Inzetten bij Defensie zijn doorgaans voor langere tijd (1 tot maximaal 4 jaar). Voor deze functie moet een B- screening worden doorlopen met een gemiddelde duur van 6-8 weken.

Opdrachtbeschrijving
In dit project wordt een prototype gemaakt dat aantoont hoe bewaken en beveiligen effectiever en efficiënter ingericht kan worden door de inzet van beeldanalyse en VR/AR. Dit prototype bevat de volgende functionaliteiten:
- het weergeven van een straatbeeld in 3D in VR/AR
- het koppelen van 2D-camerabeelden aan de 3D omgeving, waardoor voertuigen en voetgangers als anonieme avatars in de 3D-omgeving geprojecteerd kunnen worden
- het analyseren van gedrag van de voertuigen en voetgangers.
Het doel van het ontwikkelen van het prototype is het opdoen van kennis over hoe state-of-the-art beeldtechnologie kan bijdragen aan beveiligingsconcepten. Het prototype is zeer experimenteel van aard, dus de kans bestaat dat bepaalde onderdelen van het prototype niet succesvol zullen zijn.
De planning is dat het resultaat 1,5 jaar na start van de ingehuurde resources afgerond is. Iedere 3 maanden worden er deelresultaten opgeleverd. We delen het project op in vier fases. Per fase beschrijven we concrete opeenvolgende deelproducten.

Fase 0: voorproefje (inmiddels afgerond)
- Simpel AR model, van deel van een stad, met animaties zoals rijdende voertuigen
- Inclusief semi-transparant dashboard op de achtergrond
Fase 1: van 2D naar 3D
- Een visie op de software architectuur (+mogelijke cloud of on-prem oplossingen) (als product van het adviestraject)
- Het generen van een 3D omgeving.
- Het bepalen van de camera-posities in de 3D omgeving.
- Het mappen van de camerabeelden op de 3D-omgeving; welk deel van de omgeving is zichtbaar op het camerabeeld?
- Projectie van objecten in 3D omgeving: auto’s (+type), scooters, fietsers, personen, ook geparkeerde voertuigen, honden
Fase 2: Simpele alerts en tellingen
- Gebruiker kan manueel boundaries tekenen, voor verboden zones. Inclusief een alert als iemand de zone betreedt.
- Het registeren van tijdstip en het tellen van het aantal voertuigen en personen.
- Een dashboard met een overzicht van de tellingen.
- De gebruiker kan situaties terug kijken in VR/AR, vanuit meerdere perspectieven en vanuit een helikopterview.
Fase 3: Gedragsherkenning voor het detecteren van specifieke gedragingen
Fase 4: Slim normaalbeeld om afwijkingen te detecteren op basis van anomaly detection

De werkzaamheden van de data scientist zitten vooral in fase 2, 3, en 4, namelijk:
• Onderzoek doen naar bestaande statistische methodes (van simpele statistiek tot complexe machine learning) voor het detecteren van afwijkingen op basis van videobeelden
• Prioritering maken van analyses (i.e. welke analyses zijn operationeel het meest relevant en technisch haalbaar?)
• Implementeren van de gekozen methode(s)
• Waar nodig: het samenstellen van training- en test-set
• Ontwerpen van een evaluatiemethode

Achtergrond opdracht
Vanuit het Nationaal Coordinator Terrorismebestrijding en Veiligheid (NCTV) is een kenniscentrum Bewaken&Beveiligen (KCBB) opgericht. De aangesloten partijen bij dit kenniscentrum zijn het NCTV zelf, de politie, de KMar, en DITSS. Het platform is bedoeld om samenwerking op het vlak van technologische IT-innovatie te bevorderen specifiek voor het domein bewaken&beveiligen. Elke aangesloten partij draait eigen projecten waarvoor een jaarlijks budget beschikbaar wordt gemaakt vanuit het NCTV. Het project vanuit de KMar wordt geinitieerd vanuit staf KMar, cluster Informatie Voorziening, team Deep Vision. Het doel van dit project is om inzicht te krijgen in de toepassing van slimme analyse van databronnen zoals camerabeelden (of data afkomstig van andere sensoren) in het kader van beveiliging. De focus van de analyse ligt op het onderkennen van verdachte bewegingen in de omgeving van een te-beschermen object. Het resultaat van dit project is een prototype wat partners in het veiligheidsdomein (i.e. NCTV, politie, KMar) de mogelijkheid geeft om te experimenteren met slimme sensoren ter ondersteuning van beveiliging. De kwaliteit en bruikbaarheid van het prototype zal gemonitord worden in samenwerking met gebruikers aan de hand van (fysieke) simulaties van operationele scenario's. De kandidaat zal het grootste deel van bovengenoemd project uitvoeren. De
kandidaat gaat deel uitmaken van het team Deep Vision van de KMar, en zal tegelijkertijd veel samenwerken met onze collega's van de politie. De standplaats is in principe de Frederikkazerne in Den Haag maar werken op andere locaties (inclusief thuis) kan waar de werkzaamheden dat toelaten. Werktijden zijn flexibel in te richten.

Organisatorische context en cultuur
Koninklijke Marechaussee: De Koninlijke Marechaussee (Kmar) waakt over de veiligheid van de Staat. In Nederland en ver daarbuiten. Ze wordt wereldwijd ingezet op plaatsen van strategisch belang. Van de Koninklijke paleizen tot aan de buitengrenzen van Europa. Van luchthavens in Nederland tot oorlogs- en crisisgebieden overal ter wereld. De KMar is veelzijdig inzetbaar voor veiligheid, juist als het erop aankomt. De KMar bestaat uit een staf, eigen opleidingscentrum en een Landelijk Tactisch Commando (LTC). De staf ondersteunt de Commandant Koninklijke Marechaussee met de uitvoering van zijn taken. De brigades voeren alle operationele taken uit van de marechaussee. De brigades maken deel uit van het LTC. Deze opdracht is geformuleerd vanuit het team Deep Vision, wat onderdeel is van het cluster informatievoorziening (IV) van de staf. Het team Deep Vision werkt aan het opbouwen van kennis en het experimenten met technologie op het gebied van data science, kunstmatige intelligentie, en robotica.

Eisen
Kandidaat heeft minimaal 5 jaar aantoonbare relevante werkervaring als Solution Architect, Data Scientist, Machine learning specialist of Data analist    
Kandidaat beschikt minimaal over een afgeronde HBO-opleiding

Wensen

Kandidaat heeft bij voorkeur aantoonbare ervaring met gedragsherkenning of anomaly detection.    
Kandidaat heeft bij voorkeur aantoonbare kennis en ervaring met deep learning technieken (bijv. CNN's, RNN's, Capsnets, Transformers) .    
Kandidaat heeft bij voorkeur aantoonbare ervaring met softwareontwikkeltools/-omgevingen zoals linux, docker, git, en CI/CD pipelines.     
Kandidaat heeft bij voorkeur aantoonbare kennis en ervaring met training- en inferenceomgevingen voor deep learning, zoals Triton, TensorRT, Tensorflow, of PyTorch.    
Kandidaat heeft bij voorkeur aantoonbare ervaring met het maken van realtime beeldverwerkingssoftware in C of C++ (bij voorkeur op basis van gstreamer)     
Kandidaat heeft bij voorkeur affiniteit met het gebruik van verschillende soorten sensoren (camera’s, microfoons, bewegingssensors, etc.) Deze wens wordt als volgt gemeten aan de hand van opgegeven interesses en eigen projectjes m.b.t. sensoren in de vrije tijd of tijdens studies.      
Kandidaat heeft bij voorkeur aantoonbare kennis van en/of ervaring met traditionele computer vision-technieken (zoals optical flow, edge detection, pre-processing van afbeeldingen, filters, etc.)    
Kandidaat heeft bij voorkeur een technische HBO of WO Master opleiding in AI, Computer Science, Data Science of gerelateerd beta-vakgebied;