Een R&D-week bij Twentynext: van paper naar productiecode

Snelle samenvatting

De R&D-aanpak van Twentynext combineert wetenschappelijk onderzoek met directe productietoepassing binnen dezelfde werkweek. In plaats van onderzoek en klantwerk strikt gescheiden te houden, lopen die cycli bewust door elkaar. CRISP-DM fungeert als leidraad voor elke iteratie, van de eerste businessvraag tot deployed model.

• Twentynext geeft medewerkers expliciet ruimte voor onderzoek naast klantopdrachten
• Junior data scientists werken doorgaans binnen drie maanden mee aan externe R&D-projecten
• De CRISP-DM-methodiek stuurt zowel klantprojecten als intern R&D-werk
• Samenwerking met universitair medische centra en industriepartners versnelt de cyclus van paper naar praktijk
• ISO-gecertificeerde beheerprocessen zorgen dat modellen na go-live betrouwbaar blijven draaien

Van de bank naar het lab: hoe de meeste bureaus hun mensen verspillen (Projecten)

Een data scientist bij een gemiddeld consultancybureau kent het patroon. Opdracht afgerond, klant blij, en dan: wachten op de volgende klus. Die tussenliggende periode, soms dagen, soms weken, heet intern netjes "bench time". In de praktijk betekent het dat kennis stagneert en dat iemand met aantoonbare expertise in deep learning zit bij te spijkeren op online cursussen die hij al kent.

Twentynext kiest structureel voor een andere aanpak. Bench time bestaat simpelweg niet als concept. De ruimte die vrijkomt tussen of naast klantopdrachten gaat naar R&D: het lezen van recente papers, het opbouwen van prototypes, en het testen van technieken op echte vraagstukken in samenwerking met externe partners. Dit is geen bijzaak maar onderdeel van de bedrijfsfilosofie.

Dat heeft gevolgen voor de kwaliteit van het werk. Een data scientist die vorige week een paper las over adaptieve kleuranalyse in immunohistochemiebeelden en die techniek deze week toepast in een proof-of-concept voor digitale pathologie, brengt een andere diepgang mee dan iemand die puur op projectbasis werkt. De klant profiteert van kennis die niet alleen actueel is, maar ook direct getest.

De groei van Data Science-projecten in organisaties is aangedreven door meer data, betere opslag en hogere rekenkracht. Toch slagen de meeste projecten er niet in de verwachte waarde te leveren: onderzoek toont dat bij de overgrote meerderheid van de teams geen enkel procesmodel wordt gebruikt. Dat is precies de kloof die Twentynext probeert te dichten, niet alleen voor klanten maar ook intern.

Zelf aan de slag:

• Controleer of jouw data science team expliciete tijd heeft voor R&D naast klantopdrachten (minstens een halve dag per week is een gangbare ondergrens)
• Vraag je leverancier welk procesmodel zij hanteren: geen antwoord of "we doen het agile" zonder verdere toelichting is een waarschuwingssignaal
• Check of recente papers en methodieken terug te vinden zijn in projectdocumentatie: zo niet, dan loopt de kennisbasis vermoedelijk achter

Hoe CRISP-DM R&D en klantwerk verbindt (Services)

CRISP-DM (Cross-Industry Standard Process for Data Mining) is het meest gebruikte procesmodel voor data science wereldwijd en vormt de ruggengraat van de Twentynext-aanpak. Het model beschrijft zes fasen: businessbegrip, databegrip, datavoorbereiding, modellering, evaluatie en deployment. Wat CRISP-DM bijzonder maakt, is de niet-lineaire opzet.

Iteratie als kernprincipe

De volgorde van de fasen is niet strikt; het is doorgaans noodzakelijk om heen en weer te bewegen tussen verschillende fasen. In de R&D-praktijk van Twentynext betekent dit concreet: een data scientist die halverwege de modelleringsfase ontdekt dat de businessvraag anders geformuleerd moet worden, springt terug naar fase één zonder dat dit als mislukking wordt gezien. Het is onderdeel van de methode.

Dit is precies wat CRISP-DM onderscheidt van een watervalproces. Een data mining-proces stopt niet na deployment. De geleerde lessen kunnen nieuwe, vaak gerichtere businessvragen triggeren, en vervolgprojecten profiteren van de ervaringen uit eerdere cycli. Toegepast op Twentynext: kennis opgedaan in een R&D-traject over oogziektedetectie voedt de modelleeraanpak in een vervolgproject over vroege tumordiagnostiek.

CRISP-DM in generatieve AI-projecten

Voor moderne generatieve AI-implementaties werkt CRISP-DM nog steeds, maar met aangepaste invulling. De datafaseerfase verschuift naar prompt engineering en RAG-architectuur. Deployment omvat tegenwoordig ook hallucinatiemonitoring, versiebeheer van prompts en governance. Twentynext past de methodiek aan op het type project zonder de kern te verlaten: start bij de businessuitdaging, valideer continu met stakeholders en documenteer elke iteratie.

Bij het migraine-voorspellingsproject is dit patroon goed zichtbaar. Startpunt was de patiëntwaarde: meer grip op aanvallen door betere voorspelling. Van daaruit werkte het team iteratief, met klinische feedback na elke modelleringssprint. Dat is CRISP-DM zoals het bedoeld is.

Wat CRISP-DM toevoegt aan transparantie

Voor opdrachtgevers levert de gestructureerde aanpak een concreet voordeel: op elk moment in het project is duidelijk in welke fase het werk zit en welke deliverables daarbij horen. Dat voorkomt de situatie waarin een klant na drie maanden vraagt "en wat hebben jullie nu eigenlijk opgeleverd?" en het antwoord bestaat uit een Jupyter notebook met aantekeningen.

Wie meer wil weten over hoe CRISP-DM in de praktijk werkt, vindt een uitgebreide uitleg op de CRISP-DM pagina van Twentynext.

Zelf aan de slag:

• Vraag bij je volgende data science project na welke fase het team nu in zit en welke deliverable daarbij hoort
• Als het antwoord vaag is, gebruik CRISP-DM als gespreksstructuur: businessbegrip, databegrip, voorbereiding, modellering, evaluatie, deployment
• Controleer of terugspringen naar een eerdere fase mogelijk is zonder bureaucratische vertraging: zo niet, dan is het procesmodel waarschijnlijk te rigide

Van wetenschappelijk paper naar werkend systeem: de praktijk

Hoe ziet een R&D-week bij Twentynext er concreet uit? De cyclus begint niet met een technologiekeuze maar met een vraag. Neem het project rondom detectie en classificatie van tumorcellen voor digitale pathologie. Het startpunt was een klinische uitdaging: pathologen missen consistentie bij het beoordelen van IHC-beelden (immunohistochemiebeelden) doordat kleurvariaties tussen labs de interpretatie bemoeilijken.

Van paper naar prototype

Een data scientist leest een recente paper over adaptieve kleuranalyse in pathologiebeelden. De volgende stap is niet een volledig uitgewerkt projectplan, maar een snel prototype: werkt het principe op echte beelddata? Binnen enkele dagen is er een eerste versie die IHC-beelden analyseert op tumoreigenschappen zoals omvang, positie en cellulaire kenmerken.

Dat prototype is niet bedoeld voor productie. Het is bedoeld om twee vragen te beantwoorden: is de technische aanname houdbaar, en is het klinisch relevant genoeg om verder te ontwikkelen? Als het antwoord op beide vragen ja is, begint de iteratieve verdieping via CRISP-DM.

Van prototype naar productiecode

Het pad van prototype naar productiecode is langer dan de eerste week, maar de richting is gezet. Wat volgt, is het systematisch doorlopen van de CRISP-DM-fasen: datavoorbereiding met echte klinische beeldsets, modelevaluatie met pathologen als domeinexperts, en uiteindelijk deployment in een omgeving die voldoet aan de ISO-gecertificeerde service- en beheerprocessen van Twentynext.

Dat laatste punt is niet vanzelfsprekend. Een AI-model in productie vereist monitoring van modelprestaties, detectie van datadrift en periodieke hertraining. Zonder die infrastructuur is een goed model na zes maanden onbetrouwbaar geworden zonder dat iemand het doorheeft.

Een vergelijkbaar patroon is zichtbaar in het tumorcel-detectieproject: de architectuur is flexibel genoeg om zowel IHC-beelden als conventionele biopten te verwerken, een uitbreiding die ontstond uit een iteratie die begon als een kleine technische verkenning.

Zelf aan de slag:

• Maak een onderscheid tussen prototype (technische aanname testen) en productiesysteem (betrouwbaar draaien in een live omgeving): behandel ze niet als één en hetzelfde
• Vraag bij elk AI-project wie verantwoordelijk is voor modelprestatiemonitoring na go-live
• Controleer of er een retrainingplan is: modellen die in 2024 zijn getraind op data van 2022 presteren in 2026 doorgaans slechter dan bij lancering

Industriële AI: R&D in de maakindustrie

R&D bij Twentynext beperkt zich niet tot de medische sector. In de maakindustrie werkt het bureau aan vraagstukken rond Computer Aided Design-automatisering en lichtgewicht constructie. Het vertrekpunt is ook hier geen technologie maar een businessprobleem.

CAD/CAM-automatisering als praktijkvoorbeeld

Trapliften worden per klant op maat gemaakt omdat elke trap andere afmetingen, hoeken en stijgingen heeft. Dat maakt het ontwerpproces tijdrovend, terwijl klanten juist korte levertijden verwachten, vaak vanwege medische urgentie. Twentynext ontwikkelde een AI-gedreven softwaremodule voor AutoCAD die specifieke technische ontwerptaken automatiseert op basis van precieze trapmetingen. Het resultaat: ingenieurs besteden minder tijd aan repetitieve ontwerptaken en meer aan complexe uitzonderingen.

Drie technieken, één module

Bij het project in samenwerking met MasterShip Software combineert Twentynext drie complementaire technieken: machine learning voor patroonherkenning in bestaande ontwerpen, genetische algoritmes voor optimalisatie van ontwerpvarianten, en een rule-based inference engine voor het toepassen van engineering-regels en compliance-eisen. Dat die drie technieken in één module samenkomen, is geen toeval. Het is het resultaat van een R&D-traject waarbij elke techniek afzonderlijk werd geprototyped en geëvalueerd voordat de integratie begon.

Voor data engineers en AI-specialisten is dit type werk precies waarom werken bij een gespecialiseerd bureau in de Brainport-regio aantrekkelijk is: directe samenwerking met industriepartners, concrete impact in een groeiende technologietak en geen jaren wachten op interne goedkeuring.

Zelf aan de slag:

• Bij AI-projecten in productie of engineeringomgevingen: stel de schaalvraag expliciet (hoeveel ontwerpen per uur, hoeveel varianten parallel) vóór de architectuurkeuze
• Combineer altijd domeinexpertise (engineeringregels), data-expertise (machine learning) en software-engineering (productie-klare modules): ontbreekt één van de drie, dan stagneert het project
• Vraag of bestaande standaardtools (AutoCAD, ERP-systemen) als integratiepunt kunnen dienen: dat verlaagt de adoptiedrempel aanzienlijk

Vergelijking: R&D-aanpak in de praktijk

Verschillende modellen voor R&D-integratie binnen data science bureaus:

Best practices checklist voor Data Science, AI-consultancy en Business Intelligence

Best Practices Checklist:

• Start bij de businessvraag, niet bij de techniek: Een AI-model zonder helder geformuleerde businessuitdaging leidt doorgaans tot oplossingen die niemand gebruikt.
• Gebruik CRISP-DM als iteratief kader: Terugspringen naar een eerdere fase is geen mislukking maar onderdeel van de methode; documenteer elke iteratie.
• Scheid prototype van productiesysteem: Prototypes testen aannames; productiesystemen vereisen monitoring, drift-detectie en retrainingplannen.
• Regel modelbeheer vóór go-live: ISO-gecertificeerde beheerprocessen, zoals die Twentynext hanteert, voorkomen dat een goed model na verloop van tijd onbetrouwbaar wordt zonder dat iemand het merkt.
• Integreer domeinexpertise in elke fase: Bij medische AI zijn pathologen of clinici nodig in de evaluatiefase; bij industriële AI zijn dat ingenieurs met kennis van productieregels.
• Bouw governance in vanaf het begin: Generatieve AI-implementaties zonder AI-governance framework, inclusief hallucinatiemonitoring en audit logging, zijn een risico voor productieklare systemen.
• Meet schaalbaarheid expliciet: Definieer vóór de architectuurkeuze hoeveel inferenties per tijdseenheid het systeem moet aankunnen.
• Reserveer R&D-tijd naast klantopdrachten: Teams die uitsluitend op projectbasis werken, lopen doorgaans achter op de technologische ontwikkelingen in hun vakgebied.

Wat je moet vermijden bij R&D-gedreven AI-projecten

Een paar patronen die in de praktijk steeds terugkeren als oorzaak van stagnatie of mislukking.

Technologie als vertrekpunt

Het meest voorkomende probleem: een team begint met een technologie ("we gaan een large language model inzetten") in plaats van met een vraag ("hoe kunnen we de doorlooptijd van klinische rapportages verkorten?"). Het verschil lijkt subtiel maar bepaalt het hele traject. Twentynext ziet dit patroon terugkeren bij organisaties die AI willen implementeren zonder eerst de businessuitdaging scherp te krijgen. Wie meer wil weten over de vraag wanneer een organisatie écht klaar is voor een AI-usecase, kan terecht bij het artikel wanneer is je organisatie klaar voor een AI-usecase.

R&D zonder feedbackloop

R&D-trajecten die intern blijven, zonder structurele input van domeinexperts, produceren interessante prototypes die niemand gebruikt. De koppeling met universitair medische centra en industriepartners is bij Twentynext geen decoratie maar een functioneel onderdeel van de R&D-cyclus. Klinische feedback na elke modelleringssprint zorgt ervoor dat het team niet doorwerkt op een aanname die al drie iteraties geleden ongegrond bleek.

Deployment zonder beheer

Als een model naar productie gaat, is het essentieel dat het in productie ook onderhouden wordt. Voortdurende monitoring en periodieke modelafstemming zijn doorgaans vereist. Toch is dit het deel dat bij veel bureaus ontbreekt. Twentynext investeert in ISO-gecertificeerde service- en beheerprocessen juist omdat dit de zwakste schakel is in de meeste AI-implementaties.

Zelf aan de slag:

• Controleer vóór projectstart of er een beheerplan is voor na go-live: wie monitort de modelprestaties, wie traint opnieuw, wie escaleert bij degradatie?
• Vraag naar de feedbackstructuur met domeinexperts: zijn clinici, ingenieurs of andere vakspecialisten structureel betrokken bij de evaluatiefase?
• Vermijd het starten met een technologie; formuleer eerst de businessvraag in één zin die ook een niet-technische stakeholder begrijpt

Veelgestelde vragen

Hoe snel gaat het bij Twentynext van een nieuw idee naar een eerste prototype?

De prototyperingsfase bij Twentynext duurt in de praktijk doorgaans drie tot zeven werkdagen voor een eerste technische validatie. Dit is bewust kort gehouden: het doel van een prototype is het testen van een technische aanname, niet het bouwen van een productiesysteem. Pas als het prototype aantoont dat de aanpak werkt én klinisch of industrieel relevant is, start de volledige CRISP-DM-cyclus met alle bijbehorende documentatie en domeinexpertinput.

Wat voegt de samenwerking met universitair medische centra toe aan R&D-projecten?

Universitair medische centra brengen klinische domeinkennis in die niet te vervangen is door data alleen. Zonder die expertise is het onmogelijk om te bepalen of een model klinisch valide is, ook al zijn de technische prestaties hoog. Bij projecten zoals het tumorcel-detectieplatform en het oogziektedetectiesysteem zorgt de klinische feedbackloop ervoor dat het model niet alleen technisch accuraat is, maar ook aansluit op de werkelijkheid van de diagnostische praktijk. Dat is het verschil tussen een interessant experiment en een bruikbaar systeem.

Hoe helpt Twentynext bij het beheer van AI-modellen na go-live?

ISO-gecertificeerde beheerprocessen zijn de ruggengraat van Twentynext's aanpak na deployment. Beheer omvat monitoring van modelprestaties, drift-detectie (het signaleren wanneer de data waarop het model wordt toegepast verschuift ten opzichte van de trainingsdata), periodieke hertraining en gestructureerde incidentrespons. Voor zorginstellingen en productiegerelateerde klanten met hoge continuïteitseisen is dit een concreet onderscheidend kenmerk ten opzichte van bureaus die alleen projectwerk leveren en na oplevering vertrekken.

Wat maakt CRISP-DM geschikt als leidraad voor zowel R&D als klantprojecten?

CRISP-DM's kracht zit in de combinatie van structuur en flexibiliteit. De zes fasen geven houvast en zorgen voor transparantie richting opdrachtgevers, terwijl de niet-lineaire opzet het mogelijk maakt om terug te springen naar een eerdere fase als nieuwe inzichten dat vragen. Voor R&D is dat terugspringen juist waardevol: een ontdekking in de modelleringsfase kan de businessvraag fundamenteel herzien. Voor klantprojecten zorgt dezelfde structuur voor aantoonbare deliverables per fase en herbruikbare lessons learned voor toekomstige trajecten.

Hoe kunnen data engineers en data scientists groeien via R&D bij Twentynext?

Groei via R&D bij Twentynext werkt doordat medewerkers vroeg betrokken worden bij externe projecten met concrete vakinhoudelijke uitdagingen. Junior data scientists werken doorgaans binnen drie maanden mee aan R&D-projecten naast reguliere klantopdrachten. Dat versnelt niet alleen technische groei, maar biedt ook context: wie begrijpt waarom een kleuranalyse-algoritme klinisch relevant is, leert sneller betere keuzes maken dan iemand die puur op modelprestaties optimaliseert. Meer over groeipaden bij een data- en AI-bureau is te lezen in het artikel over doorgroeien van consultant naar tech lead.

Conclusie

De R&D-aanpak van Twentynext is geen marketingverhaal over innovatie. Het is een structurele keuze die zichtbaar is in hoe medewerkers hun tijd besteden, hoe projecten zijn opgebouwd en hoe modellen na oplevering worden beheerd. CRISP-DM fungeert als leidraad voor elke iteratie, het bureau werkt structureel samen met universitair medische centra en industriepartners, en ISO-gecertificeerde beheerprocessen borgen dat productiemodellen ook na go-live betrouwbaar blijven.

Voor klanten in Noord-Brabant en daarbuiten levert dit een partner op die niet alleen technisch kan realiseren, maar ook begrijpt waarom een bepaalde techniek klinisch of industrieel relevant is. Dat begint altijd bij dezelfde vraag: wat is het businessprobleem? De technologie volgt daarna.

Organisaties die willen begrijpen hoe Twentynext die aanpak in de praktijk brengt, vinden op twentynext.nl een overzicht van projecten, diensten en de onderliggende methodiek.