Sociologie… en dan AI? Het traject en de inzichten van een data scientist
De wereld van data science blijft professionals met uiteenlopende achtergronden aantrekken. Ze brengen nieuwe perspectieven mee in een steeds complexer vakgebied. En dat is een goede zaak! In een recent gesprek vertelde Yoann Veny, data scientist bij Agilytic, over zijn bijzondere traject van sociologie naar artificiële intelligentie.
U kunt het volledige interview hier bekijken of beluisteren!
Een ongewone weg naar data science
Yoanns verhaal begint met wat hij zelf een "atypische" achtergrond voor een data scientist noemt. Hij koos aan de universiteit aanvankelijk voor sociologie, juist om wiskunde en wetenschappen te vermijden. Zijn woorden, niet de onze. Tijdens zijn studie sociale wetenschappen ontdekte hij onverwacht een passie voor statistiek. Dat inzicht bracht hem ertoe een master statistiek voor de sociale wetenschappen te behalen aan de KU Leuven, de basis van zijn latere loopbaan.
"Toen ik statistiek kreeg, weet ik niet waarom, maar er was een klik: oké, hiermee kun je dit soort dingen doen. Het was echt een openbaring."
Die interdisciplinaire basis bleek in zijn hele loopbaan van onschatbare waarde. Na zijn overstap van de academische wereld naar het bedrijfsleven werkte Yoann tien jaar bij een telecomoperator. Daar ervoer hij de kracht van datagedreven inzichten. Een bijzonder memorabel project combineerde marketingdata met technische netwerkdata om klantverloop te voorspellen. Een mooi voorbeeld van hoe verschillende datasilo's binnen organisaties kunnen samenkomen om complexe zakelijke problemen op te lossen.
Het voordeel van consultancy: afwisseling en een grondige methode
Na tien jaar in een groot bedrijf stapte Yoann over naar Agilytic en de wereld van data science-consultancy. Die overgang maakte voor hem veel verschillen tussen interne functies en consultancy duidelijk.
"We kunnen werken in retail, farmacie, financiële instellingen, de publieke sector… Wat ik het boeiendst vind, is hoe data en statistiek laten zien dat sommige uitdagingen in alle sectoren terugkomen. Dezelfde vaardigheden kunnen problemen oplossen die op het eerste gezicht totaal verschillend lijken."
Met andere woorden: de zakelijke context kan sterk verschillen, maar de onderliggende methodes blijven opvallend gelijk.
Voorbij de GenAI-hype en de vraag naar een chatbot
"De echte uitdaging vandaag is bedrijven begeleiden terwijl ze bepalen wat ze met generatieve AI willen en kunnen doen. Bedrijven zeggen vaak: ik wil een chatbot. Technisch kunnen we die bouwen. Maar de grotere uitdaging is met die betrokkenen aan tafel gaan en de tijd nemen om het concrete probleem te bepalen dat ze willen oplossen, en na te gaan of een chatbot echt de beste oplossing is."
Die uitdaging heeft de aanpak van Agilytic bij klanten fundamenteel veranderd. Waar de scope van traditionele machinelearningprojecten vaak in één of twee workshops vastlag, vragen initiatieven met generatieve AI om diepgaandere diagnosefasen van vijf tot tien dagen. Die uitgebreidere verkenning behandelt enkele cruciale vragen:
Welk specifiek bedrijfsprobleem moet worden opgelost?
Is generatieve AI wel de juiste oplossing?
Welke technische infrastructuur en data zijn nodig?
Hoe schaalt de oplossing van proof of concept naar een uitrol in de hele onderneming?
Datakwaliteit blijft essentieel: waarom GenAI-projecten dataprojecten blijven
"Bij Agilytic zijn we er rotsvast van overtuigd dat deze projecten geen IT-projecten zijn, ondanks alle mogelijkheden die we vandaag hebben om GenAI-oplossingen uit te rollen, wat steeds makkelijker wordt. Wij zijn ervan overtuigd dat GenAI-modellen in de eerste plaats dataprojecten blijven."
Organisaties die bijvoorbeeld snel RAG-systemen (Retrieval-Augmented Generation) willen invoeren op basis van slecht onderhouden documentverzamelingen, lopen onvermijdelijk vast. Dezelfde principes voor datakwaliteit die bij traditionele machine learning gelden, zoals schone, goed georganiseerde en regelmatig bijgewerkte informatie, gelden even sterk voor generatieve AI-systemen.
Dat brengt nieuwe uitdagingen mee: organisaties moeten nu rekening houden met ongestructureerde databronnen die misschien nooit aan strikte datagovernance onderworpen waren. Juridische diensten die beleidsdocumenten beheren, moeten bijvoorbeeld begrijpen dat hun werk input levert voor geautomatiseerde processen die vaste kwaliteits- en onderhoudsnormen vereisen.
AI-innovatie toegankelijk maken: overheidssteun voor bedrijfstransformatie
Een bemoedigende ontwikkeling is de groeiende overheidssteun voor AI-adoptie bij bedrijven. Zowel het Waalse als het Brusselse Gewest biedt aanzienlijke financiële steun om organisaties over de eerste drempels voor AI-implementatie te helpen:
"Start IA" ondersteunt diagnosefasen en het uitwerken van roadmaps.
"Tremplin IA" van het Waalse Gewest kan tot €40.000 aan proof-of-conceptontwikkeling financieren, met 70% overheidsfinanciering.
Voor Brusselse bedrijven biedt Innoviris specifieke steun voor generatieve AI-projecten.
"De meeste bedrijven weten niet eens dat deze mogelijkheden bestaan. Vaak zijn wij het die ze voorstellen aan prospecten of klanten. Maar volgens mij helpt dit echt om de risico's van een POC te verkleinen."
Die programma's erkennen een fundamenteel gegeven: de grootste drempel voor AI-adoptie is niet technische bekwaamheid, maar het financiële en organisatorische risico van de eerste experimenten.
De toekomst van AI in bedrijven: meer dan technische implementatie
Het succes van generatieve AI-initiatieven zal in de toekomst minder afhangen van technische verfijning en meer van de mate waarin de organisatie er klaar voor is. Dat omvat verschillende aspecten:
Culturele aanpassing: teams moeten begrijpen hoe hun werk bijdraagt aan geautomatiseerde systemen en hun processen daarop afstemmen.
Schaalbaarheid plannen: oplossingen die voor vijf testgebruikers werken, moeten zo ontworpen worden dat ze in productie honderden gelijktijdige gebruikers aankunnen.
Frameworks kiezen: in plaats van alles zelf te bouwen, hebben organisaties baat bij een methodische evaluatie van opensourceframeworks op verschillende punten, van OCR-mogelijkheden tot onderhoudsvereisten.
Een persoonlijke blik: AI in het dagelijks leven
Yoann gebruikt AI niet alleen professioneel, maar ook privé. Zoals veel professionals gebruikt hij ChatGPT voor dagelijkse vragen.
Bijzonderder is hoe zijn muzikale hobby voordeel haalt uit AI-tools voor audioscheiding, die afzonderlijke instrumenten uit volledige opnames kunnen isoleren.
"Eén opname opsplitsen in aparte sporen voor drums, bas en zang is ongelooflijk. Het is fijn om een nummer te nemen, de gitaren eruit te halen en alleen drums, bas en eventueel zang over te houden. Dan speel je er zelf gitaar bij, alsof je meespeelt met Metallica of een andere groep."
Dat toont hoe AI creativiteit kan versterken en geeft een idee van hoe de technologie vanzelfsprekend deel kan worden van allerlei dagelijkse activiteiten.
Yoanns belangrijkste lessen
Terwijl organisaties hun weg blijven zoeken in generatieve AI, biedt Yoanns ervaring enkele belangrijke lessen:
Neem tijd voor een goede diagnose: de complexiteit van GenAI-implementaties vraagt een grondigere voorbereiding dan traditionele ML-projecten.
Vergeet de basisprincipes van data niet: ondanks de technologische vooruitgang blijft datakwaliteit het fundament van succesvolle AI-initiatieven.
Benut beschikbare steun: overheidsfinanciering kan het financiële risico van de eerste AI-experimenten aanzienlijk verlagen.
Vertrek van bedrijfsproblemen: technologie moet duidelijk omschreven zakelijke doelen dienen, niet bepalen.
Plan de adoptie: technisch succes betekent niets zonder gebruik in de organisatie en begeleiding van de cultuurverandering.
De generatieve AI-revolutie is echt. Haar succes zal echter worden afgemeten aan hoe doeltreffend organisaties deze tools in hun werking integreren, niet aan de verfijning van de onderliggende modellen.