De Technische Universiteit Eindhoven (TU/e) versnelt de inzet van kunstmatige intelligentie in haar kerntaken. De universiteit in Eindhoven start een breed programma voor onderwijs, onderzoek en ondersteuning. Het traject moet de komende jaren veilig en verantwoord gebruik mogelijk maken, in lijn met de AVG en de Europese AI-verordening. Doel is hogere kwaliteit, snellere innovatie en duidelijkheid over wat de Europese AI-verordening betekent voor onderwijs en overheid.
Onderwijs en onderzoek centraal
De universiteit richt zich op drie pijlers: onderwijs, onderzoek en bedrijfsvoering. In het onderwijs komen duidelijke spelregels voor het gebruik van generatieve systemen. Docenten krijgen hulp bij toetsing en begeleiding, zodat studievoortgang eerlijk en controleerbaar blijft. Zo blijft er ruimte voor innovatie zonder de lat voor kwaliteit te verlagen.
Generatieve AI is software die op basis van voorbeelden nieuwe tekst, code of beelden maakt. Voor studenten en docenten betekent dit nieuwe manieren van schrijven, programmeren en feedback krijgen. TU/e wil dit didactisch inzetten, bijvoorbeeld bij oefenopdrachten of snelle concepten. Tegelijk blijft eindbeoordeling een taak voor mensen.
In het onderzoek ligt de nadruk op reproduceerbaarheid en datamanagement. Onderzoekers krijgen ondersteuning bij veilige opslag, versiebeheer en documentatie van modellen en datasets. Dat moet publicaties controleerbaar maken en hergebruik mogelijk houden. Ook wordt gekeken naar verantwoord delen van data, binnen en buiten Europa.
Voldoet aan AI-verordening
De plannen zijn opgezet met de Europese AI-verordening en de AVG als basis. De AI-verordening deelt systemen in risicoklassen en stelt extra eisen aan hoog-risico toepassingen. In het onderwijs vallen systemen voor selectie, beoordeling of studiebegeleiding vaak in die categorie. Dan zijn onder meer menselijk toezicht, logging en uitleg nodig.
De Europese AI-verordening werkt met vier risicoklassen: minimaal, beperkt, hoog en onaanvaardbaar. Hoe hoger het risico, hoe strenger de eisen voor veiligheid, transparantie en toezicht.
Voor publieke instellingen geldt op het moment van schrijven dat zij bij hoog-risico toepassingen een toets op fundamentele rechten moeten uitvoeren. Dat raakt bijvoorbeeld systemen die beslissen over toegang tot opleidingen of studievoortgang. Daarnaast vraagt de AVG om dataminimalisatie, versleuteling en duidelijke bewaartermijnen. TU/e verwerkt dit in procedures voor inkoop, ontwikkeling en gebruik.
Leveranciers moeten technische documentatie, trainingsdata-bronnen en prestatiekenmerken aanleveren. De universiteit stelt daarbij eisen aan bias-tests en foutmarges. Ook wordt vastgelegd wie verantwoordelijk is voor monitoring en incidentafhandeling. Zo ontstaat een keten van verantwoordelijkheid van leverancier tot gebruiker.
Nieuwe infrastructuur en skills
Snellere integratie vraagt om stevige rekenkracht en veilige omgevingen. TU/e zet in op schaalbare GPU-capaciteit, betrouwbare opslag en toegang voor onderzoeksteams. Afgeschermde omgevingen verkleinen het risico op lekken van gevoelige data. Beheer en kosten worden centraal gestuurd om wildgroei te voorkomen.
Er komt training voor studenten en medewerkers in praktisch gebruik van algoritmen. Denk aan goede opdrachten voor een taalmodel, het controleren van uitkomsten en het combineren met vakkennis. Ook wordt aandacht besteed aan academische integriteit en bronvermelding. Zo blijft het duidelijk wat door een mens en wat door een model is gemaakt.
Bij de keuze van tooling weegt de universiteit privacy en Europese datalocatie mee. Gangbare generatieve systemen zijn ChatGPT van OpenAI, Gemini van Google en open modellen zoals Llama 3 van Meta. Open varianten kunnen lokaal draaien en bieden meer controle over data. Commerciële clouddiensten zijn vaak krachtiger, maar vragen strikte afspraken onder de AVG.
De universiteit kiest per use-case tussen open-source en commerciële opties. Criteria zijn nauwkeurigheid, uitlegbaarheid, kosten en risico’s. Voor onderwijs met persoonsgegevens ligt een afgeschermde oplossing voor de hand. Voor publiek onderzoek kan een publieke API soms volstaan.
Ethische kaders en toezicht
TU/e bouwt aan een heldere governance-structuur voor AI. Een stuurgroep kan beleid maken en prioriteiten stellen. Projectteams voeren uit en rapporteren over risico’s en resultaten. Zo wordt strategische sturing gecombineerd met praktijkervaring.
Voor elk belangrijk systeem komt een risicoanalyse en een impactafweging. Dat omvat testen op vooringenomenheid, foutkansen en effecten voor studenten en medewerkers. Resultaten worden vastgelegd en periodiek herzien. Bij aanpassing van data of model volgt een nieuwe toets.
Transparantie is een randvoorwaarde. De universiteit streeft naar een publiek overzicht van ingezette algoritmen en hun doelen, naar voorbeeld van bestaande algoritmeregisters in Nederland. Gebruikers moeten kunnen zien wanneer een model meebeslist en hoe zij bezwaar kunnen maken. Ook wordt altijd een mens verantwoordelijk gehouden voor de eindbeslissing.
Er komt een laagdrempelige route voor meldingen en klachten. Incidenten worden onderzocht en gedeeld om van te leren. Grote wijzigingen gaan gepaard met communicatie en training. Dat verlaagt weerstand en vergroot vertrouwen.
Effect voor studenten en personeel
Voor studenten kan AI persoonlijke oefenstof en snellere feedback opleveren. Voor docenten scheelt het tijd bij het voorbereiden van lessen en het maken van voorbeelden. Onderzoekers winnen snelheid bij literatuurstudie en code. De universiteit verwacht hogere productiviteit, met behoud van kwaliteit en toetsbare resultaten.
Er zijn ook grenzen en risico’s. Taalmodellen kunnen hallucineren, dus uitkomsten moeten altijd gecontroleerd worden. Detectietools voor AI-teksten zijn op het moment van schrijven onbetrouwbaar en geven soms fout-positieven. Daarom verschuift toetsing meer naar proces, uitleg en mondelinge onderbouwing.
Personeel krijgt ondersteuning bij het aanpassen van werkprocessen. Taken die geschikt zijn voor automatisering worden geanalyseerd en verantwoord ingericht. Functies veranderen, maar menselijk oordeel blijft leidend. Scholing en begeleiding zijn onderdeel van het programma.
De uitrol gebeurt stapsgewijs met pilots en duidelijke meetpunten. Indicatoren zijn leeruitkomsten, tevredenheid en foutpercentages. Waar nodig wordt bijgestuurd of wordt een toepassing gestopt. Zo blijft de balans tussen innovatie en zorgvuldigheid behouden.