1
00:00:00,000 --> 00:00:09,560
Hoi, welkom bij een nieuwe aflevering van de AIToday Live. Met vandaag de gast Thijs Suijten.
2
00:00:09,560 --> 00:00:15,640
En we gaan het hebben over olifanten, Afrika en AI. En hoe dat zit? Ja,
3
00:00:15,640 --> 00:00:21,520
daar moet je even door blijven luisteren. Thijs, welkom bij ons in de podcast. Leuk
4
00:00:21,520 --> 00:00:25,680
dat je mee wilt doen. Zou je je aan de luisteraars eerst even willen voorstellen?
5
00:00:25,680 --> 00:00:33,600
Yes, ja nou leuk dat ik hier kan zijn. Ik ben dus Thijs en ja, hoe zou ik mezelf voorstellen?
6
00:00:33,600 --> 00:00:43,520
Ja. Nerds is eigenlijk de beste omschrijving. Al meer dan 20 jaar ben ik bezig met programmeren,
7
00:00:43,520 --> 00:00:50,400
computers, alles wat daarbij komt kijken. Ik denk toen ik een jaar of 12 was kocht mijn vader
8
00:00:50,400 --> 00:00:56,000
voor het eerst een computer. En ja, dat is eigenlijk het startschot geweest om daarmee
9
00:00:56,000 --> 00:01:00,080
aan de slag te gaan. En ik heb het nooit meer losgelaten. Ja, en je bent best wel iets heel
10
00:01:00,080 --> 00:01:07,480
speciaals gaan doen in onze ogen. En dat is niet zozeer de corporate wereld in toch? Nee,
11
00:01:07,480 --> 00:01:15,000
nee ja goed. Het is maar net hoe je het bekijkt eigenlijk. Ik ben al een hele tijd bezig. Heb
12
00:01:15,000 --> 00:01:21,240
bij een aantal verschillende bedrijven gewerkt. Ook bij ja, corporate. Een corporate is natuurlijk,
13
00:01:21,240 --> 00:01:25,480
dat is de definitie van een corporate. Dat is gewoon een bedrijf toch? Ja, zeker. In die zin
14
00:01:25,480 --> 00:01:32,320
werk ik nog steeds bij een bedrijf. Ja, dus ja. Ik kan niet helemaal zeggen dat ik niet in de
15
00:01:32,320 --> 00:01:37,120
corporate wereld ben gaan werken. Maar inderdaad de projecten die ik op dit moment doe, die zijn
16
00:01:37,120 --> 00:01:44,680
wel anders dan anders zou je kunnen zeggen. Ja, en nou ja, ik heb wat voorkennis. Want ik heb jou
17
00:01:44,680 --> 00:01:49,720
een praatje gezien bij de World Summit AI. Had je je presentatie en daar was ik zo van onder de
18
00:01:49,720 --> 00:01:55,720
indruk dat ik zei van, kom dat alsjeblieft zeg maar bij ons in de podcast vertellen. Dus ik ben echt
19
00:01:55,720 --> 00:02:02,120
super blij dat je er bent. En het mooie is, jij bent aan de slag gegaan met computer vision. Dus
20
00:02:02,120 --> 00:02:10,120
het kunnen kijken van machines. En wij gebruiken dat zelf heel veel voor documenten, mensen herkennen,
21
00:02:10,120 --> 00:02:14,440
dat soort zaken. Maar jij zet het op een andere manier in. Ja, wij zijn dat uiteindelijk gaan
22
00:02:14,440 --> 00:02:22,560
inzetten om te kijken hoe kunnen we olifanten en mensen in Afrika beschermen. Niet alleen olifanten,
23
00:02:22,560 --> 00:02:30,120
maar ook neushoorns en andere bedreigde diersoorten. Ja, en waar, hoe ben je op dat idee
24
00:02:30,120 --> 00:02:36,320
gekomen? Laten we daar eens beginnen. Ja, we zijn, om jullie en de luisteraars een beetje context te
25
00:02:36,320 --> 00:02:45,480
geven. Op dit moment werk ik bij Q42. Dat is een softwarebedrijf, dus een corporate in Nederland.
26
00:02:45,480 --> 00:02:53,880
We maken van alles nog wat. Eigenlijk, ja, een collega van Info Support. En we maken de PostNL
27
00:02:53,880 --> 00:03:01,640
app en de website van het Rijksmuseum, et cetera, et cetera. En binnen Q42, Runne, Tim en dat is mijn
28
00:03:01,640 --> 00:03:06,480
collega en ik, een afdeling genaamd Hack the Planet. En bij Hack the Planet kijken we eigenlijk
29
00:03:06,480 --> 00:03:12,000
van hoe kunnen we nou al die slimme dingen die we dus dagelijks gebruiken voor die grote klanten
30
00:03:12,000 --> 00:03:16,040
waar we voor werken, hoe kunnen we die nou inzetten voor iets goeds? Hoe kunnen we daar nou iets goeds
31
00:03:16,040 --> 00:03:22,840
mee doen? En ja, vanuit die context doen we dit soort projecten. En iets goeds, dat is heel breed.
32
00:03:22,840 --> 00:03:27,320
We doen eigenlijk ook projecten die gaan alle kanten op. Misschien komen we daar later nog op.
33
00:03:27,320 --> 00:03:32,480
Maar in dit specifieke geval voor die olifanten, waren we op een gegeven moment in gesprek geraakt
34
00:03:32,480 --> 00:03:39,520
met rangers. Via Vieren Wereld Natuur Fonds. Daar zijn we in gesprek geraakt met de mensen die dus
35
00:03:39,520 --> 00:03:46,120
in Nationale Parken in Afrika dieren beschermen. En die werken in gigantische gebieden. Die Nationale
36
00:03:46,120 --> 00:03:52,360
Parken zijn vaak zo groot als Nederland en België bij elkaar. Ja, bizar. En rangers die
37
00:03:52,360 --> 00:03:57,120
hebben vaak een klein team. Dus een 10, 20 rangers die moeten dan zo'n gebied patrouilleren,
38
00:03:57,120 --> 00:04:04,640
beschermen. En wij leerden dat ze veel werken met wildcamera's. Nou ja, ik heb er hier eentje bij me.
39
00:04:04,640 --> 00:04:09,560
De luisteraar kan dat niet zien, dus ik zal het beschrijven. Een wildcamera is eigenlijk een
40
00:04:09,560 --> 00:04:15,120
apparaatje wat je vastbindt aan een boom. Er zit een bewegingssensor op. En op het moment dat er
41
00:04:15,120 --> 00:04:21,280
dus iets voorbij loopt, dan neemt hij een foto. En die foto die slaat hij op op een geheugenkaartje.
42
00:04:21,280 --> 00:04:26,680
Nou, dat is een super waardevolle tool voor rangers die heel veel gebruikt wordt om bijvoorbeeld
43
00:04:26,680 --> 00:04:31,440
te kijken waar veel olies van te lopen of waar neushoorns lopen. Maar ook bijvoorbeeld om te
44
00:04:31,440 --> 00:04:36,840
kijken waar stroopers actief zijn in hun park. Ja, het is een apparaatje, want wij zien het wel,
45
00:04:36,840 --> 00:04:42,240
die past gewoon in de palm van je hand. Ja, die past in de palm van je hand en die maken ze vaak
46
00:04:42,240 --> 00:04:47,640
met een spanband vast aan een boom. Er zitten een aantal batterijen in en die dingen die gaan
47
00:04:47,640 --> 00:04:53,400
echt wel iets van een jaar mee of zo. En je zegt slaat op op het apparaat. Maar wordt het ook
48
00:04:53,400 --> 00:04:59,600
nog cloud connected? Nou, dat was precies de gedachte die wij hadden. Want we hoorden dat,
49
00:04:59,600 --> 00:05:05,560
van nou deze gebruiken we veel. Maar dat betekent als je die dingen dus uit het veld haalt. En even
50
00:05:05,560 --> 00:05:11,000
voor de duidelijkheid, dat is niet zeg maar bij jou in de achtertuin op de hoek. Soms moeten
51
00:05:11,000 --> 00:05:16,520
dus gewoon teams twee weken lopen in de jungle om dat ding op te hangen en op te halen. Ja,
52
00:05:16,520 --> 00:05:21,560
dat zijn echt gigantische afstanden. Dus wij dachten ook van ja, super waardevolle tool,
53
00:05:21,560 --> 00:05:25,240
maar je weet pas na zes maanden of na een jaar weet je pas wat er gebeurd is. En dat wil je toch
54
00:05:25,240 --> 00:05:32,040
eigenlijk gelijk weten. Zeker als het gaat om stropers. Dus toen dacht ik, dat moet toch slimmer
55
00:05:32,040 --> 00:05:38,800
kunnen. En ja, wat was dan het eerste wat je denkt van er zijn vast al mensen mee bezig. Of ik ben
56
00:05:38,800 --> 00:05:45,200
vast niet de eerste die dit denkt. Toch? Ja, zeker. Dus dan ga je googlen en ja, tot onze grote
57
00:05:45,200 --> 00:05:50,760
verbazing was er gewoon nog niet echt zoiets. En je hebt dan wel bijvoorbeeld van dit soort
58
00:05:50,760 --> 00:05:55,800
beeldcamera's die je kunnen koppelen op een 4G netwerk. Dus dan kan je wel de beelden
59
00:05:55,800 --> 00:06:01,120
realtime eigenlijk ontvangen. Ja, het probleem is in dat soort gebieden is, daar is geen 4G netwerk.
60
00:06:01,120 --> 00:06:08,200
Dus hoe ga je dat probleem dan oplossen? Dat was dan eigenlijk voor ons de volgende vraagstuk. En
61
00:06:08,200 --> 00:06:13,240
toen hebben we eigenlijk gekeken van, hoe kunnen we op een pragmatische manier de problemen oplossen?
62
00:06:13,240 --> 00:06:19,520
Onze kracht, onze doelstelling is eigenlijk, ja, hack the planet. De naam zegt het al een beetje.
63
00:06:19,520 --> 00:06:25,760
Hoe kunnen we een beetje hacky manier zoiets oplossen? Want het is nogal makkelijk om verzeil
64
00:06:25,760 --> 00:06:30,240
te raken in zo'n probleem en dan vervolgens tien jaar verder te zijn. Dus wat hebben we gedaan?
65
00:06:30,240 --> 00:06:35,520
We hebben een bestaande camera eigenlijk gepakt. En daarmee een klein beetje elektronica aan
66
00:06:35,520 --> 00:06:45,720
toegevoegd en een wifi sd kaartje. Zodat hij dus draadloze capabilities krijgt. En dan? Wat zouden
67
00:06:45,720 --> 00:06:53,480
jullie doen? Ja, ik zit mijn hoofd wel te breken. Misschien met elkaar connecten of zo. Ja, jullie
68
00:06:53,480 --> 00:06:57,600
zijn natuurlijk ook techneuten, dus wat dat betreft werkt jullie brein op dezelfde manier als die van
69
00:06:57,600 --> 00:07:03,280
mij. Ja, we hebben zo'n camera dus connected gemaakt en dan hebben we eigenlijk, dan heb ik hier een
70
00:07:03,280 --> 00:07:08,640
ander apparaatje in mijn handen. Die is iets groter. Sommige mensen hebben wel eens tegen mij
71
00:07:08,640 --> 00:07:15,000
gezegd dat ding lijkt op een Claymore Mine. Ik weet niet of dat een goede vergelijking is. Zeker
72
00:07:15,000 --> 00:07:20,960
niet omdat wij die dingen in onze handbagage meenemen. Het is een mooi klein kistje. Ja,
73
00:07:20,960 --> 00:07:26,120
een beetje een medicijn grote doosje van in de auto zie je zo vaak. Dat is niet mega veel
74
00:07:26,120 --> 00:07:31,560
groter dan de camera, maar net wat groter inderdaad. Klopt. En wat we hierin hebben gestopt,
75
00:07:31,560 --> 00:07:38,480
is hier zit een stukje van ons eigen elektronica onderwerp in. Daar draait een microcontroller op,
76
00:07:38,480 --> 00:07:45,600
dus heel low power. Hier zitten zes oplaadbare batterijen in en je kan hier een zonnepaneeltje
77
00:07:45,600 --> 00:07:51,800
aankoppelen. Kijk. Ja, en met het zonnepaneeltje laadt hij dus op als hij een paar uur zon per dag
78
00:07:51,800 --> 00:07:58,680
krijgt. En wat er dus gebeurt, op het moment dat die wildcamera nu een foto neemt. Dus je moet je
79
00:07:58,680 --> 00:08:03,320
woord zijn dat die wildcamera die hangt een meter boven de grond aan een boom ergens. Dit extra
80
00:08:03,320 --> 00:08:09,960
kastje hang je op een meter of tien hoog in een boom, want dan kan je makkelijker je zonnepaneeltje
81
00:08:09,960 --> 00:08:15,600
positioneren ook. Zeker in Gabon, waar we die dingen hebben hangen, wat echt een regenwoud is.
82
00:08:15,600 --> 00:08:22,000
En op het moment dat die wildcamera zijn foto neemt, stuurt hij een signaaltje naar dit stuk
83
00:08:22,000 --> 00:08:32,680
elektronica. En hierop zit een Raspberry Pi via compute. Een soort mini computer. En die Raspberry
84
00:08:32,680 --> 00:08:39,200
Pi die zetten wij dus aan. En die Raspberry Pi gaat de foto's van die wildcamera af downloaden.
85
00:08:39,200 --> 00:08:43,160
Dan gebruiken we dus machine learning om te kijken van nou wat staat er op die foto's. Staat er een
86
00:08:43,160 --> 00:08:49,600
mens op of een olifant. En ja dan komt het belangrijkste. Hoe krijg je die informatie
87
00:08:49,600 --> 00:08:54,760
op de telefoons van je rangers? Ja precies. En daarom hebben we hier hierboven in het kastje
88
00:08:54,760 --> 00:09:01,360
zit een satellietmodem. Wij gebruiken het Iridium netwerk. En je kan met zo'n satellietmodem per
89
00:09:01,360 --> 00:09:08,600
bericht kan je 340 bytes versturen. Oké, dat is heel weinig. Dus wat wij doen is wij versturen
90
00:09:08,600 --> 00:09:13,840
niet de afbeelding. Maar we hebben eigenlijk de classificatie resultaten van dat machine
91
00:09:13,840 --> 00:09:18,600
learning model die encoden we op een hele slimme manier in zo min mogelijk bytes. Dus we hebben
92
00:09:18,600 --> 00:09:24,480
per afbeelding 6 bytes nodig. En er zit in datum tijd, welke classificatie is het,
93
00:09:24,480 --> 00:09:30,840
hoe zeker is je model ervan. Met de classificatie bedoel je dus staat er een olifant op of niet of
94
00:09:30,840 --> 00:09:37,520
een ander dier. Precies ja. En ja het kan dus zijn dat er meerdere classificaties ook op die
95
00:09:37,520 --> 00:09:42,600
camera staan. Want als er een olifant voorbij loopt dan heb je vaak meerdere foto's of een mens. En
96
00:09:42,600 --> 00:09:47,000
dan via die satellietmodem versturen we dus die informatie eigenlijk direct naar de telefoons
97
00:09:47,000 --> 00:09:58,280
van rangers. Oké, gaaf. En wat betekent dit voor die rangers? Nou, wat betekent dit voor die rangers?
98
00:09:58,280 --> 00:10:04,680
Ja, wij hebben dit eigenlijk ontworpen met als doel stroperij. Dus dan kun je stropers opsporen.
99
00:10:04,680 --> 00:10:10,040
En als je dan eenmaal je tanden in zo'n project gaat zetten leer je super veel. Want even eerlijk,
100
00:10:10,040 --> 00:10:15,680
ik weet niet veel van stroperij en ik weet niet veel van de werkzaamheden van die rangers. En
101
00:10:15,680 --> 00:10:19,880
dat is eigenlijk het leuke aan je tanden in dit soort problematiek zetten waar je eigenlijk zelf
102
00:10:19,880 --> 00:10:27,400
niet zoveel van weet. Dan leer je een heleboel en je spot een heleboel kansen. Dus we zijn in
103
00:10:27,400 --> 00:10:31,760
2021 naar gebonden gegaan en daar hebben we een project gedaan. Daar hebben we tien van deze
104
00:10:31,760 --> 00:10:40,200
werelds eerste AI smart camera's opgevangen. Mooi. Dat was heel cool. En in de tussentijd hebben we
105
00:10:40,200 --> 00:10:45,680
ook geleerd dat er bijvoorbeeld ook veel mens olifant conflicten zijn in Afrika. Dus dat zijn
106
00:10:45,680 --> 00:10:50,560
olifanten die steeds meer in de leefgebieden van mensen komen. En dat zorgt voor dodelijke
107
00:10:50,560 --> 00:10:55,440
confrontaties voor zowel de olifanten als de mensen. En in Gabon hebben we eigenlijk het
108
00:10:55,440 --> 00:11:02,320
systeem daarvoor ingezet. Dus kunnen we olifanten zien en dan als een soort early warning system,
109
00:11:02,320 --> 00:11:07,840
signaaltjes sturen naar de rangers en lokale mensen, dat olifanten in aantocht zijn.
110
00:11:07,840 --> 00:11:15,600
Oh ja. Dat is dan eigenlijk een soort van pivot, een draai ten opzichte van de stroperij, toch?
111
00:11:15,600 --> 00:11:22,440
Ja dat klopt. En de reden dat, ja, ons systeem kan nog steeds natuurlijk ingezet worden om mensen
112
00:11:22,440 --> 00:11:28,600
te spotten en het model wat er opdraait herkent ook mensen. Het is alleen zo dat we hebben toen
113
00:11:28,600 --> 00:11:33,840
voor die uitrol gekozen omdat dat op ons pad kwam. We hebben daar samen gewerkt met de universiteit
114
00:11:33,840 --> 00:11:41,000
van Sterling en dat was gewoon voor ons het meest veilige eerste project waarbij we deze technologie
115
00:11:41,000 --> 00:11:47,240
konden uitproberen. Die gebieden waar echt veel stroperij in kon, heb je een aantal van dat soort
116
00:11:47,240 --> 00:11:52,440
gebieden, die zijn levensgevaarlijk. En dan wil je dus eigenlijk ook niet zomaar rondlopen. Dus
117
00:11:52,440 --> 00:11:57,960
dit was voor ons eigenlijk een soort van nieuw probleemgebied, maar ook een laagdrempelige en
118
00:11:57,960 --> 00:12:04,280
veilige manier om deze technologie te testen. Mooi, ja. Eigenlijk een mooie MVP, dus eerste
119
00:12:04,280 --> 00:12:09,920
product om in de praktijk te testen. Ja klopt. En die camera's zaten dan in een gebied van
120
00:12:09,920 --> 00:12:18,440
een woongebied waar de mensen woonden en daar omheen hingen ze? Ja klopt. Maar dus dan krijgen
121
00:12:18,440 --> 00:12:22,560
dan nu de rangers een signaal of krijgen de bewoners ook een signaal? Nee, in dit geval
122
00:12:22,560 --> 00:12:28,560
krijgen de rangers van de parkinstantie waarmee we gewerkt hebben, die krijgen daar een signaal
123
00:12:28,560 --> 00:12:34,840
van. Oké, en wat gaan zij doen dan? Ja, dit was echt een, dat project in gebonden was echt een
124
00:12:34,840 --> 00:12:40,680
eerste pilot. Dus dat is echt, ja dan ben je aan het ontdekken of de technologie werkt, blijft
125
00:12:40,680 --> 00:12:49,320
die opgeladen. Dus het was een heel grote soort van technische validatie van, werkt zo'n dergelijk
126
00:12:49,320 --> 00:12:56,920
systeem. En in dit geval werd die informatie dus aan rangers gestuurd en afhankelijk van welk
127
00:12:56,920 --> 00:13:04,880
gebied, gaan rangers dus daar zo'n dorp toe om te kijken van, hé wat is er aan de hand? Is er een
128
00:13:04,880 --> 00:13:12,520
conflict ontstaan, et cetera. Dus het is niet zo dat ze gelijk op hun, in de auto springen en
129
00:13:12,520 --> 00:13:18,600
daar met de gillende sirene zo gaan aangaan. Het was vooral ook gewoon om te leren van,
130
00:13:18,600 --> 00:13:25,720
werkt dit, levert het waardevolle informatie op en dat doet het zeker. Wat waren nou dingen waar
131
00:13:25,720 --> 00:13:31,680
je tegenaan bent gelopen die je van tevoren nou helemaal niet had kunnen bedenken? God,
132
00:13:31,680 --> 00:13:40,480
hier kunnen we denken een hele topkast met. Ja, een heleboel dingen eigenlijk, een heleboel
133
00:13:40,480 --> 00:13:46,600
praktische dingen waar je niet over nadenkt, die je daar dus in het veld tegenaan loopt. Maar ook
134
00:13:46,600 --> 00:13:51,160
wel op technisch vlak. Zullen we eens bij de technische beginnen? Ja, laten we dat doen.
135
00:13:51,160 --> 00:13:57,320
Ja, ik ben dus zelf eigenlijk, voordat ik met dit idee in de gang ging, had ik zelf nog niet
136
00:13:57,320 --> 00:14:06,480
zo heel veel gedaan met machine learning en AI. Ik kijk ook niet naar AI als van, oh we gaan nu AI
137
00:14:06,480 --> 00:14:11,200
inzetten om dit of dat te doen. Dat is niet mijn drijfveer. Mijn drijfveer is, ik wil dit probleem
138
00:14:11,200 --> 00:14:19,160
oplossen en hoe kan ik dat doen? In dat geval was AI de logische antwoord daarop. Dus ik ben
139
00:14:19,160 --> 00:14:25,200
eigenlijk begonnen met een cursus volgen online. Ik weet niet meer precies wat zijn achternaam is,
140
00:14:25,200 --> 00:14:33,440
Jeremy heet hij geloof ik, van Fast AI. Die heeft een cursus en de titel daarvan is Machine Learning
141
00:14:33,440 --> 00:14:39,200
for Coders of zoiets. Zullen we hem even opzoeken en in de show notes zetten. Ja, ik vond die heel
142
00:14:39,200 --> 00:14:43,240
erg leuk, omdat die dus heel erg bij de baas begint van hoe werkt machine learning, om je echt een
143
00:14:43,240 --> 00:14:49,280
begrip te geven. En zijn tagline is 'making AI uncool again'. Ja, oh wat goed. Omdat er toch altijd
144
00:14:49,280 --> 00:14:54,440
een soort van zweem van magie of mysterie omheen hangt. Wat helemaal niet nodig is. Wat helemaal
145
00:14:54,440 --> 00:14:58,440
niet nodig is en hij laat zien, dit is gewoon wiskunde, het zijn matrix multiplicaties en
146
00:14:58,440 --> 00:15:05,880
het is niks spannend. Dus ik ben daarmee begonnen, vol goede moed eigenlijk. En Fast AI is dus een
147
00:15:05,880 --> 00:15:13,760
framework wat bovenop PyTorch draait. En nou al vrij snel ging ik daar op een gegeven moment met
148
00:15:13,760 --> 00:15:17,600
plaatjes aan de gang en ging ik modelletjes trainen en er kwamen eigenlijk best wel aardige resultaten
149
00:15:17,600 --> 00:15:23,600
uit. En dan had ik op een gegeven moment een model getraind en dan ga je met zo'n raspberry pi
150
00:15:23,600 --> 00:15:31,400
aan de gang om dat model daarop te draaien. Challenge, uitdaging. Dat was echt hoofdpijn.
151
00:15:31,400 --> 00:15:37,360
Dat was echt, het crashte de hele tijd en het performde voor geen meter. Het eerste model dat ik
152
00:15:37,360 --> 00:15:44,640
gebruikte dat was een ResNet model. Het duurde geloof ik 20 seconden of per afbeelding om te
153
00:15:44,640 --> 00:15:52,000
classificeren zeg maar. Ja dat is wel erg lang. Dat is zeker lang. En de moeilijkheid zit er
154
00:15:52,000 --> 00:15:56,640
natuurlijk in dat die Raspberry Pi is een minicomputer, dus je heeft veel minder rekenkracht
155
00:15:56,640 --> 00:16:03,920
dan als je bijvoorbeeld op je laptop ofzo doet. Ja of in de cloud. Ja de cloud is nog meer.
156
00:16:03,920 --> 00:16:09,440
Ja precies. Nee dus dat was een uitdaging. Nou toen ben ik vanuit daar eigenlijk nog even in
157
00:16:09,440 --> 00:16:14,000
die wereld blijven hangen. Dus heb ik verschillende modellen en architecturen uitgeprobeerd en sommige
158
00:16:14,000 --> 00:16:17,800
performen wat beter dan andere. Maar ik liep er ook wel tegenaan dat ik toch wel merkte dat
159
00:16:17,800 --> 00:16:24,480
die er heel vaak spontaan uit klapte. Het was niet heel erg stabiel zeg maar. En wat is er enger
160
00:16:24,480 --> 00:16:30,880
dan een stukje code schrijven wat ergens in een doosje hangt in het midden van het regenwoud van
161
00:16:30,880 --> 00:16:37,680
Afrika waar je niet bij kan. Waar je twee weken moet lopen om je data op te halen. Ja of om te
162
00:16:37,680 --> 00:16:41,640
updaten. Dan wil je wel dat het, dan wil je wel een beetje vertrouwen hebben dat het stabiel draait.
163
00:16:41,640 --> 00:16:46,480
Ja ja. Dat is toch wel een vraag die bij mij altijd in mijn hoofd blijft. Je noemt net update
164
00:16:46,480 --> 00:16:50,760
hierop. Maar stel zo'n model, misschien wil je nog wat dingen hertrainen en dat soort zaken. Hoe
165
00:16:50,760 --> 00:16:55,480
zou dat in zo'n situatie gaan? Ja grappig dat je het vraagt. Ik heb daar wel rekening mee gehouden.
166
00:16:55,480 --> 00:17:02,800
Dus er zit een update mechanisme in het systeem. Zoals ik al eerder zei in die wildcamera zit een
167
00:17:02,800 --> 00:17:09,600
SD kaartje, een geheugenkaartje. En op het moment dat die mini computer eigenlijk verbinding maakt
168
00:17:09,600 --> 00:17:13,640
met die camera. Dan kijkt die op dat geheugenkaartje. Staat daar een zip verhaal met een
169
00:17:13,640 --> 00:17:17,880
bepaalde naamgeving. En als die er staat dan downloadt die zip verhaal en dan update die
170
00:17:17,880 --> 00:17:24,000
zichzelf. Ja oké. Dus ja dat is een vrij laagdrempelige manier waarop wij dan toch
171
00:17:24,000 --> 00:17:31,680
zo'n systeem. Je moet er wel naartoe maar je kan hem wel updaten. Ja dus ja dat is wel,
172
00:17:31,680 --> 00:17:36,680
dat zijn wel de eerste hoofdpijntjes die ik heb gehad in de ontwikkeling van het systeem. Ik dacht
173
00:17:36,680 --> 00:17:44,120
van ja leuk dat machine learning. Maar voor mijn gevoel en ik denk dat dat klopt. Waar ik tegen
174
00:17:44,120 --> 00:17:50,400
aanliep is er zijn heel veel mensen bezig met met modellen trainen en competities. En dan kwam
175
00:17:50,400 --> 00:17:55,520
het Kaggle competitie. En dan was het van oh ja we hebben nu dit model dat performt 1 procent
176
00:17:55,520 --> 00:18:01,760
punt beter dan de vorige keer. Etcetera. In dat gebied gebeurt heel veel in de academische wereld
177
00:18:01,760 --> 00:18:09,760
van trainen en beter performen. Maar hoe krijg je die technologie nou echt zeg maar daadwerkelijk
178
00:18:09,760 --> 00:18:15,280
op een stukje hardware aan de praat. Ja. Ik voelde me daar best wel eenzaam soms. Ik dacht van oké
179
00:18:15,280 --> 00:18:19,560
ben ik de enige die dit aan het proberen is. Want ik kon werkelijk waar heel weinig vinden over hoe
180
00:18:19,560 --> 00:18:24,480
je dat dan doet. Ja nee dat klopt. En er zijn wel bedrijven die hierin gespecialiseerd zijn.
181
00:18:26,280 --> 00:18:31,640
Maar ik deel jouw mening weet je zeker kegel. Kegel is eigenlijk gewoon een competitie website.
182
00:18:31,640 --> 00:18:36,720
Dus daar gaan ze alleen maar op nauwkeurigheid. Performance, performance, performance. En
183
00:18:36,720 --> 00:18:41,480
niemand kijkt naar wat dat betekent in de praktijk en of het dan nog wel bruikbaar is.
184
00:18:41,480 --> 00:18:50,880
En het kleine maken van modellen. Ik denk dat dat zeker in de aankomende periode een heel groot
185
00:18:50,880 --> 00:18:57,680
issue wordt. Want je wil dingen veel meer zo direct op je telefoon draaien. Je wil het,
186
00:18:57,680 --> 00:19:03,040
nou ja wat jij zegt, op van die minicomputertjes kunnen draaien. We hebben enorm large language
187
00:19:03,040 --> 00:19:08,280
models. Volgens mij moeten die kleiner worden om ze energiezuiniger te maken. Dus ik denk dat je
188
00:19:08,280 --> 00:19:13,200
daar een enorme voorloper in ben geweest. Waarbij we de aankomende jaren gaan zien dat er meer
189
00:19:13,200 --> 00:19:19,480
aandacht voor gaat komen. Ja en dat proef je dan ook. Dat voel je dan ook. Dat als je dus een aantal
190
00:19:19,480 --> 00:19:23,400
voorloper bent, dan heb je dus het gevoel dat je al die problemen voor eerst en alleen moet oplossen.
191
00:19:23,400 --> 00:19:31,520
Dus dat was best wel een uitdaging. Zeker als je dus redelijk groen bent zeg maar in het veld van
192
00:19:31,520 --> 00:19:38,800
machine learning. En dan al die dingen. Maar dat is ja, dan is het gewoon, dat noem ik dan pitbull
193
00:19:38,800 --> 00:19:46,920
modus aan. Tanden erin zetten en pas loslaten als het gelukt is. En ja uiteindelijk heb ik het weten
194
00:19:46,920 --> 00:19:53,040
op te lossen. Misschien een beetje een anti-climax. In ieder geval zo voelde het voor mij ook een beetje.
195
00:19:53,040 --> 00:19:58,200
Want ik had heel veel geleerd over machine learning en hoe je dan eigen modellen kon trainen etc. En
196
00:19:58,200 --> 00:20:01,800
toen dacht ik van nou ik moet iets anders gaan proberen. Dus ben ik naar TensorFlow gaan kijken.
197
00:20:01,800 --> 00:20:07,400
Dan ben ik daar eigenlijk hetzelfde gaan proberen. Met de samples van Google ben ik modellen gaan
198
00:20:07,400 --> 00:20:13,360
trainen. En daar kwamen eigenlijk hele slechte resultaten uit. Dus op een of andere manier
199
00:20:13,360 --> 00:20:17,880
kon ik met dat fast AI en PyTorch kon ik vrij makkelijk goede accurate modellen trainen.
200
00:20:17,880 --> 00:20:22,080
Maar dan runnen ik die samples van Google. Van dit is hoe je een image classification doet.
201
00:20:22,080 --> 00:20:27,000
Op dezelfde dataset. En er kwamen echt verschrikkelijke modellen uit.
202
00:20:27,000 --> 00:20:31,400
Het stond dan soms ook in de comments van Google. Stond zelf van dit is een voorbeeld hoe je een
203
00:20:31,400 --> 00:20:38,800
model traint en de resultaten zijn misschien niet heel goed. You get the idea. Dus dan dacht ik van
204
00:20:38,800 --> 00:20:46,120
ja shit. Maar die TensorFlow modellen die draaiden wel heel goed. En toen kwam ik uiteindelijk bij
205
00:20:46,120 --> 00:20:51,760
AutoML terecht. Dat heet tegenwoordig Vertex AI op de Google platform. Maar dat is basically een
206
00:20:51,760 --> 00:20:56,920
service van Google waarbij je gewoon je dataset upload en dan zegt train optimaliseren voor
207
00:20:56,920 --> 00:21:03,120
hardware. En dat was uiteindelijk de oplossing. Ja want wat hij dan gaat doen is allerlei algoritmes
208
00:21:03,120 --> 00:21:07,640
trainen en dan optimaliseren. In dit geval waarschijnlijk op grootte van het model.
209
00:21:07,640 --> 00:21:12,720
Dan krijg je het best mogelijke model eruit. Ja want volgens mij, de grap is dat je weet dus
210
00:21:12,720 --> 00:21:16,800
niet precies wat hij doet. Want het is echt een black box. Maar wat hij volgens mij doet is
211
00:21:16,800 --> 00:21:23,240
verschillende netwerkarchitecturen uitproberen in het trainingsproces. En ook allemaal hyper
212
00:21:23,240 --> 00:21:29,960
parameters aanpassen. Om zo eigenlijk geautomatiseerd tot het beste oplossing te komen.
213
00:21:29,960 --> 00:21:34,360
Ja want ieder algoritme kent een soort van van knopjes waar je aan kan draaien. En dat zijn die
214
00:21:34,360 --> 00:21:41,960
hyper parameters waar je het over hebt. Ja en daar kwam dus uiteindelijk voor ons het het goede
215
00:21:41,960 --> 00:21:47,600
model uit uit te rollen. En dat voelde dus een beetje als een ja dan ben je eerst heel veel effort
216
00:21:47,600 --> 00:21:50,800
ergens in aan het steken. En heel veel aan het leren. En uiteindelijk is het gewoon een standaard
217
00:21:50,800 --> 00:21:56,680
service. Dat had ik dan ook wat maanden kunnen besparen. Had je heel veel minder geleerd natuurlijk.
218
00:21:56,680 --> 00:22:02,480
Had ik heel veel minder geleerd. Dus het is geen weggegooid geld. Maar het heeft me wel tijd gekost
219
00:22:02,480 --> 00:22:07,560
om tot dat punt te komen. Ja snap ik. Ja en die TensorFlow, we gebruiken nu dus TensorFlow Lite
220
00:22:07,560 --> 00:22:13,400
modellen. Dat zijn dus van die kleinere modellen die dus ook op je telefoon draaien. Ja en daar
221
00:22:13,400 --> 00:22:20,440
passen ze onder andere technologie toe die heet Quantization. Dus dan ik zeg wel nog steeds ben
222
00:22:20,440 --> 00:22:25,520
ik geen expert expert op dit gebied. Maar wat ze doen is de weights die in je modellen zitten,
223
00:22:25,520 --> 00:22:31,800
de gewichten, dat zijn normaal floating point getallen. Die zetten ze om naar 8 bit integers.
224
00:22:31,800 --> 00:22:37,000
Waardoor je model een stuk kleiner wordt en ook sneller. En ja dat draait dus goed op zo'n Raspberry
225
00:22:37,000 --> 00:22:42,200
Pi bijvoorbeeld. Ja dus door getallen eigenlijk kleiner te maken en versimpelen maak je eigenlijk
226
00:22:42,200 --> 00:22:47,600
de formule simpeler. Waardoor die sneller en makkelijker kan rekenen. Ja zeker op zoiets
227
00:22:47,600 --> 00:22:52,320
als een Raspberry Pi. Dan kan gewoon makkelijker rekenen met integers zeg maar dan met gehele
228
00:22:52,320 --> 00:23:02,240
getallen. Met getallen met allemaal cijfers achter de comma. Ja. Je had technische zaken die je geleerd
229
00:23:02,240 --> 00:23:05,520
had en waar je tegenaan was gelopen en ook nog praktische zaken. Ik ben ook wel nieuwsgierig
230
00:23:05,520 --> 00:23:13,960
naar die praktische zaken. Ja want dat is nog iets waar een groot gat is volgens mij. Waar wij
231
00:23:13,960 --> 00:23:20,680
tot nu toe een aantal keer wel in geslaagd zijn om het gat te overbruggen. En dat is het is leuk
232
00:23:20,680 --> 00:23:26,800
dat je op een Raspberry Pi op je bureau een modelletje draait kan krijgen. Maar hoe stop
233
00:23:26,800 --> 00:23:34,560
je dat in een oplossing die je in een regenwoud kan ophangen. Die daar ook lang blijft draaien.
234
00:23:34,560 --> 00:23:40,360
En waar de rangers zelf ook mee kunnen werken. Ja want ja je bent er niet altijd. We zijn daar
235
00:23:40,360 --> 00:23:45,120
twee weken geweest en dan probeer je te laten zien zo werkt het zo hang je het op. Je wil wel
236
00:23:45,120 --> 00:23:49,280
eigenlijk dat de mensen er zelf mee kunnen werken zonder dat jij erbij bent. Precies. En dat is nog
237
00:23:49,280 --> 00:23:55,360
wel de grootste uitdaging. En ik denk dat daar de grootste sleutel is. Het pragmatiek. Oh ja.
238
00:23:55,360 --> 00:24:05,160
Toch de kracht van het weglaten. Waar heb je iets weggelaten wat je dacht van ja maar dit hebben
239
00:24:05,160 --> 00:24:10,680
we eigenlijk wel nodig. Een van de dingen die je eigenlijk altijd te horen krijgen is ja maar we
240
00:24:10,680 --> 00:24:18,080
willen zo graag die foto zien. Dat snap ik. En dit is dus precies waar het als engineer heel
241
00:24:18,080 --> 00:24:23,320
verleidelijk is om dan te gaan denken van oké we kunnen per bericht kunnen we 340 bytes versturen.
242
00:24:23,320 --> 00:24:31,640
Wat nou op een afbeelding heel erg comprimeren als thumbnail en hem in 20 stukjes hakken. Dan
243
00:24:31,640 --> 00:24:38,360
kom je op zoveel bytes uit. Nou dan heb je dan kan je best een thumbnail versturen. En dan voeg
244
00:24:38,360 --> 00:24:42,080
je een volg nummertje toe en dan kan je op de backend kan je ze weer aan elkaar lijmen en dan
245
00:24:42,080 --> 00:24:48,440
kan je je afbeelding maken. Nou technisch gezien is dat inderdaad best mogelijk. Maar dit is echt
246
00:24:48,440 --> 00:24:52,880
iets waar wij altijd van hebben gezegd oké we gaan dat niet doen. Omdat dat gewoon een rabbit hole
247
00:24:52,880 --> 00:24:57,560
is die je dan ingaat om dat technisch ook helemaal goed te krijgen. Moet je zoveel effort en tijd
248
00:24:57,560 --> 00:25:03,320
insteken en niet te vergeten te zeggen dat de kosten van je satellietverbinding zeg maar ook
249
00:25:03,320 --> 00:25:10,480
doortikken. Ja. Hebben we altijd gezegd oké dat doen we niet. En zo zijn er eigenlijk nog een
250
00:25:10,480 --> 00:25:18,480
heleboel features geweest. Ja. Ik doe nu air quotes. Die je gedurende het ontwikkelen van
251
00:25:18,480 --> 00:25:24,400
zo'n ding bedenkt of tegenkomt van het zou tof zijn als. Maar ja hou gewoon soort van hyper focus
252
00:25:24,400 --> 00:25:29,560
op dat probleem wat je probeert op te lossen en probeer niet onderweg een zevenkop gedraak te
253
00:25:29,560 --> 00:25:36,000
creëren. Dat is wel belangrijkste learning eigenlijk. Ja want dan ben je eigenlijk met
254
00:25:36,000 --> 00:25:42,680
de techniek bezig en niet meer met het oplossen van de mens olifant conflicten die je daar hebt
255
00:25:42,680 --> 00:25:47,760
waar je mee bezig was. Hoe heb je voor jezelf die focus kunnen hanteren? Want je zegt net
256
00:25:47,760 --> 00:25:52,480
zelf je bent techie, nerd en dat soort zaken. Die verleiding is natuurlijk heel groot. Want
257
00:25:52,480 --> 00:25:56,320
technisch weten we dat het kan. En we zien het ook in praktijk. We zien het ook bij bedrijven
258
00:25:56,320 --> 00:26:00,000
inderdaad dat dan één keer heel veel functie erbij komt. Hoe heb je toch die focus kunnen
259
00:26:00,000 --> 00:26:06,240
behouden? Ja ik denk dat dat, en dan moeten we iets verder terug gaan. Ik denk dat dat echt
260
00:26:06,240 --> 00:26:13,520
iets wat ondertussen in mijn in mijn dna zit. Dan zou je het bijna kunnen zeggen. En dat is
261
00:26:13,520 --> 00:26:22,400
eigenlijk door schade en schande ben ik daar wijs in geworden. Ik werk nu, nou ik denk tien jaar
262
00:26:22,400 --> 00:26:28,840
ondertussen bij Q42. Daarvoor heb ik een eigen bedrijf gehad. Ook een kleine software onderneming
263
00:26:28,840 --> 00:26:34,400
met een aantal andere mede-eigenaren. En dat was in die periode, ontwikkelden wij een digitaal
264
00:26:34,400 --> 00:26:40,560
product. En dat product dat verkochten we af en toe maar het liep niet helemaal lekker. En ik had
265
00:26:40,560 --> 00:26:45,080
zo'n beetje iedere regelcode in dat product had ik wel aangeraakt of geschreven. Dus ik heb daar
266
00:26:45,080 --> 00:26:50,240
heel veel effort in gestoken. En toen ging ik op een gegeven moment de boek de Lean Startup lezen.
267
00:26:50,240 --> 00:26:55,960
Kennen jullie dat boek? Zeker. Hebben jullie hem ook gelezen allebei? Ja absoluut. En toen ik dat
268
00:26:55,960 --> 00:27:00,000
boek aan het lezen was, dacht ik van oké volgens mij iedere fout die hierin beschreven staat,
269
00:27:00,000 --> 00:27:08,040
die ben ik aan het maken. Ja zo voelde het heel erg. Kan je daar drie noemen? Nou ja een aantal
270
00:27:08,040 --> 00:27:13,080
van die van die fouten zitten zeg maar op business vlak. Dus wij dachten ook van dat product,
271
00:27:13,080 --> 00:27:17,600
ah misschien als we deze feature erbij maken dan verkoopt die wel. Ja dat is eigenlijk,
272
00:27:17,600 --> 00:27:22,720
dat is vrijwel nooit het geval. Maar het is heel erg verleidelijk om dat te denken. Zeker als je
273
00:27:22,720 --> 00:27:29,560
klanten er bijvoorbeeld om vragen. Maar veel, er ligt waarschijnlijk een dieper achterliggend ding
274
00:27:29,560 --> 00:27:34,040
achter. Dat de markt of je marketing of wat dan ook, dat daar iets niet helemaal lekker zit.
275
00:27:34,040 --> 00:27:44,440
Maar eigenlijk voor mij als techie, als CTO destijds van dat product, ja hij heeft het mij echt doen
276
00:27:44,440 --> 00:27:49,000
realiseren. Dat ik dacht van oh mijn god ik heb zoveel uren en zoveel regels code in dit project
277
00:27:49,000 --> 00:27:55,040
zitten. En hoeveel features heb ik wel niet geschreven die eigenlijk niemand gebruikt. En
278
00:27:55,040 --> 00:27:59,440
dat was zo'n klap in mijn gezicht, kan je dat haast wel noemen? Die echt wel, zeg maar tijdens het
279
00:27:59,440 --> 00:28:05,760
lezen van dat boek, is dat inzicht bij mij gekomen. Dat dat heeft wel echt mijn gedachtenpatroon
280
00:28:05,760 --> 00:28:09,800
veranderd. Ik dacht van oké, maar als ik nu aan dingen werk dan wil ik gewoon eigenlijk zeker
281
00:28:09,800 --> 00:28:15,640
weten dat de regels code die ik schrijf, dat die bijdragen aan iets echts, aan iets nuttigs wat
282
00:28:15,640 --> 00:28:21,400
mensen echt gebruiken. Precies. Niet een of andere feature achter in een product wat zeg maar 1% van
283
00:28:21,400 --> 00:28:27,360
je mensen ooit misschien een keer aanklikt. Ja. En toen was ik helemaal nog niet zo heel erg bezig
284
00:28:27,360 --> 00:28:33,280
met dit soort projecten in Afrika, etc. Maar dat was gewoon meer, ja bijna vanuit het gevoel van
285
00:28:33,280 --> 00:28:36,400
nutteloosheid. Ik voelde me gewoon heel erg nutteloos eigenlijk best wel in die periode.
286
00:28:36,400 --> 00:28:40,680
Ik dacht van ja shit, ik heb zoveel effort eigenlijk zitten weggooien gewoon voor niks.
287
00:28:40,680 --> 00:28:44,680
Ja, omdat je denkt dat iemand het nodig heeft. Ja, omdat je denkt dat iemand het nodig heeft,
288
00:28:44,680 --> 00:28:50,400
of omdat je inderdaad je eigen tech verleidingen achterna loopt. Precies, ja. Dat is ook nog een
289
00:28:50,400 --> 00:28:55,360
goeie. En dat is wel mooi dat je dan inderdaad niet bent begonnen met het uploaden van die
290
00:28:55,360 --> 00:29:02,480
foto's. Dat je zegt van nee, dat gaan we niet doen. Kost gewoon te veel tijd en draagt uiteindelijk
291
00:29:02,480 --> 00:29:07,400
niks bij aan wat je aan het doen bent. Precies, het geeft wel iets extra's,
292
00:29:07,400 --> 00:29:11,480
maar het lost in basis het probleem niet op. Kijk, nu hangen die camera's daar en mensen weten niks.
293
00:29:11,480 --> 00:29:16,120
Ja. En met ons systeem krijgen ze zo'n waardevolle schat aan informatie erbij. En natuurlijk zou
294
00:29:16,120 --> 00:29:18,920
die foto leuk zijn, maar… Die kan ook wat later.
295
00:29:18,920 --> 00:29:22,040
Die kan ook wat later inderdaad. Ja, en ook nog, weet je,
296
00:29:22,040 --> 00:29:26,880
ja als je er straks tien gezien hebt, dan zeggen mensen nou ja, ik geloof het. En daarna is het
297
00:29:26,880 --> 00:29:32,000
ook klaar. Dan heb je er ontzettend veel tijd, geld en energie ingestoken. En dan is het zo direct
298
00:29:32,000 --> 00:29:36,360
ook, ja, dat niemand er meer naar kijkt. Nee, dat zijn wij ook. Op het moment dat je
299
00:29:36,360 --> 00:29:41,360
genoeg vertrouwen krijgt in het model wat er is, daar ging het natuurlijk uiteindelijk om. Dat mensen
300
00:29:41,360 --> 00:29:47,760
moeten vertrouwen krijgen in dat het model wat er op draait inderdaad accuraat genoeg is. Dus ja,
301
00:29:47,760 --> 00:29:54,200
terugkomend op je vraag van hoe kan je dus je eye on the ball houden. Ja, dat is echt wel een proces
302
00:29:54,200 --> 00:29:58,600
van de afgelopen tien, vijftien jaar die ik heb doorgemaakt. Die ik ook zeg maar in de projecten
303
00:29:58,600 --> 00:30:03,960
die we hebben gedaan. Dus ik heb dan op een snel app gewerkt. En dat was dat eigenlijk altijd mijn
304
00:30:03,960 --> 00:30:09,640
focus van oké jongens, wat we hier nu gaan doen. Deze feature die we nu gaan bouwen. Niet zomaar
305
00:30:09,640 --> 00:30:16,440
klant vraagt waar je draait, maar altijd gewoon ja, beetje die waarom vraag erop zoeken, achterop
306
00:30:16,440 --> 00:30:21,440
zoeken van is dit wel nuttig. We zullen hem ook weer opnemen in de show note. Want het boek lijkt
307
00:30:21,440 --> 00:30:27,480
door de lean startup dat het vooral is voor startups. Maar het is eigenlijk voor iedereen
308
00:30:27,480 --> 00:30:33,080
die ook maar iets te maken heeft met met bouwen ontwikkelen, maar ook van proces ontwikkelen. Als
309
00:30:33,080 --> 00:30:40,040
jij procedures of zo maakt voor je bedrijf verval je natuurlijk ook heel snel in allerlei moeilijke
310
00:30:40,040 --> 00:30:44,520
dingen en zo. Dus voor iedereen is eigenlijk die die lean startup is wel een aanrader. Ja,
311
00:30:44,520 --> 00:30:49,640
ik denk dat je daar inderdaad wel de spijker op de kop slaat met het stukje. Why? Dus het doel
312
00:30:49,640 --> 00:30:54,800
continu voor ogen hebben. Zoals je zegt, inderdaad, het moet daar op locatie hangen en dit is wat het
313
00:30:54,800 --> 00:31:00,240
moet doen. En daar toon ik ze me terug aan. Draagt het daaraan bij? Nee, nu niet. En dan durven
314
00:31:00,240 --> 00:31:05,000
afknippen van die functionaliteiten. Ja, mooi om te horen. Andere vraag die ik nog had is, wat
315
00:31:05,000 --> 00:31:09,560
heeft het gedaan met de rangers? Want die hadden een camera en die ging af en toe foto's ophalen.
316
00:31:09,560 --> 00:31:15,160
Maar nu in één keer hadden ze dus signalen die ze kregen, ineens extra informatie die op ze afkwam.
317
00:31:15,160 --> 00:31:21,520
Wat heeft het met hun werk gedaan? Ja, dat is dat was wel echt een magisch moment bijna toen we daar
318
00:31:21,520 --> 00:31:27,280
waren. Want ik denk dat we hebben ongeveer zes maanden gewerkt aan dit systeem. Van bedenken
319
00:31:27,280 --> 00:31:34,600
tot dat we echt iets hadden waarvan we dachten van daar kunnen we mee op pad. En zo'n tripje
320
00:31:34,600 --> 00:31:39,160
naar Gabon gaat je ook niet in de koude kleren zitten. Want dat is nou, je moet er natuurlijk
321
00:31:39,160 --> 00:31:44,680
heen. Maar toen waren we in de hoofdstad aangekomen, Libreville, en dan moesten we nog naar het
322
00:31:44,680 --> 00:31:50,120
Nationale Park. Dat is Lopé National Park. Tim en ik, ik was een cameraman, was daarmee een
323
00:31:50,120 --> 00:31:58,160
documentairemaker. We hebben met z'n drieën 14 uur achterin een jeep opgevouwen gezeten met
324
00:31:58,160 --> 00:32:08,120
koffers en eten en stinkende mannen. Dat was echt een helse ervaring om daar te komen. Dus ja,
325
00:32:08,120 --> 00:32:13,760
dat is best wel intens. Maar dan kom je daar dus en dan sta je eigenlijk op een plek op de wereld
326
00:32:13,760 --> 00:32:20,520
die zo afgelegen is. Waar voor honderden kilometers om je heen niets anders is dan regenwoud,
327
00:32:20,520 --> 00:32:26,480
ongerepte natuur. Ja, en dan dat is toch wel een hele bijzondere ervaring. En ik kan me nog
328
00:32:26,480 --> 00:32:31,200
goed herinneren dat, ja wij komen dan op zo'n magische plek aan met een koffer vol elektronica.
329
00:32:31,200 --> 00:32:35,640
En die hadden we op een gegeven moment, er hing daar een waslijn. We hebben al die,
330
00:32:35,640 --> 00:32:40,400
al die mini computers, we noemen het smart bridges, die hadden we aan die waslijn gehangen.
331
00:32:40,400 --> 00:32:44,480
Want we wilden ze allemaal even testen en dubbelchecken dat ze goed werkten. En we
332
00:32:44,480 --> 00:32:48,400
hadden dat gedaan. En we stonden dus aan die ranger uit te leggen van, nou je heb hier die
333
00:32:48,400 --> 00:32:52,520
camera's app, die wildcamera, die kennen ze natuurlijk al. Dus dat was voor hun bekend
334
00:32:52,520 --> 00:32:56,920
terrein. Dus we hadden aan die ranger uitgelegd van hoe dat systeem werkt. Dus die ranger die
335
00:32:56,920 --> 00:33:01,760
vertelde op een gegeven moment aan ons terug van, oké dus die camera die neemt een foto,
336
00:33:01,760 --> 00:33:05,720
dan gaat dat magische doosje gaat dan herkennen wat er op die foto staat en dan krijg ik een
337
00:33:05,720 --> 00:33:11,360
watch appje met deze camera heeft nu een olifant of een mens gezien. En toen zag je eigenlijk
338
00:33:11,360 --> 00:33:15,580
gewoon dat kwartje bij hem vallen. En toen had hij echt zoiets van, holy shit, welkom
339
00:33:15,580 --> 00:33:21,320
in de toekomst. Je zag echt die realisatie bij hem. En dat was ook even een momentje
340
00:33:21,320 --> 00:33:28,480
dat ik Tim even een knuffel heb gegeven. Dat je dan denkt, nou ja, je staat hier en dan
341
00:33:28,480 --> 00:33:30,920
realiseer je ook wat voor impact dat kan hebben.
342
00:33:30,920 --> 00:33:39,720
Wauw, te gek. Wat mij intrigeerde bij jouw praatje bij de World Summit AI, is dat op
343
00:33:39,720 --> 00:33:45,160
een gegeven moment kwam Céline Dion om de hoek kijken. Zou je daar wat over?
344
00:33:45,160 --> 00:33:49,480
Ja, Niels zit met me heel verbaasd te kijken. Wat heb je het over?
345
00:33:49,480 --> 00:33:52,120
We hebben het over olifanten, we hebben het over AI.
346
00:33:52,120 --> 00:33:54,120
En dan hebben we Céline Dion.
347
00:33:54,120 --> 00:33:56,520
Ja, Niels, wil je het niet over Céline Dion hebben?
348
00:33:56,520 --> 00:34:00,600
Vorige keer hadden we al een heel leuk gesprek met iemand van de radio en de muziek.
349
00:34:00,600 --> 00:34:04,000
Toen hebben we het wel over mijn muziekstijl gehad, maar daar zat Céline Dion niet bij,
350
00:34:04,000 --> 00:34:07,520
kan ik je verklappen. Als je die aflevering nog niet geluisterd hebt, zeker even doen.
351
00:34:07,520 --> 00:34:16,920
Ja, nice. Nee, dat is een hele bijzondere clashing of worlds, zou je bijna kunnen zeggen.
352
00:34:16,920 --> 00:34:23,440
En dat is eigenlijk ook het leuke en het krachtige als je daar dus bent. Want als je daar dan
353
00:34:23,440 --> 00:34:28,800
als techie in die wereld ondergedompeld wordt met die rangers, zoals ik eerder al zei,
354
00:34:28,800 --> 00:34:32,680
we hebben geleerd van mens-olifant conflicten, dat is echt een gigantisch probleem, wisten
355
00:34:32,680 --> 00:34:36,200
we ook niks van. Hebben we echt geleerd door dit project te gaan doen, om door samen te
356
00:34:36,200 --> 00:34:41,360
gaan werken met rangers. Mens-olifant conflicten zijn misschien nog wel een groter probleem
357
00:34:41,360 --> 00:34:44,160
dan stroperij voor olifanten.
358
00:34:44,160 --> 00:34:52,440
Want daar kunnen de olifanten ook zoveel wond raken dat ze daar ook aan sterven, toch?
359
00:34:52,440 --> 00:34:57,000
Ja, zeker. Ze raken niet toevallig voor wond, want je moet je voorstellen wat er gebeurt.
360
00:34:57,000 --> 00:35:03,720
En in dit geval in Gabon, een regenwoud, door klimaatverandering produceren de bomen minder
361
00:35:03,720 --> 00:35:09,640
fruit. En die olifanten die eten dat fruit, dus je krijgt hongerige olifanten. En dat
362
00:35:09,640 --> 00:35:14,280
kunnen ze echt zien in de foto's ook, dat de olifanten een stuk magerder zijn. Dus die
363
00:35:14,280 --> 00:35:18,480
olifanten gaan op zoek naar eten op andere plekken. En vaak zijn dat dus plantages van,
364
00:35:18,480 --> 00:35:24,200
er zijn er kleine dorpjes. En dat zijn geen dorpjes zoals jij en ik hier in Nederland.
365
00:35:24,200 --> 00:35:28,560
Daar een plaatje van schetsen, maar dat zijn echt Afrikaanse dorpjes. Dat is heel kleinschalig.
366
00:35:28,560 --> 00:35:33,640
En die mensen die verbouwen daar hun eigen voedsel, want dat is hoe ze rond moeten doen
367
00:35:33,640 --> 00:35:39,320
het leven. Ze hebben daar geen Albert Heijn waar ze naartoe kunnen. En wat er dus gebeurd
368
00:35:39,320 --> 00:35:44,120
is, die olifanten die breken steeds meer in in zo'n plantage. En die komen daar niet
369
00:35:44,120 --> 00:35:49,720
gewoon even een paar bananen eten, maar die vernietigen echt zo'n bananenboom. Dus het
370
00:35:49,720 --> 00:35:56,360
gewassen van die mensen daar worden echt vernietigd door die olifanten. En voor ons zijn olifanten
371
00:35:56,360 --> 00:36:00,840
misschien magische dieren, waar we heel erg "oh, nou mooie beesten". Maar als jij iedere
372
00:36:00,840 --> 00:36:05,000
dag drie olifanten in je achtertuin hebt staan die je gewassen komen verpesten, dan
373
00:36:05,000 --> 00:36:10,320
wordt je perceptie wel iets anders, kan ik je vertellen. Dus ja, je krijgt eigenlijk
374
00:36:10,320 --> 00:36:17,240
wraak van boeren die er achteraan gaan. Inderdaad, toen we daar door de plantage liepen, zagen
375
00:36:17,240 --> 00:36:22,720
we planken liggen van ongeveer een meter lang, met spijkers van 10-20 centimeter daar doorheen
376
00:36:22,720 --> 00:36:29,520
geslagen. Olifantenpunaises zou je het kunnen noemen. Maar ze gebruiken ook andere wapens
377
00:36:29,520 --> 00:36:34,760
of speren om achter die beesten aan te gaan. En die worden dus soms dodelijk verwond. Maar
378
00:36:34,760 --> 00:36:39,800
het komt ook regelmatig voor dat als jij in je plantage bezig bent je cassaven te oogsten
379
00:36:39,800 --> 00:36:47,800
en er komt opeens een olifant de hoek om, die valt jou aan en dat win je niet. Dus dat
380
00:36:47,800 --> 00:36:55,360
is echt een heel groot probleem. Heftig. We hadden dus van dat probleem geleerd en toen
381
00:36:55,360 --> 00:37:00,120
we dus in Gabon waren, toen liepen we op een gegeven moment door een plantage heen en we
382
00:37:00,120 --> 00:37:06,760
zagen daar een olievat staan. Dus geen olifant, maar een olievat. Zo'n metalen vat, met twee
383
00:37:06,760 --> 00:37:12,240
stokken erop. En we vragen van waarom staat dat ding hier? En de lokale rangers zeggen
384
00:37:12,240 --> 00:37:16,520
dus van ja, als wij weten dat er olifanten aankomen, gaan we een hoop kabaal maken in
385
00:37:16,520 --> 00:37:21,880
de hoop weg te jagen. En we hadden letterlijk de dag daarvoor onze eerste slimme camera's
386
00:37:21,880 --> 00:37:27,520
opgehangen en we hadden die avond al sms'jes of Whatsappjes gehad van die camera. "Hey,
387
00:37:27,520 --> 00:37:32,320
er is een olifant langsgelopen." Dus wij gingen naar die camera's toe om te kijken van "Klopt
388
00:37:32,320 --> 00:37:37,640
dat?" Dat klopte, dus dat was wel super cool. En dan loop je dus in zo'n plantage en wat
389
00:37:37,640 --> 00:37:43,520
denk je dan als engineer? "Ja, daar kunnen we wat mee." Ja, dat olifant kunnen we automatiseren.
390
00:37:43,520 --> 00:37:48,440
Dat is precies wat we gedaan hebben. Dus we hebben een systeem gemaakt wat samenwerkt
391
00:37:48,440 --> 00:37:53,240
met die slimme camera's. Op het moment dat die slimme camera's een olifant detecteren,
392
00:37:53,240 --> 00:37:56,100
sturen ze een berichtje naar dat apparaat. En dat apparaat is eigenlijk niets anders dan
393
00:37:56,100 --> 00:38:01,960
een stukje elektronica, wederom in een zonnepaneeltje. En een gigantische hoornluidspreker, waar
394
00:38:01,960 --> 00:38:08,960
we een bak kabaal over uitsturen en een grote lamp, een ledlamp, die begint te knipperen.
395
00:38:08,960 --> 00:38:14,240
En op het moment dat dus een olifant loopt, dan gaat er 200, 300 meter verderop, horen
396
00:38:14,240 --> 00:38:18,640
die olifanten opeens een hoop kabaal. En die olifanten kiezen er dan voor om niet die kant
397
00:38:18,640 --> 00:38:21,800
op te gaan. Over het algemeen proberen olifanten gewoon uit de buurt te blijven van mensen.
398
00:38:21,800 --> 00:38:28,600
En ja, dan hebben we dus eigenlijk een soort olifantenverschrikker gemaakt. En je moet je
399
00:38:28,600 --> 00:38:32,360
zo voorstellen, wij stonden in die plantage bij dat olifant en dan valt dat kwartje bij
400
00:38:32,360 --> 00:38:36,200
jou en dan denk je van, wat als? Nou dan kom je terug naar Nederland, ga je daar mee aan
401
00:38:36,200 --> 00:38:42,360
de slag. En dan sta je een jaar later dus in Zambia, die olifantenverschrikker uit te testen.
402
00:38:42,360 --> 00:38:50,800
Tim en ik hadden altijd zoiets van, wat voor geluiden zetten we erop? Want we hadden al
403
00:38:50,800 --> 00:38:53,680
bedacht, er moeten random geluiden zijn, want die olifanten zijn heel slim. Dus als je iedere
404
00:38:53,680 --> 00:38:58,560
keer hetzelfde afspeelt, dan leren ze dat. Dus we hadden allemaal muziek erop gezet.
405
00:38:58,560 --> 00:39:06,160
En geluiden van bijen en geluiden van metaaldeuren en auto's, wat ik veel. We zeiden altijd van,
406
00:39:06,160 --> 00:39:11,640
hoe grappig zou het zijn als ze, we zetten slimme jongers erop. Wat nou als ze olifanten
407
00:39:11,640 --> 00:39:20,040
kunnen wegjagn met my heart will go on. Ja en toen we in Zambia waren om dat systeem
408
00:39:20,040 --> 00:39:23,880
uit te rollen, hadden we net die avond, hadden we hem opgehangen en we zaten 's avonds
409
00:39:23,880 --> 00:39:32,000
bij het kamp. En we zaten daar te kletsen. En ik hoor in de verte zo'n panfluit. En ik
410
00:39:32,000 --> 00:39:37,800
zeg, jongens, stil eens eventjes. En ja hoor, daar ging Celine Dion over de vlakte. Ja,
411
00:39:37,800 --> 00:39:42,120
toen hebben we wel even goed moeten lachen inderdaad. Want er stonden iets van honderd
412
00:39:42,120 --> 00:39:45,160
geluiden op dat ding en hij speelde iedere keer een random geluid af. Dus we hadden
413
00:39:45,160 --> 00:39:49,880
de kans dat hij die avond zou werken en dat Celine Dion er zo afspeelt.
414
00:39:49,880 --> 00:39:56,480
Dat je daar gewoon getuige van bent. Ja, oh heerlijk. Ja, ik kan sowieso niet zo goed
415
00:39:56,480 --> 00:40:01,160
naar Celine Dion luisteren. Ik zou er ook van wegrennen. Als je fan bent, sorry voor
416
00:40:01,160 --> 00:40:07,680
dat. Maar ik kan nu sinds jouw praatje echt. Ik zat nou, je hebt op Q-music, nee wat was
417
00:40:07,680 --> 00:40:13,320
het nou, Radio 10 ofzo, die top 4000. Kwam Celine Dion voorbij en ik moest meteen aan
418
00:40:13,320 --> 00:40:16,920
olifanten denken. Dat gaat echt nooit meer weg.
419
00:40:16,920 --> 00:40:22,520
Als iemand Celine Dion toevallig kent ofzo, ik ben benieuwd wat zij daarvan zegt. Ik weet
420
00:40:22,520 --> 00:40:27,600
niet of ze er blij mee is of niet. Ze helpt wel heel veel mensen als ik dat zo hoor.
421
00:40:27,600 --> 00:40:33,760
We lachen erom, maar uiteindelijk is het natuurlijk echt for good. Ja, geweldig, geweldig verhaal.
422
00:40:33,760 --> 00:40:38,680
Ik ben benieuwd wat die olifanten er echt van vinden. Nou ja, genoeg om ervoor weg te
423
00:40:38,680 --> 00:40:43,000
rennen toch? Ja, dat is het grappige. In Gabon, het project
424
00:40:43,000 --> 00:40:49,000
wat we daar gedaan hebben, was echt een testen van doen onze slimme camera's het, leveren
425
00:40:49,000 --> 00:40:53,600
ze waarde op. Er hangen nu ongeveer een dertigtal van dat soort camera's in Gabon. Die worden
426
00:40:53,600 --> 00:41:00,720
nu eigenlijk voornamelijk ingezet voor real-time monitoren van biodiversiteit. Dus ze real-time
427
00:41:00,720 --> 00:41:04,480
informatie verzamelen over de hoeveelheid olifanten, de hoeveelheid andere diersoorten
428
00:41:04,480 --> 00:41:11,920
die dus in het bos rondlopen. En in Zambia hangen dan de eerste olifantenverschrikkers.
429
00:41:11,920 --> 00:41:18,320
En we hebben al foto's en filmpjes gezien van olifanten die dus reageren op dat systeem.
430
00:41:18,320 --> 00:41:22,120
En dan zitten daar de specialisten die dus heel goed aan het gedrag van de olifanten
431
00:41:22,120 --> 00:41:27,880
kunnen zien hoe ze zich voelen. En je ziet ze gewoon echt kijken en luisteren en opschrikken.
432
00:41:27,880 --> 00:41:31,760
Dus niet dat ze zich eigenlijk helemaal door het tandje schrikken en wegrennen, maar je
433
00:41:31,760 --> 00:41:36,640
ziet echt dat ze het horen. Dat was ook onze bedoeling van een afstandje. En ze denken
434
00:41:36,640 --> 00:41:42,520
oké, die kant gaan we niet op. Eigenlijk gewoon onaangenaam in plaats van paniek. Ja,
435
00:41:42,520 --> 00:41:48,560
precies. En dat is toch wel heel cool om te zien dat je dan ziet dat die technologie daar
436
00:41:48,560 --> 00:41:53,840
echt werkt en dat dit soort ideeën dan zo bij elkaar kunnen komen. En staat er nog iets
437
00:41:53,840 --> 00:42:01,840
op de planning van wat je gaat toevoegen of uitbreiden? Ja, genoeg. De grap is als je
438
00:42:01,840 --> 00:42:08,920
dus naar zo'n uitrol gaat, kom je altijd terug met tien nieuwe ideeën. En wat er nu concreet
439
00:42:08,920 --> 00:42:14,360
op de planning staat is die olifantenverschrikkers hebben we ook in Roemenië uitgerold. Ja,
440
00:42:14,360 --> 00:42:20,280
zijn er niet zo heel veel olifanten in Roemenië? Nee. Beren ofzo? Ja, precies beren. Op een
441
00:42:20,280 --> 00:42:26,120
gegeven moment zijn we benaderd door een organisatie, Carpathia. En die zeiden, we hebben gezien
442
00:42:26,120 --> 00:42:31,200
wat jullie doen met olifanten. We hebben eigenlijk hetzelfde probleem, maar dan met beren. Dus
443
00:42:31,200 --> 00:42:36,360
we hebben een doorontwikkeling gemaakt van ons systeem. Dat is wel echt lastig trouwens
444
00:42:36,360 --> 00:42:40,520
hoor. Als je het hebt over hardware, ik weet niet waarom ze het hardware noemen. Het is
445
00:42:40,520 --> 00:42:48,760
hard. Heel moeilijk is. Zeker. Deze versie van die slimme computer, die kunnen we eigenlijk
446
00:42:48,760 --> 00:42:52,040
al niet meer produceren omdat er chipjes in zitten die niet meer te verkrijgen zijn. En
447
00:42:52,040 --> 00:42:57,840
dan moet je een nieuwe revisie maken. Ja. Dat is altijd lastig. Maar goed, dus zeg maar
448
00:42:57,840 --> 00:43:05,200
dit soort hardware projecten kosten wel extra veel inspanning. Dus we hebben het systeem
449
00:43:05,200 --> 00:43:08,920
een klein beetje aangepast en daar in Roemenië in een dorpje opgehangen. En we hangen nu
450
00:43:08,920 --> 00:43:15,200
veertien van die systemen eigenlijk om beren buiten dorpjes te hangen. Zo hé. Reageren
451
00:43:15,200 --> 00:43:20,160
die ook op Céline Dion? Nou, de grap is dus dat ze wel anders reageren. Het lijkt erop
452
00:43:20,160 --> 00:43:27,160
dat beren iets minder gevoelig daarvoor zijn. Zeker als het al probleemberen zijn. En we
453
00:43:27,160 --> 00:43:31,680
zijn ook aan het experimenteren met verschillende soorten geluiden. Dus het lijkt erop dat ze
454
00:43:31,680 --> 00:43:37,560
hoogfrequent geluid niet zo relaxed vinden. Een beetje van die hondenfluitjes. En dat
455
00:43:37,560 --> 00:43:46,280
werkt wel. Maar waar we ook achter zijn gekomen is dat het toch nog wel eens gebeurt dat een
456
00:43:46,280 --> 00:43:53,240
beer dan bij zo'n boer aankomt kloppen. En afgelopen zomer waren we in Roemenië en dat
457
00:43:53,240 --> 00:44:00,720
was echt een beerhoogseizoen. En dan was het gewoon dagelijks dat mensen van die organisatie
458
00:44:00,720 --> 00:44:06,640
Carpathia dus in die dorpen bezig waren omdat er gewoon beren rondliepen. En wat die beren
459
00:44:06,640 --> 00:44:11,760
dan doen is, die breken in bij boeren waar hun varkens of koeien rondlopen. En die vallen
460
00:44:11,760 --> 00:44:18,680
dan die varkens aan. En dat ziet er niet mooi uit, kan ik je vertellen. En het probleem
461
00:44:18,680 --> 00:44:24,640
is een beetje dat als beren eenmaal geleerd hebben dat daar zo'n boerderij een soort McDonald's
462
00:44:24,640 --> 00:44:30,520
is waar ze gewoon even een snackje kunnen halen. Dat leren ze heel snel. En dan worden
463
00:44:30,520 --> 00:44:35,720
het dus probleemberen. En die kan je dat eigenlijk niet meer afleren. Dus je wilt in alle tijden
464
00:44:35,720 --> 00:44:41,720
voorkomen dat de beren eigenlijk hun slag kunnen slaan daar. En een van de dingen waar
465
00:44:41,720 --> 00:44:48,680
we nu mee bezig zijn is wat we noemen een instant repeller. Dus zeg maar het verschrikkersysteem
466
00:44:48,680 --> 00:44:53,200
wat we nu hebben, daar zit wat tijd tussen. Dus het nemen van de foto en dat het systeem
467
00:44:53,200 --> 00:44:58,640
echt afgaat zit ongeveer 30 seconden tot 60 seconden zit daar tussen. En waar we nu mee
468
00:44:58,640 --> 00:45:03,680
bezig zijn is een systeem wat een video feed analyseert. En op het moment dat er dan een
469
00:45:03,680 --> 00:45:11,700
beer gesport wordt, dat we gelijk iets kunnen triggeren eigenlijk. En dan is de grote discussie
470
00:45:11,700 --> 00:45:15,480
wat gaan we dan doen om die beer weg te halen? Wat zouden jullie doen?
471
00:45:15,480 --> 00:45:24,280
Ja, ik weet niet of geur of dergelijke nog zou helpen inderdaad. Ik ben geen beer expert
472
00:45:24,280 --> 00:45:29,000
moet ik zeggen. Ik ook niet, maar ik zit toch wel even mijn hoofd te breken. Ik vind het
473
00:45:29,000 --> 00:45:38,720
een leuke prikkelende vraag. Is er een mogelijkheid om met andere dieren ofzo iets te doen?
474
00:45:38,720 --> 00:45:45,720
We hebben nu op het huidige systeem boze berengeluiden staan. Dat helpt wel.
475
00:45:45,720 --> 00:45:50,880
Ze zijn territoriaal dan? Ja, ze zijn ook wel inderdaad als je echt
476
00:45:50,880 --> 00:45:56,520
een alfamannetje geluiden laat maken dan heb je nog wel eens kans dat ze weg gaan.
477
00:45:56,520 --> 00:46:01,860
Hier moet ik niet wezen. Wat we ook wel hebben gehoord is op het moment
478
00:46:01,860 --> 00:46:05,180
dat een beer eenmaal, ik kan het bijna een beetje vergelijken met een kat. Ik weet niet
479
00:46:05,180 --> 00:46:08,800
of je wel eens een kat op straat hebt zien lopen die er dan achter een vogeltje aan zit.
480
00:46:08,800 --> 00:46:13,480
En dan voor die kat verdwijnt eigenlijk de rest van de omgeving. Dat heeft een beer ook
481
00:46:13,480 --> 00:46:18,920
een beetje. Die zoomt dan in op zijn prooi en dan kun je Céline Dion opzetten zo hard
482
00:46:18,920 --> 00:46:23,720
als je wil. Maar dat maakt dan niks meer uit. Dan heeft die beer al eens een lockdown op
483
00:46:23,720 --> 00:46:29,640
zijn prooi. Dus je moet wel van betere huizen komen om die beer weg te jagen.
484
00:46:29,640 --> 00:46:36,680
Wij zaten zelf te denken aan in Amerika of in Canada als je gaat wandelen moet je altijd
485
00:46:36,680 --> 00:46:42,440
beer spray bij je hebben. En dat is een soort pepper spray. Dat is vrij naar spul zeg maar
486
00:46:42,440 --> 00:46:45,920
wat je dus naar die beer kan sprayen. Dus we dachten misschien moeten we een geautomatiseerde
487
00:46:45,920 --> 00:46:49,260
pepper spray installatie maken. Maar dan moet je ook best wel heel dichtbij
488
00:46:49,260 --> 00:46:52,800
zijn toch? Ja, daar is dit systeem ook wel echt voor gemaakt.
489
00:46:52,800 --> 00:46:56,400
Dus als je vrij dichtbij bent. Dit is echt bedoeld om bij de boerderijen op te komen.
490
00:46:56,400 --> 00:47:02,900
Vlak voor het moment dat de beer een slag gaat slaan. We hebben nog gedacht aan paintball
491
00:47:02,900 --> 00:47:12,000
pistolen. Om ze fysiek ook te raken. Maar deze oplossingen zijn allemaal vrij, laten
492
00:47:12,000 --> 00:47:15,440
we zeggen, gevoelig. Want er lopen ook mensen daar.
493
00:47:15,440 --> 00:47:20,400
Ja, je zou me net geclastificeerd worden als beer.
494
00:47:20,400 --> 00:47:25,120
Ja, precies. Dus dat was wel iets waar we even onze hoofd over hebben gebroken. En we
495
00:47:25,120 --> 00:47:30,800
zijn nu uiteindelijk gaan we een prototype maken. En voor de luisteraars, hoe leg je
496
00:47:30,800 --> 00:47:40,040
dat het best uit? Je weet wel eens bij de autodealers staan ze wel eens. Ze noemen het skydancers.
497
00:47:40,040 --> 00:47:45,360
Dat zijn van die poppetjes die dan zo. Van die luchtarmpjes die zo in de weer dansen.
498
00:47:45,360 --> 00:47:50,600
En dat is waar we nu mee gaan beginnen. Dus je moet je voorstellen, we zetten zo'n ding
499
00:47:50,600 --> 00:47:54,600
bij die boer neer. In dat systeem. Op het moment dat er zo'n beer aankomt, gaat die
500
00:47:54,600 --> 00:48:01,760
motor aan. Dat is een vrij forse motor. En die poppetjes zijn vaak 3, 4, 5, 6 meter
501
00:48:01,760 --> 00:48:07,800
hoog. We hopen dat dat impressive genoeg is voor zo'n beer. Dat er opeens een dansende
502
00:48:07,800 --> 00:48:13,880
pop van 4 meter hoog staat om hem weg te jagen. Dan zou je wel de cirkel rond hebben. Want
503
00:48:13,880 --> 00:48:17,440
dan ben je eigenlijk weer bij een vogelverschrikker, maar dan in het hele groot.
504
00:48:17,440 --> 00:48:22,760
Precies. Dus dat is wat we nu gaan uitproberen. En dat wordt gewoon een kwestie van leren
505
00:48:22,760 --> 00:48:25,720
en kijken wat dit doet. Wat ontzettend interessant.
506
00:48:25,720 --> 00:48:29,760
Gaaf. Het lukt inderdaad. Of die beer dan gaat leren dat het toch niet gevaarlijk is, omdat
507
00:48:29,760 --> 00:48:32,360
het telkens hetzelfde is. Dat zou kunnen.
508
00:48:32,360 --> 00:48:35,120
Dat kan alleen maar door de praktijk te toetsen, lijkt mij.
509
00:48:35,120 --> 00:48:40,200
Op een gegeven moment zal je dan toch toe moeten naar dingen die aarrelaxer zijn voor
510
00:48:40,200 --> 00:48:43,560
die beer. Zoals een beer spray of wat dan ook.
511
00:48:43,560 --> 00:48:48,920
Wij hebben ook nog een virtuele co-host die ook nog graag een vraag zou willen stellen,
512
00:48:48,920 --> 00:48:53,440
Thijs. Daar halen we haar er even bij.
513
00:48:53,440 --> 00:49:13,200
Fijn dat je er bent. Mijn naam is Aisha. De AI van deze podcast mag ik je een vraag
514
00:49:13,200 --> 00:49:16,520
stellen? Dat mag.
515
00:49:16,520 --> 00:49:21,520
Denk je dat AI onze sociale relaties en communicatie gaat veranderen?
516
00:49:21,520 --> 00:49:28,040
Zo ja. Hoe? Nou, ik denk dat dat al aan het doen is.
517
00:49:28,040 --> 00:49:34,320
Ja toch? Dat lijkt me wel. AI, hoe wij met elkaar interacteren, behoorlijk
518
00:49:34,320 --> 00:49:38,200
veranderd is. Ik denk dat je eigenlijk, deze hele podcast
519
00:49:38,200 --> 00:49:45,240
gaat misschien wel over sociale verandering. Dat je een klein stukje techniek verpakt hebt
520
00:49:45,240 --> 00:49:51,240
in iets wat bruikbaar is, waardoor je andere sociale communicatie bent gaan stimuleren.
521
00:49:51,240 --> 00:49:57,560
Ja, dat zou je wel kunnen zeggen. Ik kijk het ook vaak vanuit de andere kant.
522
00:49:57,560 --> 00:50:02,240
Dat komt weer een beetje vanuit de achtergrond van de lean startup.
523
00:50:02,240 --> 00:50:08,520
Je kan je realiseren dat je in regels code weinig nuttigs hebt gedaan, tot nu bezig bent
524
00:50:08,520 --> 00:50:13,280
met projecten waarbij je voor mijn gevoel problemen probeert op te lossen die er meer
525
00:50:13,280 --> 00:50:21,520
toe doen. Dat je je ook realiseert dat er zoveel slimme
526
00:50:21,520 --> 00:50:29,080
mensen zijn. Sterker nog, de meeste slimme engineers van deze wereld zijn bezig met problemen
527
00:50:29,080 --> 00:50:34,560
op te lossen waarvan ik wel durf te zeggen, dat hebben we als mensheid toch niet echt
528
00:50:34,560 --> 00:50:40,160
nodig. De slimste machine learning engineers zitten
529
00:50:40,160 --> 00:50:48,480
bij Facebook om daar hun algoritmes te optimaliseren. Om je newsfeed meer clicks te laten genereren.
530
00:50:48,480 --> 00:50:53,280
Mensen meer verslaafd te maken. Als je het hebt over sociale interacties,
531
00:50:53,280 --> 00:51:00,040
op Netflix staat de docu Social Dilemma, geloof ik.
532
00:51:00,040 --> 00:51:06,400
Hebben jullie die gezien? Social Dilemma gaat over dat Facebook verhaal.
533
00:51:06,400 --> 00:51:10,400
Ja, die zei dat goed. Natuurlijk wist ik dat wel, maar ik vond
534
00:51:10,400 --> 00:51:15,360
die docu toch best wel confronterend. Omdat je machine learning aan het werk zet
535
00:51:15,360 --> 00:51:20,960
om te optimaliseren voor meer advertenties, meer verslaving, meer clicks, is de uitkomst
536
00:51:20,960 --> 00:51:27,280
meer polariserende content. En als je het hebt over gaat AI onze sociale interactie
537
00:51:27,280 --> 00:51:31,760
veranderen, dan zou ik zeggen, daar heb je een voorbeeld hoe dat absoluut aan de gang
538
00:51:31,760 --> 00:51:36,840
is op een manier die we niet willen. Nee, niemand kan zeggen dat we op dit moment
539
00:51:36,840 --> 00:51:42,600
geen last hebben van polarisatie. Nee, en dat komt, en daar komt dan weer die
540
00:51:42,600 --> 00:51:47,440
frustratie bij mij vandaan, dat ik denk van, eigenlijk zoveel knappe koppen zijn met dat
541
00:51:47,440 --> 00:51:51,240
soort oplossingen bezig. Terwijl als je daar dan in Afrika rondloopt en je ziet wat je daar
542
00:51:51,240 --> 00:51:54,640
allemaal kan doen met technologie om iets goeds te doen, dan denk je van, ja potverdorie,
543
00:51:54,640 --> 00:51:58,920
waarom zijn we dat dan niet allemaal aan het doen? Ja, dat snap ik natuurlijk ook wel.
544
00:51:58,920 --> 00:52:04,840
Waarom dat zo is? Natuurlijk omdat daar geen geld is. Maar dat is wel jammer,
545
00:52:04,840 --> 00:52:08,680
want dat is ook waarom een platform als Facebook of Twitter, of wat dan ook,
546
00:52:08,680 --> 00:52:15,040
zo polariserend is. Omdat AI eigenlijk gewoon voor de verkeerde uitkomst getraind wordt.
547
00:52:16,040 --> 00:52:21,040
Want een Facebook zou denk ik ook een heel mooi platform kunnen zijn. Als je een AI zou trainen
548
00:52:21,040 --> 00:52:28,280
die Facebook zou optimaliseren voor sociale cohesie en verbinding en menselijke contact,
549
00:52:28,280 --> 00:52:32,800
dan zou er iets heel moois uit kunnen komen. Maar we zijn gewoon voor de keer verkeerde
550
00:52:32,800 --> 00:52:36,560
metric aan het optimaliseren. Precies, helemaal mee eens.
551
00:52:36,560 --> 00:52:42,040
Dat was een buitengewoon informatief antwoord, dank je wel.
552
00:52:42,040 --> 00:52:48,720
Dank je, hoe heet ze ook weer? Aisha? Ze mag wel een beetje een overhok krijgen qua stem.
553
00:52:48,720 --> 00:52:54,960
Nee, dit is express. Wij zijn al voorbereid op de nieuwe EU AI Act,
554
00:52:54,960 --> 00:52:58,960
waarbij als jij aan het interacteren bent met een AI, dat het duidelijk is dat het zo is.
555
00:52:58,960 --> 00:53:03,680
Nee, maar ik heb serieus, want er zijn natuurlijk heel veel natuurlijke stemmen te krijgen,
556
00:53:03,680 --> 00:53:09,600
toch wel ervoor gekozen om voor zo'n robot stem te gaan. Dat je ook daadwerkelijk hoort dat je met
557
00:53:09,600 --> 00:53:15,160
een machine aan het praten bent en niet met een echt mens. Dus ik vind ook dat we de AI niet
558
00:53:15,160 --> 00:53:19,760
moeten vermenselijken. Dat doen we een klein beetje door er wel een naam te geven, maar
559
00:53:19,760 --> 00:53:29,400
daardoor houden we zeg maar die robots stem. Ontzettend bedankt voor dit informatief gesprek.
560
00:53:29,400 --> 00:53:34,680
Het is meer dan dat. Je hebt zoveel dingen geraakt aan praktijk qua techniek,
561
00:53:34,680 --> 00:53:42,720
maar ook in een hele andere cultuur waar je daartegen aan loopt. Zo mooi wat je doet voor
562
00:53:42,720 --> 00:53:48,840
de olifanten, voor de mens, voor het bestaan van beide in zo'n kleine gemeenschap ook.
563
00:53:48,840 --> 00:53:55,680
Het is heel erg inspirerend, heel erg fijn om dat te zien. Voor de luisteraar, Thijs heeft
564
00:53:55,680 --> 00:53:59,280
er allemaal camera's mee. Die kunnen jullie niet zien, maar we gaan zo direct nog even een
565
00:53:59,280 --> 00:54:05,240
korte videoopname maken. Abonneer je via de nieuwsbrief, dan ga je dan ook de video zien.
566
00:54:05,240 --> 00:54:13,400
Thijs, super bedankt. Ja toch? Ja zeker. Ik ben een beetje van beeldspraak, maar de olifant in
567
00:54:13,400 --> 00:54:17,640
de kamer en de beren op de weg. Ja, hele mooie samenvatting. Echt heel mooi om te horen inderdaad.
568
00:54:17,640 --> 00:54:21,720
Dus dank voor het delen van je verhaal. Leuk dat ik hier mocht zijn.
569
00:54:21,720 --> 00:54:31,080
Fijn dat je weer luisterde naar een aflevering van AIToday. Zorg dat je je abonneert via
570
00:54:31,080 --> 00:54:34,560
je favoriete podcast app en mis geen aflevering. Dank je wel voor het luisteren.
571
00:54:34,560 --> 00:54:35,060
Doei.
572
00:54:35,060 --> 00:54:37,060
573
00:54:37,060 --> 00:54:38,860
574
00:54:38,860 --> 00:54:40,580