Omdat het vakgebied van AI zo breed is en constant verandert, is het essentieel dat studenten ook leren om zelfstandig nieuwe kennis op te bouwen. Tijdens de colleges behandelen we de basis van een bepaald onderwerp en tijdens de projecten moeten de studenten zelf nieuwe kennis opbouwen om een geschikte oplossing te kunnen realiseren.

Ons doel is dat studenten tijdens hun stage en afstuderen met een nieuw onderwerp aan de slag kunnen gaan of voor een onderwerp waar ze al kennis over hebben meer de diepte in kunnen gaan zodanig dat ze een geschikte oplossing kunnen realiseren. Met deze vaardigheid kunnen ze in de toekomst altijd bij blijven in het AI vakgebied.

We leren onze studenten om eerst goed onderzoek te doen naar het probleem van een opdrachtgever en alle mogelijke oplossingen, voordat ze een oplossing gaan realiseren. Ze zijn uiteraard goede programmeurs en snappen hoe AI werkt en kunnen dus ook een geschikte oplossing realiseren. Daarnaast vinden we het belangrijk dat ze goed kunnen communiceren over alle keuzes, experimenten en resultaten tijdens het realiseren van de oplossing.

De typische AI student is dus een sociale techneut. Ze kunnen goed communiceren met opdrachtgevers, weten hoe diverse AI technologieën werken én kunnen een werkende oplossing realiseren.

Studenten kunnen diverse (deel)oplossingen bieden: van iets met data engineering doen, het maken van modellen tot en met het realiseren van apps of dashboards voor eindgebruikers. Qua modellen kan gedacht worden aan data science, computer vision, NLP of reinforcement learning, maar ook aan algoritmes en heuristieken. Het vakgebied is breed en divers en dat geldt ook voor de mogelijke oplossingen.

• Voorbeeld 1
  Een van onze studenten is aan de slag gegaan met een app die gebruikers feedback geeft op hun presentatietechnieken. Een eerste model herkent personen en een tweede model herkent bepaalde houdingen. De oplossing bestond al maar de prestaties waren onbekend. De student heeft beide modellen geanalyseerd en gekeken naar de gebruikte dataset, heeft mogelijke verbeteringen bepaald en deze doorgevoerd.
• Voorbeeld 2
  Een andere student heeft voor een bedrijf in de agrarische sector twee databronnen gecombineerd. Er was data van de voederrobots in stallen beschikbaar en sensordata van de uitstoot van de dieren. De complexiteit van deze opdracht lag in het mappen van de verschillende type databronnen op elkaar. Nadat dit gelukt is, zijn er diverse modellen getraind om op basis van de voeding een voorspelling te kunnen geven van de uitstoot van dieren.
• Voorbeeld 3
  Tenslotte is een student aan de slag gegaan met het opzetten van een oplossing om in een elektronisch patiënten dossier verslagen van zorgprofessionals te analyseren. Er is onder andere gekeken naar het sentiment binnen verslagen. Omdat er geen data beschikbaar was vanwege privacy redenen, is er eerst onderzocht of het mogelijk was om bruikbare data te genereren met Chat-GPT. Toen dit gelukt is, is er met diverse taaltechnologieën een model gerealiseerd om de teksten te analyseren.