dan kun je kijken. Ja dan zie je dat je aan het begin van een revolutie staat. En dat veel collega's die kennis nog niet hebben, procedures niet ingeregeld zijn. Kortom, je bent aan het ontdekken. Je kunt net kruipen en je moet leren lopen en je moet leren fietsen en je moet leren autorijden. Dat hebben we nu onlangs weer gedaan. En dan zie je wel dat dat vooruit gaat. En dan ga je op zoek. Op zoek naar de wind. Da waar wind is, kun je zeilen. Als collega's openstaan en ze willen, dan is dat een mooie plek om voorbeelden te halen. Dus als programmadirecteur zoek ik altijd naar mensen die in die voorhoede zitten. Daar maak je coalities mee. Je doet het altijd samen, alleen heeft helemaal geen zin. Altijd samen, en dat zijn dan weer de voorbeelden voor de rest. Dat leidt dan uiteindelijk tot bijvoorbeeld hun opleidingscatalogus. We hebben inmiddels een stuk of twintig opleidingen gemaakt samen met het politieveld, samen met de Politieacademie. En dat zijn de stapjes op weg naar inzicht, naar meer volwassenheid. Ja, want voor mijn beeld, gewoon politie op straat, die doet ook heel veel observaties. Dat zijn weer datapunten. Maar ja, de vraag is: is bij hun bekend dat de datapunt weer heel erg belangrijk is voor later. Dit zit wel onze DNA. Als je teruggaat naar de tijd van voor AI en voor grote dataverzamelingen, dan schreven wij dingen op en onze taal heet dat een mutatie. Je schrijft iets op wat je bijzonder vindt, wat afwijkend is. Dat staat in onze registratieve systemen. Wij hebben als een van de weinige landen nationale politie. En het is niet zelden geweest dat iemand die bij een verkeerscontrole toch even het bronnenplaatje opschreef, later de sleutel heeft gehad tot het oplossen van een moord. Dus dit weten wij echt wel, hoe dit zit. Maar je zei het een tijdje geleden al, de een kijkt linksom, de ander rechtsom, wat zie je en wat is dan afwijkend. Dit is ook een beetje het vak. Dus de politie schrijft best veel op. Daar komt bij dat techniek straks steeds meer kan. Camera's, sensoren. Daar komt het internet bij, dan schrijven mensen zelf dingen op. Dus die databerg die groeit. En daar moet je de speld in de hooiberg vinden, zoals Goldraad ooit zei. En als je die dan goed kunt duiden, want soms heb je de data, maar weet je niet wat ze betekent. Als je die goed kunt duiden, dan heb je de sleutel de zaak. Hoe ga je daarmee om? Want aan de ene kant heb je zoiets als automation bias. Dus dat je eigenlijk te veel gaat leunen op wat je als ondersteuning krijgt. Ik kan me zo voorstellen dat een politieagent misschien juist het omgekeerde heeft en dan misschien wat meer op zijn kennis ervaring, intuïtie vaart. Hoe zorg je dat je dat in balans krijgt? Laat ik beginnen bij de kernen van het politiewerk. Dit was voor al die data niet anders. Als een getuige overtuigd een verhaal vertelde, wilde dat nog niet zeggen dat dat de waarheid was. Want soms in het schema is een kleur anders. En politiemensen, die stapelen verschillende aanwijzingen. En die kijken naar inconsistenties. Of die kijken naar dingen die logisch zijn. Dat probeer je ook in de data te doen. Wat wel zo is, in onze moderne tijd van data, dat je op moet passen dat je niet jumping to conclusions. Waar zit ik nou naar te kijken? Van wie is die data? Hoe is die geregistreerd? Zit er een bias in? Zit er een bias in de software? Zit er een bias in de data? Zit er een bias in steekproef? Want data is maar een steekproef van alles wat buiten gebeurd is. Dus de vakman, de vakvrouw, die is zich bewust van die omstandigheden. Ja, dat zit eigenlijk ook in dat onderwijs. Wij moeten leren van dingen die niet goed gegaan zijn. Op de Data Expo zei ik, wij hebben ook al een paar uitgeleidingen gehad, dat is ook van alle tijden. En het is heel goed om van die uitgeleid te leren. Zeker. Ik wil wel zo een uitgeleid horen. Maar ik ben benieuwd, wat zou je mensen meegeven die niet dat politie DNA hebben, die zit in organisatie, werken ook heel veel met data. Hoe ontwikkel je nou dat gevoel dat je let op die inconsistentie. Het helpt als je een open cultuur hebt waarin verhalen verteld worden. Want je leert vaak van de fouten of de successen van anderen. Maar dan moet je dat kunnen delen zonder dat dat gelijk allerlei consequenties heeft. Je kunt ook theorie uitleren. Maar mijn ervaring is dat het echte werk doet het beter dan het theorieboekje. Laten we een uitgeleid pakken. We hadden het net over het Landdeckarrest. Het Landeckarrest zegt eigenlijk, we zijn heel goed in het verzamelen van data, maar we moeten het ook weer opruimen. en we moeten kijken wie toestemming geeft. Ja, als je dit van afstand bekijkt met de kennis van nu, is dit logisch. Maar vijf of tien jaar geleden dachten wij niet zo. Want er stond niet zoveel jaar. Dit soort inzichten zeggen iets over hoe wij met de data van het publiek omgaan. En het is niet voor niks dat we daar grote trajecten op gezet hebben om dit beter te doen. Nog zo'n voorbeeld. Laten we bijvoorbeeld de techniek nemen, je telefoon straalt aan op een paal. en dat bepaalt eigenlijk je positie. Maar de weersomstandigheden kunnen invloed hebben op de overdracht van die gegevens. Dus soms gaat er iets in de techniek fout. En als je daar je hele zaak op baseert, je moet eigenlijk weten naar welke data je zit te kijken. Soms hebben wij boeven die dit spelletje ook kennen. En die manipuleren data. Het is fijn als je weet dat de vijand dat af en toe doet, je komen uit de forensische wereld. En soms hebben we daar zaken gehad, waar is het onverklaarbaar, hoe het DNA van Jan Piet of Klaas op die was het er gewoon neergegroeid. Maar het is fijn als je een paar van die verhalen gehoord hebt. Want dan stop je in je systeem. Dat dat ook een mogelijkheid is. Heb jij ook zo'n war story, Oscar? Echt zo'n war story. Het is nou een war story is? Een van de dingen die we wel echt hebben moeten leren ook, is als je al puur kijkt naar je data, dat is wat Ruud ook zegt, die data niet altijd te werkelijk is. Dus er kan ook gewoon gemanipuleerde data tussen zitten. Die moet je wel kunnen herkennen. Het risico is, is dat je gewoon in eerste instantie gewoon een verkeerde kant oploopt, in een opsporingsonderzoek. En daar gewoon eigenlijk onnodig tijd aan besteedt die je niet aan andere dingen kunt besteden, is te herkennen. Sorry? Is het te herkennen? Ja, het is natuurlijk een beetje de vraag of je het kunt herkennen. Toen we het eerste mee geconfronteerd worden, was het nog wat lastig te herkennen dan op een gegeven moment weet je van wacht even, maar dit is gewoon nep. En niet alle collega's weten meteen wat wel en wat niet echt is, aan data. Dus dat is wel een check die je moet doen. Overigens is dat niet iets waarvan we zeggen, nou dat is alleen nu met AI. Want iedereen denkt bij misbruik van AI aan allemaal gegenereerd AI, dus de deepfakes en alles wat daarmee gebeurt, die zijn wel een belangrijk element inmiddels. De digitale criminaliteit. Maar ook in het verleden konden criminelen gewoon best wel soms data manipuleren. Mals doel. Of opsporingsonderzoek bijvoorbeeld frustreren. Of juist om sporen uit te wissen, of om gewoon dwaalsporen neer te leggen. Dus die kun je fysiek maken een dwaalspoor. Je loopt bijvoorbeeld achteruit ergens naartoe. En dan lijkt het net alsof je de andere kant op gelopen bent. In alle tijden. Dus in die zin is het niks nieuws, maar digitaal kun je dat soort sporen ook gewoon eigenlijk creëren. Dat is iets dat hebben we moeten leren om te herkennen. En nu we dat weten, moeten we er ook natuurlijk op kunnen acten. En stop je het in lessen, en komt het in werkprocedures. Ik ben zelf heel erg van het verhalen vertellen, leren van anderen. Hoe vaak krijg je je carrière nou dat je met dit soort dingen te maken hebt. Dus we moeten een manier vinden om snel die overdracht te doen. Daar overigens nog wel een thema in het leren. Dat als je het leren zou doen op de oude manier, dan kan je tempo niet bijhouden. Dus je ziet ook dat in het onderwijs, de politieacademie en het veld en de collega's die digitaal vaardig zijn, die zijn allerlei coalities aan het maken om snellere manieren van leren en kennisoverdracht te hebben. Heb je een voorbeeld? Ja, vroeger, als het onderwijs was, dan stopten we dat in procedures en dan ging dat naar een politieonderwijscommissie. En dan schreven we plannen en dan twee jaar later kwam het in het onderwijs terug. En inmiddels is het zo dat we samen met de politieacademie allerlei netwerken bij elkaar brengen, die wel geordend op principes en dingen wegzetten. Maar dat betekent het eigenlijk dat het ontwikkelingstempo van een opleiding of een training. Ja, dat is weken. Soms als er echt iets is, dagen. Want dan moet je snel schakelen. Maar dat kan alleen maar als je loosely koppelt, zouden de IT zeggen als je de business, het veld, daar waar het gebeurt. Koppelt met bijvoorbeeld de IT, met platformen, daar heb ik het niet over techniek alleen, daar heb ik het ook over netwerken en mensen. Die op een ingenieuze manier hun achterban bereiken. Maar het is een compleet nieuw spelletje. Zeker. Wat kunnen bedrijven daarvan leren, hoe je dat bij elkaar samen moet brengen. Veel bedrijven doet dit natuurlijk al. Als je naar Brown Paper Companies kijkt, naar netwerken, naar joint ventures, naar mergers en acquisitions, die doen niet anders dan kijken waar de waarde zit. Ja, snelheid. En uit de theorie weten we dat snelheid is geld. En snelheid is kosten. Dus snelheid is belangrijk. Daar betekent dat je je koppelvlakken moet standaardiseren, of dat nou mensen zijn of technieken zijn. Dat betekent dat mensen de waarden moeten kunnen herkennen, anders komen ze niet. Dus je bent op zoek. Dat zijn vaak ook weer verhalen, je zou het marketing kunnen noemen. Je bent op zoek naar daar waar de slimste oplossingen zijn. En dan is zo iemand als Oscar, want dat ga ik toch even doen. Dank voor heel veel jaar, Oscar gaat met pensioen voor de luisteraars. Heel veel jaren wijsheid. Mij behoeden en veel collega's behoeden voor de verkeerde weg inslaan. Veel wijsheid. Wijsman, wijsheid is niet voor niks. En een hele geweldige leuke samenwerking. Dus je moet mensen hebben die je vertellen wat er gebeurt. Je moet voorbeelden hebben, je moet voor elkaar leren, je moet openstaan. De wereld verandert en we vinden onszelf opnieuw uit. En sommige mensen helpen erbij. Dank Oscar. Dankje voor deze hele mooie mooie woorden. Dan zal ik dan eigenlijk de vraag die gesteld met. Ik let altijd te veel. Ja, dankjewel. Overigens, ik heb ook heel veel van Ruud geleerd, want Ruud is een politieman met enorm veel ervaring. Zowel overal ook op straat, ook forensisch. In de forensische opsporing om die naar een hoger niveau te tillen. Dus als ik jou ook ergens van mag bedanken, is dat een van de hele belangrijke dingen. En tien jaar geleden werkten wij met elkaar al samen en Ruud heeft toen het hele aanvalsprogramma eigenlijk gewoon gemanaged. En gewoon de politie, met alles wat we nu kunnen, want we natuurlijk al die data die we nu hebben, we werden één korps in 2013. Met een IT, waarvan onze toenmalige CIO zei: ik ben eigenlijk wel CEO van de politie, maar je kunt mij beter zien als directeur van het grootste IT-museum ter wereld. Het werkt voor een deel allemaal ook nog. Daar moesten wij van af. Onder andere Ruud heeft daar grote bijdrage in geleverd om te zorgen dat wat wij nu kunnen, ook technologisch, dat we daartoe ook in staat zijn. En dan ga ik de echte vraag beantwoorden. Ik denk dat het voor bedrijven, maar ook voor andere organisaties, ook niet commercieel. Heel belangrijk is, om vooral ook te blijven investeren, constant in het opleiden en het tijd geven om kennis op te doen. Je hoort soms dan wel zeggen, ja, maar dat kost toch allemaal een heleboel geld. En het standaard antwoord is wat ik altijd geef, is wat da je wat het kost als je het niet doet. Maar toch raken hier iets. Want wat je ziet, is door het vragen aan taalmodellen. Dat mensen nog makkelijker kennis op doen. Dat we zien dat het opdoen van kennis steeds verder verwater, mag ik het zo noemen. Ja, het is een beetje iedereen denk ik wel, wat je alles staat nu online. En je moet alles vinden en dan gaat het allemaal vanzelf als je het leert. In die zin zijn gewoon toch bijeenkomsten waar mensen elkaar kunnen ontmoeten. Ik denk daar het Expo daar een mooi voorbeeld van is. van de congres, met weliswaar gewoon toch ook wel een deels commercieel insteken, want het is allemaal niet voor niks. Maar het is ook een plek waar je gewoon heel veel anderen kunt ontmoeten, die voor een deel dezelfde problemen hebben. Veel keuze is ook uit allerlei verschillende presentaties die gegeven worden op allerlei gebieden. En ook daar in die combinatie gewoon kijken van wacht eens, nu hoor ik iets, dan had ik toch een ander beeld bij. En dan kun je vervolg kijken van kan ik daarop doorpakken, kan ik daarop op doorleren. Dat is iets dat moet je natuurlijk wel gewoon willen. En iemand die niet wil, die zal natuurlijk gewoon ook niks doen. Maar anderzijds, ook als bedrijf, als je dit gewoon toch ook faciliteert en die mogelijkheden geeft, dan zul je zien dat daar best wel heel veel winst in zit. Plus, dat is iets wat Ruud eerder aangaf, heb je daar nou een aantal mensen die gewoon daar een soort voorttrekkersrol in hebben. Die nemen echt een enorme hoeveelheid collega's mee. Dus de multiplier die je daarop hebt, is enorm. Wat je niet uit een taalmodel haalt, is precies wat jullie met z'n tweeën zeggen, is ervaring. De echte verhalen, wat er echt gebeurt in die situatie, die op jou weer van toepassing is. Last is een sociologieboekje. En er zijn een aantal primaire vragen in het leven van mensen sneller en beter kan. En dan overleef je, zou je darwinistisch kunnen zeggen. Als je niet meegaat in de tijd in het programma. Zeiden wij, zullen we eens opschrijven als we niets doen, wat dat dan gebeurt. Nou, dan komen er meer van die data-eilanden. Data nemen toe. Rechters gaan mensen vrijspreken, want dan gaat het die goed met opruimen, het wordt disproportioneren. Er zitten allebei puzzelstukjes in bakken, daar hadden we zaak mee op kunnen lossen doen we niet. De wetgever vertrouwt ons niet meer. En als je bij bedrijven kijkt zal die hetzelfde zijn, als jij niet de oplossingen van morgen biedt, komt er iemand anders die is sneller, beter of slimmer. Of als je het niet netjes doet, laten we ook maar even kijken naar sommige bedrijven die zich niet zo aan de spelregels houden, gaat uiteindelijk het publiek stemmen met z'n voeten en gaan ze ergens anders heen. Kijk naar een paar hele grote wereldspelers, dat pikken mensen niet. Er komt een nieuw evenwicht. Er komen nieuwe opvattingen in de samenleving. Ja, wij willen techniek, ja, wij willen oplossingen van problemen, ja, maar dat moet wel netjes. En dan kom je op de basisprincipes van een samenleving, wat mij betreft en van een nette politie van een nette rechtsstaat, krijgt onze korpschef toch nog gelijk. Maar ze heeft gelijk hoor, ze heeft het gelijk. Ik wil toch even inbrengen. De AI komt eraan. Dat is denk ik een nieuwe nieuwe golf, nieuwe uitdaging. Hoe zorg je dan, zeg maar, dat de politie in de toekomst erop voorbereid is en ook netjes blijft. Als je als je het afpelt, dan begint dat met te regelen in de wet wat wij de norm vinden. Dus wat is acceptabel, wat is niet acceptabel. Maar de wet loopt loopt achter de feiten aan. De wet loopt achter, dus ook de wetgever zou slimmere manieren kunnen vinden om sneller te worden. Ik zou maar zo zeggen, design thinking in die IT kan ook voor de wet geven. Ik heb zelfs ook een congres uitgedaan. Het kan sneller. De regelgeving maken, die moet natuurlijk wel uitkristalliseren. Want er is nog geen consensus op heel veel gebieden. Ik moet nog even de commissie Koops noemen. Soms is het ook zo dat je wijze mannen of vrouwen aan het werk zet om te zeggen van kun je de dilemma's, kun je daar antwoorden op vinden. De commissie Koops kijkt naar het nieuwe wetboek voor strafvordering en met name naar de bulkdata. En als je dat multidisciplinair doet en dat doet de commissie Koops, dan stop je daar verschillende partijen en dan ga je op zoek naar oplossingen. Dat zet je in de wet. De wet vertaal je en als dat dan nog niet is, dan denk je in de geest van de wet, dan denk je in de geest van de uitspraken, van bijvoorbeeld het Landdekker is, maar dat zijn er nog veel meer. En dan probeer je netjes die balans te vinden. Dan vertaalt het zich in bijna alles wat je in een bedrijf hebt. Je werkprocessen, je opleidingen, je procedures, je checks en balances. Je begroting, je gaat het zo gek niet verzinnen, want je vind je bedrijf opnieuw uit. Dus AI gaat grote gevolgen hebben. En er zijn een aantal knoppen, theoretisch zou je kunnen zeggen, het oude zeven-s'en-model, alles verandert. Ja, en dat is het werk van morgen. En daar is AI best een belangrijke stap in, maar niet de enige. Het is een samenspel van mens, machine, data, software en manieren van werken en hoe je je verhoudt tot de omgeving. Heel mooi. Hoe kijk je daarna? Je neemt straks afscheid. Hoe ziet die veranderende organisatie eruit als je hier vijf jaar eruit bent. Vraag hoe ziet hij er over een jaar uit een jaar uit al lastig zijn. Ik denk dat de impact van AI nog best wel heel groot zal zijn. Zeker als we kijken naar nu de alle nieuwsontwikkelingen natuurlijk, de Generative AI die we nu krijgen. En ook de kracht die modellen hebben. Geopolitiek zal het ook nog wel wat betekenen. We zien nu dat de meest krachtige modellen in Amerika geblokt zijn voor niet-Amerikanen. Dat is ook wel echt in één keer zo van zo'n wake-up van. wacht even, wat gebeurt hier. Voor ons is die wetgeving heel erg belangrijk, die wettelijke regelgeving, ook ten aanzien van wat kunnen we wel en niet. Maar wat zouden er ook echt mee moeten kunnen. Je ziet voor een deel ook toch, dat is ook wel een beetje een Europees ding, toch de nodige weerstand. ten aanzien van het optimaal gebruiken van AI met het idee. Oh jee, als het maar niet misgaat, op zich is dat geen verkeerde gedachten. Maar het moet niet zo natuurlijk zijn dat het zodanig op een gegeven moment beperkt wordt dat wij voor een deel ons werk gewoon niet meer goed kunnen doen. Een van de activiteiten die wij vanuit Nederland al veel langer hebben, is kijken hoe ver we die Europese AI-act niet alleen vorm kunnen geven. Nou, hij ligt zoals die nu ligt. Maar een belangrijke is dat heel veel toepassingen in die AI Act, die Europese AI Act. Die onder hoog risico vallen, dat zijn ook politie toepassingen. Dat we daar nu gewoon goede richtlijnen ook krijgen. De AI Act is eigenlijk een heel politiek document geworden. Het is geen document wat gemaakt is door specialisten op het vakgebied. Het is geschreven met echt wel een aantal politieke opvattingen. En dat betekent dat er nog best wel onnodige onduidelijkheid in zitten. De huidige richtlijnen die ontwikkeld worden, met name voor de high-risk toepassingen. Daar zijn wij actief mee bezig in Europees verband. Dat doen we langs de lijn van Europol. Ik mag binnen Europol nog voor een paar maanden voorzitter zijn van de Europol ACB Strategic Group on AI. En vanuit die strategiegroep van de eisen hebben we inmiddels vijf jaar nu invloed uitgeoefend op de wetgeving zoals het nu geworden is. Maar nu op dit moment ook nog steeds heel actief met het geven van input direct naar de commissie toe, dat kunnen we gelukkig doen. Ten aanzien van hoe zit ons politiewerk nou in elkaar. Geef voorbeelden met use cases. Wat is die dagelijkse politiepraktijk? Het is soms heel lastig om uit te leggen aan niet-politiemensen, hoe ons werk nou in elkaar zit en waarom wij bepaalde dingen doen zoals we die doen. Niet omdat we graag inbreuk maken op fundamentele rechten. Maar soms moeten wij die inbreuken ook kunnen maken binnen goede afgeschermde kaders. Maar dan moeten we ook echt wel heldere kaders hebben voor onszelf. Dus voor ons is het ook, wij willen ook zelf gewoon heldere kaders hebben. Want als je daar een soort van grijs gebied van maakt, dan kun je natuurlijk zeggen, ja, nou dan mogen we alles. Dat werkt dan eerder de andere kant op. Of je mag niets. Of je mag helemaal niks. Maar steeds moet uitleggen wat je aan het doen bent, het creëert verwarring. En het is ook niet goed voor het vertrouwen. Dus in die zin willen we graag heldere, goede regelgeving, maar ook met begrip van hoe ons werk in elkaar steekt. En dat moeten we ook eigenlijk steeds weer opnieuw uitleggen. Het woord ethiek moet hier ook even vallen. Soms kun je je beroepen op de wet of een uitvoeringsregeling. Maar aan het eind van de dag blijft er de politieman of de politievrouw. Waarvan ik blijf vinden dat dat de kern is en de hoeksteen is, die moet zeggen, alles afwegend, wat zijn vaak dilemma's. Vind ik dit proportioneel, vind ik dit terecht vind ik dit in plaats. Kan ik dit zelf verantwoorden? En je moet in de spiegel kunnen kijken en je moet naar je collega's. Ik hoop ook op een cultuur. En ik hoop niet, ik ga gewoon sturen dat die er ook komt. Dus laat maar niet te afwachtend zijn. Dat we elkaar tussen aanhalingstekens, ook de maat kunnen nemen. Want dit is ons vak. Dat doen we wel met geweld. Als jij met geweld een beetje veel geweld gebruikt, dan spreek ik jou aan. Of als ik dat doe, moet jij mij aanspreken. Want dat is ons vak, wij horen dat proportioneel en netjes te doen. En ik hoop dat dat straks ook is met andere dingen. En die ankerpunten, er zijn een paar collega's binnen de politie, die trekken hier heel hard aan, dan zijn we op zoek naar die nieuwe waarden. Samen met de wet, samen met het. Dat moet zorgen voor een nieuwe zekerheid in een omgeving die nu nog onduidelijk is. We moeten gaan afronden, als je een tip zou willen geven voor mensen die middenin ook in een datagedreven programma's zitten. Dat leeft breed in de organisaties. Wat zijn de zaken die jij echt geleerd hebt in de programma vanuit de politie? Het klinkt soms heel ingewikkeld, hoogdravend en ver weg. Maar als je het vertaalt naar het gewone politiewerk en je trekt die parallellen, dan is er heel veel logisch. Alleen het zijn nieuwe werelden, nieuwe taal. Maar blijf dicht bij het politiewerk, blijf dicht bij jezelf, blijf dicht bij die normen. Dan weet je wel welke kant het op moet. En vanuit jouw blik, wat zou je mensen willen meegeven. Als ze gaan starten met de AI-implementatie. Wat Ruud ook zegt, is blijf gewoon zelf goed nadenken. Stel dat ik dit zonder AI zo doen. Hoe zou ik dingen gewoon oppakken. In het begin van het gesprek zei Ruud, ja, AI is een hulpmiddel. En dat is het ook echt. Het is heel belangrijk dat je dit niet gaat zien als een soort van tool of een soort mechanisme, wat jouw werk eigenlijk gaat overnemen. En dat het allemaal dan eigenlijk automatisch gaat. Je logt in op je computer ergens op een strand. En je zegt tegen allerlei AI-agents, doe jij maar vandaag mijn werk. Aan het eind van de dag kijk je nog eens een keer of het allemaal gedaan is en dan heb ik vandaag de werkdag weer gehad. Nou, dat is natuurlijk niet waar we naartoe moeten. Plusjewerk is echt ook mensenwerk. Het is vooral belangrijk dat je snapt hoe die technologie die je gebruikt werkt, wat de impact is, wat het doet en wat je ermee kunt. Maar ook dat je steeds gewoon blijf reflecteren op van wat gebeurt hier nou steeds en wil ik dit ook allemaal. Soms moet je ook gewoon zeggen, ja, dit kan allemaal met AI. Maar ja, dit wil ik gewoon niet. Dus dat doe ik dan ook gewoon niet. Het zou voor mij ook heel acceptabel zijn hoor. Om op sommige dingen te zeggen. Het kan wel, maar we doen het niet. Heel mooi, dankjewel. Dankjewel, Oscar, dankjewel Ruud, wat jullie hier bij ons in de studio wilden zijn. En alvast een flinke voorproef hebben gegeven van wat jullie op de beter. Op de Data-Expo gaan vertellen. Dank jullie wel. Jullie ook bedanken. Leuk dat jullie luisterde naar deze aflevering. Nee, ik stop hem trouwens hier.