S05E03 - AI in de praktijk met Marijn Markus - Deel 1

Te gast is Marijn Markus. Hij werkt als Data Scientist en deelt zijn learnings in gesprek met Joop en Niels.

Links

• Boek - Bullshit Jobs: A Theory (David Graeber)
• Boek - The Logic of Scientific Discovery (Karl Popper)
• Boek - Neuromancer (William Gibson)

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

Copy Transcript Copied

0:00

Welkom bij een nou compleet nieuw seizoen. Ja, de eerste van AIToday live. Leuk dat je luistert. We hebben vandaag in onze studio Marijn Markus. Marijn, dank je wel dat je op onze uitnodiging in bent gegaan. Zou je je even voor willen stellen aan onze luisteraars? Hoi iedereen, ik ben Marijn Marcus. Hier live vanuit Veenendaal. Niet meer live nu jullie luisteren vrees ik. Ik ben Managing Data Scientist bij Capgemini. Zes jaar ervaring in het veld, maar meer dan tien jaar al bezig met... Toen noemden we het allemaal nog data. Toen zijn we het Big Data genoemd op een gegeven moment. Toen werd alles data science. Nu noemen we het AI. Ik snap nog steeds niet helemaal wat alle nieuwe buzzwords nog steeds doen. Ik doe data om mensen te helpen. Oh ja, dat is al een heel mooi statement. Hoe ben je hierin terechtgekomen? Nou heb je effe. - Een minuutje of twintig. Je maakt allemaal fouten in je leven. En ik heb op een gegeven moment de fout gemaakt om sociologie te gaan studeren. En mijn pa vroeg zich af, wat ga je in vredesnaam daarmee doen Marijn? Maar ik ging naar Utrecht, de universiteit Represent. En dat is de meest kwantitatieve afdeling van sociale wetenschappen van heel Europa. Dus ik zat voornamelijk onderzoek te doen naar het gedrag van grote hoeveelheden mensen. hun stemgedrag, hun koopgedrag, ruimtelijke spreiding van criminaliteit, hoe pandemie zich verspreidde. Als ik kijk naar mijn werk aan Ebola, vorige keer op 5v5, 2014/2015 hebben we het dan over. Ja, want waar gaat sociologie over? Er zit dus midden tussen psychologie en economie in. Het gedrag van grote groepen mensen onderzoeken op niet-financieel gebied. En vanuit daar ben ik afgestudeerd op ruimtelijke spreiding van criminaliteit in Rotterdam, mijn hometown, represent, voor Abu Dhabi. En toen kwam Capgemini langs en toen raakten we in gesprek, want die vond het allemaal heel erg cool en heel erg data science. En ik zei, ja, ja. Ja, mooi. En past je de sociologie nog toe nu, als je bezig bent met AI? Veel meer dan ik had verwacht. Kijk, tegenwoordig leid ik voornamelijk teams op dit gebied. En dan zit ik er met wiskundigen, econometristen, theoretisch natuurkundigen, en gozer die alles weet over Boeing. Echt heel erg gezellig tijdens lunch. En we zien allemaal andere problemen en andere oplossingen. Daardoor zien we tezamen betere oplossingen. Dat maakt het vakgebied data science zo leuk, vind ik. De grap is altijd, jij neemt vier computer scientists, die stop je in de kamer met data en dan wacht je tot de magic gebeurt. Nou, dat gebeurt dus niet. Zo werkt het niet. Het is verschrikkelijk multidisciplinair. Daarom zit ik na al die jaren nog steeds in het vakgebied. Maar dat is ook waar ik mijn toegevoegde waarden heb. Ik ga niet een computer scientist uitleggen hoe dingen te engineren. Daar kunnen zij beter dan ik. Maar zodra het gaat over... Oké, we hebben hier over groot toeveelheden menselijk gedrag. We hebben het hier over bijvoorbeeld gender pay gaps... of modellen voor burn-outs voor spellen of het doorstroom van vluchtelingen bijvoorbeeld. Daar kom ik met al mijn mooie papers aan van jongens, we moeten hamburgerprijzen hiervoor gebruiken. Want dat is het beste voorspeller voor vluchtelingenstromen door de jaren heen. Ja, precies. Big Mac-index. Maar dat is dan mijn angle waar andere mensen denken. En daarom ben je goed in een team, en dat is veel meer dan alleen maar sociale wetenschappen. Je bent goed in een team omdat je iets hebt wat de rest niet heeft. En zeker voor alle studenten die luisteren, die als de dood zijn voor de arbeidsmarkt... Don't worry, ik was ook heel bang voor de arbeidsmarkt, maar het valt mee. Want binnen de unie voel je je vaak onbelangrijk... omdat je alleen maar daar zit met collega's, studenten, laat staan docenten... die alles beter weten dan jij over dat ene onderwerp. Dan kom je de arbeidsmarkt binnen, kom je erachter, jij bent de enige in de zaal die wat weet over dat onderwerp. Sterker nog, ze willen jou en ze waarderen jou vanwege jouw kennis over dat ene onderwerp. Precies. Tegelijkertijd, je mag geen fouten meer maken, want er is geen enkele docent die meer zegt......'Matty, je hebt je regressen niet gestandardiseerd, dat moet je nu gewoon zelf weten.' Dat is ook wel weer een paniekmoment. Maar ik wens dit iedereen toe, en daarom hamer ik ook tegenwoordig zo op lopen stages......en begeleid ik heel veel stagiairs tegenwoordig. Van de eerstejaarsbachelorstudenten in Nederland gaat gemiddeld 2% een PhD doen. 2%. Terwijl het overgrote deel van de studenten alleen maar klaargestoomd wordt vanuit de academische wereld om een PhD te gaan doen. Wat gaat er met die 98% gebeuren? Ja, die komt in de markt. Ja, maar daar worden ze niet op voorbereid. Niemand vertelde mij dat ik een stage moest gaan lopen. Dat heb ik zelf gedaan, bij Giro 5x5 en bij een Nederlandse politie. Nou, eye-openers voor mij, ik heb leren koffie drinken. Het was echt smerige koffie, dat wel, maar ik heb leren koffie drinken. En ik zag wat mijn kennis en mijn kunde op het gebied van data, op het gebied van statistiek, op het gebied van pak vijf papers en leg uit wat er kan gaan gebeuren. Dat kon ik in de praktijk brengen. Wat was jou nou het grootste, die eye-opener wat jij zei, tussen wat je geleerd had in je studie, En wat je dan in de echte wereld, als ik dat tussen aanhalingstekens mag zetten, tegenkomt. Ik had meerdere eye-openers, maar makkelijker was het in 2015, de hele Ebola-pandemie. Ik stageliep bij Giro 5x5 en begon met Excel-sheetwerk over de eilanden in de Filipijnen, na de hele Haiyan-vloedgolf, in 2013/2014 spreken we dan. En we waren rapporten aan het doen over welk eiland was geholpen met wat voor dingen. Plotseling kregen we een wereldwijde pandemie. Een wereldwijde pandemie in West-Afrika. Iedereen ogen daarop. Ik begon data te pakken vanuit drie, vier verschillende NGO's over waar het naartoe ging, hoe de spreiding lag voor verschillende regio's. Ik zat stadsgeografische modellen die ik had geleerd over verhuizingen en verspreidingen van... Even kijken. Gewoon hoe mensen zich verhuizen over een stad, over verschillende regio's, kan je ook op nationaal niveau toepassen. Dat begon ik te visualiseren. Te exporteren uit R en zo in SVG's, zodat ik het kon pimpen in Adobe Illustrator. En een van die kaarten is op het NOS gebruikt. Dus dat was het moment dat ik een foto maakte van de televisie die naar mijn moeder stuurde op de..."Kijk, mama zooi's op tv. Laat dit vooral haar papa zien." Want ik kwam erachter dat de rotzooi die ik doe met data, dat ik daar mensen mee kon helpen. We hebben 10,6 miljoen euro opgehaald om noodhulp naar West-Afrika te sturen. En ik had alleen maar van, man dit wil ik. Ja, impact. Mooi. Dat is één voorbeeld. Heel mooi. En als je dan nu terugkijkt, wat is op dit moment je meest leuke, impactvolle, je mag zelf het criterium kiezen, AI-project. die je gedaan hebt of waar je mee bezig bent. Ik ben altijd met vijf verschillende projecten bezig. Eén voorbeeld waar ik vanuit Capgemini veel mee bezig ben is Project Farm. Dat is een data-platform dat we hebben ontwikkeld in het begin, ooit voor Kenia, maar nu met een hele sterke focus op India. Om advies te geven aan kleinschalige boeren al daar. Want we vergeten vaak dat meer dan de helft van het land van India in de agrarische sector werkt. Dat zijn boeren. En die kan je advies geven. Hoeveel moeten ze planten, wanneer moeten ze oogsten, hoeveel mest moeten ze gebruiken. Niet al te moeilijke berekeningen hier en daar, maar wel hele belangrijke berekeningen. Want het kan het verschil tussen een goed jaar oogst of helemaal geen oogst betekenen. En zo'n simpele berekening, zoals bijvoorbeeld hoeveel mest moet je gebruiken, in plaats van dat ze gewoon allesparende geld gebruiken om mes te kopen. Alles op het land gooien, dat is niet lineair natuurlijk. Zo'n simpele berekening maakt al voor een groot verschil. En dat is ook een heel groot deel van mijn vakgebied. Het gaat er helemaal niet over dat we het coolste, mooiste deep learning model gebruiken. Maar dat we de vragen en het probleem begrijpen en daar een passende methode aan plakken... om mensen betere beslissingen te laten nemen. Ja, dat zien wij natuurlijk in de praktijk ook. Dat geldt voor grote enterprises tot aan zelfs kleine startups. Dat je zorgt dat je impact maakt, dat je een probleem oplost. Dat het niet over de technologie gaat. Dus het maakt inderdaad niet uit hoe hip of niet hip. Het gaat erom wat los je op. Dit is een reden dat Google het Chief Decision Scientist is gaan noemen. Maar dat is slechts een voorbeeld van het bredere ding. dat heel veel mensen dit vakgebied betreden met de gedachte dat ze een opdracht gaan krijgen, net zoals op de Unie van 'bouw dit model met deze technieken en die data, bereik die accuratie'. Dat is niet hoe het werkt, jongens. De mensen die die opdracht gaan geven, die snappen nog niet eens wat voor modellen het zijn, laat staan of er überhaupt data is, en dan gaan ze je zeggen,'Ja, maar het moet wel 95,9 procent accuraat zijn.' Maar ze definiëren niet die accuratie, Dus je kan zelf wat in elkaar duct tapen wat dat betreft. Onze taak is om de juiste methoden te kiezen en uit te voeren. Niet alleen het uitvoeren. En stiekem vind ik dat ook het coolste van het hele vakgebied. Want dan ben je problemen aan het oplossen. Alleen ik gebruik daar iets meer data en iets meer smart assery bij... dan de gemiddelde persoon. Ja, heel mooi. Ik had ook begrepen, want we hebben heel kort even een telefonisch voorgesprekje gehad. Want standaard stel ik het liefst alle vragen in de podcast. Dus we hebben altijd kort contact met onze gasten. Dat je aangaf dat je ook daadwerkelijk naar India gaat voor deze projecten. Of was dat voor een ander project? Ja, ik was er afgelopen december nog. Ja, en dan is dat ook in het kader van dit project? Ja, juist om lokale boeren te ontmoeten en met ze te praten. Want anders zit ik hier als witte man vanuit Veenendaal allemaal aannames te maken over... wat mensen daar nou nodig hebben om al hun problemen op te lossen. Zo werkt dat niet, volgens mij. Zo zou dat niet moeten werken.- Ja, dus je hebt eigenlijk ook gewoon iets van domeinkennis nodig... om goede modellen te maken.- Dat geldt voor elk project wat ik ooit heb gedaan, ook bij de grote enterprises. Maar ja, daar mag ik niet zomaar over praten, dus ik praat hier over.- Ja, heel goed, heel goed, graag. Ik vroeg me af, heb je bepaalde learnings van meerdere van dit soort projecten, waar je de luisteraars een enorme sprong naar voren kan laten maken, door te zeggen, als je een aanpak hebt, is dit mijn learning van, dit is een goede aanpak. Wat zijn de learnings? Verkijk je niet op de vraag, allereerst, want meestal zit er een vraag achter de vraag, en die zijn ze bijna nooit aan het benoemen, of die snappen, verstaan ze zelf niet. Zeker als technicus in dit vakgebied. Nooit zomaar de opdracht lezen en die uit gaan voeren. Altijd in gesprek gaan om verduidelijking vragen. Waarom zijn er dataproblemen? Wat gaat er hier los? Om een ander eye-opener moment er meteen bij te pakken. Mijn criminaliteitswerk voor Rotterdam. Dat is ook al zes, zeven jaar geleden. Ik voel me oud. Maar een van de problemen waar ik daartegen aan liep, was dat etnische minderheden een goede voorspeller was van criminaliteit. Vanuit de literatuur en de wetenschap en realiteit weten we dat dat niet zo simpel is, jongens. Maar de data van mijn model toonden dat er een hele sterke relatie tussen die twee is. Meer en meer niet-westerse allochtonen in de buurt, dan heb je meer steekincidenten, meer criminele incidenten. Nou ja, mensen kunnen daar hele verkeerde keuzes en hele verkeerde conclusies aan verbinden. Het was pas toen ik vier verschillende metrics van armoede toevoegde, en financiële achtergesteldheid, et cetera, waar een correlatie tussen bestaat, dat ik kon plaatsen waar het nou eigenlijk vandaan kwam. Zonder die verduidelijking vanuit de domeinkennis, die ik toevallig zelf daar had, want ik zat die zo te studeren, zou ik nergens zijn geweest. Dus uitspraken als "de data spreekt voor zichzelf" is echt heel erg eng. Wij hebben als staak om context te geven aan al die observaties, aan wat er daar staat. Anders is het alleen maar data, want data zonder context is waardeloos. Dus waarom al die bedrijven zo aan het focussen zijn op maar datamining in de hoop er ooit nog eens geld aan te verdienen, heb ik ook nooit helemaal begrepen. Maar dat is ons werk uiteindelijk, om context te genereren, om het te verklaren, anders gaat niemand het geloven, als je het niet uit kan leggen. Ik kan prima burn-outs voorspellen met een heel moeilijk deep learning XGBoost model, maar als ik dan niet aan HR kan uitleggen, deze persoon gaat droppen vanwege te veel werkdruk, of vanwege te veel reisafstand, of vanwege de manager, gaan ze er ook niks aan kunnen doen. Dus ons werk is om die context te bieden. Ja, en een stapje verder gaan, dan de eerste conclusie die je denkt te vinden in de data en de context, is mijn persoonlijke opvatting daarbij. Maar laten we eerlijk zijn heren, dat klinkt niet zo sexy als AI. Precies. Maar het is het... Ik ben het helemaal met jou eens hoor. Dat is ook een van de stokpaardjes die wij ook eigenlijk wel bereiden. is juist inderdaad die uitlegbaarheid. En die uitlegbaarheid die krijg je pas als je werkelijk door hebt wat je aan het doen bent. Dus het is... En wat ik ook wel zie, ik weet niet of jij dat in de praktijk tegen bent gekomen, juist omdat je het had over studenten die in de echte wereld komen, dat ze momenten hebben dat ze hebben zitten sleutelen aan dat model, en in één keer, zeg maar, gaan ze van... Hij doet ongeveer helemaal niks. Nou ja, een onwaarschijnlijke accuratesse. Dan is er een hallelujah moment en dan kom ik langs en dan denk ik, dat kan niet. Dat bestaat niet. Er gaat iets mis. Dus waar zij denken van, yes, ik heb hem, want we zitten op 99,9. Wantrouwen van hier tot en met Tokio. Ja, dan heb je de predictor achterstevoren staan. Sweet. Een voorspelde waarde als voorspeller gebruikt, dat soort dingen. Dat gevoel ken ik. Maar soms heb je een hallelujah moment dat niet genadeloos onderuit wordt gehaald door een collega. En die momenten jongens, de eureka momenten van holy moly, ik heb wat. Daar doen we het voor. Daarvoor zit ik in dit vakgebied. Die rush. Maar ook daarvoor denk ik wel dat je dan nadenkt van, ja, maar is het wel echt zo? Dan ga je proberen je eigen ongelijk te bewijzen. Dat is ervaring en dat is het science gedeelte van data science. Dat we wetenschappelijke methodes en falsificatie... in alle mooie dingen die Popper ooit heeft geschreven, toepassen... om onze eigen bevindingen onderuit te halen totdat we niks meer hebben. En dan gaan we van 'dan is het misschien toch wel waar'. Ja. - Dat is de game. En dat je dan even wat plopt of een taartje erop eet. Nee, dan begint het gedonder pas, want dan moet je business robot uit. Ja. Hoe doe je dat? Ja, wat hele mooie kleurtjes en plotjes. Dat is een goeie. Bartjart, geen Bartjart, over mijn lijf. Ja, mooi hoe je dat verwoordt inderdaad, dat ereuken moment. En vooral het debunken van eigenlijk je eigen bevinding, als ik het van mezelf in mijn gevoel zeg. Zorg dat je question everything van watgene wat je gepauwd hebt, wat je ziet, of dat waar is. En die mentaliteit die wordt niet vanuit school direct meegegeven. Dus dan denk je, we zijn er, maar dan begint het pas. Maar dat is ook een hele moeilijke, want de wereld, platgezegd, is niet zwart-wit. Maar het menselijke brein denkt echt heel erg graag in zwart-wit. En ons hele juridische stelsel is gebaseerd op als-dan-wetmatigheden. Maar het is nooit een if-then-statement. Het is altijd een kansberekening. En daar komt het gedonder, want de gemiddelde Nederlander, de gemiddelde persoon op deze aardklote is echt heel slecht in rekenen en in statistiek. Absoluut. En dat is ook meteen onze grote uitdaging hier, dat het allemaal kansberekeningen zijn en dat we het ook zo uit moeten leggen. Terwijl business alleen maar wil horen, ja maar is het dus goed of slecht? En jij zegt van, ja zo simpel is het niet. Ja dan heb je hun aandacht al niet meer. Dus dan moet je plots ook heel goed kunnen entertainen, heel goed kunnen communiceren. en heel precies weten wat je wel en niet moet zeggen, hoe treurig het ook klinkt, omdat je maar vijf minuten hun aandacht hebt. Gelukkig heb ik opera gedaan toen ik 18 was, dus ik weet een beetje hoe het is om te presenteren.- Hé, en zou je daar tips voor hebben dan, voor de luisteraar? Die zegt van, nou, dit is wel één van de dingen. Ik snap dat je niet je hele ervaring even in drie zinnen kan uitleggen. Maar wat zijn, dat je zegt van, nou, weet je, start hier eens mee. Durf fouten te maken, dat is de allereerste. Communiceren is vallen en opstaan en proberen en op je bek gaan en nog een keer te proberen. Dit is geen relatieadvies, maar daar ga ik over later. En je gaat er nooit goed in worden zonder het vijftig keer te proberen. Dus als jij, weet ik veel wat voor management of voor je begeleider of zo, moet presenteren, vraag één van het publiek van tevoren, hé, kan je even koffie doen, kan je even gewoon tien minuten met me zitten? Oefen je pitch of oefen je verhaal. En stel daar vragen bij van hoe komt dit over en wat valt jou op, wat trekt jou aan, wat juist niet. Als ik sales forecasts aan het doen ben, dan kan je sales liggen aan het weer, aan de marketing stunt of aan dat Feyenoord voetbal speelt. Marketing zal alleen maar voor één van die drie aandacht hebben, namelijk de invloed van hun eigen marketing stunt. En als ik dan onderuit haal dat die eigenlijk helemaal niet zoveel verschil uitmaken voor die beer sales, dan heb ik weer een probleem. Maar je moet dus je audience kennen. En je audience is vaak heel iemand anders dan iemand die indept geïnteresseerd is in jouw paper en in de methodes. Want in de academische wereld word je afgestraft voor je methodes, ongeacht de uitkomst. In de echte grote mensenwereldorganisaties word je afgestraft eigenlijk om je uitkomsten, ondanks je meteorologie. En dat is pervers en heel gevaarlijk, want er is dus een gigantisch incentive om de uitkomsten te hebben die mensen willen. En heel veel worden daarvoor beloond. En dan hebben we het plots niet meer over AI, maar dan hebben we het gewoon breder over ook managementtechniek. want we krijgen uiteindelijk een kleptocratie waar iedereen alleen maar positieve berichten naar boven stuurt. In min of meerdere mate hebben we dat in de meeste organisaties. Maar ik hoop dat het niet overal zo erg is als in Rusland. Nee, daar stip je wel even wat aan. Maar toch, als we het hier naartoe terugbrengen... Wat je zegt, dat het dan zo gevaarlijk is dat je op zoek gaat naar de... tenminste dat hoor ik je zeggen, naar de gewenste uitkomst. Ik ga even naar degene die ervaring heeft met biermodellen. Niet specifiek op het sales aspect van hoeveel bier ik al heb verkocht, maar wel in de bierwereld. You had me at beer. Herken je dit? Als we een breder trekken, dan herken ik dit wel. dat mensen heel snel hebben van, ah, dat is de richting waar ik denk heen te willen. En als ik dan van de data of van de mensen die analyse aan het doen zijn, de bevestiging krijg van hetgene wat ik zelf al denk, dan gaan ze er makkelijker mee dan dat je een ander beeld schetst... dan wat ze voor ogen hadden of willen gebruiken om hun vervolgstappen te bepalen. Dus ja, ik denk dat het wel bijna menselijk is om bijna in die bias te trappen, ja. Die situaties kom je natuurlijk ook tegen, dat er allang het oordeel of allang dat oordeel heerst, alleen ze hebben niet de data om het te bewijzen. En dan word jij als externe erin gefietst om dat te bewijzen, en vervolgens the messenger gets shot, want dan is het jouw schuld, want jij hebt het bevonden. Maar ze wisten het eigenlijk al. En dat kan gaan over het functioneren van een afdeling of bepaalde praktijken. En tegelijkertijd is dat ook weer een deel van de opleiding geweest. Ik heb een master in beleidsanalyse en big data, want toen noemden we alles big data. Goeie oude tijd, big data grappen. Ik mis die memes. Het gaat vaak over veel meer dan het voorkasten of het beantwoorden van iets. Grote managementvragen over waar gaat mijn bedrijf, waar gaat mijn overheid naartoe, die kan je ook allemaal data-gedreven beantwoorden. Maar dan moet je het niet meer over AI hebben, maar gewoon allemaal algoritmes noemen. En data, anders vinden mensen het eng. Maar als je kijkt, want je zegt dan, ze hebben dat in hun hoofd. Ik ga het toch proberen een beetje te challengen. Mensen hebben dat in hun hoofd. Je zegt dan, eerder zeg je aan, weet je, er is een skill, vaardigheid die aan je gevraagd wordt om dingen goed uit te leggen. Zowel persoonlijk als met technieken. Er zijn technieken om die te gebruiken met je data. Geeft jou dat dan als data scientist dan ook niet de verantwoordelijkheid... dat je het ook zodanig kan uitleggen van wat je geconstateerd hebt, dat heb je gecontroleerd, bewezen, dat je dat ook over kan brengen, dat je zegt van ja, maar wat je als vooroordeel in je hoofd had, is aantoonbaar anders. Ja, enerzijds. Objectiviteit bestaat hier niet in het vakgebied. Nee, dat zeg ik ook niet. We kunnen alleen maar onze subjectiviteit erkennen en uitschrijven in 15 pagina's van ons paper. Zo heb ik het geleerd. En daardoor iets minder wrong te zijn. Nee, maar ik heb het niet over papers, want papers werken niet in het bedrijfsleven. Ik maak juist de vergelijking om het contrast te geven met de echte wereld. In de echte wereld werk je niet in je eentje en hoef je ook niet zelf alle waarheid te hebben. Want je werkt in een team. Vroeger noemden we alles en iedereen data scientist, toch? Het sexiest beroep van de century, al die dingen. Nu willen een heleboel mensen plots allemaal data engineers en analytics explainer, allemaal nieuwe termen komen erbij. Waarom? Omdat het vakgebied langzamerzeker steeds iets minder immature wordt. En prompt engineer gaat dit jaar weer een buzzword worden. Prompt engineer is de nieuwe data science. Wat probeer ik hiermee duidelijk te maken? Je zit in een team en het uitleggen ervan en het challengen van je bevindingen, is een deel van dat team. Dat is niet iets wat elk individu moet kunnen. Dat sluit ik maar bij aan. Maar het is wel echt niet zozeer een kunst, maar wel heel erg belangrijk om die skills wel op te gaan doen, om de context goed over te kunnen brengen. Je het kunnen verplaatsen in de ander van hoe zou het verhaal op die persoon overkomen, zodat je ook weet hoe kan ik die context zo mappen op het andere perspectief, zodat je die persoon meekrijgt. Dus het is niet zozeer beïnvloeding, Maar wel je verhaal op de juiste manier over de bühne te kunnen brengen... om de bevindingen die je hebt gedaan... vanuit het perspectief van de ander te kunnen belichten. Anders dan komt je verhaal niet goed over. Hebben jullie ooit de IT-crowd gezien? Stukjes. Ik zou aanraden om de IT-crowd te bekijken. Want vaak in projecten heb je dan ook nog aparte rollen... die gewoon in mensentaal met mensen kunnen spreken. Dat noemen we dan een businessanalyst en zo. Dat zie je ook in die serie die echt twintig jaar oud is terugkomen. Gewoon dat ze één iemand naast die IT-mensen zetten... die geen ene zak snapt van hoe een computer werkt... maar wel met mensen kan praten. En we veranderen die titel elke paar jaar. Maar het komt erop neer dat een paar mensen bouwen en andere mensen communiceren... en dat we uiteindelijk niet goed genoeg zijn in het jong leren van die verschillende taken. Dus gaan we er aparte rolletjes zwart-wit voor maken. Als afsluiting, wat zijn daar resources, boeken, opleidingen, iets wat je mee zou kunnen geven aan onze luisteraars die zeggen van..."Ja, maar als jij deze stap wil maken, dus daar echt beter in willen worden in dat uitlegdeel, wat zou je ze dan mee willen geven?" Waar zouden ze kunnen beginnen? Kijk, ik moet de namen van de auteurs opzoeken, dat is moeilijk. Als je wilt lezen over kwantitatieve benaderingen van grote sociale fenomenen, probeer 'Bullshit Jobs' van David Graeber. Uitstekend boek. Zegt ook meteen heel veel over hoe onze organisaties gecreëerd zijn, welke waarden toevoegen, welke niet. Het klassieke werk van Popper over falsificatie is een boekwerk, maar het is ook meteen de bijbel voor moderne wetenschap. Ja jongens, lees allemaal Neuroman, zoals je dat nog niet hebt gedaan. 1983 van... Man, hoe heette die gozer? De guy die Cyberspace als term heeft uitgevonden. Die het moderne internet omschreef in, nogmaals, 1983. Ja, geweldig. En alles wat je tegenwoordig over metaverse ziet, al die zooi, als je dat gewoon ctrl-f't en metaverse verwisselt met... met Cyberspace of Cyberpunk of weet ik veel wat, Dan heb je het werk van William Gibson uit de jaren 80. Hartstikke mooi. We gaan ze opnemen in de show notes. Marijn, dank je wel. En ja, ik ben weer een heel entwijzer geworden. O, verkeerde.*Muziek speelt* Stotterende muziekje in. Dank je wel dat je weer luisterde naar een nieuwe aflevering van de EITD podcast. Zorg dat je je even registreert in je favoriete podcast app en mis geen aflevering.*Muziek speelt*(C) TV GELDERLAND 2021