Dit zeggen fraude- en compliance expert Olaf Passchier en strategisch adviseur overheid John Bilstra van SAS. Samen laten zij zien hoe data, analytics en AI kunnen helpen risico’s eerder zichtbaar te maken, zonder het publieke vertrouwen of de privacy uit het oog te verliezen.
Van datasilo’s naar weerbaarheid: zo herkennen overheden risico’s eerder
Overheden die te maken hebben met hybride dreigingen, smokkel, identiteitsfraude en georganiseerde criminaliteit, beschikken vaak al over grote hoeveelheden gegevens. De uitdaging zit niet zozeer in het verzamelen van meer data, maar in het leggen van de juiste verbanden. “Er is heel veel data beschikbaar, maar het gaat erom de belangrijkste signalen te vinden.”
De scheiding tussen fraude, veiligheid en grensbewaking vervaagt. Passchier: “Vroeger was het misschien vrij makkelijk: je smokkelde drugs, je kreeg er geld voor terug en je kon het vrolijk uitgeven. Overheden zijn dat gaan bestrijden, waardoor de structuren steeds complexer werden. Het geld gaat nu niet meer met een tasje over de grens; dat gaat allemaal digitaal.”
Witwassen is daarmee onmisbaar voor criminelen, en dat dwingt hen tot andere vormen van fraude. “Identiteitsfraude om een bankrekening te kunnen openen en het geld het land in of uit te krijgen. Documentfraude om mensen het land binnen te smokkelen die vervolgens in zo’n netwerk actief zijn”, aldus Passchier. Drugs- en mensensmokkel, financiële criminaliteit en cybercriminaliteit lopen zo steeds meer door elkaar.
Data delen
De grootste uitdaging is volgens hem het combineren van bronnen. “Je weet wie er de grens overkomen, maar koppel die informatie maar eens aan de financiële gegevens van diezelfde personen. Opsporingsdiensten moeten vaak op zoek naar de speld in een hooiberg. Het lukt niet om iedereen volledig te controleren. Je moet dus een risico-inschatting kunnen maken: wie en wat is gevaarlijk, en wie wil ik nader onderzoeken?”
Daar komt bij dat data niet zomaar gedeeld mag worden. Bilstra: “Ook overheden onderling mogen vaak niet altijd data delen, zowel over de grenzen als binnen Nederland. Politie-eenheden hebben soms privacygevoelige data over dezelfde personen, maar mogen die niet allemaal delen.” Internationaal speelt hetzelfde. Nederland maakt bijvoorbeeld geen deel uit van de Five Eyes, de samenwerking van de Verenigde Staten, het Verenigd Koninkrijk, Canada, Australië en Nieuw-Zeeland, en krijgt daardoor niet alle data die wereldwijd beschikbaar is.
Digitale Noordzee
De oplossing zit volgens Bilstra in heldere afspraken. “Het is vooral de samenwerking opzoeken en regelen: wat wil je delen, wat mag je delen in zogenoemde dataspaces.” Hij wijst op het programma Digitale Noordzee, waarin onder meer Rijkswaterstaat en Kustwacht en Defensie (JIVC) samenwerken aan het databeheer, maritieme veiligheid en een gezamenlijk verkeersbeeld op zee.
Passchier benadrukt daarbij: “Ik pleit er niet voor om onbeperkt alle data te delen. Het gaat erom de juiste afweging te maken binnen duidelijke kaders. In Nederland weegt privacy heel zwaar. Maar we hebben misschien nog onvoldoende oog voor de risico’s en gevolgen van het níét delen van data.”
Van data naar inzicht in drie stappen
Bij SAS werken we met drie stappen.
- De eerste is het intelligent samenbrengen van data.
“Dat noemen wij entity resolution. Als je in database 1 een persoon hebt staan en in database 2 iemand met overeenkomstige kenmerken, moet je vaststellen of het om dezelfde persoon gaat. Pas dan kun je informatie uit beide bronnen op een betrouwbare manier combineren: dit weet ik uit bron 1 en dat uit bron 2”, legt Passchier uit. - De tweede stap is prioriteren in het woud aan data, met business rules en AI-modellen.
Daar komen ook de dwarsverbanden naar boven. “Pietje woont op dit adres, wie woont er nog meer? Of er zijn telefoongesprekken, met wie had hij veel contact? Die verbanden gebruik je om risico’s te bepalen.” - De derde stap is visualiseren en rapporteren.
“Stel dat je een lijstje met tien verdachte personen hebt. Dan wil je van die tien een compleet beeld: wat heeft hij gedaan, wie kent hij, wat zijn zijn bezittingen? Dat netwerk wil je zichtbaar maken.”
Bij detectie spelen zowel regelgedreven algoritmes als AI een rol, vaak in combinatie. “Voor bekende problemen kun je regels bedenken en die loslaten op je data. Dat klinkt ouderwets, maar is nog steeds zeer bruikbaar. Complexere AI-modellen kunnen juist minder bekende of veranderende vormen van criminaliteit herkennen die niet goed in regels te vangen zijn”, zegt Passchier. Een model kijkt dan naar wat er het afgelopen jaar is gebeurd en geeft een signaal af bij verdachte situaties. Vervolgens beoordeelt een medewerker of er daadwerkelijk aanleiding is voor nader onderzoek.
Bij witwassen, dat sterk regelgedreven is, zit de meerwaarde van AI vooral in prioritering. “Van de signalen waar een organisatie naar moet kijken is minder dan vijf procent echt serieus, maar ze moeten er allemaal naar kijken. Met behulp van AI kun je bepalen welke signalen prioriteit verdienen, omdat uit historische gegevens blijkt dat dit de meest risicovolle zijn.”
Ook bij documentfraude is AI onmisbaar. “Een foto bij een verzekeringsclaim of een identiteitsbewijs kan door AI zijn aangepast of volledig zijn gegenereerd en dat kun je als mens vaak niet zien, maar AI-modellen kunnen dit wel detecteren. Ze herkennen afwijkingen die voor het blote oog onzichtbaar zijn, zoals ongebruikelijke pixelpatronen. Een medewerker beoordeelt vervolgens of het document, in combinatie met andere gegevens, echt verdacht is. Dat is belangrijk, omdat een valse identiteit de basis is voor andere vormen van criminaliteit, van het openen van een bankrekening tot het binnenhalen van een uitkering of het land binnenkomen. Het blijft een wedloop: naarmate fraudeurs betere technieken gebruiken, moeten ook de detectiemodellen blijven leren.
Transparantie cruciaal
Voor verantwoord gebruik is volgens Passchier transparantie cruciaal. “Het moet heel duidelijk zijn wat je waarvoor gebruikt. Daar hebben burgers recht op. Als een overheidsorganisatie een besluit neemt dat gevolgen heeft voor een burger, moet die kunnen vragen waarom dat besluit is genomen en welke regels en gegevens daarbij zijn gebruikt. En als AI-modellen worden ingezet, moet duidelijk zijn hoe die tot stand zijn gekomen en met welke data ze zijn getraind. Dat moet allemaal goed vastgelegd zijn.”
Een onderbelicht onderdeel van een informatiegestuurde aanpak is volgens Bilstra de vertaling van operationele informatie naar strategische stuurinformatie. “Teams zijn goed in het opsporen van criminele activiteiten, terwijl management en directie vooral inzicht willen hebben in de inzet van mensen en de inspanningen die daarmee gemoeid zijn.” Juist die strategische stuurinformatie ontbreekt nog te vaak.
Passchier vult aan: “Je kunt alle agenten in Nederland inzetten tegen winkeldiefstal en dan pak je ongetwijfeld heel veel winkeldieven op, maar de zwaardere vormen van criminaliteit vind je dan niet. Wil ik duizend winkeldieven oppakken of één drugssmokkelaar? Dat is een strategische afweging, want je kunt niet allebei.”
De uitdaging voor overheden is dan ook niet zozeer om meer data te verzamelen, maar om bestaande data beter te benutten. Dat begint bij betrouwbare en kwalitatief goede data, en het leggen van de juiste verbanden. Door operationele informatie te vertalen naar strategische inzichten, kunnen overheden beter onderbouwde keuzes maken, prioriteiten stellen en mensen en middelen effectiever inzetten. Zo helpen data en AI om complexe vraagstukken te vertalen naar betrouwbare inzichten en beter onderbouwde beslissingen. Daarbij blijven transparantie en zorgvuldigheid essentieel.
Plaats een reactie
U moet ingelogd zijn om een reactie te kunnen plaatsen.