AI in de praktijk met Marijn Markus - Deel 1

Welkom bij een nou compleet nieuw seizoen. Ja, de eerste van AIToday live. Leuk dat je luistert. We hebben vandaag in onze studio Marijn Markus. Marijn, dank je wel dat je op onze uitnodiging in bent gegaan. Zou je je even voor willen stellen aan onze luisteraars? Hoi iedereen, ik ben Marijn Marcus. Hier live vanuit Veenendaal. Niet meer live nu jullie luisteren vrees ik. Ik ben Managing Data Scientist bij Capgemini. Zes jaar ervaring in het veld, maar meer dan tien jaar al bezig met... Toen noemden we het allemaal nog data. Toen zijn we het Big Data genoemd op een gegeven moment. Toen werd alles data science. Nu noemen we het AI. Ik snap nog steeds niet helemaal wat alle nieuwe buzzwords nog steeds doen. Ik doe data om mensen te helpen. Oh ja, dat is al een heel mooi statement. Hoe ben je hierin terechtgekomen? Nou heb je effe. - Een minuutje of twintig. Je maakt allemaal fouten in je leven. En ik heb op een gegeven moment de fout gemaakt om sociologie te gaan studeren. En mijn pa vroeg zich af, wat ga je in vredesnaam daarmee doen Marijn? Maar ik ging naar Utrecht, de universiteit Represent. 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. hun stemgedrag, hun koopgedrag, ruimtelijke spreiding van criminaliteit, hoe pandemie zich verspreidde. Als ik kijk naar mijn werk aan Ebola, vorige keer op 5v5, 2014/2015 hebben we het dan over. Ja, want waar gaat sociologie over? Er zit dus midden tussen psychologie en economie in. Het gedrag van grote groepen mensen onderzoeken op niet-financieel gebied. En vanuit daar ben ik afgestudeerd op ruimtelijke spreiding van criminaliteit in Rotterdam, mijn hometown, represent, voor Abu Dhabi. En toen kwam Capgemini langs en toen raakten we in gesprek, want die vond het allemaal heel erg cool en heel erg data science. En ik zei, ja, ja. Ja, mooi. En past je de sociologie nog toe nu, als je bezig bent met AI? Veel meer dan ik had verwacht. Kijk, tegenwoordig leid ik voornamelijk teams op dit gebied. En dan zit ik er met wiskundigen, econometristen, theoretisch natuurkundigen, en gozer die alles weet over Boeing. Echt heel erg gezellig tijdens lunch. En we zien allemaal andere problemen en andere oplossingen. Daardoor zien we tezamen betere oplossingen. Dat maakt het vakgebied data science zo leuk, vind ik. De grap is altijd, jij neemt vier computer scientists, die stop je in de kamer met data en dan wacht je tot de magic 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. Maar dat is ook waar ik mijn toegevoegde waarden heb. Ik ga niet een computer scientist uitleggen hoe dingen te engineren. Daar kunnen zij beter dan ik. Maar zodra het gaat over... Oké, we hebben hier over groot toeveelheden menselijk gedrag. We hebben het hier over bijvoorbeeld gender pay gaps... of modellen voor burn-outs voor spellen of het doorstroom van vluchtelingen bijvoorbeeld. Daar kom ik met al mijn mooie papers aan van jongens, we moeten hamburgerprijzen hiervoor gebruiken. Want dat is het beste voorspeller voor vluchtelingenstromen door de jaren heen. Ja, precies. Big Mac-index. Maar dat is dan mijn angle waar andere mensen denken. En daarom ben je goed in een team, en dat is veel meer dan alleen maar sociale wetenschappen. Je bent goed in een team omdat je iets hebt wat de rest niet heeft. En zeker voor alle studenten die luisteren, die als de dood zijn voor de arbeidsmarkt... Don't worry, ik was ook heel bang voor de arbeidsmarkt, maar het valt mee. Want binnen de unie voel je je vaak onbelangrijk... omdat je alleen maar daar zit met collega's, studenten, laat staan docenten... die alles beter weten dan jij over dat ene onderwerp. Dan kom je de arbeidsmarkt binnen, kom je erachter, jij bent de enige in de zaal die wat weet over dat onderwerp. Sterker nog, ze willen jou en ze waarderen jou vanwege jouw kennis over dat ene onderwerp. Precies. Tegelijkertijd, je mag geen fouten meer maken, want er is geen enkele docent die meer zegt... ...'Matty, je hebt je regressen niet gestandardiseerd, dat moet je nu gewoon zelf weten.' Dat is ook wel weer een paniekmoment. Maar ik wens dit iedereen toe, en daarom hamer ik ook tegenwoordig zo op lopen stages... ...en begeleid ik heel veel stagiairs tegenwoordig. Van de eerstejaarsbachelorstudenten in Nederland gaat gemiddeld 2% een PhD doen. 2%. 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% gebeuren? Ja, die komt in de markt. Ja, maar daar worden ze niet op voorbereid. Niemand vertelde mij dat ik een stage moest gaan lopen. Dat heb ik zelf gedaan, bij Giro 5x5 en bij een Nederlandse politie. Nou, eye-openers voor mij, ik heb leren koffie drinken. Het was echt smerige koffie, dat wel, maar ik heb leren koffie drinken. En ik zag wat mijn kennis en mijn kunde op het gebied van data, op het gebied van statistiek, op het gebied van pak vijf papers en leg uit wat er kan gaan gebeuren. Dat kon ik in de praktijk brengen. Wat was jou nou het grootste, die eye-opener wat jij zei, tussen wat je geleerd had in je studie, En wat je dan in de echte wereld, als ik dat tussen aanhalingstekens mag zetten, tegenkomt. Ik had meerdere eye-openers, maar makkelijker was het in 2015, de hele Ebola-pandemie. Ik stageliep bij Giro 5x5 en begon met Excel-sheetwerk over de eilanden in de Filipijnen, na de hele Haiyan-vloedgolf, in 2013/2014 spreken we dan. En we waren rapporten aan het doen over welk eiland was geholpen met wat voor dingen. Plotseling kregen we een wereldwijde pandemie. Een wereldwijde pandemie in West-Afrika. Iedereen ogen daarop. Ik begon data te pakken vanuit drie, vier verschillende NGO's over waar het naartoe ging, hoe de spreiding lag voor verschillende regio's. Ik zat stadsgeografische modellen die ik had geleerd over verhuizingen en verspreidingen van... Even kijken. Gewoon hoe mensen zich verhuizen over een stad, over verschillende regio's, kan je ook op nationaal niveau toepassen. Dat begon ik te visualiseren. Te exporteren uit R en zo in SVG's, zodat ik het kon pimpen in Adobe Illustrator. En een van die kaarten is op het NOS gebruikt. Dus dat was het moment dat ik een foto maakte van de televisie die naar mijn moeder stuurde op de... "Kijk, mama zooi's op tv. Laat dit vooral haar papa zien." Want ik kwam erachter dat de rotzooi 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 van, man dit wil ik. Ja, impact. Mooi. Dat is één voorbeeld. Heel mooi. En als je dan nu terugkijkt, wat is op dit moment je meest leuke, impactvolle, je mag zelf het criterium kiezen, AI-project. die je gedaan hebt of waar je mee bezig bent. 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, ooit voor Kenia, maar nu met een hele sterke focus op India. Om advies te geven aan kleinschalige boeren al daar. Want we vergeten vaak dat meer dan de helft van het land van India in de agrarische sector werkt. Dat zijn boeren. En die kan je advies geven. Hoeveel moeten ze planten, wanneer moeten ze oogsten, hoeveel mest moeten ze gebruiken. Niet al te moeilijke berekeningen hier en daar, maar wel hele belangrijke berekeningen. Want het kan het verschil tussen een goed jaar oogst of helemaal geen oogst betekenen. En zo'n simpele berekening, zoals bijvoorbeeld hoeveel mest moet je gebruiken, in plaats van dat ze gewoon allesparende geld gebruiken om mes te kopen. Alles op het land gooien, dat is niet lineair natuurlijk. Zo'n simpele berekening maakt al voor een groot verschil. En 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. Maar dat we de vragen en het probleem begrijpen en daar een passende methode aan plakken... om mensen betere beslissingen te laten nemen. Ja, dat zien wij natuurlijk in de praktijk ook. Dat geldt voor grote enterprises tot aan zelfs kleine startups. Dat je zorgt dat je impact maakt, dat je een probleem oplost. Dat het niet over de technologie gaat. Dus het maakt inderdaad niet uit hoe hip of niet hip. Het gaat erom wat los je op. Dit is een reden dat Google het Chief Decision Scientist is gaan noemen. Maar dat is slechts een voorbeeld van het bredere ding. dat heel veel mensen dit vakgebied betreden met de gedachte dat ze een opdracht gaan krijgen, net zoals op de Unie van 'bouw dit model met deze technieken en die data,