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.

Veruit alle afstudeeropdrachten bij AI hebben te maken met machine learning. Op basis van historische data wordt een model getraind dat voorspellingen kan maken voor nieuwe data. Daarbij krijgen studenten te maken met verschillende soorten data:

• Gestructureerde data uit een database. We noemen dit data science. Studenten moeten de data analyseren, opschonen en verrijken waarna er modellen getraind wordt. Een voorbeeld is een webshop die op basis van de historische verkoopcijfers, seizoensinvloeden, etc. voorspellingen wilde maken van verkooporders om de voorraad beter te kunnen beheersen.
• Beeld en geluid. Voor dit soort problemen zijn complexere modellen nodig, we noemen dat deep learning. Ook hier moet de data geanalyseerd, opgeschoond en verrijkt worden en worden er modellen getraind. 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. Een andere student heeft op basis van geluidsdata afkomstig uit een varkensstal een model getraind dat kon voorspellen of er varkens waren met pijn of angst.

Tegenwoordig zien we ook veel opdrachten rondom Agentic AI: hierbij worden taalmodellen zoals ChatGPT en Claude ingezet om bepaalde taken in organisatieprocessen te automatiseren. Hierbij wordt onderzoek gedaan naar de bedrijfsprocessen, welke agenten nodig zijn, welke modellen geschikt zijn, etc. Vaak is er een data science model nodig dat agents helpt om beslissingen te nemen. Een voorbeeld is een opdracht waarbij een Agentic AI oplossing zelfstandig offertes moest genereren. Hierbij is ook een model getraind op basis van historische offertes waar klanten wel of niet op in zijn gegaan en de feedback die destijds ontvangen is.