Ontmoet Team Uithalers
Wij zijn een multidisciplinair team van studenten van verschillende opleidingen binnen CMI. Door samen te werken en ieders eigen skills te gebruiken brengen we design, data en techniek samen in de ontwikkeling van een autonome AI-afvalscheider.
Melih Bayrakdar
Opleiding: INF
Informatica
Richt zich op de systeemarchitectuur en de integratie tussen software en hardware.
Roj Kulu
Opleiding: ADS&AI
Applied Data Science & AI
Verantwoordelijk voor omgang met data, computer vision en het trainen van modellen.
Abdullah Celikkol
Opleiding: ADS&AI
Applied Data Science & AI
Verantwoordelijk voor omgang met data, computer vision en het trainen van modellen.
Jeremy Marques
Opleiding: CMD
Communication & Multimedia Design
Werkt aan het prototype, de behuizing en de gebruikerservaring.
Milan Vreugdenhil
Opleiding: CMD
Communication & Multimedia Design
Werkt aan het prototype, de behuizing en de gebruikerservaring.
Productvisie & Context
Huidige Situatie
In de publieke ruimte moeten mensen zelf bepalen in welke afvalbak hun afval hoort. Door twijfel, tijdsdruk en onduidelijkheid wordt afval vaak verkeerd gescheiden. Fouten worden pas achteraf ontdekt, wat leidt tot vervuilde afvalstromen en extra kosten. De kern-bottleneck is de cognitieve belasting en onzekerheid bij burgers.
Gewenste Situatie (Toekomstbeeld)
Aan het eind van dit semester staat er een fysiek prototype. Gebruikers leveren afval aan via 1 invoeropening. Het systeem analyseert het object realtime via computer vision, sorteert het automatisch (min. 3 categorieën) en communiceert transparant zijn beslissing en confidence score. Binnen 3 seconden, met een nauwkeurigheid van >80%.
Gap Analysis
| Huidige situatie | Gewenste situatie |
|---|---|
| Mens beslist afvalcategorie | AI beslist afvalcategorie |
| Geen realtime feedback | Directe visuele feedback |
| Geen inzicht in confidence | Confidence-score zichtbaar |
| Fouten pas achteraf inzichtbaar | Fouten direct corrigeerbaar / geautomatiseerd |
| Cognitieve belasting bij gebruiker | Geautomatiseerde ondersteuning |
Ontwerpvraag (How Might We)
"Hoe kunnen we een fysiek, AI-gestuurd afvalobject ontwerpen dat zelfstandig afval classificeert en sorteert in de publieke ruimte, terwijl het vertrouwen, begrip en gebruiksgemak voor burgers vergroot?"
Subvragen
- Hoe maken we AI-beslissingen transparant en begrijpelijk?
- Hoe maken we twijfel/onzekerheid van AI zichtbaar i.p.v. verborgen?
- Hoe meten we of gebruikers meer vertrouwen krijgen in dit systeem?
Doelgroepen
- Primair: Stedelijke burgers (stations, campussen, winkelend publiek). Handelen vaak onder tijdsdruk en willen gemak.
- Secundair: Gemeenten en afvalbeheerders (lagere kosten, efficiëntie).
- Overig: Beleidsmakers slimme stad (demonstratie uitlegbare AI).
Scope & Randvoorwaarden
Binnen de Scope
- Computer vision classificatie (min. 3 categorieën).
- Confidence-score berekenen en tonen.
- Werkend mechanisch sorteersysteem (schaalmodel).
- Kleinschalige gebruikerstest (±10 gebruikers) op vertrouwen.
- Veilig: géén opslag van persoonsgegevens.
Buiten de Scope
- Industriële implementatie op ware grootte.
- 100% nauwkeurigheid nastreven (leerdoel staat centraal).
- Geavanceerde deep learning op duizenden real-world samples.
- Integratie met bestaande gemeentelijke systemen.
Sprint 0 Doel & Backlog
Sprintdoel: Aan het einde van de sprint beschikt het team over onderbouwde ontwerpkeuzes, gevalideerde gebruikersinzichten en een eerste gelabelde dataset (150-300 foto's, min. 50 gelabeld).
Backlog (Versie 1)
- Probleemvalidatie (3 pt): Inzicht in verkeerd scheiden.
- MVP bepalen (2 pt): Functionele eisen en scope.
- Systeemarchitectuur (5 pt): Overzicht AI, hardware, interactie.
- Dataset (5 pt): Voorbeeldafbeeldingen verzamelen.
- Interactieconcept (5 pt): Ontwerp weergave AI-beslissing.
- AI-model trainen (8 pt): Min. 3 categorieën onderscheiden.
- Confidence-score (5 pt): Zekerheid model tonen.
- Mechanisch systeem (8 pt): Fysiek sorteermechanisme bouwen.
- Behuizing (8 pt): Veilige, overtuigende omkasting.
- Gebruikerstest (5 pt): Vertrouwen en duidelijkheid meten.
Sprint 1: Onderzoek & Concept Validatie
Status: ⏳ In uitvoering
Sprintdoel: In deze sprint valideren we onze eerste aannames uit Sprint 0 door middel van diepgaander onderzoek en toetsen we het interactieconcept bij de doelgroep.
Verwachte Deliverables
- Onderzoeksverslag met probleemvalidatie.
- Systeemarchitectuur
Sprint Backlog
- Probleemvalidatie uitvoeren: Als team willen wij inzicht krijgen in waarom afval verkeerd wordt gescheiden, zodat ons ontwerp gebaseerd is op echte knelpunten.
- Scope en functionele eisen bepalen: Als team willen wij vaststellen wat het minimale werkende prototype moet kunnen, zodat de scope duidelijk blijft.
- Systeemarchitectuur opstellen: Als team willen wij een overzicht maken van AI, hardware en interactie, zodat duidelijk is hoe het systeem samenwerkt.
Resultaten & Reflectie
Hier komt aan het einde van Sprint 1 een korte samenvatting van wat we hebben geleerd, welke aannames zijn gesneuveld en wat we meenemen naar Sprint 2 (AI-modelontwikkeling + ontwerp).
Teamwaarden & Normen
Samenwerking: We communiceren helder, zonder onnodig jargon, en gebruiken schetsen/prototypes. Transparantie staat voorop voor een veilige sfeer waar constructieve feedback mogelijk is.
Partners & Contacten
- Raul Orozco - Docent SOO
- Sandra Hekkelman - Docent SOO
- Lely - Expert
- Veiligheidsregio Rotterdam-Rijnmond - Expert
- Cities of Things - Expert
- Starship Smart Shipping - Expert