metix foto

Kunstmatige intelligentie, machine learning, neurale netwerken, deep learning; dergelijke termen zijn gemeengoed voor iedereen die veel data tot zijn of haar beschikking heeft. De rekenkracht en mogelijkheden worden steeds groter; volgens de wet van Moore verdubbelt de rekenkracht iedere twee jaar. De uitdaging om als mens de machine te blijven begrijpen wordt echter steeds groter.

Succesvol toepassen van kunstmatige intelligentie vraagt dus veel meer dan het beheersen van moeilijke algoritmes. Hieronder wordt stap voor stap de complexiteit van een machine learning project geschetst.

Stappen

Stap 1 – Dataverzameling

dataverzameling

Aan dataverzameling worden steeds hogere eisen gesteld. De data moet steeds meer, steeds sneller, en steeds gevarieerder zijn (naar de definitie van Gartner) om aan de behoeftes van de geavanceerde algoritmes te voldoen. Het continue verzamelen, opslaan, en combineren van data vraagt een stabiele ICT-infrastructuur.

Metix kent de openbare data zoals de BAG en CBS-data, en heeft ervaring met het koppelen met de nieuwste standaarden voor webservices, zoals REST-API’s, opgedaan bijvoorbeeld bij Floricode en Hubways in de agrarische sector.

 Stap 2 – Datapreparatie

bigdata

Alle data op een hoopje en het wordt een gouden berg. Zo makkelijk gaat dat uiteraard niet. Het opschonen en structureren van de data is minstens de helft van het werk. Het inbouwen van (verband)controles om de datakwaliteit te borgen en te monitoren, is voor het toekomstig functioneren van het systeem van levensbelang.

Metix kent deze problematiek van dichtbij, bijvoorbeeld in de woningmarkt bij NVM in het opsporen van vervuiling van woonoppervlaktes door de vergelijking met BAG en het Kadaster te maken.

 Stap 3 – Modelbouw

Modelbouw

Het intelligente hart van het systeem: the algoritm suite. Een keuze en toepassing van de juiste technieken zijn een modern ambacht. Dit is afhankelijk van de aard van de beschikbare data en complexiteit van de vraagstelling, maar vraagt altijd om statistische en wiskundige kennis.

In haar projecten werkt Metix dan ook veel samen met jonge bedrijven, start-ups, en wetenschappers. Hierdoor maken we vroegtijdig stadium kennis met innovatieve technieken, als machine learning of deep learning.

 Stap 4 – Presentatie

Presentatie

Het uitleggen van de werking van het systeem en interpreteren van de resultaten door gebruikers wordt een steeds belangrijker onderdeel van projecten waarbij sprake is van de nieuwste technieken op gebied van kunstmatige intelligentie. Hoe complexer de berekeningen hoe belangrijker de communicatie!

Metix is gewend om in haar projecten samen te werken met alle betrokkenen, zoals ontwikkelaars, managers, en gebruikers en kent de taal van zowel de werkvloer als de boardroom.

De moraal van dit verhaal: alleen de combinatie van oude en nieuwe ambachten maakt machine learning projecten succesvol. Een prachtig model zonder fatsoenlijke implementatie en presentatie blijft een vlag op een modderschuit. Een prachtig systeem zonder fatsoenlijke algoritmes en modelbouw blijft een losse flodder.