De inhaalrace met AI en Data Science is gestart!

Home »  Big Data Congres »  De inhaalrace met AI en Data Science is gestart!

On november 25, 2019, Posted by , In Big Data Congres,Cases, With Reacties uitgeschakeld voor De inhaalrace met AI en Data Science is gestart!

Sako Arts, spreker op big data conferentie o 12 december 2019

Een gesprek met Sako Arts, AI specialist bij Wolfpack IT en spreker op het big data Congres.

De Nederlandse overheid en het bedrijfsleven leggen miljoenen opzij om de achterstand op het gebied van AI en Data Science in te lopen. En Sako Arts, specialist AI bij Wolfpack IT, zit er met zijn neus bovenop! Hij studeerde in 2018 af in de eerste lichting van de Master of Data Science and Engineering aan de TU/e. Hij legt uit: “AI is geen hype, het bestaat al sinds 1950. Alleen is er op dit moment zo ontzettend veel data beschikbaar. Ook computers kunnen steeds sneller door data heen zoeken. De huidige ontwikkelingen bieden legio mogelijkheden voor de industrie.” Over die mogelijkheden spreekt Sako tijdens het big data Congres voor de maakindustrie op 12 december aanstaande.

Data Science kent de volgende 3 pijlers:

  1. AI. Artificial Intelligence is een heel breed spectrum. Het is de wetenschap die machines ‘slim’ maakt. Het gebruikt algoritmes die computers in staat stellen om problemen op te lossen die vroeger alleen door mensen konden worden opgelost. Het omvat ook een beetje robotica. 
  2. Machine learning. Met machine learning kun je mega hoeveelheden data analyseren en machines leren om een bepaalde taak uit te voeren. AI is eenvoudig uit te leggen aan de hand van een oude schaakcomputer. Vroeger werd kennis van schaakmeesters ingevoerd en putte de computer zijn kennis uit reeds eerder ingeregelde scenario’s. Nu leert de computer zichzelf continu nieuwe strategieën aan op basis van een grote hoeveelheid data. De computer herkent patronen en regelt deze zelf verder in. Dit noem je machine learning wat ook een vorm van AI is.
  3. Deep learning is een onderdeel van machine learning en valt daarmee ook onder AI. Deep learning is gericht op het verwerken van veel schijnbaar ongestructureerde data en patroonherkenning. Na het invoeren van mega hoeveelheden data, bijvoorbeeld foto’s van een kat, kan het algoritme zichzelf leren om een kat te herkennen. Dit algoritme maakt gebruik van Artificial neural networks

Succes met deep learning leidt tot hype

Door successen met deep learning is er nu een enorme buzz ontstaan. Door aansprekende voorbeelden begrijpen vele bedrijven en organisaties nu de mogelijkheden van het inzetten van deep learning. En dat is nodig, want we hebben nog veel in te lopen op concullega’s in de USA en China. Een paar voorbeelden zijn: 

  • Voorspellingen op basis van medische data, zoals borstscans.
  • ‘No hands accounting’ (automatiseren invoeren van data en boekhoudwerkzaamheden).
  • Gezichtsherkenning. Bijvoorbeeld: bouwplaatsen veiliger maken door gezichtsherkenning om zo geschoold personeel te herkennen.
  • Redactie in de journalistiek door robot-redacteurs die zelf jaarverslagen nalopen en daar opvallende data uithalen.

Grootste uitdagingen met big data bij financiële markt en industrie

Sako ziet de grootste uitdagingen rondom Data Science bij de financiële markt en de industrie. Waar consumentenproducten al volop zijn voorzien van machine learning applicaties, blijven meer traditionele industrieën achter. De angst om te falen is groot. En dat is begrijpelijk. Een ‘false positive’ in een consumenten omgeving heeft vaak veel minder grote gevolgen dan in de industrie. Wordt de de productie een dag verstoord dan kan dat snel in de papieren (duizenden euro’s) lopen.

Bedrijven aan zet!

Veel bedrijven hebben AI ’on the floor’ opgepakt. De experts die er nu mee bezig zijn, zijn hier meestal niet voor opgeleid. Waar electrical engineers de achtergrond hebben om deep learning te begrijpen en data science te leren, lukt het veel traditionele IT-ers niet om zich succesvol om te scholen. Sako: “Bedrijven die met AI en deep learning aan de slag willen gaan moeten terug naar de basis. Onderzoek eerst welke bedrijfsprocessen je wilt verbeteren. Formuleer KPI’s. Dan kun je bepalen welke data je kunt inzamelen en zorgen dat die data zuiver is en van hoge kwaliteit. Bij veel bedrijven wordt er al data ingezameld. Er bestaat soms de verwachting dat ze daar dan snel iets mee kunnen. Dat valt vaak tegen. Kijk, samen met een expert, zeer kritisch naar de ingezamelde data. Is deze wel geschikt om op verder te borduren? Bij de basis beginnen is het allerbelangrijkste en voorkomt teleurstellingen. Pas daarna volgt het machine learning stuk.” 

Aansprekende CASE: MedApp

Een voorbeeld is de MedApp een zusterbedrijf van Wolfpack. Het is een app die mensen helpt om medicijnen op de juiste tijd in te nemen. Uit onderzoek blijkt dat 60% van de mensen die medicatie nodig hebben, deze niet goed innemen. Dit kost de maatschappij miljarden euro’s, zo schreef de Volkskrant in 2017. Bij MedApp zijn we bezig met een groep testgebruikers te voorspellen op basis van historische data of mensen hun medicijnen wel of niet gaan innemen. Ze kunnen dan een extra reminder krijgen. Door terug te koppelen of ze de medicijnen al dan niet hebben genomen maken ze het systeem steeds slimmer. 

Aan de slag met big data, waar begin je als bedrijf?

Sako adviseert bedrijven om Data Science hoog op de agenda te zetten. “Grotere bedrijven kunnen zelf een Data Science afdeling opzetten. Een bedrijf als Ahold doet dat bijvoorbeeld goed. En huur specialisten in om te garanderen dat alles vanaf de basis goed wordt opgezet.” 

Data Science biedt veel voordelen

Of we nu in de auto zitten of bedrijfsprocessen monitoren en bijsturen, mensen maken fouten. Het is waarschijnlijk dat een deel van de banen in de toekomst zullen verdwijnen en zullen worden overgenomen door computers. Er zullen ook nieuwe banen bijkomen want AI versterkt en verbreed de mogelijkheden die mensen en bedrijven hebben. En gelukkig zijn er zaken die computers niet makkelijk van mensen kunnen overnemen zoals empathie en menselijke creativiteit.

Pas op voor 5 data science valkuilen met big dataprojecten

Sako gaat spreken over de vijf grootste valkuilen bij big data projecten. Hij bekijkt daarbij het hele big data traject van intentie naar implementatie. Hij waarschuwt met name voor “bogus in bogus out! Een mooie voorbeeld hiervan is een algoritme om op basis van een CV te voorspellen of een bedrijf iemand wel of niet zou aannemen. Het leek heel goed te werken, behalve dat het systeem veel vaker mannen ‘aannam.’ Bleek dat vroeger vaker mannen het sollicitatieproces succesvol afronden en het dus nam het algoritme ook minder makkelijk een vrouw aan. Het systeem had zichzelf het foute gedrag aangeleerd! Dit is gelukkig makkelijker in de maakindustrie. Hier gaat het vaak om sensor data, en niet op data die van toepassing is op personen.

Tijdens het congres big data laat Sako Arts zien hoe je effectief aan de slag gaat wanneer je deze vijf dingen op orde hebt. Een lekker sceptisch verhaal gebaseerd op daadwerkelijke ervaring met vergelijkbare big data trajecten. Informatie waar je echt iets aan hebt. Ben jij erbij op 12 december? Meld je meteen aan, er zijn nog maar een paar kaarten!