De 7 design principles van onze algoritmes

Algoritmes Design Principles

Een transparante, betrouwbare en flexibele werkwijze staat bij ons hoog in het vaandel. Daarom hebben we 7 design principles opgesteld, zodat voor klant en maatschappij helder is hoe onze algoritmes werken. Met deze design principles garanderen we doordachte algoritmes en optimale resultaten. Innovatie is hierbij onze drive: we pushen onszelf keer op keer om onszelf te blijven ontwikkelen.

 

1. Designed For Use

– De output van het model is ‘leading’. Dit houdt in dat de uitkomst duidelijk, correct en praktisch bruikbaar is. Dit wordt bereikt door veel te overleggen met stakeholders en gebruikers van de output.

– Het nut van het model in de praktijk is onze prioriteit. Daarom vinden we het belangrijk dat de samenwerking met de klant optimaal is. Op deze manier kan de klant het maximale uit het model halen in de praktijk.

– Er wordt uitvoerig rekening gehouden met de gebruikerscontext. We zorgen ervoor dat ons model aansluit op de praktijk. We werken dan wel met cijfers, maar achter deze cijfers zit betekenis en daar zijn we ons zeer bewust van.

– Het model is gebruiksvriendelijk, efficiënt en stabiel. We zorgen ervoor dat de implementatie soepel verloopt. Na de implementatie kan onze klant er zelf, zonder onze hulp, mee overweg. De code is efficiënt en de uitkomst is stabiel, zodat de klant het maximale uit zijn business kan halen.

2. Knowledge Based

– We hebben een diepgaand begrip van alle methoden en technieken. We snappen écht wat er op wiskundig gebied gebeurt. Daarom kunnen we een optimale modelkeuze maken.

– We leggen uit hoe het algoritme werkt aan de hand van een technische documentatie. In dit document wordt duidelijk toegelicht welke data is gebruikt, hoe het model werkt, welke aannames gemaakt zijn en wat de uitkomst precies inhoudt en betekent.

– Er worden altijd meerdere modellen getest. Het kan ook voorkomen dat een combinatie van modellen zorgt voor het beste eindresultaat.

3. Data Quality

– We brengen de kwaliteit, kwantiteit en context van de data duidelijk in kaart.

– De gevolgen van een eventuele data gap worden in kaart gebracht. Als er sprake is van een data gap, is er een verschil aanwezig tussen de gewenste situatie en de daadwerkelijk datakwaliteit en -beschikbaarheid. Bovendien kan het zo zijn dat er proxies worden ingezet. Een proxy is een variabele  die wordt gebruikt om een andere variabele – die niet meetbaar is – op een indirecte manier te meten.

– Het model en de trainingset bevatten een minimale bias. Dit houdt in dat alle input (data) en het model worden getest op (onbewuste) vooroordelen.

– Er wordt alleen een algoritme ontwikkeld als de basis in orde is. Pas als er ruimschoots vertrouwen is in de kwaliteit van de data, gaan we aan de slag met het ontwikkelen van een algoritme. Mocht er (nog) niet voldoende vertrouwen zijn in de data, dan komen we met oplossingen die de kwaliteit van de data kunnen verbeteren.

4. Privacy Built In

– Alle gegevens worden zo vroeg mogelijk in het proces gepseudonimiseerd. Indien mogelijk anonimiseren we de gegevens.

– We werken met zo min mogelijk data. We maken alleen gebruik van gegevens die daadwerkelijk nodig zijn om een nauwkeurige voorspelling te kunnen doen. In het uiteindelijke model werken we dus alleen met gegevens die bijdragen aan de nauwkeurigheid van de voorspelling. In de modelontwikkelingsfase wordt onderzocht welke gegevens dit precies zijn.

– We leggen alle afspraken met onze klanten vast in een verwerkersovereenkomst die volledig voldoet aan de eisen van de AVG (Algemene Verordening Gegevensbescherming).

5. Evolved

– Er wordt alléén gebruikgemaakt van een blackbox techniek indien bewezen is dat deze een hogere meerwaarde heeft. Een blackbox techniek is een techniek waarbij de uitlegbaarheid van het algoritme vaak zeer lastig of bij sommige technieken zelfs onmogelijk is. Deze technieken zijn zo complex dat het voor mensen moeilijk te begrijpen is wat er in het algoritme gebeurt. Als de meerwaarde niet bewezen kan worden, gaat onze voorkeur uit naar een verklarende techniek. Mocht het zo zijn dat een blackbox techniek voor een hogere nauwkeurigheid zorgt binnen een bepaalde gebruikerscontext, dan kiezen we, in overleg met de klant, vaak voor de blackbox techniek.

– We staan altijd open voor nieuwe technieken, verbeteringen en feedback. Onszelf blijven ontwikkelen en stimuleren, daar gaat het om.

– We staan tevens open voor feedback vanuit de maatschappij. We bevinden ons natuurlijk op sensitief gebied binnen onze maatschappij, en hier zijn we ons bewust van.

6. Controlled Application

– We werken volgens het vier-ogen-principe. We zorgen ervoor dat er altijd minimaal twee paar ogen kijken naar zowel de input als de output van onze algoritmes. Zo halen we het beste uit onszelf.

– We voeren niet alleen technische validaties uit, maar ook praktijkvalidaties. Ons model ‘bootst’ als het ware de realiteit na en dit wordt samen met de klant in een praktische setting gevalideerd.

– Ons model is een ‘continue monitoring model’. Elke voorspelling wordt gevalideerd en verbeterd waar mogelijk, ook na de implementatie.

7. Accountable and Transparent

– We zijn open over onze werkzaamheden. Over onze aanpak in ons ontwikkeltraject zijn we volledig transparant.

– We gaan toekomstbestendig te werk. Onze algoritmes zijn zo geprogrammeerd dat wijzigingen flexibel doorgevoerd en gemeten kunnen worden.

– De code die we gebruiken bij de implementatie, is zowel leesbaar als herbruikbaar. We maken voor de klant inzichtelijk hoe de code precies is opgebouwd en wat er gebeurt bij elke stap.

– We zorgen altijd voor een handleiding. Onze klanten kunnen werken met het model aan de hand van vaste instructies en een Q&A (question & answer)-lijst.

– Nazorg is gegarandeerd bij ons. We zijn altijd bereikbaar voor ondersteuning en we werken samen op lange termijn. We zijn pas tevreden, als de klant tevreden is.

Posted on 24 september 2018

Share the Story

Back to Top