Infotopics

Transcript

1. Big data & AI: de toegevoegde waarde voor de publieke gezondheid Roland van Leeuwen – Analytics Tech Lead, Consultant & Trainer
2. 2 Mijn achtergrond bron: Nature Comm.
3. Mijn achtergrond en… data 3 simulatiedata
4. Van data... naar advies! 4 Bron: Int. Journal of Cancer (2018)
5. Over Infotopics >80 Technologie partners 4 locaties in Nederland Infotopics | HQ – Oldenzaal Infotopics | Analytics - Houten Infotopics | Apps for Tableau – Hardenberg Infotopics | Apps for Tableau - Zwolle ~20 > 400 klanten ~30 Sectoroplossingen Gespecialiseerde oplossingen voor zorg, onderwijs, overheid en industrie medewerkers gecertificeerde consultants & trainers jaar ervaring in en passie voor data & analytics
6. Met een goed begin is de helft zeker Typische vragen: • Hoe weet je vooraf of je voldoende draagvlak hebt om te beginnen met big data en AI? • Hoe werk je consequent aan succes zonder faalangst? • Veelal is het een kwestie van beginnen, maar waar start je? • Maar wat nu als je ongelimiteerd toegang hebt tot data en technologie om aan al die vraagstukken te werken? Waar begin je? • Hoe beslis je samen met de manager/budgethouder over de investering? 6 De aanpak: een multidisciplinair team + AI succescanvas + klein beginnen + MJIT
7. AI is al decennia een norm in de wetenschap 7 bron: Tableau
8. Is dit een goed begin? 8 bron: Tableau
9. Tutorial hell 9
10. Worstelen in projectwerk 10 bron: Reddit & Twitter
11. 11 bron: Zhen Hu (Unsplash)
12. Een voorbeeldcasus: optimalisatie ambulances Jaar Te laat Regio Target • 'Ambulance vaak te laat bij noodgevallen’ 2007 40-60% ZHZ/RR 15 min Netwerk • Quote uit 2007: ‘In de gemeente Oostflakkee krijgen burgers het advies van hun huisarts om in noodgevallen zelf naar het ziekenhuis te rijden, zegt burgemeester Ton van Pelt.’ • ‘Ambulances sneller ter plekke dankzij slimme techniek die voorspelt waar ongelukken gebeuren’ 2020 5% Fl/GV/ZHZ 15 min EenVandaag • Quote uit 2020: "We krijgen een nu ritopdracht zonder een patiënt. Je gaat naar een gebied in de regio waar meer ambulancedekking gewenst is.“ • Impact van 2%-punt winst voor deze regio’s is 700 ritten extra op tijd • Impact “op een bierviltje berekend” is hier een 10x kleiner pct. levert 240.000 ritten extra op tijd op (obv 6,5% NL inwoners in deze regio) • Waardevol discours gaande over andere succesindicatoren zoals uitkomst van de patiënt 12
13. Het proces Wat doen we in het echte leven bij een incident? Kenmerken omschrijven met data Historie opbouwen (zien; begrijpen) Nieuwe rijen data voorspellen met AI stel voor dat je perfect voorspellen kan Interventie (herplaatsing ambulances; doen!) welke interventie past? Prestaties tegen de benchmark afzetten Verbetering registreren 13
14. Het proces met nieuwe data Wat doen we in het echte leven bij een incident? Monitoring nieuwe incidenten Kenmerken omschrijven met data met nieuwe kenmerken (bijv. zuurstoftekort) Historie opbouwen (zien; begrijpen) Nieuwe rijen data voorspellen met AI data drift geconstateerd Interventie (herplaatsing ambulances; doen!) ook zuurstofflessen gaan mee nu Prestaties tegen de benchmark afzetten optimaliseer verdeling zuurstof Verbetering registreren zowel op tijd als betere uitkomst v.d. patiënt 14 Wat doen we in het echte leven bij een incident? Monitoring nieuwe incidenten Kenmerken omschrijven met data met nieuwe kenmerken (bijv. zuurstoftekort) Historie opbouwen (zien; begrijpen) Nieuwe rijen data voorspellen met AI data drift geconstateerd Interventie (herplaatsing ambulances; doen!) ook zuurstofflessen gaan mee nu Prestaties tegen de benchmark afzetten optimaliseer verdeling zuurstof Verbetering registreren zowel op tijd als betere uitkomst v.d. patiënt
15. Waarom AI projecten falen? 15 bron: Infotopics AI, Harvard
16. De praktijk van werken met AI 16 bron: Alteryx, McKinsey, NewVantage Partners (2019)
17. Big data: ‘s werelds meest waardevolle goed 17 bron: Snowflake, Harvard Business Review (2020) ‘In de 40 jaar na Robert Watermans observatie in In Search of Excellence dat organisaties “data rijk, maar informatie arm” zijn, is er weinig veranderd.’
18. Zo ook in de Benelux 78% van de enterprise organisaties maakt gebruik van AI voor de dagelijkse operatie 22% van deze organisaties verkrijgt ≥5% van hun inkomen dankzij AI 30% van deze organisaties verkrijgt geen inkomen dankzij AI 18 bron: DataRobot (2022)
19. Over nieuwe crises het hoofd bieden “De verbindingen binnen overheid, tussen overheid en ‘burgersamenleving’ (civil society) en binnen die burgersamenleving en ook de verbinding tussen democratie & rechtsstaat. Zonder die verbindingen valt de hele boel uit elkaar. Voor die verbindingen is iedereen verantwoordelijk en daardoor is niemand specifiek aanspreekbaar. Dat is riskant” 19
21. Incrementeel innoveren met de MJIT 21 bron: “Data science is boring” (2019), Ian Xiao Wat is het doel? Bedrijfsproces Technologie Organisatie Financiën Data Model Front-end ervaring Back-end systemen Hoe? Wat? Waarom? 1. Meer rijen (indien mogelijk) 2. Betere features 3. Nieuwe features (bestaande data) 4. Nieuwe features (nieuwe data) 5. Betere target (als niets werkt) 1. Preciezer doch bredere zoektocht hyperparameters (bestaand model) 2. Vind meest vergelijkbare modeltechniek (bijv. van Trees en XGBoost naar LightGBM) 3. Ensemble beste modellen uit 2) • Is dit werkelijk het probleem? • Wat zijn de beperkingen? • Wat is goed genoeg? (is €2 miljoen besparing in 6 maand genoeg?)
22. Whiteboarding met het team 22
23. Werk aan de winkel 23 credits voor o.a. GGData
24. Resumé 1. Stel vast wat in de kern van de operatie gebeurt 2. Vorm een succesteam met de juiste mensen en stel het probleem vast 3. Droom over een oplossing en taxeer de waarde van interventies 4. Bedenk en prioriteer innovaties 5. Besluit over al dan niet starten 6. En kies voor ethisch & waardevol werken met big data en AI 24
25. Bedankt Wil je nog napraten over dit onderwerp? Bezoek mij op stand #65 Of connect met mij op LinkedIn linkedin.com/in/roland-van-leeuwen/ 25