DEMAND: een toolkit voor datagericht digitaliseren in de beroepspraktijk
Er is veel data maar hoe gaan we daar doelgericht, duurzaam en veilig mee digitaliseren? Het SPRONG-project DEMAND wil daar antwoord op geven.
Lopend
Lectoraat van Duurzaamheid en circulariteit / Gezonde en inclusieve samenleving / Enabling technologies
AI en big data
Artificiële intelligentie (AI) wordt gezien als ‘key enabling technologie' met een transformatief karakter. De impact is voelbaar binnen het ICT-domein (innovatie in ICT), maar ook ver daarbuiten. Maatschappelijke, zakelijke en wetenschappelijke interesse accelereert de ontwikkeling en vraag naar praktische toepassingen (innovatie met ICT). En hoewel we AI overal om ons heen terug zien, staat de technologie nog in de spreekwoordelijke kinderschoenen.
Volwassen AI-technologie voor mens en maatschappij
Het Lectoraat AI & Big Data houdt zich bezig met het versnellen van AI-toepasbaarheid, ontsluiten van nieuwe mogelijkheden en de transitie van ‘brute force’ rekenkracht op basis van big data naar smart technologie met een brede impact op onze samenleving. Wij onderzoeken en verkennen de mogelijkheden die big data en slimme algoritmes bieden voor ICT-toepassingen in diverse domeinen. Dit doen we samen met studenten, docenten en externe partners. Binnen ons praktijkgericht AI-onderzoek, hebben we twee focusgebieden:
- AI for People & Planet – Het verkennen van AI-mogelijkheden met een positieve impact op mens en natuur.
- AI Engineering – Bijdragen aan de innovatie en ontwikkeling van AI tot een volwassen engineering discipline.
De verwachtingen van AI zijn hoog, maar er is nog veel exploratief en toegepast werk te verzetten om de technologie volwassen te maken en een volledige transitie te maken naar een ‘smart applied technology’. Er zijn een aantal uitdagingen die centraal staan voor het lectoraat:
- Data-driven AI naar Smart Technology De hedendaagse AI berekent correlaties via complexe algoritmes die (extreem) veel data nodig hebben, maar is nog niet in staat om met minder data causale verbanden te leggen (iets waar wij als mensen juist wel goed in zijn). Daarom loopt veel academisch onderzoek naar ‘next generation AI’. Denk aan explainable AI, general purpose AI (in tegenstelling tot task-specific AI), AI die met minder data werkt, of causale verbanden legt. Deze ontwikkelingen volgen we op de voet en nemen we mee in toegepast onderzoek.
- Ethiek en transparantie De koppeling met menselijke waarden (zoals privacy) en transparantie van de technologie roepen veel ethische vragen op die antwoorden nodig hebben. Daarom kijken we verder dan AI enkel als technologie naar de maatschappelijke impact en ervaring.
Van impressive ‘demonstrator’ naar gedegen proces AI-ontwikkeling is nu vaak een proces van trial-and-error en kent nog geen gedegen ontwikkelingsproces (dit is een actief onderzoeksveld, wat ook AI engineering genoemd wordt), waarin dataopslag, data preprocessing (cleaning, transformatie), automatisch (her)trainen van modellen, performance monitoring van modellen etc. geborgd is.
Wendbaar en dienstbaar
Om invulling te geven aan de gestelde focusgebieden staan wendbaarheid en dienstbaarheid centraal bij het Lectoraat AI & big data. In de praktijk betekent dat het toegankelijk maken van onderzoekstaken voor studenten, het aangaan van publiek-private samenwerkingen met business partners, en duurzaam relatiebeheer met andere kennisinstellingen. Op deze manier dragen we bij aan de kenniscreatie en innovatie die nodig is om te komen tot state-of-the-art practice in AI die een marktklare technologie nodig heeft.
Lectoraat AI & Big Data
Artificial Intelligence volwassen makenCentre of Expertise AI For Society
Binnen Fontys Hogescholen wordt AI gezien als een transformatieve technologie met een impact op elk vakgebied en onderzoeksveld. Daarom komt kennis, kunde en ervaring bij elkaar in het Centre of Expertise AI For Society (CoE AI). Het doel van het CoE is om kennisdeling en creatie te stimuleren, discussie mogelijk te maken en nieuwe projecten te starten. Bovendien is het CoE in de Brainportregio het aanspreekpunt voor toegepaste (onderzoeks)vraagstukken vanuit het bedrijfsleven met betrekking tot AI. Naast het eigen toegepaste onderzoek, is het Lectoraat AI & Big Data ook hierbij betrokken.
Podcast
Vertrouwen in algoritmes en AI
Onderzoeksprojecten
-
-
WildlifeNL: digitaliseren van wildlife management in Nederland
Het WildlifeNL project houdt zich bezig met vragen over interactie tussen dier en mens en ziet een duurzame digitalisering van wildlife management als een oplossing voor de toekomst
Lopend
-
Flower Power: AI als middel om biodiversiteit te meten
Biodiversiteit is een van de belangrijkste standaarden voor het welzijn van onze natuurlijke omgeving.
Lopend
-
The Art of Connection: Versterken zorgnetwerken in de ‘fourth space’
Op welke manier kan een interactieve buitenruimte bijdragen aan het bevorderen van sociale interactie tussen bewoners in de wijk Stadseiland?
Lopend
-
Van Sensoren naar Zorg: wearables toegepast in de werkpraktijk
Stress is een belangrijk signaal voor klachten bij patiënten in de zorg, maar wat nu als deze niet in staat zijn om deze te articuleren of zich niet bewust zijn van de verhoogde stresswaarden?
Lopend
-
Deep Learning ontsluiten voor de zorg
Hoe kunnen we deep learning ontsluiten voor medische professionals als betrouwbare en transparante (ondersteunende) beslissingstool?
Lopend
Lector
Dr.ir. G.C. (Gerard) Schouten
Lector AI en Big Data | Fontys ICTGerard Schouten heeft Natuurkunde gestudeerd aan de TU/e. In 1993 is hij gepromoveerd op onderzoek naar visuele waarneming. Na zijn studie startte hij als software designer / projectleider bij Philips Innovation Services.
Lees meer over Gerard Schouten Bekijk publicatiesKennisteam
Dr. P.M. (Petra) Heck
Senior onderzoeker AI Engineering | Fontys ICT
Dr. M.W.H. (Manon) Peeters-Schaap
Senior onderzoeker en projectleider ‘van sensoren naar zorg’ | Fontys Paramedisch
Publicaties
Meesters, M., Heck, P. & Serebrenik, A. (2022) What Is an AI Engineer? An Empirical Analysis of Job Ads in The Netherlands. https://doi.org/10.1145/3522664.3528594
Schouten, G., Sangiovanni, M., Hogeweg, L. & Kalkman, V. (2021) Large-scale Monitoring of Wildflowers: Data and AI Challenges. NWO Life 2021 Conference
Heck, P.M., Schouten, G. & Cruz, L. (2021) A Software Engineering Perspective on Building Production-Ready Machine Learning Systems. In: Chkoniya V. (ed.) Handbook of Research on Applied Data Science and Artificial Intelligence in Business and Industry, pp. 23-54. https://doi.org/10.4018/978-1-7998-6985-6.ch002.
Heck, P.M. &Schouten,G. (2021) Lessons Learned from Educating AI Engineers. 2021 IEEE/ACM 1st Workshop on AI Engineering - Software Engineering for AI (WAIN), 2021, pp.1-4, https://arxiv.org/abs/2103.10703
Peeters, M.W.H., Schouten, G. & Wouters, E.J.M. (2021) Wearables for Residents of Nursing Homes with Dementia to Signal Challenging Behaviour: Values, Attitudes and Needs. Gerontechnology, 20(2), pp. 1-13. https://doi.org/10.4017/gt.2021.20.2.7.06
Schouten, G., Sangiovanni, M. & van den Heuvel, WJ.(2021) IoT Beehives and Open Data to Gauge Urban Biodiversity. In: Arai K. (ed) Advances in Information and Communication. FICC 2021. Springer. https://doi.org/10.1007/978-3-030-73100-7_17
Abbasi-Sureshjani, S., Raumanns, R., Michels, B.E.J., Schouten, G. & Cheplygina, V. (2020) Risk of Training Diagnostic Algorithms on Data with Demographic Bias. MICCAI. Lecture Notes in Computer Science, 12446, pp.183-192 https://doi.org/10.1007/978-3-030-61166-8_20.
Heck, P.M. & Schouten, G. (2020) Turning Software Engineers into AI Engineers. arXiv preprint arXiv:2011.01590.
Raumanns, R., Contar, E.K., Schouten, G. & Cheplygina, V. (2020) Multi-task Ensemble Learning with Crowdsourced Features Improve Skin Lesion Diagnosis. arXiv preprintarXiv:2004.14745v2.
Schouten, G., Boosten-Ovtchinnikova, M., Paszkowski, B. & Van den Boogaard, L. (2019) Take out what you can: quantitative analysis of the open question results from the National Student Survey (artikel). 16-06-2019. https://surfsharekit.nl/public/2a90d9aa-c004-4329-b9ae-98c6304de057
Janssen, O.T.A. & Schouten, G. (2019) Machine Learning and the whole Transparency Thing. Medium blogpost https://medium.com/@o.t.a.janssen/machine-learning-and-the-whole-transparency-thing-ac85577be382.
Aarts, S., Schouten, G. & Wernaart, B. (2017) Ethiek in Onderzoek van de Toekomst. Chapter in: Ethiek van Praktijkgericht Onderzoek, Bohn Stafleu van Loghum. ISBN: 9789036817516.
Schouten, G. (2016) Big Data? Natuurlijk! Inauguration booklet, Fontys.
Populair:
Wernaart, B., Arets, D., Pen, C. & Schouten, G. (2022) Datacenters: een noodzakelijke infrastructuur die niemand wil. AG Connect, 10 maart 2022.
Wernaart, B., Arets, D., Pen, C.J. & Schouten, G. (2022) Datacenters verdienen beter debat. AG Connect. Maart 2022
Arets, D., Graaf, M., Schouten, G. & Wernaart, B. (2021) We moeten ons ook wapenen tegen de ‘data-warlords’, die met nullen en enen vechten. De Volkskrant, 10 november 2021
Schouten, G. (2021) Laat het HBO AI aanpakken. Eindhovens Dagblad, 17 april 2021.
Geleijns, B., Baert, R., Kuijpers, N. & Schouten, G. (2021) Met Big Data rijgedrag ZE-Bussen beoordelen. OV Magazine. 1 maart 2021
Terburg, S. (2021) Wij hebben het bedrijfsleven nodig. Regio Business. 26 januari 2021
Schouten, G. (2018) Met Data Science de Wereld een beetje mooier Maken. Publiek Denken Magazine.
Schouten, G. (2018) Interview Lector van het Jaar. Podcast, ScienceGuide. https://soundcloud.com/user-143389502/scienceguide-podcast-lector-van-het-jaar