Mobiele telefoons & discipline

Deze week appte ik een vriend van mij werkzaam in het psychologische vakgebied. Ik vertelde hem dat ik kamp met het feit dat mijn discipline langzamerhand begint af te brokkelen en dat ik moeite heb met focussen op het behalen van doelstellingen. Ik ken mijzelf totaal niet zo want normaliter zijn er veel perioden in mijn leven waarin ik geniet van het opstellen van monsters van to-do-lists. Het liefst schrijf ik ze vol van 8 tot 7 uur ’s avonds waarna er een welverdiend moment van relaxen volgt na 7 uur.  

Sinds corona merk ik dat dat actieve deel van mij langzaam begon weg te ebben en dat ik het nodige dan nog wel voor mijn werk en studie wel doe, met af en toe nog sporten erbij maar niks extra’s. Dit moet echter soms echt uit mijn tenen komen.  

Die vriend van mij kwam ’s avonds langs en we begonnen te graven naar de onderliggende problemen. Al snel kwam hij met de vraag: ‘’kan je voor mij eens je schermtijd opzoeken op je mobiel’’. Ik antwoorde direct: ‘’tja, daar ben ik vanochtend al mee geconfronteerd door mijn mobiel zelf’’. Mijn gemiddelde schermtijd per dag zit op 5 uur. Dit is deels te wijten aan het feit dat ik veel van mijn werk ook via mijn mobiel doe, zoals alle vergaderingen en besprekingen in Microsoft Teams wat goed is voor minimaal een uur per dag tot anderhalf. ’s Avonds kijk ik vaak nog even Netflix wat ook goed is voor een uur, maar al het andere zat in ‘social networking’ oftewel de draak Instagram. Instagram heeft voor mij deels de functie van Whatsapp overgenomen want ik communiceer veel meer met mijn vrienden op Insta dan op Whatsapp maar dat terzijde 

Mijn vriend legde vanuit zijn vakgebied uit dat je maar een X-aantal uren focus per dag hebt. Op een mobiel ben je constant gefocust bezig met vaak onzinnige dingen, of een wirwar van zinnige en onzinnige zaken, kortom het apparaat steelt je focus 

Hij zei dat hij hetzelfde probleem ervaren heeft en voor het oplossen van het probleem een app gekocht heeft. Deze app heet heel toepasselijk ‘Stay Focused’. Met Stay Focused kan je per app die je op je mobiel geïnstalleerd hebt aangeven hoeveel minuten deze op een dag gebruikt mag worden en daarna blokkeert de app je toegang tot die applicatie tot de eerste minuut van de volgende dag. Als je dan later nog een keer probeert toegang te krijgen tot die app confronteert hij je er ook mee dat je het al 5 keer geprobeerd hebt.  

Ik heb de app geïnstalleerd en het helpt mij direct al minder afgeleid te worden door de mobiel en bepaalde apps zoals Instagram te reguleren.  Wel merk ik dat ik afkickverschijnselen heb en toch nog aardig vaak naar mijn mobiel grijp en dan geconfronteerd wordt met het de hoeveelheid pogingen tot het openen van deze app. Ik weet dat er best veel mensen zijn die een behoorlijke schermtijd hebben en vaak niet doorhebben dat ze er hinder door ondervinden, hoe zit dit bij jou? 


hbo efro

Efro

efro

Ontvangt subsidie voor de volgende activiteit(en):

Er is een ontzettende schaarste in de markt voor IT-talent.
Goede IT-werknemers zijn zeer lastig te krijgen, én te behouden, voor organisaties. Gemiddeld genomen is dit meerdere maanden. Organisaties kunnen hierdoor slecht groeien en dit veroorzaakt groeipijnen. Niet zelden wordt hierdoor IT-talent overzees ingevlogen om te voldoen aan de behoefte van organisaties. Als er een methode ontwikkeld kan worden waarmee IT-talenten rechtstreeks benaderd kunnen worden gedurende hun opleiding, of direct erna, dan betaalt dit op termijn uit in kennis wat in de organisatie blijft, tegen de minimale kosten.

Als Brainconsultant hier een propositie kan ontwikkelen, dan kan dit een grote impact hebben op de organisatie en nieuwe denkwijzen om talent te recruiten. Om hierop in te spelen, wordt externe deskundigheid gevraagd bij het vernieuwen van het eigen organisatiemodel om deze transitie te kunnen starten. “Fresh graduate” IT-talent moet natuurlijk opgeleid worden en BrainConsultant is op dit moment niet ingericht om deze mensen op te kunnen leiden.

Hiervoor wordt een IT Academy opgericht en worden deze talentvolle mensen klaargestoomd om binnen bedrijven hun toegevoegde waarde te kunnen tonen. Deze verduurzaming zal op termijn leiden dat Brainconsultant een eigen opleidingsstraat zal hebben om IT-ers voor te bereiden op complexe IT banen van de toekomst.

efro


Tekort IT personeel door corona?

Tekort IT personeel door corona?Tekort IT personeel door corona? 🦠😷

Doordat we de laatste tijd kampen met de gevolgen van covid-19 werken veel mensen vanuit huis. De IT branche is over het algemeen goed werkbaar op afstand en ondervindt op deze manier minder hinder en onderbrekingen in vergelijking tot andere sectoren. Ondanks dat het op afstand goed werkbaar is zijn er tekorten aan personeel. De personeelstekorten bestonden al voor de corona pandemie, maar omdat veel meer mensen gebruik maken van internet, webwinkels, apps, etc. is dit tekort ook weer toegenomen.

HBO IT Talents Program biedt bedrijven een blijvende oplossing. Het is de perfecte mogelijkheid om getalenteerde, ambitieuze IT’ers met up-to-date kennis aan te nemen. Het programma leidt MBO-4 vakspecialisten doormiddel van een deeltijd hbo-opleiding op tot HBO developers!

Deze vakspecialisten gaan één dag per week naar school, vier jaar lang, om zo een erkend hbo-diploma te behalen. De andere vier dagen zijn zij direct inzetbaar binnen uw bedrijf. Doordat zij vers van het MBO zijn afgestudeerd beschikken zij veel praktische kennis, waardoor ze de perfecte kandidaten zijn om de junior developing taken op zich te nemen. Zo kunnen zij uw senior developer ontlasten van deze taken.

Deze developers in opleiding zijn naarmate zij vorderen met hun studie in staat om steeds meer taken op te pakken en uiteindelijk kunnen zij ingezet worden als medior developers. Op deze manier is een sterke band ontstaan tussen het bedrijf en de developers, waardoor zij een hoge loyaliteit hebben. Wanneer uw bedrijf in noodsituaties verkeert zoals nu met covid-19 zal zij een vangnet hebben van medewerkers met de juiste kennis en motivatie om zo de gebruikelijke productiviteit te waarborgen.

Naast al deze voordelen voor uw bedrijf, regelen wij alle kosten en uitbetaling van de salarissen voor een starttarief van 45 euro per uur! Dit bedrag is dus inclusief alle kosten, waaronder collegegeld, studiekosten, reiskosten, salaris en diverse extra’s.

Schrijf u nu meteen in om vrijblijvend meer informatie te krijgen!

 

Ik wil graag weten wat het kost!

Voordelen voor uw organisatie

Tarieven vanaf € 30,- per uur inclusief HBO Developing opleiding en begeleiding!

Kosteloos overnemen van de deelnemer (na 2 jaar)

Gemotiveerde en productieve werknemers

Weinig tot geen personeelsverloop door hogere betrokkenheid en loyaliteit

Minder verloren tijd bij het recruitmentproces

Binden van IT-talent aan de organisatie


Evan Thomas Spiegel

Evan Thomas Spiegel

Evan Thomas SpiegelIT Hero Of The Week!

Evan Thomas Spiegel is één van de co-founders van Snap Inc., beter bekend als Snapchat. Ondertussen bekleedt Spiegel de functie CEO van Snap Inc. en heeft hij samen met Bobby Murphy (CTO) nog 45% van de aandelen en meer dan 70% van het stemrecht.

Spiegel is op 4 Juni 1990 geboren in Los Angeles, California. Hij is begonnen met de studie product-design aan Stanford University. In April 2011 kwamen een drietal studiegenoten, de uiteindelijke ontwikkelaars van Snapchat, op een idee voor een chat met kortdurende berichten. Spiegel stelde het idee voor als een product designproject, maar door studiegenoten werd het idee niet serieus genomen.

Later dat jaar zijn de drie co-founders aan de slag gegaan met een prototype genaamd ´picaboo´, waarvan de naam later veranderd is naar Snapchat. In 2012 werd de app populair en besloot Spiegel zich volledig te focussen op Snap Inc., hierdoor is hij gestopt met zijn studie bij Stanford University. Aan het einde van 2012 had Snapchat één miljoen dagelijks actieve gebruikers. Het is dan ook zeker te zeggen dat de app in een korte tijd een groot succes was en nog steeds is.

Ook een leuk feitje is dat Spiegel in 2017 is getrouwd met Miranda Kerr en een zoontje hebben gekregen. Om deze reden besloot Spiegel zijn studie af te maken om zo een goed voorbeeld te zijn voor zijn zoontje. In 2018 is hij dan ook afgestudeerd van Stanford.


De voor- en nadelen van Machinelearning

Gedurende meerdere decennia spelen wij spellen tegen computers, denk bijvoorbeeld aan patience of schaak. Eén van de eerste spellen is het programma van Arthur Lee Samuel, namelijk ‘The Samuel Checkers-Playing Program’. Een programma waarmee je tegen de computer kunt dammen. Dit was één van de eerste zelflerende demonstraties van het concept ‘kunstmatige intelligentie’ (McCarthy & Feigenbaum, 1990). Ook was Arthur Lee Samuel de eerste die de term ‘machine learning’ gebruikte (Foote, 2019). 

 

Kunstmatige intelligentie is een breed begrip voor een zelflerend systeem dat zijn handelswijzen kan aanpassen op basis van inzichten die zijn verkregen tijdens het verwerken van informatie. Machine learning is een toepassing van deze technologie die zich bezighoudt met de ontwikkeling van algoritmes en rekenkundige modellen waarmee computers met behulp van data zelf kunnen leren. Dit houdt in dat machine learning met behulp van data-analyse en algoritmes patronen probeert te herkennen in de gegevens (Bhattacharjee, 2018b). Machine learning is dus een data-analyse techniek. 

Het doel van machine learning is om de computers automatisch te laten leren zonder menselijke tussenkomst of een andere vorm van hulp. Op deze wijze leert de computer van ervaringen, net als mensen en dieren. Het leren gebeurt door middel van algoritmes. Een algoritme is een reeks van instructies die vanuit een gegeven begintoestand naar een beoogd doel leidt (Bhattacharjee, 2018a). De algoritmes verbeteren zichzelf naar mate je ze traint. Door middel van iteraties en voldoende data wordt een algoritme getraind. Dergelijk algoritme genereert een model, een wiskundige weergave van een reëel proces. Door de komst van big data is machine learning steeds belangrijker aan het worden. Het wordt op veel vlakken al gebruikt, denk aan de economie waarbij het de beurs ‘in de gaten kan houden’ of op basis van een algoritme voorspellingen kan doen op stijgingen of dalingen. Het is zelfs mogelijk dat een computer op basis van deze gegevens ‘slim’ kan inkopen en verkopen (de Ingenieur, 2017). Maar hoe werkt het eigenlijk? 

 

Het leerproces bij machine learning begint met observaties van gegevens, zoals voorbeelden, directe ervaring of instructie, om patronen in gegevens te zoeken en in de toekomst betere beslissingen te nemen op basis van wat aan het algoritme wordt aangeboden. De basis van machine learning ligt in de wiskunde en statistiek. Dit is met name zichtbaar in het gebruik van algoritmes binnen de machine learning.  

 

Machine learning is hedendaags niet weg te denken uit ons leven. Zo wordt machine learning veelal ingezet binnen de verschillende studierichtingen, zoals informatica, wiskunde, filosofie en linguïstiek (Data4, 2019). Ook in het bedrijfsleven lijkt machine learning onmisbaar. Webshops gebruiken het voor personalisatie, dit gebeurt op basis van eerdere aankopen en bekeken items. Zo kunnen er gericht suggesties worden gedaan. Ook streamingsdiensten zoals Netflix en Spotify werken met gepersonaliseerde content (Netflixz.d.Ciocca, 2019). Op basis van wat is bekeken en beluisterd doen de streamingsdiensten voorstellen van nieuwe content. Op deze manier beogen webshops en streamingsdiensten hun aanbod af te stemmen op de klant en deze krijgt een gepersonaliseerd aanbod te zien. Ook zitten er tegenwoordig in emailprogramma’s zoals Outlook en Gmail spam en malwarefilters verwerkt, die aan de hand van algoritmes phishing e-mails en spam onderscheppen (Vincent, 2019) 

 Uit bovenstaande blijkt dat op het eerste gezicht machine learning veel voordelen kent.  

Toch wijzen verschillende artikelen van NU.nl (2019) en NOS (2019a, 2019b) ook op de nadelen van machine learningDit essay tracht een overzicht te creëren van de voor- en nadelen van machine learning. 

Voordelen 

Wanneer gekeken wordt naar machine learning binnen verschillende beroepsgroepen, worden de voordelen van machine learning duidelijk. Machine learning heeft drie voordelen. Ten eerste het analyseren van data en ten tweede het herkennen van patronen (DataFlair, 2019). Deze voordelen zijn op veel verschillende vlakken zichtbaar. Een derde voordeel is dat machine learning een bijdrage levert aan het verminderen van arbeidsintensieve processen (NOS, 2019). Hieronder zullen aan de hand van voorbeelden deze drie voorbeelden zichtbaar en verder uitgelegd worden. 

Het eerste voorbeeld is de gezondheidszorg waar dankzij draagbare apparaten en sensoren veel gegevens snel beoordeeld kunnen worden. De technologie kan medische experts adviseren en helpen bij onder andere het herkennen van huidkanker. Ook in de retail wordt steeds meer gebruik gemaakt van machine learning, denk hierbij aan het personaliseren van de winkelervaring, optimaliseren van een marketingcampagne, prijsoptimalisatie en het verwerken van klantenfeedback. Dit wordt bijvoorbeeld gedaan op basis van aankoopgeschiedenis, zoekopdrachten en bekeken items van de klanten (Data4, 2019) 

De Lange (2019) schreef een artikel over machine learning in het onderwijs. Hij stelt dat op basis van prestatiegegevens van leerlingen het gemakkelijker is om onderwijs te personaliseren. Andere mogelijke toepassingen van machine learning binnen het onderwijs kunnen zijn: het nakijken van huiswerk, het bijhouden van de ontwikkelingen van een leerling, het geven van advies op vervolgonderwijs en het verbeteren van carrièrekeuzes.  

Ook de overheid maakt steeds meer gebruik van machine learning. Zij beschikt over veel data – een belangrijke voorwaarde voor machine learning. Het Verenigd Koninkrijk en Japan hebben machine learning al geïmplementeerd binnen de gezondheidszorg. Zo gebruikt het Verenigd Koninkrijk chatbots voor het adviseren van patiënten in niet-levensbedreigende situaties en hebben artsen meer tijd voor noodgevallen en maakt Japan ‘smart’ziekenhuizen waarin machine learning wordt gebruikt om medische testresultaten te beoordelen en zodoende de juiste behandelmethodes te kunnen voorschrijven. Bovendien zie je dat overheden, zoals Chicago, met behulp van een algoritme misdaden probeert te voorkomen. In het Verenigd Koninkrijk sporen ze geradicaliseerde mensen op met behulp van een technologie genaamd natural language processing. Dit is een techniek die gesproken en geschreven tekst begrijpt (Fransen, 2019).  

Uit bovenstaande blijkt dat het analyseren van data en het herkennen van patronen in vele bedrijfstakken en instituties zichtbaar zijn. Daarbij dient echter wel de opmerking geplaatst te worden dat de voorspellingen die machine learning doet op basis van deze data, louter als advies kunnen dienen. Bij het nemen van besluiten op basis van deze voorspellingen zullen mensen betrokken moeten zijn (van Laatum, 2019)Na deze uiteenzetting van de voordelen worden in de volgende paragraaf de nadelen van machine learning benoemd.  

Nadelen 

Binnen deze overzichtsstudie zijn drie nadelen gevonden van machine learning. Namelijk discriminatie, ondoorzichtigheid van besluitvorming en tenslotte het teveel personaliseren van aanbod. 

Het eerste nadeel van machine learning is de vergrote kans op discriminatie. Op basis van bepaalde kenmerken en/of informatie doet een algoritme een voorspelling voor bijvoorbeeld het zijn van een voortijdig schoolverlater. De data waarop het algoritme deze voorspelling doet, kan bevooroordeeld zijn. Zodoende kan een algoritme gaan discrimineren op basis van geslacht, etniciteit, geloof of seksuele voorkeuren (NOS, 2019a).  

Een ander kenmerkend voorbeeld om de kans op discriminatie toe te lichten, is het bedrijf Amazon. Amazon heeft een groot wervingsproject moeten annuleren. Het wervingssysteem diende als hulpmiddel bij het vinden van geschikt personeel voor een bepaalde functie. Bij het uploaden van curricula vitae selecteerde het systeem door middel van machine learning een top vijf van geschikte werknemers. Echter bleek dat het wervingssysteem een voorkeur had voor mannen waardoor gediscrimineerd werd op sekse (Dastin, 2018). De oorzaak hiervan lag in de training van de modellen van Amazon door patronen in curricula vitae te ontdekken. De data bestond uit curricula vitae die de afgelopen tien jaar bij het bedrijf waren ingediend. De meeste curricula vitae waren van mannen. Omdat de technologische industrie gedomineerd wordt door mannen, kreeg het systeem voorkeur voor mannen en werden curricula van vrouwelijke sollicitanten uitgesloten van selectie (Dastin, 2018).  

Een tweede nadeel is de ondoorzichtigheid op basis waarvan algoritmes advies uitbrengen.  

Tot nu toe is bij veel overheidsinstanties weinig inzicht in de algoritmes die ze gebruiken en dus hoe algoritmes tot een bepaalde voorspelling komt (NU.nl, 2019). Een slim systeem is als een black box, je ziet alleen de input en de output. Het enige wat meestal wel beschikbaar is, is welke data gebruikt is om het model te trainen (Duursma, 2017). De Tweede Kamer eist als reactie hierop meer inzicht te krijgen in welke bedrijven en instanties voor besluitvorming algoritmes gebruikt (NOS, 2019b). 

Tenslotte is het teveel personaliseren van content een nadeel. Dit wordt toegepast bij bijna alle streamingsdiensten, zoekmachines en webshops. Omdat deze diensten zich aanpassen aan kijk, zoek en koopgedrag, wordt op een gegeven moment het aanbod beperkt tot alleen nog maar de suggesties op basis van kijk-, zoek- en koopgedrag (Soojian, 2015).  

Kritische succesfactor 

Omdat data erg cruciaal is bij het trainen van een goed model, is een duidelijke structuur nodig in de informatielaag. De data die uiteindelijk aan de machine learning wordt gevoed moet geraffineerd zijn. Dat wil zeggen dat geen onzichtbare voorkeuren in de data aanwezig is, wat discriminatie in de hand kan werken. Ook is de hoeveelheid aanwezige data belangrijk, hoe meer data des te beter de voorspellingen uiteindelijk zullen zijn. 

Voor machine learning is een goede investering nodig. Het is eventueel uit te besteden, maar het is ook intern op te lossenHiervoor is wel personeel nodig dat expertise heeft op het gebied van de technologie en data-analyseOok moet naast het personeel naar de middelen gekeken worden. De machines en de netwerkinfrastructuur moet de toename van dataverkeer aan kunnen. Bovendien moet genoeg data aanwezig zijn om mee te werken. Maar daar tegenover staat dat machine learning veel sneller te werk gaat dan dat een mens kan. Hierdoor is uiteindelijk meer tijd over voor andere werkzaamheden en/of minder personeelskosten. 

Hype Cycle 

Omdat machine learning een onderdeel is van kunstmatige intelligentie en er veel verschillende soorten van bestaan is het lastig om een duidelijk beeld van de trend te krijgen. Machine learning in het algemeen zit (bijna) op het Plateau of Productivity, aangezien al veel bedrijven werken met machine learning en het steeds gemakkelijker is om het te implementeren. Het duurt niet lang meer dat bedrijven niet meer zonder machine learning kunnen. Machine learning is een hulpmiddel om vat te houden op en filteren op relevantie van de gigantische data stromen van tegenwoordig en in de toekomst. De trend moet met beide handen worden opgepakt, het is een hulpmiddel dat ervoor kan zorgen dat data snel kan worden verwerkt tot uitkomsten die kunnen dienen als een advies. 

Het bepalen van de perfecte leefomstandigheden van mens of dier kan een nieuwe insteek van deze trend zijn. In dit voorbeeld neem ik de mens, omdat van een mens concrete feedback ontvangen kan worden. Op basis van het loggen van humeur, gewicht, gezondheid en externe factoren kan een duidelijk beeld verkregen worden van het effect van externe factoren op de mens. Dit is interessant voor voornamelijk verzekeringsmaatschappijen en ziekenhuizen. Zij krijgen een helder beeld van de effecten die de omstandigheden waarin mensen leven op de mens kan hebben. Zo kunnen zij tevens een omgeving situeren waarin de omstandigheden perfect op elkaar aangepast zijn. Ook kunnen situaties worden gecreëerd waarin de mens minder risico loopt op levensbedreigende omstandigheden. 

Conclusie 

In dit onderzoek is getracht een overzicht te geven van de voor- en nadelen van machine learning. Uit dit onderzoek blijkt dat machine learning drie voordelen heeft, namelijk: het analyseren van data, het herkennen van patronen en als laatste het leveren van een bijdrage aan het verminderen van arbeidsintensieve processen. Daarmee is machine learning niet meer weg te denken uit het dagelijkse leven. De datastroom zal in grote mate toenemen en deze zijn dan niet meer te overzien voor de mens. Machine learning helpt ons bij het op relevantie selecteren van deze enorme datastroom. Toch blijkt machine learning ook nadelen te hebben. Allereerst is discriminatie een nadeel. Een advies vanuit de gebruikte algoritmes kan leiden tot discriminatie van een bepaalde doelgroep door een vooroordeel in de ingevoerde data. Ten tweede is het gebrek aan transparantie, oftewel ondoorzichtigheid, een nadeel. Het laatste nadeel is het dusdanig personaliseren van data, waardoor bijvoorbeeld klanten een beperkt aanbod te zien krijgen op webshops of men relevante informatie niet te zien krijgt. Ter afsluiting wordt in dit artikel gewezen op het belang van het bewust blijven van onze invloed binnen machine learning. Machine learning is het werk van de mens en wij houden invloed op de uitkomsten. Machine learning maakt het mogelijk meer te kunnen doen met minder mensen, maar niet zonder mensen.


Ken Olsen

Ken Olsen is geboren te Bridgeport, Connecticut in 1926. Hij heeft in 1950 zijn Bachelor in Electrical Engineering gehaald gevolgd door een master in 1952.

Olsen begon met werken in MIT’s digital computer laboratory na zijn afstuderen. Hij blonk uit in het ontwerpen van hogesnelheidscircuits door het meewerken aan de TX-2 computer. Hij droeg ook bij aan de implementatie van een magnetische kern in het geheugen van computers.

In 1957 verliet Olsen MIT en vanuit een Amerikaans fonds heeft hij Digital Equipment Corporation (DEC) opgericht met zijn collega Harlan Anderson. De eerste periode vanuit het nieuwe bedrijf groeide het niet erg snel maar toen het uitendelijk duidelijk werd dat het een zeer creatief en technisch bedrijf kwamen de engineers vanuit het hele land naar DEC voor een baan. Tegen het midden van de jaren 80 was DEC het op een na grootste computerbedrijf ter wereld.

DEC bleef groeien maar toen de computer steeds meer in het bereik kwam van de normale consument door de Personal Computer (pc) was er vanuit DEC geen strategie om hier mee om te gaan. Olsen ging in 1992 weg bij DEC en in 1998 ging hij aan het werk voor Compaq die DEC had overgenomen tijdens de pc-revolutie.

In 1993 ontving Olsen de U.S. National Medal of Technology, dit was slechts een van zijn vele prijzen. Samen met Gwen en Gordon Bell is hij tevens medeoprichter van het Computer Museum. Bell overleed in 2011 maar liet dankzij zijn magnetische kern de ontwikkeling van sneller en efficiënter geheugen in computers na.


Geen IT’ers gevonden? 

Veel grote bedrijven huren recruiters in om IT’ers te vinden welke volledig aansluiten op het gewenste profiel. Recruiters gaan doorgaans aan de slag met een passieve selectie waarmee wordt geprobeerd om developers te werven. Vaak is het zo dat er ‘geen’ of ‘niet een volledige’ match is tussen de wensen van het bedrijf en het profiel van de kandidaat.  

 

Eén van de grootste belemmerende factoren is het tekort aan ‘juiste kennis’. Kandidaten beschikken vaak over veel kennis, maar hebben niet genoeg kennis over een bepaalde taal of onderwerp dat van belang is voor het bedrijf. Recruiters en bedrijven vergissen zich door scholing niet als een rendabele optie te zien en strepen deze kandidaten gelijk af.  

 

Wij van HBO IT Talents geloven dat scholing op onze manier uw bedrijf juist op weg kan helpen om door te groeien en beter te worden.  Het HBO IT Talents Program leidt mbo-4 vakspecialisten op tot hbo IT developers met de benodigde kwalificaties. Deze opleiding is in deeltijd, dat betekent dat deze vakspecialisten vanaf dag één van hun hbo-opleiding één dag per week naar school gaan en vier dagen per week direct inzetbaar zijn binnen een IT-bedrijf.  

 

Voor uw bedrijf zijn deze HBO IT Talents een aanwinst vanwege het feit dat zij over praktische kennis beschikken welke zij hebben opgedaan op het mbo en tijdens de hbo-studie meer theoretische en praktische kennis opdoen welke up-to-date is en gelijk toepasbaar.  

 

Bent u opzoek naar IT´ers die ambitie hebben, over veel talent beschikken en hun kennis zodanig verbreden dat het aansluit op de benodigde skills voor uw bedrijf? Meldt u dan gelijk aan voor vrijblijvende informatie via


Dennis MacAlistair Ritchie

Dennis MacAlistair Ritchie (1941) staat bekend om zijn werk aan diverse codeertalen en besturingssystemen ook wel bekend onder afkorting OS. Besturingssystemen zijn de systemen die het mogelijk maken dat jij met je muis of touchpad logischerwijs door diverse programma’s, computers en andere apparaten heen kan, en op een simpele manier je taken kan uitvoeren. Dennis Ritchie heeft meegewerkt aan een breed arsenaal ‘operating systems’. Hieronder vallen ALTRAN, B, BCPL, C, Multics en voornamelijk Unix. Hij heeft een onmiskenbare invloed uitgeoefend op de gehele computerwereld.

Ritchie is geboren op 9 september, 1941 in Bronxville, New York. Zijn vader, Alistair Ritchie, werkte bij Bell-operating systems een telefoonmaatschappij waar later zijn zoon ook aan het werk gaat. Zijn moeder Jean McGee Ritchie was huishoudster en verzorgde het gezin. Ritchie groeide op in New Jersey waar zijn intelligentie niet onopgemerkt bleef op school. Het is dan ook niet raar dat hij daarna naar Harvard ging. Op Harvard ontstond zijn passie voor de werking van computers en het programmeren hiervan. Tijdens zijn studie aan Harvard kreeg hij ook een baan bij het Massachusetts Institute of Technology (MIT). Destijds was programmeren nog geen officieel vak of specialisatie. Computer laboratoria zochten iedereen die dan ook maar affectie of passie voor de nog nieuwe apparaten had.

In de jaren 60 kreeg Ritchie steeds meer ervaring op computergebied en begon zich te meer te specialiseren in besturingssystemen. Dit deed hij bij het bedrijf waar zijn vader ook gewerkt had namelijk: Bell Operating Systems. Toendertijd was een computer zo groot als de gemiddelde woonkamer van een huis maar vanaf de jaren 70 begon de computer zijn lange reis in het steeds kleiner en krachtiger worden. In Ritchie zijn tijd bij Bell Operating System werd het besturingssysteem Unix ontwikkeld, dit deed hij samen met Ken Thompson. Unix maakte het mogelijk om een computer op een simpelere manier te besturen dan voorheen. Je kon hierdoor bestanden schrijven, kopiëren, bewerken of verwijderen. Voorafgaand aan het ontstaan van Unix was dit een haast onmogelijk en zeer duur proces, daarnaast had iedereen die een apparaat ontwikkelde zijn eigen besturingssysteem. Unix was uniform en werkte met een breed scala aan apparaten. Het was dan ook geen wonder dat Unix direct een succes werd toen het uitgebracht werd voor de publieke sector op het IBM-symposium.

Vanuit ‘de basis Unix’ dat nog niet op alle computers werkte begon Ritchie verder te denken. Hier kwam de programmeertaal ‘C’ uit. ‘C’ is extreem gestructureerd en werkt op een modulaire wijze. Door die modulaire wijze waren grote stukken vooraf ontwikkelde code gemakkelijk te gebruiken door de programmeurs van verscheidene bedrijven achter diverse soorten computers. Hierdoor hoefden ze zelf het wiel niet opnieuw uit te vinden om de apparaten op een logische wijze bestuurbaar te maken.

Unix en C, beide uit de handen van Ritchie, zijn de fundamenten van OS die wij tegenwoordig nog gebruiken zoals die va Mac OS, Linux en Android. Dennis Ritchie, je kent hem niet, maar het is wederom weer een persoon die ontzettend veel heeft toegevoegd aan de technologische ontwikkeling van onze wereld.