Op verantwoorde wijze de kansen van AI benutten leer je maar deels in de collegebanken, aldus de auteurs Sascha Hoogendoorn-Lanser en Sjors van Gool. Leren in de praktijk vinden ze minstens zo belangrijk. Maar hoe laat je je professionals werkend leren? Hoe leer je als organisatie? En hoe kunnen onderwijsinstituten daar weer op inspelen?
Uiteraard is en blijft regulier onderwijs de basis om de professionals van de toekomst voldoende AI-wijs te maken. Denk aan de belangrijke rol voor beroeps- en wetenschappelijk onderwijs om studenten de principes van het werken met AI bij te brengen: hoe werkt de technologie, wat kan ze wel en niet, en hoe de mogelijkheden ‘ethisch’ – veilig, verantwoord, transparant, herleidbaar enzovoort – te benutten?
Met name het hoger onderwijs is ook belangrijk vanwege z’n praktische onderzoek naar de meer technische vormen van AI, zoals machine learning, deep learning en neural networks. Dat heeft al tot een hele reeks veelbelovende toepassingen in het werkveld verkeer en vervoer geleid, zoals modellen die beter voorspellen.
Toch zal het ‘reguliere’ onderwijs nooit de enige route zijn naar een werkveld met AI-wijze professionals. Dat is om te beginnen omdat AI relatief nieuw is: de meeste professionals hebben in hun opleiding nooit iets over AI geleerd. Deze grote groep moet dus een inhaalslag buiten de collegebanken om maken. Maar zelfs als iemand al wel AI-onderwijs heeft genoten: de ontwikkelingen gaan zo snel en de toepassingen per type job zijn zo verschillend, dat alleen een vooropleiding nooit voldoende kan zijn.
Hoe een inhaal- én verdiepingsslag te maken? Dat kan het beste in de praktijk, op de werkvloer.
Leren als onderdeel van het werk
Die praktijk begint in de eigen organisatie. De vraag is dan wel: krijgen de werknemers daar de ruimte voor? Veel organisaties hebben leerplannen en bijscholingspotjes. Die zullen de komende tijd goed ingezet moeten worden om de werknemers AI-wijs te maken! Zeker ook de jongeren trouwens, want juist zij maken vaak net té enthousiast gebruik van AI.
Verder is het belangrijk dat een organisatie het juiste klimaat creëert voor al doende leren. Dat begint bij goede richtlijnen: welke AI-tools zijn toegestaan en hoe ga je om met gevoelige informatie? Maar daarna is het vooral een kwestie van tijd en gelegenheid bieden om te experimenteren, fouten te maken, ervaringen uit te wisselen met collega’s en te ontdekken welke toepassingen waarde toevoegen.
Een uitdaging daarbij is dat er al snel een kloof kan ontstaan tussen AI-enthousiastelingen en -sceptici. Wat dan kan helpen, is om die uitersten sámen te laten werken. Een organisatie als Haskoning heeft daar goede ervaringen mee. Hun ervaren (senior) professionals weten precies wat een project nodig heeft, maar hebben misschien nog maar weinig met AI gewerkt. Een AI-frontrunner kan dat opvangen, mits die ervaren collega openstaat voor de kansen op hun project. Dit combineren van diepgaande projectervaring en AI-vaardigheid blijkt in de praktijk uitstekend te werken.
Leren ‘over de organisaties heen’
Om ons ook als vakgebied te ontwikkelen, volstaat het echter niet om alleen binnen de eigen organisatie te kijken. Ook in de breedte, ‘over de organisaties heen’, moet geleerd worden. Ervan uitgaande dat niet elke organisatie alle aspecten van AI kan beheersen, is het belangrijk dat er netwerken ontstaan van bedrijven die elkaar op AI-gebied versterken.
Ook is het belangrijk dat alle kennis die wordt ontwikkeld binnen het hoger onderwijs, zoals het werken met die meer technische vormen van AI, z’n weg vindt naar het werkveld. Dat is belangrijk voor het werkveld, maar net zo goed voor het onderwijs: die houden zo contact met de praktijk en z’n behoeften.
Eén vorm om deze samenwerking op organisatieniveau vorm te geven zijn zogenaamde AI learning communities: netwerken waarin bedrijven, overheden en onderwijsinstellingen samenwerken om de AI-competenties van hun mensen te versterken. Werknemers en studenten werken dan via case-based leren aan echte praktijkproblemen, en wat ze ontwikkelen wordt vertaald naar leermodules waar een hele sector mee verder kan. Onder de vlag van de AI Coalitie voor Nederland, AIC4NL, lopen er inmiddels vijf van die communities, van de zorg tot de maakindustrie. Een belangrijke doelstelling van AIC4NL is dat de kennis die deze communities opleveren, beschikbaar komt voor het vakgebied als geheel.
Concrete usecases
Voor mobiliteit, transport en logistiek is de learning community AiMTT opgericht. Ruim twintig partners – onderwijsinstellingen, (semi-) overheden en advies- en technologiebedrijven – bouwen samen aan AI-toepassingen rond concrete usecases. Op dit moment is in zeven van die usecases voorzien, met onderwerpen zo gevarieerd als crowdmanagement, gedecentraliseerd verkeersmanagement, in-car technologie en slimme logistiek. Aan elke usecase doen verschillende partners mee. Leren door te doen is het uitgangspunt, met een verantwoorde inzet van AI als voorwaarde.
Wat de partners leren, landt in de learning hub op de site van de community, AiMTT.nl, zodat de rest van het vak mee kan. Een mooi voorbeeld betreft de usecase Crowd Management During Events, rond SAIL Amsterdam. Zes partijen hebben hier gewerkt aan AI-tools voor het simuleren van crowds, het monitoren ervan, het genereren van alerts en het voorspellen van crowds. De opgedane kennis en ervaring is inmiddels openbaar gemaakt in een leermodule van negentien videopresentaties – vrij toegankelijk via de website van AiMTT.
Interessant zijn ook de tutorials en kenniscapsules (knowledge capsules). Van de tutorials zijn er al verschillende verschenen in NM Magazine: korte en zeer toegankelijke introducties op AI-vormen als Large Language Models en Graph Neural Networks. De kenniscapsules zijn daar een ‘gepresenteerde variant’ op: presentaties van een half uur of langer over diezelfde AI-vormen. Ook die presentaties zijn beschikbaar via de site van AiMTT.
De opbrengst van de learning community reikt daarmee verder dan de projecten zelf. Wat deelnemers leren, vloeit terug naar de eigen bedrijven en overheden. De deelnemende onderwijsinstellingen nemen praktijkinzichten mee – wat hun onderwijs weer relevanter maakt. En ondertussen kan via de learning hub het vakgebied als geheel profiteren.
Van individueel leren naar collectief vakmanschap
Misschien is dat wel de grootste verandering die AI met zich meebrengt: behalve een nieuwe manier van werken, vereist het een nieuwe manier van leren. Professionals, organisaties én onderwijsinstellingen zullen hun bakens zo moeten verzetten dat blijven leren – eerst in de opleiding, daarna op de werkvloer – de gewoonste zaak van de wereld is.
_____
De auteurs
Dr. ir. Sascha Hoogendoorn-Lanser van TU Delft is learning community lead van AiMTT.
Drs. Sjors van Gool is digital lead Business Unit Infrastructure bij Haskoning.
Niet vóór of tegen AI, maar bewust kiezen
Binnen vrijwel iedere organisatie lopen de meningen over AI uiteen. De een ziet vooral kansen, de ander is terughoudend en vertrouwt liever op de traditionele werkwijze. Hoe daarmee om te gaan?
Het is belangrijk die verschillen zichtbaar en bespreekbaar te maken, legt Robin Heukels uit. Hij werkt voor WeLabs, een van de partners in AiMTT. “Wij helpen organisaties met een AI-kompas met kwadrantkaarten. In een dagdeel laten we elke deelnemer zijn positie op acht spanningsvelden bepalen. Denk aan zelf doen tegenover delegeren: de een laat AI een verkeersmodel doorrekenen en neemt de uitkomst over, de ander rekent hem eerst zelf na voor hij hem in een advies zet. Dat zijn geen tegenpolen, maar twee posities op dezelfde as. Ons kompas noemt ze de Opdrachtgever en de Ambachtsman. Die zijn allebei nuttig.”Voor organisaties leveren zulke sessies waardevolle beleidsinformatie op. Robin: “Wie overal hetzelfde AI-beleid oplegt, traint de Ambachtsman voor niets en laat de Opdrachtgever ongecontroleerd doorgaan. Ken je de blinde vlekken, dan zet je toezicht en training precies daar waar ze nodig zijn.”
