AI en machine learning
Artificial Intelligence (AI) bij datagedreven onderzoek
Bedrijven hebben veel data die allemaal netjes worden opgeslagen. Maar wat dan? Data is niet meer weg te denken uit de huidige samenleving. Ze worden tegenwoordig continu gegenereerd en opgeslagen. Vaak is het te veel om door mensen behandeld te worden. Slimme machines en zelflerende algoritmen kunnen ons hierbij helpen. Artificial Intelligence is niet alleen handig, maar vaak ook nodig om ons inzichten te verschaffen die normaal onzichtbaar waren.
Soms kunnen er dan ook complexe verbanden ontdekt worden door verschillende databronnen te koppelen. Veel bedrijven verzamelen zo doelgericht data om hun klanten beter te leren kennen en daardoor betere service te bieden. Andere organisaties beheren data die nodig (of zelfs verplicht) zijn voor het realiseren van hun dienstverlening.
Hoe ga je met data om?
Hoe maak je de stap van data naar datagedreven onderzoek? Welke stappen zijn daarbij nodig en op welke zaken moet je letten? Zijn er knelpunten? Zo kunnen er allerlei vragen zijn bij beginnende datagedreven onderzoeken.
Zelfs bij gevorderde analyses vergeten we soms belangrijke aspecten van datagedreven onderzoek of missen we cruciale details. Een handleiding Artificial Intelligence met een duidelijk overzicht van verschillende aspecten, op maat gemaakt naar een bepaald project, onderzoek of onderwerp, kan jouw organisatie daarbij goed op weg helpen. Hierdoor kan het zijn dat data ineens de hoofdrol spelen in beleidsmatige oplossingen.
Artificial Intelligence handleiding en stappenplan
Bij Centerdata bieden wij AI-handleidingen op maat aan. Ook vullen we de handleiding aan met een uitgestippeld stappenplan, om datagedreven onderzoek nog toegankelijker te maken voor jouw vraagstuk of organisatie. Bovendien bieden we feedbackmogelijkheden voor toelichting en consult op het gebied van Artificial Intelligence.
Voorbeeldproject
Artificial Intelligence-handleiding en stappenplan gemeente Den Haag
Voor gemeente Den Haag hebben we een uitgebreide AI-handleiding opgesteld voor het sneller helpen van mensen in de bijstand aan werk. Via datagedreven onderzoek wordt de uitstroom voorspeld aan de hand van voorspellende en clustering technieken om beleid hierop aan te passen. Bijvoorbeeld door het geven van specifieke adviezen voor de casus van gemeente Den Haag. Centerdata heeft daarnaast gezorgd voor een uitgestippeld plan van vijf stappen. Vervolgens zijn gevorderde analyses en voorspellingen mogelijk gemaakt om gebruikt te worden bij beleidsmatige oplossingen.
Machine learning en deep learning
Algoritmes en technieken waarmee computers zelfstandig kunnen leren
Onze wereld is vol met apparatuur en toepassingen die in hoog tempo en in grote hoeveelheden data genereren, opslaan en verzenden. Daardoor zijn enorme hoeveelheden data beschikbaar voor allerlei analyses. Denk bijvoorbeeld aan social media data, zelfrijdende auto’s vol met sensoren, intelligente thuis- en kantoorapparatuur, internet- en browsegedrag, digitale camerabeelden, smartphone apps en andere wearables.
Deze snelgroeiende aantallen en variaties in beschikbare data, goedkopere en krachtigere verwerking van grote hoeveelheden gegevens, en betaalbare dataopslag hebben recentelijk een enorme interesse in machine learning en deep learning gewekt. De basis van deze technieken is het gebruik van het herkennen van patronen voor complexe en multispectrale data.
Door software autonoom te maken of door iteratieve terugkoppeling te gebruiken om samenhang in de data te ontdekken, worden patronen gevonden en anomalieën ontdekt. Dit leidt tot een systematiek voor het vinden van clusters en classificaties.
De techniek van deep learning kan zogenaamde onderscheidende kenmerken (discriminative features) in grote datasets leren te herkennen die zowel systematisch als automatisch zijn. Daardoor wordt overgegaan van het handmatig onderscheid maken naar kenmerken naar zogenaamd unsupervised leren.
Deep learning speelt een belangrijke rol bij de analyses van grote hoeveelheden of multidimensionale en complexe data, zoals data die uit sensoren wordt verzameld. We hebben ervaring met het toepassen van diepe neurale netwerken op terabytes van triaxiale bewegingsmeter data om activiteit te herkennen op zowel algoritme als infrastructuur niveau.