Kerncompetenties van afstudeerrichting data science en artificiële intelligentie

In de afstudeerrichting data science en artificiële intelligentie staan de volgende doelstellingen centraal.

1. Analyse voor grootschalige informaticaprojecten. Identificeren van taken die voor automatisering in aanmerking komen, begrijpen van de achterliggende bedrijfsprocessen, vastleggen van de overeenkomstige gebruikersbehoeften. Dit vereist de nodige kennis om vlot met personen actief in andere disciplines te communiceren.

2. Ontwerp van grootschalige informaticasystemen. Abstractie en decompositie van het specifieke probleem om tot een haalbare oplossing te komen. Identificatie van componenten die kunnen bijdragen tot een oplossing (vb. software bibliotheek, type netwerk, soort databank). Documenteren van de gekozen oplossingen op verschillende niveaus van abstractie.

3. Herstructureren van bestaande informaticasystemen. Identificatie van problematische componenten, selectie van de oplossingsstrategieën, doorvoeren van de nodige aanpassingen zonder de werking van het bestaande systeem te compromitteren.

4. Kwaliteitscontrole. Tijdens het uitvoeren van informaticaprojecten de nodige controles voorzien om vooraf gespecificeerde kwaliteitsnormen te halen (cf. betrouwbaarheid, onderhoudbaarheid, veiligheid, . . . ). Na het uitvoeren van informaticaprojecten de nodige lessen kunnen trekken om de kwaliteitsnormen waar nodig te optimaliseren.

5. Selectie van technieken, methodes, talen, architecturen, . . . rekening houdend met hun inherente beperkingen en het feit dat informatie over concrete oplossingen veelal commercieel is gekleurd. Het nemen van strategische beslissingen in dit verband: vb. hoe beveiligen we ons netwerk? Welk type databank? Welke rol voor formele specificaties? Het wetenschappelijk motiveren van genomen beslissingen.

6. Rapporteren—zowel schriftelijk als mondeling— over de voortgang en status van informaticaprojecten aan opdrachtgevers en experten in andere disciplines (dus niet-informatici).

7. Leiden van een groep informatici, met inbegrip van (a) het inschatten van de benodigde middelen (tijd, budget, apparatuur, mankracht, competenties); (b) taakverdeling op basis van technische competenties; (c) het plannen in de tijd van wanneer welke taken worden uitgevoerd; (d) het opvolgen en bijsturen van de planning.

8. Maatschappij. Zin hebben voor verantwoordelijkheid. Verbanden kunnen leggen tussen maatschappelijke stromingen en ontwikkelingen in de informatica en de gevolgen van hun of andermans handelen inschatten.

9. Diepgang. Heeft theoretisch inzicht en praktische ervaring met instrumenten, technieken en methodes toegepast binnen wetenschappelijk onderzoek van een bepaald deelgebied van de informatica.

10. Onderzoek en Ontwikkeling in een productgerichte omgeving. Dit houdt in (a) experimenten kunnen opzetten om vast te stellen of bepaalde technieken bruikbaar zijn voor hun bedrijf; (b) herkennen van opportuniteiten om producten en productieprocessen te verbeteren; (c) inschatten van kosten en baten van nieuwe technieken en methodes; (d) nieuwe technieken aanwenden om een strategisch voordeel op de concurrentie te creëren.

11. Fundamenteel Onderzoek. De vaardigheden hebben die nodig zijn om zelfstandig wetenschappelijk onderzoek te kunnen aanvatten, bijvoorbeeld met het oog op het behalen van een doctoraat. Dit houdt in (a) inzicht hebben in de actuele onderzoeksvragen binnen een deelgebied van de informatica; (b) in staat zijn om de implicaties van recente onderzoeksresultaten in te zien; (c) zelfstandig gepubliceerde resultaten of technieken kunnen toepassen in een nieuwe context.

12. Data Science. Een data science probleem herkennen en er de beste oplossingsstrategie voor selecteren, zoals data mining en machine learning technieken voor de analyse van gegevens (vb. beslissingsbomen, associatie regels, bayesian networks) en data management technieken voor de al dan niet gedistribueerde opslag, beheer en bevraging van gegevens. Data science technieken toepassen op grote en complex gestructureerde databases en de resultaten zinvol interpreteren. Nieuwe evoluties in het wetenschappelijk onderzoek in data science opvolgen, zich eigen maken en er zelf toe bijdragen.

13. Artificiële Intelligentie: Een uitgebreide kennis van en expertise hebben in het toepassen van artificiële intelligentie technieken, zoals zelflerende systemen en artificiële neurale netwerken. Situaties herkennen waarin deze technieken kunnen toegepast worden (vb. beeldverwerking), een oplossing implementeren en correct evalueren. Een brede theoretische basis bezitten die in staat stelt het wetenschappelijke onderzoek binnen Artificiële Intelligentie te volgen en kritisch te beoordelen.

14. Data modellering en management. Voor data intensieve toepassingen het beste database model en de optimale ondervragingstechniek selecteren. Recente database technologie (vb., gedistribueerde en heterogene databanken) inzetten waar nodig. Hebben een uitgebreide kennis van de grondslagen van databases, die aangewend kan worden bij het ontwikkelen van nieuwe technieken en toepassingen.