1
00:00:00,001 --> 00:00:04,000
Hey, leuk dat je weer luistert naar een nieuwe aflevering van de AIToday Live.

2
00:00:04,000 --> 00:00:08,000
Met mijn naam Niels Naglé, Area Lead Data & AI bij Info Support.

3
00:00:08,000 --> 00:00:11,000
En helaas, Joop kon er vandaag niet bij zijn, die was verhinderd.

4
00:00:11,000 --> 00:00:14,000
En ik vraag me toch een beetje af, we gaan toch wel wat data raken vandaag.

5
00:00:14,000 --> 00:00:17,000
Dus wie weet dat dat meespeelt in zijn beslissingen.

6
00:00:17,000 --> 00:00:21,000
We hebben vandaag een speciale gast, Daniel Kapitan.

7
00:00:21,000 --> 00:00:24,000
Dankjewel, leuk dat je wilde komen naar onze studio.

8
00:00:24,000 --> 00:00:27,000
Zou je ons eerst even meenemen, wie is Daniel Kapitan voor de luisteraars?

9
00:00:27,000 --> 00:00:31,000
Ik ben Daniel, getrouwd, vorig jaar 50 geworden.

10
00:00:31,000 --> 00:00:38,000
Sinds mijn jonge jaren eigenlijk, met een tik van de draaideur qua wiskunde en beta dingen.

11
00:00:38,000 --> 00:00:40,000
Uiteindelijk gepromoveerd in de natuurkunde.

12
00:00:40,000 --> 00:00:46,000
En ik werk nu ruim 20 jaar, 23 jaar of zo denk ik, in het gebied van data en AI.

13
00:00:46,000 --> 00:00:48,000
Ook voordat het data science heette.

14
00:00:48,000 --> 00:00:53,000
Ik heb allerlei modellen gebouwd, vooral heel veel aanvankelijk eerste helft in de telecom sector.

15
00:00:53,000 --> 00:00:58,000
En in de afgelopen 12 jaar vooral in de non-for-profit en daarbinnen juist weer healthcare.

16
00:00:58,000 --> 00:01:03,000
Op dit moment heb ik een deeltijd aanstelling bij het AI-instituut van de EU Eindhoven.

17
00:01:03,000 --> 00:01:10,000
En mijn belangrijkste rol daarbij is om het volwassen educatieprogramma vorm te geven en mensen op te leiden.

18
00:01:10,000 --> 00:01:11,000
Dat is echt super tof.

19
00:01:11,000 --> 00:01:15,000
Dan krijg ik ook heel veel voeding met wat er allemaal leeft bij de organisaties,

20
00:01:15,000 --> 00:01:17,000
om toch AI een beetje breder begrijpbaar te maken.

21
00:01:17,000 --> 00:01:20,000
En voor de andere helft ben ik freelance adviseur.

22
00:01:20,000 --> 00:01:24,000
Waarbij mijn twee grootste projecten op dit moment zijn voor PharmAccess Foundation.

23
00:01:24,000 --> 00:01:27,000
Voor het beschikbaar maken van zorgdata in Afrika.

24
00:01:27,000 --> 00:01:31,000
Ook daar is het gewoon echt een serieus uitdaging.

25
00:01:31,000 --> 00:01:34,000
En voor Dutch Hospital Data.

26
00:01:34,000 --> 00:01:39,000
Het opbouwen van federatieve data platformen in de zorg in samenwerking met heel veel partijen.

27
00:01:39,000 --> 00:01:44,000
Mooi, gaaf en al jaren ervaring van verschillende perspectieven met allemaal raakvlak met data en AI.

28
00:01:44,000 --> 00:01:49,000
En voor de luisteraars die al jaren met ons meegaan, ook geen onbekende in de show.

29
00:01:49,000 --> 00:01:51,000
Ik geloof dat je zei dat het twee jaar geleden was.

30
00:01:51,000 --> 00:01:55,000
Ja, in de trein hiernaartoe zat ik een beetje door mijn LinkedIn-feed te kijken.

31
00:01:55,000 --> 00:01:57,000
Het was precies twee jaar geleden.

32
00:01:57,000 --> 00:02:00,000
Het stond zelfs bij, het was de eerste post-COVID face-to-face.

33
00:02:00,000 --> 00:02:04,000
Ik had toen nog een kantoortje bij station Rotterdam.

34
00:02:04,000 --> 00:02:07,000
Het was super mooi, dus leuk om hier weer te zijn.

35
00:02:07,000 --> 00:02:09,000
Dankjewel dat je er wilde zijn.

36
00:02:09,000 --> 00:02:14,000
We hebben een nieuw topic en dat is de vraag van de leek.

37
00:02:14,000 --> 00:02:16,000
Daar gaan we eerst even mee beginnen.

38
00:02:16,000 --> 00:02:22,000
Adviseur interne communicatie. Ik vind het wel heel fijn dat we ons als mens nog makkelijk onderscheiden van een robot.

39
00:02:22,000 --> 00:02:24,000
Dankzij onze sociale intelligentie.

40
00:02:24,000 --> 00:02:28,000
Daarin zijn we nog steeds uniek, al worden robotjes wel ingezet in de zorg.

41
00:02:28,000 --> 00:02:33,000
Om bijvoorbeeld aan eenzame ouderen, quasi geïnteresseerde vragen te stellen.

42
00:02:33,000 --> 00:02:36,000
Zo voelen deze mensen zich schijnbaar minder eenzaam.

43
00:02:36,000 --> 00:02:40,000
Verwacht je dat AI in de nabije toekomst over echt sociale vaardigheden gaat beschikken?

44
00:02:40,000 --> 00:02:43,000
En zo ja, wat moet ik me daar dan bij voorstellen?

45
00:02:43,000 --> 00:02:45,000
Schitterende vraag.

46
00:02:45,000 --> 00:02:47,000
Uit mijn hart gegrepen.

47
00:02:47,000 --> 00:02:50,000
Waar kan ik beginnen?

48
00:02:50,000 --> 00:02:54,000
Vooropgesteld specifiek deze casus, de zorgrobotjes.

49
00:02:54,000 --> 00:02:57,000
Ze zijn er in verschillende vormen en maten.

50
00:02:57,000 --> 00:03:00,000
Heel lang geleden was er een pratende plant.

51
00:03:00,000 --> 00:03:06,000
Tegenwoordig heb je er volgens mij ook eentje in de vorm van een soort kleine zeehond of zo.

52
00:03:06,000 --> 00:03:09,000
Die ademhaalt, als ik het goed heb.

53
00:03:09,000 --> 00:03:10,000
Ja, die zit ook dichtbij je.

54
00:03:10,000 --> 00:03:13,000
Dus daar zit ook iets van fysiek contact om mensen te triggeren.

55
00:03:13,000 --> 00:03:20,000
Ik gebruik dit heel vaak in mijn colleges om ook gewoon een beetje als opwarmertje om aan te geven van

56
00:03:20,000 --> 00:03:23,000
wat vinden we hier nou eigenlijk van als mensen onderling.

57
00:03:23,000 --> 00:03:26,000
En de meningen zijn extreem verdeeld.

58
00:03:26,000 --> 00:03:30,000
Dus het eerste wat ik vooraf wil zeggen, ik heb hier absoluut ook niet de wijsheid in pacht.

59
00:03:30,000 --> 00:03:38,000
Ik weet wel bij de TU Eindhoven, met name ook in de filosofie faculteit, wordt hier serieus onderzoek naar gedaan.

60
00:03:38,000 --> 00:03:41,000
Wat doet dit met mensen? Wat doet het met menselijke interactie?

61
00:03:41,000 --> 00:03:48,000
En even dan heel specifiek de vraag, verwachten we dat robots, want ze gebruikt het woord robots,

62
00:03:48,000 --> 00:03:53,000
vind ik ook beter dan het over AI te hebben, want met robots hebben we denk ik wel de juiste associatie.

63
00:03:53,000 --> 00:03:58,000
Het is echt een autonoom ding waar je een bepaalde verstandhouding mee op gaat bouwen.

64
00:03:58,000 --> 00:04:00,000
Gaan die dan inderdaad sociale vaardigheden?

65
00:04:00,000 --> 00:04:08,000
Nou, met de huidige techniek gaat dat voorlopig niet komen, omdat de huidige technieken echt gebaseerd zijn

66
00:04:08,000 --> 00:04:13,000
vooral op rauwe computing power en alleen maar op correlaties.

67
00:04:13,000 --> 00:04:18,000
En ik wil geloven als mens dat wij meer zijn dan dat.

68
00:04:18,000 --> 00:04:21,000
Dat sociale interacties veel meer zijn dan alleen maar correlaties.

69
00:04:21,000 --> 00:04:27,000
Tegelijkertijd, als je een beetje meer in het voorkamp bent,

70
00:04:27,000 --> 00:04:32,000
ik heb ook gezien in discussies met zorgpartijen voor eenzame ouderen, niet eens zozeer eenzaam,

71
00:04:32,000 --> 00:04:36,000
maar die bijvoorbeeld moeite hebben vanwege aandoeningen zoals dementie,

72
00:04:36,000 --> 00:04:44,000
doordat een semi-autonoom apparaat, zeg ik dan maar, hun triggert om vragen, antwoord en iets van een dialoog,

73
00:04:44,000 --> 00:04:50,000
omdat dat hen helpt, dan zeg ik van ja, laten we dat dan vooral verder verkennen en breder uitrollen.

74
00:04:50,000 --> 00:04:56,000
Maar dat noem ik geen sociale interactie, niet zoals deze mevrouw die vraag stelde.

75
00:04:56,000 --> 00:05:00,000
Dus we zouden het graag willen, maar we hebben nog een flinke route te gaan.

76
00:05:00,000 --> 00:05:07,000
En dat is de vraag van de mensen die het willen weten.

77
00:05:07,000 --> 00:05:10,000
En dat is de vraag van de mensen die het willen weten.

78
00:05:25,000 --> 00:05:30,000
En dat is de vraag van de mensen die het willen weten.

79
00:05:30,000 --> 00:05:33,000
En dat is de vraag van de mensen die het willen weten.

80
00:15:18,000 --> 00:15:21,000
En je had het over klein, klein en kleinst.

81
00:15:21,000 --> 00:15:23,000
Heb je voorbeelden daarvan?

82
00:15:23,000 --> 00:15:25,000
Wanneer is dat handig om daar naartoe te gaan,

83
00:15:25,000 --> 00:15:29,000
in plaats van de grote generieke modellen waar generieke antwoorden uitkomen?

84
00:15:29,000 --> 00:15:33,000
Wanneer zou je de stappen moeten willen maken richting klein, klein en kleinst?

85
00:15:33,000 --> 00:15:36,000
Nou, één van de triggers, en dat zei ik ook bewust tijdens mijn inleiding,

86
00:15:36,000 --> 00:15:41,000
hoe ik op dit spoor kwam, is dat ik nu twee jaar voor PharmAccess Foundation werk.

87
00:15:41,000 --> 00:15:44,000
En één van mijn hoofdopdrachten daar is,

88
00:15:44,000 --> 00:15:47,000
is om datadelen mogelijk te maken in Afrika.

89
00:15:47,000 --> 00:15:54,000
We werken vooral in landen zoals Kenia, Tanzania, Ghana en Nigeria.

90
00:15:54,000 --> 00:15:57,000
En dan kan je zeggen, joh, hebben we geen betere dingen te doen?

91
00:15:57,000 --> 00:16:02,000
Lees andere, meer urgente problemen dan het te gaan hebben over data platformen.

92
00:16:02,000 --> 00:16:05,000
Nou, onze gedachte, ons heel expliciet Farm Access,

93
00:16:05,000 --> 00:16:08,000
is we kunnen niet zorg leveren op de oude manier.

94
00:16:08,000 --> 00:16:09,000
Dat gaat gewoon niet.

95
00:16:09,000 --> 00:16:11,000
Waarom niet? Als ik de vraag stel.

96
00:16:11,000 --> 00:16:14,000
We hebben te weinig artsen, we hebben te weinig geld.

97
00:16:14,000 --> 00:16:17,000
Vanwege de geografie, rurale gebieden.

98
00:16:17,000 --> 00:16:19,000
Het kan vaak gewoon fysiek niet.

99
00:16:19,000 --> 00:16:25,000
Dus is één van de gedachten, remote care, telehealth, noem het maar op,

100
00:16:25,000 --> 00:16:27,000
heeft hier een belangrijke rol in.

101
00:16:27,000 --> 00:16:32,000
En je ziet dus, en dat schept hoop, dat bijvoorbeeld in Tanzania,

102
00:16:32,000 --> 00:16:36,000
er jonge dokters opstaan die zeggen van, ja, ik heb leren dokteren,

103
00:16:36,000 --> 00:16:40,000
maar ik ga nu meteen een telehealth dokterspraktijk opstarten.

104
00:16:40,000 --> 00:16:42,000
Een telehealth? Waar moet ik dan aan denken?

105
00:16:42,000 --> 00:16:46,000
Nou, het goede nieuws is dat in landen zoals Tanzania en Kenia,

106
00:16:46,000 --> 00:16:48,000
de meeste mensen hebben wel een smartphone.

107
00:16:48,000 --> 00:16:52,000
Maar die zijn niet bij macht om een arts te bezoeken.

108
00:16:52,000 --> 00:16:55,000
Een huisarts, het gaat er wel over eerst de lijn zorgen.

109
00:16:55,000 --> 00:16:57,000
Maar een app kunnen ze downloaden.

110
00:16:57,000 --> 00:17:00,000
Dus waar jij en ik normaliter voor naar de huisarts gaan,

111
00:17:00,000 --> 00:17:02,000
met het inloopspreekuur in de ochtend,

112
00:17:02,000 --> 00:17:04,000
dat doen ze dus nu veel meer via de app.

113
00:17:04,000 --> 00:17:08,000
Zo veel mogelijk via de app, je krijgt daadwerkelijk wel een huisarts aan de lijn.

114
00:17:08,000 --> 00:17:10,000
En pas wanneer, na dat eerste gesprek, blijkt,

115
00:17:10,000 --> 00:17:13,000
oh ja, er is wel iets serieuzer aan de hand.

116
00:17:13,000 --> 00:17:16,000
En daardoor is het noodzakelijk dat je gaat reizen.

117
00:17:16,000 --> 00:17:19,000
En ook een van de barrières is een halve dag,

118
00:17:19,000 --> 00:17:23,000
of misschien zelfs een hele dag gaan reizen om ergens naar een dokter te gaan.

119
00:17:23,000 --> 00:17:25,000
Ja, ik heb dan geen inkomen.

120
00:17:25,000 --> 00:17:30,000
Het zijn echt dat soort hele primaire vraagstukken.

121
00:17:30,000 --> 00:17:34,000
Daar geloven we in, in de zin van, nou, kunnen we dan toch

122
00:17:34,000 --> 00:17:39,000
de goede dingen van digitalisering zo inzetten

123
00:17:39,000 --> 00:17:43,000
dat we dus inderdaad zorg op afstand ook in deze landen kunnen aanbieden.

124
00:17:43,000 --> 00:17:46,000
En wat zijn dan de uitdagingen waar je zo tegenaan loopt?

125
00:17:46,000 --> 00:17:48,000
Nou, dan hebben we dus allemaal ideeën.

126
00:17:48,000 --> 00:17:52,000
We hebben allemaal architecturen. Ook daar wordt cloud architectuur gebruikt.

127
00:17:52,000 --> 00:17:56,000
Maar als je dus naar een willekeurige zorginstelling gaat,

128
00:17:56,000 --> 00:17:59,000
om en nabij de grote wegen en de grote steden,

129
00:17:59,000 --> 00:18:03,000
heb je vaak wel internet en stroom, maar daarbuiten niet.

130
00:18:03,000 --> 00:18:08,000
Dus je moet echt gaan nadenken qua architectuur. Hoe gaat dit werken?

131
00:18:08,000 --> 00:18:11,000
Dus we zijn ook aan het verkennen met sommige partijen,

132
00:18:11,000 --> 00:18:15,000
moeten er solar panels, zonnepanelen op het dak, dat we daar stroom hebben.

133
00:18:15,000 --> 00:18:18,000
En het andere belangrijke voor deze discussie is dat ik erachter kwam,

134
00:18:18,000 --> 00:18:23,000
ja, we kunnen niet eens van op aan dat we een klassieke soort client-server opstelling,

135
00:18:23,000 --> 00:18:25,000
die hebt een app. - De connectiviteit.

136
00:18:25,000 --> 00:18:27,000
De connectiviteit, die knalt er de hele tijd uit.

137
00:18:27,000 --> 00:18:31,000
En dat heeft mij op het spoor gezet. Dus een van mijn collega's heeft mij echt uitgedaagd.

138
00:18:31,000 --> 00:18:34,000
Ja, iedereen heeft het over scaling.

139
00:18:34,000 --> 00:18:40,000
We nemen impliciet aan upward scaling. Maar wat nou als het downward scaling is?

140
00:18:40,000 --> 00:18:43,000
En toen dacht ik, dat vind ik ook een mooi technisch puzzeltje.

141
00:18:43,000 --> 00:18:46,000
Dus wat betekent downward scalability?

142
00:18:46,000 --> 00:18:49,000
En uiteindelijk hebben we een soort mini data warehouse in de browser gebruikt.

143
00:18:49,000 --> 00:18:52,000
Vanwege deze standaarden konden wij, zeg maar,

144
00:18:52,000 --> 00:18:57,000
het developmentwerk met dezelfde toolkit op Azure of op Google, maakt niet uit,

145
00:18:57,000 --> 00:19:01,000
maar het zijn allemaal parquetbestanden, het zijn open source libraries.

146
00:19:01,000 --> 00:19:05,000
Ja, dat is manier van opslag, hè? - Ja, sorry, parquet is manier van opslag.

147
00:19:05,000 --> 00:19:09,000
Maar als we bijvoorbeeld zeggen, ja, maar we moeten het wel kunnen uitrollen, kunnen deployen,

148
00:19:09,000 --> 00:19:13,000
nou, dat heet in jargon resource-constrained environments,

149
00:19:13,000 --> 00:19:15,000
dan is het bijna dezelfde codebase.

150
00:19:15,000 --> 00:19:19,000
Natuurlijk moet je wel iets aanpassen, maar het merendeel blijft hetzelfde.

151
00:19:19,000 --> 00:19:22,000
We hebben dus technieken en standaarden zoals WebAssembly,

152
00:19:22,000 --> 00:19:26,000
en het draait gewoon in de browser. Echt volledig.

153
00:19:26,000 --> 00:19:30,000
En een jaar geleden hadden we dit dus voor 30 klinieken draaien in Tanzania.

154
00:19:30,000 --> 00:19:32,000
Ik dacht echt, dit is waanzinnig. - Ja, mooi.

155
00:19:32,000 --> 00:19:34,000
Hoezo hebben we een server nodig? - Ja.

156
00:19:34,000 --> 00:19:37,000
En wat heeft het de mensen daar gebracht?

157
00:19:37,000 --> 00:19:40,000
Wat het mensen daar heeft gebracht is, dus je moet je voorstellen,

158
00:19:40,000 --> 00:19:44,000
een kliniek in rural areas, het is echt rural.

159
00:19:44,000 --> 00:19:51,000
Dus daar valt stroom vaak uit, en internet is er vaak of niet.

160
00:19:51,000 --> 00:19:56,000
Je moet echt naar buiten lopen en dan ergens toevallig op het heuveltje, dan heb je dekking.

161
00:19:56,000 --> 00:20:00,000
En wat ik van mijn lokale collega's heb begrepen, hoe het meestal zo is,

162
00:20:00,000 --> 00:20:04,000
de mensen die de zorg verlenen, die wonen ergens anders,

163
00:20:04,000 --> 00:20:10,000
die wonen vaak ergens in urban of suburban area's waar wel dekking is.

164
00:20:10,000 --> 00:20:13,000
Dus letterlijk één van de design criteria.

165
00:20:13,000 --> 00:20:19,000
Kunnen we alles zo downward scalen, dat het op die tablet past van die zorgverlener?

166
00:20:19,000 --> 00:20:23,000
Die zorgverlener die heeft bijna 24/7 die tablet bij zich.

167
00:20:23,000 --> 00:20:29,000
En het syncingmechanisme wat we gebruiken is als de zorgverlener 's avonds naar huis gaat,

168
00:20:29,000 --> 00:20:33,000
dat wordt gesynct en de volgende dag dan staat alles weer op die tablet,

169
00:20:33,000 --> 00:20:35,000
zodat ze weer de zorg kan verlenen in die kliniek.

170
00:20:35,000 --> 00:20:40,000
- Ja, dat brengt natuurlijk wel andere uitdagingen met zich mee inderdaad, om dan te tackelen.

171
00:20:40,000 --> 00:20:44,000
En hoe helpt AI bij het tackelen van deze problemen?

172
00:20:44,000 --> 00:20:48,000
- Nou, die vraag krijg ik dus ook vaak, omdat ook AI natuurlijk,

173
00:20:48,000 --> 00:20:52,000
ook in de wereld van development organizations is natuurlijk,

174
00:20:52,000 --> 00:20:54,000
en we hebben daar hoge verwachtingen van,

175
00:20:54,000 --> 00:20:56,000
ik ben daar wat voorzichtiger in.

176
00:20:56,000 --> 00:21:02,000
Want ik denk bijna, zullen we eerst gewoon het data-share wel goed regelen,

177
00:21:02,000 --> 00:21:06,000
en bij wijze van spreken eerst met hele recht toe recht aan,

178
00:21:06,000 --> 00:21:12,000
als dit dan dat type logica inbouwen in de apps, dan kunnen we dat doen.

179
00:21:12,000 --> 00:21:15,000
Een van de eerste vormen van machine learning die we hebben toegepast,

180
00:21:15,000 --> 00:21:18,000
we doen veel op het gebied van antenatal care,

181
00:21:18,000 --> 00:21:25,000
dus moeder- en kindzorg, om dus ook de geboorte/sterfte tegen te gaan,

182
00:21:25,000 --> 00:21:31,000
is een heel simpel algoritme met risicoprofielen, op basis van leeftijd, etc.

183
00:21:31,000 --> 00:21:35,000
Dat is echt niet waar we de meeste tijd in kwijt zijn.

184
00:21:35,000 --> 00:21:39,000
Het is alle data-feeds, alle questionnaires, hoe doen we het veilig?

185
00:21:39,000 --> 00:21:45,000
Ook Kenia heeft GDPR, hoe zorgen we ervoor dat communicatiekanaal

186
00:21:45,000 --> 00:21:50,000
zo breed mogelijk beschikbaar is? Afgelopen jaar hebben we een WhatsApp-integratie gebouwd.

187
00:21:50,000 --> 00:21:55,000
Dat zijn ook een van die gedachten, downward scalability, kan je zeggen.

188
00:21:55,000 --> 00:21:59,000
Laten we consumententechnologie gebruiken, want dat heeft iedereen,

189
00:21:59,000 --> 00:22:03,000
maar dat robuuster maken, dat het met goed fatsoen ingezet kan worden in de zorg.

190
00:22:03,000 --> 00:22:07,000
Dus de goede kwaliteit, dat de ethiek afgehandeld is, maar ook de privacy afgehandeld is.

191
00:22:07,000 --> 00:22:11,000
Daar ben ik wel nieuwsgierig naar, want er zijn andere patronen voor nodig,

192
00:22:11,000 --> 00:22:13,000
om die data op een bepaald moment te syncen,

193
00:22:13,000 --> 00:22:18,000
maar hoe zorgen we ervoor dat de privacy, de vraag die we ook voor AI-modellen vaak hebben,

194
00:22:18,000 --> 00:22:20,000
is van, hoe kunnen we de privacy waarborgen?

195
00:22:20,000 --> 00:22:22,000
Wat doen we wel met de data, wat doen we niet met de data?

196
00:22:22,000 --> 00:22:26,000
Hoe kunnen jullie dat aanpakken, of hoe kunnen we dat aanpakken?

197
00:22:26,000 --> 00:22:29,000
Ja, dat is echt een van de hamvragen.

198
00:22:29,000 --> 00:22:34,000
Dat is dus ook een van de thema's binnen het werk van PharmAccess Foundation,

199
00:22:34,000 --> 00:22:38,000
maar dat is ook hier in Nederland actueel, het thema datasolidariteit,

200
00:22:38,000 --> 00:22:40,000
waar we twee jaar geleden over hadden.

201
00:22:40,000 --> 00:22:46,000
En dan ga ik even in een andere context, dus niet meer over die apps, maar meer in algemene zin.

202
00:22:46,000 --> 00:22:55,000
Ik geloof dus oprecht dat als de data van oorsprong is vastgelegd als bijproduct,

203
00:22:55,000 --> 00:23:00,000
dus aanhalingstekens van het zorgproces, dan is die data eigenlijk van niemand.

204
00:23:00,000 --> 00:23:05,000
Het is van ons allemaal, want het is als onderdeel van een collectieve dienst,

205
00:23:05,000 --> 00:23:08,000
die is geleverd en die hebben we met elkaar opgebracht.

206
00:23:08,000 --> 00:23:10,000
Heb je een voorbeeld daarvoor?

207
00:23:10,000 --> 00:23:15,000
Ja, dus bijvoorbeeld alle data van jou die zowel in het huisartsinformatiesysteem zit,

208
00:23:15,000 --> 00:23:19,000
die in het apotheekinformatiesysteem zit, die in het ziekenhuisinformatiesysteem zit.

209
00:23:19,000 --> 00:23:25,000
Ik durf nog best wel te zeggen, oké, data over mentale zorg is een aparte categorie,

210
00:23:25,000 --> 00:23:28,000
omdat het gewoon heel dicht bij mensen komt.

211
00:23:28,000 --> 00:23:31,000
Maar over jou is er echt heel veel data beschikbaar.

212
00:23:31,000 --> 00:23:36,000
En een deel daarvan overigens staat gewoon bij CBS, op CBS micro-data.

213
00:23:36,000 --> 00:23:41,000
En mijn punt is dat die data is van niemand, van ons allemaal tegelijk.

214
00:23:41,000 --> 00:23:44,000
En een van de oplossingsrichtingen die we zien,

215
00:23:44,000 --> 00:23:48,000
want elke keer als we het over data hergebruik gaan hebben,

216
00:23:48,000 --> 00:23:51,000
dan zitten we heel snel in een soort denken, oké,

217
00:23:51,000 --> 00:23:54,000
we gaan bepalen wie toegang mag hebben tot de data.

218
00:23:54,000 --> 00:23:59,000
En we denken meteen, of ik dan, naar access right controls,

219
00:23:59,000 --> 00:24:04,000
oh ja, deze tabellen, deze database, deze medewerkers mogen wel, deze medewerkers mogen niet.

220
00:24:04,000 --> 00:24:11,000
Ik denk dat dat dus bijna niet te doen is, gegeven alle data die overal en nergens opgeslagen is.

221
00:24:11,000 --> 00:24:15,000
En als je het omdraait, dus een van de principes van federative learning,

222
00:24:15,000 --> 00:24:20,000
is dat je de governance en de mechanismes op het hergebruik van data,

223
00:24:20,000 --> 00:24:24,000
die ga je dus plakken op de berekeningen, op de algoritmes.

224
00:24:24,000 --> 00:24:28,000
Dus je gaat naar een goedkeuringsmechanisme op berekeningsniveau,

225
00:24:28,000 --> 00:24:31,000
op algoritmeniveau en niet op dataniveau.

226
00:24:31,000 --> 00:24:34,000
En dat is dan ook een van de grote dingen die je moet doen.

227
00:24:34,000 --> 00:24:37,000
Dus dat is ook een van de grote dingen die je moet doen.

228
00:24:37,000 --> 00:24:40,000
En dat is ook een van de grote dingen die je moet doen.

229
00:24:40,000 --> 00:24:43,000
Dus dat is ook een van de grote dingen die je moet doen.

230
00:24:43,000 --> 00:24:46,000
En dat is ook een van de grote dingen die je moet doen.

231
00:29:25,000 --> 00:29:28,000
En dus encryptietechnieken zijn zo volwassen.

232
00:29:28,000 --> 00:29:31,000
En toen ik dus twee jaar geleden begon bij PharmAccess,

233
00:29:31,000 --> 00:29:34,000
we hebben ook al een pilot gedaan met Rosemann Labs. Echt waanzinnig.

234
00:29:34,000 --> 00:29:40,000
Nou, je moet wel echt extra dingen doen, want het komt uit de kost om die encryptie te doen.

235
00:29:40,000 --> 00:29:45,000
De berekening die ik toen wilde uitvoeren op ordegrootte 30.000 patiënten,

236
00:29:45,000 --> 00:29:49,000
kon net wel, net niet. Maar we zijn dus nu zover.

237
00:29:49,000 --> 00:29:53,000
We kunnen gewoon datasets van Pancabate, een miljoen instances,

238
00:29:53,000 --> 00:29:57,000
kunnen gewoon een random forest optrainen met MPC.

239
00:29:57,000 --> 00:30:00,000
We kunnen voorlopig gewoon aan de gang.

240
00:30:00,000 --> 00:30:05,000
En dat is dus, ik zie gewoon zoveel dingen, helemaal terug naar jouw vraag,

241
00:30:05,000 --> 00:30:08,000
wat is er de afgelopen twee jaar gebeurd en hoe we hier aan tafel zitten.

242
00:30:08,000 --> 00:30:12,000
Aan de ene kant ben ik een enorme liefhebber en optimist.

243
00:30:12,000 --> 00:30:16,000
Ik zie zoveel mooie puzzelstukken. Maar dat bij elkaar brengen.

244
00:30:16,000 --> 00:30:20,000
Ja, en we zijn er nog niet, maar we zien wel mooie stappen inderdaad.

245
00:30:20,000 --> 00:30:25,000
Die party trick deed me denken, ik weet niet waarom, maar ik gelijk aan kaartspellen.

246
00:30:25,000 --> 00:30:30,000
Die hebben wij ook, dus ik maak nu even een brugje naar een van de thema's die we hebben in de podcast.

247
00:30:30,000 --> 00:30:36,000
Dus daar start ik nu even de jingle van in. Dat is namelijk onze AI Game Changer kaartspel.

248
00:30:36,000 --> 00:30:39,000
Om met elkaar de discussie te hebben over hoe we tegenstellingen aankijken.

249
00:30:39,000 --> 00:30:42,000
En eigenlijk is iedereen altijd de winnaar bij dit kaartspel.

250
00:30:42,000 --> 00:30:46,000
Dat is een beetje de truc. Dus ik ga jou een stelling voorleggen.

251
00:30:46,000 --> 00:30:59,000
[muziek]

252
00:30:59,000 --> 00:31:04,000
Zo, dat was onze AI-gegenereerde intro die we daar hebben.

253
00:31:04,000 --> 00:31:07,000
Ik heb de kaarten geschud zoals je net zag.

254
00:31:07,000 --> 00:31:08,000
Ik zie het.

255
00:31:08,000 --> 00:31:12,000
Dus ik pak gewoon, nou dit kan bijna niet, toeval bestaat niet.

256
00:31:12,000 --> 00:31:16,000
Gebruik en toepassingen is een van de thema's die we hebben.

257
00:31:16,000 --> 00:31:23,000
We hebben er een aantal in zitten om verschillende disciplines van het vraagstuk van generatieve AI te kunnen belichten.

258
00:31:23,000 --> 00:31:26,000
En deze stelling gaat over datakwaliteit.

259
00:31:26,000 --> 00:31:29,000
Alsof het zo moet zijn, Daniel.

260
00:31:29,000 --> 00:31:36,000
En de stelling is, onze datakwaliteit is uitstekend voor het gebruik van generatieve AI.

261
00:31:36,000 --> 00:31:40,000
Eerst eens of oneens en daarna mag je hem toelichten.

262
00:31:40,000 --> 00:31:44,000
Maar je bedoelt dit in algemene zin voor alle bedrijven en organisaties in Nederland of de wereld?

263
00:31:44,000 --> 00:31:49,000
Je mag ook een casus pakken waar je nu momenteel mee bezig bent geweest.

264
00:31:49,000 --> 00:31:54,000
Want dit is inderdaad een hele generieke vraag. Dus eerst maar even een casus en daarna misschien een bredere zin.

265
00:31:54,000 --> 00:31:59,000
Dus even herhalen, onze data kwaliteit is goed genoeg om gen-AI toe te passen.

266
00:31:59,000 --> 00:32:02,000
Zelfs nog iets extremer is uitstekend.

267
00:32:02,000 --> 00:32:08,000
Ja kijk, dat is heel flauw. Dat wil ik geloven, maar dat kom ik heel zelden tegen.

268
00:32:08,000 --> 00:32:13,000
Als ik hem iets afzwak van het is goed genoeg om met gen-AI in de gang te gaan,

269
00:32:13,000 --> 00:32:17,000
dan denk ik van ja, dat zie ik bij veel organisaties.

270
00:32:17,000 --> 00:32:19,000
Ook weer een mooi voorbeeld in de zorg.

271
00:32:19,000 --> 00:32:23,000
Ik werk met een start-up, Textors, bij TU Eindhoven.

272
00:32:23,000 --> 00:32:28,000
Die bouwen dus in-house gen-AI toepassingen.

273
00:32:28,000 --> 00:32:31,000
En ik heb ze geïntroduceerd bij een huisartsenpraktijk.

274
00:32:31,000 --> 00:32:34,000
En we gaan daar dus de digitale oma bouwen.

275
00:32:34,000 --> 00:32:38,000
De vragen die je vroeger aan oma stelde voordat je naar de huisarts ging.

276
00:32:38,000 --> 00:32:40,000
Oh, ja ja ja.

277
00:32:40,000 --> 00:32:43,000
Wat je dus nu ziet is dat met die huisarts-apps,

278
00:32:43,000 --> 00:32:46,000
er komen al best wel veel vragen via die app binnen.

279
00:32:46,000 --> 00:32:49,000
Bij sommige praktijken heeft het inmiddels zo'n vorm,

280
00:32:49,000 --> 00:32:54,000
dat iemand twee uur per dag, let wel, twee uur per dag alleen maar bezig is om die vragen te beantwoorden.

281
00:32:54,000 --> 00:32:56,000
Kunnen we dat niet efficiënter doen?

282
00:32:56,000 --> 00:33:00,000
Nou, en ik denk dus dat, zelfs dus met de huidige techniek van gen-AI,

283
00:33:00,000 --> 00:33:04,000
en bij voorkeur dus inderdaad de wat meer open foundational models,

284
00:33:04,000 --> 00:33:09,000
die je dan veilig in je eigen omgeving kan gebruiken.

285
00:33:09,000 --> 00:33:12,000
En daar bovenop met extra data gaat trainen, in dit geval.

286
00:33:12,000 --> 00:33:18,000
Dus de huisartsendata toegevoegd ook met de protocollen,

287
00:33:18,000 --> 00:33:21,000
die gewoon in de Nederlandse huisartsenzorg gebruikt worden.

288
00:33:21,000 --> 00:33:25,000
Ja, de datakwaliteit is echt goed genoeg om dat te doen.

289
00:33:25,000 --> 00:33:29,000
En je kan het echt binnen een paar maanden live hebben.

290
00:33:29,000 --> 00:33:32,000
En de grootste uitdaging daarna is natuurlijk weer alle change management daarna.

291
00:33:32,000 --> 00:33:38,000
Hoe ga je het gebruiken? Je moet een proces voor de, hoe ga je de antwoorden goedkeuren?

292
00:33:38,000 --> 00:33:42,000
De moeilijke antwoorden, de makkelijke antwoorden en dan continu verbeteren.

293
00:33:42,000 --> 00:33:45,000
Dus in afgezwaktere vorm ben ik het ermee eens.

294
00:33:45,000 --> 00:33:47,000
Oké, dankjewel.

295
00:33:47,000 --> 00:34:00,000
[muziek]

296
00:34:00,000 --> 00:34:05,000
Ja, leuke stelling. Ik heb echt geschud net, maar het zou bijna over kunnen komen,

297
00:34:05,000 --> 00:34:09,000
als het doorgestoken kaart is inderdaad. Maar deze kwam letterlijk boven inderdaad.

298
00:34:09,000 --> 00:34:10,000
Ik heb die niet geschudden.

299
00:34:10,000 --> 00:34:14,000
Nee, en ik denk dat het wel belangrijk is inderdaad. Datakwaliteit is goed genoeg.

300
00:34:14,000 --> 00:34:17,000
En dat is ook een van de dingen die we in de toekomst hebben gedaan.

301
00:39:38,000 --> 00:39:41,000
Dus dat is allemaal de goede kant op.

302
00:39:41,000 --> 00:39:44,000
Maar het moet nog wel in standaarden worden vastgelegd.

303
00:39:47,000 --> 00:39:50,000
Ik zou graag zien dat bijvoorbeeld wetenschappers,

304
00:39:50,000 --> 00:39:53,000
dat ze niet alleen op peer-reviewed journals worden beoordeeld,

305
00:39:53,000 --> 00:39:56,000
maar ook op output.

306
00:39:56,000 --> 00:39:59,000
Ze hebben hier een open standaard geschreven en ze hebben een community aan de gang gekregen.

307
00:39:59,000 --> 00:40:02,000
Of ze hebben een open source implementatie van een standaard gemaakt.

308
00:40:02,000 --> 00:40:05,000
Dat zie je hier en daar.

309
00:40:05,000 --> 00:40:08,000
En dat is ook een van de dingen die we in de toekomst hebben gedaan.

310
00:41:26,000 --> 00:41:31,000
En dat heeft dus te maken met dat je dus via die open source implementaties

311
00:41:31,000 --> 00:41:36,000
in parallel met open standaarden, en een open standaard is bijvoorbeeld

312
00:41:36,000 --> 00:41:40,000
het TCP/IP-protocol, want zonder dat kan het internet niet werken.

313
00:41:40,000 --> 00:41:43,000
- Voor de informatieuitwisseling. - Ja, dus allemaal in die hoek.

314
00:41:43,000 --> 00:41:49,000
En als je dat gezamenlijk doet, dan zijn talloze studies die hebben uitgewezen,

315
00:41:49,000 --> 00:41:55,000
als je dus via een open manier van ontwikkelen dit soort technieken gaat uithollen,

316
00:41:55,000 --> 00:41:59,000
dan heeft het een veel grotere maatschappelijke waarde en ook veel eerlijkere verdeling

317
00:41:59,000 --> 00:42:01,000
in plaats van een closed source te maken.

318
00:42:01,000 --> 00:42:04,000
Omdat het open is, kan je de code verbeteren.

319
00:42:04,000 --> 00:42:09,000
Je kan het inzien, iedereen kan daar inderdaad kwetsbaarheden in herkennen

320
00:42:09,000 --> 00:42:11,000
en helpen op te lossen.

321
00:42:11,000 --> 00:42:15,000
Misschien ook niet heel toevallig is het een thema die we ook in de podcast

322
00:42:15,000 --> 00:42:17,000
een drieluik van hebben, waar Joop ook toelicht geeft.

323
00:42:17,000 --> 00:42:20,000
Maar wat is een open source in de AI-context?

324
00:42:20,000 --> 00:42:22,000
Want dan is de code misschien niet meer voldoende.

325
00:42:22,000 --> 00:42:24,000
Dan heb je het natuurlijk ook over trainingsdata die gebruikt is.

326
00:42:24,000 --> 00:42:29,000
En dat gaat dus nog wel verder op dat vlak dan alleen de code die er is.

327
00:42:29,000 --> 00:42:32,000
Nee, en dat zou ik dus inderdaad heel graag willen verkennen.

328
00:42:32,000 --> 00:42:35,000
Want even als gedachte-experiment.

329
00:42:35,000 --> 00:42:41,000
Stel je nou eens voor, neem een willekeurige AI voor beeldvormende diagnostiek.

330
00:42:41,000 --> 00:42:43,000
Bijvoorbeeld fundusfoto's.

331
00:42:43,000 --> 00:42:45,000
Fundusfoto's?

332
00:42:45,000 --> 00:42:47,000
Je retina, de binnenkant van je oog.

333
00:42:47,000 --> 00:42:48,000
Er zijn nu camera's.

334
00:42:48,000 --> 00:42:51,000
Ik kan gewoon een foto van de binnenkant van je oog maken.

335
00:42:51,000 --> 00:42:56,000
Binnen pak en beet vijf minuten weet ik of je bepaalde oogaandoeningen hebt.

336
00:42:56,000 --> 00:42:59,000
Met allemaal goedgekeurde AI.

337
00:42:59,000 --> 00:43:03,000
En daar ben ik bij betrokken vanuit een start-up.

338
00:43:03,000 --> 00:43:06,000
Maar even iets heel anders, dat gaan mijn collega's niet leuk vinden.

339
00:43:06,000 --> 00:43:09,000
Maar stel je nou eens voor, het menselijk oog is het menselijk oog.

340
00:43:09,000 --> 00:43:13,000
En stel je voor, we hebben, er zijn inmiddels heel veel grote datasets,

341
00:43:13,000 --> 00:43:18,000
met echt honderden, duizenden, zo niet miljoenen foto's van het binnenkant van je oog.

342
00:43:18,000 --> 00:43:22,000
Gelabeld met wel of niet ziekte X, Y of Z.

343
00:43:22,000 --> 00:43:26,000
Wat nou als we gewoon dat als basis nemen?

344
00:43:26,000 --> 00:43:30,000
En daar bovenop dus echt als een soort regenerative AI,

345
00:43:30,000 --> 00:43:33,000
we gaan modellen trainen in volstrekte openheid.

346
00:43:33,000 --> 00:43:37,000
Het mooie van dit voorbeeld is, hier is geen sprake van persoonsgegevens.

347
00:43:37,000 --> 00:43:38,000
Daar is een uitspraak van.

348
00:43:38,000 --> 00:43:41,000
Een foto van het oog is niet identificerend.

349
00:43:41,000 --> 00:43:43,000
Dat hebben we inmiddels.

350
00:43:43,000 --> 00:43:45,000
Nou, prima. Laten we vooral duizend bloemetjes bloeien.

351
00:43:45,000 --> 00:43:47,000
We gaan hackathons organiseren.

352
00:43:47,000 --> 00:43:50,000
Maar echt om production proof,

353
00:43:50,000 --> 00:43:56,000
het kunnen screenen op oogaandoeningen met een publieke dataset.

354
00:43:56,000 --> 00:43:59,000
De getrainde modellen gaan ook in de repositories.

355
00:43:59,000 --> 00:44:02,000
De modelcards, de evaluaties gaan er ook allemaal in.

356
00:44:02,000 --> 00:44:06,000
En als iemand zegt, ik wil dat wel oppakken, je wilt integreren in mijn product,

357
00:44:06,000 --> 00:44:08,000
voel je vrij om daar een dienstverlening omheen te doen.

358
00:44:08,000 --> 00:44:10,000
Zo werken ook alle grote cloud providers.

359
00:44:10,000 --> 00:44:13,000
Die bouwen, die packagen open source componenten,

360
00:44:13,000 --> 00:44:16,000
zodat het gebruiksvriendelijk wordt en de servers, etcetera.

361
00:44:16,000 --> 00:44:18,000
Waarom doen we dat dan niet?

362
00:44:18,000 --> 00:44:23,000
Om inderdaad het maatschappelijke belang, de kwaliteit en transparantie daarin te kunnen vergroten.

363
00:44:23,000 --> 00:44:24,000
Nou, niet alleen dat.

364
00:44:24,000 --> 00:44:26,000
En als je heel activistisch bent,

365
00:44:26,000 --> 00:44:30,000
dus Bart de Witte, Hippo-AI Foundation in Duitsland, die zit heel erg op deze tour.

366
00:44:30,000 --> 00:44:35,000
We spraken afgelopen congres gezamenlijk over dit onderwerp.

367
00:44:35,000 --> 00:44:39,000
Hij beweert zelfs, maar dat is natuurlijk ook echt een politiek debat,

368
00:44:39,000 --> 00:44:41,000
we hebben geen andere optie.

369
00:44:41,000 --> 00:44:43,000
Want als we het closed doen, dan wordt het gewoon te duur.

370
00:44:43,000 --> 00:44:46,000
Want er zijn ook al studies die dat uitwijzen.

371
00:44:46,000 --> 00:44:50,000
Het mooie voorbeeld recentelijk is dus de Human Genome Project.

372
00:44:50,000 --> 00:44:53,000
Dat is inmiddels al een tijdje geleden.

373
00:44:53,000 --> 00:44:56,000
Maar toen we daar aan het begin stonden, was ook een discussie,

374
00:44:56,000 --> 00:45:00,000
gaan we met belastinggeld één Human Genome database aanleggen,

375
00:45:00,000 --> 00:45:02,000
die dan eigenlijk open is.

376
00:45:02,000 --> 00:45:07,000
En daaruit kunnen allerlei partijen of onderzoeksinstellingen gewoon hun ding doen.

377
00:45:07,000 --> 00:45:09,000
En dat is ook een heel belangrijk onderwerp.

378
00:45:09,000 --> 00:45:12,000
En dat is ook een onderwerp waarin we ook een soort van

379
00:45:12,000 --> 00:45:14,000
een soort van open source-project kunnen maken.

380
00:45:14,000 --> 00:45:17,000
En dat is ook een onderwerp waarin we ook een soort van

381
00:45:17,000 --> 00:45:19,000
open source-project kunnen maken.

382
00:45:19,000 --> 00:45:22,000
En dat is ook een onderwerp waarin we ook een soort van

383
00:45:22,000 --> 00:45:24,000
open source-project kunnen maken.

384
00:45:24,000 --> 00:45:27,000
En dat is ook een onderwerp waarin we ook een soort van

385
00:45:27,000 --> 00:45:29,000
open source-project kunnen maken.

386
00:45:29,000 --> 00:45:32,000
En dat is ook een onderwerp waarin we ook een soort van

387
00:45:32,000 --> 00:45:34,000
open source-project kunnen maken.

388
00:45:34,000 --> 00:45:37,000
En dat is ook een onderwerp waarin we ook een soort van

389
00:45:37,000 --> 00:45:39,000
open source-project kunnen maken.

390
00:45:39,000 --> 00:45:42,000
En dat is ook een onderwerp waarin we ook een soort van

391
00:45:42,000 --> 00:45:44,000
open source-project kunnen maken.

392
00:45:44,000 --> 00:45:47,000
En dat is ook een onderwerp waarin we ook een soort van

393
00:45:47,000 --> 00:45:49,000
open source-project kunnen maken.

394
00:45:49,000 --> 00:45:52,000
En dat is ook een onderwerp waarin we ook een soort van

395
00:45:52,000 --> 00:45:54,000
open source-project kunnen maken.

396
00:45:54,000 --> 00:45:57,000
En dat is ook een onderwerp waarin we ook een soort van

397
00:45:57,000 --> 00:45:59,000
open source-project kunnen maken.

398
00:45:59,000 --> 00:46:02,000
En dat is ook een onderwerp waarin we ook een soort van

399
00:46:02,000 --> 00:46:04,000
open source-project kunnen maken.

400
00:46:04,000 --> 00:46:07,000
En dat is ook een onderwerp waarin we ook een soort van