Papa?! Wat doe je eigenlijk allemaal op je werk?

“Allemaal die letters en cijfers en kleurtjes. Ik snap er niks van.”

Inleiding

Als vader in een samengesteld gezin met vier kinderen is dat een vraag die mij vaker dan eens gesteld is. Maar probeer het ook maar eens uit te leggen aan ieder andere leek op het gebied van IT. Maar wat doet een softwareontwikkelaar eigenlijk? Ik vergelijk het ontwikkelen van software graag met het spelen met Lego of bijvoorbeeld het bouwen van een huis.

Spelen met Lego 

Als softwareontwikkelaar heb ik namelijk een ongekende vrijheid om dingen op een eigen manier te bouwen en te ontwikkelen. Net zoals ik vroeger als kind mijn Lego-creaties helemaal naar mijn eigen visie kon bouwen, kan ik nu mijn softwareprojecten vormgeven volgens mijn eigen ontwerpen en ideeën. In plaats van de voorgedefinieerde Lego bouwsteentjes kan ik mijn eigen bouwsteentjes creëren en die gebruiken voor het maken van mooie website, applicatie, of complexe algoritmes. Of misschien wel een virtueel huis.

Een huis bouwen

Voor het publiek dat niet (meer) met lego speelt vergelijk ik het liever met het bouwen van een huis. In de basis zijn er natuurlijk de bakstenen, met bakstenen metsel je een muur, met muren maak je een huis. In de software zou je dit kunnen modelleren als de classes/entiteiten huis, muur, steen met onderlinge relaties. Maar als we uitzoomen zijn er nog meer overeenkomsten:

Planning en Ontwerp: Zowel het bouwen van een huis als het ontwikkelen van software begint met een zorgvuldige planning en ontwerp. Architecten maken blauwdrukken voor een huis, terwijl softwareontwikkelaars ontwerpdocumenten maken die de structuur en functionaliteit van de software beschrijven.

Teamwerk: Zowel bouwprojecten als softwareontwikkeling vereisen teams van mensen met verschillende vaardigheden. Bouwprojecten hebben timmerlieden, loodgieters, elektriciens, enzovoort, terwijl softwareontwikkeling teams van programmeurs, ontwerpers en testers heeft.

Fasen en Iteraties: Beide processen verlopen in fasen en iteraties. Bij het bouwen van een huis zijn er stadia zoals fundering, ruwbouw en afwerking. Softwareontwikkeling volgt ook een reeks stappen, van het schrijven van code tot het testen en implementeren van software. Beide processen kunnen iteratief zijn, waarbij aanpassingen en verbeteringen worden aangebracht gedurende het project.

Kwaliteitsborging: Zowel bouwprojecten als softwareontwikkeling hebben strenge kwaliteitsborging. Bouwinspecteurs controleren of huizen aan bouwcodes voldoen, terwijl softwaretesters ervoor zorgen dat software correct werkt en vrij is van bugs.

Projectmanagement: Projectmanagers spelen een cruciale rol in zowel bouwprojecten als softwareontwikkeling. Ze zorgen ervoor dat projecten op schema blijven, binnen het budget blijven en aan de verwachtingen van klanten voldoen.

Onderhoud en Updates: Na voltooiing vereisen zowel huizen als softwareonderhoud en mogelijk updates. Huizen hebben periodiek onderhoud nodig om in goede staat te blijven, terwijl software updates en bugfixes vereist om relevant en veilig te blijven.

Creativiteit en Aanpassingsvermogen: In zowel bouw als softwareontwikkeling is creativiteit belangrijk. Bouwers moeten vaak creatieve oplossingen vinden voor unieke uitdagingen, net zoals softwareontwikkelaars nieuwe benaderingen moeten bedenken om complexe problemen op te lossen.

Dus wat doet een softwareontwikkelaar nu eigenlijk?

Kortom, papa heeft eigenlijk van spelen zijn werk gemaakt. Hij bouwt zelfs huizen. Oké, het zijn dan wel geen echte maar virtuele huizen 😊. Dat maakt voor mij het ontwikkelen van software leuk, de vrijheid, de uitdaging en de mooiste oplossingen bedenken samen met mijn collega’s en stakeholders.

Wil je zelf aan de slag bij Etesian IT Consulting? Neem dan een kijkje onze werkenbij site.

Voor een artistiek project had ik afbeeldingen nodig van uitgekauwde kauwgums. Ik wist dat de zoekmachine Bing een handige feature ‘Image Search Widget’ had, waarmee je een plaatje kunt uploaden en vervolgens een lijst met vergelijkbare afbeeldingen als resultaat terugkrijgt. Ik bood Bing een afbeelding met een kauwgum die ik op straat had gefotografeerd, maar tot mijn verbazing kwam dit Image Recognition- model met geen enkele afbeelding terug waarop een kauwgum stond. Wel werden er allerlei andere voorwerpen tevoorschijn getoverd zoals wormpjes, schelpen, hangertjes, witte bloempjes, kapotte eieren en pingpongballen:

Wat ik in feite te zien kreeg is de bias – ongewenste systematische afwijkingen in de resultaten van het model. Bing is niet getraind op dit soort amorfe objecten. Het kan niet meer dan het aanbieden van afbeeldingen die met een bepaalde mate van waarschijnlijkheid het dichtst bij het aangeboden plaatje liggen.

Het vertekend beeld

Bias heeft een negatieve connotatie en dat is voor een groot deel terecht. Steeds meer bedrijven en maatschappelijke organisaties maken gebruik van AI-technologie in hun serviceverlening en de internetgebruikers krijgen steeds meer apps aangereikt om er mee aan de slag te gaan. Nog te vaak wordt haast blindelings vertrouwd op de beslissingen of voorspellingen die AI-modellen verschaffen, terwijl de algoritmen gebaseerd zijn op statistische berekeningen en de uitkomsten slechts een bepaalde mate van waarschijnlijkheid hebben. Dankzij de nieuwe taalmodellen (zoals chatGPT) ogen de uitkomsten ook nog steeds geloofwaardiger. De gebruiker heeft te weinig notie dat deze AI-modellen weleens slecht of onvoldoende getraind kunnen zijn en daardoor desinformatie verspreiden of nog erger bevooroordeeld zijn en onrechtvaardige beslissingen nemen.  

Bias is inherent aan AI-modellen en verschaft ons in principe een vertekend beeld. Het is zaak om kritisch te blijven op de uitkomsten van AI-modellen. Het herkennen van de bias en deze goed onder de loep te nemen, helpt ons de AI-modellen betrouwbaarder te maken en de desinformatie te verkleinen. 

Onverwachte voorspellingen

Over het algemeen wordt een AI-model beschouwd als een black box, omdat het niet meteen duidelijk is hoe het model tot zijn voorspellingen of beslissingen is gekomen. Dit geldt vooral voor complexe modellen, zoals diepe neurale netwerken, die miljoenen parameters en lagen kunnen hebben die moeilijk te interpreteren zijn. 

Toch is het mogelijk om inzicht te krijgen in hoe een AI-model werkt, door het input-output gedrag te analyseren. Als voorbeeld kom ik terug op het experiment met het kauwgumpje. Als we nog eens naar de resultaten kijken en deze naast elkaar leggen, dan zien we een patroon: allen vertonen een klein wit object tegen een donkergrijze achtergrond. Wat blijkt, is dat Bings model slechts gebaseerd is op algoritmen die op pixelniveau opereren. Het vergelijkt alleen de mimetype, kleur en transparantie van de afbeeldingen in haar database.  

Datavisualisatie is een van de methodes die kan helpen bij het verminderen van bias. De methodes zijn: 

• Identificeren van patronen: door data te visualiseren, kunnen patronen in de data worden geïdentificeerd die anders misschien niet zo duidelijk zouden zijn. Dit kan helpen bij het opsporen van mogelijke bias of onverwachte trends in de data. 
• Identificeren van uitschieters: datavisualisatie kan helpen bij het identificeren van uitschieters of extreme waarden in de data, die mogelijk invloed hebben op de analyse en interpretatie van de resultaten. 
• Inzicht in de data: datavisualisatie kan helpen bij het bieden van een visueel inzicht in de data, waardoor gebruikers de gegevens beter kunnen begrijpen en interpreteren. 
• Vergelijkingen maken: met behulp van datavisualisatie kunnen verschillende datasets gemakkelijker met elkaar worden vergeleken, waardoor mogelijke bias in een dataset kunnen worden geïdentificeerd. 
• Identificeren van inconsistenties: door data te visualiseren, kunnen inconsistenties in de data worden geïdentificeerd die anders over het hoofd zouden worden gezien. Dit kan helpen bij het opsporen van mogelijke fouten of problemen met de data. 

Onderzoek naar de bias kan tevens leiden tot nieuwe inzichten en creativiteit. Zouden we als een ontwerper naar het kauwgumpje kijken om te bezien welke vormen we, bij wijze van spreken, ermee zouden kneden, dan oogt het alsof Bing met suggesties komt. De statistische waarschijnlijkheden van de afbeeldingen lijken zich te vertalen naar mogelijkheden. 

AI heeft inmiddels haar intrede gedaan in de creatieve sector. Vera van der Burg is een designer die bij vormonderzoek gebruik maakt van AI-modellen, deze manipuleert en de bias gebruikt voor nieuwe ontwerpen. 

Een van haar eerste experimenten met een Image Recognition model was een dialoog die ze met het model, die ze Algo noemde, voerde. Ze bood in eerste instantie een afbeelding van een normale stoel aan, waarop het Algo terugkwam met een lijst van objecten zoals het model de afbeelding interpreteerde. De ‘stoel’ stond weliswaar hoog in de ranking, maar het AI-model zag ook allerlei andere voorwerpen in de ‘stoel’. Van der Burg gebruikte die bias vervolgens om de oorspronkelijke stoel aan te passen. Van het herontwerp maakte Van der Burg een foto en bood deze opnieuw aan het model. Deze iteratie voerde ze een aantal keren uit, zie de afbeeldingen hieronder. De bias leidde tot onorthodoxe nieuwe ontwerpen van de stoel.  

De schoonheid van Bias

Bias is niet iets waar we zo snel mogelijk vanaf moeten komen of negeren, maar juist gebruik kan worden om het AI-model op zijn merites te beoordelen. Het mooie van bias is dat het nieuwe inzichten kan verschaffen en de creatieve geest kan prikkelen.  

_{Uit: ‘The Incredible story of ALGO AND I’ van Vera van der Burg} 

Interessant voor jou? 

Etesian wil graag in contact treden met ontwerpbureaus en bedrijven in de creatieve sector om de mogelijkheden van deze nieuwe AI-technologie voor hun bedrijfsvoering af te tasten. 

Is je interesse gewekt? Neem dan contact met ons op:

Een interessante vraag. Als het aan Jean Boumans ligt zou hij deze graag volmondig met ‘ja’ willen beantwoorden. Er worden namelijk grootse beloftes voor de toekomst gedaan door ontwikkelaars van kunstmatige intelligentie (of Artificial Intelligence (AI) in het Engels). Of je echt mysteries kunt ontrafelen met AI zal Jean verder voor je uitzoeken in dit artikel.

Monsterlijke voordelen van AI

“Het zal zeker bijdragen aan verbeterde efficiëntie: AI kan repetitieve taken automatiseren en optimaliseren, waardoor de efficiëntie en productiviteit van bedrijven en organisaties wordt verhoogd.  

Het zal leiden tot betere besluitvorming: AI kan enorme hoeveelheden gegevens snel verwerken en analyseren, waardoor betere beslissingen kunnen worden genomen op basis van feiten en trends.  

De nauwkeurigheid kan worden verhoogd: AI is in staat om nauwkeurigere voorspellingen en analyses te maken dan menselijke experts, omdat het in staat is om enorme hoeveelheden gegevens te verwerken en patronen te detecteren die anders misschien over het hoofd worden gezien.  

Genoeg data is onmisbaar 

Maar in deze beloftes zijn ook de grenzen van AI waar te nemen. We zijn in de uitkomsten die AI geeft afhankelijk van de gegevens waarover AI de beschikking heeft. AI kan geen juiste conclusies trekken over zaken waar het nauwelijks data over heeft. Bovendien zullen de nauwkeurigheid en kwaliteit van de gegevens die worden gebruikt om AI te trainen, invloed hebben op de prestaties van het model. Als de gegevens slecht zijn of niet representatief zijn voor de werkelijkheid, kan het AI-model verkeerde conclusies trekken en slechte voorspellingen doen. 

Het Monster van Loch Ness 

Om de vraagstelling te verifiëren heb ik, als klein experiment, de iconische afbeelding van het Monster van Loch Ness (gefotografeerd door Robert Wilson in 1934), genomen en aangeboden aan het Image Recognition programma van Clarifai. (Overigens bleek later dat deze foto een hoax was: een geknutselde imitatiekop op een speelgoedonderzeeër).  

Dat het met hoge waarschijnlijkheid een vogel zou betreffen, komt overeen met de eerste theorieën over het monster.  Zou de database van Clarifai ook de berichtgeving en advertenties uit het noorden van Schotland van de vorige eeuw bevatten, dan zou ook de olifant als mogelijkheid geopperd zijn. In Schotland waren in de jaren ’30 veel rondtrekkende circussen en het zou zomaar kunnen dat een olifant verkoeling in Loch Ness had gezocht. 

We zien dat de verklaringen afhankelijk zijn van de databestanden waarop AI is getraind. AI weet niet meer dan wat het haar verteld is. 

‘Meten is weten’ 

Het is een cliché, maar geeft aan dat het meten van iets de enige manier is om het echt te begrijpen of te kennen.  

Het monster, liefkozend Nessie genoemd, is nooit meer gespot, hetgeen een team van onderzoekers begin deze eeuw bracht tot het verzamelen van andersoortig bewijsmateriaal. Ze hebben het meer onderzocht op DNA. Op verschillende plekken en diepten werden honderdtallen watermonsters genomen. Het water bevat veel genetisch materiaal van bijvoorbeeld de huid, vacht en urine van al het leven in Loch Ness. De meetdata werd vergeleken met een uitgebreide DNA-database. Dat leidde ertoe dat ze veel schepsels konden uitsluiten, zoals geschubde reptielen en meervallen. Verrassend was echter de grote hoeveelheden DNA van alen die ze in het meer vonden. Dit bracht de onderzoekers momenteel tot de meest plausibele theorie, namelijk dat het monster van Loch Ness een aal is. 

Kan AI nu mysteries ontrafelen? 

Een honderd procent ‘ja’ zullen we niet kunnen geven. Wel kunnen we de waarheid met deze nieuwe technologie nog beter benaderen. We dienen te zorgen dat AI getraind wordt met voldoende, gevarieerde en representatieve data en de juiste algoritmes kiezen.  

We zullen AI regelmatig moeten valideren en testen met nieuwe gegevens. Ook zal er goed nagedacht moeten worden welke kenmerken van de gegevens gebruikt gaan worden om de prestaties van het model zo goed mogelijk te krijgen en zogeheten overfitting zoveel mogelijk te voorkomen. 

Interessant voor jou? 

Etesian wil graag in contact treden met dienstverleners om de mogelijkheden van deze nieuwe AI-technologie voor hun bedrijfsvoering af te tasten. 

Ben jij een advies- en onderzoeksbureau en voer je inspecties uit of monitor je installaties ten behoeve van rapportages of kwaliteitsbewaking? En wil je jouw bedrijfsprocessen optimaliseren? Dan zullen deze nieuwe slimme technieken hier zeker aan gaan bijdragen. 

Is je interesse gewekt? Neem dan contact met ons op: [email protected] 

Stefano Farris is een junior ontwikkelaar in het Application Development-team. Een jonge professional op zoek naar de juiste en onjuiste antwoorden in het bestaan als consultant. Natuurlijk heb je technische kennis nodig, maar als junior moet je ook groeien in de processen die worden doorlopen tijdens development. Het eindresultaat is net zo belangrijk als de weg ernaartoe. 

“Wat ik in deze blogpost wil bespreken is hoe ik Scrum de afgelopen tijd heb ervaren en wat er door me heen gaat tijdens de verschillende Scrum-sessies. 

Sprintplanning – Aha, dit gaan we dus doen

Goed moment om inzicht te krijgen over wat er precies gaat gebeuren deze sprint! Hier worden de losse titels van de product backlog items (PBI) een stuk concreter.  Tijdens de refinement kan ik vragen stellen over de onderwerpen die tijdens een specifieke PBI aan bod komen. Hierbij beschouw ik iedere PBI die gerefinet wordt als iets dat ik zelf op ga pakken en wat ik daarvoor moet weten. 

Als er in de komende sprint gesproken wordt over deze PBI’s door andere mensen die deze hebben opgepakt zit het nog vers in mijn geheugen en kan ik makkelijker volgen waar het ook alweer over ging. 

Daily Scrum – afspraken maken met het team 

De Daily Scrum bereid ik voor mezelf altijd voor. Ik ga voor mezelf na wat ik de dag ervoor tijdens de stand-up heb verteld, wat er daadwerkelijk is gebeurd en wat ik plan om vandaag te gaan doen. Dat vat ik dan samen en waar nodig treed ik in detail. Het laatste doe ik vooral als ik met het team over een volgende actie of blokkade wil sparren. De Daily Stand-up is naar mijn mening ook een goed moment om hulp te vragen en een kort gesprek voor erna in te plannen. 

De Daily Stand-up zorgt voor de nodige transparantie naar je teamleden en het is ook een stukje verwachtingsmanagement. Na verloop van tijd zal ik steeds beter worden in het inschatten van de hoeveelheid tijd die ik nodig heb om mijn taken af te ronden. 

Mid Sprint Check-in – gaan we het sprintdoel halen?

Ik heb meestal een sprint van twee weken en de Mid Sprint Check-in valt hierin op de maandagmorgen van week 2 in de sprint. Kort gezegd brengt het mij in de ochtend na het weekend direct de nodige stress om zo snel mogelijk weer aan de slag te gaan. Er zijn uiteraard wat doelen die behaald moeten worden en daar hebben we de komende 5 dagen de tijd voor. Na de afschakeling van het weekend is het ook fijn om van iedereen een korte samenvatting te horen en te weten wat de huidige stand van zaken is voor de sprint en de daarop gebaseerde verwachtingen voor de komende week. 

Sprint Review (demo) – 10 minutes of Fame

De sprint review zie ik als een podium waar ik mijn team en andere belanghebbenden kan laten zien wat ik ontwikkeld heb en hoe het nou echt werkt. Ik hou er bij de voorbereiding rekening mee dat ik vragen kan krijgen over bepaalde keuzes die gemaakt zijn tijdens de ontwikkeling, maar je kunt niet voor alles plannen. En dat is ook maar goed want af en toe komen er vragen uit het niets die je opnieuw aan het denken zetten en uiteindelijk voor een beter eindresultaat zorgen. Ik hanteer zelf een presentatiestijl met “soepele” overgangen naar daadwerkelijke demonstraties, wellicht iets dat is blijven hangen van het presenteren tijdens mijn studie, maar ik vind het een fijne manier van voorbereiden/ informatie delen. 

Retrospective – wat heb je nu weer fout gedaan 

De retrospective zie ik als mijn persoonlijk getimeblockt reflectiemomentje, ook al gaat deze vooral over wat je als team beter wel of niet had kunnen doen en wat in de toekomst verbeterd kan worden… Stiekem is dit ook het moment waarop ik genadeloos naar mijn eigen bijdrage kijk. Door eerlijk te zijn kom je tijdens de retrospective het verste en het zorgt er ook voor dat je een diepere band schept met het team waarbij je “het aandurft om je gebreken bloot te leggen”. 

Als ik kritieke reflectiepunten van teamleden hoor, ga ik bij mezelf ook na of ik hetzelfde kan verbeteren (spoiler: meestal wel). 

Scrum en de sessies die erbij horen vind ik een hele fijne en geordende manier van werken. Het is flexibel genoeg om bijgesteld te worden aan nieuwe (plotselinge) informatie, maar geeft op hetzelfde moment ook houvast in je doen en laten. Als je hierbij ook nog tools als Azure Devops of Jira gebruikt die deze werkwijze ondersteunen, heb je veel handige dingen tot je beschikking waarbij ik langzaam denk dat ik niet meer zonder kan/ wil.  

Ik daag je uit om de komende Sprint vanuit mijn perspectief te bekijken. Ik hoor graag het resultaat!” 

Meer weten over werken met scrum? Neem dan contact op