Na drie jaar tekenen Petra Heck (senior onderzoeker) en Gerard Schouten (Lector AI & Big Data) hun bevindingen op in een paper ‘Lessons learned from educating AI-engineers’. Tijdens de International Conference of Software Engineering werd dit paper gepresenteerd.
Artificial intelligence is een van de belangrijkste transformatieve technologieën op dit moment. Onderwijs in AI is daarom volop in ontwikkeling. Met de publicatie willen Heck en Schouten een bijdrage leveren hieraan. De behoefte aan professionals met kennis van AI is namelijk enorm. Dit doen ze aan de hand van een overzicht van de opleidingsstructuur en een aantal concrete lessen.
Validering van instituutskennis AI en ML
Gedurende de afgelopen drie jaar is op basis van voortschrijdende inzichten de specialisatie in AI steeds verder aangescherpt. Studenten werken aan projecten waarin AI en Machine learning (ML) toepassingen onderzocht worden met bedrijfspartners en onderzoekers. Deze samenwerkingsvorm is bovendien reflexief van aard: het toetst en valideert de kennis van het werkveld binnen het instituut. Heck: “We hebben gezien dat onze studenten al tijdens hun studie problemen uit het werkveld kunnen oplossen met inzet van kant-en-klaar beschikbare machine learning modellen. De bedrijven waar mee we samenwerken zijn erg enthousiast en soms ronduit verbaasd over de resultaten die we in de projecten bereiken.” Binnen het Fontys ICT InnovationLab worden veel van deze werkveldprojecten uitgevoerd, ook over lange termijn door verschillende groepen studenten. Zo worden nieuwe ontwikkelingen continue deel van het onderwijs.
Zonder data geen AI
Een AI-toepassing leert van data. Dit is het proces van machine learning, waar software op basis van grote datasets patronen leert herkennen waarop gewenste triggers ingericht worden. Een toekomstige AI-engineer moet dus, noodzakelijkerwijs, kennis opdoen van data en model engineering om dit proces in te richten, stelt Heck. Dat gaat verder dan de kennis die ze in het eerste deel van hun studie opgedaan hebben van software engineering: “De studenten moeten leren wat erbij komt kijken om software te trainen op een gegeven dataset om patronen te leren herkennen. Dit is echt anders dan zelf de regels in de software programmeren.” Een AI-engineer besteedt dus veel tijd aan data engineering. Zowel het vergaren van data, opslag en het opschonen vereist aandacht. Heck: “Het eerste semester van ICT & AI vragen de studenten waarom ze zoveel tijd met data kwijt zijn. Maar we zien dat ze met die kennis over het belang van data in het tweede semester ineens veel beter beslagen ten ijs komen en meteen de opdrachtgevers kritisch beginnen te bevragen over de aangeleverde data.”
Data visualisatie als middel
In de rol van AI-engineer, is ook samenwerking en communicatie met experts van belang. Heck en Schouten concluderen dat studenten veel baat hebben bij kennis van datavisualisatie. Heck: “Het is echt een vak apart om de resultaten van je machine learning model inzichtelijk te maken voor leken, de opdrachtgevers in onze projecten. Gelukkig hebben we bij Fontys Hogeschool ICT ook de richting ICT & Media Design waar onderwerpen als storytelling (met data) en interactieve visualisaties aan bod komen. Die hebben we ingepast in het AI-onderwijs.” Naast een communicatiemiddel, helpen deze visualisaties ook om data en model performance overzichtelijk te houden.
Lees het complete artikel op de website van Fontys.
Auteur: Guido Segers
