Een veiligheidscontrole die vandaag nog grotendeels afhankelijk is van afzonderlijke apparaten, menselijke aandacht en software die door een fabrikant werd ontworpen, dreigt binnen enkele jaren te veranderen in een verbonden digitaal ecosysteem waarin kunstmatige intelligentie voortdurend leert van miljoenen beelden van passagiers, koffers, vracht en goederen. Het Amerikaanse ministerie van Binnenlandse Veiligheid wil met een nieuwe samenwerking tussen overheid en bedrijfsleven de ontwikkeling van detectiealgoritmen versnellen, verschillende scanners met elkaar laten communiceren en software onafhankelijk maken van één specifiek merk of apparaat. Achter deze belofte van snellere doorgang, minder lichamelijke controles en betere dreigingsdetectie ontstaat echter een nieuwe machtsstructuur rond data, omdat degene die de beelden verzamelt, de algoritmen traint en de technische standaarden bepaalt uiteindelijk mede beslist wat als verdacht wordt gezien en wie zonder problemen door de grens mag bewegen.
De Science and Technology Directorate en het Transportation Security Laboratory werken daarom aan een Cooperative Research and Development Agreement waarmee goedgekeurde ondernemingen gezamenlijk gegevens uit beveiligingsapparatuur kunnen verzamelen, controleren, classificeren, verrijken, synthetisch aanvullen en beschikbaar stellen aan ontwikkelaars van detectiesoftware. Het toekomstige samenwerkingsverband moet fabrikanten van scanners, ontwikkelaars van kunstmatige intelligentie, softwarebedrijven, testlaboratoria, producenten van synthetische data en operationele gebruikers binnen één beveiligde omgeving samenbrengen. Het uitgangspunt is dat geen enkele onderneming of overheidsdienst afzonderlijk genoeg gevarieerde gegevens kan verzamelen om betrouwbare algoritmen te ontwikkelen voor de enorme verscheidenheid aan personen, bagage, vracht en voorwerpen die dagelijks door Amerikaanse controlepunten bewegen.
De huidige beveiligingsmarkt wordt gehinderd door systemen die technisch vaak als gesloten eilanden functioneren, omdat software, hardware en dataformaten niet automatisch uitwisselbaar zijn. Een algoritme dat uitstekend presteert op de scanner van fabrikant A kan niet zonder aanvullende aanpassingen worden gebruikt op apparatuur van fabrikant B, waardoor luchthavens afhankelijk blijven van lange ontwikkeltrajecten en kostbare upgrades die vrijwel volledig door de oorspronkelijke leverancier worden gecontroleerd. Open architectuur moet deze situatie doorbreken door gemeenschappelijke standaarden te creëren waarmee verschillende onderdelen gegevens op dezelfde manier verwerken en software eenvoudiger tussen systemen kan worden verplaatst. TSA omschrijft dit model als een infrastructuur waarin hardware en software op basis van gedeelde standaarden met elkaar kunnen samenwerken, zodat nieuwe toepassingen sneller kunnen worden toegevoegd zonder telkens een volledig controlesysteem te vervangen.
Een dergelijke omslag kan de innovatie aanzienlijk versnellen, omdat de overheid niet langer hoeft te wachten totdat één fabrikant zelf een nieuwe dreiging onderzoekt, een algoritme bouwt, het volledige apparaat aanpast en daarna opnieuw een lang certificeringstraject doorloopt. Een gespecialiseerde softwareontwikkelaar kan binnen een open systeem een algoritme maken voor een specifieke categorie wapens, explosieven of verborgen materialen en dat programma vervolgens laten testen voor gebruik op verschillende typen apparatuur. De veiligheidsmarkt wordt daarmee minder afhankelijk van enkele grote producenten en kan ruimte bieden aan kleinere ondernemingen, universiteiten en onderzoeksteams die sterke software ontwikkelen maar niet over de middelen beschikken om zelf complete scanners te bouwen.
De verandering gaat veel verder dan een technische verbetering van de luchthavencontrole, omdat het toekomstige systeem gegevens uit verschillende locaties kan samenbrengen en daarmee een voortdurend lerende beveiligingsstructuur creëert. Een nieuw dreigingspatroon dat op één luchthaven wordt ontdekt, kan worden gebruikt om algoritmen voor tientallen of honderden andere controlepunten te verbeteren. Een afwijkend object hoeft daardoor niet op iedere locatie opnieuw door een medewerker te worden herkend voordat het systeem leert hoe het eruitziet. Dezelfde snelheid waarmee cyberaanvallen wereldwijd worden gedeeld en geanalyseerd, kan geleidelijk ontstaan binnen de fysieke beveiliging van luchtvaart, vrachtvervoer en grenspassages.
De Transportation Security Administration houdt toezicht op de passagierscontrole bij ongeveer 450 Amerikaanse commerciële luchthavens, waardoor zelfs een kleine verbetering in detectiesnelheid of nauwkeurigheid enorme operationele gevolgen kan hebben. Een algoritme dat per bagagestuk slechts enkele seconden bespaart, kan over miljoenen controles wachttijden verminderen en de werkdruk van beveiligingsmedewerkers verlichten. Een model dat het aantal foutieve waarschuwingen beperkt, voorkomt dat personeel voortdurend koffers moet openen of reizigers aanvullend moet onderzoeken zonder dat een werkelijke dreiging aanwezig is. De schaal vergroot echter ook het gevaar, omdat een zwak algoritme of een verkeerde update niet één controlepunt raakt maar mogelijk vrijwel gelijktijdig over een groot nationaal netwerk wordt verspreid.
Het Transportation Security Laboratory krijgt binnen dit stelsel een cruciale rol, omdat nieuwe apparatuur en algoritmen niet rechtstreeks vanuit een ontwikkelomgeving naar de luchthaven kunnen worden gestuurd. De technologie moet worden getest onder gecontroleerde en operationeel realistische omstandigheden, waarbij wordt onderzocht of dreigingen betrouwbaar worden ontdekt, toegestane voorwerpen niet onnodig worden geblokkeerd en de prestaties ook onder druk, slijtage en afwijkende omstandigheden stabiel blijven. Beveiligingsapparatuur die in Amerikaanse luchthavens wordt ingezet, doorloopt reeds certificering en evaluatie via dit laboratorium, waardoor de nieuwe datamarkt niet mag veranderen in een sluiproute waarmee commerciële ontwikkelaars hun producten zonder zware onafhankelijke toetsing in nationale infrastructuur plaatsen.
Machine learning maakt de behoefte aan grote datasets bijzonder urgent, omdat een algoritme alleen patronen kan herkennen die tijdens de training voldoende en op de juiste manier zijn vertegenwoordigd. Een model dat duizenden beelden van gewone bagage heeft gezien maar slechts enkele voorbeelden van een verfijnd verborgen explosief, kan indrukwekkend presteren tijdens algemene tests en toch falen bij het zeldzame voorwerp waarvoor het controlesysteem juist bestaat. Dreigingen zijn per definitie schaars, worden bewust gecamoufleerd en veranderen zodra aanvallers begrijpen hoe bestaande apparatuur werkt, waardoor de trainingsdata voortdurend moeten worden uitgebreid met nieuwe vormen, materialen en verbergingsmethoden.
Het verzamelen van zulke gegevens uit de werkelijkheid is langzaam, duur en soms onmogelijk, omdat niemand op grote schaal echte explosieven, wapens en verboden constructies door operationele luchthavens kan sturen om een algoritme voldoende voorbeelden te geven. Synthetische data moeten daarom digitale beelden creëren die de fysische eigenschappen van echte voorwerpen en scanners zo nauwkeurig mogelijk nabootsen. Een computer kan duizenden variaties produceren van hetzelfde dreigingsobject onder verschillende hoeken, tussen verschillende materialen, in koffers van uiteenlopende dichtheid en onder omstandigheden die in de praktijk nauwelijks veilig kunnen worden verzameld.
Deze kunstmatig gegenereerde gegevens kunnen de ontwikkeling versnellen, maar dragen een fundamenteel gevaar in zich wanneer de digitale werkelijkheid beter geordend is dan de echte wereld. Een synthetische koffer bevat alleen de variaties die de ontwerpers hebben voorzien, terwijl echte bagage wordt gevuld met beschadigde apparaten, vocht, kabels, voedsel, speelgoed, medicijnen en willekeurige combinaties die ieder beeld ingewikkelder maken. Een algoritme kan daardoor uitzonderlijk goed leren presteren op gesimuleerde dreigingen en alsnog verward raken door de rommelige, onvoorspelbare werkelijkheid van een drukke luchthaven.
Validatie van synthetische data wordt daarom net zo belangrijk als de kwaliteit van het algoritme dat ermee wordt getraind. Fysici, ingenieurs en experts in computer vision moeten controleren of digitale beelden dezelfde signaturen, dichtheden, reflecties en afwijkingen produceren als echte materialen binnen verschillende soorten scanners. Een fout in het simulatiemodel kan duizenden kunstmatige voorbeelden besmetten en vervolgens een detectiealgoritme trainen dat zeer consequent naar het verkeerde kenmerk zoekt. De technologie faalt dan niet willekeurig, maar systematisch en met een overtuigend nauwkeurigheidspercentage dat pas instort wanneer zij met een onbekende werkelijkheid wordt geconfronteerd.
De voordelen van synthetische data reiken eveneens naar de opleiding van beveiligingsmedewerkers, omdat zij kunnen oefenen met zeldzame dreigingen zonder dat gevaarlijke materialen fysiek aanwezig hoeven te zijn. Een medewerker kan honderden complexe bagagebeelden beoordelen en direct feedback ontvangen over gemiste of verkeerd geïnterpreteerde voorwerpen. De trainingsomgeving kan zich aanpassen aan individuele zwakke punten en steeds moeilijkere scenario’s aanbieden, waardoor menselijke waarneming en algoritmische detectie elkaar versterken in plaats van dat de machine de medewerker volledig vervangt.
Menselijke controle blijft noodzakelijk omdat kunstmatige intelligentie geen begrip heeft van intentie, context of de volledige veiligheidsomgeving. Een algoritme ziet patronen in pixels en meetgegevens, maar weet niet automatisch waarom een voorwerp aanwezig is, wie het vervoert of welke operationele omstandigheden een afwijking verklaren. Een systeem kan een medisch hulpmiddel, technologisch prototype of cultureel voorwerp als dreiging markeren omdat het visueel lijkt op verboden materiaal. De beveiligingsmedewerker moet vervolgens kunnen begrijpen waarom het model alarm heeft geslagen en voldoende kennis bezitten om het advies kritisch te beoordelen.
Ondoorzichtige algoritmen creëren daarbij een gevaarlijk gezagsprobleem, omdat medewerkers na duizenden correcte waarschuwingen geneigd raken de machine automatisch te vertrouwen. Een rood vak rond een object kan psychologisch sterker worden dan het eigen oordeel van de controleur, zelfs wanneer het systeem geen begrijpelijke verklaring geeft. Automatiseringsbias verandert kunstmatige intelligentie dan van een ondersteunend instrument in een onzichtbare beslisser die door mensen wordt gevolgd omdat niemand verantwoordelijk wil zijn voor het negeren van een waarschuwing.
Foutieve waarschuwingen zijn niet slechts een operationeel ongemak, omdat zij rechtstreeks kunnen leiden tot fouillering, vertraging, ondervraging, gemiste vluchten en registratie binnen veiligheidssystemen. Bepaalde groepen kunnen onevenredig vaak worden geraakt wanneer de trainingsdata onvoldoende representatief zijn voor verschillende kledingstijlen, medische hulpmiddelen, lichaamsvormen, religieuze voorwerpen of bagagegewoonten. Een algoritme hoeft geen menselijke vooroordelen te bevatten om ongelijke gevolgen te produceren, aangezien een dataset die sommige groepen minder goed vertegenwoordigt al voldoende is om hun normale gedrag vaker als afwijkend te behandelen.
De geplande datadeling vereist daarom veel strengere regels dan een gewone commerciële databank, omdat screeningbeelden informatie kunnen bevatten over persoonlijke bezittingen, lichamelijke kenmerken, reisgedrag, bedrijfsgoederen en beveiligingstechnieken. Goedgekeurde partners mogen alleen toegang krijgen tot gegevens die noodzakelijk zijn voor hun specifieke ontwikkelopdracht en moeten technisch worden verhinderd om informatie voor andere commerciële toepassingen te hergebruiken. Een onderneming die beelden ontvangt om wapendetectie te verbeteren, mag diezelfde dataset niet gebruiken om consumentengedrag te onderzoeken, gezichtsherkenning te trainen of nieuwe surveillanceproducten te bouwen.
Classificatie van gevoelige gegevens wordt nog ingewikkelder wanneer de dataset laat zien hoe detectiesystemen precies reageren op bepaalde materialen en constructies. Dezelfde informatie die een ontwikkelaar helpt een algoritme sterker te maken, kan een aanvaller leren welke voorwerpen moeilijk worden herkend en welke verbergingsmethoden het systeem misleiden. Het consortium moet daarom een zorgvuldig onderscheid maken tussen data die breed kan worden gedeeld, informatie die uitsluitend binnen gecontroleerde testomgevingen beschikbaar is en materiaal dat vanwege nationale veiligheid nooit buiten een zeer beperkte groep mag circuleren.
Cyberbeveiliging vormt daarmee geen aanvullende technische voorwaarde maar de ruggengraat van het volledige plan. Een centrale of verbonden gegevensomgeving met beelden van dreigingen, testresultaten en detectieprestaties wordt een aantrekkelijk doelwit voor buitenlandse inlichtingendiensten, criminele organisaties en terroristen. Een aanvaller hoeft het systeem niet volledig uit te schakelen wanneer hij trainingsdata subtiel kan wijzigen, labels kan omdraaien of enkele gemanipuleerde beelden kan toevoegen. Data poisoning kan een algoritme leren een specifieke dreiging als ongevaarlijk te classificeren zonder dat gewone kwaliteitscontroles onmiddellijk zien wat is veranderd.
De cloudomgeving die als RCA Data Transfer Hub wordt ontwikkeld, moet gegevens van screeningapparatuur en algoritmebouwers centraal beschikbaar maken, waardoor opslag, toegang en samenwerking efficiënter kunnen worden georganiseerd. Centralisatie vergemakkelijkt controle en standaardisering, maar creëert ook een concentratierisico omdat een storing, verkeerde configuratie of succesvolle aanval gevolgen kan hebben voor meerdere ontwikkelaars en systemen tegelijk. Segmentatie, sterke authenticatie, versleuteling, onveranderbare logregistratie en onafhankelijke controle zijn noodzakelijk om te voorkomen dat een efficiënt dataplatform verandert in één groot toegangspunt tot de veiligheidsarchitectuur van het land.
Open architectuur vermindert de afhankelijkheid van één leverancier, maar kan tegelijkertijd nieuwe afhankelijkheid creëren rond standaarden, cloudplatforms en dominante databeheerders. Een onderneming die de meest gebruikte interface, opslagstructuur of validatietool beheerst, kan een vergelijkbare machtspositie opbouwen als de oude scannerfabrikanten. De overheid moet daarom niet alleen eisen dat producten technisch interoperabel zijn, maar ook voorkomen dat contracten, licenties en intellectuele eigendomsrechten de overstap naar een andere dienstverlener in de praktijk onmogelijk maken.
De kwaliteit van de data zal eveneens bepalen welke ondernemingen werkelijk kunnen concurreren. Een kleine softwareontwikkelaar kan formeel toegang krijgen tot het consortium, maar blijft op achterstand wanneer grote fabrikanten over veel meer historische beelden, gespecialiseerde medewerkers en rekenkracht beschikken. Gelijke technische toegang betekent niet automatisch gelijke economische kansen, waardoor duidelijke regels nodig zijn voor de verdeling van datasets, testmogelijkheden en certificering. Het consortium mag geen privaat kartel worden waarin gevestigde bedrijven publieke veiligheidsdata gebruiken om nieuwe concurrenten buiten de markt te houden.
Aansprakelijkheid dreigt een van de moeilijkste onderdelen te worden wanneer verschillende partijen samen één detectiebesluit produceren. De fabrikant bouwt de scanner, een tweede onderneming levert het algoritme, een derde partij beheert de data, de overheid certificeert het systeem en een beveiligingsmedewerker neemt uiteindelijk de operationele beslissing. Zodra een dreiging wordt gemist of een reiziger ten onrechte zwaar wordt behandeld, kan iedere partij naar een ander deel van de keten wijzen. Heldere juridische verantwoordelijkheid moet daarom worden vastgesteld voordat algoritmen op grote schaal worden uitgerold en niet pas nadat een ernstige fout het systeem publiekelijk onder druk zet.
Snellere certificering mag evenmin betekenen dat veiligheid wordt ingeruild voor commerciële snelheid. Bedrijven willen hun algoritmen zo vroeg mogelijk op echte apparatuur testen en naar luchthavens brengen, maar nationale beveiliging kan geen markt worden waarin de eerste aanbieder automatisch de standaard bepaalt. Gefaseerde invoering, gecontroleerde pilots, onafhankelijke rode teams en voortdurende monitoring na installatie moeten aantonen hoe de software zich gedraagt nadat zij de keurige omstandigheden van het laboratorium heeft verlaten.
Tegenstanders zullen proberen nieuwe algoritmen bewust te misleiden zodra zij begrijpen welke technologie wordt ingezet. Kleine aanpassingen aan vorm, verpakking, materiaal of plaatsing kunnen voldoende zijn om een systeem dat op bekende patronen is getraind minder betrouwbaar te maken. De beveiligingsarchitectuur moet daarom niet uitsluitend bestaande dreigingen herkennen, maar afwijkingen kunnen signaleren die nog niet eerder zijn gecategoriseerd. Een model dat alleen kan benoemen wat het tijdens de training heeft gezien, is kwetsbaar tegenover een tegenstander die juist probeert iets nieuws te creëren.
De reiziger kan uiteindelijk profiteren van minder invasieve en snellere controles wanneer algoritmen gewone voorwerpen beter onderscheiden en alleen werkelijk verdachte bagage voor aanvullend onderzoek selecteren. Lange rijen, onnodig uitpakken en herhaalde handmatige controles kunnen afnemen wanneer systemen betrouwbaarder worden. Efficiëntie mag echter niet worden gebruikt als argument om steeds meer persoonsgegevens te verzamelen, omdat een controleproces dat enkele minuten bespaart geen automatische rechtvaardiging vormt voor permanente opslag en analyse van informatie die niet voor beveiliging noodzakelijk is.
Amerikaanse standaarden zullen waarschijnlijk ook buiten de Verenigde Staten invloed krijgen, omdat internationale luchtvaartmaatschappijen, luchthavens en fabrikanten hun apparatuur willen laten aansluiten op een van de grootste beveiligingsmarkten ter wereld. TSA werkt reeds met buitenlandse partners aan open architectuur en ziet gemeenschappelijke standaarden als een manier om één bredere markt voor beveiligingsapparatuur te ondersteunen. Landen die later systemen aanschaffen, kunnen daardoor geconfronteerd worden met technische normen die elders zijn vastgesteld en waarbij hun eigen privacywetgeving, dreigingsprofiel en operationele omstandigheden nauwelijks zijn meegenomen.
De Surinaamse overheid kan bij de modernisering van luchthaven, haven en grenscontrole veel winnen met betere scanners, kunstmatige intelligentie en snellere gegevensanalyse, maar moet voorkomen dat buitenlandse technologie als een gesloten pakket wordt gekocht waarvan niemand lokaal begrijpt hoe de beslissingen tot stand komen. Contracten moeten eisen stellen aan interoperabiliteit, gegevensbezit, cyberbeveiliging, onafhankelijke audits, kennisoverdracht en de mogelijkheid om later van leverancier te veranderen. Een klein land beschikt over minder financiële ruimte om een verkeerde technologische keuze te herstellen en kan zich daarom geen infrastructuur veroorloven die efficiënt lijkt zolang de buitenlandse leverancier beschikbaar blijft, maar onbruikbaar wordt zodra ondersteuning, licenties of geopolitieke verhoudingen veranderen.
De nieuwe Amerikaanse samenwerking kan de veiligheidscontrole sneller, nauwkeuriger en minder belastend maken, maar bouwt tegelijk een infrastructuur waarin data, algoritmen en commerciële belangen diep met nationale veiligheid worden verweven. Het succes zal niet alleen worden gemeten aan het aantal wapens of explosieven dat een machine ontdekt, maar ook aan de dreigingen die zij mist, de onschuldige reizigers die zij ten onrechte verdenkt en de hoeveelheid macht die bij ontwikkelaars en databeheerders wordt geconcentreerd. Een scanner die alles leert zien kan de grens veiliger maken, maar een samenleving die niet meer kan zien wie de scanner controleert, heeft slechts een oude kwetsbaarheid vervangen door een veel intelligentere.
Volg Ko’W’ Checking voor nieuws, data en meer gesprekken over samenleving, ondernemerschap, leiderschap en ontwikkeling, op de Facebookpagina, TIKTOK en Youtube kanaal. Voor alle nieuws uit Suriname en de wereld check: www.kowchecking.com
