Hazard analysis: Versterkt met AI binnen bestaande processen

1| De uitdaging van hazard analysis in high‑speed rail: Navigeren door de databrij

Hazard analysis binnen high‑speed rail vereist een werkwijze die tegelijk nauwkeurig, tijdkritisch en veerkrachtig is. De kern van de uitdaging ligt in de combinatie van een explosieve groei aan projectdata, strikte veiligheidsnormen (zoals EN 50126), complexe systeeminteracties, en hazards die vaak pas als emergent behavior laat zichtbaar worden.

De omvang van projectdata maakt ieder veiligheidsvraagstuk meerlaags. Teams moeten door duizenden documenten, specificaties, wijzigingen en ontwerpnotities heen om verbanden te begrijpen. De noodzaak om te voldoen aan hoge veiligheidsnormen zorgt ervoor dat iedere stap bewijsbaar, consistent en herleidbaar moet zijn. Tegelijkertijd maakt de intensiteit van systeeminteracties het moeilijk om te voorspellen hoe een kleine wijziging in één subsysteem doorwerkt in andere onderdelen. Hazards worden vaak pas zichtbaar wanneer meerdere factoren samenkomen – een uitdaging die traditionele methoden onder grote druk zet.

Deze samenhang leidt tot een werkdruk waarin engineers steeds meer tijd besteden aan het verzamelen, ordenen en controleren van informatie dan aan inhoudelijke risicobeoordeling, wat de doorlooptijd vertraagt en de kans op over het hoofd geziene risico's vergroot. Niet omdat engineers tekortschieten, maar omdat het menselijk vermogen om alle context, historische keuzes en interfaces tegelijk te overzien zijn grens bereikt.

Praktijkvoorbeelden uit de sector:

• Een projectteam implementeert een interfacewijziging in een remsysteem. Pas na weken handmatig zoekwerk blijkt dat deze wijziging onverwacht ook de logica beïnvloedt in een ander, ogenschijnlijk losstaand subsysteem, wat leidt tot kostbare herstelwerkzaamheden.
• Tijdens een late integratietest wordt een kritieke hazard ontdekt. Deze blijkt het gevolg van twee afzonderlijke ontwerpkeuzes die individueel aan alle normen voldeden, maar gezamenlijk een onacceptabel risico vormen – een typisch geval van emergent behavior.
• Bij een audit blijkt dat verschillende teams met uiteenlopende documentversies werken. Het kost dagen om de juiste documentatie te achterhalen, omdat projectdata verspreid staat over vele stromen en versies, wat de traceerbaarheid en compliance in gevaar brengt.

2| Hoe AI projectdata en historische informatie verbindt tot een 'Digital Thread'

AI kan binnen bestaande processen werken zonder uw workflows te vervangen. In de Basewise‑benadering ondersteunt AI documentanalyse, eisen, verificatie en bewijs — allemaal binnen een veilige omgeving waarin klantdata nooit worden gebruikt voor modeltraining. De rol van AI is adviserend en versterkend, niet besluitvormend.

Door projectdata en historische documenten te verbinden, wordt informatie op een consistente manier toegankelijk. AI creëert een 'Digital Thread' die relaties tussen documenten zichtbaar maakt die anders verborgen blijven. Denk aan een automatisch verband tussen bepaalde requirements (volgens EN 50128/129) en verificatie‑activiteiten, of tussen ontwerpwijzigingen en relevante eerdere besluiten.

Vroegtijdige hazard‑identificatie wordt versterkt doordat AI afwijkingen en inconsistenties proactief signaleert terwijl engineers werken. Hierdoor ontstaan inzichten sneller, zonder extra handmatig zoekwerk en wordt de efficiëntie significant verbeterd.

AI leest mee met ontwerpwijzigingen, specificaties en verificatiedocumenten terwijl zij tot stand komen, en signaleert relevante relaties of afwijkingen voordat inconsistenties zich vastzetten in het project.

Praktijkvoorbeelden van AI‑ondersteuning:

• Een engineer werkt aan een update van de specificatie voor een deurmechanisme. AI signaleert direct dat een passage niet overeenkomt met een oudere requirement over noodbediening. Het team kan onmiddellijk beoordelen of dit een potentiële hazard triggert en corrigeren.
• AI merkt op dat twee documenten verschillende aannames gebruiken voor dezelfde operationele conditie. Dit wordt gemarkeerd voordat dit leidt tot kostbare inconsistenties in ontwerp- of risicoafwegingen later in het project.
• Tijdens de voorbereiding op een audit vindt AI in een testverslag een afwijking ten opzichte van een eerder vastgesteld verificatieplan. Engineers kunnen dit tijdig corrigeren, waardoor compliantie gewaarborgd blijft en vertragingen worden voorkomen.
  

→ AI suggereert, de mens beoordeelt
AI presenteert inzichten en mogelijke aandachtspunten, maar de classificatie van hazards, risico‑acceptatie en besluitvorming blijven altijd expliciet bij de engineer en de verantwoordelijke safety rol.

3| Versterking van engineeringbesluiten door onderbouwde inzichten

De primaire winst zit niet alleen in snelheid, maar in aantoonbaar completere en consistenter onderbouwde besluiten. Tijdwinst volgt daar vanzelf uit.
Engineers krijgen relevante passages, relaties, varianten en afhankelijkheden aangereikt, terwijl ze altijd zelf de inhoudelijke beslissing nemen. Dit stelt hen in staat om zich te richten op hoogwaardige risicobeoordeling en interpretatie, in plaats van op tijdrovend zoekwerk.

Omdat AI volledig binnen bestaande workflows kan werken, blijft de werkwijze vertrouwd en de leercurve minimaal. Engineers ervaren een significante vermindering van de administratieve last, terwijl de betrouwbaarheid van de analyse toeneemt.

Het resultaat is dat mitigaties eerder en consistenter kunnen worden beoordeeld – essentieel in omgevingen waarin veiligheid leidend is. Dit leidt tot tijdsbesparing, kostenreductie en bovenal een verhoogd veiligheidsniveau.

Praktijkvoorbeelden van snellere en betere besluitvorming:

• Een team beoordeelt een mitigatie voor een complexe softwareaanpassing. AI toont direct alle documenten waarin het gerelateerde requirement voorkomt, inclusief relevante ontwerpnotities en testrapporten. Dit versnelt de cruciale vraag: is de mitigatie volledig en adequaat?
• Bij een mogelijke hazard door spanningsschommelingen toont AI direct welke eerdere incidentanalyses en testresultaten relevant zijn. Hierdoor ontstaat een vollediger en beter onderbouwd beeld, wat leidt tot effectievere maatregelen.
• Tijdens een ontwerpwijziging signaleert AI dat een voorgestelde mitigatie in tegenspraak lijkt met een oudere verificatierapportage. Het team kan direct bepalen of extra maatregelen nodig zijn om compliantie en veiligheid te waarborgen.

4| De concrete impact voor high‑speed rail organisaties

Wanneer AI veilig, geïntegreerd en procesondersteunend wordt ingezet, versterkt het bestaande systemen zonder ze te vervangen. Teams krijgen toegang tot informatie die vollediger, consistenter en sneller beschikbaar is, waardoor de kwaliteit van de output verbetert en de kosten dalen.

Voor organisaties betekent dit dat workflows robuuster worden, dat waardevolle kennis beter wordt benut en dat risico’s significant eerder worden herkend en aangepakt. De adoptie kan gefaseerd plaatsvinden: eerst documentanalyse, later uitbreiden naar requirements, verificatie en bewijs.

Omdat de Basewise‑aanpak klantdata nooit gebruikt voor modeltraining en volledig binnen een veilige omgeving draait, behouden organisaties volledige controle en vertrouwelijkheid, wat essentieel is in de gevoelige railsector. 

Praktijkvoorbeelden van succesvolle implementatie:

• Een organisatie start met AI‑ondersteuning in één projectteam. Na enkele maanden wordt dit opgeschaald naar meerdere teams wanneer blijkt dat risico‑afhankelijkheden aantoonbaar sneller worden gevonden en de kwaliteit van de analyses merkbaar toeneemt.
• Een programmaorganisatie begint met AI voor het structureren en beheren van requirements. Zodra dit leidt tot meer consistentie en betere aantoonbare compliantie, wordt dezelfde werkwijze stapsgewijs uitgebreid naar verificatie en bewijs.

De ervaring leert dat acceptatie hoog is wanneer engineers ervaren dat AI hun denkproces versterkt in plaats van overneemt. Door bewust geen autonome beslissingen te nemen, blijft vertrouwen behouden.