Projectmanager AI

Deel 1

Inzicht in AI-technologieën: machine learning

Inleiding tot kunstmatige intelligentie en machine learning 

• Definities van AI en machine learning en hun rol in bedrijfsprojecten; 
• De geschiedenis en evolutie van AI, van de eerste benaderingen tot moderne modellen; 
• Veelvoorkomende toepassingen van machine learning, zoals verkoopvoorspellingen, klantsegmentatie en fraudedetectie; 
• Wat dit betekent voor projectmanagers: technische vereisten begrijpen, oplossingen afstemmen op doelstellingen en communiceren met stakeholders.

Data in AI-projecten 

• Inzicht in verschillende soorten data:
  • gestructureerde data, zoals tabellen en relationele databanken; 
  • ongestructureerde data, zoals tekst, afbeeldingen en video; 
  • semi-gestructureerde data, zoals JSON en XML;
• Workshop rond het importeren van gegevens en het visualiseren van datastructuren.

Machine learning-algoritmen

• Inzicht in de basisprincipes van machine learning; 
• Begeleid leren met gelabelde data voor voorspellingen; 
• Onbegeleid leren om patronen in ongelabelde data te ontdekken; 
• Kennismaking met veelgebruikte algoritmen, zoals lineaire regressie, logistische regressie, beslissingsbomen, naïeve Bayes, K-nearest neighbors en K-means clustering.

Grote taalmodellen zoals ChatGPT 

• Overzicht van belangrijke conversationele AI-modellen, zoals ChatGPT, Claude, Grok en Copilot; 
• Toepassingen voor projectmanagers, zoals: 
  • samenvattingen en rapporten genereren;
  • technische concepten verduidelijken in natuurlijke taal; 
  • documentatie en oplossingsvoorstellen opstellen; 
  • trends en inzichten in data helpen interpreteren.

Evaluatie van machine learning-modellen

• Het belang van evaluatie om de betrouwbaarheid van modellen te waarborgen; 
• Evaluatiemaatstaven voor regressie en classificatie, zoals MSE, R², nauwkeurigheid, recall, F1-score, verwarringsmatrix en ROC-curve; 
• Evaluatie van clustering met de silhouetscore; 
• Methoden zoals kruisvalidatie, train/test-splitsing en A/B-testen.

Deel 2

Inzicht in AI-technologieën: deep learning

Inleiding tot deep learning en aanverwante concepten 

• Wat deep learning is en waarin het verschilt van klassieke machine learning; 
• De evolutie van perceptrons tot transformers, reinforcement learning en recente toepassingen zoals RAG en LangChain; 
• Zakelijke toepassingen van deep learning, reinforcement learning en documentgebaseerde AI-systemen; 
• Oefening met Teachable Machine om een beeldclassificatiemodel te trainen.

Data in deep learning-projecten 

• Soorten data binnen deep learning-projecten; 
• Technische concepten zoals tokenisatie, annotatie, normalisatie, data-augmentatie, datakwaliteit en voorbereiding voor RAG; 
• Praktijkoefening met Make en Hugging Face.

Architecturen en technieken van deep learning 

• Kennismaking met neurale netwerken, fine-tuning, reinforcement learning, RAG, LangChain, PyTorch en TensorFlow; 
• Belangrijkste architecturen: 
  • convolutionele neurale netwerken (CNN’s) voor beeldverwerking; 
  • recurrente neurale netwerken (RNN’s) voor sequentiële data; 
  • transformers voor taal- en beeldverwerking;
• Praktische toepassingen zoals visuele inspectie, chatbots, logistieke optimalisatie en LLM-workflows met databanken; 
• Oefeningen met TensorFlow Playground en Hugging Face Spaces.

Gesloten versus open AI-modellen 

• Het verschil tussen gesloten en open modellen; 
• Voor- en nadelen, technische aandachtspunten en toepassingsscenario’s.

AI-modellen implementeren: cloud of on-premise 

• Infrastructuurbegrippen zoals GPU versus CPU, Docker en Kubernetes; 
• Werken met cloudprojecten, API-sleutels en throughputlimieten; 
• Kostenbeheer, implementatie, monitoring en onderhoud; 
• Gebruik van frameworks zoals PyTorch, TensorFlow en LangChain; 
• Oefening waarbij een model wordt uitgerold in Hugging Face Spaces en een gesloten API wordt geïntegreerd via Make.

Deel 3

De juridische en ethische impact van AI

De basis van het handelsrecht toegepast op AI 

• De impact van AI op contractenrecht, consumentenrecht en mededingingsrecht.

AI beschermen via intellectuele eigendom 

• Bescherming van immateriële activa; 
• Rechten van derden.

Bescherming van persoonsgegevens 

• De AVG en vergelijkbare regelgeving; 
• Het groeiende belang van privacy in AI-toepassingen.

Juridische en ethische gevolgen van AI-gebruik 

• Nieuwe verantwoordelijkheden; 
• Veranderingen in het sociaal recht; 
• Ethische aandachtspunten bij het gebruik van AI.

Deel 4

Een AI-project leiden met een agile aanpak

Inzicht in de agile SCRUM-aanpak 

• De stappen binnen SCRUM; 
• Rollen en verantwoordelijkheden van product owner, scrum master en team; 
• Belangrijke begrippen zoals iteratie, sprint en release; 
• De vaste agile-overlegmomenten: sprintplanning, daily scrum, sprintreview en retrospectief.

Een machine learning-project implementeren 

• Sprint 1: classificatie — klantverloop voorspellen met Orange Data Mining; 
• Sprint 2: segmentatie — klantgroepen identificeren voor marketingdoeleinden; 
• Retrospectief rond de sleutelfactoren voor een succesvol AI-project.

Een deep learning-project uitvoeren en AI-oplossingen integreren 

• Sprint 3: beeldherkenning — defecten detecteren met Teachable Machine; 
• Sprint 4: een intelligente chatbot bouwen met Hugging Face en Make, inclusief interne documenten en spraakherkenning; 
• Sprintreview met presentatie van het project en voorbereiding van volgende AI-initiatieven.