果冻传媒

Philander van Hien had al meer dan 25 jaar ervaring op het gebied van data toen hij begon aan het Mastering Data & AI-programma bij EAISI Academy. Daniel Kapitan sprak met hem over wat het programma hem heeft gebracht. Naast de toepassing van AI bij datamigraties, ging het gesprek ook over zijn passie voor vliegen en hoe hij een eigen app ontwikkelde om laaghangende bewolking op vliegtrajecten te voorspellen.

DK: Kan je om te beginnen vertellen hoe je bij EAISI Academy terecht bent gekomen?

鈥淭oen ik begon aan de opleiding had ik meer dan 25 jaar ervaring met het begeleiden van grote data migraties in de financi毛le sector. Sparen, beleggen, leasing, hypotheken; ik zit al lange tijd best wel diep in deze tak van sport. Natuurlijk zie je daar ook dat machine learning steeds meer wordt toegepast. Ik was op zoek naar een manier om een goede basis te leggen, zowel qua theorie als praktische toepasbaarheid. Zo kwam ik bij het Mastering Data & AI programma terecht.鈥�

DK: Hoe heb je de opbouw van het programma ervaren?

"Het sloot precies aan bij wat ik zocht. Tijdens de eerste module, Introduction, kon ik een goede basis leggen en mijn eerste stappen zetten in AI. Ik vond het erg belangrijk dat de concepten en principes op een gestructureerde manier werden uitgelegd. Hierdoor kon ik zelf de verbinding maken tussen mijn jarenlange ervaring en de moderne toepassingen van AI.

In de tweede module, Applications, werd het belang van gestructureerd werken en ontwikkelen met de CRISP-DM methode voor mij pas echt duidelijk. Ik werkte samen met drie andere deelnemers aan een case over arbeidsongeschiktheidsverzekeringen, een onderwerp dat dicht bij mijn werkveld ligt. Wat ik vooral waardeerde, was dat het programma verder ging dan alleen het aanleren van 鈥榯echnische trucjes鈥�. Binnen de business simulatie waarin we een specifiek probleem moesten oplossen, ervaarde ik hoe het is om met een team aan een data- en AI-project te werken. Met deze ervaring heb ik een veel beter gevoel hoe je op een praktische manier het werk kunt structureren en managen. Het gaat overigens niet alleen om het technisch, analytische werk, maar juist ook om ruimte te cre毛ren met het team voor meer conceptuele discussies en een goed begrip krijgen van het business vraagstuk.鈥�

DK: Je hebt wel een heel bijzonder Mastering-project gedaan tijdens DE 3E MODULE dat sterk verband houdt met je hobby. Kun je daar meer over vertellen?

Ja, met veel plezier! Als hobby ben ik priv茅piloot en vlieg ik volgens VFR-regels 鈥� dat staat voor Visual Flight Rules, oftewel vliegen op zicht. Voor dit type vliegen zijn twee meteorologische factoren cruciaal: het zicht (hoe ver je kunt kijken) en de wolkenbasis (hoe laag de wolken hangen). Als VFR-piloot moet je namelijk altijd zicht op de grond hebben en voldoende afstand tot de wolken kunnen houden.

Het probleem dat ik wilde oplossen, is dat er voor priv茅piloten grote informatiegaten bestaan in de beschikbare meteorologische gegevens. De bestaande diensten geven vaak alleen algemene meteo-informatie voor grotere gebieden, maar missen de specifieke details die je nodig hebt voor een bepaalde vliegroute. Zo ontstond het idee voor mijn Virtual Co-Pilot-project: een tool die realtime voorspellingen maakt van zicht en wolkenbasis, specifiek voor de route die je wilt vliegen.

Voor dit project heb ik de CRISP-DM-methodiek toegepast die ik tijdens de opleiding heb geleerd. Dat is een gestructureerde aanpak voor data science- en AI-projecten. Het mooie hiervan is dat het iteratief werkt: je begint met een basismodel, test het, verbetert het en blijft dit cyclisch herhalen. Het voelt eigenlijk als het volgen van een recept dat je steeds verder verfijnt. En omdat je een gestandaardiseerde werkwijze aanleert, kun je dit op elk ander project toepassen 鈥� ongeacht de branche.

Een belangrijk aspect van mijn project was het verzamelen van de juiste databronnen. In het begin werkte ik met een commerci毛le database, maar die verdween plotseling achter een betaalmuur. Als je vaak wilt itereren met je model, wordt dat al snel een duur project. Daarom ben ik overgestapt op open databronnen zoals het KNMI, het Belgische KMI en de Britse MET Office. Het grote voordeel van deze open data is dat ze vrij toegankelijk zijn via API鈥檚. Dit illustreert perfect de waarde van open data: het maakt innovatie mogelijk zonder dat je direct tegen hoge kosten aanloopt.

Natuurlijk waren er ook uitdagingen. Ik ben geen hardcore IT-specialist, dus het verbinden met die API鈥檚 en het verwerken van de data kostte extra tijd. Gelukkig mag je als piloot met de weerkamer bellen 鈥� zij hebben mij hierbij even op weg geholpen. Daarnaast moest ik het project realiseren naast mijn reguliere werk, wat een strakke tijdsplanning vereiste. Vaak werkte ik 's avonds door om alles af te krijgen binnen de gestelde termijn van het Mastering-programma.

Het resultaat is nu een werkende website: , die vrij toegankelijk is voor iedereen. Als hobbyvlieger gebruik ik de tool inmiddels zelf bij elke vluchtvoorbereiding. Binnenkort verwacht ik ook dat de mobiele app beschikbaar komt in de app stores. Wat ik heb geleerd, is om een backlog bij te houden met idee毛n en verbeteringen. Het project is namelijk nooit echt 'af' 鈥� er zijn altijd nieuwe features of verbeteringen die je kunt doorvoeren.

Wat ik zo waardevol vind aan dit project, is dat het perfect laat zien hoe je data science en AI kunt toepassen op een concreet probleem dat je in je dagelijks leven of werk tegenkomt. Doordat ik zelf vlieg, kon ik precies defini毛ren wat de behoefte was en hoe de oplossing eruit moest zien. En door gebruik te maken van open data, heb ik een duurzame oplossing kunnen bouwen die niet afhankelijk is van commerci毛le partijen. Dit is voor mij de kracht van open data: het democratiseert innovatie en maakt het mogelijk om oplossingen te bouwen die anders misschien niet haalbaar waren geweest.