Ben jij enthousiast over programmeren? Werk je thuis al aan eigen projecten of vind je het leuk om nieuwe technologieën uit te proberen? Dan hebben wij een plek voor jou! Voor onze vestigingen zoeken we gemotiveerde stagiairs met een passie voor technologie.

 

Waarom stage lopen bij ons in Heerenveen, Hoogeveen, of Amsterdam?

Je werkt op een locatie met veel technische expertise, veel ervaren ontwikkelaars, en 15+ jaar ervaring in het begeleiden van stages Je krijgt de kans om met ervaren ontwikkelaars samen te werken aan oplossingen die ertoe doen Je kunt je verdiepen in onderwerpen zoals softwareontwikkeling, algoritmes, data-analyse en technische modellering Er is veel ruimte voor eigen initiatief en technische creativiteit Mogelijkheid tot doorstroom naar een vaste baan

 

 

Voorbeelden van uitgevoerde opdrachten

HiX PromptHub – Centrale AI-Prompting & Beheer

Voor deze opdracht werd een centrale Prompting-module ontwikkeld in HiX, waarbij Large Language Models op een veilige, beheerbare manier beschikbaar gemaakt zijn voor toepassing in medische werkprocessen. Prompts kunnen centraal onderhouden worden, waarbij het mogelijk gemaakt is deze te verrijken met gegevens uit het patiëntdossier. De prompts zijn eenvoudig via een gestandaardiseerde API door andere HiX-functies aan te roepen, waardoor ze eenvoudig op allerlei plekken in HiX in te zetten zijn. Zodra de prompts in gebruik genomen zijn, worden alle promptaanroepen en gegenereerde resultaten automatisch gelogd zodat we gebruiksstatistieken en gebruikersbeoordelingen per prompt-versie kunnen tonen. Tot slot is er een extra pre-processing-laag toegevoegd, om prompts te kunnen formatteren en om het anonimiseren van vertrouwelijke data te regelen.

 

Slimme werkverdeler voor radiologen

Radiologen verwerken dagelijks tientallen beeldonderzoeken, maar de werklast verschilt sterk per type onderzoek. Een stagiaire interviewde radiologen en ontwikkelde een engine die automatisch zorgt voor een eerlijke verdeling van de werklast, gebaseerd op complexiteit en beschikbare informatie. De oplossing is volledig modulair opgezet, met een test-driven aanpak en gebruik van het flow factory design pattern. Deze tool helpt radiologen efficiënter en eerlijker te werken, met directe impact op hun dagelijkse praktijk.

 

Kamerplanning met Ant Colony Optimization

Voor deze opdracht is een proof of concept ontwikkeld waarin een wiskundig optimalisatiemodel op basis van Ant Colony Optimization is toegepast om automatisch kamerindelingen te genereren binnen revalidatieklinieken. De oplossing houdt rekening met de beschikbaarheid van behandelaren, benodigde faciliteiten en capaciteitsbeperkingen, en vervangt foutgevoelige handmatige planningen. Door gebruik te maken van historische data en technieken uit de besliskunde is een efficiënter en betrouwbaarder planningsproces gerealiseerd, dat geïntegreerd kan worden in de bestaande HiX-omgeving.

 

 

Gebruikte technieken

C# Blazor Git SQL

 

 

Wij zoeken

Studenten Informatica / Toegepaste Wiskunde / Data Science

 

 

Wij bieden

Een riante vergoeding met uitzicht op een vaste baan Een uitgebreide kennismaking met de meest uiteenlopende methodes en ontwikkeltools binnen de zorg-ICT en onze programmeer- en dataomgeving

Wil jij deze uitdaging aangaan?

Stuur je motivatie en/of ideeën dan naar werken@chipsoft.nl.

Heb je zelf een leuker of beter afstudeeridee? Neem gerust contact op!

Het CBS trekt steekproeven onder de Nederlandse bevolking om diverse statistieken te maken. Hierbij is sprake van selectieve nonrespons. Er worden diverse pogingen worden gedaan om de respons zo gelijkmatig mogelijk te laten zijn (naar diverse achtergrondkenmerken van personen). Om voor deze nonrespons te corrigeren, voeren we een zogenaamde weging uit, waarbij personen een gewicht krijgen op basis van de onder- of oververtegenwoordiging in de respons. Personen met achtergrondkenmerken die ondervertegenwoordigd zijn in de respons krijgen dan een groter gewicht dan personen met achtergrondkenmerken die oververtegenwoordigd zijn. Zie bijvoorbeeld [1] voor algemene informatie over wegen.

Bij het uitvoeren van een weging zijn er diverse zaken om rekening mee te houden. Zo kan niet voor scheefheid in alle achtergrondkenmerken gecorrigeerd worden, omdat de gewichten dan te extreem zouden worden. Daarnaast is het vaak verstandig om überhaupt voor niet te veel achtergrondkenmerken te corrigeren omdat dit een negatieve invloed heeft op de marges op de schattingen voor de doelvariabelen van een onderzoek. Ook is er een relatie met de doelvariabelen in het onderzoek: op het moment dat er een correlatie is tussen een achtergrondkenmerk en de doelvariabelen van een onderzoek, is het wenselijk als er wél gecorrigeerd wordt voor dat achtergrondkenmerk als dat kenmerk scheef in de respons zit. Het is daarom vaak verstandig om toch zo veel mogelijk te corrigeren voor scheefheid in achtergrondkenmerken.

Het CBS heeft een reguliere werkwijze voor het opstellen en uitvoeren van wegingen voor de reguliere onderzoeken. Een optie die nog niet gebruikt wordt, maar wel interessant lijkt is het uitvoeren van een zogenaamde voorweging. Hierbij wordt min of meer de weging in twee stappen gedaan, waardoor er mogelijk voor meer en/of voor andere achtergrondkenmerken gecorrigeerd kan worden. Wellicht is het mogelijk om eerst een correctie uit te voeren voor nonrespons en vervolgens een verdere weging uit te voeren die meer focust op de doelvariabelen van het onderzoek en achtergrondkenmerken die daarmee correleren. Dit soort type vragen speelt zowel bij de reguliere steekproeven die op het CBS worden uitgevoerd als bij potentiële nieuwe toepassingen.

In deze stage ga je aan de slag om verschillende opties voor de weging te analyseren en te kijken naar verschillen tussen deze opties. Op basis van enkele indicatoren kan er wellicht een afweging worden gemaakt van wat welke situatie de voorkeur krijgt.

Referenties

[1] https://www.cbs.nl/nl-nl/onze-diensten/methoden/statistische-methoden/throughput/throughput/wegen-als-correctie-voor-non-respons

Het CBS trekt steekproeven onder de Nederlandse bevolking om diverse statistieken te maken. Hierbij is sprake van selectieve nonrespons. Er worden diverse pogingen worden gedaan om de respons zo gelijkmatig mogelijk te laten zijn (naar diverse achtergrondkenmerken van personen). Om voor deze nonrespons te corrigeren, voeren we een zogenaamde weging uit, waarbij personen een gewicht krijgen op basis van een combinatie van het steekproefontwerp (wat resulteert in het zogenaamde startgewicht) en de onder- of oververtegenwoordiging in de respons.  Personen met achtergrondkenmerken die ondervertegenwoordigd zijn in de respons krijgen dan uiteindelijk een groter gewicht dan personen met achtergrondkenmerken die oververtegenwoordigd zijn (als het startgewicht hetzelfde is). Zie bijvoorbeeld [1] voor algemene informatie over wegen.

Deze stage gaat over het uitvoeren van wegingen voor zogenaamde herbenaderingen. Dit zijn onderzoeken waarbij personen worden aangeschreven die al eerder aan een CBS-onderzoek hebben deelgenomen. Het is de vraag wat handig is om als startgewicht te gebruiken. Deze zou gekozen kunnen worden op basis van het eerste CBS-onderzoek waar een persoon aan heeft deelgenomen. Voor het originele onderzoek is echter ook een weging uitgevoerd en het startgewicht voor de herbenadering zou ook gekozen kunnen worden als het gewicht na de weging van het originele onderzoek. Dan heeft er dus al een correctie voor nonrespons plaatsgevonden en kan er bij de herbenadering “verder” gewogen worden voor de eventuele extra onder- of oververtegenwoordiging bij de herbenadering.

In deze stage is het de bedoeling om verschillen tussen de twee opties in kaart te brengen. Zijn er verschillen en zo ja hoe groot zijn die? Als er een verschil is, is het zeer interessant om te kijken of het mogelijk is om te achterhalen waarom die verschillen er zijn en welke optie de voorkeur zou hebben.

Referenties

[1] https://www.cbs.nl/nl-nl/onze-diensten/methoden/statistische-methoden/throughput/throughput/wegen-als-correctie-voor-non-respons