80% directe respons van prijswinnaars door AI-gedreven selectie uit duizenden campagne-inzendingen
Harman
Data science bureau Haarlem
We bouwen modellen die voorspellen en beoordelen, getoetst tegen het oordeel van je medewerkers, zoals het selectieproces voor inzendingen dat we voor Harman ontwikkelden.
Voor Harman ontwikkelden we een selectieproces dat inzendingen objectief en reproduceerbaar beoordeelt
Het handmatig beoordelen van inzendingen voor internationale prijscampagnes kostte Harman veel tijd. Ons datagedreven selectieproces met GenAI en LLM-technologie beoordeelt grote aantallen op dezelfde manier. Harman zit niet in Haarlem; de case laat zien hoe we een beoordelingsmodel bouwen.
Hoe beoordelen we elke aanvraag, elk dossier of elk antwoord op dezelfde manier?
Bij gemeenten, zorginstellingen en zakelijke dienstverleners in Haarlem en Zuid-Kennemerland lezen medewerkers stapels aanvragen, dossiers of open antwoorden. Dat kost tijd, en twee collega’s beoordelen hetzelfde geval soms anders. Een model doet een voorstel; je medewerker beslist.
Beoordelen, voorspellen, matchen en bewaken: modellen die het werk van je mensen ondersteunen
Beoordelen op vaste criteria
Voor Harman beoordeelt ons selectieproces inzendingen objectief en reproduceerbaar, zodat grote aantallen op dezelfde manier worden geselecteerd.
Een uitkomst voorspellen
Als onderdeel van het AI-team van het St. Antonius ontwikkelden we een algoritme dat artsen ondersteunt bij de beslissing of een patiënt moet worden opgenomen.
Matchen en classificeren
Voor uitzendorganisatie Olympia werkten we met een classificatiemodel aan het efficiënter en nauwkeuriger matchen van kandidaten aan passende vacatures.
Bewaken na livegang
Voor de AI-modellen die Rijkswaterstaat in productie heeft, ontwikkelden we een generiek monitoring package voor drift- en outlierdetectie.
Het oordeel van je medewerkers is de maatstaf waartegen we elk model toetsen
-
Beslissing en criteria
Welke beslissing het model ondersteunt, op welke criteria je medewerkers nu beoordelen en wie de uitkomst gebruikt.
-
Toetsen tegen mensen
We leggen de uitkomst van het model naast eerdere beoordelingen en laten je medewerkers de verschillen bekijken.
-
In gebruik en bewaakt
Het model komt in het proces met een medewerker die beslist, en we volgen of het blijft kloppen.
Is ons beoordelingswerk geschikt voor een model, of volstaat een vaste regel?
Past als
Je team beoordeelt of voorspelt steeds vergelijkbare gevallen, eerdere beslissingen zijn met uitkomst vastgelegd, en iemand wil die uitkomst echt in het werk gebruiken.
Past niet als
Er zijn weinig gevallen, elk geval is uniek, of de criteria zijn zo helder dat een vaste regel in je systeem het werk doet. Dan raden we een model af.
Waar de omvang van afhangt
Hoeveel soorten gevallen er zijn, of eerdere beoordelingen bruikbaar zijn vastgelegd, waar de uitkomst moet verschijnen, welke eisen aan privacy gelden en wie het model daarna beheert.
Besluiten over burgers of cliënten?
Dan blijft een medewerker verantwoordelijk voor het besluit en leggen we vast waarop het model rust. Of een DPIA nodig is, beoordeelt jullie functionaris gegevensbescherming.
Een beslisregel, een taalmodel of een eigen getraind model: wat past bij jullie beoordelingen?
Een beslisregel
Kies dit als de criteria vastliggen en weinig uitzonderingen kennen. Een regel is uit te leggen en makkelijk bij te houden.
Een taalmodel
Kies dit als het om vrije tekst gaat, zoals inzendingen of open antwoorden, en er weinig gelabelde voorbeelden zijn. Toetsen op eerdere beoordelingen blijft nodig.
Een eigen getraind model
Kies dit als er veel eerdere beslissingen met uitkomst zijn vastgelegd. Ons advies als je wilt kunnen laten zien welke kenmerken zwaar wegen.
Vanaf de Westerdoksdijk in Amsterdam werken we ook voor organisaties in Haarlem en Kennemerland
Data Science Lab werkt sinds 2016 met data en AI, vanuit ons kantoor in Amsterdam, dicht bij Haarlem. We bouwden modellen voor onder meer het St. Antonius, Rijkswaterstaat en Harman, en delen kennis op onze Techdays.
De beslissing die je medewerkers nu met de hand nemen, staat centraal in het eerste gesprek
Stef Stoelwinder
Business DevelopmentStef is je eerste aanspreekpunt. In het eerste gesprek bespreken we welke beslissing beter of sneller moet, welke eerdere beoordelingen er zijn en of een model past.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Welke beoordeling kost jullie team nu de meeste tijd?
Vertel welke gevallen je team beoordeelt en welke data erbij hoort. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Het bouwt modellen die op je eigen data iets voorspellen, beoordelen of indelen, en brengt ze in gebruik. In Haarlem en omgeving gaat het vaak om gemeenten en de provincie, zorginstellingen en zakelijke dienstverleners met veel vergelijkbare gevallen.
Zoek je data science in Haarlem of data science consultancy in de regio: wij leveren het team dat het model bouwt, toetst en overdraagt. Alle toepassingen staan bij AI-toepassingen.
Nee. We zitten in Amsterdam, aan de Westerdoksdijk. Voor organisaties in Haarlem, Heemstede, Bloemendaal en de rest van Kennemerland komen we langs of werken we online.
Voor AI die we bouwen en daarna in beheer houden, lees ook over ons AI bureau Amsterdam.
We nemen eerdere gevallen waarvan het oordeel bekend is en laten het model ze opnieuw beoordelen, zonder dat het die uitkomst kent. Waar model en medewerker verschillen, kijken je medewerkers mee: soms zit het model fout, soms blijken twee collega’s het oneens.
Pas als dat verschil verklaard is, gaat het model het werk ondersteunen.
Een taalmodel past bij vrije tekst, zoals inzendingen, open antwoorden of brieven, zeker als er weinig gelabelde voorbeelden zijn. Bij Harman werkten we met GenAI en LLM-technologie.
Gaat het om gestructureerde gegevens met veel vastgelegde uitkomsten, dan is een getraind model vaak beter uit te leggen en goedkoper in gebruik. Meer daarover lees je bij machine learning.
We nemen alleen de gegevens op die het doel nodig heeft en leggen vast welke kenmerken het model gebruikt. Bij besluiten over burgers, cliënten of kandidaten blijft een medewerker verantwoordelijk.
Of een verwerking mag en of een DPIA nodig is, beoordeelt jullie functionaris gegevensbescherming. Wat wij daarvoor aanleveren, staat bij DPIA voor AI-toepassingen.
Een model kan ongemerkt slechter worden als de gevallen veranderen, bijvoorbeeld door nieuw beleid of een andere doelgroep. Daarom bewaken we de invoer en de voorspellingen en spreken we af wanneer het model opnieuw wordt getraind.
Voor Rijkswaterstaat ontwikkelden we daarvoor een generiek monitoring package dat alle modellen in productie bewaakt op drift.
Ja. In Utrecht ligt de nadruk op voorspellende modellen in zorg en dienstverlening, zie data science bureau Utrecht. In Den Haag op publieke organisaties en zorg, zie data science bureau Den Haag.
De werkwijze is overal dezelfde: eerst de beslissing, dan de data, dan een eerlijke toets.
Als er te weinig gevallen zijn om van te leren, als de criteria in een vaste regel passen, of als niemand de uitkomst in het werk gaat gebruiken. Een model moet je ook bijhouden.
Dat zeggen we ook. Soms is een betere registratie of een overzicht van de eerdere beoordelingen de eerste stap.