‘De toekomst is interdisciplinair’

Kerstin Bunte, hoogleraar Machine Learning, combineert data met expertkennis om complexe problemen op te lossen. Dit is van groot belang voor gebieden waar data schaars zijn, zoals in de kindergeneeskunde. In deze aflevering van de interviewreeks JTS Scholars vertelt Bunte over haar werk waarin ze verschillende vakgebieden samenbrengt. ‘Ik wil een ambassadeur zijn voor échte interdisciplinariteit.’

Tekst: Jelle Posthuma

Machine learning is een onderdeel van AI waarbij computers patronen leren uit data om voorspellingen of beslissingen te maken. Veel bekende AI-tools zijn getraind met enorme hoeveelheden data, zoals large language models (LLM’s), die met behulp van veel tekstdata nieuwe teksten kunnen genereren. Maar in sommige situaties is er juist weinig data beschikbaar.

Precies op dat probleem richt hoogleraar machine learning Kerstin Bunte zich: hoe je ook met beperkte data betrouwbare modellen kunt maken. Een belangrijk uitgangspunt is voor haar het gebruik van expertkennis. ‘Als je met een complex probleem zit, kun je meer gegevens verzamelen, maar dat is lang niet altijd haalbaar. En soms is de benodigde informatie simpelweg niet te verkrijgen. Het inzetten van expertkennis biedt dan een goed alternatief. Dit is ook waar universiteiten het verschil kunnen maken, omdat we niet concurreren met bedrijven als Google en Amazon.’

Van trial and error naar meer begrip

Een belangrijk toepassingsgebied is de medische wetenschap, waar artsen beschikken over veel expertkennis, maar het vrijwel onmogelijk is om van één patiënt grote hoeveelheden trainingsdata te verzamelen. Daarom wordt vaak gewerkt met gegevens van een patiëntenpopulatie. ‘Misschien valt 80 tot 90 procent van de bevolking binnen die groep, en werkt een medicijn voor hen goed. Maar voor de overige 10 tot 20 procent werkt het niet, of minder goed.’

Met name in de kindergeneeskunde vormt een gebrek aan data een groot probleem. ‘Kinderen zijn geen kleine volwassenen: in de eerste 15 tot 16 levensjaren vinden er meer lichamelijke veranderingen plaats dan in de hele periode van de adolescentie tot aan het einde van het leven.’ Door deze snelle ontwikkeling krijgen kinderen relatief vaak te maken met onder- of overdosering van medicatie. Er is simpelweg weinig data beschikbaar voor kinderen in verschillende leeftijdsfasen, zeker in vergelijking met volwassenen. Dit geldt in het bijzonder voor gezonde kinderen. ‘We kunnen niet van miljoenen kinderen verwachten dat zij – soms met invasieve methoden – data aanleveren.’

Het gebrek aan data leidt in de geneeskunde tot trial and error, weet Bunte. ‘Ik heb het zelf enkele jaren geleden gehad, toen ik werd behandeld met bloedverdunners. Ik moest iedere ochtend, twee weken lang, bloed laten afnemen voor werk om te zien of ze de correcte dosis hadden. Ik dacht: dit is stupid. Er is toch wel een makkelijkere weg?’

Voor Bunte is dit een belangrijke motivatie om samen met medische experts te werken aan meer gepersonaliseerde methoden. ‘Artsen zijn vaak zeer gemotiveerd om dingen te verbeteren, zeker in de kindergeneeskunde. Door kennis over biologische processen te combineren met machine learning kunnen we beter begrijpen waarom medicijnen niet werken voor de uitzonderingsgroep.’

Tal van toepassingsgebieden

De samenwerkingen van Bunte blijven niet beperkt tot de medische wetenschap. Er zijn tal van andere toepassingsgebieden, zegt de hoogleraar. Ze noemt de smart industry, waar productieprocessen zo klein en compact zijn geworden dat het niet altijd mogelijk is om sensoren toe te voegen; ook daar is de beschikbare data zeer beperkt. ‘Maar we weten wel wat erin gaat en wat eruit komt, en op basis van expertkennis heb je een goed beeld van wat er in de machine gebeurt. Daar kunnen we een model van maken, wat van groot belang is wanneer er iets misgaat, omdat we dan de oorzaak kunnen achterhalen.’

Ook in de sterrenkunde komt de combinatie van machine learning en expertkennis van pas. ‘In dit vakgebied hebben we geen tekort aan data, maar is veel ervan onbruikbaar. 99 procent van de kosmos is leeg. Voor alles wat helder en zichtbaar is, is er voldoende data, maar andere fenomenen blijven meer verborgen. We zien vaak snapshots in de tijd: zeer lange processen waarvan we maar één momentopname waarnemen. Toch kunnen we daar met natuurkundige kennis iets over zeggen en waarschijnlijke verklaringen formuleren. Op basis daarvan maken we simulaties, die vervolgens met algoritmes worden uitgevoerd.’

Interdisciplinariteit vraagt om een investering

Volgens Bunte is het een uitdaging om de verschillende vakgebieden te combineren. ‘Je moet eerst dezelfde ‘taal’ leren spreken en je verdiepen in het vakgebied van de ander. Als een onderzoeker op het gebied van machine learning het over een ‘model’ heeft, bedoelt diegene meestal een datagestuurd voorspellingsmodel; een ingenieur bedoelt waarschijnlijk een simulatie of een mechanistisch model; en een arts heeft het misschien over een proefdier. En dan heb ik het nog niet eens over alle afkortingen! Dat maakt het schrijven van papers en proposals nog ingewikkelder’, lacht ze. Ook de denkwijze verschilt. ‘Maar dat maakt het juist fascinerend. Je mist zoveel kennis als je alleen monodisciplinair werkt: de toekomst is interdisciplinair.’

Daar wil Bunte zich als JTS Scholar voor inzetten. ‘Ik wil een ambassadeur zijn voor échte interdisciplinariteit. Nu is het soms nog artificieel. Interdisciplinariteit moet een toegevoegde waarde hebben, en dat vraagt om een investering. In mijn ogen is een onderzoek echt interdisciplinair als er in beide vakgebieden over wordt gepubliceerd. Denk aan onze samenwerking met sterrenkundigen. Zowel de machine learninggemeenschap als de astronomiegemeenschap publiceerden hierover papers. Dat is een goede indicator. Het is complementair: machine learning is niet alleen een slimme tool, maar vormt samen met expertkennis een eigen toevoeging.’