Thomas

Thomas heeft Bestuurskunde én Data science gestudeerd. Voor sommigen lijkt dit wellicht een bijzondere combinatie, maar voor hem is het heel logisch. Hij is zowel geïnteresseerd in statistiek als de wijze waarop mensen werken binnen een organisatie. Voordat hij bij ons startte, heeft hij gewerkt als data scientist bij een gemeente. Daar leverde hij data-analyses en dataproducten voor onder meer het lerarentekort, veiligheid en het sociaal domein. Nu is hij bij Data Science Lab actief binnen de zorg – een fascinerende wereld! Vroeger had Thomas nog niet zoveel met statistiek, maar wilde buschauffeur worden in een harmonicabus. Wellicht komt die droom nog uit in de toekomst tijdens zijn roadtrip door alle staten van de VS.

Thomas voorziet dat over 10 jaar binnen ons vakgebied het werken met data steeds eenvoudiger wordt. Straks is data koppelen, opschonen, het trainen van een model en het visualiseren van de resultaten voor een aanzienlijk deel geautomatiseerd. Aan de ene kant krijg je data engineers die de dataproducten inpassen in het bestaande IT-landschap en aan de andere kant adviseurs die ervoor zorgen dat een organisatie maximale waarde uit de dataproducten haalt. Over 10 jaar zullen de meeste mensen goed weten wat data science inhoudt en waarvoor het wordt gebruikt. Mensen zullen daarom ook kritischer zijn op het werk van data scientists en meer gaan doorvragen. Thomas verwacht dat de behoefte toeneemt om de werking van algoritmes uit te leggen hoe zij van input tot output komen. Hij ziet dat als een grote kans om het vertrouwen in data science te vergroten.

De branche die volgens Thomas nog te weinig gebruikt maakt van AI is met name de zorg en publieke sector. Hierin is nog veel terughoudendheid. Volgens hem komt dat voort uit de vrees dat de het algoritme dan de besluitvorming overneemt. Maar er zijn zo veel vlakken waarbij repetitief werk kan worden geautomatiseerd en nieuwe inzichten vanuit de data kunnen worden gebruikt ter ondersteuning van besluitvorming. De computer hoeft het besluit helemaal niet over te nemen. En er zijn kansen te over: om operationele processen efficiënter te laten verlopen, betere beslissingen te maken, om taken over te nemen waarin algoritmes gewoon beter zijn, etc.

Vragen?