7 november 2022 Innovatie
Door Diego Ligtenberg
7 november 2022 Innovatie

Onze Data Science consultant legt het aan je uit 5 vragen over Data Science aan Diego Ligtenberg

Diego Ligtenberg is werkzaam als junior consultant binnen Incore. Hij is innovatief, gedreven en zelfbewust. Hij bevindt zich bij voorkeur in de 'zone of proxical development' en wordt enthousiast van muziek productie, basketbal en reizen.

Diego, hoe ben je erachter gekomen dat je een Data Science consultant wilde worden?

Tijdens mijn studie Artificial Intelligence heb ik kennis gemaakt met veel verschillende sub-gebieden van het vakgebied AI. Het mooie van AI is dat het breed inzetbaar is, maar dat de achterliggende algoritmes veelal op elkaar lijken. Als Data Science consultant kan je blijven genieten van die veelzijdigheid. De ene periode werk ik aan een project waarbij ik een bank help frauduleuze transacties te detecteren, een tijd later kan ik een bedrijf helpen dat de kwaliteit van hun supermarktproducten probeert te monitoren met computer vision. Deze afwisseling is voor mij erg belangrijk en zorgt voor een grote bron van plezier in mijn werk.

Waarom is het volgens jou interessant voor bedrijven om met Data Science aan de slag te gaan? 

In het huidige digitale tijdperk wordt er door bedrijven enorm veel data opgeslagen. Denk aan data die de supermarkt verzamelt over het koopgedrag van hun klanten. Je auto die tijdens het rijden constant video-data van de omgeving opslaat, of een investeringsbedrijf dat data uit nieuwsartikelen analyseert. Al deze data wordt verzameld, maar wat kan je ermee doen?

Data Science is een vakgebied dat bedrijven helpt data-gedreven beslissingen te maken door het vinden van veelal niet triviale verbanden in data. Zo kan de supermarkt hun winst verhogen door algoritmes te gebruiken die gericht klanten koppelen aan persoonlijke advertenties. Moderne auto’s verlagen de kans op ongelukken door stuurhulp op basis van computer vision technologie. Tot slot kunnen investeringsbedrijven de beste assets inkopen met behulp van sentiment analysis en natural language processing. Kortom: Data Science en het maken van beslissingen in het bedrijfsleven gaan hand in hand.

Voor welke type bedrijven is Data Science interessant volgens jou?

AI-algoritmes vertonen state-of-the art resultaten in vrijwel elk domein (gezondheidszorg, financieel, agrarisch, cultureel, artistiek). Echter vereisen goede Data Science modellen ook voldoende en kwalitatief goede data. Om deze reden is het voor een bedrijf belangrijk om eerst gestructureerd data op te slaan. Zodra er een goede basis aan data is, kan een bedrijf een Data Science departement opzetten. Zij kunnen samen met de (product) managers inzichten krijgen in kwesties die belangrijk zijn voor een gezonde vooruitgang van het bedrijf en vervolgens data-gedreven beslissingen nemen.

Wat is een sprekend voorbeeld van Data Science in de praktijk?

Een mooi voorbeeld van Data Science is de betaalfraude detectie van een bank. Banken verzamelen allerlei gegevens over het koopgedrag van hun klanten. Zij slaan dagelijks gegevens op over het tijdstip en de locatie van de transacties. Deze data kan in een tijdsreeks algoritme gebruikt worden, om zo frauduleuze transacties te detecteren. Als het algoritme een ‘outlier’ (ongewone patroon in de transactie data van een klant) tegenkomt, kan de bank je hierover informeren, of zelfs je betaalpas tijdelijk blokkeren.

 Hoe zie jij de toekomst van Data Science? En wat zou jij met Data Science willen bereiken in de toekomst?

Dat is een lastige vraag gezien de snelheid waarmee het vakgebied verandert. De prestatie van AI-modellen correleert aan het volume en de kwaliteit van de traindata die beschikbaar is en de grootte en complexiteit van de gebruikte modellen. Tegenwoordig zie je dat grote bedrijven (Open-AI, Meta, Google) de beschikking hebben over enorm grote datasets. Daarnaast hebben zij supercomputers die soms miljoenen afbeeldingen aan traindata kunnen verwerken in hun modellen. Het is daarom geen verrassing dat zij al een aantal jaar state-of-the art language modellen (BERT) en vision modellen (Swin Transformer, DALL-E2) trainen.

De huidige trend is dat relatief kleinere bedrijven deze supermodellen kunnen ‘finetunen’, naar hun eigen datasets. Ik zie de toekomst van Data Science als een discipline waarin men steeds meer bestaande modellen van deze grote bedrijven finetuned en combineert om zo creatieve bedrijfsproblemen op te lossen. Mijn ultieme doel is om mijn skills als Data Scientist in te zetten, zodat processen voor bedrijf of individu efficiënter worden. Ik hoop dat er hierdoor meer ruimte ontstaat om creatief positieve impact te maken op de wereld.

Wil je hier meer over weten? Aarzel dan niet om contact met ons op te nemen.