AI in de praktijk met Marijn Markus - Deel 1

Hoe ben je eigenlijk in de wereld van data science en AI terechtgekomen?

Je maakt allemaal fouten in je leven, en ik heb op een gegeven moment de fout gemaakt om sociologie te gaan studeren. Mijn vader vroeg zich af wat ik in vredesnaam daarmee zou gaan doen. Maar ik ging naar de Universiteit Utrecht, en dat is de meest kwantitatieve afdeling van sociale wetenschappen van heel Europa. Dus ik zat voornamelijk onderzoek te doen naar het gedrag van grote hoeveelheden mensen. Waar ging het dan concreet over? Hun stemgedrag, hun koopgedrag, de ruimtelijke spreiding van criminaliteit, hoe een pandemie zich verspreidde. Als ik terugkijk naar mijn werk aan Ebola tijdens de uitbraak van 2014 en 2015, dan zie je precies waar sociologie over gaat. Het zit midden tussen psychologie en economie in - het onderzoeken van het gedrag van grote groepen mensen op niet-financieel gebied. Vanuit daar ben ik afgestudeerd op de ruimtelijke spreiding van criminaliteit in Rotterdam, mijn hometown. En toen kwam Capgemini langs, en die vonden dat allemaal heel erg cool en heel erg data science. En daar ben ik dus begonnen.

Pas je die achtergrond in sociologie nog steeds toe in je huidige werk met AI?

Veel meer dan ik had verwacht, eigenlijk. Tegenwoordig leid ik voornamelijk teams op dit gebied, en dan zit ik er met wiskundigen, econometristen, theoretisch natuurkundigen, en mensen die alles weten over specifieke technische onderwerpen. Echt heel erg gezellig tijdens de lunch. We zien allemaal andere problemen en andere oplossingen, en daardoor zien we tezamen betere oplossingen. Dat maakt het vakgebied data science zo leuk, vind ik. De grap is altijd: je neemt vier computer scientists, die stop je in een kamer met data, en dan wacht je tot de magie gebeurt. Nou, dat gebeurt dus niet. Zo werkt het niet. Het is verschrikkelijk multidisciplinair. Daarom zit ik na al die jaren nog steeds in het vakgebied, en dat is ook waar ik mijn toegevoegde waarde heb. Ik ga niet een computer scientist uitleggen hoe dingen te engineeren - daar kunnen zij beter in dan ik. Maar zodra het gaat over grote hoeveelheden menselijk gedrag, over bijvoorbeeld gender pay gaps, modellen voor burn-outs bij personeel, of de doorstroom van vluchtelingen, dan kom ik met al mijn kennis en papers aanzetten. Dan kan ik zeggen: jongens, we moeten hamburgerprijzen hiervoor gebruiken, want dat is de beste voorspeller voor vluchtelingenstromen door de jaren heen.

Wat bedoel je precies met hamburgerprijzen als voorspeller?

De Big Mac-index, precies. Dat is mijn angle waar andere mensen niet aan denken. Daarom ben je goed in een team - omdat je iets hebt wat de rest niet heeft. En dat is veel meer dan alleen maar sociale wetenschappen. Je bent goed in een team omdat je een unieke bijdrage levert. Zeker voor alle studenten die luisteren en als de dood zijn voor de arbeidsmarkt: maak je geen zorgen. Ik was ook heel bang voor de arbeidsmarkt, maar het valt mee. Binnen de universiteit voel je je vaak onbelangrijk omdat je alleen maar daar zit met collega's en studenten, laat staan docenten, die alles beter weten dan jij over dat ene onderwerp. Dan kom je de arbeidsmarkt binnen en kom je erachter dat jij de enige in de zaal bent die wat weet over dat onderwerp. Sterker nog, ze willen jou en ze waarderen jou vanwege jouw kennis over dat ene onderwerp. Tegelijkertijd mag je geen fouten meer maken, want er is geen docent meer die zegt: "Marijn, je hebt je regressies niet gestandaardiseerd, dat moet je nu gewoon zelf weten." Dat is ook wel weer een paniekmoment.

Wat zou je studenten adviseren om zich beter voor te bereiden op de arbeidsmarkt?

Ik wens dit iedereen toe, en daarom hamer ik ook tegenwoordig zo op het lopen van stages. Ik begeleid heel veel stagiairs. Van de eerstejaars bachelorstudenten in Nederland gaat gemiddeld twee procent een PhD doen. Twee procent! Terwijl het overgrote deel van de studenten alleen maar klaargestoomd wordt vanuit de academische wereld om een PhD te gaan doen. Wat gaat er met die 98 procent gebeuren? Die komt in de markt, maar daar worden ze niet op voorbereid. Niemand vertelde mij dat ik een stage moest gaan lopen. Dat heb ik zelf gedaan, bij Giro 555 en bij de Nederlandse politie. Nou, eye-openers voor mij. Ik heb leren koffie drinken - het was echt smerige koffie, dat wel - maar ik zag wat mijn kennis en kunde op het gebied van data, statistiek, en het kunnen interpreteren van wetenschappelijke papers in de praktijk betekende.

Wat was voor jou de grootste eye-opener tussen wat je geleerd had tijdens je studie en wat je in de echte wereld tegenkwam?

Ik had meerdere eye-openers, maar de meest betekenisvolle was in 2015, tijdens de hele Ebola-pandemie. Ik liep stage bij Giro 555 en begon met Excel-sheetwerk over de eilanden in de Filipijnen, na de Haiyan-vloedgolf in 2013 en 2014. We waren rapporten aan het maken over welk eiland was geholpen met welke hulp. Plotseling kregen we een wereldwijde pandemie in West-Afrika. Alle ogen waren daarop gericht. Ik begon data te pakken vanuit drie of vier verschillende NGO's over waar het virus naartoe ging en hoe de spreiding lag voor verschillende regio's. Ik zat stadsgeografische modellen toe te passen die ik had geleerd over verhuizingen en verspreidingen - hoe mensen zich verhuizen over een stad of verschillende regio's. Dat kan je ook op nationaal niveau toepassen. Dat begon ik te visualiseren en te exporteren uit R in SVG's, zodat ik het kon verfijnen in Adobe Illustrator. En een van die kaarten is op het NOS-journaal gebruikt. Dat was het moment dat ik een foto maakte van de televisie en die naar mijn moeder stuurde met de boodschap: "Kijk mama, mijn werk is op tv. Laat dit vooral aan papa zien." Ik kwam erachter dat de dingen die ik doe met data, dat ik daar mensen mee kon helpen. We hebben 10,6 miljoen euro opgehaald om noodhulp naar West-Afrika te sturen. En ik had alleen maar het gevoel van: man, dit wil ik doen. Dit is impact.

Wat is op dit moment je meest impactvolle AI-project waar je aan werkt?

Ik ben altijd met vijf verschillende projecten bezig. Eén voorbeeld waar ik vanuit Capgemini veel mee bezig ben is Project Farm. Dat is een data-platform dat we hebben ontwikkeld, in het begin voor Kenia, maar nu met een hele sterke focus op India. We geven advies aan kleinschalige boeren aldaar. We vergeten vaak dat meer dan de helft van de beroepsbevolking in India in de agrarische sector werkt. Dat zijn boeren. En die kun je advies geven over hoeveel ze moeten planten, wanneer ze moeten oogsten, en hoeveel mest ze moeten gebruiken. Dat zijn niet al te moeilijke berekeningen, maar wel hele belangrijke berekeningen. Want het kan het verschil betekenen tussen een goed oogstjaar of helemaal geen oogst.

Kun je een concreet voorbeeld geven van hoe zo'n berekening verschil maakt?

Zo'n simpele berekening, zoals bijvoorbeeld hoeveel mest moet je gebruiken - in plaats van dat boeren gewoon al hun spaargeld gebruiken om mest te kopen en alles op het land gooien. De relatie tussen mest en opbrengst is niet lineair. Zo'n simpele berekening maakt al een groot verschil voor hun oogst en inkomen. Dat is ook een heel groot deel van mijn vakgebied. Het gaat er helemaal niet over dat we het coolste, mooiste deep learning-model gebruiken. Het gaat erom dat we de vragen en het probleem begrijpen en daar een passende methode aan plakken om mensen betere beslissingen te laten nemen.

Dus het draait meer om het oplossen van problemen dan om de technologie zelf?

Absoluut. Dat geldt voor grote enterprises tot aan zelfs kleine startups. Je zorgt dat je impact maakt, dat je een probleem oplost. Het maakt inderdaad niet uit hoe hip of niet hip de technologie is. Dit is een reden dat Google het Chief Decision Scientist is gaan noemen in plaats van bijvoorbeeld Chief Data Scientist. Maar dat is slechts een voorbeeld van iets breder. Heel veel mensen betreden dit vakgebied met de gedachte dat ze een opdracht gaan krijgen, net zoals op de universiteit: "Bouw dit model met deze technieken en die data." Maar in de praktijk is het veel complexer en multidimensionaler dan dat.

Wat is dan het verschil tussen hoe mensen denken dat data science werkt en hoe het echt werkt?

Op de universiteit krijg je vaak heel duidelijk afgebakende opdrachten. Je krijgt een dataset, je krijgt te horen welke methode je moet gebruiken, en je weet precies wat het eindresultaat moet zijn. In de echte wereld is dat totaal anders. Je begint met een vaag probleem, je moet zelf uitzoeken welke data je nodig hebt, of die data überhaupt bestaat, en welke aanpak het meest geschikt is. Bovendien moet je rekening houden met praktische beperkingen: heeft de organisatie de infrastructuur om je oplossing te implementeren? Kunnen mensen ermee werken? Is het ethisch verantwoord? Past het binnen de regelgeving? Al die aspecten komen niet aan bod in een universitaire opdracht, maar zijn cruciaal in de praktijk.

Hoe zorg je ervoor dat je team al die verschillende aspecten goed aanpakt?

Dat is waar die multidisciplinaire aanpak zo belangrijk wordt. Elk teamlid brengt een ander perspectief mee. De wiskundige ziet het modelleringsprobleem, de computer scientist ziet de implementatie-uitdagingen, de econometrist ziet de causale verbanden, en ik zie vanuit mijn sociologische achtergrond de menselijke en maatschappelijke aspecten. Door die verschillende perspectieven samen te brengen, krijg je een veel completer beeld van het probleem én de oplossing. En dat is ook waarom ik zo blij ben dat ik destijds die "fout" heb gemaakt om sociologie te studeren. Het blijkt helemaal geen fout te zijn geweest - het is juist mijn kracht geworden in dit vakgebied.

Wat maakt een data science project volgens jou succesvol?

Een succesvol data science project draait om drie dingen. Ten eerste: begrijp het echte probleem. Niet het technische vraagstuk, maar het onderliggende probleem dat mensen of organisaties ervaren. Ten tweede: kies de juiste aanpak voor dat probleem, en dat is niet altijd de meest geavanceerde technologie. Soms is een simpele regressie of zelfs een goede visualisatie genoeg. En ten derde: zorg dat je oplossing daadwerkelijk gebruikt wordt en impact maakt. Dat laatste punt wordt vaak vergeten. Je kunt het mooiste model bouwen, maar als niemand het begrijpt of ermee kan werken, heeft het geen waarde. Daarom besteed ik veel tijd aan het uitleggen van onze oplossingen aan stakeholders en eindgebruikers, en aan het zorgen dat onze modellen goed geïntegreerd worden in bestaande processen.

Hoe kijk je aan tegen de term "AI" en alle buzzwords in het vakgebied?

Eerlijk gezegd vind ik het soms een beetje vermoeiend. Eerst noemden we het allemaal gewoon data. Toen werd het Big Data. Daarna data science. Nu noemen we het AI. Ik snap nog steeds niet helemaal wat alle nieuwe buzzwords doen, behalve misschien marketing en hype creëren. Voor mij gaat het om de kern: data gebruiken om mensen te helpen en betere beslissingen te nemen. Of je dat nu data-analyse noemt, data science, of AI - het fundamentele doel blijft hetzelfde. De technologie evolueert natuurlijk, en daar moet je in meegaan, maar laat je niet verblinden door de buzzwords. Focus op de problemen die je oplost en de waarde die je creëert.

Wat zou je willen zeggen tegen studenten die nu twijfelen over hun studiekeuze of carrièrepad?

Maak je vooral niet te veel zorgen. Ik was ook bang en onzeker, maar het komt goed. Wat je op de universiteit leert is belangrijk, maar het is niet alles. Je leert vooral om te leren, om kritisch te denken, en om problemen te analyseren. Die vaardigheden zijn waardevol, ongeacht welke specifieke richting je kiest. Mijn advies: doe stages, zo veel mogelijk. Dat is de beste manier om erachter te komen wat je leuk vindt en waar je goed in bent. En realiseer je dat je unieke perspectief waardevol is. Jij bent niet de zoveelste student met dezelfde achtergrond - jij bent de enige met jouw specifieke combinatie van kennis, ervaring en perspectief. Dat is wat je waardevol maakt op de arbeidsmarkt. En als laatste: wees niet bang om keuzes te maken die anderen misschien vreemd vinden. Mijn vader dacht dat sociologie een vreemde keuze was, maar het blijkt mijn grootste kracht te zijn in data science. Vertrouw op je eigen interesses en passies, en zoek manieren om die te verbinden met wat de wereld nodig heeft. AIToday Live is een podcast die zich richt op de nieuwste ontwikkelingen in AI en de impact ervan op verschillende sectoren. In elke aflevering spreken hosts Niels Naglé en Joop Snijder met experts uit het veld om inzicht te krijgen in de mogelijkheden en uitdagingen van AI-technologie. Luister via je favoriete podcast app: Spotify, Apple podcasts, YouTube Music, en meer.