En hoe ik dit met de ontwikkelde code ook blijk te hebben gedaan.

Wat nou als je data op wilt slaan en nog niet weet wat je er mee gaat (of kunt) doen? Dat overkwam mij in een project voor Philips waarin we data van stappentellers, hartslagmeters, weegschalen, calorie inname, en dergelijken op gingen slaan om er een app mee te voeden die steeds meer (suggesties op basis van) afgeleide informatie zou gaan tonen aan de gebruiker.

Als oplossing hebben we een elegante oplossing gebouwd die de verzamelde data rauw in de database zet, en via configureerbare conversiestappen weer uitleest. Deze stappen bepaalden zelf welke informatie ze als input nodig hadden, die vervolgens uit de database werd gelezen en door de conversies werd geleid.

Het resultaat was een architectuur met Lego-achtige bouwblokken die de stroom data uit de database hiërarchisch in waarden en frequentie omzetten tot de gewenste visualisatie voor de bijbehorende app.

De ontwikkelde toepassing bestaat inmiddels niet meer, maar recent ontdekte ik dat onze component via omwegen in het data platform van Philips terecht is gekomen en tot op de dag van vandaag voor dit soort operaties wordt gebruikt.

Ooit bedacht hoe online winkels verzinnen wat je (hopelijk) nog meer wilt kopen? Tip: Het lijkt haast kunstmatige intelligentie …

Het bouwen van twee systemen voor het aanbevelen van films en televisieprogramma’s (ruim voor AI doorbrak) leerde me dat de oplossing voor dit probleem bestaat uit het vinden van patronen in het gedrag van een populatie. Als je de populatie segmenteert in groepen met het zelfde patroon en je de gebruiker in een van de groepen kunt plaatsen, dan zijn de keuzes van die groep waarschijnlijk ook relevant voor deze gebruiker.

Wij clusterden zo dagelijks het kijkgedrag van alle gebruikers en voorspelden op basis hiervan succesvol wat een kijker nog meer leuk zou vinden.

Het is voor mij fascinerend te zien dat de huidige AI chat bots hier een extreem geavanceerde versie van zijn: Door een bizar grote hoeveelheid teksten te analyseren, hebben ze geleerd te voorspellen wat op basis van de invoer van de gebruiker de meest waarschijnlijke stroom van woorden is die hier een reactie op vormen.

De opdringerige “als je dat leuk vindt, dan vind je dit vast ook leuk” lijstjes van Amazon waren zo een vroege voorbode van wat we nu in AI bewonderen.

Er is weer volop commotie rond de Wet DBA (“Deregulering Beoordeling Arbeidsrelaties”), waarmee door de overheid geprobeerd wordt om schijnzelfstandigheid onder ZPP-ers aan te pakken.

In het kort komt het er op neer dat de langverwachte handhaving per 1 januari 2025 er toch gaat komen, en schijnzelfstandigheid van ZZP-ers via naheffing van loonheffingen en boetes verhaald gaat worden op de bedrijven die ze ingehuurd hebben.

Het gevolg is dat software freelancers die jaren als programmeur in het team van de opdrachtgever meewerken zich inmiddels zorgen maken over de houdbaarheid van hun ZZP bestaan, maar vooral ook dat bedrijven huiverig lijken te worden voor het inhuren van software freelancers zoals mijzelf.

Nou ben ik geen expert in de Nederlandse wet, maar de paniek lijkt me een beetje overtrokken. Als je mijn expertise inhuurt om je team te versterken, krijg je veel meer dan iemand die opgaat in de massa. En anders kun je me inhuren met een expliciete opdracht om de kwaliteit van het team of de output te helpen verbeteren. En dat kan natuurlijk ook part-time of voor een vaste periode. Ik ben immers ondernemer, net als mijn opdrachtgevers.

Of zie ik toch iets belangrijks over het hoofd?

Graag denk ik terug aan de bouw van een volledig maatwerk Warehouse Management Systeem voor het distributiecentrum van een grote internationale verffabriek.

Tijdens de eerste ingrijpende wijziging van de indeling van het magazijn stonden we met de drie ontwikkelaars vanaf het bordes op de kopse kant van het magazijn met toegeknepen billen te kijken hoe het systeem zou reageren op deze enorme transactie in de configuratie van het magazijn: Vele pallets zouden tussen pick en bulk locaties moeten worden verplaatst, terwijl het picken van orders en ontvangen van pallets uit de productie ondertussen gewoon door zou moeten lopen.

Op dat moment besefte ik nog meer dan tijdens het ontwerpen en bouwen van deze software, dat niet alleen elke fysieke blik en emmer in de enorme hal een record in de database was, maar ook elke beweging van elke heftruck, reachtruck of pompwagen een live transactie is in deze zelfde database.

Nooit heb ik meer zo’n prachtige visualisatie gezien van de inhoud en werking van een SQL database.