Datakvalitetsløft i BBR med machine learning
Session
AI
Abstract
BBR-data anvendes i stort omfang hos offentlige myndigheder og i private virksomheder. Det er derfor vigtigt, at datakvaliteten er høj. Ikke blot ift. interne logikker og datakontroller i BBR-systemet, men at data afspejler virkeligheden. Her har anvendelse af machine learning et stort potentiale.
Igangværende projekter om datakvalitetsløft i BBR involverer en stor andel af manuel løsning af sager, og der er ofte brug for at se, hvordan bygninger ser ud på et flyfoto for at kunne finde frem til den korrekte registrering. Ved at træne machine learning-modeller ud fra flyfotos og sammenholde det med GeoDanmarks bygningsomrids og BBR-data, kan man få et resultat, der indikerer uoverensstemmelse mellem de faktisk, fysiske forhold og registreringen i BBR. Tillige kan man få et bud på, hvad den korrekte registrering burde være.
Vi fortæller om de muligheder for nye datakvalitetsløftsprojekter, som vi ser for BBR.
Målgruppe
Målgruppen for indlægget er alle deltagere ved Kortdage 2026, der arbejder med ajourføring af offentlige ejendomsdata eller interesserer sig for anvendelsen af resultaterne af machine learning-modeller i praksis.
Yderligere uddybning af abstract
De nuværende datakvalitetsløftsprojekter i BBR arbejder med fejl, der er identificeret ud fra interne logikker og datakontroller ved at samkøre forskellige felter i BBR eller ud fra forskellige datakilder for på den måde at finde frem til uoverensstemmelser. Denne metode fanger dog ikke fejl ift. de faktiske, fysiske forhold, hvis alle interne logikker er overholdt, eller der ikke er andre datakilder at sammenholde med. Kun gennem manuel sagsbehandling har det været muligt at sammenholde en registrering med de faktiske, fysiske forhold, som de ses på flyfotos. Det har ikke været muligt at tilrettelægge et målrettet datakvalitetsløft, da uoverensstemmelserne mellem BBR-oplysninger og de faktiske, fysiske forhold ikke før har kunnet udpeges.
Ved at benytte machine learning, der er trænet ud fra flyfotos, har vi nu mulighed for at sammenholde det, modellen udpeger, med registreringen i BBR, og derved kan vi tilrettelægge en liste, der indikerer fejl i registreringen i BBR iht. til de faktiske, fysiske forhold. Fx vil modellen kunne finde karakteristiske tagmaterialer på en bygning ud fra flyfotos, som vi så kan sammenholde med tagmaterialet, der er registreret i BBR.
Fremadrettet vil nogle datakvalitetsløft i BBR kunne udføres ved hjælp af machine learning, der kan fokusere vores indsats til ejendomme, hvor der potentielt er fejl i BBR-oplysningerne i forhold til de faktiske, fysiske forhold på den enkelte ejendom. Derved vil vi kunne anvende ressourcerne i den manuelle sagsbehandling på en langt mere effektiv måde.
