Door de combinatie van interactieve data-analytics en touchscreen technologie wordt het terrein van data analytics een stuk toegankelijker. Dit kan een impuls geven aan de begeleiding van lerenden.
MIT en Brown University hebben een systeem ontwikkeld waarmee niet-specialisten machine learning modellen kunnen gebruiken voor het doen van voorspellingen op allerlei terreinen. Het gaat daarbij om het interactieve data-science systeem Northstar. Dit is een cloud-applicatie met een interface die op elk apparaat met een touch screen kan worden gebruikt (bijvoorbeeld een smartphone, tablet of interactief whiteboard).
Gebruikers voeden het systeem met datasets en manipuleren, combineren en extraheren functies op een gebruiksvriendelijke interface, met hun vingers of een digitale pen, om trends en patronen te ontdekken.
De “virtuele data wetenschapper” genereert direct machine-learningmodellen om voorspellingen op basis van datasets uit te voeren. Voorbeelden zijn:
- Artsen voorspellen welke patiënten een grotere kans hebben om bepaalde ziekten te krijgen.
- Eigenaren van bedrijven voorspellen de verkoop.
Dankzij het gebruik van een interactief whiteboard kunnen gebruikers ook real-time samenwerken. Organisaties kunnen datawetenschappers daardoor ook met niet-deskundigen samen analyses laten uitvoeren.
Hoe werkt het?
Bij deze toepassing wordt gebruik gemaakt van automated machine-learning (AutoML), waarmee mensen met beperkte data-wetenschappelijke kennis AI-modellen kunnen trainen om voorspellingen te doen op basis van hun datasets.
MIT en Brown University maken -zoals gezegd- gebruik van Northstar. Dit is een blanco scherm. Gebruikers uploaden datasets in het systeem, die in een “datasets”-box aan de linkerkant verschijnen. Eventuele gegevenslabels zullen automatisch een apart “attributen”-vakje vullen. Er is ook een “operators”-vak dat verschillende algoritmes bevat, evenals de nieuwe AutoML-tool. Alle gegevens worden opgeslagen en geanalyseerd in de cloud.
Hiermee kunnen gebruikers dingen aan elkaar koppelen om meer complexe vragen over gegevens te stellen.
Volgens de initiatiefnemers wil je niet vier uur wachten om uw eerste resultaten terug te krijgen, als je een voorspeller gebruikt. Je wilt al zien wat er aan de hand is en als je een fout ontdekt, wil je deze direct kunnen corrigeren. Gebruikersonderzoek laat zien dat gebruikers de betrokkenheid bij het systeem verliezen, op het moment dat je het geven van resultaten aan gebruikers uitstelt.
Het doel van de onderzoekers is om de datawetenschap te democratiseren door het eenvoudig te maken om complexe analyses snel en nauwkeurig uit te voeren.
Educatieve toepassing
Ik zie ook toepassingen voor leren, opleiden en onderwijs. Mentoren, studieadviseurs en andere begeleiders kunnen zelfstandig en snel analyses maken van de voortgang van lerenden op basis van data. Voorwaarde is wel dat daadwerkelijk data worden verzameld die wat zeggen over het leren, en dat data geanonimiseerd is. Ook moet je m.i. weten naar voor mogelijke verbanden je kunt kijken.
Belangstelling in een cursus over Data Science?
This content is published under the Attribution 3.0 Unported license.
Geef een reactie