Introductie Data Science: processen, analyse en ethiek

Het inzetten van data science komt ook met risico’s: denk aan de Toeslagenaffaire en de talloze artikelen in de media over misstanden rond algoritmes. Er zijn methodes om de ethische valkuilen van technologie in kaart te brengen en te beperken. In dit blok wordt een introductie gegeven in de ethische valkuilen van technologie en worden twee methoden kort toegelicht: De Ethische Data Assistent en het Impact Assessment Mensenrechten en Algoritmes.

Achter de meeste analysevraagstukken op echte data zit een bepaalde mate van onzekerheid. Zo is niet altijd alle data verzameld en kan informatie die niet beschikbaar is wel essentieel zijn om het juiste antwoord te formuleren. In de statistiek gebruiken we daarom kansverdelingen om deze onzekerheid te formuleren. In deze module gaan we het pad van de ‘waarheid’ waarin we geïnteresseerd zijn doorlopen tot aan het antwoord dat we kunnen formuleren op basis van de informatie die we tot onze beschikking hebben. We identificeren daarbij de valkuilen en mogelijkheden die ons antwoord kunnen beïnvloeden of versterken.

Het ontwikkelen van Data Science / AI-modellen is een complex proces. De CRISP-DM methode biedt een gestructureerde benadering om dit proces overzichtelijk te houden en zorgt ervoor dat de benodigde expertise en technieken, zoals bijvoorbeeld ethiek en statistiek, op het juiste moment worden ingezet.

Tijdens de cursus doen de deelnemers veel nieuwe kennis op. Ze leren academische theorieën kennen en gaan aan de slag met instrumenten die door de wetenschap zijn ontwikkeld. Maar hoe breng je die kennis en toepassingen in de praktijk, binnen je eigen organisatie? Het doel van deze interactieve module is dat de deelnemers goed uit de voeten kunnen met de opgedane kennis wanneer zij weer terugkeren naar hun normale werkritme.

Tijdens dit onderdeel gaan deelnemers aan de slag met een techniek die oplossing kan bieden voor een specifiek datavraagstuk waar zij binnen hun organisatie tegenaan lopen. Mogelijke onderwerpen zijn:

• Active learning;
• Missing data;
• Longitudinal data;
• Repeated measures;
• Time series.

Datacuration is het proces waarbij gegevens worden ontdekt, geïntegreerd, getransformeerd en gereinigd voor analytische taken. Om business value uit de gegevens te halen, moeten de gegevens zorgvuldig worden gecureerd. Vanwege het belang ervan heeft de database community uitgebreid onderzoek gedaan naar de belangrijkste problemen op het gebied van datacuration:

1. Het identificeren van relevante gegevens voor een specifieke taak (dataset discovery).
2. Schema matching, schema mapping, het identificeren van gelijksoortige kolommen en het leren van de transformatie tussen gematchte kolommen, entity resolution, wat verwijst naar het probleem van het identificeren van tuples die dezelfde entiteit aanduiden (data integratie en transformatie).
3. Fouten in de gegevens identificeren en mogelijk herstellen. Dit komt bovenop problemen met betrekking tot het opsporen van uitschieters, imputatie van gegevens en gegevensafhankelijkheden (opschonen van gegevens).

In dit blok wordt dieper op data ethiek ingegaan: deelnemers leren het IAMA toe te passen op een echte casus uit hun eigen organisatie. Deze module is geschikt voor organisaties die van plan zijn het IAMA of een soortgelijk impact assessment voor technologie toe te passen.

Terwijl conventionele datawetenschappelijke benaderingen vaak impliciet aannemen dat het verleden een goede voorspeller is van de toekomst, werken ze in de praktijk vaak in een dynamische wereld die in de loop van de tijd verandert. Deze module draait om taken en technieken om de tijdsdimensie in data science te integreren. Drie delen bieden een gestructureerde inleiding op dit onderwerp: Ten eerste wordt een goed begrip van streaming en niet-stationaire data opgebouwd. Er wordt ingegaan op een categorisering van verandering, de bronnen en veelvoorkomende driftpatronen ervan, en de implicaties voor data science-technieken. Ten tweede worden streaming classificatietechnologieën besproken. In praktische voorbeelden met het state-of-the-art stream mining framework River-ML leren deelnemers over de bijzonderheden en uitdagingen van de datastream classificatietaak, de belangrijkste benaderingen gebaseerd op Hoeffding bomen, ensembles en neurale netwerken, en de methodologie om deze te evalueren. Ten derde verbreden we de blik naar praktische uitdagingen buiten volledig gesuperviseerde omgevingen: het aanpakken van dure labelingkosten en beperkte budgetten met actief leren; het monitoren, detecteren en verklaren van veranderingen onder beperkt toezicht met transfer learning, change mining en unsupervised change detection technieken; en tot slot leren in performatieve scenario’s, waarbij voorspellingen uit het verleden toekomstige uitkomsten beïnvloeden.

Wat gebeurt er als niet alle informatie beschikbaar is? Welke oplossingen en methodologie kunnen we dan gebruiken om alsnog de juiste conclusie te trekken? In deze module verkennen we beroemde problemen en casussen van dark data en beschouwen we hoe de fouten die daaruit voort zijn gekomen voorkomen hadden kunnen worden. We staan stil bij red flags en behandelen de manier waarop de ontbrekende informatie een rol speelt in het data science proces.

Digital Twins: wat zijn het en hoe werkt het? Naast de technische werking van Digital Twins worden bevindingen over de maatschappelijk relevante aspecten gedeeld. Deze zijn het resultaat van focusgroepen met gebruikers en makers van Digital Twins en burgers die de effecten van Digital Twins ervaren.

Algoritmes worden overal gebruikt. Maar hoe goed zijn de oplossingen die door deze algoritmes worden aangedragen eigenlijk? In deze module beschouwen we hoe we de kwetsbaarheid van algoritmes inzichtelijk kunnen maken en hoe we een antwoord kunnen formuleren over het vraagstuk: hoe valide is deze oplossing eigenlijk?