Olifanten, Rangers en AI

Hoi, welkom bij een nieuwe aflevering van de AIToday Live. Met vandaag de gast Thijs Suijten. En we gaan het hebben over olifanten, Afrika en AI. En hoe dat zit? Ja, daar moet je even door blijven luisteren. Thijs, welkom bij ons in de podcast. Leuk dat je mee wilt doen. Zou je je aan de luisteraars eerst even willen voorstellen? Yes, ja nou leuk dat ik hier kan zijn. Ik ben dus Thijs en ja, hoe zou ik mezelf voorstellen? Ja. Nerds is eigenlijk de beste omschrijving. Al meer dan 20 jaar ben ik bezig met programmeren, computers, alles wat daarbij komt kijken. Ik denk toen ik een jaar of 12 was kocht mijn vader voor het eerst een computer. En ja, dat is eigenlijk het startschot geweest om daarmee aan de slag te gaan. En ik heb het nooit meer losgelaten. Ja, en je bent best wel iets heel speciaals gaan doen in onze ogen. En dat is niet zozeer de corporate wereld in toch? Nee, nee ja goed. Het is maar net hoe je het bekijkt eigenlijk. Ik ben al een hele tijd bezig. Heb bij een aantal verschillende bedrijven gewerkt. Ook bij ja, corporate. Een corporate is natuurlijk, dat is de definitie van een corporate. Dat is gewoon een bedrijf toch? Ja, zeker. In die zin werk ik nog steeds bij een bedrijf. Ja, dus ja. Ik kan niet helemaal zeggen dat ik niet in de corporate wereld ben gaan werken. Maar inderdaad de projecten die ik op dit moment doe, die zijn wel anders dan anders zou je kunnen zeggen. Ja, en nou ja, ik heb wat voorkennis. Want ik heb jou een praatje gezien bij de World Summit AI. Had je je presentatie en daar was ik zo van onder de indruk dat ik zei van, kom dat alsjeblieft zeg maar bij ons in de podcast vertellen. Dus ik ben echt super blij dat je er bent. En het mooie is, jij bent aan de slag gegaan met computer vision. Dus het kunnen kijken van machines. En wij gebruiken dat zelf heel veel voor documenten, mensen herkennen, dat soort zaken. Maar jij zet het op een andere manier in. Ja, wij zijn dat uiteindelijk gaan inzetten om te kijken hoe kunnen we olifanten en mensen in Afrika beschermen. Niet alleen olifanten, maar ook neushoorns en andere bedreigde diersoorten. Ja, en waar, hoe ben je op dat idee gekomen? Laten we daar eens beginnen. Ja, we zijn, om jullie en de luisteraars een beetje context te geven. Op dit moment werk ik bij Q42. Dat is een softwarebedrijf, dus een corporate in Nederland. We maken van alles nog wat. Eigenlijk, ja, een collega van Info Support. En we maken de PostNL app en de website van het Rijksmuseum, et cetera, et cetera. En binnen Q42, Runne, Tim en dat is mijn collega en ik, een afdeling genaamd Hack the Planet. En bij Hack the Planet kijken we eigenlijk van hoe kunnen we nou al die slimme dingen die we dus dagelijks gebruiken voor die grote klanten waar we voor werken, hoe kunnen we die nou inzetten voor iets goeds? Hoe kunnen we daar nou iets goeds mee doen? En ja, vanuit die context doen we dit soort projecten. En iets goeds, dat is heel breed. We doen eigenlijk ook projecten die gaan alle kanten op. Misschien komen we daar later nog op. Maar in dit specifieke geval voor die olifanten, waren we op een gegeven moment in gesprek geraakt met rangers. Via Vieren Wereld Natuur Fonds. Daar zijn we in gesprek geraakt met de mensen die dus in Nationale Parken in Afrika dieren beschermen. En die werken in gigantische gebieden. Die Nationale Parken zijn vaak zo groot als Nederland en België bij elkaar. Ja, bizar. En rangers die hebben vaak een klein team. Dus een 10, 20 rangers die moeten dan zo'n gebied patrouilleren, beschermen. En wij leerden dat ze veel werken met wildcamera's. Nou ja, ik heb er hier eentje bij me. De luisteraar kan dat niet zien, dus ik zal het beschrijven. Een wildcamera is eigenlijk een apparaatje wat je vastbindt aan een boom. Er zit een bewegingssensor op. En op het moment dat er dus iets voorbij loopt, dan neemt hij een foto. En die foto die slaat hij op op een geheugenkaartje. Nou, dat is een super waardevolle tool voor rangers die heel veel gebruikt wordt om bijvoorbeeld te kijken waar veel olies van te lopen of waar neushoorns lopen. Maar ook bijvoorbeeld om te kijken waar stroopers actief zijn in hun park. Ja, het is een apparaatje, want wij zien het wel, die past gewoon in de palm van je hand. Ja, die past in de palm van je hand en die maken ze vaak met een spanband vast aan een boom. Er zitten een aantal batterijen in en die dingen die gaan echt wel iets van een jaar mee of zo. En je zegt slaat op op het apparaat. Maar wordt het ook nog cloud connected? Nou, dat was precies de gedachte die wij hadden. Want we hoorden dat, van nou deze gebruiken we veel. Maar dat betekent als je die dingen dus uit het veld haalt. En even voor de duidelijkheid, dat is niet zeg maar bij jou in de achtertuin op de hoek. Soms moeten dus gewoon teams twee weken lopen in de jungle om dat ding op te hangen en op te halen. Ja, dat zijn echt gigantische afstanden. Dus wij dachten ook van ja, super waardevolle tool, maar je weet pas na zes maanden of na een jaar weet je pas wat er gebeurd is. En dat wil je toch eigenlijk gelijk weten. Zeker als het gaat om stropers. Dus toen dacht ik, dat moet toch slimmer kunnen. En ja, wat was dan het eerste wat je denkt van er zijn vast al mensen mee bezig. Of ik ben vast niet de eerste die dit denkt. Toch? Ja, zeker. Dus dan ga je googlen en ja, tot onze grote verbazing was er gewoon nog niet echt zoiets. En je hebt dan wel bijvoorbeeld van dit soort beeldcamera's die je kunnen koppelen op een 4G netwerk. Dus dan kan je wel de beelden realtime eigenlijk ontvangen. Ja, het probleem is in dat soort gebieden is, daar is geen 4G netwerk. Dus hoe ga je dat probleem dan oplossen? Dat was dan eigenlijk voor ons de volgende vraagstuk. En toen hebben we eigenlijk gekeken van, hoe kunnen we op een pragmatische manier de problemen oplossen? Onze kracht, onze doelstelling is eigenlijk, ja, hack the planet. De naam zegt het al een beetje. Hoe kunnen we een beetje hacky manier zoiets oplossen? Want het is nogal makkelijk om verzeil te raken in zo'n probleem en dan vervolgens tien jaar verder te zijn. Dus wat hebben we gedaan? We hebben een bestaande camera eigenlijk gepakt. En daarmee een klein beetje elektronica aan toegevoegd en een wifi sd kaartje. Zodat hij dus draadloze capabilities krijgt. En dan? Wat zouden jullie doen? Ja, ik zit mijn hoofd wel te breken. Misschien met elkaar connecten of zo. Ja, jullie zijn natuurlijk ook techneuten, dus wat dat betreft werkt jullie brein op dezelfde manier als die van mij. Ja, we hebben zo'n camera dus connected gemaakt en dan hebben we eigenlijk, dan heb ik hier een ander apparaatje in mijn handen. Die is iets groter. Sommige mensen hebben wel eens tegen mij gezegd dat ding lijkt op een Claymore Mine. Ik weet niet of dat een goede vergelijking is. Zeker niet omdat wij die dingen in onze handbagage meenemen. Het is een mooi klein kistje. Ja, een beetje een medicijn grote doosje van in de auto zie je zo vaak. Dat is niet mega veel groter dan de camera, maar net wat groter inderdaad. Klopt. En wat we hierin hebben gestopt, is hier zit een stukje van ons eigen elektronica onderwerp in. Daar draait een microcontroller op, dus heel low power. Hier zitten zes oplaadbare batterijen in en je kan hier een zonnepaneeltje aankoppelen. Kijk. Ja, en met het zonnepaneeltje laadt hij dus op als hij een paar uur zon per dag krijgt. En wat er dus gebeurt, op het moment dat die wildcamera nu een foto neemt. Dus je moet je woord zijn dat die wildcamera die hangt een meter boven de grond aan een boom ergens. Dit extra kastje hang je op een meter of tien hoog in een boom, want dan kan je makkelijker je zonnepaneeltje positioneren ook. Zeker in Gabon, waar we die dingen hebben hangen, wat echt een regenwoud is. En op het moment dat die wildcamera zijn foto neemt, stuurt hij een signaaltje naar dit stuk elektronica. En hierop zit een Raspberry Pi via compute. Een soort mini computer. En die Raspberry Pi die zetten wij dus aan. En die Raspberry Pi gaat de foto's van die wildcamera af downloaden. Dan gebruiken we dus machine learning om te kijken van nou wat staat er op die foto's. Staat er een mens op of een olifant. En ja dan komt het belangrijkste. Hoe krijg je die informatie op de telefoons van je rangers? Ja precies. En daarom hebben we hier hierboven in het kastje zit een satellietmodem. Wij gebruiken het Iridium netwerk. En je kan met zo'n satellietmodem per bericht kan je 340 bytes versturen. Oké, dat is heel weinig. Dus wat wij doen is wij versturen niet de afbeelding. Maar we hebben eigenlijk de classificatie resultaten van dat machine learning model die encoden we op een hele slimme manier in zo min mogelijk bytes. Dus we hebben per afbeelding 6 bytes nodig. En er zit in datum tijd, welke classificatie is het, hoe zeker is je model ervan. Met de classificatie bedoel je dus staat er een olifant op of niet of een ander dier. Precies ja. En ja het kan dus zijn dat er meerdere classificaties ook op die camera staan. Want als er een olifant voorbij loopt dan heb je vaak meerdere foto's of een mens. En dan via die satellietmodem versturen we dus die informatie eigenlijk direct naar de telefoons van rangers. Oké, gaaf. En wat betekent dit voor die rangers? Nou, wat betekent dit voor die rangers? Ja, wij hebben dit eigenlijk ontworpen met als doel stroperij. Dus dan kun je stropers opsporen. En als je dan eenmaal je tanden in zo'n project gaat zetten leer je super veel. Want even eerlijk, ik weet niet veel van stroperij en ik weet niet veel van de werkzaamheden van die rangers. En dat is eigenlijk het leuke aan je tanden in dit soort problematiek zetten waar je eigenlijk zelf niet zoveel van weet. Dan leer je een heleboel en je spot een heleboel kansen. Dus we zijn in 2021 naar gebonden gegaan en daar hebben we een project gedaan. Daar hebben we tien van deze werelds eerste AI smart camera's opgevangen. Mooi. Dat was heel cool. En in de tussentijd hebben we ook geleerd dat er bijvoorbeeld ook veel mens olifant conflicten zijn in Afrika. Dus dat zijn olifanten die steeds meer in de leefgebieden van mensen komen. En dat zorgt voor dodelijke confrontaties voor zowel de olifanten als de mensen. En in Gabon hebben we eigenlijk het systeem daarvoor ingezet. Dus kunnen we olifanten zien en dan als een soort early warning system, signaaltjes sturen naar de rangers en lokale mensen, dat olifanten in aantocht zijn. Oh ja. Dat is dan eigenlijk een soort van pivot, een draai ten opzichte van de stroperij, toch? Ja dat klopt. En de reden dat, ja, ons systeem kan nog steeds natuurlijk ingezet worden om mensen te spotten en het model wat er opdraait herkent ook mensen. Het is alleen zo dat we hebben toen voor die uitrol gekozen omdat dat op ons pad kwam. We hebben daar samen gewerkt met de universiteit van Sterling en dat was gewoon voor ons het meest veilige eerste project waarbij we deze technologie konden uitproberen. Die gebieden waar echt veel stroperij in kon, heb je een aantal van dat soort gebieden, die zijn levensgevaarlijk. En dan wil je dus eigenlijk ook niet zomaar rondlopen. Dus dit was voor ons eigenlijk een soort van nieuw probleemgebied, maar ook een laagdrempelige en veilige manier om deze technologie te testen. Mooi, ja. Eigenlijk een mooie MVP, dus eerste product om in de praktijk te testen. Ja klopt. En die camera's zaten dan in een gebied van een woongebied waar de mensen woonden en daar omheen hingen ze? Ja klopt. Maar dus dan krijgen dan nu de rangers een signaal of krijgen de bewoners ook een signaal? Nee, in dit geval krijgen de rangers van de parkinstantie waarmee we gewerkt hebben, die krijgen daar een signaal van. Oké, en wat gaan zij doen dan? Ja, dit was echt een, dat project in gebonden was echt een eerste pilot. Dus dat is echt, ja dan ben je aan het ontdekken of de technologie werkt, blijft die opgeladen. Dus het was een heel grote soort van technische validatie van, werkt zo'n dergelijk systeem. En in dit geval werd die informatie dus aan rangers gestuurd en afhankelijk van welk gebied, gaan rangers dus daar zo'n dorp toe om te kijken van, hé wat is er aan de hand? Is er een conflict ontstaan, et cetera. Dus het is niet zo dat ze gelijk op hun, in de auto springen en daar met de gillende sirene zo gaan aangaan. Het was vooral ook gewoon om te leren van, werkt dit, levert het waardevolle informatie op en dat doet het zeker. Wat waren nou dingen waar je tegenaan bent gelopen die je van tevoren nou helemaal niet had kunnen bedenken? God, hier kunnen we denken een hele topkast met. Ja, een heleboel dingen eigenlijk, een heleboel praktische dingen waar je niet over nadenkt, die je daar dus in het veld tegenaan loopt. Maar ook wel op technisch vlak. Zullen we eens bij de technische beginnen? Ja, laten we dat doen. Ja, ik ben dus zelf eigenlijk, voordat ik met dit idee in de gang ging, had ik zelf nog niet zo heel veel gedaan met machine learning en AI. Ik kijk ook niet naar AI als van, oh we gaan nu AI inzetten om dit of dat te doen. Dat is niet mijn drijfveer. Mijn drijfveer is, ik wil dit probleem oplossen en hoe kan ik dat doen? In dat geval was AI de logische antwoord daarop. Dus ik ben eigenlijk begonnen met een cursus volgen online. Ik weet niet meer precies wat zijn achternaam is, Jeremy heet hij geloof ik, van Fast AI. Die heeft een cursus en de titel daarvan is Machine Learning for Coders of zoiets. Zullen we hem even opzoeken en in de show notes zetten. Ja, ik vond die heel erg leuk, omdat die dus heel erg bij de baas begint van hoe werkt machine learning, om je echt een begrip te geven. En zijn tagline is 'making AI uncool again'. Ja, oh wat goed. Omdat er toch altijd een soort van zweem van magie of mysterie omheen hangt. Wat helemaal niet nodig is. Wat helemaal niet nodig is en hij laat zien, dit is gewoon wiskunde, het zijn matrix multiplicaties en het is niks spannend. Dus ik ben daarmee begonnen, vol goede moed eigenlijk. En Fast AI is dus een framework wat bovenop PyTorch draait. En nou al vrij snel ging ik daar op een gegeven moment met plaatjes aan de gang en ging ik modelletjes trainen en er kwamen eigenlijk best wel aardige resultaten uit. En dan had ik op een gegeven moment een model getraind en dan ga je met zo'n raspberry pi aan de gang om dat model daarop te draaien. Challenge, uitdaging. Dat was echt hoofdpijn. Dat was echt, het crashte de hele tijd en het performde voor geen meter. Het eerste model dat ik gebruikte dat was een ResNet model. Het duurde geloof ik 20 seconden of per afbeelding om te classificeren zeg maar. Ja dat is wel erg lang. Dat is zeker lang. En de moeilijkheid zit er natuurlijk in dat die Raspberry Pi is een minicomputer, dus je heeft veel minder rekenkracht dan als je bijvoorbeeld op je laptop ofzo doet. Ja of in de cloud. Ja de cloud is nog meer. Ja precies. Nee dus dat was een uitdaging. Nou toen ben ik vanuit daar eigenlijk nog even in die wereld blijven hangen. Dus heb ik verschillende modellen en architecturen uitgeprobeerd en sommige performen wat beter dan andere. Maar ik liep er ook wel tegenaan dat ik toch wel merkte dat die er heel vaak spontaan uit klapte. Het was niet heel erg stabiel zeg maar. En wat is er enger dan een stukje code schrijven wat ergens in een doosje hangt in het midden van het regenwoud van Afrika waar je niet bij kan. Waar je twee weken moet lopen om je data op te halen. Ja of om te updaten. Dan wil je wel dat het, dan wil je wel een beetje vertrouwen hebben dat het stabiel draait. Ja ja. Dat is toch wel een vraag die bij mij altijd in mijn hoofd blijft. Je noemt net update hierop. Maar stel zo'n model, misschien wil je nog wat dingen hertrainen en dat soort zaken. Hoe zou dat in zo'n situatie gaan? Ja grappig dat je het vraagt. Ik heb daar wel rekening mee gehouden. Dus er zit een update mechanisme in het systeem. Zoals ik al eerder zei in die wildcamera zit een SD kaartje, een geheugenkaartje. En op het moment dat die mini computer eigenlijk verbinding maakt met die camera. Dan kijkt die op dat geheugenkaartje. Staat daar een zip verhaal met een bepaalde naamgeving. En als die er staat dan downloadt die zip verhaal en dan update die zichzelf. Ja oké. Dus ja dat is een vrij laagdrempelige manier waarop wij dan toch zo'n systeem. Je moet er wel naartoe maar je kan hem wel updaten. Ja dus ja dat is wel, dat zijn wel de eerste hoofdpijntjes die ik heb gehad in de ontwikkeling van het systeem. Ik dacht van ja leuk dat machine learning. Maar voor mijn gevoel en ik denk dat dat klopt. Waar ik tegen aanliep is er zijn heel veel mensen bezig met met modellen trainen en competities. En dan kwam het Kaggle competitie. En dan was het van oh ja we hebben nu dit model dat performt 1 procent punt beter dan de vorige keer. Etcetera. In dat gebied gebeurt heel veel in de academische wereld van trainen en beter performen. Maar hoe krijg je die technologie nou echt zeg maar daadwerkelijk op een stukje hardware aan de praat. Ja. Ik voelde me daar best wel eenzaam soms. Ik dacht van oké ben ik de enige die dit aan het proberen is. Want ik kon werkelijk waar heel weinig vinden over hoe je dat dan doet. Ja nee dat klopt. En er zijn wel bedrijven die hierin gespecialiseerd zijn. Maar ik deel jouw mening weet je zeker kegel. Kegel is eigenlijk gewoon een competitie website. Dus daar gaan ze alleen maar op nauwkeurigheid. Performance, performance, performance. En niemand kijkt naar wat dat betekent in de praktijk en of het dan nog wel bruikbaar is. En het kleine maken van modellen. Ik denk dat dat zeker in de aankomende periode een heel groot issue wordt. Want je wil dingen veel meer zo direct op je telefoon draaien. Je wil het, nou ja wat jij zegt, op van die minicomputertjes kunnen draaien. We hebben enorm large language models. Volgens mij moeten die kleiner worden om ze energiezuiniger te maken. Dus ik denk dat je daar een enorme voorloper in ben geweest. Waarbij we de aankomende jaren gaan zien dat er meer aandacht voor gaat komen. Ja en dat proef je dan ook. Dat voel je dan ook. Dat als je dus een aantal voorloper bent, dan heb je dus het gevoel dat je al die problemen voor eerst en alleen moet oplossen. Dus dat was best wel een uitdaging. Zeker als je dus redelijk groen bent zeg maar in het veld van machine learning. En dan al die dingen. Maar dat is ja, dan is het gewoon, dat noem ik dan pitbull modus aan. Tanden erin zetten en pas loslaten als het gelukt is. En ja uiteindelijk heb ik het weten op te lossen. Misschien een beetje een anti-climax. In ieder geval zo voelde het voor mij ook een beetje. Want ik had heel veel geleerd over machine learning en hoe je dan eigen modellen kon trainen etc. En toen dacht ik van nou ik moet iets anders gaan proberen. Dus ben ik naar TensorFlow gaan kijken. Dan ben ik daar eigenlijk hetzelfde gaan proberen. Met de samples van Google ben ik modellen gaan trainen. En daar kwamen eigenlijk hele slechte resultaten uit. Dus op een of andere manier kon ik met dat fast AI en PyTorch kon ik vrij makkelijk goede accurate modellen trainen. Maar dan runnen ik die samples van Google. Van dit is hoe je een image classification doet. Op dezelfde dataset. En er kwamen echt verschrikkelijke modellen uit. Het stond dan soms ook in de comments van Google. Stond zelf van dit is een voorbeeld hoe je een model traint en de resultaten zijn misschien niet heel goed. You get the idea. Dus dan dacht ik van ja shit. Maar die TensorFlow modellen die draaiden wel heel goed. En toen kwam ik uiteindelijk bij AutoML terecht. Dat heet tegenwoordig Vertex AI op de Google platform. Maar dat is basically een service van Google waarbij je gewoon je dataset upload en dan zegt train optimaliseren voor hardware. En dat was uiteindelijk de oplossing. Ja want wat hij dan gaat doen is allerlei algoritmes trainen en dan optimaliseren. In dit geval waarschijnlijk op grootte van het model. Dan krijg je het best mogelijke model eruit. Ja want volgens mij, de grap is dat je weet dus niet precies wat hij doet. Want het is echt een black box. Maar wat hij volgens mij doet is verschillende netwerkarchitecturen uitproberen in het trainingsproces. En ook allemaal hyper parameters aanpassen. Om zo eigenlijk geautomatiseerd tot het beste oplossing te komen. Ja want ieder algoritme kent een soort van van knopjes waar je aan kan draaien. En dat zijn die hyper parameters waar je het over hebt. Ja en daar kwam dus uiteindelijk voor ons het het goede model uit uit te rollen. En dat voelde dus een beetje als een ja dan ben je eerst heel veel effort ergens in aan het steken. En heel veel aan het leren. En uiteindelijk is het gewoon een standaard service. Dat had ik dan ook wat maanden kunnen besparen. Had je heel veel minder geleerd natuurlijk. Had ik heel veel minder geleerd. Dus het is geen weggegooid geld. Maar het heeft me wel tijd gekost om tot dat punt te komen. Ja snap ik. Ja en die TensorFlow, we gebruiken nu dus TensorFlow Lite modellen. Dat zijn dus van die kleinere modellen die dus ook op je telefoon draaien. Ja en daar passen ze onder andere technologie toe die heet Quantization. Dus dan ik zeg wel nog steeds ben ik geen expert expert op dit gebied. Maar wat ze doen is de weights die in je modellen zitten, de gewichten, dat zijn normaal floating point getallen. Die zetten ze om naar 8 bit integers. Waardoor je model een stuk kleiner wordt en ook sneller. En ja dat draait dus goed op zo'n Raspberry Pi bijvoorbeeld. Ja dus door getallen eigenlijk kleiner te maken en versimpelen maak je eigenlijk de formule simpeler. Waardoor die sneller en makkelijker kan rekenen. Ja zeker op zoiets als een Raspberry Pi. Dan kan gewoon makkelijker rekenen met integers zeg maar dan met gehele getallen. Met getallen met allemaal cijfers achter de comma. Ja. Je had technische zaken die je geleerd had en waar je tegenaan was gelopen en ook nog praktische zaken. Ik ben ook wel nieuwsgierig naar die praktische zaken. Ja want dat is nog iets waar een groot gat is volgens mij. Waar wij tot nu toe een aantal keer wel in geslaagd zijn om het gat te overbruggen. En dat is het is leuk dat je op een Raspberry Pi op je bureau een modelletje draait kan krijgen. Maar hoe stop je dat in een oplossing die je in een regenwoud kan ophangen. Die daar ook lang blijft draaien. En waar de rangers zelf ook mee kunnen werken. Ja want ja je bent er niet altijd. We zijn daar twee weken geweest en dan probeer je te laten zien zo werkt het zo hang je het op. Je wil wel eigenlijk dat de mensen er zelf mee kunnen werken zonder dat jij erbij bent. Precies. En dat is nog wel de grootste uitdaging. En ik denk dat daar de grootste sleutel is. Het pragmatiek. Oh ja. Toch de kracht van het weglaten. Waar heb je iets weggelaten wat je dacht van ja maar dit hebben we eigenlijk wel nodig. Een van de dingen die je eigenlijk altijd te horen krijgen is ja maar we willen zo graag die foto zien. Dat snap ik. En dit is dus precies waar het als engineer heel verleidelijk is om dan te gaan denken van oké we kunnen per bericht kunnen we 340 bytes versturen. Wat nou op een afbeelding heel erg comprimeren als thumbnail en hem in 20 stukjes hakken. Dan kom je op zoveel bytes uit. Nou dan heb je dan kan je best een thumbnail versturen. En dan voeg je een volg nummertje toe en dan kan je op de backend kan je ze weer aan elkaar lijmen en dan kan je je afbeelding maken. Nou technisch gezien is dat inderdaad best mogelijk. Maar dit is echt iets waar wij altijd van hebben gezegd oké we gaan dat niet doen. Omdat dat gewoon een rabbit hole is die je dan ingaat om dat technisch ook helemaal goed te krijgen. Moet je zoveel effort en tijd insteken en niet te vergeten te zeggen dat de kosten van je satellietverbinding zeg maar ook doortikken. Ja. Hebben we altijd gezegd oké dat doen we niet. En zo zijn er eigenlijk nog een heleboel features geweest. Ja. Ik doe nu air quotes. Die je gedurende het ontwikkelen van zo'n ding bedenkt of tegenkomt van het zou tof zijn als. Maar ja hou gewoon soort van hyper focus op dat probleem wat je probeert op te lossen en probeer niet onderweg een zevenkop gedraak te creëren. Dat is wel belangrijkste learning eigenlijk. Ja want dan ben je eigenlijk met de techniek bezig en niet meer met het oplossen van de mens olifant conflicten die je daar hebt waar je mee bezig was. Hoe heb je voor jezelf die focus kunnen hanteren? Want je zegt net zelf je bent techie, nerd en dat soort zaken. Die verleiding is natuurlijk heel groot. Want technisch weten we dat het kan. En we zien het ook in praktijk. We zien het ook bij bedrijven inderdaad dat dan één keer heel veel functie erbij komt. Hoe heb je toch die focus kunnen behouden? Ja ik denk dat dat, en dan moeten we iets verder terug gaan. Ik denk dat dat echt iets wat ondertussen in mijn in mijn dna zit. Dan zou je het bijna kunnen zeggen. En dat is eigenlijk door schade en schande ben ik daar wijs in geworden. Ik werk nu, nou ik denk tien jaar ondertussen bij Q42. Daarvoor heb ik een eigen bedrijf gehad. Ook een kleine software onderneming met een aantal andere mede-eigenaren. En dat was in die periode, ontwikkelden wij een digitaal product. En dat product dat verkochten we af en toe maar het liep niet helemaal lekker. En ik had zo'n beetje iedere regelcode in dat product had ik wel aangeraakt of geschreven. Dus ik heb daar heel veel effort in gestoken. En toen ging ik op een gegeven moment de boek de Lean Startup lezen. Kennen jullie dat boek? Zeker. Hebben jullie hem ook gelezen allebei? Ja absoluut. En toen ik dat boek aan het lezen was, dacht ik van oké volgens mij iedere fout die hierin beschreven staat, die ben ik aan het maken. Ja zo voelde het heel erg. Kan je daar drie noemen? Nou ja een aantal van die van die fouten zitten zeg maar op business vlak. Dus wij dachten ook van dat product, ah misschien als we deze feature erbij maken dan verkoopt die wel. Ja dat is eigenlijk, dat is vrijwel nooit het geval. Maar het is heel erg verleidelijk om dat te denken. Zeker als je klanten er bijvoorbeeld om vragen. Maar veel, er ligt waarschijnlijk een dieper achterliggend ding achter. Dat de markt of je marketing of wat dan ook, dat daar iets niet helemaal lekker zit. Maar eigenlijk voor mij als techie, als CTO destijds van dat product, ja hij heeft het mij echt doen realiseren. Dat ik dacht van oh mijn god ik heb zoveel uren en zoveel regels code in dit project zitten. En hoeveel features heb ik wel niet geschreven die eigenlijk niemand gebruikt. En dat was zo'n klap in mijn gezicht, kan je dat haast wel noemen? Die echt wel, zeg maar tijdens het lezen van dat boek, is dat inzicht bij mij gekomen. Dat dat heeft wel echt mijn gedachtenpatroon veranderd. Ik dacht van oké, maar als ik nu aan dingen werk dan wil ik gewoon eigenlijk zeker weten dat de regels code die ik schrijf, dat die bijdragen aan iets echts, aan iets nuttigs wat mensen echt gebruiken. Precies. Niet een of andere feature achter in een product wat zeg maar 1% van je mensen ooit misschien een keer aanklikt. Ja. En toen was ik helemaal nog niet zo heel erg bezig met dit soort projecten in Afrika, etc. Maar dat was gewoon meer, ja bijna vanuit het gevoel van nutteloosheid. Ik voelde me gewoon heel erg nutteloos eigenlijk best wel in die periode. Ik dacht van ja shit, ik heb zoveel effort eigenlijk zitten weggooien gewoon voor niks. Ja, omdat je denkt dat iemand het nodig heeft. Ja, omdat je denkt dat iemand het nodig heeft, of omdat je inderdaad je eigen tech verleidingen achterna loopt. Precies, ja. Dat is ook nog een goeie. En dat is wel mooi dat je dan inderdaad niet bent begonnen met het uploaden van die foto's. Dat je zegt van nee, dat gaan we niet doen. Kost gewoon te veel tijd en draagt uiteindelijk niks bij aan wat je aan het doen bent. Precies, het geeft wel iets extra's, maar het lost in basis het probleem niet op. Kijk, nu hangen die camera's daar en mensen weten niks. Ja. En met ons systeem krijgen ze zo'n waardevolle schat aan informatie erbij. En natuurlijk zou die foto leuk zijn, maar… Die kan ook wat later. Die kan ook wat later inderdaad. Ja, en ook nog, weet je, ja als je er straks tien gezien hebt, dan zeggen mensen nou ja, ik geloof het. En daarna is het ook klaar. Dan heb je er ontzettend veel tijd, geld en energie ingestoken. En dan is het zo direct ook, ja, dat niemand er meer naar kijkt. Nee, dat zijn wij ook. Op het moment dat je genoeg vertrouwen krijgt in het model wat er is, daar ging het natuurlijk uiteindelijk om. Dat mensen moeten vertrouwen krijgen in dat het model wat er op draait inderdaad accuraat genoeg is. Dus ja, terugkomend op je vraag van hoe kan je dus je eye on the ball houden. Ja, dat is echt wel een proces van de afgelopen tien, vijftien jaar die ik heb doorgemaakt. Die ik ook zeg maar in de projecten die we hebben gedaan. Dus ik heb dan op een snel app gewerkt. En dat was dat eigenlijk altijd mijn focus van oké jongens, wat we hier nu gaan doen. Deze feature die we nu gaan bouwen. Niet zomaar klant vraagt waar je draait, maar altijd gewoon ja, beetje die waarom vraag erop zoeken, achterop zoeken van is dit wel nuttig. We zullen hem ook weer opnemen in de show note. Want het boek lijkt door de lean startup dat het vooral is voor startups. Maar het is eigenlijk voor iedereen die ook maar iets te maken heeft met met bouwen ontwikkelen, maar ook van proces ontwikkelen. Als jij procedures of zo maakt voor je bedrijf verval je natuurlijk ook heel snel in allerlei moeilijke dingen en zo. Dus voor iedereen is eigenlijk die die lean startup is wel een aanrader. Ja, ik denk dat je daar inderdaad wel de spijker op de kop slaat met het stukje. Why? Dus het doel continu voor ogen hebben. Zoals je zegt, inderdaad, het moet daar op locatie hangen en dit is wat het moet doen. En daar toon ik ze me terug aan. Draagt het daaraan bij? Nee, nu niet. En dan durven afknippen van die functionaliteiten. Ja, mooi om te horen. Andere vraag die ik nog had is, wat heeft het gedaan met de rangers? Want die hadden een camera en die ging af en toe foto's ophalen. Maar nu in één keer hadden ze dus signalen die ze kregen, ineens extra informatie die op ze afkwam. Wat heeft het met hun werk gedaan? Ja, dat is dat was wel echt een magisch moment bijna toen we daar waren. Want ik denk dat we hebben ongeveer zes maanden gewerkt aan dit systeem. Van bedenken tot dat we echt iets hadden waarvan we dachten van daar kunnen we mee op pad. En zo'n tripje naar Gabon gaat je ook niet in de koude kleren zitten. Want dat is nou, je moet er natuurlijk heen. Maar toen waren we in de hoofdstad aangekomen, Libreville, en dan moesten we nog naar het Nationale Park. Dat is Lopé National Park. Tim en ik, ik was een cameraman, was daarmee een documentairemaker. We hebben met z'n drieën 14 uur achterin een jeep opgevouwen gezeten met koffers en eten en stinkende mannen. Dat was echt een helse ervaring om daar te komen. Dus ja, dat is best wel intens. Maar dan kom je daar dus en dan sta je eigenlijk op een plek op de wereld die zo afgelegen is. Waar voor honderden kilometers om je heen niets anders is dan regenwoud, ongerepte natuur. Ja, en dan dat is toch wel een hele bijzondere ervaring. En ik kan me nog goed herinneren dat, ja wij komen dan op zo'n magische plek aan met een koffer vol elektronica. En die hadden we op een gegeven moment, er hing daar een waslijn. We hebben al die, al die mini computers, we noemen het smart bridges, die hadden we aan die waslijn gehangen. Want we wilden ze allemaal even testen en dubbelchecken dat ze goed werkten. En we hadden dat gedaan. En we stonden dus aan die ranger uit te leggen van, nou je heb hier die camera's app, die wildcamera, die kennen ze natuurlijk al. Dus dat was voor hun bekend terrein. Dus we hadden aan die ranger uitgelegd van hoe dat systeem werkt. Dus die ranger die vertelde op een gegeven moment aan ons terug van, oké dus die camera die neemt een foto, dan gaat dat magische doosje gaat dan herkennen wat er op die foto staat en dan krijg ik een watch appje met deze camera heeft nu een olifant of een mens gezien. En toen zag je eigenlijk gewoon dat kwartje bij hem vallen. En toen had hij echt zoiets van, holy shit, welkom in de toekomst. Je zag echt die realisatie bij hem. En dat was ook even een momentje dat ik Tim even een knuffel heb gegeven. Dat je dan denkt, nou ja, je staat hier en dan realiseer je ook wat voor impact dat kan hebben. Wauw, te gek. Wat mij intrigeerde bij jouw praatje bij de World Summit AI, is dat op een gegeven moment kwam Céline Dion om de hoek kijken. Zou je daar wat over? Ja, Niels zit met me heel verbaasd te kijken. Wat heb je het over? We hebben het over olifanten, we hebben het over AI. En dan hebben we Céline Dion. Ja, Niels, wil je het niet over Céline Dion hebben? Vorige keer hadden we al een heel leuk gesprek met iemand van de radio en de muziek. Toen hebben we het wel over mijn muziekstijl gehad, maar daar zat Céline Dion niet bij, kan ik je verklappen. Als je die aflevering nog niet geluisterd hebt, zeker even doen. Ja, nice. Nee, dat is een hele bijzondere clashing of worlds, zou je bijna kunnen zeggen. En dat is eigenlijk ook het leuke en het krachtige als je daar dus bent. Want als je daar dan als techie in die wereld ondergedompeld wordt met die rangers, zoals ik eerder al zei, we hebben geleerd van mens-olifant conflicten, dat is echt een gigantisch probleem, wisten we ook niks van. Hebben we echt geleerd door dit project te gaan doen, om door samen te gaan werken met rangers. Mens-olifant conflicten zijn misschien nog wel een groter probleem dan stroperij voor olifanten. Want daar kunnen de olifanten ook zoveel wond raken dat ze daar ook aan sterven, toch? Ja, zeker. Ze raken niet toevallig voor wond, want je moet je voorstellen wat er gebeurt. En in dit geval in Gabon, een regenwoud, door klimaatverandering produceren de bomen minder fruit. En die olifanten die eten dat fruit, dus je krijgt hongerige olifanten. En dat kunnen ze echt zien in de foto's ook, dat de olifanten een stuk magerder zijn. Dus die olifanten gaan op zoek naar eten op andere plekken. En vaak zijn dat dus plantages van, er zijn er kleine dorpjes. En dat zijn geen dorpjes zoals jij en ik hier in Nederland. Daar een plaatje van schetsen, maar dat zijn echt Afrikaanse dorpjes. Dat is heel kleinschalig. En die mensen die verbouwen daar hun eigen voedsel, want dat is hoe ze rond moeten doen het leven. Ze hebben daar geen Albert Heijn waar ze naartoe kunnen. En wat er dus gebeurd is, die olifanten die breken steeds meer in in zo'n plantage. En die komen daar niet gewoon even een paar bananen eten, maar die vernietigen echt zo'n bananenboom. Dus het gewassen van die mensen daar worden echt vernietigd door die olifanten. En voor ons zijn olifanten misschien magische dieren, waar we heel erg "oh, nou mooie beesten". Maar als jij iedere dag drie olifanten in je achtertuin hebt staan die je gewassen komen verpesten, dan wordt je perceptie wel iets anders, kan ik je vertellen. Dus ja, je krijgt eigenlijk wraak van boeren die er achteraan gaan. Inderdaad, toen we daar door de plantage liepen, zagen we planken liggen van ongeveer een meter lang, met spijkers van 10-20 centimeter daar doorheen geslagen. Olifantenpunaises zou je het kunnen noemen. Maar ze gebruiken ook andere wapens of speren om achter die beesten aan te gaan. En die worden dus soms dodelijk verwond. Maar het komt ook regelmatig voor dat als jij in je plantage bezig bent je cassaven te oogsten en er komt opeens een olifant de hoek om, die valt jou aan en dat win je niet. Dus dat is echt een heel groot probleem. Heftig. We hadden dus van dat probleem geleerd en toen we dus in Gabon waren, toen liepen we op een gegeven moment door een plantage heen en we zagen daar een olievat staan. Dus geen olifant, maar een olievat. Zo'n metalen vat, met twee stokken erop. En we vragen van waarom staat dat ding hier? En de lokale rangers zeggen dus van ja, als wij weten dat er olifanten aankomen, gaan we een hoop kabaal maken in de hoop weg te jagen. En we hadden letterlijk de dag daarvoor onze eerste slimme camera's opgehangen en we hadden die avond al sms'jes of Whatsappjes gehad van die camera. "Hey, er is een olifant langsgelopen." Dus wij gingen naar die camera's toe om te kijken van "Klopt dat?" Dat klopte, dus dat was wel super cool. En dan loop je dus in zo'n plantage en wat denk je dan als engineer? "Ja, daar kunnen we wat mee." Ja, dat olifant kunnen we automatiseren. Dat is precies wat we gedaan hebben. Dus we hebben een systeem gemaakt wat samenwerkt met die slimme camera's. Op het moment dat die slimme camera's een olifant detecteren, sturen ze een berichtje naar dat apparaat. En dat apparaat is eigenlijk niets anders dan een stukje elektronica, wederom in een zonnepaneeltje. En een gigantische hoornluidspreker, waar we een bak kabaal over uitsturen en een grote lamp, een ledlamp, die begint te knipperen. En op het moment dat dus een olifant loopt, dan gaat er 200, 300 meter verderop, horen die olifanten opeens een hoop kabaal. En die olifanten kiezen er dan voor om niet die kant op te gaan. Over het algemeen proberen olifanten gewoon uit de buurt te blijven van mensen. En ja, dan hebben we dus eigenlijk een soort olifantenverschrikker gemaakt. En je moet je zo voorstellen, wij stonden in die plantage bij dat olifant en dan valt dat kwartje bij jou en dan denk je van, wat als? Nou dan kom je terug naar Nederland, ga je daar mee aan de slag. En dan sta je een jaar later dus in Zambia, die olifantenverschrikker uit te testen. Tim en ik hadden altijd zoiets van, wat voor geluiden zetten we erop? Want we hadden al bedacht, er moeten random geluiden zijn, want die olifanten zijn heel slim. Dus als je iedere keer hetzelfde afspeelt, dan leren ze dat. Dus we hadden allemaal muziek erop gezet. En geluiden van bijen en geluiden van metaaldeuren en auto's, wat ik veel. We zeiden altijd van, hoe grappig zou het zijn als ze, we zetten slimme jongers erop. Wat nou als ze olifanten kunnen wegjagn met my heart will go on. Ja en toen we in Zambia waren om dat systeem uit te rollen, hadden we net die avond, hadden we hem opgehangen en we zaten 's avonds bij het kamp. En we zaten daar te kletsen. En ik hoor in de verte zo'n panfluit. En ik zeg, jongens, stil eens eventjes. En ja hoor, daar ging Celine Dion over de vlakte. Ja, toen hebben we wel even goed moeten lachen inderdaad. Want er stonden iets van honderd geluiden op dat ding en hij speelde iedere keer een random geluid af. Dus we hadden de kans dat hij die avond zou werken en dat Celine Dion er zo afspeelt. Dat je daar gewoon getuige van bent. Ja, oh heerlijk. Ja, ik kan sowieso niet zo goed naar Celine Dion luisteren. Ik zou er ook van wegrennen. Als je fan bent, sorry voor dat. Maar ik kan nu sinds jouw praatje echt. Ik zat nou, je hebt op Q-music, nee wat was het nou, Radio 10 ofzo, die top 4000. Kwam Celine Dion voorbij en ik moest meteen aan olifanten denken. Dat gaat echt nooit meer weg. Als iemand Celine Dion toevallig kent ofzo, ik ben benieuwd wat zij daarvan zegt. Ik weet niet of ze er blij mee is of niet. Ze helpt wel heel veel mensen als ik dat zo hoor. We lachen erom, maar uiteindelijk is het natuurlijk echt for good. Ja, geweldig, geweldig verhaal. Ik ben benieuwd wat die olifanten er echt van vinden. Nou ja, genoeg om ervoor weg te rennen toch? Ja, dat is het grappige. In Gabon, het project wat we daar gedaan hebben, was echt een testen van doen onze slimme camera's het, leveren ze waarde op. Er hangen nu ongeveer een dertigtal van dat soort camera's in Gabon. Die worden nu eigenlijk voornamelijk ingezet voor real-time monitoren van biodiversiteit. Dus ze real-time informatie verzamelen over de hoeveelheid olifanten, de hoeveelheid andere diersoorten die dus in het bos rondlopen. En in Zambia hangen dan de eerste olifantenverschrikkers. En we hebben al foto's en filmpjes gezien van olifanten die dus reageren op dat systeem. En dan zitten daar de specialisten die dus heel goed aan het gedrag van de olifanten kunnen zien hoe ze zich voelen. En je ziet ze gewoon echt kijken en luisteren en opschrikken. Dus niet dat ze zich eigenlijk helemaal door het tandje schrikken en wegrennen, maar je ziet echt dat ze het horen. Dat was ook onze bedoeling van een afstandje. En ze denken oké, die kant gaan we niet op. Eigenlijk gewoon onaangenaam in plaats van paniek. Ja, precies. En dat is toch wel heel cool om te zien dat je dan ziet dat die technologie daar echt werkt en dat dit soort ideeën dan zo bij elkaar kunnen komen. En staat er nog iets op de planning van wat je gaat toevoegen of uitbreiden? Ja, genoeg. De grap is als je dus naar zo'n uitrol gaat, kom je altijd terug met tien nieuwe ideeën. En wat er nu concreet op de planning staat is die olifantenverschrikkers hebben we ook in Roemenië uitgerold. Ja, zijn er niet zo heel veel olifanten in Roemenië? Nee. Beren ofzo? Ja, precies beren. Op een gegeven moment zijn we benaderd door een organisatie, Carpathia. En die zeiden, we hebben gezien wat jullie doen met olifanten. We hebben eigenlijk hetzelfde probleem, maar dan met beren. Dus we hebben een doorontwikkeling gemaakt van ons systeem. Dat is wel echt lastig trouwens hoor. Als je het hebt over hardware, ik weet niet waarom ze het hardware noemen. Het is hard. Heel moeilijk is. Zeker. Deze versie van die slimme computer, die kunnen we eigenlijk al niet meer produceren omdat er chipjes in zitten die niet meer te verkrijgen zijn. En dan moet je een nieuwe revisie maken. Ja. Dat is altijd lastig. Maar goed, dus zeg maar dit soort hardware projecten kosten wel extra veel inspanning. Dus we hebben het systeem een klein beetje aangepast en daar in Roemenië in een dorpje opgehangen. En we hangen nu veertien van die systemen eigenlijk om beren buiten dorpjes te hangen. Zo hé. Reageren die ook op Céline Dion? Nou, de grap is dus dat ze wel anders reageren. Het lijkt erop dat beren iets minder gevoelig daarvoor zijn. Zeker als het al probleemberen zijn. En we zijn ook aan het experimenteren met verschillende soorten geluiden. Dus het lijkt erop dat ze hoogfrequent geluid niet zo relaxed vinden. Een beetje van die hondenfluitjes. En dat werkt wel. Maar waar we ook achter zijn gekomen is dat het toch nog wel eens gebeurt dat een beer dan bij zo'n boer aankomt kloppen. En afgelopen zomer waren we in Roemenië en dat was echt een beerhoogseizoen. En dan was het gewoon dagelijks dat mensen van die organisatie Carpathia dus in die dorpen bezig waren omdat er gewoon beren rondliepen. En wat die beren dan doen is, die breken in bij boeren waar hun varkens of koeien rondlopen. En die vallen dan die varkens aan. En dat ziet er niet mooi uit, kan ik je vertellen. En het probleem is een beetje dat als beren eenmaal geleerd hebben dat daar zo'n boerderij een soort McDonald's is waar ze gewoon even een snackje kunnen halen. Dat leren ze heel snel. En dan worden het dus probleemberen. En die kan je dat eigenlijk niet meer afleren. Dus je wilt in alle tijden voorkomen dat de beren eigenlijk hun slag kunnen slaan daar. En een van de dingen waar we nu mee bezig zijn is wat we noemen een instant repeller. Dus zeg maar het verschrikkersysteem wat we nu hebben, daar zit wat tijd tussen. Dus het nemen van de foto en dat het systeem echt afgaat zit ongeveer 30 seconden tot 60 seconden zit daar tussen. En waar we nu mee bezig zijn is een systeem wat een video feed analyseert. En op het moment dat er dan een beer gesport wordt, dat we gelijk iets kunnen triggeren eigenlijk. En dan is de grote discussie wat gaan we dan doen om die beer weg te halen? Wat zouden jullie doen? Ja, ik weet niet of geur of dergelijke nog zou helpen inderdaad. Ik ben geen beer expert moet ik zeggen. Ik ook niet, maar ik zit toch wel even mijn hoofd te breken. Ik vind het een leuke prikkelende vraag. Is er een mogelijkheid om met andere dieren ofzo iets te doen? We hebben nu op het huidige systeem boze berengeluiden staan. Dat helpt wel. Ze zijn territoriaal dan? Ja, ze zijn ook wel inderdaad als je echt een alfamannetje geluiden laat maken dan heb je nog wel eens kans dat ze weg gaan. Hier moet ik niet wezen. Wat we ook wel hebben gehoord is op het moment dat een beer eenmaal, ik kan het bijna een beetje vergelijken met een kat. Ik weet niet of je wel eens een kat op straat hebt zien lopen die er dan achter een vogeltje aan zit. En dan voor die kat verdwijnt eigenlijk de rest van de omgeving. Dat heeft een beer ook een beetje. Die zoomt dan in op zijn prooi en dan kun je Céline Dion opzetten zo hard als je wil. Maar dat maakt dan niks meer uit. Dan heeft die beer al eens een lockdown op zijn prooi. Dus je moet wel van betere huizen komen om die beer weg te jagen. Wij zaten zelf te denken aan in Amerika of in Canada als je gaat wandelen moet je altijd beer spray bij je hebben. En dat is een soort pepper spray. Dat is vrij naar spul zeg maar wat je dus naar die beer kan sprayen. Dus we dachten misschien moeten we een geautomatiseerde pepper spray installatie maken. Maar dan moet je ook best wel heel dichtbij zijn toch? Ja, daar is dit systeem ook wel echt voor gemaakt. Dus als je vrij dichtbij bent. Dit is echt bedoeld om bij de boerderijen op te komen. Vlak voor het moment dat de beer een slag gaat slaan. We hebben nog gedacht aan paintball pistolen. Om ze fysiek ook te raken. Maar deze oplossingen zijn allemaal vrij, laten we zeggen, gevoelig. Want er lopen ook mensen daar. Ja, je zou me net geclastificeerd worden als beer. Ja, precies. Dus dat was wel iets waar we even onze hoofd over hebben gebroken. En we zijn nu uiteindelijk gaan we een prototype maken. En voor de luisteraars, hoe leg je dat het best uit? Je weet wel eens bij de autodealers staan ze wel eens. Ze noemen het skydancers. Dat zijn van die poppetjes die dan zo. Van die luchtarmpjes die zo in de weer dansen. En dat is waar we nu mee gaan beginnen. Dus je moet je voorstellen, we zetten zo'n ding bij die boer neer. In dat systeem. Op het moment dat er zo'n beer aankomt, gaat die motor aan. Dat is een vrij forse motor. En die poppetjes zijn vaak 3, 4, 5, 6 meter hoog. We hopen dat dat impressive genoeg is voor zo'n beer. Dat er opeens een dansende pop van 4 meter hoog staat om hem weg te jagen. Dan zou je wel de cirkel rond hebben. Want dan ben je eigenlijk weer bij een vogelverschrikker, maar dan in het hele groot. Precies. Dus dat is wat we nu gaan uitproberen. En dat wordt gewoon een kwestie van leren en kijken wat dit doet. Wat ontzettend interessant. Gaaf. Het lukt inderdaad. Of die beer dan gaat leren dat het toch niet gevaarlijk is, omdat het telkens hetzelfde is. Dat zou kunnen. Dat kan alleen maar door de praktijk te toetsen, lijkt mij. Op een gegeven moment zal je dan toch toe moeten naar dingen die aarrelaxer zijn voor die beer. Zoals een beer spray of wat dan ook. Wij hebben ook nog een virtuele co-host die ook nog graag een vraag zou willen stellen, Thijs. Daar halen we haar er even bij. Fijn dat je er bent. Mijn naam is Aisha. De AI van deze podcast mag ik je een vraag stellen? Dat mag. Denk je dat AI onze sociale relaties en communicatie gaat veranderen? Zo ja. Hoe? Nou, ik denk dat dat al aan het doen is. Ja toch? Dat lijkt me wel. AI, hoe wij met elkaar interacteren, behoorlijk veranderd is. Ik denk dat je eigenlijk, deze hele podcast gaat misschien wel over sociale verandering. Dat je een klein stukje techniek verpakt hebt in iets wat bruikbaar is, waardoor je andere sociale communicatie bent gaan stimuleren. Ja, dat zou je wel kunnen zeggen. Ik kijk het ook vaak vanuit de andere kant. Dat komt weer een beetje vanuit de achtergrond van de lean startup. Je kan je realiseren dat je in regels code weinig nuttigs hebt gedaan, tot nu bezig bent met projecten waarbij je voor mijn gevoel problemen probeert op te lossen die er meer toe doen. Dat je je ook realiseert dat er zoveel slimme mensen zijn. Sterker nog, de meeste slimme engineers van deze wereld zijn bezig met problemen op te lossen waarvan ik wel durf te zeggen, dat hebben we als mensheid toch niet echt nodig. De slimste machine learning engineers zitten bij Facebook om daar hun algoritmes te optimaliseren. Om je newsfeed meer clicks te laten genereren. Mensen meer verslaafd te maken. Als je het hebt over sociale interacties, op Netflix staat de docu Social Dilemma, geloof ik. Hebben jullie die gezien? Social Dilemma gaat over dat Facebook verhaal. Ja, die zei dat goed. Natuurlijk wist ik dat wel, maar ik vond die docu toch best wel confronterend. Omdat je machine learning aan het werk zet om te optimaliseren voor meer advertenties, meer verslaving, meer clicks, is de uitkomst meer polariserende content. En als je het hebt over gaat AI onze sociale interactie veranderen, dan zou ik zeggen, daar heb je een voorbeeld hoe dat absoluut aan de gang is op een manier die we niet willen. Nee, niemand kan zeggen dat we op dit moment geen last hebben van polarisatie. Nee, en dat komt, en daar komt dan weer die frustratie bij mij vandaan, dat ik denk van, eigenlijk zoveel knappe koppen zijn met dat soort oplossingen bezig. Terwijl als je daar dan in Afrika rondloopt en je ziet wat je daar allemaal kan doen met technologie om iets goeds te doen, dan denk je van, ja potverdorie, waarom zijn we dat dan niet allemaal aan het doen? Ja, dat snap ik natuurlijk ook wel. Waarom dat zo is? Natuurlijk omdat daar geen geld is. Maar dat is wel jammer, want dat is ook waarom een platform als Facebook of Twitter, of wat dan ook, zo polariserend is. Omdat AI eigenlijk gewoon voor de verkeerde uitkomst getraind wordt. Want een Facebook zou denk ik ook een heel mooi platform kunnen zijn. Als je een AI zou trainen die Facebook zou optimaliseren voor sociale cohesie en verbinding en menselijke contact, dan zou er iets heel moois uit kunnen komen. Maar we zijn gewoon voor de keer verkeerde metric aan het optimaliseren. Precies, helemaal mee eens. Dat was een buitengewoon informatief antwoord, dank je wel. Dank je, hoe heet ze ook weer? Aisha? Ze mag wel een beetje een overhok krijgen qua stem. Nee, dit is express. Wij zijn al voorbereid op de nieuwe EU AI Act, waarbij als jij aan het interacteren bent met een AI, dat het duidelijk is dat het zo is. Nee, maar ik heb serieus, want er zijn natuurlijk heel veel natuurlijke stemmen te krijgen, toch wel ervoor gekozen om voor zo'n robot stem te gaan. Dat je ook daadwerkelijk hoort dat je met een machine aan het praten bent en niet met een echt mens. Dus ik vind ook dat we de AI niet moeten vermenselijken. Dat doen we een klein beetje door er wel een naam te geven, maar daardoor houden we zeg maar die robots stem. Ontzettend bedankt voor dit informatief gesprek. Het is meer dan dat. Je hebt zoveel dingen geraakt aan praktijk qua techniek, maar ook in een hele andere cultuur waar je daartegen aan loopt. Zo mooi wat je doet voor de olifanten, voor de mens, voor het bestaan van beide in zo'n kleine gemeenschap ook. Het is heel erg inspirerend, heel erg fijn om dat te zien. Voor de luisteraar, Thijs heeft er allemaal camera's mee. Die kunnen jullie niet zien, maar we gaan zo direct nog even een korte videoopname maken. Abonneer je via de nieuwsbrief, dan ga je dan ook de video zien. Thijs, super bedankt. Ja toch? Ja zeker. Ik ben een beetje van beeldspraak, maar de olifant in de kamer en de beren op de weg. Ja, hele mooie samenvatting. Echt heel mooi om te horen inderdaad. Dus dank voor het delen van je verhaal. Leuk dat ik hier mocht zijn. Fijn dat je weer luisterde naar een aflevering van AIToday. Zorg dat je je abonneert via je favoriete podcast app en mis geen aflevering. Dank je wel voor het luisteren. Doei. 574