Data science en AI worden in rap tempo onderdeel van forensisch onderzoek. Van de interpretatie van DNA-profielen tot het analyseren van chemische metingen en beelden: algoritmen helpen onderzoekers om sneller en consistenter te werken. Maar een forensisch resultaat moet standhouden in de rechtszaal. Dat vraagt om modellen waarvan de prestaties zijn aangetoond, waarvan de onzekerheid bekend is en waarover de forensisch deskundige uitleg kan geven. Rolf: ‘Hoewel er veel mogelijk is met nieuwe technieken, moeten we ons bewust blijven van de strafrechtelijke context waarin we werken’.

De leerstoel richt zich op de vraag hoe data science-methoden in de dagelijkse forensische praktijk betrouwbaar kunnen worden ingezet. Het gaat daarbij niet alleen om het ontwikkelen van nieuwe modellen, maar ook om het hele traject van methode naar casuïstiek: van onderzoeksvraag en data tot validatie, implementatie en rapportage.

Voorbeelden van toepassingsgebieden:

• DNA-analyse: deep learning modellen voor de analyse van (complexe) DNA-profielen en het doorrekenen van onzekerheid hierin naar likelihood ratio's;
• Forensische chemie: statistische en machine learning-methoden voor het interpreteren en koppelen van analytische data, zoals GC-MS-metingen;
• Methodologie: kaders en meetinstrumenten om te bepalen of een model geschikt is voor gebruik in de praktijk. Statistische methodologie om machine learning te kunnen gebruiken voor bewijswaardering.

AI kan forensisch onderzoek sneller, consistenter en schaalbaarder maken, maar de eisen aan het strafrechtelijk gebruik zijn hoog. Een centraal thema van de leerstoel is daarom hoe AI-modellen verantwoord kunnen worden toegepast in forensische context. Daarbij komen onder meer aan bod:

• Validatie en betrouwbaarheid: hoe toon je aan dat een model presteert zoals beloofd, ook op data die afwijkt van de trainingsdata, en hoe ga je om met onzekerheid in de uitkomst?
• Uitlegbaarheid en transparantie: wat betekent het voor een model om uitlegbaar te zijn, voor deskundigen, advocaten of rechters? En in welke mate is dit noodzakelijk?
• Rol van de deskundige: hoe zorgen we dat het model ondersteunend is aan de forensisch deskundige? Wat moet een deskundige hiervoor doen, weten en kunnen?

Met de leerstoel versterken de TU Delft en het NFI hun samenwerking. Vragen uit de forensische praktijk komen zo direct bij onderzoekers in de statistiek en data science terecht. Methodologische ontwikkelingen kunnen sneller hun weg vinden naar de casuïstiek. Daarnaast levert de samenwerking onderwijs en begeleiding op: studenten van de MSc-opleidingen aan de TU Delft kunnen hun afstudeerproject uitvoeren aan de grens van statistiek, AI en forensische wetenschap.

Rolf Ypma behaalde zijn PhD in wiskundige modellen van infectieziektedynamiek bij het UMCU en RIVM. Hierna werkte hij als onderzoeker neurowetenschap aan de Universiteit van Cambridge en als knowledge engineer bij Amazon Alexa. In 2017 begon hij als forensische data scientist bij het NFI, waar hij in 2021 principal scientist werd. Van 2020 tot 2023 was hij voorzitter van de AI Task Force van het European Network for Forensic Science Institutes (ENFSI).