Data & AI

Ook zonder plan vindt GenAI zich een weg in jouw organisatie

GenAI vindt zijn weg in jouw organisatie

‘Onze medewerkers kennen de risico’s van ChatGPT’ is een uitspraak die wij voorbij horen komen in ons dagelijkse werk, maar is dit wel zo? Er bestaan zat voorbeelden van generatieve AI (kortweg genAI) die op minder dan optimale wijze zijn ingezet. Daarom lijkt het soms beter om het maar helemaal niet te gebruiken. Adviseurs en gebruikers denken dat de inzet van genAI kosten bespaart en dat je ontkomt aan alle risico's waarover iedereen op LinkedIn oreert. In deze blog bieden we praktische handvatten om aan de slag te gaan met een genAI-strategie.

Jules van den berg

Daan Smits

Netherlands

Technology and Telecommunications

AI ontrafeld: Het cruciale onderscheid tussen AI, machine learning en deep learning

AI vs. Machine Learning vs. Deep Learning

Ryan mac k CABKZ Bt4 Gk unsplash

Artificiële intelligentie (AI), een term die vaak opduikt in maatschappelijke discussies, speelt een cruciale rol in de huidige en toekomstige vormgeving van onze samenleving. Mijn recente ervaring met het geven van een AI-training bracht iets boeiends aan het licht: er bestaat een grote verscheidenheid aan definities voor het begrip AI, wat leidt tot uiteenlopende interpretaties. Voor organisaties is het van essentieel belang om een nauwkeurig begrip te hebben van AI en haar belangrijke subcategorieën - machine learning en deep learning. Een diepgaand begrip is namelijk onontbeerlijk voor zowel overheidsorganisaties als bedrijven om te begrijpen wat AI wel en niet kan en welke toegevoegde waarde en risico’s het met zich meebrengt, vooral voor bestuurders die verantwoordelijk zijn voor het maken van strategische keuzes over het inzetten van deze geavanceerde technologie. Dit begrip vormt de basis voor de effectieve implementatie van AI-toepassingen in diverse sectoren. Dit artikel verkent het onderscheid tussen deze sleutelconcepten en benadrukt het belang ervan voor organisaties.

Stefan de Blij

Organizational

Whitepaper: Verantwoord gebruik van Data-ethiek

Whitepaper: Data-ethiek

Data-ethiek

De afgelopen jaren is data-ethiek een belangrijk onderwerp geworden wanneer men gebruik maakt van data en datatoepassingen. Vaak wordt verantwoord gebruik van data als uitgangspunt gebruikt. Maar, de praktijk leert dat data-ethiek nog niet zo makkelijk duurzaam te implementeren is binnen organisaties.

Marlijn Mulder

Digital

Workshop AI voor HR

Herken jij jezelf in de volgende situatie? 
Je weet niet zeker of AI een hype is, maar hebt ook het gevoel dat je er iets mee moet, want als het geen hype is wil je de AI boot niet missen. 
Je hebt wat over AI gelezen, maar het blijft allemaal erg abstract. Je hebt behoefte aan uitleg in Jip en Janneke taal. 
Je wil op een speelse en veilige manier oefenen met het toepassen van AI tools op HR onderwerpen zoals employer branding, recruitment, diversiteit &amp; inclusie, engagement en arbeidsvoorwaarden. 
In dat geval is de praktische workshop AI voor HR iets voor jou en je team!

Verantwoord gebruik van AI

Nederland wereldwijd koploper op het gebied van ‘Responsible AI’

Nederland wereldwijd koploper

Op 13 juni 2024 zijn vanuit het global center for AI Governance de resultaten gepubliceerd van onderzoek naar de volwassenheid van landen wereldwijd in het verantwoord gebruik van Artificiele intelligentie (hierna: Responsible AI): de Global Index Responsible AI (hierna: GIRAI)<a href="#_ftn1">[1]</a>. In het complete rapport over deze index wordt geconcludeerd dat de wereldwijde vooruitgang naar Responsible AI achter ligt ten opzichte van de snelheid van zowel ontwikkeling als adoptie. Gelukkig is het vlakbij huis beter gesteld met deze volwassenheid: Nederland is namelijk de koploper als het gaat om verantwoorde inzet van AI!
In deze insight lees je wat is er voor nodig is geweest om deze positie te behalen en hoe wij als Nederland deze positie behouden.

Sabine Steenwinkel-den Daas

3 adviezen om de juiste balans te vinden: Duurzame AI

Duurzame AI

Duurzame AI is navigeren tussen limieten en doelen

De AI act is een feit, de EU gaat middels Europese verordening de ontwikkeling en het gebruik van AI reguleren. Naast privacy en security stelt deze nieuwe wet ook eisen aan duurzaamheid. Maar hoe kun je duurzaam gebruik maken van AI?

3 adviezen om de juiste balans te vinden: Duurzame AI is navigeren tussen limieten en doelen

Government and Public Sector

AI Act voor overheden

I Stock 988644280

De Artificiële Intelligentie Verordening (AI Act) is op 13 maart 2024 definitief goed- gekeurd door het Europees Parlement. De AI Act is daarmee de eerste vorm van regelgeving ten aanzien van kunstmatige intelligentie in de EU en richt zich onder andere op ontwikkelaars, distributeurs en gebruikers van AI-systemen. Dat zijn systemen die bijvoorbeeld worden ingezet voor voorspellingen, classificaties en analyses. Met de komst van deze verordening worden burgers en bedrijven in de EU beter beschermd tegen onverantwoord gebruik van AI.

Christian Verhagen

Laura Natrop

AI is hot, dus hoe pak je het aan?

In vrijwel alle organisaties is Artificial Intelligence (AI) een hot topic. Vanwege de enorme toepassingsmogelijkheden, maar ook door de toenemende bezorgdheid over compliance en ethisch datagebruik. Aan de ene kant wil je de technische mogelijkheden optimaal benutten. Aan de andere kant wil je geen onverantwoorde risico’s lopen. Beide invalshoeken moet je serieus nemen. Maar je wilt ook een start kunnen maken. Dus én het enthousiasme benutten, én ervoor zorgen dat juridische en ethische randvoorwaarden goed geborgd zijn.

Risk, Resilience & compliance

Wanneer is transparantie over AI voldoende? Met algoritmeregister voldoen aan AI Act

Voldoende transparantie algoritmeregister?

Voldoende transparantie met algoritmeregister

In een tijdperk waarin algoritmen steeds meer invloed uitoefenen op ons dagelijks leven, is in controle blijven van de nieuwste ontwikkelingen en hier transparant over zijn meer dan ooit belangrijk. Zeker met de aanstaande verplichtingen uit de AI verordening. Hiermee staan we voor een cruciale vraag: wanneer is de openheid en transparantie rondom deze algoritmen voldoende? Het antwoord is niet eenvoudig, want transparantie gaat verder dan alleen de registratie van algoritme. In dit artikel duiken we dieper in op de stappen die nodig zijn om nu aan de slag te gaan met transparant en verantwoord gebruik van algoritmen op 5 volwassenheidsniveaus.

Voldoende transparantie met algoritmeregister?

Belangrijkste verplichtingen uit de AI ACT en welke stappen je kunt zetten om te voldoen

De AI Verordening

Doorbraak in regulering van Artificiële Intelligentie de AI Verordening

De EU heeft op 8 december 2023 een voorlopig politiek akkoord bereikt over Artificiële Intelligentie Verordening (hierna: <a href="https://www.rijksoverheid.nl/actueel/nieuws/2023/12/09/voorlopig-politiek-akkoord-eu-eisen-ontwikkeling-kunstmatige-intelligentie" target="_blank" rel="noreferrer noopener">AI Act)</a>.De definitieve tekst is op 13 maart 2024 goedgekeurd door het <a href="https://www.europarl.europa.eu/portal/nl" target="_blank" rel="noreferrer noopener">Europees Parlement</a>. 20 dagen na officiele publicatie is de AI Act van kracht. Daarmee is de AI Act de eerste vorm van (risicogebaseerde) regelgeving ten aanzien van kunstmatige intelligentie in de EU en richt zich onder andere op ontwikkelaars, distributeurs en gebruikers van AI-systemen.
Dat zijn systemen die bijvoorbeeld worden ingezet voor voorspellingen, classificaties en analyses en dit doen op basis van patronen die ontdekt zijn in grote hoeveelheid data. Vaak wordt ook de term 'algoritme' gebruikt, maar niet alle algoritmen zijn ook (onderdeel van) een AI-systeem. Vooralsnog is de potentiële impact van deze wetgeving voor overheden en het bedrijfsleven die werken met AI-systemen is groot. In deze insight vertellen we je graag wat de belangrijkste verplichtingen zijn, hoe dit je als organisatie raakt en welke stappen je nu alvast kunt zetten om in de toekomst te voldoen.

Doorbraak in regulering van Artificiële Intelligentie: de AI Verordening

AI bias uitgelegd geeft inzicht in voorkomen dat algoritmen en AI systemen discrimineren

Bias in AI (4): Hoe meet ik bias?

Bias in AI Explained

“Zeg eens eerlijk? Wat is nu je grootste angst bij algoritmes? Als ik dit vraag aan mensen is het antwoord vaak ‘Algoritmes discrimineren!’”. En natuurlijk: het is verre van gewenst om te discrimineren, maar hoe zorgen we ervoor dat algoritmes niet discrimineren? Na het lezen van de <a href="https://highberg.com/nl/insights/bias-in-ai-uitgelegd-deel-3-hoe-beperk-ik-de-impact-van-bias">vorige insights</a> weet je nu wat bias is en hoe je dat onder controle houdt bij het gebruik van algoritmes. Wetende dat bias onoverkomelijk is, rest ons nog één vraag: “Welke bias is acceptabel?”

Bias in AI uitgelegd (deel 4): Hoe meet ik bias?

Bias in AI (3): De impact beperken van bias?

“Zeg eens eerlijk? Wat is nu je grootste angst bij algoritmes? Als ik dit vraag aan mensen is het antwoord vaak ‘Algoritmes discrimineren!’”. En natuurlijk: het is verre van gewenst om te discrimineren, maar hoe zorgen we ervoor dat algoritmes niet discrimineren? Je weet vanuit <a href="https://highberg.com/nl/insights/bias-in-ai-uitgelegd-deel-2-waarom-is-bias-een-risico-bij-algoritmes">vorige insights</a> waarom bias een rol kan spelen bij het gebruiken van algortimes. In deze insight licht ik toe waar je moet beginnen om de verschillende vormen van bias te voorkomen zodat je je verantwoord kan laten adviseren door een algoritme.

Bias in AI uitgelegd (deel 3): Hoe beperk ik de impact van bias?

Bias in AI (2): Een risico bij algoritmes?

“Zeg eens eerlijk? Wat is nu je grootste angst bij algoritmes? Als ik dit vraag aan mensen is het antwoord vaak ‘Algoritmes discrimineren!’”. En natuurlijk: het is verre van gewenst om te discrimineren, maar hoe zorgen we ervoor dat algoritmes niet discrimineren? En hoe leren we een algoritme welke ongelijkheid wel kan en welke ongelijkheid ‘discriminatie’ is? In de <a href="https://highberg.com/nl/insights/bias-in-ai-uitgelegd-deel-1-wat-is-bias">vorige insight</a> heb ik toegelicht wat bias is. In deze insight leg ik uit waarom bias een risico kan zijn bij het gebruik van algoritmes.

Bias in AI uitgelegd (deel 2): Waarom is bias een risico bij algoritmes?

Bias in AI uitgelegd geeft inzicht hoe te voorkomen dat algoritmes discrimineren.

Bias in AI uitgelegd (deel 1): Wat is bias?

“Zeg eens eerlijk? Wat is nu je grootste angst bij algoritmes?” Als ik dit vraag aan mensen is het antwoord vaak: “Algoritmes discrimineren!”. En natuurlijk: het is verre van gewenst om te discrimineren, maar hoe zorgen we ervoor dat algoritmes niet discrimineren? 
Allereerst door te snappen dat algoritmes niet discrimineren. Wel kunnen algoritmes verkeerd worden ontwikkeld, zodat zij onterecht of ongewenst onderscheid maken. Dit heet in vaktermen ‘bias’. En eigenlijk is het eenvoudig: als je in het algoritme de ‘bias’ onder controle hebt, dan voorkom je ook discriminatie. In een serie van insights zal ik uitleggen hoe je dit doet. We trappen af met: ‘wat is bias eigenlijk?’

Beheers algoritmerisico's: aandachtspunten verantwoorde inzet algoritmes en AI-systemen

Algoritmes ‘in control’

In control van algoritmes en AI systemen

Heb je ook weleens binnen je organisatie gehoord of geroepen: “Wij doen (n)iets met data/algoritmes/AI.” of “We hebben veel data-initiatieven, maar opschalen binnen de organisatie gaat lastig”? Dit zijn allemaal vragen die neerkomen op één hoofdvraag: Hoe zorg je ervoor dat je de goede algoritmes toepast op de juiste manier?

‘In control’ van algoritmes en AI-systemen

Kleine hogescholen presteren beter Learning analytics biedt kansen voor grote instellingen

Schaal is van invloed op studierendement

Uit de data blijkt schaal is ook in hoger beroepsonderwijs van invloed op studierendement

Uit de data blijkt: schaal is ook in hoger beroepsonderwijs van invloed op studierendement
Wat zeggen de data over onderwijskwaliteit en studierendement in het hoger beroepsonderwijs? En welke handvatten bieden de data voor het verbeteren hiervan? Wij hebben open data over hoger beroepsonderwijs verzameld, geanalyseerd en gevisualiseerd in een dashboard. Dit dashboard is te vinden op onze website.
Uit de analyse valt op te maken dat het studierendement na 5 jaar onderwijs in het HBO sinds 2002 met ongeveer 10% procentpunt is gedaald. Waar van de studenten die in 2002 (het zogenaamde cohort 2002) begonnen aan hun opleiding bijna 60% in 5 jaar het diploma haalde, is dat voor de studenten die 10 jaar later begonnen nog maar zo’n 50%.
Voor universiteiten geldt dat de kleinere het beter doen dan de grotere. Dit geldt ook voor hogescholen. Uit het dashboard blijkt dat grote instellingen (met meer dan 20.000 studenten) beneden het landelijk gemiddelde (de zwarte lijn in de figuur) scoren op studierendement. Het gat met het landelijk gemiddelde is sinds het cohort 2000 wel substantieel kleiner geworden.
Om beter zicht te krijgen op de relatie tussen studierendement en omvang van de instelling hebben wij een correlatieanalyse uitgevoerd. Hierin is goed te zien dat de kleine instellingen het beter doen dan de grote instellingen: de kleine instellingen bevinden zich in de linker bovenkant van de figuur en de grote in de rechter onderkant.
Een verklaring voor de betere prestaties van kleine instellingen kan zijn dat deze hele specifieke opleidingen aanbieden (met name in de kunstsector, agri-business en gebaseerd op een specifieke grondslag/signatuur). Studenten die voor deze instellingen kiezen, maken daarmee een bewustere keuze voor een specifieke opleiding. In het wetenschappelijk onderwijs is dat terug te zien bij de Universiteit Wageningen. Deze universiteit komt sinds 2004 ieder jaar het beste uit de bus in de Studiekeuzegids. Studenten die kiezen voor deze universiteit in “provinciedorp” Wageningen moeten wel “erg gemotiveerd” zijn aldus de gids.

Gijs de Groot

Uit de data blijkt: schaal is ook in hoger beroepsonderwijs van invloed op studierendement

Analytics: Studentenkenmerken voorspellen studiesucces. Maatwerkondersteuning mogelijk.

Kenmerken van voorspellers voor studiesucces

Learning Analytics Kenmerken van studenten als voorspellers voor studiesucces

In de vorige blogs hebben we toegelicht wat learning analytics is. Tevens hebben we aan de hand van een dashboard laten zien dat schaal in het hoger beroepsonderwijs van invloed is op studiesucces en welke interventies op basis deze informatie mogelijk zijn. Schaal van een onderwijsinstelling is echter niet de enige variabele die van invloed is op studiesucces. Studenten verschillen immers van elkaar. Zijn er bepaalde typen, of profielen, van studenten die het beter doen dan anderen? In dit derde en laatste blog van deze reeks gaan wij, wederom aan de hand van het dashboard, op zoek naar een antwoord op deze vraag.

Learning Analytics: Kenmerken van studenten als voorspellers voor studiesucces

Centraal, decentraal of naaf en spaak? Efficiënt samenwerken, heldere structuur.

De naaf en de spaken

De naaf en de spaken hoe organiseren we onze data expertise

Hoe halen we meer uit onze data? Dat vragen we aan onze dataspecialisten, maar waar zitten die in onze organisatie? In een apart hoekje achter grote schermen en dikke computers, tussen de medewerkers in de afdelingen of ergens er tussenin?

De naaf en de spaken: hoe organiseren we onze data-expertise?

Effectieve visualisaties: Publiek, setting, weglaten, figuren, overzicht, kleur.

Zo ga je om met visualisatiedrang

Zo ga je om met visualisatiedrang 6 tips voor de vormgeving van visualisaties

Omdat visualisaties binnen organisaties op veel manieren kunnen worden gemaakt is het zoeken naar de juiste vorm. De keuzes in vormgeving hebben invloed op het resultaat. De inhoud kan ogenschijnlijk identiek zijn, terwijl een krachtige vormgeving zorgt dat de boodschap beter begrepen wordt of beter overkomt. De volgende 6 tips helpen in de keuze voor de vormgeving.
Tip 1: Kies een duidelijke doelgroep voor de visualisatie. Een bestuurder wil geen complexe Excel sheets, terwijl anderen juist de details willen bestuderen. Laat daarom de boodschap aansluiten bij de doelgroep. Is de doelgroep organisatiebreed zorg dan dat het voor iedereen toegankelijk is en hou het zo simpel mogelijk.
Tip 2: Kies de setting waarbinnen de visualisatie moet landen. Is het een rapportage uit tooling, de rapportage en presentatie van een onderzoek, een communicatiebericht, een tekening op whiteboard/flipover, een aanvulling op een offerte etc., de setting geeft richting aan de vormgeving. Een communicatiebericht moet alleen om de boodschap gaan, terwijl een visualisatie in een offerte visueel aantrekkelijk moet zijn en ook inhoud moet ondersteunen.
Tip 3: De kunst van het weglaten. Stel de vraag of het echt nodig is om bepaalde informatie te presenteren. Hoe meer informatie wordt weggelaten hoe meer focus er komt voor hetgeen is overgebleven. Hierdoor is een discussie veel specifieker te voeren en wordt men gerichter aan het denken gezet.
Tip 4: Gebruik binnen visualisaties figuren in plaats van tekst. Is binnen een visualisatie een woord of zinsdeel te vervangen met een figuur dan is dit makkelijker te begrijpen en beklijft het beter. Dit werkt tegenovergesteld als het gekozen figuur niet voldoende duidelijk is, dan ontstaat er discussie en onduidelijkheid.
Tip 5: Zorg voor overzicht binnen het blikveld. Een infographic past bijvoorbeeld in één pagina, maar als er veel op staat gaat de boodschap verloren. Als er daarentegen meer visualisaties zijn voor hetzelfde onderwerp, vraag je dan af of het niet gecombineerd kan worden in bijvoorbeeld klikbare selecties.
Tip 6: Gebruik veel kleur. Donkere kleuren zijn sneller saai. Felle kleuren spreken aan, maar zijn niet altijd goed zichtbaar of het is kinderlijk. Zorg daarom bij het toevoegen van kleur altijd voor de juiste vorm en toegankelijkheid.
Extra tip: neem contact met mij op om nog meer overwegingen door te nemen voor het maken van krachtige visualisaties.

Douwe Horst

Zo ga je om met visualisatiedrang: 6 tips voor de vormgeving van visualisaties

Verbeteringen datakwaliteit stimuleren procesoptimalisatie, creëren een opwaartse spiraal

Data op orde? Verbeter ook je processen

Data op orde

Data is steeds vaker op orde gebracht als gevolg van aandacht voor datamanagement. Er wordt vergeten dat hierdoor verbeteringen te behalen vallen in de primaire en ondersteunende processen met als gevolg minder fouten en hogere effectiviteit. Deze procesverbeteringen zorgen er juist weer voor dat de datakwaliteit toeneemt waardoor sprake is van een zichzelf versterkend effect. Vergeet na het op orde brengen van de data dus niet de processen te verbeteren.
Ik kom bij steeds meer organisaties die serieus bezig zijn met datamanagement. Dit om te voldoen aan de AVG (Algemene Verordening Gegevensbescherming) maar ook omdat ze op basis van de data hun ambities zoals informatiegestuurd werken kunnen realiseren. Bij het voldoen aan de AVG gaat de aandacht uit naar welke gegevens er bewaard mogen en moeten blijven en wie er toegang heeft tot deze gegevens. Bij informatiegestuurd werken is het vooral de zoektocht naar data waar sturing op plaats kan vinden.
Het gevolg hiervan is dat data steeds vaker op orde is gebracht. Dit wil zeggen: er is geïnventariseerd welke data er aanwezig is binnen de organisatie, omdat hier vaak geen overzicht van is, en vervolgens is het op een geschikte locatie ondergebracht met bijpassende autorisaties. Maar al te vaak zie ik dat vervolgens wordt vergeten om deze op orde gebrachte data ook beter in te zetten in de primaire en ondersteunde processen. Men laat zo een kans voor open doel liggen.
Een voorbeeld hiervan in het primaire proces is het op orde brengen van cliëntendossiers in een zorginstelling. De toegevoegde waarde hiervan wordt veel groter als vervolgens wordt gekeken hoe deze data effectief en efficiënt kan worden ingezet door medewerkers. Welke informatie hebben zij nodig om in specifieke gevallen de cliënt zo goed mogelijk te helpen? Hoe kunnen we ervoor zorgen dat juist deze informatie makkelijk en snel uit het dossier te halen valt?
Een ander voorbeeld is het inzetten van de stuurinformatie. Op basis van deze data kan in ondersteunende processen worden gekeken naar de kwaliteit van het capaciteitsmanagement van medewerkers, of waar in administratieve processen de grootste vertraging op treed. Dit blijkt vaak laaghangend fruit te zijn omdat het weinig tijd kost om verbeteringen te benoemen.
En als op deze manier procesverbeteringen tot stand komen, leidt dit met terugwerkende kracht bovendien tot het verder versterken van de datakwaliteit. Wanneer er minder fouten in processen worden gemaakt en ze effectiever zijn, neemt immers ook de kwaliteit van de data toe. Zo ontstaat een zichzelf versterkend effect.
Wil je weten waar voor jouw organisatie de procesverbetering op basis van data is te behalen, neem dan contact met mij op.

Data visualisatie drijft data-gestuurde beslissingen aan: Inzichten, efficiëntie, keuzes

Storytelling met datavisualisatie

Overheden willen datagedreven werken, en gebruik maken van data om beleid en uitvoering efficiënter in te richten. Dit begint bij het toegankelijk maken van de data, inzicht te bieden in de data en daardoor het verhaal te vertellen. Datavisualisatie en dashboards bieden hiervoor een laagdrempelige methode, en helpen direct om op een datagedreven manier te werken en te sturen.

Ethisch toezicht bij AI-integratie: Data Ethics Officer bewaakt normen.

Elke organisatie een Ethics Officer?

Aithiek Elke organisatie een Ethics Officer

Steven Spielberg’s ‘Minority Report’ schetst een dystopische toekomstvisie waarin enkele individuen misdaden kunnen voorspellen voordat ze gebeuren. Interessant, maar wat als deze voorspellingen onjuist zijn, zoals in de film ook wel eens gebeurde? Dit soort vragen zijn inmiddels ook buiten Hollywood aan de orde van de dag. Dankzij de geavanceerde computertechnologie worden steeds verfijndere algoritmes ontwikkeld. De afgelopen tien jaar heeft ons geleerd dat risico’s in de toepassing ervan niet altijd de aandacht hebben gekregen die het achteraf gezien nodig had. Zo onthulde ‘Follow The Money’ recentelijk dat de Nederlandse politie tot 2015 een algoritme gebruikte dat mede op basis van etniciteit het risico op crimineel gedrag inschatte. Dit kon leiden tot preventieve en repressieve maatregelen zoals een persoonsgerichte aanpak. Een op de persoon gerichte benadering kan betekenen dat de politie sneller actie onderneemt, zoals preventief fouilleren, het in beslag nemen van geld en kostbaarheden, en zelfs het bieden van verplichte zorg. Daarnaast kan er bij gezinnen geïntervenieerd worden om te voorkomen dat andere gezinsleden, zoals broers en zussen, ook een verkeerde weg inslaan. Ook in andere publieke initiatieven, zoals SyRI en de toeslagenaffaire hebben organisaties voorspellende algoritmes gebruikt, met soms verstrekkende gevolgen.
Met de opkomst van kunstmatige intelligentie, zoals Chat-GPT, kunnen we enorme datasets analyseren en patronen identificeren. Echter, de toenemende kracht van AI maakt het ook uitdagend om de ethische aspecten van een algoritme te beoordelen.
Hoewel voorspellende systemen waardevol kunnen zijn, is het essentieel dat er goed toezicht is om (onbedoelde) misstanden te voorkomen. Gezien de complexiteit van deze systemen, benadruk ik het belang van data ethiek binnen publieke organisaties, vooral in combinatie met AI. Wij noemen dit AI-Ethiek. Dit kan beginnen met het aanstellen van een specialist in data-ethiek, waarmee de organisatie deze verantwoordelijkheid formeel belegt. In dit artikel bespreek ik daarom de rol van een Data Ethics Officer.

Erik de Ruiter

AI-Ethiek: Elke organisatie een Ethics Officer?

De rol van grote taalmodellen, zoals GPT, in het veranderen van de programmeerwereld.

Taalmodellen: gamechanger in programmeren

Grote taalmodellen Een gamechanger in programmeren

De revolutie in programmeren - de opkomst van GPT-technologie
De wereld van programmeren heeft een significante wending genomen met de introductie van GPT (Generatieve Pre-getrainde Transformer)-technologie, ook bekend als grote taalmodellen. ChatGPT, momenteel het meest prominente voorbeeld van deze technologie, introduceert een tijd van tekstgestuurde interactie tussen mens en machine. Deze vooruitgang belooft een fundamentele verandering in de manier waarop we programmeren. Het is al aangetoond dat het schrijven van Pythoncode door dergelijke modellen effectief is[1]. Dit artikel verkent hoe GPT-technologie door middel van input van taal het programmeren transformeert en lichten we toe welke positieve veranderingen dit met zich meebrengt.

Grote taalmodellen: Een gamechanger in programmeren

Highberg klantverhaal: Verantwoord gebruik algoritmen & AI-systemen bij gemeente Rotterdam

Verantwoord gebruik algoritmen & AI-systemen

Highberg ondersteunt de gemeente Rotterdam bij verantwoord gebruik van algoritmen en AI systemen

Highberg (voorheen: VKA) heeft de gemeente Rotterdam ondersteunt bij het verantwoord gebruik van algoritmen en de transparantie hierover door beheer op algoritmeregister en het uit de praktijk uitvoeren van en leveren van verbetersuggesties richting de algoritme governance.

Highberg ondersteunt de gemeente Rotterdam bij verantwoord gebruik van algoritmen en AI-systemen

Een Highberg klant verhaal: Beslissen met behulp van data-analyse voor SZW

Beslissen met behulp van data-analyse bij SZW

De Inspectie Sociale Zaken en Werkgelegenheid (Inspectie SZW) is in 2012 ontstaan door de samenvoeging van de Arbeidsinspectie, de Inspectie Werk en Inkomen en de Sociale Inlichtingen- en Opsporingsdienst. Zij is de toezichthouder op de beleidsterreinen Arbeidsomstandigheden, Arbeidsmarkt, Arbeidsverhoudingen en Sociale Zekerheid. Als toezichthouder voert de Inspectie SZW inspecties uit bij bedrijven, zoals restaurants en op bouwplaatsen. Daarnaast doet dit overheidsorgaan ook aan opsporing en handhaving, bijvoorbeeld op het gebied van uitkeringsfraude. Dit werk wordt uitgevoerd op basis van risico- en omgevingsanalyses.

Beslissen met behulp van data-analyse voor SZW

Sustainability

Digital Strategy & Execution

Een Highberg klantverhaal: ClimateControl, energietransitie van gemeente Rotterdam meten

Meetbare energietransitie gemeente Rotterdam

ClimateControl: de energietransitie van de gemeente Rotterdam meetbaar maken

De gemeente Rotterdam heeft, net als andere gemeentes, de opgave om CO2 te besparen en een daling in het CO2 gebruik te bewerkstelligen. In Rotterdam is deze opgave gezien de omgeving waar ze mee te maken heeft flink ingewikkeld. Het Rotterdams havengebied en de vele bebouwing zorgen voor een grote CO2 uitstoot. Diverse afdelingen werken samen, met de afdeling Duurzaamheid in de voorhoede, om deze ingewikkelde taak tot uitvoering te brengen. Daarnaast bindt de gemeente in de vorm van het Klimaatakkoord ook andere partijen buiten de ambtelijke organisatie aan zich, zoals bedrijven, inwoners en maatschappelijke organisaties, om zo de transitie meer slagkracht te geven.

Lotte Meindertsma

Voorkom te zelfsturende managementsystemen

Digitalisering met AI eist goed leiderschap

digitalisering-met-ai-vereist-goed-leiderschap

Het discours over de governance van AI gaat veelal over de introductie van managementstructuren. Management echter is doorgaans vooral gericht op een beperkte set van doelen die op verschillende niveaus van management bovendien verschillend zijn. En al zijn in theorie deze niveaus en doelen met elkaar verbonden, in de praktijk is die verbinding niet altijd sterk of zelfs afwezig. In dit artikel vestigen we de aandacht op de rol van leiderschap en leiderschapsstructuur, in de zin van het vermogen tot reflectie op basis van de oorspronkelijke maatschappelijke doelen van organisaties als integrerende factor voor het behoud van integriteit.

Artikel: Digitalisering met AI vereist goed leiderschap

Microsoft 365 overgang: uitdagingen en tips voor datamigratie

Microsoft 365 werkplek en de datamigratie

moderne-microsoft-365-werkplek-en-datamigratie-uitdaging

In rap tempo zien we oude ‘thin clientoplossingen’ vervangen worden door moderne Microsoft 365 werkplekken. Geen RDS of VDI meer maar fat clients met moderne Office-oplossingen uit de cloud. Net zo veilig en beheersbaar als RDS maar sneller, gebruikersvriendelijker en mobieler. De ervaring leert inmiddels dat er wel een paar aandachtspunten zijn. Vandaag: de uitdagingen om de data te migreren naar de nieuwe oplossing (SharePoint en OneDrive).

Cleo van Engelen

De moderne Microsoft 365 werkplek en de datamigratie uitdaging

Performance Improvement

Flexibiliteit vs. structuur: de paradox van IT-dienstverlening ontrafeld

Diskwalificeer adhoc organisatie niet te snel

diskwalificeer-de-adhoc-organisatie-niet-te-snel

Wie herkent deze doelstellingen niet? IT-dienstverlening moet voorspelbaar, continu en van hoge kwaliteit zijn. De ‘business’ moet kunnen rekenen op IT-dienstverlening om hun doelstellingen te kunnen bereiken. En ondanks dat alle rapportages mooi in het groen staan, lijkt de business toch niet te krijgen wat ze nodig hebben: snelheid en innovatie.

Diskwalificeer de adhoc organisatie niet te snel

Weet je het nog? Het summiere blok in je opleiding rondom inrichtingsmodellen?

Organisatiemodellen herzien

Organizational models based on essential principles smart organizing

Lees het artikel 'Slim organiseren' dat Sjoerd Hogenbirk en Miriam Maan schreven voor het vakblad TvOO verder op de website van professioneelbegeleiden.nl of download het hieronder.

Sjoerd Hogenbirk

Miriam Maan

Organisatiemodellen op basis van essentiële principes: slim organiseren

Bereid IoT-projecten grondig voor Definieer doelen, betrek stakeholders, beheers risico's

The Internet of Things, dit kun je verwachten

Ie oh tee Io T daar willen organisaties wat mee

Technologische ontwikkelingen brengen meer dan ooit een verscheidenheid aan mogelijkheden met zich mee. Doordat meer kan moeten organisaties er ook meer over weten om te bepalen wat wel of niet te gaan doen. Ontwikkelingen kunnen in de meeste gevallen vóór je werken, maar gedegen voorbereiding alvorens projecten te starten is aan te raden om teleurstellingen te voorkomen. Waar moet je nou op letten als je een project start met een Internet of Things (IoT) component?
Een organisatie wordt voor het blok gezet als besluiten onder ogenschijnlijke tijdsdruk genomen moeten worden, om ‘iets te doen’ met de beschikbare technologieën. Denk hierbij aan blockchain, machine learning, 3d printing, drones etc. IoT is niet nieuw, maar de toepassingen vanuit organisaties staan vaak nog in de kinderschoenen. In het geval van IoT is het de vraag: “Jij wilt toch ook een ‘slimme’ organisatie”? Je hoort dat er geweldige dingen mogelijk zijn. De toepassing gaat verder dan alleen sensoren, de prijs is aantrekkelijker dan voorheen en het kan allemaal draadloos. Dus waarom niet gewoon uitproberen in een project?
Helaas is de praktijk weerbarstiger, zo bleek onder meer uit een onlangs gepubliceerd <a href="http://www.iotjournaal.nl/cisco-slechts-kwart-iot-projecten-is-succesvol/" target="_blank" rel="noreferrer noopener">onderzoek van Cisco naar IoT-projecten</a>. 1845 ICT-beslissers werden bevraagd naar hun ervaringen met IoT. Zij gaven aan dat bijna 75 procent van de projecten niet leidt tot de gewenste resultaten. Dit begint al bij de Proof of Concept, waarbij verwachtingen niet in lijn zijn met het resultaat. Topmanagement weet over het algemeen niet wat de techniek behelst en wat de mogelijkheden zijn, strategie is niet verbonden met de operatie, business en ICT werken niet samen en expertise is onvoldoende aanwezig.
Het opstarten van IoT-projecten moet in lijn zijn met de visie en strategie van de organisatie. Maar wat zijn de afwegingen en de handvatten om daarover een goed besluit te nemen? De voorbereiding is daarbij wat mij betreft essentieel. Het beantwoorden van belangrijke vragen in de voorbereiding geeft grip op het resultaat. Voorbeelden van dit soort vragen, waargenomen uit de praktijk, zijn:
– Wat is IoT nu precies? – Voor welke bedrijfsdoelstelling wordt IoT eigenlijk ingezet? – Wat is de toegevoegde waarde van het project voor de organisatie? – Hoe hangt IoT samen met andere ontwikkelingen binnen en buiten de organisatie? – Is er voldoende kennis van en verbinding tussen strategische-, tactische- en operationele lagen binnen de organisatie ten aanzien van IoT? – Wat zou de rol van het management moeten zijn? – Hoe zou de samenwerking tussen business en ICT eruit moeten zien? – Voor welke doeleinden kunnen kwaadwillenden een IoT-toepassing misschien wel misbruiken? – Hoe is de privacy geregeld? Lees hierover meer in de <a href="https://www.vka.nl/blog/internet-private-things/">blog</a> van Highberg consultant Bas de Groot over hoe om te gaan met de naderende Europese (e-)privacyverordening. – Hoe stabiel zijn te kiezen netwerken? – Hoe is de integratie met IoT cloud platformen?
Betrek bij deze vragen de juiste stakeholders, van strategie tot operationeel. En laat het vooral ‘levende’ vragen zijn, zodat deze gedurende het hele project worden gesteld. Hierdoor ontstaat meer houvast op de vraag of het in lijn is met de verwachtingen. Start bijvoorbeeld met workshops waarbij kansen en risico’s worden afgewogen. Prioriteer vervolgens de belangrijkste overwegingen. Dit geeft aan waar de toegevoegde waarde zit en wordt duidelijk welke meerwaarde het project kan leveren aan de organisatie.
Door op de bovenstaande aandachtspunten te letten wordt de slagingskans van een IoT-project groter, maar daar stopt het uiteraard niet. Krijg je bij jouw organisatie ook te maken met een dergelijke IoT-uitdaging en wil je ervaringen delen over de invulling, neem dan contact met mij op.

The Internet of Things en wat je kunt verwachten

Navigating the complexities of upscaling data & analytics in civil society organizations

Data & Analytics: From Pilot to Upscaling

Dean Daan Verhoeven09399

On February 3rd 2023, we organized a Round Table on Data &amp; Analytics for civil society organisations. Large and small municipalities, provinces, ministries and the House of Representatives joined the virtual table. The central question that was at the table: How do we get from pilot to upscaling? 
Many organizations have set up innovation teams or data labs. After initial successes, it often proves to be a challenge to ensure that data applications are well embedded in the organization, are scalable and are developed further in order to actually realize the added value of the new data application for the business. In this roundtable, we presented four dilemmas and discussed success factors for technical and organizational upscaling. With some additions from our side, we give a view of the afternoon in this insight.

Sander Spanjaard

Footer Navigation

Header Navigation

Verandermanagement

Dr christopher

Partner

Christoph is partner bij Highberg en leidt de Data &amp; AI praktijk. Hij heeft meer dan 12 jaar ervaring in het ontwikkelen van datastrategieën, technische data-infrastructuren, AI-algoritmen en datagedreven organisaties om bedrijven te helpen concurrentievoordeel te behalen met behulp van data en AI.
Meer weten? Neem contact op met Christoph op<a href="https://www.linkedin.com/in/dr-christoph-mayer/" target="_blank" rel="noreferrer noopener"> LinkedIn.</a>

<title>Dr. Christoph Mayer | Highberg</title>

Dr. Christoph Mayer

Dr. Christoph Mayer

Partner

Capabilities

Gerelateerde insights