Targeting en technologische ondersteuning in pre-assessmentfase

Datum en tijd:

donderdag 9 juli 2026, 10:00 - 17:00 uur

Locatie:

Prinses Margrietkazerne, Kolonel D.J. Teesweg 1, 8091 AT Wezep

Vertrekpunt voor de dialoog

Het gaat om een pre-assessmentsysteem dat gebruik maakt van passagiersdata die al in het IT-landschap van Defensie zijn binnengehaald. De ontvangst van passagiersgegevens en de aansluiting op het bredere IT-landschap vallen dus buiten deze verkenning. Het systeem moet de risico’s van reizigers beter in beeld brengen.

De markt kan mogelijk bijdragen aan oplossingen voor targeting in de pre-assessmentwerkwijze:

• AI-matching;
• (risico)profielen en business logica;
• koppelingen met externe bronnen;
• lerend systeem met geborgd menselijk toezicht.

De KMar is geïnteresseerd in concrete oplossingsrichtingen, praktijkervaringen en lessen uit vergelijkbare implementaties. Het systeem moet aansluiten op de ambities van de KMar en op Europese verplichtingen.

Ambitie Defensie

De KMar wil de huidige pre-assessment werkwijze vernieuwen naar 1 geïntegreerde, data-gedreven oplossing. Deze oplossing ondersteunt het volledige pre-assessmentproces.

Passagiersdata worden ontvangen via het Generiek Koppelvlak Defensie en vervolgens aangeleverd aan de nieuwe oplossing.

De oplossing ondersteunt:

• sortering en doelbinding binnen de geldende juridische kaders;
• geautomatiseerde en handmatige targeting op basis van profielen en business logica;
• analyse en verrijking via koppelingen met open en gesloten bronnen;
• duiding van signalen;
• opvolging met menselijke validatie.

De oplossing moet de werkzaamheden ondersteunen van zowel de Passagiersinformatie-eenheid (onder gezag van de Nationaal Coördinator Terrorismebestrijding en Veiligheid (NCTV)) als de Targeting Center Borders. Daarbij geldt een strikte scheiding van dataverwerking.

De KMar zoekt een oplossing die:

• schaalbaar is;
• uitlegbaar en herleidbaar blijft;
• juridisch houdbaar is;
• effectief gebruik van targeting ondersteunt;
• kan meegroeien met nieuwe databronnen, analysemethoden en Europeseregelgeving.

Uitdagingen

1. Continuïteit tijdens vervanging

De nieuwe oplossing vervangt de huidige systemen API-3 en TRIP. De operationele dienstverlening moet tijdens de vervanging beschikbaar blijven.

Updates en uitbreidingen moeten mogelijk zijn zonder het systeem offline te halen.

2. Uitlegbaarheid, governance en compliance

Europese regelgeving, waaronder de AI Act, stelt hoge eisen aan AI-ondersteunde besluitvorming.

De oplossing moet:

• uitlegbaar en herleidbaar zijn;
• auditmogelijkheden bieden;
• menselijk toezicht borgen.

De analist neemt altijd de eindbeslissing en moet deze achteraf kunnen verantwoorden.

Daarnaast moet de oplossing:

• reizigersgegevens correct identificeren;
• bepalen of verwerking is toegestaan;
• inzicht geven in gebruiksdoel, bevoegdheden en toezicht;

• een effectieve informatiehuishouding ondersteunen.
  
  3.  Lerend vermogen

De KMar wil een oplossing die leert van operationele resultaten.

Uitkomsten van interventies moeten terugvloeien naar business rules en profielen. Hierdoor kan de kwaliteit van targeting continu verbeteren.

Dit vraagt om een architectuur die bias, hallucinatie en ongecontroleerde modelontwikkeling voorkomt.

Daarnaast moet de oplossing beschikbare data optimaal benutten, relevante suggesties doen en feedback structureel verwerken.

Break-outsessies

Tijdens 3 break-outsessies verkennen we samen een toekomstbestendige pre-assessment werkwijze met aandacht voor AI-ondersteunde targeting, lerend vermogen en succesvolle realisatie en implementatie.

1. AI-ondersteunde targeting

Uitlegbaar, herleidbaar en onder menselijk toezicht

De KMar zoekt een oplossing die analisten ondersteunt bij het selecteren van reizigers voor nadere controle.

De analist blijft verantwoordelijk voor de eindbeslissing.

Centrale vragen:

• Welke architectuurkeuzes ondersteunen de combinatie van AI-gestuurde targeting en menselijke besluitvorming?
• Welke uitlegbare (explainable) AI-methoden zijn bewezen in handhavings- of grensbeheercontext?
• Hoe combineer je uitlegbaarheid met operationele snelheid?
• Hoe borg je dat het systeem binnen de gestelde kaders blijft?

2. Een lerende oplossing

Van operationele feedback naar betere business rules

De KMar wil dat de oplossing leert van operationele resultaten. Op die manier kunnen business rules worden verbeterd en ontstaat er waardevolle stuurinformatie over trends, risico's en interventies.

Centrale vragen:

• Hoe richt je een feedbackloop in zonder een black box te creëren?
• Welke architectuur ondersteunt dit?
• Hoe zorg je ervoor dat een oplossing op basis van de feedback op een interventie de juiste vervolgactie onderneemt?
• Hoe voorkom je versterking van bias door feedback?
• Hoe detecteer en voorkom je hallucinaties?
• Wie autoriseert nieuwe regels, technisch én juridisch?

3. Realisatiescenario's

Verantwoordelijkheden, governance en kennisoverdracht

De KMar onderzoekt verschillende scenario's voor ontwikkeling van de toekomstige oplossing.

Ontvangst van passagiersdata, verwerking en integratie in de bestaande infrastructuur worden intern gerealiseerd.

Marktpartijen kunnen mogelijk bijdragen aan:

• doelbinding en datasortering;
• targeting en AI-matching;
• profielen en business rules;
• het uitzetten van werkopdrachten.

Centrale vragen:

• Welke verdeling van verantwoordelijkheden werkt in vergelijkbare trajecten?
• Hoe organiseer je governance, samenwerking en kennisoverdracht?
• Hoe borg je innovatie, continuïteit en autonomie?
• In welke mate is de oplossing operationeel, technisch en juridisch onafhankelijk van niet-Europese leveranciers?
• Welke lessen zijn geleerd in vergelijkbare opdrachten binnen gereguleerde overheids- of veiligheidsomgevingen?

Meer weten?

Ga naar de beginpagina JIVC-leveranciersdialoog. Heb je een vraag? Neem gerust contact op via ons contactformulier.