In de Author Spotlight-serie chatten TDS-redacteuren met leden van onze community over hun carrièrepaden in data science en AI, hun schrijven en hun inspiratiebronnen. Vandaag delen we graag ons gesprek met Stephanie Kirmer.
Stephanie is een machine learning-ingenieur, met bijna 10 jaar ervaring in datawetenschap en machine learning. Voorheen was ze beheerder van het hoger onderwijs en doceerde ze sociologie en gezondheidswetenschappen aan studenten. Hij schrijft een maandelijkse TDS-post over sociale kwesties en AI/ML en geeft lezingen in het hele land over ML-gerelateerde onderwerpen. Hij zal in april 2026 spreken over strategieën voor het personaliseren van de LLM-beoordeling 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 kunstmatige intelligentie. Ik heb tijdens mijn academische carrière sociologisch leren denken, en dat betekent dat ik naar gebeurtenissen en verschijnselen kijk en dingen vraag als “wat zijn de sociale ongelijkheden die hier spelen?”, “hoe ervaren verschillende soorten mensen dit anders?”, en “hoe beïnvloeden instellingen en groepen mensen de manier waarop dit gebeurt?”. Dit 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 gebeurt en waarom, en dan zoek ik serieus naar bewijs om mijn hypothese te bewijzen of te weerleggen, en dat is in wezen de sociologische methode.
Je werkt 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 code-assistenten die LLM gebruiken echt fascinerend is en de manier verandert waarop veel mensen werken in ML en 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 waardeloos werk (bijvoorbeeld het schrijven van unit-tests of boilerplate-code). Ik denk dat er nog veel te doen is voor mensen die in ML werken, vooral door onze door ervaring opgedane vaardigheden toe te passen op ongebruikelijke of unieke problemen. En dit alles is niet bedoeld om de nadelen en gevaren van LLM’s in onze samenleving, waarvan er veel zijn, te minimaliseren.
Je vroeg of we kunnen”red de AI-economie.” Denkt u dat de hype rond AI een zeepbel heeft gecreëerd die lijkt op het dotcom-tijdperk, of is het onderliggende nut van de technologie sterk genoeg om dit te ondersteunen?
Ik denk dat het een zeepbel is, maar dat de onderliggende technologie niet echt de schuld is. Mensen creëerden de zeepbel, en zoals ik in dat artikel beschreef, werd een onvoorstelbare hoeveelheid geld geïnvesteerd in de veronderstelling dat LLM-technologie resultaten zou opleveren die evenredige winsten zouden genereren. Ik denk dat dit dwaas is, niet omdat LLM-technologie op een aantal fundamentele manieren niet nuttig is, maar omdat het niet nuttig is in meer dan $ 200 miljard. 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 gegaan, en ik zie geen uitweg zonder dat er vroeg of laat een zeepbel barst.
Een jaar geleden schreef je over “Cultureel verzet tegen generatieve kunstmatige intelligentie.” 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 voor de reactie heeft gezet. AI-bedrijven doen extravagante beloftes omdat de cijfers van volgend kwartaal altijd iets spectaculairs moeten laten zien om de wielen aan het draaien te krijgen. Mensen die dit zien en het gevoel hebben dat ze voorgelogen worden, hebben uiteraard een bittere smaak over de hele onderneming. Dat zal niet gebeuren, maar als AI-bedrijven onrealistische beloften zouden opgeven en zich in plaats daarvan zouden concentreren op het vinden van verstandige en effectieve manieren om hun technologie toe te passen op de echte problemen van mensen, zou dat veel helpen. Het zou ook nuttig zijn als we een brede publieke voorlichtingscampagne zouden voeren over wat LLM’s en ‘kunstmatige intelligentie’ werkelijk zijn, waarbij de technologie zoveel mogelijk wordt gedemystificeerd. Maar hoe meer mensen over de technologie leren, hoe realistischer ze zullen zijn over wat de technologie wel en niet kan. Ik verwacht dus dat zelfs de grote spelers in de industrie niet geneigd zullen zijn om het te doen.
De afgelopen jaren heb je veel verschillende onderwerpen behandeld. Hoe beslis je wat je vervolgens gaat schrijven?
Ik heb de neiging om de maand tussen de artikelen door te denken over hoe LLM’s en AI opduiken in mijn leven, in de levens van mensen om me heen en in het nieuws, en ik praat met mensen over wat ze ermee zien en ervaren. Soms heb ik een specifiek gezichtspunt dat voortkomt uit de sociologie (macht, ras, klasse, geslacht, instellingen, enz.) dat ik wil gebruiken als raamwerk om naar de ruimte te kijken, of soms geeft een specifieke gebeurtenis of fenomeen mij een idee om mee te werken. Ik maak gedurende de maand aantekeningen en als ik iets tegenkom waarin ik echt geïnteresseerd ben en dat ik wil onderzoeken of erover wil nadenken, kies ik het 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 voor het eerst begon met schrijven, schreef ik een lange lijst met ideeën en onderwerpen op en putte die volledig uit, dus tegenwoordig loop ik hooguit een maand of twee voor op de pagina. Ik zou graag ideeën van lezers horen over maatschappelijke kwesties of onderwerpen die in strijd zijn met AI en die ik graag verder zou willen onderzoeken.
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.
