Informatica was aanvankelijk bedoeld als back-up plan. De in China geboren Qingchen Wang speelde als kind al veel videospellen en vond kunstmatige intelligentie (KI) intrigerend, maar hij wilde eigenlijk arts worden, vertelt hij tijdens een interview op de Amsterdam Business School (ABS). Mocht hij niet tot de studie geneeskunde worden toegelaten, dan zou hij met informatica ook goede toekomstperspectieven hebben was zijn gedachten. Bovendien kon hij dan meer te weten komen over het functioneren van videospellen. ‘Bij videospellen speel je meestal tegen een bepaalde vorm van KI. Ik wist ongeveer hoe dat werkte en wilde de KI verbeteren.’
Wang is op zijn achtste met zijn ouders naar de Verenigde Staten geëmigreerd en als tiener naar Canada verhuisd. Tijdens zijn eerste studiejaren in Canada raakte Wang gefascineerd door machine learning, een subveld van zowel informatica als KI. In juni 2019 behaalde hij zijn PhD in data science en business analytics aan de ABS.

Kunstmatige intelligentie vs machine learning 

'Bij traditionele kunstmatige intelligentie, worden de scripts die de machine volgt door mensen geschreven. Bij machine learning voorziet men de machine van gegevens en zoekt de machine zelf – met wat hulp van de mens – een oplossing', vertelt Wang. Hij gebruikt AlphaGo als voorbeeld van wat er kan worden bereikt met machine learning-technieken binnen KI. Het softwareprogramma was in 2017 wereldnieuws doordat het de toenmalige menselijke kampioen van het Japanse bordspel Go versloeg. Sindsdien hebben verschillende - nog sterkere opvolgers - van AlphaGo hun krachten bewezen. 

Wangs promotieonderzoek bij de UvA bevindt zich op het snijvlak tussen machine learning en operations management. In operations management ligt de nadruk op de besluitvorming in bedrijfsprocessen, terwijl machine learning met name is gericht op het doen van voorspellingen vertelt Wang. 'Door machine learning in operations management te integreren, kunnen machines managers helpen om betere beslissingen te nemen die zijn gebaseerd op betere voorspellingen.'

'Deze organisaties zijn heel goed in het verzamelen van gegevens, maar nog niet in staat om daarvan te profiteren.’

Profiteren van gegevens 

Het promotietraject van Wang werd gefinancierd door de Amsterdamse Academische Alliantie - een initiatief van onder andere de UvA, VU en software bedrijf ORTEC. Voor zijn proefschrift Machine learning in Operations Management en Digitale Marketing, bekeek Wang hoe machine learning toegepast kan worden om prominente problemen in operations management en digitale marketing op te lossen. Hij onderzocht hiervoor vier vraagstukken afkomstig van vier verschillende niet bij naam genoemde organisaties. 'Deze organisaties zijn heel goed in het verzamelen van gegevens, maar nog niet in staat om daarvan te profiteren.’ Met zijn onderzoek wilde Wang aantonen dat machine learning het mogelijk maakt om problemen op te lossen op manieren die met bestaande benaderingen onmogelijk zijn. 'Sommige mensen hebben ideeën (over de manier waarop een probleem kan worden opgelost, red.) waarvan ze denken dat ze zouden kunnen werken. Ik wil laten zien dat ze daadwerkelijk werken.’

Inzetten van algoritme

Een van de vraagstukken kwam van een incassobureau dat als stelregel had dat alle debiteuren regelmatig werden gebeld. Sommige consumenten zullen hun rekening echter ook betalen zonder dat zij gebeld worden. Dat betekent dat de mankracht effectiever kan worden ingezet indien bekend is wie wanneer dient te worden gebeld. Wang en een collega hebben voor het incassobureau een algoritme ontwikkeld dat bepaalt of een debiteur op een bepaalde dag een telefoontje moet krijgen. Hiervoor maken ze gebruik van de incassogeschiedenis in de database. 'Mensen werden te vroeg in het incassoproces gebeld. Door het algoritme in te zetten steeg het verzamelde bedrag per telefoontje met meer dan 47%.’

Online surfgedrag 

Wang verdiepte zich voor zijn promotieonderzoek ook in een vraagstuk van een online reisbureau over de attributie van online-aankopen aan digitale advertenties. Het surfgedrag van consumenten bleek een schat aan informatie te bevatten over de online aankopen die zij later zouden doen. Hij ontwikkelde een attributiemodel waarin rekening wordt gehouden met het individuele surfgedrag van de consument. Daarnaast ontwikkelde hij een methode waarmee de bezetting van een call center kan worden verbeterd.  

Extracurriculaire activiteiten 

Naast zijn promotieonderzoek heeft Wang aan tientallen wedstrijden meegedaan via de online gemeenschap van machine learners en datawetenschappers Kaggle. Dat is volgens hem essentieel geweest om zijn vaardigheden te perfectioneren. 'Het is niet alleen belangrijk, het ligt ten grondslag aan alles wat ik momenteel doe. Ik ben erg snel geworden in het oplossen van vraagstukken met behulp van voorspellende analytics.’ Hij won meerdere eerste en tweede prijzen op Kaggle, waardoor hij nu een van de 143 Grandmasters is in de ruim 110.000 man sterke gemeenschap. Dankzij zijn track record op Kaggle willen bedrijven graag met hem samenwerken. 

'Het is niet alleen belangrijk, het ligt ten grondslag aan alles wat ik momenteel doe.'

Leren van wedstrijden

De Kaggle Grandmaster is van mening dat de wedstrijden ook nuttig zijn bij het lesgeven. Sinds 2016 geeft hij meerdere vakken, waaronder applied machine learning, aan de UvA en aan de Vrije Universiteit. Volgens Wang geeft informatie op Kaggle studenten praktische handvatten naast de colleges. Deze wedstrijden gaan over echte problemen. Ze zijn realistisch en relevant. Dit in tegenstelling tot huiswerkopdrachten, die hypothetisch zijn. In 2015 werden deelnemers door Liberty Mutual georganiseerde wedstrijd bijvoorbeeld gevraagd om reeds bestaande schade te voorspellen. Met behulp van deze kennis kon de verzekeringsmaatschappij nauwkeuriger bepalen welke huizen een hoog risico op schade hadden en zorgvuldig moesten worden onderzocht. 'Er kunnen wel twintig verschillende manieren zijn om een probleem op te lossen. Ik adviseer mijn studenten om oplossingen te bestuderen die anderen op Kaggle hebben gezet. Zo leren ze van anderen wat het beste werkt.' 
Wang raadt niet aan om als solist problemen om te lossen, in verband met de snel veranderende omgeving. 'Je zal langzaam zijn en goede ontdekkingen van anderen mislopen.’

Voorlopig blijft Wang actief in de academische wereld. In juli vertrekt hij naar de Universiteit van Hong Kong, waar hij zowel onderzoek gaat doen als gaat doceren.