Wat we in Office Dog doen is het ondersteunen  van een eerste kleine versie van het model   als experiment, tot het daadwerkelijk  gebruiken in productie bij je bedrijf. Stel je bijvoorbeeld een student voor  die met een afstudeeropdracht bezig is,   en die maakt een agent. Die werkt top. Daar wil je graag wat mee. Traditioneel is het dan lastig  om die ergens neer te zetten,  want hoe krijg je de data daar? Waar ga je hem draaien? Hoe integreer je 'm met je systeem? Bij Office Dog hebben we templates  in bijvoorbeeld een Jupiter notebook   of een Phyton applicatie waar dat  model dan in kan worden gezet. Zo gauw die daar in zit, dan is het heel makkelijk  om ook de data binnen Office Dog aan te spreken. Dus in plaats van zelf te hoeven nadenken  over waar je de informatie over routes en   voertuigen vandaan haalt hebben wij  die beschikbaar en kun je gewoon   opvragen 'geef mij alle voertuigen'. Vervolgens kun je daarmee verder. Wanneer binnen dat template werkt, is het ook  heel makkelijk om die vervolgens in Office   Dog te registreren en te laten trainen met  die infrastructuur zodat het ook snel gaat. Als dat gebeurd is, dan is het een kwestie van  dat getrainde model in de praktijk aan zetten. Dan kun je hem gaan bevragen. Daar kun je dan bijvoorbeeld een dashboard mee   bouwen zodat er een tegeltje bij komt  met de voorspelling uit dat model. Of iedereen data scientist moet worden? Ik denk het niet. Ik denk dat data wel steeds  meer een rol gaat spelen,   en dat mensen dus meer data gedreven  kunnen gaan werken en leven. Maar het echt trainen van die  modellen en de data bij houden,   dat hoeft niet door de gehele  haven gedaan te worden. Over het algemeen zijn we altijd  op zoek naar talent natuurlijk. Bij ons werken mensen met een  achtergrond in machine learning,   deep learning, reinforcement learning. Ik denk dat het leuke aan onze uitdaging  is dat we gewoon echt het verschil maken en   dus zijn het enorme uitdagingen waar we hele  slimme creatieve mensen voor nodig hebben..