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 Stephanie Kirmer.
Stephanie is een Staff Machine Learning Engineer, met bijna 10 jaar ervaring in data science en ML. Voorheen was ze beheerder van het hoger onderwijs en doceerde ze sociologie en gezondheidswetenschappen aan studenten. Ze schrijft maandelijks een post op TDS over sociale thema’s en AI/ML, en geeft lezingen door het hele land over ML-gerelateerde onderwerpen. Ze zal in april 2026 spreken over strategieën voor het aanpassen van LLM-evaluatie bij ODSC East in Boston.
Je hebt sociologie en de sociale en culturele grondslagen van het onderwijs gestudeerd. Hoe heeft uw achtergrond uw kijk op de sociale gevolgen van AI gevormd?
Ik denk dat mijn academische achtergrond mijn kijk op alles heeft gevormd, inclusief AI. Ik heb tijdens mijn academische carrière sociologisch leren denken, en dat betekent dat ik naar gebeurtenissen en verschijnselen kijk en mezelf dingen afvraag als “wat zijn de sociale ongelijkheden die hier spelen?”, “hoe ervaren verschillende soorten mensen dit anders?”, en “hoe beïnvloeden instituties en groepen mensen hoe dit gebeurt?”. Dat zijn het soort dingen die een socioloog wil weten, en we gebruiken de antwoorden om inzicht te krijgen in wat er om ons heen gebeurt. Ik bouw een hypothese op over wat er aan de hand is en waarom, en zoek dan serieus naar bewijs om mijn hypothese te bewijzen of te weerleggen, en dat is in wezen de sociologische methode.
Je werkt al ruim twee jaar als ML Engineer bij DataGrail. Hoe is uw dagelijkse werk veranderd met de opkomst van LLM’s?
Ik ben momenteel bezig met het schrijven van een nieuw stuk hierover. Ik denk dat de vooruitgang van codeassistenten die LLM’s gebruiken echt fascinerend is en de manier verandert waarop veel mensen werken in ML en in software-engineering. Ik gebruik deze hulpmiddelen om ideeën uit te wisselen, om kritiek te krijgen op mijn benadering van problemen of om alternatieve ideeën voor mijn aanpak te krijgen, en voor scutting-werk (bijvoorbeeld het schrijven van unit-tests of boilerplate-code). Ik denk echter dat er nog veel te doen is voor mensen in ML, vooral door onze vaardigheden die we uit ervaring hebben verworven, toe te passen op ongebruikelijke of unieke problemen. En dit alles is niet bedoeld om de nadelen en gevaren voor LLM’s in onze samenleving, waarvan er veel zijn, te minimaliseren.
Je hebt gevraagd of we kunnen “de AI-economie redden.” Gelooft u dat de AI-hype een zeepbel heeft gecreëerd die lijkt op het dotcom-tijdperk, of is het onderliggende nut van de technologie sterk genoeg om deze in stand te houden?
Ik denk dat het een zeepbel is, maar dat de onderliggende technologie echt niet de schuld is. Mensen hebben de zeepbel gecreëerd, en zoals ik in dat artikel heb beschreven, is er een onvoorstelbare hoeveelheid geld geïnvesteerd in de veronderstelling dat LLM-technologie een soort resultaten zal opleveren die evenredige winsten zullen opleveren. Ik denk dat dit dwaas is, niet omdat LLM-technologie op een aantal belangrijke manieren niet nuttig is, maar omdat het niet meer dan $200 miljard nuttig is. Als Silicon Valley en de durfkapitaalwereld bereid zouden zijn een goed rendement op een bescheiden investering te accepteren, in plaats van een enorm rendement op een gigantische investering te eisen, denk ik dat dit een duurzame ruimte zou kunnen zijn. Maar zo is het niet geworden, en ik zie gewoon geen uitweg die niet tot gevolg heeft dat er uiteindelijk een zeepbel barst.
Een jaar geleden schreef je over de “Cultureel verzet tegen generatieve AI.” Wat kunnen AI-bedrijven doen om het vertrouwen bij een sceptisch publiek te herstellen?
Dit is moeilijk, omdat ik denk dat de hype de toon heeft gezet voor de terugslag. AI-bedrijven doen bizarre beloftes omdat de cijfers van het volgende kwartaal altijd iets spectaculairs moeten laten zien om het wiel draaiende te houden. Mensen die daarnaar kijken en voelen dat er tegen hen wordt gelogen, hebben uiteraard een zure smaak over de hele onderneming. Dat zal niet gebeuren, maar als AI-bedrijven de onrealistische beloften zouden intrekken en zich in plaats daarvan hard zouden concentreren op het vinden van redelijke, effectieve manieren om hun technologie toe te passen op de werkelijke problemen van mensen, zou dat veel helpen. Het zou ook helpen als we een brede voorlichtingscampagne zouden voeren over wat LLM’s en ‘AI’ werkelijk zijn, waarbij we de technologie zoveel mogelijk demystificeren. Maar hoe meer mensen over de technologie leren, hoe realistischer ze zullen zijn over wat het wel en niet kan doen, dus ik verwacht dat de grote spelers in de ruimte ook niet geneigd zullen zijn dat te doen.
Je hebt de afgelopen jaren veel verschillende onderwerpen behandeld. Hoe beslis je waar je verder over gaat schrijven?
Ik heb de neiging om de maand tussen de artikelen door te denken over hoe LLM’s en AI in mijn leven verschijnen, de levens van mensen om me heen en het nieuws, en ik praat met mensen over wat ze ermee zien en ervaren. Soms heb ik een specifieke invalshoek die voortkomt uit de sociologie (macht, ras, klasse, geslacht, instituties, enz.) die ik wil gebruiken als kader om naar de ruimte te kijken, of soms geeft een specifieke gebeurtenis of fenomeen mij een idee om mee te werken. Ik maak de hele maand door aantekeningen en als ik ergens op beland waar ik echt in geïnteresseerd ben, en waar ik onderzoek naar wil doen of over na wil denken, kies ik dat voor de volgende maand en ga er dieper op in.
Zijn er onderwerpen waar je nog niet over hebt geschreven en die je graag in 2026 wilt aanpakken?
Ik plan eerlijk gezegd niet zo ver vooruit! Toen ik een paar jaar geleden begon met schrijven, schreef ik een grote lijst met ideeën en onderwerpen op en die heb ik helemaal uitgeput, dus tegenwoordig loop ik hooguit een of twee maanden voor op de pagina. Ik zou graag ideeën van lezers willen krijgen over maatschappelijke kwesties of thema’s die botsen met AI en waar ik graag verder op inga.
Om meer te weten te komen over Stephanie’s werk en op de hoogte te blijven van haar nieuwste artikelen, kun je haar volgen op TDS of LinkedIn.
