Inhoud
In dit opleidingsonderdeel gaan we dieper in op data, data governance en de verschillende vormen van AI. Na het introduceren van enkele belangrijke concepten overlopen we aan de hand van een aantal real-life use cases de verschillende AI componenten, van database systemen en beschrijvende statistiek tot Machine Learning en Deep Learning.
We nemen bij diverse AI cases een blik onder de motorkap en komen zo te weten hoe NLP, Computer Vision en andere kerntoepassingen precies werken.
Onderwijsleeractiviteiten
Data engineering | 1.5 SP | Peter Depypere
Data-architectuur is een heel belangrijk onderdeel van de enterprise-architectuur en geeft een overzicht van de aanwezige en benodigde gegevens in een organisatie. Door een analyse van de informatiebehoeften van een organisatie wordt data met behulp van diverse modellen en technieken weergegeven.
In dit onderdeel krijg je een overzicht van:
- de types databases: relational & non-relationele databases
- algemene relationele databases concepten: tabel, relaties, keys, datatypes
- data- of gegevensmodel: begrippen van een relationeel database ontwerp zoals dependencies, constraints, data integriteit (oa referentiële integriteit) en normalisatie – normaalvormen;
We maken ook de vergelijking tussen verschillende informatiewerelden en de impact op het design van de database. We bespreken operationele systemen vs data warehouses vs data lakes en bekijken hoe een data warehouse wordt opgebouwd vanuit database oogpunt. We bespreken hoe we in moderne tijden kunnen omgaan met nieuwe soorten data (realtime, ongestructureerd) in een data lake.
Peter Depypere is actief als Data Science & Strategy Competence Lead bij element61. Hij inspireert en ondersteunt bedrijven met de vraag hoe ze aan de slag kunnen gaan met Data & Analytics (Machine Learning & AI).
Met behulp van zijn businesservaring en technische kennis begeleidt Peter organisaties bij het definiëren hoe Data & Analytics hen kan helpen succesvoller te zijn en hun bedrijfsdoelstellingen te halen.
Data science | 2.5 SP | Peter Depypere
De klemtoon in deze module ligt op het vertalen van data in kennis. Na het introduceren van enkele belangrijke concepten worden aan de hand van enkele real-life use cases de verschillende data analyse componenten, van beschrijvende statistiek, hypothese testen tot data modellering onder de loep genomen. Data Science, artificial intelligence en andere hedendaagse topics komen aan bod om je maximaal voor te bereiden op het digitale data-driven tijdperk.
Peter Depypere is actief als Data Science & Strategy Competence Lead bij element61. Hij inspireert en ondersteunt bedrijven met de vraag hoe ze aan de slag kunnen gaan met Data & Analytics (Machine Learning & AI).
Met behulp van zijn businesservaring en technische kennis begeleidt Peter organisaties bij het definiëren hoe Data & Analytics hen kan helpen succesvoller te zijn en hun bedrijfsdoelstellingen te halen.
Data governance | 1.0 SP | Peter Depypere
Er is een snel groeiende behoefte aan verantwoording van besluitvorming rondom IT, wat relevant is voor alle belanghebbenden. Traditioneel worden alle IT beslissingen door het bestuur gedelegeerd naar de IT professionals. Dit heeft als gevolg dat de genomen beslissingen niet altijd in het voordeel zijn van alle belanghebbenden. Het doel van IT governance is om iedereen systematisch in het IT besluitvormingsproces te betrekken. Het zorgt voor een transparant raamwerk van besluitvorming en verantwoordelijkheid in een organisatie, om het gewenste resultaat met IT te realiseren.
Consistente data en processen over de organisatie heen zijn een noodzakelijke voorwaarde voor betere en transparantere beslissingen. Centrale controlemechanismen beperken de kost van data management in een tijdperk van exploderende hoeveelheden data, en maken ook een betere beveiliging van data mogelijk.
Je leert meer over het DAMA-wiel, wat de fundamenten zijn van een efficiënte data governance, en welke rollen en verantwoordelijkheden er bestaan.
We overlopen de belangrijkste onderdelen van data governance en staan stil bij de praktische aspecten hiervan:
- Data quality
- Data storage & operations
- Data security
- Data architecture
- Data modeling & design
- Reference and Master data
- Data Warehousing & Business Intelligence
- Metadata
- Document & Content Management
Peter Depypere is actief als Data Science & Strategy Competence Lead bij element61. Hij inspireert en ondersteunt bedrijven met de vraag hoe ze aan de slag kunnen gaan met Data & Analytics (Machine Learning & AI).
Met behulp van zijn businesservaring en technische kennis begeleidt Peter organisaties bij het definiëren hoe Data & Analytics hen kan helpen succesvoller te zijn en hun bedrijfsdoelstellingen te halen.
AI and machine learning | 2.0 SP | Peter Depypere
Artificiële Intelligentie (AI) is de grootste uitvinding ooit en is de wereld ingrijpend aan het veranderen. Hoog tijd om te begrijpen waarom. AI en meer bepaald Machine Learning (ML), laat computers toe om patronen te zoeken in data. Dingen die mensen niet zien of waar wij gewoon heel lang over doen. Dit is niets nieuws. Dat soort statistische modellen bestaat al tientallen jaren. Maar vandaag is er data bij de vleet en zijn computers voldoende snel en goedkoper geworden om dergelijke berekeningen te doen. In deze deep dive komen verschillende aspecten van AI aan bod.
Gaining insights
We starten met een algemene inleiding en introductie tot de wereld van AI. Na enkele teasers, van de Self-driving car tot de minder bekende toepassingen, gaan we dieper in op de geschiedenis en de toekomst van AI. Na het introduceren en definiëren van belangrijke begrippen ontwikkelen we een procesmodel dat gebruikt kan worden bij het implementeren van AI of ML projecten binnen jouw organisatie.
Data is onmiskenbaar één van de belangrijkste voorwaarden en drivers voor AI. We behandelen uitvoerig hoe digitalisatie en digitale transformatie de bron is voor het genereren en beschikbaar stellen van data. Het doel van deze sessie is om je datageletterdheid of Data Literacy op een voldoende hoog niveau te krijgen zodat je optimaal kan communiceren binnen een AI en data gedreven organisatie of team. Alles begint met het stellen van de juiste vragen en een algemeen begrip waarom en hoe data waarde kan hebben. Daarnaast staan we ook stil bij de verschillende types data en de meer technische kant. We behandelen enkele basistopics gelinkt aan data infrastructuur, zonder te veel in de IT-technische details te treden. Na deze sessie ben je in staat om de vertaalslag te maken van een bedrijfsvraagstuk in een data-gedreven oplossing.
Deep dive in Machine learning methods
In wat volgt dompelen we ons onder in de wereld van Machine Learning. Via een mix van concepten, wat theorie maar ook praktische oefeningen en vooral de focus op toepasbaarheid verkennen we heel wat verschillende methoden. Na deze sessies heb je inzicht in welke types machine learning methoden er bestaan. Supervised-, unsupervised-, reinforcement learning en neurale netwerken zijn je niet meer onbekend en je begrijpt beter welke methode in aanmerking komt om bepaalde vragen te beantwoorden. Aan de hand van wat hands-on praktische oefeningen krijg je methoden zoals lineaire regressie zelf in de vingers. We doen tevens enkele AI experimenten met het AI Google Education platform.
Operationalization of AI to create real value
We sluiten af met enkele inzichten rond waarde-creatie door AI en bekijken we het operationaliseren van AI en ML. We staan stil bij enkele aspecten die belangrijk zijn om de ontwikkelde modellen en algoritmes uit te rollen. Voorbeelden zoals de self-driving car maar ook andere minder gekende toepassingen worden gebruikt om deze aspecten toe te lichten.
Bijkomend bekijken we beschikbare software-oplossingen die het operationaliseren van ML en AI ondersteunen.
Peter Depypere is actief als Data Science & Strategy Competence Lead bij element61. Hij inspireert en ondersteunt bedrijven met de vraag hoe ze aan de slag kunnen gaan met Data & Analytics (Machine Learning & AI).
Met behulp van zijn businesservaring en technische kennis begeleidt Peter organisaties bij het definiëren hoe Data & Analytics hen kan helpen succesvoller te zijn en hun bedrijfsdoelstellingen te halen.
AI traps & AI operationalisation | 1.0 SP | Véronique Van Vlasselaer
De wereld van Machine Learning en Artificial Intelligence groeit sneller dan ooit tevoren. Creatieve AI-ideeën ontspruiten in een onverslaanbaar tempo, organisaties verkennen de nieuwe opkomende mogelijkheden van Machine Learning en AI. Zonder het te beseffen, nemen machines tot op heden miljoenen geautomatiseerde beslissingen zonder enige menselijke tussenkomst, en vergemakkelijken en vergroten ze het dagelijkse leven van mensen. Maar dan rijst de vraag: Hoe houden we die miljoenen geautomatiseerde beslissingen in de hand? Hoe garanderen we dat AI doet wat van hem wordt verwacht? En hoe kunnen we voorkomen dat AI onverwacht gedrag vertoont?
In deze sessie richten we ons op (1) het in leven brengen en (2) het in leven houden van AI. Voor (1) beantwoorden we vragen als: Wat is er nodig om Machine Learning en AI om te zetten in waarde? Wat betekent het als men het heeft over deployment of operationalisatie van machine learning? We zoomen in op de aspecten die essentieel zijn voor het succesvol operationaliseren van een AI-gedreven proces, waarbij we vaak voorkomende AI-valkuilen op data-, model- en prestatieniveau definiëren en oplossen. Net als onze menselijke intelligentie is kunstmatig gegenereerde intelligentie geen eenmalige exercitie, maar een continu leerproces dat wordt aangestuurd door machinaal leren. In deel (2) bespreken we hoe dit leerproces moet worden beheerd en gestuurd om ervoor te zorgen dat we onze AI-gestuurde beslissingen vandaag, morgen en op lange termijn kunnen vertrouwen.
Véronique Van Vlasselaer is data en decision scientist bij het technologiebedrijf SAS.