1
00:00:00,000 --> 00:00:07,000
Hoi, leuk dat je weer luistert naar een nieuwe aflevering van de AIToday Live.

2
00:00:07,000 --> 00:00:10,520
Vandaag deel 2 met Sako Arts van Fruitpunch AI.

3
00:00:10,520 --> 00:00:17,120
Ik ben heel erg benieuwd, want we gaan even horen hoe je je kan opgeven als je wil werken

4
00:00:17,120 --> 00:00:18,240
met AI for Good.

5
00:00:18,240 --> 00:00:19,240
Zeker.

6
00:00:19,240 --> 00:00:21,120
Mijn naam Joop Snijder, CTO bij Aigency.

7
00:00:21,120 --> 00:00:23,840
Mijn naam Niels Naglé, Chapter Lead, Data & AI bij Info Support.

8
00:00:23,840 --> 00:00:25,640
Sako, welkom terug.

9
00:00:25,640 --> 00:00:26,640
Dankjewel, dankjewel.

10
00:00:26,640 --> 00:00:32,120
Zou je voor degene die deel 1 hebben gemist, eigenlijk moeten we zeggen van ga die luisteren,

11
00:00:32,120 --> 00:00:36,840
maar zou je even in het heel kort jezelf even willen introduceren en ook even vertellen

12
00:00:36,840 --> 00:00:38,360
wat Fruitpunch AI doet?

13
00:00:38,360 --> 00:00:39,360
Zeker.

14
00:00:39,360 --> 00:00:42,240
Mijn naam is Sako Arts, ik ben de CTO van Fruitpunch AI.

15
00:00:42,240 --> 00:00:47,160
Wij zijn een wereldwijde AI for Good community die als doel heeft om mensen te educeren in

16
00:00:47,160 --> 00:00:49,560
AI en AI voor goede doelen toe te passen.

17
00:00:49,560 --> 00:00:53,480
Onze hoofdmanier om dat te doen zijn onze AI for Good challenges, waarbij we op zoek

18
00:00:53,480 --> 00:00:58,320
gaan naar organisaties wereldwijd die een dataset hebben en een probleem dat ze op zouden

19
00:00:58,320 --> 00:01:05,080
willen lossen waarvan de doelen van die oplossing in alignment liggen met de Sustainable Development

20
00:01:05,080 --> 00:01:06,520
Goals van United Nations.

21
00:01:06,520 --> 00:01:13,120
En dat gebruiken we als manier om zowel mensen te educeren in AI in de praktijk als dus om

22
00:01:13,120 --> 00:01:16,800
goede dingen de wereld in te brengen door ze te vautomatiseren met AI.

23
00:01:16,800 --> 00:01:23,520
In de vorige aflevering hebben we het gehad over hoe je stropers herkent, hoe je zelfs

24
00:01:23,520 --> 00:01:27,400
zeehonden, Balou van Berry kan onderscheiden.

25
00:01:27,400 --> 00:01:34,040
Maar waar ik eigenlijk benieuwd naar ben is van als mensen nu luisteren, AI for Good,

26
00:01:34,040 --> 00:01:36,600
en die zeggen van ja maar dit is zo gaaf, ik wil me opgeven.

27
00:01:36,600 --> 00:01:37,600
Hoe doen ze dat?

28
00:01:37,600 --> 00:01:43,560
We hebben een platform, daar kun je gewoon naar toe, dat is app.fruitpunch.ai of via fruitpunch.ai

29
00:01:43,560 --> 00:01:45,040
kom je daar ook vanzelf terecht.

30
00:01:45,040 --> 00:01:49,920
Daar hebben we alle challenges staan die wij open hebben staan, maar natuurlijk ook die

31
00:01:49,920 --> 00:01:50,920
we in het verleden hebben gedaan.

32
00:01:50,920 --> 00:01:53,760
Dus ik nodig iedereen natuurlijk uit om er even naar te kijken, om te kijken van hé

33
00:01:53,760 --> 00:01:58,840
dit is inderdaad interessant of dat matcht met de technologieën waar ik over wil leren.

34
00:01:58,840 --> 00:02:03,320
Maar daar staan dus ook de challenges die binnenkort van start gaan.

35
00:02:03,320 --> 00:02:07,960
Wat je kan doen is je kunt je daar opgeven om in een mentor track te gaan.

36
00:02:07,960 --> 00:02:13,600
En dat betekent dat als jij je daar opgeeft dan gaan wij echt samen met je kijken van

37
00:02:13,600 --> 00:02:18,360
hé wat zijn jouw leerdoelen, waar wil jij naar toe, welk type technologie wil jij mee

38
00:02:18,360 --> 00:02:23,800
gaan werken, wil jij projectmanagement skills op doen of product owners skills of echt puur

39
00:02:23,800 --> 00:02:25,200
aan die technische kant blijven.

40
00:02:25,200 --> 00:02:30,320
Op die manier kijken we naar jouw profiel en dan nemen we je mee in een specifieke challenge

41
00:02:30,320 --> 00:02:34,120
waar we je dan begeleiden van begin tot eind om ook echt die vaardigheden op te doen.

42
00:02:34,120 --> 00:02:38,360
Dus alle deelnemers die meedoen in onze challenges die krijgen ook echt een certificaat aan

43
00:02:38,360 --> 00:02:41,880
het einde waar niet op staat hé je gefeliciteerd, je hebt leren gered.

44
00:02:41,880 --> 00:02:43,360
Dat staat er ook op.

45
00:02:43,360 --> 00:02:47,720
Maar er wordt echt op een heel individueel niveau jouw skills geaccrediteerd.

46
00:02:47,720 --> 00:02:52,240
Dus als jij hebt laten zien van hé jij kan heel goed met TensorFlow omgaan of computer

47
00:02:52,240 --> 00:02:53,680
vision is echt jouw ding.

48
00:02:53,680 --> 00:02:57,640
Dan word je ook voor die unieke skills wordt jij geïdentificeerd en zo bouwen we ook

49
00:02:57,640 --> 00:03:00,080
een skills rapport op van iedereen.

50
00:03:00,080 --> 00:03:01,080
Mooi.

51
00:03:01,080 --> 00:03:05,720
En dat kun je dus behalen door je in te schrijven in onze betaalde mentor track.

52
00:03:05,720 --> 00:03:08,640
Maar we hebben ook openingen voor experts.

53
00:03:08,640 --> 00:03:13,440
Dus mensen die heel veel weten van het type technologie waarmee we aan de slag gaan of

54
00:03:13,440 --> 00:03:17,400
mensen die heel veel van het domein weten waar de challenge zich in afspeelt.

55
00:03:17,400 --> 00:03:20,040
Die twee groepen die combineren we eigenlijk.

56
00:03:20,040 --> 00:03:23,160
Dus zo promoten we ook heel erg peer-to-peer learning.

57
00:03:23,160 --> 00:03:26,720
Oftewel dat mensen van de experts kunnen leren en andersom.

58
00:03:26,720 --> 00:03:30,960
En op die manier laten we mensen dus echt leren in de praktijk.

59
00:03:30,960 --> 00:03:31,960
Oh mooi.

60
00:03:31,960 --> 00:03:37,480
Ik was er eigenlijk van uitgegaan, je aannames natuurlijk altijd fout, dat je ook een achtergrond

61
00:03:37,480 --> 00:03:38,480
in AI moest hebben.

62
00:03:38,480 --> 00:03:40,840
Maar eigenlijk zeg je dat is helemaal niet nodig.

63
00:03:40,840 --> 00:03:46,480
Nee, dus zeker in de educationele track onboarden we ook mensen die vaak dus wel in het gebied

64
00:03:46,480 --> 00:03:49,800
van AI natuurlijk maar echt meer professional skills op willen doen.

65
00:03:49,800 --> 00:03:53,960
Dus dan kan het een projectmanager, scrum master, product owner, dat soort rollen zien we.

66
00:03:53,960 --> 00:04:00,200
En aan de andere kant hoef je ook niet een AI expert te zijn of een Python programmeerkoning.

67
00:04:00,200 --> 00:04:04,200
Je kan meendoen aan zo'n challenge zodra je iets van programmeren kan.

68
00:04:04,200 --> 00:04:09,640
Zolang jij een klein beetje JavaScript of voor mijn part heb je Matlab geleerd toen je

69
00:04:09,640 --> 00:04:10,640
studeerde.

70
00:04:10,640 --> 00:04:12,520
Dat is in principe voldoende.

71
00:04:12,520 --> 00:04:15,640
Zolang je maar programmerentaal kan lezen dan kunnen wij je meenemen door zo'n challenge

72
00:04:15,640 --> 00:04:16,640
traject.

73
00:04:16,640 --> 00:04:18,760
En dus leren over state of the art AI.

74
00:04:18,760 --> 00:04:19,760
Mooi, cool.

75
00:04:19,760 --> 00:04:21,120
Dus eigenlijk het hele team.

76
00:04:21,120 --> 00:04:24,400
De vorige aflevering hebben we gehad, zo'n vijftig man die meedoen naast zo'n challenge.

77
00:04:24,400 --> 00:04:25,960
Het bestaat dus ook uit alle andere rollen.

78
00:04:25,960 --> 00:04:29,440
Ik had ook even de aanname dat heel veel AI experts bij elkaar in de hok en die gaan hier

79
00:04:29,440 --> 00:04:30,600
even flink mee op los.

80
00:04:30,600 --> 00:04:33,960
Maar ook alle andere rollen zitten dus in die vijftig personen die daar aan werken.

81
00:04:33,960 --> 00:04:34,960
Zeker.

82
00:04:34,960 --> 00:04:37,000
We delen die groep van vijftig man dan ook op in sub teams.

83
00:04:37,000 --> 00:04:40,040
Dus dat zijn teams van ergens tussen de vijf en de tien man.

84
00:04:40,040 --> 00:04:42,680
En daar zitten dus ook mensen met specifieke rollen bij.

85
00:04:42,680 --> 00:04:47,000
Dus je kunt ook product owner van zo'n team worden of de scrum master van zo'n team.

86
00:04:47,000 --> 00:04:49,600
Op die manier organiseren die teams zich ook een beetje zelf.

87
00:04:49,600 --> 00:04:53,320
Natuurlijk begeleiden wij die ook zowel vanuit een technisch oogpunt als vanuit een organisatorisch

88
00:04:53,320 --> 00:04:54,320
oogpunt.

89
00:04:54,320 --> 00:04:56,480
Maar in principe zijn al die teams zelf organiseren.

90
00:04:56,480 --> 00:04:59,240
En die hebben vaak een sub doel waar ze naartoe werken.

91
00:04:59,240 --> 00:05:04,320
We hebben het in de vorige aflevering gehad over de beren challenge.

92
00:05:04,320 --> 00:05:06,520
Daar had ik al gezegd dat dat eigenlijk drie stappen heeft.

93
00:05:06,520 --> 00:05:09,080
Een classificatiestap van is er een beer?

94
00:05:09,080 --> 00:05:13,480
Een gezichtsherkenning stap waar je alleen maar zegt hier zit een berengezicht.

95
00:05:13,480 --> 00:05:15,480
En als laatste de identificatie.

96
00:05:15,480 --> 00:05:19,280
Dat zijn typische sub groepen waarin we zo'n project dan ook opdelen.

97
00:05:19,280 --> 00:05:22,680
Die allemaal verschillende technologieën dan weer gaan gebruiken.

98
00:05:22,680 --> 00:05:26,920
Nog weer kleinere sub groepen van wij gaan convolutional neural networks gebruiken of

99
00:05:26,920 --> 00:05:28,480
wij gaan transformers gebruiken.

100
00:05:28,480 --> 00:05:33,640
En ze proberen heel veel verschillende technieken uit om die sub doel te bereiken.

101
00:05:33,640 --> 00:05:38,280
En dan worden ze dus inderdaad ook weer zelf organizing met van die product owners aan boord.

102
00:05:38,280 --> 00:05:39,880
Wow, mooie aanpak.

103
00:05:39,880 --> 00:05:42,200
Dus ook allemaal hun eigen sub doelen per team.

104
00:05:42,200 --> 00:05:45,200
En daar streven ze naar om met elkaar dat doel te bereiken.

105
00:05:45,200 --> 00:05:48,760
Om je bijdrage aan het grotere doel bij elkaar te kunnen brengen aan het einde.

106
00:05:48,760 --> 00:05:49,760
Ja, zeker.

107
00:05:49,760 --> 00:05:53,200
Ik neem aan dat mensen dit doen naast hun dagelijkse werkzaamheden.

108
00:05:53,200 --> 00:05:55,120
Hoeveel tijd zijn ze hiermee kwijt?

109
00:05:55,120 --> 00:05:59,120
Ja, dus we vragen velen al zo'n acht uur per week per deelnemer.

110
00:05:59,120 --> 00:06:00,960
En dat is ook iets wat we getest hebben in het verleden.

111
00:06:00,960 --> 00:06:04,080
Kijk, in vier uur kun jij je net inlezen voor die week.

112
00:06:04,080 --> 00:06:07,880
En dan het moment dat je tegen één klein programmeerprobleempje aanloopt,

113
00:06:07,880 --> 00:06:12,080
dan lig je al uit de running en je gaat waarschijnlijk tegen twintig programmeerproblemen aanlopen.

114
00:06:12,080 --> 00:06:14,080
Dat is een beetje het doel van challenge-based learning.

115
00:06:14,080 --> 00:06:17,080
Dat je twee problemen aanloopt en ze dan oplost.

116
00:06:17,080 --> 00:06:19,480
Dus daar hebben we gezegd acht uur.

117
00:06:19,480 --> 00:06:23,000
En wat we velen al met bedrijven doen, is dat die vier uur vanuit het bedrijf krijgen.

118
00:06:23,000 --> 00:06:27,000
Dus krijgen we bijvoorbeeld een vrijdagmiddag om aan het project te werken, ook samen met de collega's.

119
00:06:27,000 --> 00:06:32,000
En dan vervolgens besteden die nog in de avonduur of in de weekenden die andere vier uur.

120
00:06:32,000 --> 00:06:35,000
Maar we hebben ook mensen in de challenge die er twintig uur per week aan besteden.

121
00:06:35,000 --> 00:06:37,000
En dat ze het gewoon heel vet vinden.

122
00:06:37,000 --> 00:06:39,000
Ja, dat snap ik.

123
00:06:39,000 --> 00:06:42,000
Als je hier in het begin met induikt, omdat je het niet meer los kan laten.

124
00:06:42,000 --> 00:06:44,000
Zeker omdat het voorgoed is.

125
00:06:44,000 --> 00:06:47,000
Dus als het goed is maak je impact.

126
00:06:47,000 --> 00:06:49,000
Wat leuk, maar wat ook leuk.

127
00:06:49,000 --> 00:06:53,000
Ik blijf nog steeds hangen bij dat je zoveel rollen eromheen hebt.

128
00:06:53,000 --> 00:06:56,000
Wat eigenlijk ook wel weer logisch is.

129
00:06:56,000 --> 00:06:58,000
We doen het nu al een paar jaar.

130
00:06:58,000 --> 00:07:02,000
Het klinkt heel makkelijk, hackathon XL, dat je zo georganiseerd.

131
00:07:02,000 --> 00:07:09,000
Maar uiteindelijk door het meer dan drie jaar te doen, kom je toch wel achter dat er veel verschillende manieren zijn om het aan te pakken.

132
00:07:09,000 --> 00:07:14,000
Dat hebben we over de jaren geoptimaliseerd om zowel mensen zoveel mogelijk te laten leren.

133
00:07:14,000 --> 00:07:18,000
Dat we echt iets nuttigs kunnen doen voor die organisaties waar we mee samenwerken.

134
00:07:18,000 --> 00:07:24,000
En dat iedereen daar samen aan zo'n project aanwerkend gevoel heeft dat ze iets bijgedragen hebben.

135
00:07:24,000 --> 00:07:27,000
Je zei in de vorige aflevering dat het wereldwijd is.

136
00:07:27,000 --> 00:07:31,000
Dus in zo'n challenge doen ook wereldwijd mensen mee om een team te vormen.

137
00:07:31,000 --> 00:07:33,000
Dus veel digitaal dan dat ze bij elkaar komen?

138
00:07:33,000 --> 00:07:36,000
Ja, we doen vrijwel alles digitaal.

139
00:07:36,000 --> 00:07:40,000
We hebben een lancerend evenement en een eindevenement.

140
00:07:40,000 --> 00:07:42,000
Die willen we nog wel eens hybride doen.

141
00:07:42,000 --> 00:07:44,000
Dat we met een deel samenkomen.

142
00:07:44,000 --> 00:07:46,000
Met name als we dit samen met een bedrijf zo'n challenge oppakken.

143
00:07:46,000 --> 00:07:48,000
Maar in principe is alles digitaal.

144
00:07:48,000 --> 00:07:50,000
Dus alle meetings zijn digitaal.

145
00:07:50,000 --> 00:07:52,000
En we doen het ook met mensen van over de hele wereld.

146
00:07:52,000 --> 00:07:57,000
Dus we hebben een gewicht in West-Europa, India, Zuid-Afrika en Noord-Amerika.

147
00:07:57,000 --> 00:08:00,000
Dat zijn echt wel waar de meeste mensen vandaan komen.

148
00:08:00,000 --> 00:08:03,000
Maar uiteindelijk hebben ze ook wel eens vanuit Nieuw-Zeeland.

149
00:08:03,000 --> 00:08:05,000
Dat is tijd zonder techniek gezien.

150
00:08:05,000 --> 00:08:06,000
Is dat vaak wat lastig.

151
00:08:06,000 --> 00:08:08,000
Indonesië, hetzelfde verhaal.

152
00:08:08,000 --> 00:08:10,000
Maar ook Honduras, Oost-Europa.

153
00:08:10,000 --> 00:08:12,000
We hebben eigenlijk elk continent wel gehad.

154
00:08:12,000 --> 00:08:14,000
Behalve Antarctica.

155
00:08:14,000 --> 00:08:17,000
Mocht iemand luisteren in het Nederlands.

156
00:08:17,000 --> 00:08:19,000
In Antarctica wezen.

157
00:08:19,000 --> 00:08:21,000
Alsjeblieft schrijf je in voor de challenge.

158
00:08:21,000 --> 00:08:23,000
Dan kan ik zeggen alle continenten.

159
00:08:23,000 --> 00:08:24,000
Geweldig.

160
00:08:24,000 --> 00:08:26,000
En als bedrijf.

161
00:08:26,000 --> 00:08:28,000
Ik zou zo iets willen.

162
00:08:28,000 --> 00:08:31,000
Wat vraag je van de bedrijven?

163
00:08:31,000 --> 00:08:34,000
We hebben twee verschillende typen.

164
00:08:34,000 --> 00:08:36,000
Mogelijkheden om eraan mee te doen.

165
00:08:36,000 --> 00:08:38,000
Om hem als leertrack te gebruiken.

166
00:08:38,000 --> 00:08:40,000
Eentje is eigenlijk het basis traject.

167
00:08:40,000 --> 00:08:42,000
Daarmee koop je toegang tot de challenge.

168
00:08:42,000 --> 00:08:43,000
Data, et cetera.

169
00:08:43,000 --> 00:08:47,000
Dan kun je meedoen in het peer-to-peer learning traject.

170
00:08:47,000 --> 00:08:50,000
Daar vragen we 250 euro per persoon voor.

171
00:08:50,000 --> 00:08:52,000
Om door zo'n traject heen te doen.

172
00:08:52,000 --> 00:08:55,000
Wanneer we dit doen met mentoring.

173
00:08:55,000 --> 00:08:57,000
Oftewel dat we heel specifiek met die persoon gaan kijken.

174
00:08:57,000 --> 00:08:59,000
Waar wil jij naartoe groeien?

175
00:08:59,000 --> 00:09:01,000
En ze dan ook persoonlijk begrijpen.

176
00:09:01,000 --> 00:09:05,000
Dan is dat 500 euro per deelnemer.

177
00:09:05,000 --> 00:09:08,000
Hier hebben we maandelijkse en jaarlijkse abonnementen voor.

178
00:09:08,000 --> 00:09:11,000
Dan krijg je korting wanneer je dat maandelijks doet.

179
00:09:11,000 --> 00:09:13,000
Of wanneer je voor een traject gaat.

180
00:09:13,000 --> 00:09:16,000
Dan krijg je 20% korting over de hele koers.

181
00:09:16,000 --> 00:09:18,000
Op die manier doen we dat met bedrijven.

182
00:09:18,000 --> 00:09:20,000
We doen ook nog wel grotere deals.

183
00:09:20,000 --> 00:09:24,000
Dus dat we zeggen van jullie onboarden dit jaar 50 man.

184
00:09:24,000 --> 00:09:27,000
En dat we daar dan een custom prijs van maken.

185
00:09:27,000 --> 00:09:28,000
Ja precies.

186
00:09:28,000 --> 00:09:32,000
Mogen bedrijven ook challenges aandragen?

187
00:09:32,000 --> 00:09:34,000
Absoluut. Iedereen mag challenges aandragen.

188
00:09:34,000 --> 00:09:36,000
Eén ding is daar heel belangrijk bij.

189
00:09:36,000 --> 00:09:38,000
Wij verzinnen nooit challenges zelf.

190
00:09:38,000 --> 00:09:41,000
Je kunt je voorstellen dat ik tegen genoeg datasets aanloop.

191
00:09:41,000 --> 00:09:43,000
En problemen in de wereld. Dat doen we niet.

192
00:09:43,000 --> 00:09:44,000
Met als belangrijkste reden.

193
00:09:44,000 --> 00:09:46,000
Wij kunnen niet al die projecten in leven houden.

194
00:09:46,000 --> 00:09:48,000
Helaas. Dat zou ik heel graag doen.

195
00:09:48,000 --> 00:09:51,000
Dus als er geen organisatie is waar onze oplossing in kan landen.

196
00:09:51,000 --> 00:09:52,000
Dan maken we geen impact.

197
00:09:52,000 --> 00:09:54,000
Want dan gaat niemand het gebruiken of implementeren.

198
00:09:54,000 --> 00:09:56,000
Dus we verzinnen geen.

199
00:09:56,000 --> 00:09:58,000
Er zijn altijd organisaties die naar ons toe komen.

200
00:09:58,000 --> 00:09:59,000
Van hé dit is een probleem.

201
00:09:59,000 --> 00:10:01,000
Hier is een dataset.

202
00:10:01,000 --> 00:10:03,000
Kunnen jullie ons daarmee helpen?

203
00:10:03,000 --> 00:10:04,000
En zo doen de bedrijven dat zeker.

204
00:10:04,000 --> 00:10:07,000
Dat hoeven helemaal geen non-profits of zo te zijn.

205
00:10:07,000 --> 00:10:09,000
Je hoeft geen stichting te zijn.

206
00:10:09,000 --> 00:10:12,000
Zolang het probleem maar naar iets goeds toe werkt.

207
00:10:12,000 --> 00:10:14,000
En je data hebt waarmee we aan de slag kunnen.

208
00:10:14,000 --> 00:10:18,000
Dus als je het kan koppelen aan die Sustainable Development Goals.

209
00:10:18,000 --> 00:10:19,000
Dan mag je ons bellen.

210
00:10:19,000 --> 00:10:21,000
O ja. Dat wordt goed.

211
00:10:21,000 --> 00:10:23,000
Wat ik me nog afvroeg.

212
00:10:23,000 --> 00:10:24,000
Er is ook een leertraject.

213
00:10:24,000 --> 00:10:28,000
Dus misschien allemaal nieuwe tooling die ook mensen eigen gaan maken.

214
00:10:28,000 --> 00:10:31,000
Hebben jullie een platform waarop jullie dat ontwikkelen?

215
00:10:31,000 --> 00:10:34,000
Is dat software die mensen zelf mee moeten nemen?

216
00:10:34,000 --> 00:10:35,000
Hoe werkt dat?

217
00:10:35,000 --> 00:10:37,000
Ja dat is een software die wij hebben.

218
00:10:37,000 --> 00:10:38,000
We hebben een eigen platform.

219
00:10:38,000 --> 00:10:41,000
Maar dat is met name om de challenge te organiseren.

220
00:10:41,000 --> 00:10:44,000
Er zitten organisatorische management functionaliteiten bij.

221
00:10:44,000 --> 00:10:46,000
En veel accreditatie functionaliteiten.

222
00:10:46,000 --> 00:10:49,000
Dus die dingen die echt bepalen welke skills jij hebt.

223
00:10:49,000 --> 00:10:50,000
En je daar dan ook voor accrediteert.

224
00:10:50,000 --> 00:10:51,000
En een profiel voor hebben.

225
00:10:51,000 --> 00:10:54,000
Daar zitten in principe geen AI ontwikkeltools in.

226
00:10:54,000 --> 00:10:56,000
En dat zou ook niet heel nuttig zijn.

227
00:10:56,000 --> 00:10:58,000
Want kijk uiteindelijk moet jij het gaan doen.

228
00:10:58,000 --> 00:11:00,000
Met dat het in de wereld leeft.

229
00:11:00,000 --> 00:11:03,000
Dus wij doen onze challenges ook technologisch agnostisch.

230
00:11:03,000 --> 00:11:06,000
Dat betekent dat eigenlijk dat open staat aan het begin van elke challenge.

231
00:11:06,000 --> 00:11:10,000
Kijk maar wat nu het beste is om dit probleem mee op te lossen.

232
00:11:10,000 --> 00:11:12,000
Nou kom je vaak al bij Python uit.

233
00:11:12,000 --> 00:11:14,000
PyTorch als deep learning framework.

234
00:11:14,000 --> 00:11:17,000
De YOLO familie voor object detectie.

235
00:11:17,000 --> 00:11:20,000
We zien natuurlijk wel daar een bepaalde standaard lijn in.

236
00:11:20,000 --> 00:11:22,000
Maar in principe staat dat open bij elke challenge.

237
00:11:22,000 --> 00:11:25,000
En zo doen we ook de compute infrastructuur.

238
00:11:25,000 --> 00:11:27,000
Soms moet je nogal behoorlijk rekenen.

239
00:11:27,000 --> 00:11:32,000
Daar hebben wij van HP wat on-premise hardware.

240
00:11:32,000 --> 00:11:35,000
Dus we hebben een eigen computer daarvoor.

241
00:11:35,000 --> 00:11:37,000
Waar een aantal GPU's in zitten.

242
00:11:37,000 --> 00:11:39,000
Die we daarvoor kunnen gebruiken.

243
00:11:39,000 --> 00:11:41,000
Maar we hebben ook een samenwerking met Snellius.

244
00:11:41,000 --> 00:11:43,000
De Nederlandse supercomputer.

245
00:11:43,000 --> 00:11:45,000
Waarbij we echt ook de A100's aan kunnen schakelen.

246
00:11:45,000 --> 00:11:47,000
Om hem binnen deze projecten te gebruiken.

247
00:11:47,000 --> 00:11:50,000
En zo hebben we ook partnerships met AWS, Google, IBM.

248
00:11:50,000 --> 00:11:54,000
Om ook in hun clouds aan te kunnen draaien.

249
00:11:54,000 --> 00:11:56,000
Dus we kijken eigenlijk per challenge.

250
00:11:56,000 --> 00:11:58,000
Hé wat gaan we nodig hebben hier?

251
00:11:58,000 --> 00:12:01,000
Welke order grote infrastructuur?

252
00:12:01,000 --> 00:12:04,000
En op die manier gebruiken we dat in de challenge.

253
00:12:04,000 --> 00:12:06,000
Het mooie is dat het ook echt open is.

254
00:12:06,000 --> 00:12:08,000
Vanuit zo'n bedrijf die dat aanbiedt.

255
00:12:08,000 --> 00:12:10,000
Die geven geen requirements.

256
00:12:10,000 --> 00:12:13,000
Het moet in deze taal op die platform draaien.

257
00:12:13,000 --> 00:12:15,000
Nee, nee.

258
00:12:15,000 --> 00:12:17,000
Het is wel eens gebeurd.

259
00:12:17,000 --> 00:12:18,000
Bijvoorbeeld bij het ziekenhuis.

260
00:12:18,000 --> 00:12:21,000
We doen ook veel challenges in de geneeskunde hoek.

261
00:12:21,000 --> 00:12:24,000
Dan heb je natuurlijk al veel vrij gevoelige data.

262
00:12:24,000 --> 00:12:28,000
En die data wil je het liefst niet uit hun infrastructuur halen.

263
00:12:28,000 --> 00:12:30,000
Dus als het ziekenhuis in Azure werkt.

264
00:12:30,000 --> 00:12:32,000
Dan betekent dat wij dan dus ook in Azure werken.

265
00:12:32,000 --> 00:12:33,000
Ja, precies.

266
00:12:33,000 --> 00:12:35,000
We werken wel eens met die limitaties.

267
00:12:35,000 --> 00:12:37,000
Maar over het algemeen is dat niet nodig.

268
00:12:37,000 --> 00:12:40,000
Nee, maar dat zijn dan eigenlijk meer wettelijke limitaties.

269
00:12:40,000 --> 00:12:41,000
Zou je kunnen zeggen.

270
00:12:41,000 --> 00:12:43,000
Dan technologische.

271
00:12:43,000 --> 00:12:44,000
Nee, zeker.

272
00:12:44,000 --> 00:12:46,000
Het doel is gewoon om de beste techniek uit te gebruiken.

273
00:12:46,000 --> 00:12:48,000
En vaker is dat natuurlijk open source.

274
00:12:48,000 --> 00:12:51,000
Zowel laat ons dat toe om ze voor een tal van doelen in te zetten.

275
00:12:51,000 --> 00:12:55,000
Maar dat zijn tegenwoordig ook gewoon de beste tools in dit gebied.

276
00:12:55,000 --> 00:12:57,000
Is er wel eens een opdracht geweest?

277
00:12:57,000 --> 00:12:58,000
Een challenge?

278
00:12:58,000 --> 00:13:00,000
Die langs gekomen is waarvan je dacht.

279
00:13:00,000 --> 00:13:03,000
Tien weken, dat kan niet.

280
00:13:03,000 --> 00:13:06,000
Ja, dat gebeurt wel eens.

281
00:13:06,000 --> 00:13:09,000
Wat we het meeste doen is knippen het op in meerdere challenges.

282
00:13:09,000 --> 00:13:12,000
Zo hebben we vandaag een nieuwe challenge gelanceerd.

283
00:13:12,000 --> 00:13:14,000
AI for Nepali Farmers.

284
00:13:14,000 --> 00:13:16,000
En wat we daar gaan doen.

285
00:13:16,000 --> 00:13:22,000
We hebben documenten die hun boeren beschrijven.

286
00:13:22,000 --> 00:13:24,000
En dat gaat dus over financiële documenten.

287
00:13:24,000 --> 00:13:27,000
Dus leningen die ze aangegaan zijn om bepaalde dingen te financieren.

288
00:13:27,000 --> 00:13:30,000
Maar ook informatie over de acties die ze gedaan hebben.

289
00:13:30,000 --> 00:13:32,000
Wanneer ze dingen geplant hebben.

290
00:13:32,000 --> 00:13:33,000
Wanneer ze ze geharvest hebben.

291
00:13:33,000 --> 00:13:34,000
En allemaal dat soort zaken.

292
00:13:34,000 --> 00:13:36,000
Dat doen ze daar allemaal op papier.

293
00:13:36,000 --> 00:13:42,000
En dat laat ze vervolgens niet toe om de digitale tooling te gebruiken.

294
00:13:42,000 --> 00:13:43,000
Die er tegenwoordig voor beschikbaar is.

295
00:13:43,000 --> 00:13:46,000
Maar ook financiering van extern te halen.

296
00:13:46,000 --> 00:13:49,000
Dat gaat niet als je in Nepalese geschreven documenten.

297
00:13:49,000 --> 00:13:52,000
Met een fotootje over WhatsApp zeg maar.

298
00:13:52,000 --> 00:13:55,000
Dus dat is wel wat er gebeurt nu.

299
00:13:55,000 --> 00:13:57,000
Dus om die voornamelijk vrouwen in dit geval.

300
00:13:57,000 --> 00:13:59,000
We doen dat samen met Hyperlabs.

301
00:13:59,000 --> 00:14:02,000
Dus het gaat over het algemeen over Women Run Farms.

302
00:14:02,000 --> 00:14:04,000
Zoals ze dat dan zelf noemen.

303
00:14:04,000 --> 00:14:07,000
Gaan we kijken of we die documenten eerst kunnen digitaliseren.

304
00:14:07,000 --> 00:14:09,000
En daarna kunnen structureren.

305
00:14:09,000 --> 00:14:11,000
En dat hebben we dus opgeknipt in twee challenges.

306
00:14:11,000 --> 00:14:13,000
Omdat we in de eerste gaan Nepali tackeln.

307
00:14:13,000 --> 00:14:15,000
Dat is een relatief obscure taal.

308
00:14:15,000 --> 00:14:18,000
Waar niet heel veel tooling voor bestaat.

309
00:14:18,000 --> 00:14:20,000
Om dat te kunnen vertalen al.

310
00:14:20,000 --> 00:14:22,000
Vertalen gaat nog wel.

311
00:14:22,000 --> 00:14:24,000
Zo moet je OCR doen.

312
00:14:24,000 --> 00:14:26,000
Optical Character Recognition.

313
00:14:26,000 --> 00:14:30,000
Je moet de taal kunnen lezen digitaal.

314
00:14:30,000 --> 00:14:32,000
Veel daarvan is ook handgeschreven.

315
00:14:32,000 --> 00:14:34,000
Dus dan moet je handgeschreven OCR doen.

316
00:14:34,000 --> 00:14:37,000
Op het Nepali schrift.

317
00:14:37,000 --> 00:14:39,000
Dat is een vrij grote uitdaging.

318
00:14:39,000 --> 00:14:43,000
Dus dat hebben we als eerste challenge gepakt.

319
00:14:43,000 --> 00:14:46,000
We gaan dus Nepali digitaliseren.

320
00:14:46,000 --> 00:14:48,000
Zowel handgeschreven en dan meteen vertalen.

321
00:14:48,000 --> 00:14:51,000
En de tweede stap is dan echt structuur uit die documenten trekken.

322
00:14:51,000 --> 00:14:54,000
Want als je alleen maar alle tekst uit zo'n document trekt.

323
00:14:54,000 --> 00:14:56,000
Dan heb je een hele lange lijst met woorden.

324
00:14:56,000 --> 00:14:58,000
Maar dan staat er nog geen informatie in.

325
00:14:58,000 --> 00:15:01,000
En in die tweede challenge zullen we dan ook veel meer met GenAI en dergelijke aan de slag.

326
00:15:01,000 --> 00:15:05,000
Kunnen we kijken of we die ook echt nuttige informatie uit de structuur kunnen halen.

327
00:15:05,000 --> 00:15:08,000
Zodat we die informatie ook direct kunnen digitaliseren.

328
00:15:08,000 --> 00:15:12,000
Het gaat dan over honderden dan niet duizenden verschillende boerderijen.

329
00:15:12,000 --> 00:15:15,000
Dus op die manier kunnen we dan ook die informatie aggregeren.

330
00:15:15,000 --> 00:15:18,000
En informatie geven over hoe goed ze bezig zijn in bepaalde gebieden.

331
00:15:18,000 --> 00:15:20,000
En daar dan ook voorspellingen en dergelijke mee kunnen doen.

332
00:15:20,000 --> 00:15:21,000
Mooi.

333
00:15:21,000 --> 00:15:22,000
Ja, wauw.

334
00:15:22,000 --> 00:15:25,000
Als ik dat alleen al hoor, dan denk ik van ja, iedereen heeft waarschijnlijk zijn eigen aanpak.

335
00:15:25,000 --> 00:15:27,000
Wat hij wel opschrijft, hoe hij het opschrijft.

336
00:15:27,000 --> 00:15:29,000
Wat hij vastlegt en wat hij anders vastlegt.

337
00:15:29,000 --> 00:15:31,000
Dus dat klinkt als een flinke challenge.

338
00:15:31,000 --> 00:15:33,000
Dus daarom hebben we hem opgesplitst in twee challenges.

339
00:15:33,000 --> 00:15:35,000
De data engineer in je.

340
00:15:35,000 --> 00:15:37,000
Ik zit al een beetje te knippen.

341
00:15:37,000 --> 00:15:39,000
Hoe gaat dat wel samen komen inderdaad.

342
00:15:39,000 --> 00:15:40,000
Maar dat is inderdaad een flinke challenge.

343
00:15:40,000 --> 00:15:43,000
Ook zelfs als je hem in tweeën knipt, heb je al een mooie flinke challenge te pakken.

344
00:15:43,000 --> 00:15:46,000
Ja, de reden dat ik het aangedurfd heb eigenlijk.

345
00:15:46,000 --> 00:15:50,000
Dat eerste deel, dat gaat ook heel nuttig los zijn.

346
00:15:50,000 --> 00:15:53,000
Je kunt op die manier dan, dat Nepalisch schrift vertaald wordt.

347
00:15:53,000 --> 00:15:55,000
Dat hoeft niet alleen maar voor deze use case gebruikt te worden.

348
00:15:55,000 --> 00:15:58,000
Dat tweede, daar zou ik vroeger van teruggedeisd zijn.

349
00:15:58,000 --> 00:16:00,000
Ik weet niet of dat dan...

350
00:16:00,000 --> 00:16:03,000
Kijk, als het heel gestructureerd is, die documenten, dan gaat het.

351
00:16:03,000 --> 00:16:06,000
Maar dat is het waarschijnlijk niet, laten we eerlijk zijn.

352
00:16:06,000 --> 00:16:12,000
Maar dat is dus wel wat, zeg maar, Vision Gen AI nu mogelijk maakt.

353
00:16:12,000 --> 00:16:16,000
Zodat ze die afbeelding en die structuur eruit kunnen extraheren.

354
00:16:16,000 --> 00:16:19,000
Ik heb dat al getest met een aantal proxy problemen.

355
00:16:19,000 --> 00:16:21,000
Dus dingen die erop lijken.

356
00:16:21,000 --> 00:16:23,000
En daar kun je best wel veel mee doen.

357
00:16:23,000 --> 00:16:27,000
Dus in dit geval hoop ik dat we dat zo ook voor elkaar kunnen krijgen.

358
00:16:27,000 --> 00:16:29,000
Ja, gaaf.

359
00:16:29,000 --> 00:16:32,000
Ik heb een heel ander type vraag.

360
00:16:32,000 --> 00:16:36,000
Want we zijn natuurlijk deze aflevering zo head on erin gegaan.

361
00:16:36,000 --> 00:16:42,000
De diepte in van, maar wat heeft jou daartoe bewogen?

362
00:16:42,000 --> 00:16:47,000
Had je eigenlijk altijd al een iets om voor good te doen?

363
00:16:47,000 --> 00:16:50,000
Met waar je nu mee bezig bent?

364
00:16:50,000 --> 00:16:55,000
Ja, ik ben altijd, diep van binnen ben ik gewoon een nerd.

365
00:16:55,000 --> 00:16:59,000
Dus we zijn al echt van vroeger uit al met computers bezig.

366
00:16:59,000 --> 00:17:03,000
En ooit dan die gedachte gehad van waarom kan een computer niet zelf...

367
00:17:03,000 --> 00:17:06,000
allemaal relaties doorregelen, dat moet toch kunnen?

368
00:17:06,000 --> 00:17:09,000
Maar toen een zeer beperkte begrip van hoe ingewikkeld dat kan zijn.

369
00:17:09,000 --> 00:17:12,000
Dan ben ik informatica mee gaan studeren.

370
00:17:12,000 --> 00:17:15,000
En het is vooral de educatiehoek waar ik altijd al een passie voor gehad heb.

371
00:17:15,000 --> 00:17:19,000
Dus waar ik ook op de universiteit heel veel betrokken ben geweest.

372
00:17:19,000 --> 00:17:24,000
Direct ook bij het oprichten van de eerste AI & Data Science opleidingen in Nederland.

373
00:17:24,000 --> 00:17:30,000
En mijn passie zit hem daarmee echt in de techniek en de educatiehoek.

374
00:17:30,000 --> 00:17:35,000
Wat is nou beter dan die passie combineren met daadwerkelijk impact maken in de wereld?

375
00:17:35,000 --> 00:17:39,000
Dat is waar ik eigenlijk mijn eigen niche gevonden heb.

376
00:17:39,000 --> 00:17:41,000
Geef je ook nog les?

377
00:17:41,000 --> 00:17:45,000
Ik begeleid wat lesprogramma's op de universiteit.

378
00:17:45,000 --> 00:17:49,000
Vanuit Fruitpunch doen we sowieso masterclasses, cursussen en dat soort dingen...

379
00:17:49,000 --> 00:17:51,000
om aan te vullen op de challenge.

380
00:17:51,000 --> 00:17:54,000
En dat verzorgen we ook voor de universiteiten.

381
00:17:54,000 --> 00:17:56,000
Leuk.

382
00:17:56,000 --> 00:18:00,000
We hebben nog een vraag van Aisha voor jou.

383
00:18:00,000 --> 00:18:08,000
Hartelijk welkom. Ik ben Aisha, de AI van deze podcast. Mag ik je een vraag stellen?

384
00:18:08,000 --> 00:18:10,000
Jazeker.

385
00:18:10,000 --> 00:18:20,000
Kun je een moment beschrijven waarop AI je een onverwacht resultaat gaf dat beter bleek te zijn dan het beoogde resultaat?

386
00:18:20,000 --> 00:18:26,000
Dat AI... Ik heb verschillende voorbeelden.

387
00:18:26,000 --> 00:18:31,000
Er zijn bepaalde technieken waarvan ik dacht dat dit toch wel was.

388
00:18:31,000 --> 00:18:34,000
Andersom, dat je dacht dat dit wel gaat worden.

389
00:18:34,000 --> 00:18:36,000
Dat laatste.

390
00:18:36,000 --> 00:18:39,000
Dat is allebei. Maar dat AI...

391
00:18:39,000 --> 00:18:49,000
Ik heb in de vorige podcast verteld over een challenge waarbij we informatie extra heerden uit facturen.

392
00:18:49,000 --> 00:18:52,000
En op die manier de carbon impact inschatting deden.

393
00:18:52,000 --> 00:18:58,000
Wat mij daar uiteindelijk verrast was de eerste keer dat we op schaal op deze manier large language models inzetten.

394
00:18:58,000 --> 00:19:03,000
Hoe goed en gestructureerd die antwoord kunnen geven.

395
00:19:03,000 --> 00:19:10,000
Dus niet alleen maar een vrij fluffy antwoord wat je in eerste instantie verwacht van zo'n probabilistisch model, zo'n large language model.

396
00:19:10,000 --> 00:19:13,000
Van ongeveer is het in de richting waar je moet zijn.

397
00:19:13,000 --> 00:19:15,000
Want in de natuurlijke taal werkt dat zo.

398
00:19:15,000 --> 00:19:17,000
Ongeveer is goed genoeg voor een beschrijving.

399
00:19:17,000 --> 00:19:20,000
Maar als je hem vraagt om exacte JSON uit te poeten.

400
00:19:20,000 --> 00:19:23,000
En dan gewoon precies van oké ik wil op deze regel dit hebben.

401
00:19:23,000 --> 00:19:24,000
En ik wil het zo gestructureerd hebben.

402
00:19:24,000 --> 00:19:26,000
En je mag maximaal zoveel woorden gebruiken.

403
00:19:26,000 --> 00:19:28,000
Mag het lang, mag het kort, mag het Engels, mag het Spaans.

404
00:19:28,000 --> 00:19:31,000
Dat dat gewoon allemaal zo gestructureerd perfect werkte.

405
00:19:31,000 --> 00:19:34,000
Dat je dat met duizenden samples kan doen.

406
00:19:34,000 --> 00:19:36,000
En vervolgens dat in één keer in kan laden in een database.

407
00:19:36,000 --> 00:19:38,000
Zonder dat daar één foutje tussen zit.

408
00:19:38,000 --> 00:19:43,000
Ik was daar de eerste keer wel door verrast dat dat zo goed werkte met large language models.

409
00:19:43,000 --> 00:19:44,000
Ja, waanzinnig hè.

410
00:19:44,000 --> 00:19:48,000
Ja, juist ook met het begrip van hoe zo'n model eigenlijk werkt onderin.

411
00:19:48,000 --> 00:19:53,000
Dacht ik juist wat nou dit is precies wat die modellen eigenlijk niet zo goed in zouden moeten zijn.

412
00:19:53,000 --> 00:19:54,000
Want die werken dan perfect.

413
00:19:54,000 --> 00:19:56,000
Dus dat verrast hem wel heel erg.

414
00:19:56,000 --> 00:20:00,000
Ja, wat ik nu ook fijn vind is als je, nou gaan we echt nerd talken.

415
00:20:00,000 --> 00:20:03,000
Als je de API aanspreekt dat je tegenwoordig gewoon kan zeggen.

416
00:20:03,000 --> 00:20:05,000
Dat je gewoon onze optie mee kan geven.

417
00:20:05,000 --> 00:20:07,000
Ik wil alleen maar JSON outputen.

418
00:20:07,000 --> 00:20:08,000
Ja, geweldig.

419
00:20:08,000 --> 00:20:09,000
Ja, heel vet.

420
00:20:09,000 --> 00:20:14,000
En dat was ook wel toen meemakende hoe de large language models groeiden.

421
00:20:14,000 --> 00:20:17,000
Zijn de mensen van ja, programmeren daar zijn ze juist goed in.

422
00:20:17,000 --> 00:20:18,000
Want het is een computer.

423
00:20:18,000 --> 00:20:20,000
Ik vond dat eigenlijk precies niet hoe ze werken zelf.

424
00:20:20,000 --> 00:20:24,000
Wat hij probeert te doen is ongeveer het goede te zeggen.

425
00:20:24,000 --> 00:20:29,000
Dus de kans is best wel groot dat je een foutje maakt in een haakje te veel of te weinig.

426
00:20:29,000 --> 00:20:30,000
En dan heb je een computer crash dan.

427
00:20:30,000 --> 00:20:32,000
Zoals elke programmeur weet.

428
00:20:32,000 --> 00:20:34,000
Dus ik dacht juist dit gaat juist het moeilijkste zijn om te tackelen.

429
00:20:34,000 --> 00:20:37,000
Volgens mij twee, drie maanden later of zo.

430
00:20:37,000 --> 00:20:39,000
Ik wil niet zeggen dat het perfect werkt.

431
00:20:39,000 --> 00:20:40,000
Maar hij werkte dat aardig.

432
00:20:40,000 --> 00:20:41,000
Dus dan was ik ook wel door verrast.

433
00:20:41,000 --> 00:20:42,000
Ja.

434
00:20:42,000 --> 00:20:46,000
Je gedetailleerde reactie heeft veel helderheid gebracht.

435
00:20:46,000 --> 00:20:47,000
Bedankt.

436
00:20:47,000 --> 00:20:48,000
Heel graag gedaan.

437
00:20:48,000 --> 00:20:49,000
En je noemde ook nog de andersom.

438
00:20:49,000 --> 00:20:51,000
Want andersom is minstens net zo leuk.

439
00:20:51,000 --> 00:20:52,000
Die herkennen wij ook.

440
00:20:52,000 --> 00:20:55,000
Dat je denkt van ja, maar met de huidige stand van de techniek.

441
00:20:55,000 --> 00:20:56,000
Appeltje, eitje.

442
00:20:56,000 --> 00:21:00,000
En dan blaast het op in je gezicht zeg maar.

443
00:21:00,000 --> 00:21:01,000
Ja.

444
00:21:01,000 --> 00:21:02,000
Heb je daar een voorbeeld van?

445
00:21:02,000 --> 00:21:04,000
Ja, een leuk voorbeeld dat we daar wel mee hadden.

446
00:21:04,000 --> 00:21:10,000
We hebben samen gewerkt met een Franse organisatie die met overspoelende rivieren met name werkte.

447
00:21:10,000 --> 00:21:12,000
In Nederland zien we dat probleem ook.

448
00:21:12,000 --> 00:21:18,000
En dat is in de langere, vooral langere rivieren die Frankrijk heeft, ook al een zeer groot probleem.

449
00:21:18,000 --> 00:21:24,000
En wat deze club deed is, die had al sensoren hangen door de hele lengte van die rivieren.

450
00:21:24,000 --> 00:21:29,000
En ons doel was voorspellen welke hoogte de rivieren op een bepaald punt hadden.

451
00:21:29,000 --> 00:21:32,000
Dus wat daarmee uiteindelijk natuurlijk het doel is, dat jij een paar uur van tevoren kan zeggen.

452
00:21:32,000 --> 00:21:36,000
Hé, daar gaat dadelijk de rivier zijn oevers uit, omdat we weten dat de oevers zo hoog is.

453
00:21:36,000 --> 00:21:39,000
En dan moeten mensen geëvacueerd worden of zandzakken neergelegd worden.

454
00:21:39,000 --> 00:21:43,000
En hoe eerder je dat weet, hoe meer je kan doen om de schade te voorkomen.

455
00:21:43,000 --> 00:21:53,000
En daar ga je als nerd meteen denken, oh ja, dat gaan we, deep reinforcement learning, recurrent neural networks, transformers, dat gooien we allemaal tegenaan.

456
00:21:53,000 --> 00:21:56,000
En dat werkte allemaal.

457
00:21:56,000 --> 00:21:58,000
Nou, bijna niet.

458
00:21:59,000 --> 00:22:03,000
En vervolgens hebben we Facebook Profit gebruikt.

459
00:22:03,000 --> 00:22:08,000
Dat is een model dat eigenlijk gebaseerd is op klassieke statistische methoden als moving average.

460
00:22:08,000 --> 00:22:15,000
En dat is eigenlijk niet meer dan gewoon kijken, ik heb twee punten en drie, vier, vijf, zes punten.

461
00:22:15,000 --> 00:22:17,000
En dan ga ik daar een soort van lineaire lijn doorheen trekken.

462
00:22:17,000 --> 00:22:21,000
En dan doe ik nog wat slimme trucjes om daar seasonality en zo in te verwerken.

463
00:22:21,000 --> 00:22:24,000
Maar goed, niet veel ingewikkelder dan dat.

464
00:22:24,000 --> 00:22:27,000
En dit is een wederom een beetje getweakte variant daarvan.

465
00:22:27,000 --> 00:22:29,000
En dat werkte echt uitstekend.

466
00:22:29,000 --> 00:22:32,000
We konden zes uur van tevoren voorspellen hoe hoog het water ging zijn.

467
00:22:32,000 --> 00:22:36,000
En dat is echt een significante groei van hoe ze dat nu ook met experts kunnen.

468
00:22:36,000 --> 00:22:44,000
Bij ons ook, gaat Rijkswaterstaat iemand daar naar de rivier staan staren en dan kijken van, nou, ik denk dat het straks zo laat is.

469
00:22:44,000 --> 00:22:47,000
Ja, dat werkt niet helemaal altijd.

470
00:22:47,000 --> 00:22:51,000
En dat konden we dus met zes uur van tevoren voorspellen.

471
00:22:51,000 --> 00:22:55,000
Met die klassieke, echt klassieke forecasting technologie.

472
00:22:55,000 --> 00:22:58,000
Want je hebt het over die overstromingen.

473
00:22:58,000 --> 00:23:02,000
Die hebben we natuurlijk nu ook weer, tenminste, ja, het was...

474
00:23:02,000 --> 00:23:03,000
De schade was beperkt.

475
00:23:03,000 --> 00:23:05,000
Was beperkt, maar je las inderdaad overal.

476
00:23:05,000 --> 00:23:08,000
De ene die zei van, nee, het wordt 14,5 meter.

477
00:23:08,000 --> 00:23:10,000
Die anderen zei, nee, het wordt wel 16 meter.

478
00:23:10,000 --> 00:23:13,000
Maar het is allemaal zo uit de duim getrokken.

479
00:23:13,000 --> 00:23:16,000
En ja, als je dat met zo'n model kan doen, geweldig.

480
00:23:16,000 --> 00:23:22,000
Hoe ben je tot die stap gekomen om eigenlijk weer die andere, versimpele aanpak te gaan hanteren?

481
00:23:22,000 --> 00:23:25,000
Ik zal heel eerlijk gezegd, ik zeg wel dat we dit niet zagen aankomen,

482
00:23:25,000 --> 00:23:27,000
maar ik persoonlijk zag het wel aankomen.

483
00:23:27,000 --> 00:23:31,000
Ik had het al vaker met forecasting problematiek ook voor bedrijven gewerkt in mijn vorige baan.

484
00:23:31,000 --> 00:23:34,000
En daar was ik al tegen ditzelfde aangelopen.

485
00:23:34,000 --> 00:23:36,000
Van, hé, ja, we gaan deep learning doen.

486
00:23:36,000 --> 00:23:38,000
En toen ben ik, nou, daar ben ik eigenlijk toch voor gemeten.

487
00:23:38,000 --> 00:23:40,000
Dus ik zei al van vroeg punt tegen de deelnemers van,

488
00:23:40,000 --> 00:23:43,000
nou, je moet echt niet vergeten om die klassieke technologie ook te gebruiken.

489
00:23:43,000 --> 00:23:45,000
En dan vergeten ze in het begin dan natuurlijk toch.

490
00:23:45,000 --> 00:23:49,000
Maar dat is toevallig omdat ik er zelf zo'n keer eerder tegen aangelopen was,

491
00:23:49,000 --> 00:23:52,000
dat ik ze in de goede richting kon sturen.

492
00:23:52,000 --> 00:23:55,000
En dat dat inderdaad bleek ook hier weer het beste te werken.

493
00:23:55,000 --> 00:23:59,000
Soms is de simpelste oplossing toch het simpelste en het beste.

494
00:23:59,000 --> 00:24:04,000
Het beste, het goedkoopste, het makkelijkste, het beste onderhouden.

495
00:24:04,000 --> 00:24:07,000
Dus AI is niet de oplossing voor alles.

496
00:24:07,000 --> 00:24:09,000
Nee, zeker niet.

497
00:24:09,000 --> 00:24:10,000
Nee, dat wordt wel vergeten.

498
00:24:10,000 --> 00:24:14,000
Zeker in de tijd nu met de generatieve AI, de large language models.

499
00:24:14,000 --> 00:24:16,000
Dat wordt gedacht, daar kan je nu alles mee.

500
00:24:16,000 --> 00:24:18,000
Dus de magie.

501
00:24:18,000 --> 00:24:21,000
Ja, mensen dachten dat al bij AI.

502
00:24:21,000 --> 00:24:25,000
Heel vaak mensen uit het hoofd praten van, ja, sorry, dat gaat echt niet meer.

503
00:24:25,000 --> 00:24:28,000
Maar ja, dat wordt eigenlijk alleen maar erger eigenlijk.

504
00:24:28,000 --> 00:24:32,000
Per nieuwe AI hype krijg je weer een nieuwe golf van mensen die denken dat het magie is.

505
00:24:32,000 --> 00:24:38,000
Ja, misschien is dat nog een leuke afsluiter, als we het dan toch hebben over de hype.

506
00:24:38,000 --> 00:24:41,000
Zo direct is de hype weg van die large language models.

507
00:24:41,000 --> 00:24:42,000
Wat houden we dan over?

508
00:24:42,000 --> 00:24:47,000
Ja, ik denk, kijk, het is een beetje mijn eigen lees natuurlijk.

509
00:24:47,000 --> 00:24:52,000
Ik heb dat altijd met de crypto en zo gehad, dacht van ja, dat is leuk en aardig,

510
00:24:52,000 --> 00:24:57,000
maar dat is voor hele specifieke doeleinden heel nuttig en niet dat hele Web 3, iedereen gaat erop.

511
00:24:57,000 --> 00:24:59,000
Dat geloof ik daar niks van.

512
00:24:59,000 --> 00:25:05,000
Hierbij, ik was zelf wel bijzonder impressed met de eerste varianten al, die echt tekst konden schrijven en zo.

513
00:25:05,000 --> 00:25:11,000
Dus ik denk dat eigenlijk in heel veel van onze applicaties dit toch wel terecht gaat komen.

514
00:25:11,000 --> 00:25:16,000
En bij verschillende mensen gaat dat niet de AI zijn die je zelf als bedrijf moet gaan bouwen,

515
00:25:16,000 --> 00:25:18,000
want dat is in de meeste gevallen niet nuttig.

516
00:25:18,000 --> 00:25:24,000
Je ziet nu ook heel veel van die startups ontstaan die eigenlijk gewoon prompt engineering bovenop open AI doen

517
00:25:24,000 --> 00:25:26,000
en daar een leuke UI op heen plakken.

518
00:25:26,000 --> 00:25:29,000
Dat gaat het ook niet zijn, die gaan het ook niet redden.

519
00:25:29,000 --> 00:25:34,000
Maar uiteindelijk gaan wel zoveel systemen echt goed gekoppeld worden.

520
00:25:34,000 --> 00:25:38,000
Dus denk aan je bestaande boekhoudingssysteem of je bestaande mailclient,

521
00:25:38,000 --> 00:25:41,000
dat die op een goede manier aan zo'n model gekoppeld kunnen worden,

522
00:25:41,000 --> 00:25:43,000
dat die daadwerkelijk heel veel van je werk gaan automatiseren.

523
00:25:43,000 --> 00:25:48,000
En dan zie je met name dat ik denk dat dingen als bijvoorbeeld advocatuur,

524
00:25:48,000 --> 00:25:52,000
kijk ik deed stiekem zelf al wel eens wat van onze legal spullen,

525
00:25:52,000 --> 00:25:54,000
dat ik dacht van ja zo ingewikkeld is het eigenlijk niet.

526
00:25:54,000 --> 00:25:57,000
Die advocaten doen allemaal alsof het heel ingewikkeld is.

527
00:25:57,000 --> 00:25:59,000
En of het heel belangrijk is dat je perfect opschrijft,

528
00:25:59,000 --> 00:26:01,000
maar volgens Nederlandse wetgeving valt dat wel nee.

529
00:26:01,000 --> 00:26:05,000
En dus de intentie is heel belangrijk, dus dat je het opschrijft komt eigenlijk niet zo heel nauw.

530
00:26:05,000 --> 00:26:09,000
Maar ja tegenwoordig kan ik gewoon vragen aan ChatGPT,

531
00:26:09,000 --> 00:26:14,000
hey ik wil een data sharing agreement met deze partij, dit vinden ze belangrijk,

532
00:26:14,000 --> 00:26:16,000
doe mij een data sharing agreement.

533
00:26:16,000 --> 00:26:19,000
En dan staat dan niet alleen maar die paar punten die ik aangegeven heb,

534
00:26:19,000 --> 00:26:21,000
die relevant zijn in legal speak in,

535
00:26:21,000 --> 00:26:24,000
maar er staan ook al die dingen eromheen die erin moeten staan,

536
00:26:24,000 --> 00:26:29,000
van hoort bij de rechtbank in Den Haag en partij x wonende op adres i.

537
00:26:29,000 --> 00:26:33,000
Al dat soort fluffiness eromheen die wel echt moet,

538
00:26:33,000 --> 00:26:36,000
en je anders een advocaat voor betaalt omdat die uit zijn hoofd weet dat dat moet,

539
00:26:36,000 --> 00:26:38,000
dat doet nou ChatGPT ook.

540
00:26:38,000 --> 00:26:42,000
En ik denk dat vooral dat soort banen echt geautomatiseerd gaan worden

541
00:26:42,000 --> 00:26:45,000
voor een belangrijk deel door AI.

542
00:26:45,000 --> 00:26:47,000
En die beweging zie je ook al.

543
00:26:47,000 --> 00:26:49,000
Die zie je zeker, die zie je zeker.

544
00:26:49,000 --> 00:26:56,000
Even terug naar Fruit Punch, mensen zitten te luisteren, wat moeten ze gaan doen?

545
00:26:56,000 --> 00:27:00,000
Nou allereerst vind ons op LinkedIn, volg ons,

546
00:27:00,000 --> 00:27:04,000
en dan ga je elke challenge die wij doen meemaken.

547
00:27:04,000 --> 00:27:06,000
Dus we gaan dan niet alleen posten, hey deze challenge komt eraan,

548
00:27:06,000 --> 00:27:09,000
maar ook zo gaat het ermee, hier heb je de final presentatie en hier de blog.

549
00:27:09,000 --> 00:27:14,000
En op die manier kun je de mooie initiatieven meekrijgen waar wij ons mee bezighouden.

550
00:27:14,000 --> 00:27:18,000
Denk je nou van na deze podcast, hey ik wil ook meedoen aan zo'n project,

551
00:27:18,000 --> 00:27:21,000
ik wil leren over AI en ik doe dat het liefst in de praktijk.

552
00:27:21,000 --> 00:27:26,000
Ga naar onze website, daar kun je meer lezen over de verschillende manieren hoe je dat bij ons kan doen.

553
00:27:26,000 --> 00:27:29,000
En dan nodig je van harte uit om dat ook met je baas te bespreken.

554
00:27:29,000 --> 00:27:32,000
Uiteindelijk heeft die de profit van als jij meer leert over AI.

555
00:27:32,000 --> 00:27:35,000
Dus de meeste mensen die dit bij ons doen, wordt het van het self-development budget betaald.

556
00:27:35,000 --> 00:27:42,000
Dus op die manier nodigen we iedereen uit om met ons mee te doen en onderdeel te worden van onze AI for Good community.

557
00:27:42,000 --> 00:27:44,000
Duidelijk. Zeker.

558
00:27:44,000 --> 00:27:48,000
Sako, dankjewel dat je onze gast wilde zijn. Ontzettend interessant.

559
00:27:48,000 --> 00:27:53,000
Ook alles wat erachter zit, vooral de challenges, spreken me erg aan.

560
00:27:53,000 --> 00:27:58,000
Dus ja, ik zou zeggen haast je toch? Haast je om je op te geven.

561
00:27:58,000 --> 00:28:00,000
Dankjewel weer voor het luisteren.

562
00:28:00,000 --> 00:28:06,000
Wil je ons steunen? Vergeet dan niet om bijvoorbeeld eens vijf sterren te geven op Spotify.

563
00:28:06,000 --> 00:28:08,000
En tot de volgende keer.

564
00:28:08,000 --> 00:28:10,000
Tot de volgende keer.

565
00:28:10,000 --> 00:28:12,000