In de Author Spotlight-serie chatten TDS Editors met leden van onze community over hun carrièrepad in data science en AI, hun schrijven en hun inspiratiebronnen. Vandaag delen we graag ons gesprek met Sabrine Bendimerad.
Sabrine is een toegepaste wiskunde-ingenieur die de afgelopen 10 jaar als Senior AI Engineer heeft gewerkt en projecten heeft beheerd vanaf het allereerste idee tot en met de productie.
Haar reis heeft haar door heel verschillende werelden gevoerd, van het analyseren van satellietbeelden voor grote Europese nutsbedrijven tot haar huidige rol als onderzoeker in medische beeldvorming bij Neurospin. Tegenwoordig werkt ze aan hersenbeelden om patiënten met een beroerte te helpen herstellen.
Sabrine is tevens mentor en oprichter van Dataiilearn. Ze schrijft niet alleen graag over code, maar ook over hoe je een echte carrière kunt opbouwen en hoe je ervoor kunt zorgen dat data science-projecten daadwerkelijk die laatste fase bereiken waarin ze echte impact hebben.
Een paar maanden geleden heeft u een urgente vraag aangepakt waarmee dataprofessionals vandaag de dag worden geconfronteerd: “is het nog steeds de moeite waard?” Waarom besloot u dit aan te pakken, en is uw standpunt in de tussentijd geëvolueerd?
Eigenlijk is mijn artikel “Data Science in 2026: Is It Still Worth It?” zorgde voor een lawine aan berichten op LinkedIn. Ik had verwacht dat junioren zich zorgen zouden maken over deze vraag, maar ik was verrast om te zien dat mensen met jarenlange ervaring ook vragen stelden over de toekomst.
Ik ben nu tien jaar bezig met AI, en het is waar dat je in het begin alleen al door het kennen van Python en statistiek/wiskunde een eenhoorn werd. Tegenwoordig is de markt verzadigd met nieuwe datawetenschappers, en nieuwe tools op basis van AI-agenten nemen de handmatige, eenvoudige taken over die we vroeger deden.
Mijn standpunt is dus vandaag de dag nog steeds hetzelfde of misschien zelfs sterker: AI en data science zijn nog steeds de moeite waard, maar de ‘generalistische datawetenschapper’ is een uitstervende soort. Om te overleven moet je verder evolueren dan alleen modellen in een notebook. U moet de implementatie, LLM’s, RAG en, belangrijker nog, domeinkennis beheersen die de interpreteerbaarheid van gegevens bevordert. Als we basismodellen in een notebook bouwen, kunnen onze taken natuurlijk door agenten worden uitgevoerd. De banen verdwijnen niet; ze zijn gewoon anders. Je moet vaardigheden opbouwen die zich aanpassen aan deze nieuwe markt.
Je hebt veel geschreven over carrières in data science en AI. Hoe heeft uw eigen reis de inzichten gevormd die u met uw lezers deelt?
Vanaf het begin ging mijn reis nooit alleen over de code. Ik besefte al vroeg dat het oplossen van problemen uit de echte wereld iets is dat je niet leert op een universiteit of een bootcamp. Je leert het door met echte teams in de loopgraven te zijn. In de jaren dat ik met satellietbeelden voor energie- en waterbedrijven werkte, heb ik geleerd dat je, om een echte oplossing te creëren, ‘end-to-end’ moet denken. Als een model in een notebook blijft zitten, heeft dit geen enkele impact. Dit is de reden waarom ik zoveel schrijf over MLOps: hoe je modellen in productie kunt beheren, implementeren en monitoren.
Door naar de medische sector te gaan, werd een nieuwe laag aan mijn denken toegevoegd. Als je in de nutssector een fout maakt, krijg je te maken met financiële verliezen. Maar bij medische beeldvorming heb je te maken met mensenlevens. Deze verschuiving heeft mij geleerd dat AI code kan genereren, maar het gewicht van een menselijke beslissing niet kan begrijpen. Dit is precies waarom ik ben begonnen te schrijven over zaken als RAG, LLM’s en hun impact. Het is voor mij niet alleen een trendy onderwerp; het gaat erom hoe moeilijk het is om deze tools betrouwbaar genoeg te maken zodat een mens ze 100% kan vertrouwen.
Mijn inzichten komen uit deze brug: ik heb de industriële achtergrond van bouwen voor productie, maar ik heb ook de onderzoeksachtergrond waarbij de methodiek perfect moet zijn. Ik schrijf om deze technische vaardigheden te delen, maar ook om mensen te helpen bij hun eigen reis. Ik wil ze laten zien welke mogelijkheden ze op dit gebied hebben, hoe ze hun pad kunnen bepalen. en hoe je complexe projecten aanpakt. Ik wil dat mijn lezers zien dat een carrière in de data niet altijd een rechte lijn is, en dat is oké.
Wat zijn de meest opvallende verschillen die je waarneemt tussen nu beginnen en je eigen beginjaren in het veld? Hoe anders is het draaiboek tegenwoordig voor beginnende beroepsbeoefenaars?
Het spel is volledig herschreven. Toen ik begon, waren we bouwers en waren we weken bezig met het opschonen van gegevens en het opzetten van servers. Tegenwoordig moet je een AI Orchestrator zijn. U kunt een systeem bouwen in dagen die voorheen maanden in beslag namen. Ik zou niet zeggen dat het nu moeilijker is, maar het is zeker moeilijk als je een carrière probeert te starten met behulp van de trendy vaardigheden van 10 jaar geleden.
Junioren hebben tegenwoordig zoveel opties om zich voor te bereiden op de markt. We hebben een goudmijn aan informatie op YouTube en op blogs. De echte uitdaging is nu het wegfilteren van het afval. Degenen die overleven zijn degenen die de markt monitoren en begrijpen om zich snel aan te passen. Natuurlijk moet je de theoretische kant van AI begrijpen, maar de echte vaardigheid van vandaag is flexibiliteit.
Het is geen goed idee om alleen expert te willen zijn in één specifiek hulpmiddel. 10 jaar geleden hadden we het over de overstap van R naar Python of van statistiek naar deep learning. Vandaag hebben we het over de overstap naar generatieve AI en agenten. De basis blijft hetzelfde, maar u heeft de flexibiliteit nodig om een nieuwe trend snel te begrijpen, te implementeren en aan de behoeften van uw stakeholders te voldoen. Flexibiliteit is altijd de ‘geheime’ vaardigheid van een datawetenschapper geweest, zowel tien jaar geleden als nu.
Uw artikelen combineren doorgaans informatie op hoog niveau met praktische inzichten. Wat hoop je dat je publiek opdoet bij het lezen van je werk?
Als ik schrijf, houd ik altijd in gedachten dat ik ervaringen deel om mensen te helpen hun eigen expertise op te bouwen. Als ik bijvoorbeeld over MLOps schrijf, probeer ik de kloof te overbruggen tussen het grote plaatje van de productie en de praktische technische stappen die nodig zijn om dat te bereiken. Ik aarzel nog steeds elke keer als ik aan een nieuw artikel begin! Meestal bespreek ik onderwerpen met mijn studenten of collega’s om te kijken wat hen interesseert, en dat koppel ik dan aan wat ik zelf zie in de branche. Mijn doel is dat de lezer wegloopt met praktische richtlijnen, niet alleen met een concept.
Afhankelijk van het onderwerp probeer ik verschillende doelgroepen te bereiken. Soms is het een heel technisch artikel, zoals hoe je een model in de cloud implementeert met Docker en FastAPI, en soms is het een ‘big picture’-stuk waarin wordt uitgelegd wat ‘productie’ eigenlijk betekent voor een bedrijf. Ik vind het tegenwoordig moeilijker om alleen over specifieke tools te schrijven, omdat ze zo snel evolueren. In plaats daarvan probeer ik feedback te delen over de dingen die mij hebben vertraagd of over de echte uitdagingen waarmee ik te maken krijg bij de implementatie van een specifiek project (zoals mijn artikel over RAG-systemen). Ik wil dat mijn publiek van mijn fouten leert, zodat ze sneller kunnen gaan.
Welke impact heeft de opkomst van LLM’s en agentische AI in uw eigen professionele leven gehad? Merk je dat de trend positief, negatief of iets genuanceerder is geweest?
In mijn dagelijkse werk gebruik ik LLM’s als een ervaren collega, iemand om mee te brainstormen of om snel een prototype te maken en een script te debuggen. Met de inzet van agenten begin ik ook vibe-codering en automatisering te gebruiken voor basistaken, maar voor diepgaand onderzoek ben ik veel voorzichtiger. Momenteel werk ik met medische gegevens, waarbij er letterlijk geen ruimte is voor fouten. Ik kan AI gebruiken om een gedachte opnieuw vorm te geven of mijn methodologie te verfijnen, maar voor de complexe taken moet ik de volledige controle over mijn code behouden.
Ik ben niet tegen het gebruik van LLM’s en agentische AI, maar als je de AI al het denkwerk laat doen, verlies je je intuïtie. Wanneer ik bijvoorbeeld werk met beeldvorming van de hersenen, moet ik irritant handmatig omgaan met mijn kernlogica, omdat een LLM de pathologie die u probeert te voorspellen niet begrijpt. Ieder brein is anders; de menselijke anatomie verandert van het ene onderwerp naar het andere. Een AI-agent ziet een patroon, maar begrijpt het ‘waarom’ van de ziekte niet.
Ik zie ook de impact van AI-agenten op het werk van mijn stagiaires. AI-agenten zijn een enorme boost voor hun productiviteit, maar ze kunnen een ramp zijn voor het menselijk leren. Ze kunnen in een middag een berg code genereren die vroeger maanden in beslag nam, en het is moeilijk om een onderwerp onder de knie te krijgen als je nooit de fouten maakt die je dwingen het systeem te begrijpen. We moeten de mens centraal stellen in de logica, anders bouwen we alleen maar zwarte dozen waar we eigenlijk geen controle over hebben.
Tot slot: welke ontwikkelingen op dit gebied hoop je het komende jaar te zien, en welke onderwerpen hoop je hierna in je schrijven te behandelen?
Ik zou heel graag zien dat het gesprek verschuift van het voortdurend najagen van nieuwe tools, naar betere wetenschap en betekenisvollere toepassingen van AI.
We bevinden ons in een fase waarin nieuwe tools, raamwerken en modellen zeer snel opkomen. Hoewel dat opwindend is, denk ik dat wat vaak ontbreekt transparantie en een diepere focus op impact is. Ik zou graag meer werk zien dat niet alleen de menselijke productiviteit vergroot, maar ook op een tastbare manier bijdraagt aan gebieden als gezondheidszorg, onderwijs en toegankelijkheid.
Natuurlijk zullen LLM’s en agentische AI blijven evolueren, en ik ben erg geïnteresseerd in het onderzoeken wat dat feitelijk in de praktijk betekent. Naast de hype wil ik graag meer inzicht krijgen in en schrijven over vragen als:
- Veranderen deze tools echt de manier waarop we denken, of alleen hoe snel we uitvoeren?
- Verbeteren ze daadwerkelijk de kwaliteit van ons werk?
- Welke impact hebben ze op verschillende terreinen?
In mijn komende schrijven wil ik me meer concentreren op deze reflecties, waarbij ik technische perspectieven combineer met een diepere kijk op hoe AI niet alleen onze tools vormgeeft, maar ook onze manier van werken en denken.
Om meer te weten te komen over het werk van Sabrine en op de hoogte te blijven van haar nieuwste artikelen, kun je haar volgen op TDS.
Delen van deze vraag en antwoord zijn aangepast voor lengte en duidelijkheid.
