Fré Vink Email & Phone Number

Een kosmoloog als Data Scientist, wat moet je je daarbij voorstellen? Ik heb kosmologie als specialisatie van mijn natuurkundestudie gedaan. Terwijl ik leerde over zwaartekrachtgolven, zwarte gaten en de formatie van sterrenstelsels stond 1 aanpak centraal; wiskundige modellen vormen om onze data van observaties van het universum te beschrijven. Dit is niet anders dan de aanpak die we binnen Data Science zien. Op basis van data en business knowledge zijn we op zoek naar patronen en inzichten. Hiervoor gebruiken en creëren we verschillende modellen, die allemaal een sterke wiskundige basis hebben. Vanuit mijn achtergrond in de kosmologie neem ik enthousiasme voor de wiskunde achter deze modellen mee. Naar mijn mening komt begrip in processen en modellen pas echt wanneer de onderliggende principes en werking begrepen worden. In het geval van Data Science zijn deze geschreven in de taal van de wiskunde. Ik werk dan ook het liefst aan het ontwerpen van het model dat aan de ene kant past bij de wensen van de klant, maar aan de andere kant ook past bij de data en de wiskundige aannames die voor verschillende modellen nodig zijn. Evaluatie en begrip van de modellen zijn hierin erg belangrijk. Ik vind het leuk om op basis van de theorie achter de modellen Artificial Intelligence begrijpelijk te maken. Ik begeef mij daarom ook graag op het gebied van eXplainable Artificial Intelligence (XAI). In mijn werkzaamheden bij de Auditdienst Rijk binnen het Data Analytics team en de themagroep ‘auditen van algoritmen’ komt dit alles tot uiting. Samen met de accountants werken we aan het ontwikkelen van de juiste analyses ten behoeve van de accountantscontrole. Hierbij is het van belang dat modellen worden gekozen die passen bij de vraag van de accountant en data-eigenschappen van de beschikbare data, waar de theorie achter de modellen komt kijken. Het ontwikkelen van de modellen is altijd een samenwerking tussen het controleteam met de domeinkennis en de Data Scientist met de kennis over de modellen. In deze samenwerking is het uitlegbaar maken van de modellen en het begrijpelijk uitleggen hoe dit werkt van groot belang. Begrip en uitlegbaarheid van algoritmen is binnen het auditen van algoritmen niet weg te denken. Het is onmisbaar voor het opstellen van de juiste normen en innoveren aan tools om algoritmen te onderzoeken.

Listed skills include Physics, Python, Latex, Mathematics, and 14 others.