Van Data naar Voorspelling: Hoe Ik AI Lokaal Liet Draaien
Herinner je je nog die kerstkransenactie? Een paar maanden geleden deelde ik enthousiast hoe AI me hielp om het hele bestelproces te transformeren – van het opstellen van wervende teksten tot automatische bevestigingsmails en realtime dashboards. Het voelde als het ontdekken van een Zwitsers zakmes met eindeloze mogelijkheden. Die ervaring heeft mijn nieuwsgierigheid alleen maar verder aangewakkerd: wat kan AI nog meer? Specifiek begon de vraag te knagen: "Wat als ik AI niet alleen gebruik om processen te stroomlijnen, maar ook om voorspellingen te doen?"
Die vraag leidde me naar een nieuw avontuur: ik wilde me verdiepen in het zelf bouwen van een Machine Learning-model. Als je geen programmeerkennis hebt, vraag je je dan af: "Hoe begin ik hiermee?" Dus stelde ik die vraag aan mijn vertrouwde AI-buddy, ChatGPT. Het antwoord was verrassend compleet: niet alleen kreeg ik een heldere uitleg, maar ook suggesties voor relevante video's en concrete eerste stappen. Dat was het duwtje in de rug dat ik nodig had. Geen dure cloudplatforms of complexe setups; ik ging gewoon lokaal op mijn laptop aan de slag.
Gewapend met een CSV-bestand vol transacties en de hulp van Python en ChatGPT, begon ik aan de reis. De eerste stap was het voorbereiden van de data: kolommen hernoemen, data combineren – ChatGPT loodste me er vlekkeloos doorheen. Vervolgens bouwde ik mijn eerste model, een zogeheten Naive Bayes-model. Ik testte het, evalueerde de resultaten, en hoewel het een begin was, vroeg ChatGPT proactief: "Wil je iets krachtigers?" Het gaf me alternatieven, wat me aanmoedigde om verder te gaan.
Zo stapte ik over op een combinatie van Tfidf en Logistic Regression, een krachtigere aanpak voor mijn voorspelmodel. De échte doorbraak kwam toen ik besloot een extra datastructuur toe te voegen: ik laadde de betekenis van bepaalde codes uit een andere dataset in. Dit bleek een gamechanger. Het model werd spectaculair beter! Gedurende het hele proces voorzag ChatGPT me van waardevolle foutanalyses en classificatierapporten, waardoor ik steeds beter begreep wat er gebeurde en hoe ik het kon verbeteren.
Toen het model eenmaal goed presteerde, kwam de volgende uitdaging: hoe gebruik ik dit model op nieuwe bestanden? Het handmatig invoeren van data was geen optie. Met de hulp van ChatGPT bouwde ik een batchscript dat nieuwe CSV-bestanden automatisch verwerkt, de voorspellingen toevoegt en het resultaat opslaat.
Het moment van de waarheid kwam toen ik een CSV-bestand met ruim 400 regels aan live-data inlaadde en het model liet classificeren. Het werkte. Gewoon. Meteen 🤯. De workflow die ik voor ogen had, werd zonder haperingen uitgevoerd, en de voorspellingen werden direct toegevoegd.
Het meest verbazingwekkende? In minder dan twee uur was alles operationeel. Ik ging van "geen programmeerkennis" naar "ik heb nu een werkend AI-model op mijn eigen laptop draaien." Het was een vergelijkbare verwondering als bij de kerstkransenactie, maar dit keer nog een stap technischer – en het voelde tóch toegankelijk. Het leek wel alsof de grens tussen "techniek" en "toepassing" volledig was vervaagd. Ik had een complex AI-probleem opgelost met behulp van AI zelf.
Deze ervaring smaakt absoluut naar meer. Ik zie nu al talloze bedrijfsmatige toepassingen en mogelijkheden om herhaalbare AI-oplossingen te creëren. Denk aan integratie met bestaande dashboards, automatische categorisatie van data, of zelfs zelflerende feedbackloops die modellen continu verbeteren. AI is geen toverdoos meer, maar een gereedschapskist die nu écht binnen handbereik ligt.
Ben jij, net als ik, nieuwsgierig naar wat AI in jouw werkpraktijk kan betekenen? Of je nu in finance, Asset Management of een heel andere sector actief bent: het begint allemaal met een nieuwsgierige vraag. Wees niet bang om te experimenteren; de tools zijn er om je te helpen.
Joost Eijkman | Juni 2025
--
Ben je ook benieuwd naar wat AI voor jouw en je organisatie kan betekenen? Ik ga graag met je in gesprek om samen de mogelijkheden en ideeën te verkennen!