Masterclass – Machine Learning
-
Bedrijfsnaam
IT-organisatie
-
Sector
IT bedrijven
-
Tools
Masterclasses
-
Methoden
Digitalisering
Het probleem
Masterclass Machine Learning
Verdieping met directe toepassing in je eigen werk
Voor een kleine IT-organisatie verzorgde Short on Hands een masterclass Machine Learning voor een groep IT-professionals die verder wilden dan theorie.
Veel teams experimenteren met Machine Learning, maar blijven hangen in losse modellen of proofs of concept.
De stap naar toepassing in bestaande systemen en processen blijkt vaak lastig.
In deze masterclass hebben we die stap centraal gezet. Geen losse uitleg over algoritmes, maar werken vanuit eigen vraagstukken.
Wat kun je vandaag al slimmer inrichten, en wat vraagt nog aanpassing in je proces of architectuur?
De sessie was opgezet als werkbijeenkomst. Deelnemers brachten eigen cases in en werkten die uit met begeleiding van onze specialisten.
De oplossing
Waar het in de praktijk vaak misgaat
Binnen IT-teams is kennis van Machine Learning vaak wel aanwezig.
De uitdaging zit ergens anders:
- modellen blijven losstaan van bestaande systemen
- use cases zijn interessant, maar niet concreet genoeg gemaakt
- data is beschikbaar, maar niet goed bruikbaar ingericht
- implementatie strandt op beheer, performance of integratie
Daardoor blijft ML hangen in experimenten, zonder structurele toepassing.
"Van model naar werkend onderdeel van je proces"
Hoe wij dit hebben aangepakt
Tijdens de masterclass hebben we gewerkt vanuit concrete toepassingen, niet vanuit theorie.
We hebben onder andere:
- bestaande use cases van deelnemers scherp gemaakt
- gekeken waar ML echt iets toevoegt in het proces
- laten zien hoe je modellen integreert in bestaande systemen
- besproken wat nodig is qua data, beheer en performance
- valkuilen uit de praktijk gedeeld en concreet gemaakt
Geen brede verkenning, maar keuzes maken: waar wel inzetten, en waar niet.
Van model naar werkend onderdeel van je proces
Een belangrijk onderdeel van de sessie was het doorvertalen naar implementatie.
Deelnemers hebben gewerkt aan:
- het aanscherpen van hun eigen ML-use case
- het bepalen van benodigde data en datakwaliteit
- het inrichten van de koppeling met bestaande applicaties
- het nadenken over beheer en doorontwikkeling
Hier zit vaak het verschil. Niet het model zelf, maar hoe het landt in je dagelijkse operatie.
Wat het opleverde
Na de masterclass hadden deelnemers geen lijst met ideeën, maar concreet richting:
- duidelijkere use cases die echt waarde toevoegen
- inzicht in wat nodig is om ML werkend te krijgen in bestaande systemen
- beter beeld van randvoorwaarden zoals data en integratie
- handvatten om projecten verder te brengen dan een proof of concept
Voor een aantal deelnemers betekende dit dat lopende initiatieven opnieuw zijn ingericht of juist bewust zijn gestopt.
Relevantie voor andere IT-teams
Deze aanpak werkt vooral voor teams die al met data en ML bezig zijn, maar merken dat:
- toepassingen niet verder komen dan experimenten
- de koppeling met bestaande processen ontbreekt
- implementatie complexer blijkt dan vooraf gedacht
Dan helpt het om niet nog meer theorie toe te voegen, maar juist scherp te krijgen waar ML in jouw situatie wel en niet werkt.
De rol van Short on Hands
Short on Hands combineert inhoudelijke kennis van Machine Learning met ervaring in processen en implementatie.
We helpen teams niet alleen begrijpen wat er kan, maar vooral:
- bepalen waar ML zinvol is
- vertalen naar concrete toepassingen
- inrichten van integratie en gebruik in de praktijk
En als het nodig is, ondersteunen we ook bij de daadwerkelijke implementatie binnen teams.
