Op deze pagina vind je informatie over onderzoekstrajecten die verbonden zijn aan DEMAND. We starten met een overzicht van lopende doctoraten en breiden dit de komende periode verder uit. Zo krijg je steeds meer inzicht in de onderzoeken, resultaten en kennisontwikkeling binnen ons netwerk.
Merel Veracx
Merel Veracx werkt al 15 jaar bij Fontys ICT in Eindhoven en combineert haar ervaring in software engineering en IT-architectuur met onderzoek naar de inzet van AI in organisaties. Het onderwerp van haar promotieonderzoek is de volgende: We explore how to support the evolution of AI-based systems by analysing design decisions. We have currently enriched an IT-architecture ontology with AI focused attributes, and validate this across four heterogeneous organizations.”
Merel vertelt hoe haar onderzoek voortkomt uit twee interessegebieden:
“Aan de ene kant houd ik me bezig met de vraag hoe je architecturen en grote systemen op een goede manier opbouwt. Aan de andere kant zie ik dat organisaties om ons heen in een hoog tempo veranderen doordat ze AI proberen toe te passen.”
Wanneer zij bedrijven uit haar netwerk interviewt die AI-componenten introduceren, stelt ze altijd dezelfde vraag: “Wat is er de afgelopen tijd veranderd in jullie IT-landschap en waarom?”
Organisaties experimenteren met AI, maar merken dat de implementatie niet altijd optimaal verloopt. De ene organisatie richt zich op datakwaliteit, terwijl een andere meer nadruk legt op feedback van operatoren of op de uitlegbaarheid van algoritmen. “Wat opvalt, is dat ieder bedrijf daarin zijn eigen prioriteiten heeft. De uitdaging zit vooral in het bepalen welke keuzes op dat moment het belangrijkst zijn.”
In de wetenschappelijke literatuur ziet Merel veel aandacht voor technische oplossingsrichtingen. “Wanneer bijvoorbeeld alle mogelijkheden van Microsoft Databricks worden benut, kan dat leiden tot een zeer krachtige oplossing. Voor veel organisaties is zo’n alles-of-nietsbenadering echter niet haalbaar. Zij willen juist stapsgewijs naar een gewenste situatie toe evolueren.”
Juist over de keuzes die organisaties onderweg maken en hoe de impact ervan onderling te vergelijken, is volgens haar nog weinig onderzoek beschikbaar. “Een eerste stap is om de context van een design beslissing eenduidig te kunnen vastleggen. Daarom heb ik mij het afgelopen halfjaar verdiept in ontologieën.” Ze legt uit dat een ontologie een gestructureerde manier is om kennis en onderlinge verbanden vast te leggen.
Inmiddels heeft Merel twintig interviews afgenomen bij acht organisaties uit uiteenlopende sectoren, waaronder ziekenhuizen, robotica en landbouw. “Binnen de ontologie wil ik onderzoeken welke patronen zichtbaar worden. Hopelijk kunnen we op basis daarvan, vanuit kwalitatief onderzoek, beginnen met het rapporteren van inzichten of best practices.”
Daarbij wil ze nadrukkelijk de brug slaan tussen theorie en praktijk. “Momenteel verschijnen er veel publicaties die zich richten op het herkennen van patronen, zowel op basis van informatie van internet als binnen academische publicaties. Vaak beschrijven die studies wat er in de literatuur of online bronnen wordt aangetroffen, maar ontbreekt de vertaalslag naar de praktijk van bedrijven en organisaties.”
Die vertaalslag vormt de kern van haar onderzoek. “Het doel is niet alleen te beschrijven wat elders is toegepast, maar ook inzicht te geven in welke oplossingen passend zijn binnen specifieke situaties. Wanneer organisaties bepaalde doelstellingen hebben en processen op een bepaalde manier willen automatiseren, kunnen op basis daarvan gerichte aanbevelingen worden gedaan voor de inrichting van hun IT-architectuur.”
Swarupa Hardikar
Wat gebeurt er als collega’s hetzelfde woord gebruiken, maar iets anders bedoelen? Volgens Swarupa Hardikar, onderzoeker bij het lectoraat Data & Knowledge Engineering van de HAN en promovendus, ligt daar een onderschat risico voor organisaties. Misverstanden over termen, concepten en afkortingen kunnen leiden tot verkeerde interpretaties van data en uiteindelijk tot minder goede besluiten.
Hardikar ontwikkelt daarom een toolkit die datamanagers helpt inzicht te krijgen in de manier waarop begrippen binnen hun organisatie daadwerkelijk worden gebruikt. Met technieken als textmining en concept mining onderzoekt zij hoe medewerkers betekenis geven aan termen in hun dagelijkse werk. Daarbij kijkt zij niet alleen naar officiële definities, maar juist ook naar de taal die mensen in de praktijk gebruiken.
Binnen de DEMAND Semantics-werkgroep toetst Hardikar haar onderzoek aan praktijkervaringen van data professionals. Uit interviews met werkgroepleden bleek dat datamanagers behoefte hebben aan ondersteuning bij het herkennen van dubbelzinnigheden in data en communicatie. Een actueel onderzoeksproject, uitgevoerd in samenwerking met Alliander, richt zich op het automatisch herkennen van de juiste betekenis van afkortingen. Zo kan de afkorting IP bijvoorbeeld verwijzen naar Internet Protocol of Intellectual Property. Voor mensen is het onderscheid vaak vanzelfsprekend, maar voor AI-systemen en chatbots vormt dit een uitdaging.
Met haar onderzoek wil Hardikar organisaties helpen om taal, data en technologie beter op elkaar af te stemmen. Daarmee draagt zij bij aan transparantere communicatie, betrouwbaardere data en betere besluitvorming. Bovendien ziet zij kansen om deze aanpak in de toekomst ook toe te passen binnen het onderwijs, waar dezelfde begrippen vaak verschillend worden gebruikt door instellingen en professionals.
Binnen de DEMAND Semantics-werkgroep deelt zij regelmatig haar bevindingen. Later dit jaar presenteert zij de resultaten van haar experimenten rond acroniemdisambiguatie. Daarnaast staat zij open voor gesprekken met professionals die werken met ongestructureerde data en vergelijkbare uitdagingen ervaren.
