Capability
Praktijkgerichte AI-projectprogramma's
Programma's waarin teams een werkend AI-project bouwen op een echt vraagstuk, volgens de CRISP-DM-methode van probleemverkenning tot evaluatie en presentatie. Deelnemers vertrekken met een resultaat dat ze zelf hebben gebouwd en een methode die ze kunnen herhalen.
Mensen leren AI het snelst door ermee te bouwen. Wij structureren dat bouwen, zodat het iets bruikbaars oplevert en een methode die blijft.
01Architectuur
Referentiearchitectuur
Een gangbare opbouw van de componenten. Elke implementatie wordt afgestemd op uw systemen en uw eisen voor dataopslag en beveiliging.
Zakelijke vraag
- Probleemdefinitie
- Succescriteria
Labomgeving
- NotebooksJupyter · Google Colab
- Voorbeelddatasetspandas
- Modellen en bibliothekenscikit-learn · Hugging Face
Teamproject
- Werkend prototypeStreamlit
- Evaluatie tegen de criteria
Review en overdracht
- Schriftelijke feedback
- Overdracht van code en notebooksGitHub
02Componenten
Wat deze capability omvat
01
Probleemdefinitie
Teams beginnen bij een zakelijke vraag en spreken af hoe een bruikbaar resultaat eruitziet.
02
Voorbereide labomgeving
Notebooks, voorbeelddatasets en tools vooraf ingericht, zodat de sessietijd naar het bouwen gaat.
03
Bouwrondes met begeleiding
Korte bouw- en reviewrondes met feedback op datavoorbereiding, modellering en evaluatie.
04
Presentatie en review
Elk team presenteert zijn resultaat en de beperkingen ervan, en krijgt schriftelijke feedback.
03Implementatie
Hoe we het implementeren
Elk programma volgt CRISP-DM: probleemverkenning, dataverkenning, datavoorbereiding, modellering, evaluatie en presentatie. Vóór de eerste sessie richten we de labomgeving en datasets in, en we spreken met u af welke data gebruikt mag worden, zodat teams met realistisch materiaal werken zonder gevoelige gegevens bloot te stellen.
- Kleine teams combineren domeinkennis met technische vaardigheden.
- Begeleiders bekijken de voortgang in elke fase, niet alleen aan het eind.
- Projecten, notebooks en feedback worden overgedragen aan de deelnemers en, als dat is afgesproken, aan de opdrachtgevende organisatie.
04Opleveringen
Wat u ontvangt
Ingerichte labomgeving en datasets
Projectopdracht per team
Werkende prototypes met hun evaluatie
Feedback en programmarapport
Technologie
Technologieën waarmee we werken
- Python
- Jupyter
- Google Colab
- pandas
- scikit-learn
- Hugging Face
- Streamlit
- GitHub
Per project gekozen en afgestemd op uw bestaande standaarden. Het gaat om technologieën die we gebruiken, niet om partnerschappen of aanbevelingen.
05Toepassingen
Typische toepassingen
Patronen waarvoor deze capability is ontworpen, geen lijst van uitgevoerde projecten.
01
Open cohortprogramma's
Professionals uit verschillende organisaties bouwen elk een project op een vraagstuk uit hun eigen vakgebied.
02
Interne projectsprints
Gemengde business- en techteams bouwen een eerste prototype op een goedgekeurde interne use case.
03
Programma's voor starters
Gestructureerd projectwerk dat nieuw talent praktische AI-ervaring geeft.
06Bewijs
Gerelateerd werk
Projecten en programma's waarin deze capability een rol speelde, beschreven met de rol die NLAI werkelijk had.
- Trainingsprogramma
Cursus AI-projecten bouwen — cohort 9
Cohort 9 van de cursus AI-projecten bouwen was een driedaags programma op locatie, dat NLAI verzorgde in een trainingspartnerschap met EMC (Educational Mastar Central).
Lees meer
07Gerelateerd
Verder lezen
Meer binnen Training & capaciteitsopbouw
- Rolgericht AI-curriculumontwerp
Leerpaden voor bestuurders, managers, specialisten en technische teams, opgebouwd vanuit een vaardighedenanalyse en uw eigen processen in plaats van algemene voorbeelden.
Volgende stap
Baken Praktijkgerichte AI-projectprogramma's af voor uw organisatie
Deel uw proces, data en randvoorwaarden. We stellen een aanpak voor, het bewijs dat we eerst verzamelen en een realistisch plan.