Het stappenplan van Datacadabra
In ons vorige blog hebben we het gehad over waarnemen als de eerste van de 4 stappen uit het AI-stappenplan van Datacadabra. In dit blog leggen we uit hoe je de informatie die je uit data haalt, kunt verwerken, leren begrijpen en structureren. Dat structureren doen we aan de hand van een Digital Intelligence Framework, dat we voor het gemak maar even afkorten tot DIF. Deze DIF is een geïntegreerde set van technologieën en tools die Datacadabra in staat stelt om digitale intelligentie, zoals kunstmatige intelligentie (AI) en machine learning (ML), effectief te ontwikkelen, implementeren en beheren.
DIF als blokkendoos
Zo’n DIF kun je het best vergelijken met een blokkendoos. In die blokkendoos heb je verschillende blokken met verschillende vormen en kleuren. Elk blok heeft een specifieke functionaliteit in het digital intelligence framework, zoals gegevensbeheer, modelontwikkeling, monitoring, et cetera.
Voordat je begint met bouwen, heb je een bouwplan nodig. Dit komt overeen met het bepalen van de doelstellingen en scope van je AI-project voordat je het DIF inzet. Afhankelijk van je bouwplan kies je specifieke blokken uit de blokkendoos. In het digitale intelligentie platform zijn dit de tools en diensten die je selecteert op basis van je projectbehoeften, zoals gegevensopslag of machine learning-frameworks.
Tools en diensten combineren tot een model
Nu ben je zover dat je kunt beginnen met het stapelen van de geselecteerde blokken om structuren aan te brengen. In het DIF bouw je een AI-model door verschillende tools en diensten te combineren voor modelontwikkeling. Soms moeten de blokken worden aangepast, zodat ze beter in elkaar passen. Dit komt overeen met het uitvoeren van data preprocessing en feature engineering om je gegevens voor te bereiden op het model. Als je besluit je bouwwerk uit te breiden, voeg je meer blokken toe. In het digitale intelligentie platform kun je schalen door extra services toe te voegen.
Dier met strepen
Ben je er nog? We kunnen ons voorstellen dat het een beetje technisch verhaal is. Laten we het daarom eens illustreren aan de hand van een voorbeeld. In ons vorige blog hebben we het voorbeeld van een afbeelding van een dier met strepen aangehaald. Uit die afbeelding meen je de conclusie te trekken dat het om een zebra gaat. Maar om hier een definitieve uitspraak over te kunnen doen, moet je context creëren, zodat je de informatie die je ziet verder kunt verwerken en leren begrijpen. Ook kan het zijn dat er nog andere informatie moet worden toegevoegd. Het zou namelijk ook een tijger kunnen zijn, ook een dier met strepen. Door de informatie verder te filteren, kun je met een steeds nauwkeurigere precisie uitspraken doen over wat je op de afbeelding ziet. Uit de gefilterde informatie kun je nu ook een uitspraak doen over de kleur strepen (zwart en wit), maar ontdek je aan de hand van andere kenmerken (een staart en manen) dat je met een dier te maken hebt. De kans is dus vrij groot dat het een zebra betreft.
Informatie verwerken en structureren is dus wat we doen in stap 2 van ons AI-stappenplan. In ons volgende blog nemen we je graag mee naar stap 3, waarin het begrijpen van informatie centraal staat.
Het whitepaper DIF in je mailbox?
Datacadabra heeft een whitepaper gemaakt waarin we vertellen hoe het DIF werkt. Aan de hand van een voorbeeld nemen we je stapsgewijs mee in het proces om het waarnemen van data te structureren en te begrijpen, zodat modellen hierop getraind kunnen worden.
Benieuwd naar het whitepaper? Vul hieronder je gegevens in en je ontvangt ons whitepaper over het DIF in je e-mail
