AI for Good met Fruitpunch AI

Hoi, leuk dat je weer luistert naar een nieuwe aflevering van de AIToday Live. Vandaag deel 2 met Sako Arts van Fruitpunch AI. Ik ben heel erg benieuwd, want we gaan even horen hoe je je kan opgeven als je wil werken met AI for Good. Zeker. Mijn naam Joop Snijder, CTO bij Aigency. Mijn naam Niels Naglé, Chapter Lead, Data & AI bij Info Support. Sako, welkom terug. Dankjewel, dankjewel. Zou je voor degene die deel 1 hebben gemist, eigenlijk moeten we zeggen van ga die luisteren, maar zou je even in het heel kort jezelf even willen introduceren en ook even vertellen wat Fruitpunch AI doet? Zeker. Mijn naam is Sako Arts, ik ben de CTO van Fruitpunch AI. Wij zijn een wereldwijde AI for Good community die als doel heeft om mensen te educeren in AI en AI voor goede doelen toe te passen. Onze hoofdmanier om dat te doen zijn onze AI for Good challenges, waarbij we op zoek gaan naar organisaties wereldwijd die een dataset hebben en een probleem dat ze op zouden willen lossen waarvan de doelen van die oplossing in alignment liggen met de Sustainable Development Goals van United Nations. En dat gebruiken we als manier om zowel mensen te educeren in AI in de praktijk als dus om goede dingen de wereld in te brengen door ze te vautomatiseren met AI. In de vorige aflevering hebben we het gehad over hoe je stropers herkent, hoe je zelfs zeehonden, Balou van Berry kan onderscheiden. Maar waar ik eigenlijk benieuwd naar ben is van als mensen nu luisteren, AI for Good, en die zeggen van ja maar dit is zo gaaf, ik wil me opgeven. Hoe doen ze dat? We hebben een platform, daar kun je gewoon naar toe, dat is app.fruitpunch.ai of via fruitpunch.ai kom je daar ook vanzelf terecht. Daar hebben we alle challenges staan die wij open hebben staan, maar natuurlijk ook die we in het verleden hebben gedaan. Dus ik nodig iedereen natuurlijk uit om er even naar te kijken, om te kijken van hé dit is inderdaad interessant of dat matcht met de technologieën waar ik over wil leren. Maar daar staan dus ook de challenges die binnenkort van start gaan. Wat je kan doen is je kunt je daar opgeven om in een mentor track te gaan. En dat betekent dat als jij je daar opgeeft dan gaan wij echt samen met je kijken van hé wat zijn jouw leerdoelen, waar wil jij naar toe, welk type technologie wil jij mee gaan werken, wil jij projectmanagement skills op doen of product owners skills of echt puur aan die technische kant blijven. Op die manier kijken we naar jouw profiel en dan nemen we je mee in een specifieke challenge waar we je dan begeleiden van begin tot eind om ook echt die vaardigheden op te doen. Dus alle deelnemers die meedoen in onze challenges die krijgen ook echt een certificaat aan het einde waar niet op staat hé je gefeliciteerd, je hebt leren gered. Dat staat er ook op. Maar er wordt echt op een heel individueel niveau jouw skills geaccrediteerd. Dus als jij hebt laten zien van hé jij kan heel goed met TensorFlow omgaan of computer vision is echt jouw ding. Dan word je ook voor die unieke skills wordt jij geïdentificeerd en zo bouwen we ook een skills rapport op van iedereen. Mooi. En dat kun je dus behalen door je in te schrijven in onze betaalde mentor track. Maar we hebben ook openingen voor experts. Dus mensen die heel veel weten van het type technologie waarmee we aan de slag gaan of mensen die heel veel van het domein weten waar de challenge zich in afspeelt. Die twee groepen die combineren we eigenlijk. Dus zo promoten we ook heel erg peer-to-peer learning. Oftewel dat mensen van de experts kunnen leren en andersom. En op die manier laten we mensen dus echt leren in de praktijk. Oh mooi. Ik was er eigenlijk van uitgegaan, je aannames natuurlijk altijd fout, dat je ook een achtergrond in AI moest hebben. Maar eigenlijk zeg je dat is helemaal niet nodig. Nee, dus zeker in de educationele track onboarden we ook mensen die vaak dus wel in het gebied van AI natuurlijk maar echt meer professional skills op willen doen. Dus dan kan het een projectmanager, scrum master, product owner, dat soort rollen zien we. En aan de andere kant hoef je ook niet een AI expert te zijn of een Python programmeerkoning. Je kan meendoen aan zo'n challenge zodra je iets van programmeren kan. Zolang jij een klein beetje JavaScript of voor mijn part heb je Matlab geleerd toen je studeerde. Dat is in principe voldoende. Zolang je maar programmerentaal kan lezen dan kunnen wij je meenemen door zo'n challenge traject. En dus leren over state of the art AI. Mooi, cool. Dus eigenlijk het hele team. De vorige aflevering hebben we gehad, zo'n vijftig man die meedoen naast zo'n challenge. Het bestaat dus ook uit alle andere rollen. Ik had ook even de aanname dat heel veel AI experts bij elkaar in de hok en die gaan hier even flink mee op los. Maar ook alle andere rollen zitten dus in die vijftig personen die daar aan werken. Zeker. We delen die groep van vijftig man dan ook op in sub teams. Dus dat zijn teams van ergens tussen de vijf en de tien man. En daar zitten dus ook mensen met specifieke rollen bij. Dus je kunt ook product owner van zo'n team worden of de scrum master van zo'n team. Op die manier organiseren die teams zich ook een beetje zelf. Natuurlijk begeleiden wij die ook zowel vanuit een technisch oogpunt als vanuit een organisatorisch oogpunt. Maar in principe zijn al die teams zelf organiseren. En die hebben vaak een sub doel waar ze naartoe werken. We hebben het in de vorige aflevering gehad over de beren challenge. Daar had ik al gezegd dat dat eigenlijk drie stappen heeft. Een classificatiestap van is er een beer? Een gezichtsherkenning stap waar je alleen maar zegt hier zit een berengezicht. En als laatste de identificatie. Dat zijn typische sub groepen waarin we zo'n project dan ook opdelen. Die allemaal verschillende technologieën dan weer gaan gebruiken. Nog weer kleinere sub groepen van wij gaan convolutional neural networks gebruiken of wij gaan transformers gebruiken. En ze proberen heel veel verschillende technieken uit om die sub doel te bereiken. En dan worden ze dus inderdaad ook weer zelf organizing met van die product owners aan boord. Wow, mooie aanpak. Dus ook allemaal hun eigen sub doelen per team. En daar streven ze naar om met elkaar dat doel te bereiken. Om je bijdrage aan het grotere doel bij elkaar te kunnen brengen aan het einde. Ja, zeker. Ik neem aan dat mensen dit doen naast hun dagelijkse werkzaamheden. Hoeveel tijd zijn ze hiermee kwijt? Ja, dus we vragen velen al zo'n acht uur per week per deelnemer. En dat is ook iets wat we getest hebben in het verleden. Kijk, in vier uur kun jij je net inlezen voor die week. En dan het moment dat je tegen één klein programmeerprobleempje aanloopt, dan lig je al uit de running en je gaat waarschijnlijk tegen twintig programmeerproblemen aanlopen. Dat is een beetje het doel van challenge-based learning. Dat je twee problemen aanloopt en ze dan oplost. Dus daar hebben we gezegd acht uur. En wat we velen al met bedrijven doen, is dat die vier uur vanuit het bedrijf krijgen. Dus krijgen we bijvoorbeeld een vrijdagmiddag om aan het project te werken, ook samen met de collega's. En dan vervolgens besteden die nog in de avonduur of in de weekenden die andere vier uur. Maar we hebben ook mensen in de challenge die er twintig uur per week aan besteden. En dat ze het gewoon heel vet vinden. Ja, dat snap ik. Als je hier in het begin met induikt, omdat je het niet meer los kan laten. Zeker omdat het voorgoed is. Dus als het goed is maak je impact. Wat leuk, maar wat ook leuk. Ik blijf nog steeds hangen bij dat je zoveel rollen eromheen hebt. Wat eigenlijk ook wel weer logisch is. We doen het nu al een paar jaar. Het klinkt heel makkelijk, hackathon XL, dat je zo georganiseerd. 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. Dat hebben we over de jaren geoptimaliseerd om zowel mensen zoveel mogelijk te laten leren. Dat we echt iets nuttigs kunnen doen voor die organisaties waar we mee samenwerken. En dat iedereen daar samen aan zo'n project aanwerkend gevoel heeft dat ze iets bijgedragen hebben. Je zei in de vorige aflevering dat het wereldwijd is. Dus in zo'n challenge doen ook wereldwijd mensen mee om een team te vormen. Dus veel digitaal dan dat ze bij elkaar komen? Ja, we doen vrijwel alles digitaal. We hebben een lancerend evenement en een eindevenement. Die willen we nog wel eens hybride doen. Dat we met een deel samenkomen. Met name als we dit samen met een bedrijf zo'n challenge oppakken. Maar in principe is alles digitaal. Dus alle meetings zijn digitaal. En we doen het ook met mensen van over de hele wereld. Dus we hebben een gewicht in West-Europa, India, Zuid-Afrika en Noord-Amerika. Dat zijn echt wel waar de meeste mensen vandaan komen. Maar uiteindelijk hebben ze ook wel eens vanuit Nieuw-Zeeland. Dat is tijd zonder techniek gezien. Is dat vaak wat lastig. Indonesië, hetzelfde verhaal. Maar ook Honduras, Oost-Europa. We hebben eigenlijk elk continent wel gehad. Behalve Antarctica. Mocht iemand luisteren in het Nederlands. In Antarctica wezen. Alsjeblieft schrijf je in voor de challenge. Dan kan ik zeggen alle continenten. Geweldig. En als bedrijf. Ik zou zo iets willen. Wat vraag je van de bedrijven? We hebben twee verschillende typen. Mogelijkheden om eraan mee te doen. Om hem als leertrack te gebruiken. Eentje is eigenlijk het basis traject. Daarmee koop je toegang tot de challenge. Data, et cetera. Dan kun je meedoen in het peer-to-peer learning traject. Daar vragen we 250 euro per persoon voor. Om door zo'n traject heen te doen. Wanneer we dit doen met mentoring. Oftewel dat we heel specifiek met die persoon gaan kijken. Waar wil jij naartoe groeien? En ze dan ook persoonlijk begrijpen. Dan is dat 500 euro per deelnemer. Hier hebben we maandelijkse en jaarlijkse abonnementen voor. Dan krijg je korting wanneer je dat maandelijks doet. Of wanneer je voor een traject gaat. Dan krijg je 20% korting over de hele koers. Op die manier doen we dat met bedrijven. We doen ook nog wel grotere deals. Dus dat we zeggen van jullie onboarden dit jaar 50 man. En dat we daar dan een custom prijs van maken. Ja precies. Mogen bedrijven ook challenges aandragen? Absoluut. Iedereen mag challenges aandragen. Eén ding is daar heel belangrijk bij. Wij verzinnen nooit challenges zelf. Je kunt je voorstellen dat ik tegen genoeg datasets aanloop. En problemen in de wereld. Dat doen we niet. Met als belangrijkste reden. Wij kunnen niet al die projecten in leven houden. Helaas. Dat zou ik heel graag doen. Dus als er geen organisatie is waar onze oplossing in kan landen. Dan maken we geen impact. Want dan gaat niemand het gebruiken of implementeren. Dus we verzinnen geen. Er zijn altijd organisaties die naar ons toe komen. Van hé dit is een probleem. Hier is een dataset. Kunnen jullie ons daarmee helpen? En zo doen de bedrijven dat zeker. Dat hoeven helemaal geen non-profits of zo te zijn. Je hoeft geen stichting te zijn. Zolang het probleem maar naar iets goeds toe werkt. En je data hebt waarmee we aan de slag kunnen. Dus als je het kan koppelen aan die Sustainable Development Goals. Dan mag je ons bellen. O ja. Dat wordt goed. Wat ik me nog afvroeg. Er is ook een leertraject. Dus misschien allemaal nieuwe tooling die ook mensen eigen gaan maken. Hebben jullie een platform waarop jullie dat ontwikkelen? Is dat software die mensen zelf mee moeten nemen? Hoe werkt dat? Ja dat is een software die wij hebben. We hebben een eigen platform. Maar dat is met name om de challenge te organiseren. Er zitten organisatorische management functionaliteiten bij. En veel accreditatie functionaliteiten. Dus die dingen die echt bepalen welke skills jij hebt. En je daar dan ook voor accrediteert. En een profiel voor hebben. Daar zitten in principe geen AI ontwikkeltools in. En dat zou ook niet heel nuttig zijn. Want kijk uiteindelijk moet jij het gaan doen. Met dat het in de wereld leeft. Dus wij doen onze challenges ook technologisch agnostisch. Dat betekent dat eigenlijk dat open staat aan het begin van elke challenge. Kijk maar wat nu het beste is om dit probleem mee op te lossen. Nou kom je vaak al bij Python uit. PyTorch als deep learning framework. De YOLO familie voor object detectie. We zien natuurlijk wel daar een bepaalde standaard lijn in. Maar in principe staat dat open bij elke challenge. En zo doen we ook de compute infrastructuur. Soms moet je nogal behoorlijk rekenen. Daar hebben wij van HP wat on-premise hardware. Dus we hebben een eigen computer daarvoor. Waar een aantal GPU's in zitten. Die we daarvoor kunnen gebruiken. Maar we hebben ook een samenwerking met Snellius. De Nederlandse supercomputer. Waarbij we echt ook de A100's aan kunnen schakelen. Om hem binnen deze projecten te gebruiken. En zo hebben we ook partnerships met AWS, Google, IBM. Om ook in hun clouds aan te kunnen draaien. Dus we kijken eigenlijk per challenge. Hé wat gaan we nodig hebben hier? Welke order grote infrastructuur? En op die manier gebruiken we dat in de challenge. Het mooie is dat het ook echt open is. Vanuit zo'n bedrijf die dat aanbiedt. Die geven geen requirements. Het moet in deze taal op die platform draaien. Nee, nee. Het is wel eens gebeurd. Bijvoorbeeld bij het ziekenhuis. We doen ook veel challenges in de geneeskunde hoek. Dan heb je natuurlijk al veel vrij gevoelige data. En die data wil je het liefst niet uit hun infrastructuur halen. Dus als het ziekenhuis in Azure werkt. Dan betekent dat wij dan dus ook in Azure werken. Ja, precies. We werken wel eens met die limitaties. Maar over het algemeen is dat niet nodig. Nee, maar dat zijn dan eigenlijk meer wettelijke limitaties. Zou je kunnen zeggen. Dan technologische. Nee, zeker. Het doel is gewoon om de beste techniek uit te gebruiken. En vaker is dat natuurlijk open source. Zowel laat ons dat toe om ze voor een tal van doelen in te zetten. Maar dat zijn tegenwoordig ook gewoon de beste tools in dit gebied. Is er wel eens een opdracht geweest? Een challenge? Die langs gekomen is waarvan je dacht. Tien weken, dat kan niet. Ja, dat gebeurt wel eens. Wat we het meeste doen is knippen het op in meerdere challenges. Zo hebben we vandaag een nieuwe challenge gelanceerd. AI for Nepali Farmers. En wat we daar gaan doen. We hebben documenten die hun boeren beschrijven. En dat gaat dus over financiële documenten. Dus leningen die ze aangegaan zijn om bepaalde dingen te financieren. Maar ook informatie over de acties die ze gedaan hebben. Wanneer ze dingen geplant hebben. Wanneer ze ze geharvest hebben. En allemaal dat soort zaken. Dat doen ze daar allemaal op papier. En dat laat ze vervolgens niet toe om de digitale tooling te gebruiken. Die er tegenwoordig voor beschikbaar is. Maar ook financiering van extern te halen. Dat gaat niet als je in Nepalese geschreven documenten. Met een fotootje over WhatsApp zeg maar. Dus dat is wel wat er gebeurt nu. Dus om die voornamelijk vrouwen in dit geval. We doen dat samen met Hyperlabs. Dus het gaat over het algemeen over Women Run Farms. Zoals ze dat dan zelf noemen. Gaan we kijken of we die documenten eerst kunnen digitaliseren. En daarna kunnen structureren. En dat hebben we dus opgeknipt in twee challenges. Omdat we in de eerste gaan Nepali tackeln. Dat is een relatief obscure taal. Waar niet heel veel tooling voor bestaat. Om dat te kunnen vertalen al. Vertalen gaat nog wel. Zo moet je OCR doen. Optical Character Recognition. Je moet de taal kunnen lezen digitaal. Veel daarvan is ook handgeschreven. Dus dan moet je handgeschreven OCR doen. Op het Nepali schrift. Dat is een vrij grote uitdaging. Dus dat hebben we als eerste challenge gepakt. We gaan dus Nepali digitaliseren. Zowel handgeschreven en dan meteen vertalen. En de tweede stap is dan echt structuur uit die documenten trekken. Want als je alleen maar alle tekst uit zo'n document trekt. Dan heb je een hele lange lijst met woorden. Maar dan staat er nog geen informatie in. En in die tweede challenge zullen we dan ook veel meer met GenAI en dergelijke aan de slag. Kunnen we kijken of we die ook echt nuttige informatie uit de structuur kunnen halen. Zodat we die informatie ook direct kunnen digitaliseren. Het gaat dan over honderden dan niet duizenden verschillende boerderijen. Dus op die manier kunnen we dan ook die informatie aggregeren. En informatie geven over hoe goed ze bezig zijn in bepaalde gebieden. En daar dan ook voorspellingen en dergelijke mee kunnen doen. Mooi. Ja, wauw. Als ik dat alleen al hoor, dan denk ik van ja, iedereen heeft waarschijnlijk zijn eigen aanpak. Wat hij wel opschrijft, hoe hij het opschrijft. Wat hij vastlegt en wat hij anders vastlegt. Dus dat klinkt als een flinke challenge. Dus daarom hebben we hem opgesplitst in twee challenges. De data engineer in je. Ik zit al een beetje te knippen. Hoe gaat dat wel samen komen inderdaad. Maar dat is inderdaad een flinke challenge. Ook zelfs als je hem in tweeën knipt, heb je al een mooie flinke challenge te pakken. Ja, de reden dat ik het aangedurfd heb eigenlijk. Dat eerste deel, dat gaat ook heel nuttig los zijn. Je kunt op die manier dan, dat Nepalisch schrift vertaald wordt. Dat hoeft niet alleen maar voor deze use case gebruikt te worden. Dat tweede, daar zou ik vroeger van teruggedeisd zijn. Ik weet niet of dat dan... Kijk, als het heel gestructureerd is, die documenten, dan gaat het. Maar dat is het waarschijnlijk niet, laten we eerlijk zijn. Maar dat is dus wel wat, zeg maar, Vision Gen AI nu mogelijk maakt. Zodat ze die afbeelding en die structuur eruit kunnen extraheren. Ik heb dat al getest met een aantal proxy problemen. Dus dingen die erop lijken. En daar kun je best wel veel mee doen. Dus in dit geval hoop ik dat we dat zo ook voor elkaar kunnen krijgen. Ja, gaaf. Ik heb een heel ander type vraag. Want we zijn natuurlijk deze aflevering zo head on erin gegaan. De diepte in van, maar wat heeft jou daartoe bewogen? Had je eigenlijk altijd al een iets om voor good te doen? Met waar je nu mee bezig bent? Ja, ik ben altijd, diep van binnen ben ik gewoon een nerd. Dus we zijn al echt van vroeger uit al met computers bezig. En ooit dan die gedachte gehad van waarom kan een computer niet zelf... allemaal relaties doorregelen, dat moet toch kunnen? Maar toen een zeer beperkte begrip van hoe ingewikkeld dat kan zijn. Dan ben ik informatica mee gaan studeren. En het is vooral de educatiehoek waar ik altijd al een passie voor gehad heb. Dus waar ik ook op de universiteit heel veel betrokken ben geweest. Direct ook bij het oprichten van de eerste AI & Data Science opleidingen in Nederland. En mijn passie zit hem daarmee echt in de techniek en de educatiehoek. Wat is nou beter dan die passie combineren met daadwerkelijk impact maken in de wereld? Dat is waar ik eigenlijk mijn eigen niche gevonden heb. Geef je ook nog les? Ik begeleid wat lesprogramma's op de universiteit. Vanuit Fruitpunch doen we sowieso masterclasses, cursussen en dat soort dingen... om aan te vullen op de challenge. En dat verzorgen we ook voor de universiteiten. Leuk. We hebben nog een vraag van Aisha voor jou. Hartelijk welkom. Ik ben Aisha, de AI van deze podcast. Mag ik je een vraag stellen? Jazeker. Kun je een moment beschrijven waarop AI je een onverwacht resultaat gaf dat beter bleek te zijn dan het beoogde resultaat? Dat AI... Ik heb verschillende voorbeelden. Er zijn bepaalde technieken waarvan ik dacht dat dit toch wel was. Andersom, dat je dacht dat dit wel gaat worden. Dat laatste. Dat is allebei. Maar dat AI... Ik heb in de vorige podcast verteld over een challenge waarbij we informatie extra heerden uit facturen. En op die manier de carbon impact inschatting deden. Wat mij daar uiteindelijk verrast was de eerste keer dat we op schaal op deze manier large language models inzetten. Hoe goed en gestructureerd die antwoord kunnen geven. Dus niet alleen maar een vrij fluffy antwoord wat je in eerste instantie verwacht van zo'n probabilistisch model, zo'n large language model. Van ongeveer is het in de richting waar je moet zijn. Want in de natuurlijke taal werkt dat zo. Ongeveer is goed genoeg voor een beschrijving. Maar als je hem vraagt om exacte JSON uit te poeten. En dan gewoon precies van oké ik wil op deze regel dit hebben. En ik wil het zo gestructureerd hebben. En je mag maximaal zoveel woorden gebruiken. Mag het lang, mag het kort, mag het Engels, mag het Spaans. Dat dat gewoon allemaal zo gestructureerd perfect werkte. Dat je dat met duizenden samples kan doen. En vervolgens dat in één keer in kan laden in een database. Zonder dat daar één foutje tussen zit. Ik was daar de eerste keer wel door verrast dat dat zo goed werkte met large language models. Ja, waanzinnig hè. Ja, juist ook met het begrip van hoe zo'n model eigenlijk werkt onderin. Dacht ik juist wat nou dit is precies wat die modellen eigenlijk niet zo goed in zouden moeten zijn. Want die werken dan perfect. Dus dat verrast hem wel heel erg. Ja, wat ik nu ook fijn vind is als je, nou gaan we echt nerd talken. Als je de API aanspreekt dat je tegenwoordig gewoon kan zeggen. Dat je gewoon onze optie mee kan geven. Ik wil alleen maar JSON outputen. Ja, geweldig. Ja, heel vet. En dat was ook wel toen meemakende hoe de large language models groeiden. Zijn de mensen van ja, programmeren daar zijn ze juist goed in. Want het is een computer. Ik vond dat eigenlijk precies niet hoe ze werken zelf. Wat hij probeert te doen is ongeveer het goede te zeggen. Dus de kans is best wel groot dat je een foutje maakt in een haakje te veel of te weinig. En dan heb je een computer crash dan. Zoals elke programmeur weet. Dus ik dacht juist dit gaat juist het moeilijkste zijn om te tackelen. Volgens mij twee, drie maanden later of zo. Ik wil niet zeggen dat het perfect werkt. Maar hij werkte dat aardig. Dus dan was ik ook wel door verrast. Ja. Je gedetailleerde reactie heeft veel helderheid gebracht. Bedankt. Heel graag gedaan. En je noemde ook nog de andersom. Want andersom is minstens net zo leuk. Die herkennen wij ook. Dat je denkt van ja, maar met de huidige stand van de techniek. Appeltje, eitje. En dan blaast het op in je gezicht zeg maar. Ja. Heb je daar een voorbeeld van? Ja, een leuk voorbeeld dat we daar wel mee hadden. We hebben samen gewerkt met een Franse organisatie die met overspoelende rivieren met name werkte. In Nederland zien we dat probleem ook. En dat is in de langere, vooral langere rivieren die Frankrijk heeft, ook al een zeer groot probleem. En wat deze club deed is, die had al sensoren hangen door de hele lengte van die rivieren. En ons doel was voorspellen welke hoogte de rivieren op een bepaald punt hadden. Dus wat daarmee uiteindelijk natuurlijk het doel is, dat jij een paar uur van tevoren kan zeggen. Hé, daar gaat dadelijk de rivier zijn oevers uit, omdat we weten dat de oevers zo hoog is. En dan moeten mensen geëvacueerd worden of zandzakken neergelegd worden. En hoe eerder je dat weet, hoe meer je kan doen om de schade te voorkomen. 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. En dat werkte allemaal. Nou, bijna niet. En vervolgens hebben we Facebook Profit gebruikt. Dat is een model dat eigenlijk gebaseerd is op klassieke statistische methoden als moving average. En dat is eigenlijk niet meer dan gewoon kijken, ik heb twee punten en drie, vier, vijf, zes punten. En dan ga ik daar een soort van lineaire lijn doorheen trekken. En dan doe ik nog wat slimme trucjes om daar seasonality en zo in te verwerken. Maar goed, niet veel ingewikkelder dan dat. En dit is een wederom een beetje getweakte variant daarvan. En dat werkte echt uitstekend. We konden zes uur van tevoren voorspellen hoe hoog het water ging zijn. En dat is echt een significante groei van hoe ze dat nu ook met experts kunnen. 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. Ja, dat werkt niet helemaal altijd. En dat konden we dus met zes uur van tevoren voorspellen. Met die klassieke, echt klassieke forecasting technologie. Want je hebt het over die overstromingen. Die hebben we natuurlijk nu ook weer, tenminste, ja, het was... De schade was beperkt. Was beperkt, maar je las inderdaad overal. De ene die zei van, nee, het wordt 14,5 meter. Die anderen zei, nee, het wordt wel 16 meter. Maar het is allemaal zo uit de duim getrokken. En ja, als je dat met zo'n model kan doen, geweldig. Hoe ben je tot die stap gekomen om eigenlijk weer die andere, versimpele aanpak te gaan hanteren? Ik zal heel eerlijk gezegd, ik zeg wel dat we dit niet zagen aankomen, maar ik persoonlijk zag het wel aankomen. Ik had het al vaker met forecasting problematiek ook voor bedrijven gewerkt in mijn vorige baan. En daar was ik al tegen ditzelfde aangelopen. Van, hé, ja, we gaan deep learning doen. En toen ben ik, nou, daar ben ik eigenlijk toch voor gemeten. Dus ik zei al van vroeg punt tegen de deelnemers van, nou, je moet echt niet vergeten om die klassieke technologie ook te gebruiken. En dan vergeten ze in het begin dan natuurlijk toch. Maar dat is toevallig omdat ik er zelf zo'n keer eerder tegen aangelopen was, dat ik ze in de goede richting kon sturen. En dat dat inderdaad bleek ook hier weer het beste te werken. Soms is de simpelste oplossing toch het simpelste en het beste. Het beste, het goedkoopste, het makkelijkste, het beste onderhouden. Dus AI is niet de oplossing voor alles. Nee, zeker niet. Nee, dat wordt wel vergeten. Zeker in de tijd nu met de generatieve AI, de large language models. Dat wordt gedacht, daar kan je nu alles mee. Dus de magie. Ja, mensen dachten dat al bij AI. Heel vaak mensen uit het hoofd praten van, ja, sorry, dat gaat echt niet meer. Maar ja, dat wordt eigenlijk alleen maar erger eigenlijk. Per nieuwe AI hype krijg je weer een nieuwe golf van mensen die denken dat het magie is. Ja, misschien is dat nog een leuke afsluiter, als we het dan toch hebben over de hype. Zo direct is de hype weg van die large language models. Wat houden we dan over? Ja, ik denk, kijk, het is een beetje mijn eigen lees natuurlijk. Ik heb dat altijd met de crypto en zo gehad, dacht van ja, dat is leuk en aardig, maar dat is voor hele specifieke doeleinden heel nuttig en niet dat hele Web 3, iedereen gaat erop. Dat geloof ik daar niks van. Hierbij, ik was zelf wel bijzonder impressed met de eerste varianten al, die echt tekst konden schrijven en zo. Dus ik denk dat eigenlijk in heel veel van onze applicaties dit toch wel terecht gaat komen. En bij verschillende mensen gaat dat niet de AI zijn die je zelf als bedrijf moet gaan bouwen, want dat is in de meeste gevallen niet nuttig. Je ziet nu ook heel veel van die startups ontstaan die eigenlijk gewoon prompt engineering bovenop open AI doen en daar een leuke UI op heen plakken. Dat gaat het ook niet zijn, die gaan het ook niet redden. Maar uiteindelijk gaan wel zoveel systemen echt goed gekoppeld worden. Dus denk aan je bestaande boekhoudingssysteem of je bestaande mailclient, dat die op een goede manier aan zo'n model gekoppeld kunnen worden, dat die daadwerkelijk heel veel van je werk gaan automatiseren. En dan zie je met name dat ik denk dat dingen als bijvoorbeeld advocatuur, kijk ik deed stiekem zelf al wel eens wat van onze legal spullen, dat ik dacht van ja zo ingewikkeld is het eigenlijk niet. Die advocaten doen allemaal alsof het heel ingewikkeld is. En of het heel belangrijk is dat je perfect opschrijft, maar volgens Nederlandse wetgeving valt dat wel nee. En dus de intentie is heel belangrijk, dus dat je het opschrijft komt eigenlijk niet zo heel nauw. Maar ja tegenwoordig kan ik gewoon vragen aan ChatGPT, hey ik wil een data sharing agreement met deze partij, dit vinden ze belangrijk, doe mij een data sharing agreement. En dan staat dan niet alleen maar die paar punten die ik aangegeven heb, die relevant zijn in legal speak in, maar er staan ook al die dingen eromheen die erin moeten staan, van hoort bij de rechtbank in Den Haag en partij x wonende op adres i. Al dat soort fluffiness eromheen die wel echt moet, en je anders een advocaat voor betaalt omdat die uit zijn hoofd weet dat dat moet, dat doet nou ChatGPT ook. En ik denk dat vooral dat soort banen echt geautomatiseerd gaan worden voor een belangrijk deel door AI. En die beweging zie je ook al. Die zie je zeker, die zie je zeker. Even terug naar Fruit Punch, mensen zitten te luisteren, wat moeten ze gaan doen? Nou allereerst vind ons op LinkedIn, volg ons, en dan ga je elke challenge die wij doen meemaken. Dus we gaan dan niet alleen posten, hey deze challenge komt eraan, maar ook zo gaat het ermee, hier heb je de final presentatie en hier de blog. En op die manier kun je de mooie initiatieven meekrijgen waar wij ons mee bezighouden. Denk je nou van na deze podcast, hey ik wil ook meedoen aan zo'n project, ik wil leren over AI en ik doe dat het liefst in de praktijk. Ga naar onze website, daar kun je meer lezen over de verschillende manieren hoe je dat bij ons kan doen. En dan nodig je van harte uit om dat ook met je baas te bespreken. Uiteindelijk heeft die de profit van als jij meer leert over AI. Dus de meeste mensen die dit bij ons doen, wordt het van het self-development budget betaald. Dus op die manier nodigen we iedereen uit om met ons mee te doen en onderdeel te worden van onze AI for Good community. Duidelijk. Zeker. Sako, dankjewel dat je onze gast wilde zijn. Ontzettend interessant. Ook alles wat erachter zit, vooral de challenges, spreken me erg aan. Dus ja, ik zou zeggen haast je toch? Haast je om je op te geven. Dankjewel weer voor het luisteren. Wil je ons steunen? Vergeet dan niet om bijvoorbeeld eens vijf sterren te geven op Spotify. En tot de volgende keer. Tot de volgende keer.