Wat leer je in deze aflevering?
In de nieuwste aflevering van AIToday Live staat David Rijlaarsdam, Director of Space System Engineering bij Ubotica Technologies, centraal. Hij vertelt over de ontwikkeling van AI-systemen die satellieten in staat stellen zelfstandig beslissingen te nemen in de ruimte.
David legt uit hoe zijn team hardware en software ontwikkelt die satellieten intelligenter maakt door edge computing. Dit stelt satellieten in staat om bijvoorbeeld zelf te herkennen wanneer een foto bewolkt is en de camera te herpositioneren voor betere opnames.
De ruimte biedt unieke uitdagingen voor AI-systemen, waaronder beperkte stroomvoorziening, vacuüm, straling, extreme temperaturen en lanceringstrillingen. De AI-modellen die Ubotica gebruikt zijn vooral kleinere neurale netwerken gericht op beeldherkenning, niet de grote taalmodellen zoals ChatGPT.
Toepassingen variëren van maritieme veiligheid en natuurrampdetectie tot wetenschappelijke metingen. Door data aan boord te verwerken, kan essentiële informatie binnen minuten beschikbaar zijn in plaats van uren of dagen.
Kernbegrippen
- Edge AI
- Kunstmatige intelligentie die lokaal op apparaten wordt uitgevoerd in plaats van gegevens naar centrale servers te sturen.
- Convolutional Neural Networks
- Neurale netwerkarchitectuur gespecialiseerd in beeldherkenning en visuele gegevensverwerking.
- Synthetische data
- Kunstmatig gegenereerde trainingsgegevens die echte situaties nabootsen voor modelontwikkeling.
- Straling-geïnduceerde fouten
- Beschadiging van elektronische bits door kosmische straling in de ruimte-omgeving.
Wat gasten zeiden
Wat als die satelliet zelf kan beslissen welke foto's de moeite waard zijn om door te sturen?
Alle optische satellieten hebben hetzelfde probleem: de aarde is gewoon heel erg bewolkt.
Interview: David Rijlaarsdam
Kun je uitleggen wat jullie precies doen bij Ubotica Technologies en hoe jullie AI in de ruimte inzetten?
Wat wij eigenlijk doen is de manier waarop satellieten werken fundamenteel veranderen. We focussen vooral op aardeobservatie, dus satellieten die beelden maken van de aarde. Denk aan je Google Maps beelden, maar ook radarbeelden en weersmetingen. Dat doen we door hardware systemen en software mee te sturen op satellieten om edge compute te gebruiken. Edge compute betekent dat we rekenkracht direct aan boord van de satelliet plaatsen, in plaats van alle berekeningen op aarde te doen. Wat we feitelijk doen is software aan boord van satellieten gebruiken om die satellieten zelf te laten interpreteren wat voor data ze verzamelen en op basis daarvan ook zelf beslissingen te laten maken. Om je een voorbeeld te geven: als je foto's maakt van de aarde, is ongeveer vijftig tot zestig procent van alle foto's bewolkt. Zeker als je nu naar buiten kijkt in Nederland is het nog meer. De aarde is gewoon heel erg bewolkt. Dat zijn meestal beelden, niet altijd, maar vaak beelden waar je niet zoveel aan hebt. Want als je beelden maakt van de aarde, wil je dat misschien doen om landbouw in de gaten te houden of scheepvaart of bepaalde natuurfenomenen te bestuderen. Nu wordt al die data die verzameld wordt allemaal naar beneden gestuurd. Onze filosofie is: wat nou als die satelliet zelf ziet dat die foto die hij nu gaat maken bewolkt is? Misschien moet hij die niet maken en moet hij zijn camera net een andere kant op draaien om een foto te maken die niet bewolkt is. Dat is een heel simpel voorbeeld, maar dat soort autonome beslissingen maken wij mogelijk. Dus autonomie aan boord van satellietsystemen en ook autonomie op de grond om die satellietsystemen slim aan te sturen, dat is waar we ons mee bezighouden en daar zijn we ook echt een van de pioniers in.
Hoe ben je in deze bijzondere rol terechtgekomen?
Ik heb een achtergrond in ruimtevaarttechnologie, dat heb ik gestudeerd in Delft. Al tijdens mijn studie, tijdens mijn master, ben ik betrokken geraakt bij een bedrijf dat Movidius heet. Movidius is op een gegeven moment gekocht door Intel. Movidius maakte Edge AI chips, dus chips waarmee je op je drone of op je virtual reality headset AI kon draaien. Daar heb ik ook een half jaar gewerkt. Mijn bazen daar, die dat bedrijf hadden opgericht en verkocht aan Intel, zijn een aantal jaar later een nieuw bedrijf begonnen: Ubotica in Ierland. Ze hebben mij gevraagd of ik daarbij wilde komen. Voor hen is Ubotica een ruimtevaartbedrijf. In Nederland hebben we heel veel ruimtevaart talent. We hebben natuurlijk ESA Estec hier, maar ook aan de TU Delft is echt een fantastische ruimtevaartopleiding die erg toonaangevend is in de wereld. Dat weten ze dus ook in andere landen, waaronder Ierland. Ze vroegen mij om in Nederland een team op te zetten van ruimtevaart experts die ook affiniteit hebben met AI. Dat hebben we gedaan en nu hebben we een kantoor en een team in Nederland. Ja, daar ben ik ook erg trots op. Die doen het helemaal erg goed.
Wat zijn de grootste uitdagingen bij het draaien van AI in de ruimte?
Er zijn heel veel uitdagingen, dus ja, waar te beginnen. Als je een satelliet de ruimte instuurt, heeft die natuurlijk zonnepanelen en een batterij. Dus de stroom is beperkt. Dat wordt wel steeds minder een probleem naarmate satellieten groter worden, want dan wordt de batterij groter. Maar als de batterij groter wordt, wordt uiteindelijk de computer die je meestuurt ook steeds groter. Dus dat haalt zichzelf ook weer een beetje in. Stroom blijft dus een uitdaging. In de ruimte is natuurlijk vacuüm. Dat is een probleem voor veel elektronica. Als er hele kleine luchtbelletjes in je chip zitten en je stuurt dat de ruimte in waar vacuüm is, dan kan dat uit elkaar knallen. Dus daar moet je iets mee doen. Het grootste probleem is eigenlijk straling. In de ruimte zijn veel geladen deeltjes en andere vormen van straling en die raken je chips, en eigenlijk al je systemen. Als je bits hebt op je chip, dus nullen en enen, dan kan zo'n geladen deeltje ervoor zorgen dat een nul een één wordt of een één een nul. Dan gaat je software allerlei hele rare dingen doen. Dus dat is iets waar je rekening mee moet houden. In het ergste geval kan zo'n geladen deeltje ervoor zorgen dat je echt kortsluiting krijgt en dan gaat je elektronica kapot. Er zijn nog meer problemen: je hebt de trillingen van de lancering en extreme temperaturen, het is heel warm en heel koud. Het is echt heel moeilijk om dit te doen.
Hoe houden jullie rekening met deze uitdagingen in zowel hardware als software?
Ja, inderdaad in allebei. Om dat stralingsprobleem op te lossen en eigenlijk al die problemen, moet je allerlei dingen in hardware en software doen. De hardware kant kan ik ook niet allemaal, dat zijn mijn geweldige collega's die dat doen. Maar om je een idee te geven: je moet allerlei dingen redundant maken. Dus van veel componenten soldeer je er twee op je printplaat, zodat als er één stuk gaat, je de ander hebt. We hebben allerlei checks in onze software die continu controleren of alle nullen die nullen zouden moeten zijn en alle enen die enen zouden moeten zijn, dat nog steeds zo zijn. Als dat niet zo is, zetten we de computer uit en uploaden we bijvoorbeeld het bestand opnieuw. Wat we ook doen is heel nauwkeurig het stroomverbruik in de gaten houden. Op de chips of op onze computer zelf hebben we chips zitten die het stroomverbruik monitoren. Als dat hoger is dan we zouden verwachten, kan dat duiden op zo'n geladen deeltje en dan sluiten we ook meteen alles af. Er zijn allerlei dingen die we doen om die problemen op te lossen.
Gebruiken jullie ook machine learning modellen voor het detecteren van failures, of is dat allemaal rule-based?
Dat is een hele goede vraag, best technisch al. In de satellietbouw heet dat FDIR: Failure Detection, Isolation and Recovery. Vooral die failure detection, daar wordt nu allerlei onderzoek naar gedaan van kunnen we dat beter met AI doen. Er zijn nu wel resultaten die suggereren dat we dat misschien wel beter met AI kunnen doen. Als je alles rule-based doet, dus als je ergens stroom meet en in plaats van twee ampère is het 2,2 ampère, dan kan je natuurlijk zeggen: alles wat boven de 2,1 ampère is, zetten we hem uit, want dan is het verkeerd. Dat is wel heel robuust en dat werkt heel goed. Dat is hoe de meeste systemen nu werken, ook die van ons, want dat is gewoon veilig en simpel. Dat kan je goed uitleggen en dat gedraagt zich precies zoals je het zou verwachten. Maar er zijn altijd manieren waarop zo'n systeem kapot kan gaan die je gewoon niet bedenkt, of die zo bijzonder zijn dat je ze nog nooit gezien hebt. Als je dat allemaal rule-based moet doen, dan moet je dus allemaal regels inbouwen voor dingen die je eigenlijk nog nooit gezien hebt. Dan heb je dus altijd dingen die je gaat missen. Bijvoorbeeld op dit moment heeft NASA volgens mij deze week aangekondigd dat ze contact kwijt zijn met een satelliet die om Mars heen draait. Daar zal iets gebeurd zijn wat je niet aan kan zien komen. Het idee is dat AI, omdat je niet specifiek hoeft te zeggen wat het moet herkennen, bijvoorbeeld gewoon kan herkennen wat een normale staat van je systeem is. Alles wat niet normaal is, daar geeft het een signaaltje voor. Dat is heel veelbelovend. Alleen het probleem is natuurlijk dat je false positives krijgt. Het gaat af en toe zeggen dat er iets mis is, terwijl er niks mis is, en dat is ook niet echt acceptabel. Om je antwoord te geven: ja, er is veel onderzoek naar gedaan. Ik denk dat het heel voorzichtig operationeel aan het worden is. Wij doen wel wat dingen voor bijvoorbeeld onze software waarin we wat dingen met AI, of in ieder geval afgeleiden van AI, doen om dit soort dingen te herkennen. Maar de echt cruciale systemen, dat doen we nog niet met AI.
Jullie sturen geen taalmodellen de ruimte in neem ik aan? Wat voor soort AI gebruiken jullie dan wel?
Dat is inderdaag belangrijk om het verschil te maken. Sinds één of twee maanden is er nu een generatief model in de ruimte. Dat is niet door ons gedaan, dat is een ander bedrijf. Dat is voorlopig vooral omdat het kan, om te laten zien dat het gaat. Wat wij doen is al wat meer operationeel. We gebruiken echt informatie die we verzamelen. De AI die wij de ruimte insturen is eigenlijk een aantal dingen. We gebruiken ook klassieke algoritmes. Als je een foto maakt van een bosplant, kun je bijvoorbeeld alle pixels die warmer zijn dan een bepaald aantal graden markeren en zeggen: daar is iets warms. Dat is geen AI, dat is gewoon een soort filter. Een algoritme is gewoon: als ik deze data naar binnen krijg, dan doe je daar iets mee en die output, wat daaruit komt, daar wil je dan iets van kunnen zeggen. De AI die wij gebruiken is eigenlijk meer de AI van een aantal jaar geleden, hoewel er ook nog steeds heel veel ontwikkelingen gebeuren, maar vóór de LLM's (Large Language Models). Dat gaat meer over kleinere neurale netwerken die bijvoorbeeld ook gebruikt worden als je je iPhone opent met gezichtsherkenning. Dat soort kleinere modellen die wel heel nuttig zijn, maar geen LLM zijn, geen heel groot datacentrum nodig hebben, en geen taalmodel zijn. Wat wij gebruiken zijn vooral modellen die op foto's werken en visuele data, ook wel radar data en andere soorten data, maar vooral visuele data. Dat heet dan een convolutional neural network. Dat zijn gespecialiseerde neurale netwerken die heel goed zijn in het herkennen van patronen in beelden.
Heeft de ontwikkeling die jullie doormaken ook invloed op duurzaamheid en kunnen deze modellen goedkoper draaien?
Ja, ik denk het wel. Of wat wij specifiek doen al zo'n impact op de industrie heeft, dat weet ik niet. Maar kijk, die edge AI wordt al heel lang gebruikt, ook in de industrie. Als bedrijf hebben wij trouwens ook een aantal industriële projecten. Voor grote fabrikanten die een nieuwe fabriek hebben en bijvoorbeeld een bepaald product honderdduizend keer per jaar produceren. Wat wij wel doen is technologie die wij voor de ruimtevaart hebben ontwikkeld toepassen in zo'n fabriek. Bijvoorbeeld het herkennen van dingen die abnormaal zijn, dat kun je dan toepassen in zo'n fabriek. Daar heb je geen gigantische server voor nodig. In dat geval doen wij dat on-premise, dus in de fabriek zelf, met een computer, ook een edge processing apparaat wat heel weinig stroom verbruikt en wat snel die beelden kan verwerken. Dus wij doen dat zeker binnen ons bedrijf en de industrie als geheel ook. Ja, dat verbruikt wel minder stroom. Maar het is sowieso wat we natuurlijk zien: LLM's gebruiken ook steeds minder stroom, het wordt steeds efficiënter. Of dat nu echt een groot duurzaamheidsvoordeel is, het is zeker een duurzaamheidsvoordeel, maar of dat nou echt heel groot is, dat weet ik niet zo goed.
Kun je wat concrete voorbeelden geven van toepassingen waar jullie AI voor inzetten?
Ja, zeker. We kijken naar heel veel toepassingen. Een van de grootste en belangrijkste toepassingen voor ons is maritime security, het in de gaten houden van schepen. Dan gaat het specifiek om schepen die bijvoorbeeld onze kritieke infrastructuur bedreigen. Dat is natuurlijk nu heel actueel in Europa. Onze kabels en onze gasleidingen zijn kwetsbaar en we weten dat daar allerlei dingen op dit moment mee gebeuren, dat die bedreigd worden. Daar kun je eigenlijk al heel veel over zeggen vanuit de ruimte. We hebben allerlei verschillende satellietconstellaties die verschillende type data verzamelen: radar en AIS. AIS is een soort baken wat schepen uitzenden, en dat kun je ook vanuit de ruimte opvangen. Dan kun je weten: hier vaart een schip, dat is dat schip, dat vaart zo hard. Dat combineren we dan met bijvoorbeeld optische foto's. Als je daar AI op toepast, zowel aan boord als op de grond, en datafusion gebruikt, dus als je daar allerlei andere databronnen bij betrekt, dan kun je echt wel heel wat zeggen over wat er op dit moment gaande is op bijvoorbeeld de Noordzee. Dat is een belangrijke toepassing voor ons waar we op focussen. Daar hebben we ook een partnerschap voor met Fugro, misschien kennen jullie dat bedrijf. Dat is een groot Nederlands geodatabedrijf. En met Detect, ook een datafusiebedrijf in Nederland. Wat we ook doen is kijken naar bijvoorbeeld overstromingen en bosbranden. We kijken naar wetenschappelijke metingen. We gaan nu een groot project met NASA doen waar we tussen verschillende satellieten met autonomie willen coördineren. Stel dat er bijvoorbeeld een vulkaanuitbarsting is, dat is belangrijk voor de wetenschap. Als je daarin geïnteresseerd bent, wil je daar graag metingen van hebben, ook metingen vanuit de ruimte. Maar het is nog best moeilijk om zo'n vulkaanuitbarsting op de foto te zetten met een satelliet, want het is maar van korte duur en het is redelijk onvoorspelbaar. Een van de dingen die we dus ook doen is kijken of we met AI aan boord en AI op de grond kunnen zien wanneer dat gebeurt en dan heel snel daarop kunnen reageren en snel die data kunnen verzamelen.
Kun je ook voorspellen wanneer zoiets gaat gebeuren, of zie je het pas als het gebeurt?
Dat is idealiter natuurlijk wat je zou willen. Ik ben zelf geen expert in vulkanen, ik weet niet in hoeverre dat kan. Maar er zijn wel toepassingen waarbij we dat inderdaad doen. Bijvoorbeeld met bosbranden kun je natuurlijk wel iets zeggen, in ieder geval over het risico dat er iets gaat gebeuren. Dan kun je al daarop anticiperen en daar bijvoorbeeld capaciteit voor reserveren aan boord van je satellieten.
Hoe bepaal je wat je in de ruimte doet en wat je op aarde doet?
Opnieuw een hele goede vraag. Een filosofie die we hanteren, en dat is een beetje oversimplificeerd, is eigenlijk dat we zo min mogelijk in de ruimte willen doen. Ik ben systeemkundige en mijn team zijn allemaal systeemkundigen. Want alles wat je op de grond doet is goedkoper, je hebt grotere computers, dus je hebt meer rekenkracht. Je hebt minder van die problemen die ik eerder noemde. Die capaciteit in de ruimte is gewoon op dit moment in ieder geval heel beperkt en zal altijd duurder blijven, denk ik, dan wat er op aarde gebeurt. Hoewel over dat laatste nu enige discussie is. Dus zo min mogelijk in de ruimte. Wat wij op de grond doen: als wij ruwe data binnenkrijgen, willen we die verwerken met de beste algoritmes, met datafusie, van alles. We willen die voorspellingen doen, dat doen we op aarde. We willen proberen te voorspellen waar dingen gaan gebeuren, zodat we alvast onze capaciteit kunnen reserveren. Daar is veel rekenkracht voor nodig, veel databronnen. Dus dat doen we allemaal op de grond. Maar aan boord zijn er een aantal dingen die we echt aan boord moeten doen. Ik heb twee voorbeelden. Eentje is waar ik het net over had: als we de satelliet zelf een beslissing willen laten maken. Als de satelliet ziet dat er een bewolkt stuk grond aankomt en denkt: die foto hoef ik niet te nemen. Dat moet aan boord gebeuren, want dat moet heel snel. Zo'n satelliet gaat 7,5 kilometer per seconde. Dus je moet heel snel handelen. Dat duurt te lang als je dan ook nog naar beneden een signaal wilt sturen, dat in een server wilt verwerken en dan weer omhoog. Dus dat doen we aan boord. Wat we ook aan boord doen: als we wel een foto hebben gemaakt en heel snel die informatie uit die foto beneden willen hebben. Stel dat er ergens een bosbrand is, dan is natuurlijk iedere minuut heel belangrijk. Wat we dan doen is dat we dat aan boord verwerken en daar echt die essentiële informatie uithalen. Zo'n foto kan heel groot zijn. Op een van de satellieten die we vliegen zit een hyperspectraal camera. Dat betekent dat het een camera is die niet alleen rood, groen en blauw foto's maakt, maar in dat geval in wel 32 verschillende kleuren. Dus dat zijn gigantische databestanden. Die verwerken we heel snel met zo'n edge algoritme, een wat simpeler algoritme, maar wat goed genoeg is om de informatie eruit te halen die wij willen zien. Wat er dan uitkomt is eigenlijk: dit zijn de coördinaten van een bosbrand. Dat is maar een heel klein bestandje, dat is een soort sms. Die sms is zo klein dat we die meteen via andere satellieten naar beneden kunnen sturen. Dan hebben we binnen een paar minuten al die informatie die we nodig hebben. Terwijl als je die grote foto naar beneden wilt sturen, dan moet je wachten totdat je boven een grondstation hangt, dus een grote schotel op de grond, meestal op de Noordpool. Dat kan wel een paar uur tot dagen duren totdat die beschikbaar is. Op die manier kunnen we dingen die heel snel naar beneden moeten ook heel snel verwerken en snel doorsturen.
Lever je dan nauwkeurigheid in voor snelheid?
Inderdaad, zo kun je het wel zien. Je kunt een soort optimalisatie maken van: als ik het op de grond doe, duurt het veel langer, maar is misschien de kwaliteit van de informatie hoger, of is het goedkoper om die informatie te verwerken. Aan boord is het moeilijk om er een specifiek bedrag op te plakken, maar het kost veel capaciteit. Misschien is de analyse iets minder sophisticated, iets minder gedetailleerd, iets minder hoge kwaliteit. Maar we hebben de informatie echt heel veel sneller. Ik moet wel zeggen dat we ook met die informatie alsnog heel veel op de grond kunnen doen om het alsnog heel nauwkeurig te maken. Dus uiteindelijk leveren we eigenlijk heel weinig nauwkeurigheid in. Maar dat is eigenlijk continu die optimalisatie die we doen om zo snel mogelijk de beste informatie te krijgen. Dat is belangrijk voor veiligheid, maar ook voor milieubehoud, voor economische vraagstukken. Waar vindt op dat moment bijvoorbeeld olieoverslag plaats? Maar ook voor climate change: waar is een methaanlek? Dat soort dingen. Het heeft heel veel toepassingen: weersvoorspellingen, noem maar op.
Zijn dat allemaal specifieke modellen die je voor ieder vraagstuk hebt, of hergebruik je veel van de modellen?
Het is een beetje van allebei. Er zijn modellen die een beetje universeel toepasbaar zijn en er zijn modellen die inderdaad heel specifiek zijn. Dat hangt af van wat de databron is, welke sensor op die satelliet vliegt of welke sensor we gebruiken om die informatie eruit te halen. Maar het hangt ook af van de toepassing. We hebben bijvoorbeeld modellen die eigenlijk universeel toepasbaar zijn, zoals wolkenherkenning. Voor alle optische satellieten is dat eigenlijk van toepassing. Dus die kunnen we veel breder gebruiken. Andere toepassingen, zoals het herkennen van specifieke schepen of het detecteren van methaan, die vereisen veel specifiekere modellen die getraind zijn op heel specifieke data.
Hoe lang blijft een satelliet in de ruimte en hoe makkelijk is het om nieuwe modellen te updaten?
Zeker geen domme vraag. Hoe lang satellieten in de ruimte hangen verschilt een beetje. Die van ons, de meeste van onze satellieten vliegen in low earth orbit. Ook dan verschilt het nog hoe lang ze er hangen, maar die van ons kun je uitgaan van drie tot vijf jaar voor de meeste. Dan ruimen ze zichzelf ook op, dan vallen ze terug in de atmosfeer en dan verbranden ze. Dus dat draagt dan niet bij aan het ruimtepuinprobleem. Hoe moeilijk het is om modellen te updaten, dat is wel een uitdaging. Wat ik eerder zei: je moet contact hebben met zo'n grondstation. Vaak is de upload veel beperkter dan de download. Dus je kunt veel meer data naar beneden sturen dan omhoog. Dat heeft een aantal redenen, maar dat betekent dat we relatief weinig data omhoog kunnen sturen. Gelukkig zijn onze modellen dus relatief klein, dat helpt. Maar we hebben ook technologie ontwikkeld waarbij we wat we kunnen uploaden, dus specifiek de update die we naar boven willen sturen, heel veel kleiner kunnen maken dan alleen het hele model. We hebben een technologie ontwikkeld waarbij we alleen de stukken uit het model omhoog sturen die nieuw zijn. Dus we hebben daar een probleem waarvoor we oplossingen hebben gevonden.
Hoe groot is jullie team in Delft en wereldwijd?
In Delft zijn we met z'n tienen, dus relatief nog klein, maar wel hard aan het groeien. We zijn in Delft nu drie jaar bezig. Dus het gaat heel hard, in ieder geval voor mijn gevoel. Het bedrijf zelf is ongeveer 60 man. Ons hoofdkantoor staat in Dublin in Ierland. We hebben een kantoor in Spanje en ook nog een kantoor in Tunesië. En nog wat collega's over de hele wereld verspreid.
Hoe ga je om met security, vooral als je met defensie werkt?
Ja, zeker. Dat is een heel belangrijk onderwerp, ook voor ons. Uiteindelijk zijn de technieken om het allemaal veilig te houden, denk ik, niet heel anders dan op aarde. Je moet denken aan dingen als encryptie. Je moet je data op bepaalde manieren versturen die veilig zijn, door datakanalen waarvan je weet dat ze ook veilig zijn. Bijvoorbeeld ons grondstation: we hebben niet onze eigen grondstations, we huren die capaciteiten. Dat moet je dus doen met betrouwbare partners die ook bijvoorbeeld met die encryptie overweg kunnen. Wat we nu zien gebeuren steeds meer is lasercommunicatie. Radiocommunicatie is vaak nog te onderscheppen, maar met lasercommunicatie is dat echt al nagenoeg onmogelijk, want het is gewoon een laserstraal. Dan moet je fysiek tussen die laserstraal gaan zitten om die ook mee te luisteren. Dus dat is iets wat je ziet opkomen. Voor de AI zelf hebben we allerlei processen om bijvoorbeeld in de gaten te houden dat de antwoorden die we krijgen zoals we verwachten zijn, dat we die kunnen vertrouwen. Voordat we daar operationeel beslissingen op maken, controleren we dat die data klopt. In heel veel gevallen is er ook een human in the loop, dat er een mens meekijkt als er echt belangrijke beslissingen gemaakt worden.
Waar haal je je inspiratie vandaan om al deze puzzels op te lossen?
Waar houd ik mijn inspiratie vandaan? Ik denk uiteindelijk, kijk, ik werk met een heel breed team binnen ons bedrijf. We zijn heel internationaal. Ook binnen mijn eigen team is het heel internationaal. We hebben zeven verschillende nationaliteiten op tien werknemers. Dat is echt heel internationaal. Ons gemiddelde leeftijd is ook onder de dertig, dus het is echt een heel jong team. Dat vind ik altijd heel inspirerend om met zo'n brede groep mensen van over de hele wereld en ook met allerlei verschillende leeftijden en verschillende achtergronden daaraan te werken. We werken veel met ESA en ook met NASA en allerlei andere inspirerende instituten. Daar halen we natuurlijk superveel inspiratie uit. Het is fantastisch om aan boord van onze eigen satellieten met NASA allerlei AI-experimenten te doen. Daardoor leren wij natuurlijk dingen van dat soort experts, maar leren zij ook veel van ons. Dat is ook heel leuk om te zien. Dus ja, ik denk eigenlijk vooral dat het internationale aspect en de verschillende achtergronden waarmee ik mag werken me inspireren. Ik heb dit altijd al willen doen. Ik vind het fantastisch. Ik ben vorig jaar naar een raketlancering geweest van mijn eigen satellieten. Ja, dat is natuurlijk echt geweldig. Voor mij is het een jongenstroom die uitkomt en daar ben ik ook heel dankbaar voor. Ik ben in die zin genoeg geïnspireerd elke dag.
Hebben de beelden die jullie maken effect gehad op je persoonlijke leven?
Mijn werk heeft heel veel effect gehad. Maar als je het hebt over de foto's en de functionaliteit, dan denk ik niet direct. We hebben een aantal toepassingen die ongetwijfeld indirect ook invloed hebben op mijn leven, hopelijk op veel meer mensen. We werken aan veiligheid en betere wetenschappelijke data. Maar het is niet zo dat ik een andere bus heb genomen omdat ik iets van mijn satellieten heb gezien of zo. Stiekem heb ik natuurlijk wel een aantal hele mooie foto's thuis aan de muur hangen waar ik wel leuk naar kijk. Een van de dingen die we hebben gedaan: vorig jaar hebben we een van onze eigen satellieten gelanceerd. Die wordt dan ook bestuurd vanuit mijn team in Delft. Meestal is die heel druk in gebruik, maar af en toe hebben we wat capaciteit over. Dan mogen we foto's maken die gewoon leuk zijn. We hebben al foto's van al onze kantoren en ook de meeste huizen van onze collega's gemaakt vanuit de ruimte. Dat is natuurlijk wel heel bijzonder.
Wat betekent het besturen van een satelliet eigenlijk?
Het is niet dat wij echt met een joystick zitten of zo, nee. Het is eigenlijk heel gek. We hebben geen operatiekamer zoals je misschien in Apollo 13 of zo hebt gezien met "Houston we have a problem". Dat doen wij niet. We hebben daarvoor partners die dat wel hebben. Er zijn echt mensen die serieus dag en nacht in zo'n ruimte zitten om die satellieten in de gaten te houden. Dat wordt al steeds minimaler, want ook daar is heel veel autonomie nu. Dat is niet allemaal AI, maar er zijn gewoon veel algoritmes die satellieten in de gaten houden en inderdaad even uitschakelen als er iets mis is. De volgende dag komt iemand op zijn werk die zegt: oh, er is iets mis, dan gaan ze het oplossen. Er is altijd wel iemand on-call natuurlijk. In mijn team is het veel meer de operationele kant van de AI. We hebben een interface op een computerscherm waarin wij kunnen zeggen: we willen komende week om tien over elf op dinsdag van deze plek op aarde een foto met deze instellingen, en daar willen we deze software op draaien. Vervolgens gebeurt dat. Wij kunnen dan live in onze data zien terwijl dat gebeurt. Als die data dan terugkomt, kunnen we die verwerken en analyseren. Voor een heel groot gedeelte is dit volledig geautomatiseerd. Dat moet ook, als we heel snel willen reageren moet het allemaal automatisch zijn. Maar een groot gedeelte daarvan moeten we in de gaten houden. Als het misgaat, moeten we ingrijpen. Bij een aantal experimenten die one-offs zijn, is het sowieso zo dat we het in de gaten moeten houden en dan moeten we er vaak ook wel live of bijna live bij zitten. Wat je voor je moet stellen is dat dit meestal een 9-tot-5 baan is, dat operationele wat wij specifiek in Delft doen. Het is een datainterface waarbij we commando's omhoog sturen, data terugkrijgen en daar dan vervolgens wat mee doen. Soms is het echt blijven praten met de satelliet. Op dat moment hangt de satelliet boven een grondstation, dus een grote schotel op de grond. Een satelliet draait om de aarde heen en is meestal maar iets van zeven minuten boven een grondstation voordat het weer voorbij de horizon is. In die zeven minuten kunnen we met die satelliet praten, alsof je in een server inlogt. Niet alle onze satellieten, maar meestal draaien ze gewoon Linux. Dan ben je gewoon in een terminal met de satelliet aan het praten. Die zeven minuten moeten dan echt knallen. Daarna duurt het weer een uur voordat je weer met je satelliet kunt beslissen. Zo plannen we ook de werkzaamheden die moeten gebeuren. Dat is dan de besturing die we hebben.
Wat ging er beter dan verwacht en wat moeizamer bij de toepassing van AI in de ruimtevaart?
Toen wij met het team in Nederland begonnen, hebben we natuurlijk de LLM's niet aan zien komen. De AI voor de ruimtevaart is daarmee denk ik ook weer op zijn kop gezet. Voornamelijk denk ik voor nu aan de developmentkant. Het is gewoon veel makkelijker om heel snel heel veel code te schrijven, om documentatie op orde te hebben, dat soort dingen. Daarmee gaat denk ik de ontwikkeling weer sneller. Hoewel het vliegen van LLM's in de ruimte en deze vorm van AI, ik denk dat het nog wel lang duurt voordat dat operationeel gaat zijn. Wat denk ik heel veel beter gaat dan ik had durven dromen, is voor ons wat een groot probleem is geweest: het trainen van AI. Daarvoor moet je natuurlijk heel veel data hebben, en data die representatief is van de data die het uiteindelijk te zien krijgt als je het operationeel maakt. Dat is nogal moeilijk als je AI moet ontwikkelen voor satellieten die nog niet vliegen. Die data bestaat dan niet. Dat is iets waar we echt de eerste twee jaar hard over hebben nagedacht: waar kunnen we dat nou oplossen? Dat is ons eigenlijk heel erg goed gelukt. We hebben technieken ontwikkeld waarmee we data kunnen simuleren die eigenlijk nog niet bestaat, van satellieten die nog gelanceerd moeten worden. We hebben heel goed gekeken naar hoe zien die systemen eruit, hoe werken die, wat voor trillingen verwachten we daar, wat voor lichtgolflengtes vangt die camera op, dat soort dingen. Dat hebben we heel goed geanalyseerd en vervolgens daar modellen op getraind. Die modellen zijn toen de eerste keer dat we dat deden fysiek gelanceerd met een raket. We hadden ze op de harde schijf van de satelliet geladen, de satelliet is in de raket gegaan en is fysiek gelanceerd. Natuurlijk al een heel gek idee, je wilt eigenlijk normaal software uploaden, maar in dit geval ging het fysiek op een raket. Toen zetten we dat voor de eerste keer aan en toen werkte het eigenlijk. De eerste foto die we terugkregen was een perfect resultaat. Dat was echt verbazingwekkend. Ik ben verantwoordelijk geweest voor een gedeelte van het ontwerp van dat systeem. Een aantal van onze collega's die daar minder bij betrokken waren zeiden allemaal: ja, natuurlijk gaat het werken. Maar ikzelf dacht: ja, ik denk wel dat het gaat werken, maar ik dacht niet dat het ons zo goed zou lukken om die trainingsdata zo goed te maken. Dat werkte heel goed en uiteindelijk zijn natuurlijk lang niet alle resultaten perfect, dat is altijd zo. We zijn het nu nog veel verder aan het doorontwikkelen. Maar met synthetische data beginnen heeft ons gewoon echt die kickstart gegeven. Dat is een hele goede voorbereiding geweest. AIToday Live is een podcast die zich richt op de nieuwste ontwikkelingen in AI en de impact ervan op verschillende sectoren. In elke aflevering spreken hosts Niels Naglé en Joop Snijder met experts uit het veld om inzicht te krijgen in de mogelijkheden en uitdagingen van AI-technologie. Luister via je favoriete podcast app: Spotify, Apple podcasts, YouTube Music, en meer.
Over de gast
David Rijlaarsdam is Director of Space System Engineering bij Ubotica Technologies, waar hij AI-systemen ontwikkelt die in de ruimte draaien op satellieten. Hij leidt een internationaal team dat slimme chips aan boord van satellieten plaatst die ter plekke beslissingen kunnen nemen over welke beelden waardevol zijn om door te sturen naar de aarde, waardoor de beperkte bandbreedte efficiënter wordt benut.
Bekijk gastprofielTranscript
Stel je voor, een satelliet die om de aarde draait en duizende beelden maakt. Maar de verbinding naar de grond is traag en duur. Wat als die satelliet zelf kan beslissen welke foto's de moeite waard zijn om door te sturen? Daarvan bouwt David Rijlaarsdam precies dat. Als Director of Space System Engineering bij Ubotica Technologies ontwikkelt hij AI-systemen die in de ruimte draaien. Geen data center op aarde, maar slimme chips aan boord van satellieten die ter plekke beslissingen nemen. Dat is waar het om gaat. Joop: Leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Joop: Mijn naam is Joop Snijder, CTO bij Aigency, en mijn collega Niels Naglé, Area Lead Data & AI bij Info Support. Joop: In de studio hebben we David Rijlaarsdam. Joop: David, ontzettend leuk dat je bij ons in de studio wil zijn, wil je je eerst voorstellen aan de luisteraars. David: Dankjewel, leuk om hier te zijn. David: Ik ben David Rijlaarsdam, ik ben Director of Space System Engineering voor Ubotica Technologies. Joop: Dat is een mond vol. Joop: En wat doe je bij Ubotica? David: Ik ben eigenlijk verantwoordelijk voor alles wat te maken heeft met onze hardware en software die naar de ruimte gaat, en ook met de operaties van onze ruimtemissies. Joop: Dat is leuk. Joop: We gaan het vandaag hebben over AI in de ruimte. Niels: We hebben dichterbij gehad, maar ouders. Joop: Maar wel met voetjes op de grond vandaag. Joop: Zou je iets kunnen vertellen van wat jullie dan doen en wat voor AI er in de ruimte gaat. David: Ja, zeker. David: Wat wij eigenlijk doen is, wij veranderen de manier waarop satellieten werken. David: En dat doen we voor veel verschillende satellieten, maar we focussen vooral op aardeobservatie. David: Dus de satellieten die beelden maken van de aarde, dus bijvoorbeeld je Google Maps beelden, maar ook radarbeelden, weersmetingen, dat soort dingen. David: En dat doen we door hardware systemen en software mee te sturen op satellieten om edge compute te gebruiken. David: Dus eigenlijk wat we doen, is we gebruiken software aan boord van satellieten om die satellieten zelf te kunnen laten interpreteren wat voor data ze verzamelen en op basis daarvan ook zelf beslissingen te maken. David: Om je een voorbeeld te geven, als jij foto's maakt van de aarde. David: Dan is ongeveer zeker als je nu naar buiten kijkt. David: In Nederland is het nog meer, maar 50, 60% van alle foto's die je maakt, is bewolkt. David: De aarde is gewoon heel erg bewolkt. David: En dat zijn meestal beelden, niet altijd, maar vaak beelden waar je niet zoveel aan hebt. David: Want je wil natuurlijk, als je beelden maakt van de aarde, wil je dat misschien doen om landbouw in de gaten te houden of scheepvaart of bepaalde natuurfenomenen. David: En nu al die data die wordt verzameld wordt allemaal naar beneden gestuurd. David: En eigenlijk onze filosofie is wat nou als die satelliet zelf ziet. David: Die foto die ik nu ga maken, die is bewolkt. David: Misschien moet ik die niet maken en moet ik mijn camera net een andere kant op draaien om een foto te maken die niet bewolkt is. David: Dat is een heel simpel voorbeeld. David: Het trek het nog helemaal door tot in het extreme, maar dat soort dingen doen wij. David: Dus autonomie aan boord van satellietsystemen en ook autonomie op de grond om die satellietsystemen slim aan te sturen. David: Dat is waar we ons mee bezighouden en daar zijn we ook echt een van de pioniers in. Joop: En hoe ben je je ingerold? David: Ik zelf heb een achtergrond in ruimtevaarttechnologie. David: Dus dat heb ik gestudeerd in Delft. David: Zodoende ben ik eigenlijk al tijdens mijn studie tijdens mijn master betrokken geraakt bij een bedrijf dat heet Movidius. David: Movidius is een bedrijf wat op een gegeven moment gekocht is door Intel. David: En Movidius maakte Edge AI chips. David: Dus chips waarmee je op je drone of op je virtual reality headset AI kon draaien. David: Dat is een eerste bedrijf, en ik heb daar ook er ook een half jaar gezeten. David: En mijn basis daar, die dat bedrijf hadden opgericht en verkocht aan Intel, die zijn toen een aantal jaar later een bedrijf begonnen, Ubotica. David: Ubotica waarvoor ik nu werk in Ierland. David: En ze hebben mij gevraagd of ik daar daarbij wil komen. David: En voor hun Ubotica is een ruimtevaartbedrijf. David: En natuurlijk in Nederland hebben we heel veel ruimte voor talent. David: We hebben natuurlijk ESA Astax zit hier, maar ook aan de aan de TU Delft. David: Het is echt een fantastische ruimtevaartopleiding. David: En ook erg toonaangevend in de wereld. David: En dat weten ze dus ook in andere landen en dus ook in Ierland. David: En ze vroegen mij om hier Nederland daar een team op te zetten van AI of van ruimtevaart experts die ook affiniteit hebben met AI. David: En dat hebben we gedaan en nu hebben we een kantoor en een team in Nederland. David: Ja, daar ben ik ook erg trots op. David: Die doen het helemaal erg goed. Niels: En goed om te horen dat we al die kennis allemaal in huis hebben in Nederland, maar ook in Europa. Niels: Want vaak is de verhalen. Niels: Dan is het Amerika, China, Rusland die met alle raketten en inderdaad, satellieten de lucht inbrengen. Niels: Dus mooi om te horen dat die kennis die we van natuur eigenlijk in Nederland hebben, ook hier op dit vlak nog goed aanwezig is. David: Absoluut. Niels: Ik ben wel nieuwsgierig. Niels: Wat zijn dan de uitdagingen die je hebt in de ruimte die je? Niels: Als je het hier lokaal als waar je AI wil in zetten waar je dan tegenaan loopt. David: Je bedoelt wat het moeilijk maakt om AI in de ruimte te draaien. David: Heel veel dingen. David: Dus ja, waar te beginnen. David: Als je een satellietruimte instuurt, die heeft natuurlijk zonnepanelen en een batterij. David: Dus de stroom is beperkt. David: En dat wordt wel, satellieten worden steeds groter. David: Dus dat wordt steeds kleiner een steeds kleiner probleem, als de batterij groter wordt, wordt uiteindelijk de computer die je meestuurt ook steeds groter. David: Dus dat haalt zichzelf ook weer een beetje in. David: Dus stroom is een probleem. David: In de ruimte is natuurlijk vacuüm. David: Dat is een probleem voor veel elektronica. David: Als er hele kleine lucht belletjes in je chip zitten. David: En je stuurt dat de ruimte in en er is daar vacuum, dan kan dat uit elkaar knallen. David: Dus daar moet je iets mee doen. David: Heel groot probleem is straling. David: En dat is eigenlijk misschien wel het grootste probleem. David: In de ruimte zijn veel geladen deeltjes. David: En andere vormen van straling en die raken je chips. David: En die raken al je systeem, maar ook je chips. David: En als je bits hebt op je chip, dus nullen en één. David: Dan kan zo'n gelade deeltje ervoor zorgen dat een 0 en 1 wordt of een 1-0. David: En dan gaat je software allerlei hele rare dingen. David: Dus dat is iets waar je me rekening moet houden. David: En worst case, kan zo'n geladen deeltje voor zorgen dat je echt kortsluiting krijgt. David: En dan ga ik het eigenlijk elektronica kapot. Joop: En hou je daar dan rekening mee in de hardware, maar ook in de software. David: Ja, inderdaad, in allebei. David: Ja, dus we doen trouwens, en nog, er zijn nog meer problemen. David: Dus je hebt de trillingen van de lancering en heel warm, heel koud. David: Het is echt heel moeilijk om dit te doen. David: En vooral die hardware kant, dat kan ik ook zeker niet hoor. David: Dat zijn al mijn geweldige collega's die dat doen. David: Maar nee, om dat stralingsprobleem op te lossen en eigenlijk al die problemen, moet je allerlei dingen in hardware en software doen. David: Je moet allerlei dingen redundant maken. David: Dus je van veel componenten geef je maak je soldeer er twee op je printplaat, zodat je als er één stuk gaat dat je de ander hebt. David: We hebben allerlei checks in onze software die continu checken of alle nullen die nullen zouden moeten zijn en alle ene die ene zouden moeten zijn, dat nog steeds zou zijn. David: En als dat niet zo is, zetten we de computer uit en uploaden we bijvoorbeeld het bestand opnieuw. David: Wat we ook doen, is als we zien, we hebben op de chips of op onze computer zelf hebben we chips zitten die heel nauwkeurig het stroomverbruik in de gaten houden. David: En als dat hoger is dan we zouden verwachten, kan dat duiden op zo'n zo'n geladen deeltje en dan sluiten we ook meteen alles af. David: Er zijn allerlei dingen die we doen om die problemen op te lossen. Joop: Zijn er ook juist andersom? Joop: De problemen die je op aarde zou hebben die je in de ruimte niet hebt. David: Dat is een leuke vraag. David: Nee, ik denk het eigenlijk alleen maar probleem erbij gekregen. David: Ja, ik denk het eigenlijk eigenlijk nee, ik kan niet één, iets verzinnen, wat een goede vraag, daar moet ik eens over nadenken. David: Ik denk eigenlijk dat alles eigenlijk wel moeilijker is. Niels: Jammer. Niels: Ik was nieuwsgierig, je zegt heel erg specifieke stukjes software die je draait om bijvoorbeeld een van de uitdagingen stroom goed af te handelen en daar heel efficiënt in te zijn. Niels: Heb je daar al machine learning modellen, AI-modellen, of is dat allemaal rol-based. David: Ja, ook een hele goede vraag, best technisch al. David: Dat kan het designer. David: Ja, dat heet in de satellietbouw heet dat FDIR failure detection isolation en recovery. David: En vooral die failure detection, daar wordt nu allerlei onderzoek naar gedaan van kunnen we dat beter met AI doen. David: En er zijn nu wel resultaten die zeggen van nou, misschien kunnen we dat wel beter met AI doen. David: Want als je alles rule-based doet, dus als je als je ergens stroom meet en in plaats van twee ampère is het 2,2. David: Dan kan je natuurlijk zeggen van alles wat boven de 2.1 is, zetten we hem uit, want dan is het verkeerd. David: En dat is wel heel robuust en dat werkt heel goed en dat is hoe de meeste systemen nu werken en ook die van ons, want dat is gewoon veilig simpel, dat kan je goed uitleggen. David: En dat gedraagt zich gewoon precies zoals je het zou verwachten. David: Maar er zijn altijd dat heet een failure motor. David: Er zijn altijd manieren waarop zo'n systeem kapot kan gaan, die je gewoon niet bedenkt. David: Of die zo bijzonder is dat je hem nog nooit gezien hebt. David: En als je dat allemaal rule-based moet doen, dan moet je dus allemaal regels inbouwen voor dingen die je eigenlijk nog nooit gezien hebt en dan heb je dus altijd dingen die je gaat missen. David: Bijvoorbeeld nu volgens mij op dit moment heeft NASA deze week aangekondigd dat ze contact kwijt zijn met een satelliet die om Mars heen draait. David: Dus daar zal iets gebeurd zijn wat je niet aan kan zien komen. David: En dat kan altijd gebeuren en het idee is dat AI, omdat AI, je hoeft niet specifiek te zeggen wat het moet herkennen. David: Het kan bijvoorbeeld gewoon herkennen wat is een normale staat van je systeem. David: En alles wat niet normaal is, daar geef ik een signaaltje voor. David: Dus dat is heel veel belovend. David: Alleen het probleem is natuurlijk dat je false positives krijgen. David: Dus het gaat af en toe zeggen, hier is iets mis, terwijl er niks mis is, en dat is ook niet snel acceptabel. David: Dus om je antwoord te geven, ja, er is veel onderzoek naar gedaan. David: Ik denk dat het heel voorzichtig operationeel aan het worden is. David: En wij doen wel wat dingen voor bijvoorbeeld onze software waarin we wel wat dingen met AI, of in ieder geval afgeleide van AI doen om dit soort dingen te herkennen, maar nog niet echt de cruciale systemen, dat doen we nog niet. Joop: Ik denk dat het voor de luisteraar misschien nog wel heel belangrijk is om uit te leggen. Joop: Want veel mensen die zijn ingestapt bij GGPT. Joop: Dus vinden AI gelijk staan aan generatieve AI. Joop: Jullie sturen denk ik nog geen taalmodellen de ruimte in. Joop: Zou je daar iets over kunnen vertellen, wat je wel gebruikt. David: Ja, dat is denk ik inderdaad belangrijk om even dat verschil te maken. David: Sinds één of twee maanden is er nu een generatief model in de ruimte. David: Dat is niet door ons gedaan, dat is een ander bedrijf gedaan. David: En ik voorlopig nogal vooral omdat het omdat het kan, omdat het gaat is om te laten zien. David: En wat wij doen is al wel wat meer operationeler. David: Dus wij gebruiken echt informatie die we verzamelen. David: Maar de AI die wij de ruimte insturen, is eigenlijk een aantal dingen. David: En het zijn ook trouwens niet AI-algmen. David: Ja dat noem je dan klassieke algoritmes. David: Die bijvoorbeeld als je foto maakt van een bosplant, alle pixels die warmer zijn dan x aantal graden, daarvan zeg je van nou, daar is iets warms. David: En dat is geen AI, dat is gewoon een soort filter, alles wat hoger dan dat. Joop: Net als een recept in je kookboek. Joop: Dat is ook een algoritme. David: Inderdaad, inderdaad, een algoritme is gewoon als ik deze data naar binnen krijg, dan doe je daar iets mee. David: Die output, wat daaruit komt, daar wil je dan wil je dan wat van kunnen zeggen. David: Maar de AI die wij gebruiken, is eigenlijk meer de AI van een aantal jaar geleden. David: Hoewel er ook nog steeds heel veel ontwikkelingen gebeuren, maar voor de LLM's. David: Dus dat gaat meer over kleinere neurale netwerken. David: Die bijvoorbeeld ook als je je iPhone opent met gezichtsherkenning en dat soort kleinere modellen die wel heel nuttig zijn, maar wat geen LLM is, geen heel groot datacentrum nodig heeft, en het is geen taalmodel. David: Wat wij gebruiken, zijn vooral modellen die op foto's werken en visuele data, ook wel radar data en wat andere soorten data, maar vooral visuele data. David: Dus dat heet dan een convolutional neural network. David: Voor de luisteraars die dat weten wat dat is, precies. Joop: Wat ik aan zaten denken, is omdat je moet het klein houden. Joop: Er is natuurlijk een hele stroom nu gaat over duurzaamheid. Joop: En zeker die taalmodellen, die zijn helemaal niet zo duurzaam. Joop: Is de ontwikkeling die jullie mee, die jullie maken, heeft dat ook invloed op ervoor te zorgen dat modellen goedkoper kunnen draaien. Joop: En zien we dat dan ook in andere industrieën naar boven komen. David: Ja, ik denk het wel. David: Of wat wij specifiek doen al zo'n impact op de industrie heeft, dat weet ik niet. David: Maar kijk, die edge AI, die wordt die wordt al heel lang gebruikt en ook in de industrie. David: En als bedrijf hebben wij trouwens ook een aantal industriele projecten. David: Voor grote fabrikanten die een nieuwe fabriek hebben en bijvoorbeeld een bepaald product. David: Honderdduizend keer per jaar produceren. David: En wat wij wel doen, is technologie die wij voor de ruimtevaart hebben ontwikkeld, toepassen dan in zo'n fabriek. David: Bijvoorbeeld het herkennen van dingen die abnormaal zijn, dat kan je dan toepassen in zo'n fabriek. David: En daar heb je geen gigantisch server voor nodig. David: In dat geval doen wij dat on-premise, dus in de fabriek zelf, met een computer, ook een edge processing apparaat. David: Wat dus heel weinig stroom verbruikt en wat snel die beelden kan verwerken. David: Dus ja, dus wij, wij doen dat zeker binnen ons bedrijf en ik sowieso de industrie breder ook als geheel. David: En ja, dat verbruikt wel minder stroom. David: Maar het is sowieso wat we natuurlijk zien, is dat LLM's ook steeds minder stroom gebruiken, dat het ook steeds efficiënter wordt. David: Dus of dat nu echt een groot duurzaamheidsvoordeel is. David: Het is zeker een duurzaamheidsvoordeel, maar of dat nou echt heel groot is, dat weet ik niet zo goed. Niels: Ik was nieuwsgierig, heb je een paar voorbeelden van wat jullie dan doen met die beelden om een beeld bij te krijgen van waar wordt de AI functioneel voor ingezet. David: Ja, zeker. David: Nou, we kijken naar heel veel toepassingen. David: Een van de grootste toepassingen waar we naar kijkt. David: De belangrijkste toepassing voor ons, is maritime security. David: In dit geval in de gaten houden van schepen. David: En dan schepen die bijvoorbeeld onze kritieke infrastructuur bedreigen. David: Dat is natuurlijk nu belangrijk. David: Europa, heel actueel. David: On onze kabels en onze gasleidingen zijn kwetsbaar. David: En we weten dat daar allerlei dingen op dit moment mee gebeuren, dat die bedreigd worden. David: En daar kan je eigenlijk al heel veel over zeggen vanuit de ruimte. David: Dus we hebben allerlei verschillende satellietconstellaties die verschillende type data, radar en AIS, dat is een soort baken wat schepen uitsturen, en dat kan je ook vanuit de ruimte opvangen, dan kan je ook weten van oké, hier vaart een schip, dat is dat schip, dat vaart zo hard. David: En dat combineren we dan met bijvoorbeeld beelden en optische foto's. David: En als je daar AI op toepassen, zowel aan boord als op de grond. David: En datafusion. David: Dus als je daar weer allerlei andere datasourten bij betrekt, dan kan je echt wel heel wat zeggen over wat op dit moment er gaande is op bijvoorbeeld de Noordzee. David: Dus dat is een belangrijke toepassing voor ons waar we waar we op focussen. David: En daar we ook een partnerschap mee met Fugo. David: Misschien kennen jullie dat bedrijf, is een groot Nederlands bedrijf, een geodatabedrijf. David: En Detect en een datafusiebledrijf ook in Nederland. David: Maar wat we ook doen, is we kijken naar bijvoorbeeld overstromingen, bosbranden. David: We kijken naar wetenschappelijke metingen. David: Dus we gaan nu een groot project met NASA doen, waar we tussen verschillende satellieten ook weer met autonomie willen coördineren. David: Stel dat er bijvoorbeeld is niet specifiek per se een toepassing waar we naar gekeken, het gaat in dat project meer om de technologie, maar bijvoorbeeld als er een vulkaanuitbarsting is. David: Dat is een belangrijk voor de wetenschap, als je daarin geïnteresseerd bent, wil je daar graag metingen hebben, ook metingen vanuit de ruimte. David: Maar het is nog best moeilijk om zo'n vulkaanuitbarsting om de foto te zetten met een satelliet, want het is maar van korte duur en het is redelijk onvoorspelbaar. David: En een van de dingen die we dus ook doen is kijken van kunnen we met AI aan boord en AI op de grond zien wanneer dat gebeurt en dan heel snel daarop reageren en snel die data verzamelen. Joop: Zien dat het gebeurt, of is het ietsje vooruitkijken dat je voorspelt dat het gaat gebeuren. David: En dat is het idealiter natuurlijk. David: En ik ben zelf geen expert in vulkaan. David: Ik weet niet in hoeverre dat kan. David: Maar er zijn dus wel toepassingen waarbij we dat inderdaad doen. David: Dus bijvoorbeeld met bosbranden, kan je natuurlijk wel iets zeggen in ieder geval over het risico dat er iets gaat gebeuren. David: En dan kan je al wel daar op voorste tegen en daar bijvoorbeeld capaciteit voor reserveren aan boord van je satellieten. Niels: Ik was er nieuwsgierig, jij noemt in je voorbeelden AI in de ruimte en AI op aarde. Niels: En de samenwerking daartussen. Niels: Hoe bepaal je wat je in de ruimte doet en wat je op aarde doet. David: Opnieuw een hele goede vraag. David: Een filosofie, en dat is een beetje over versimpeld. David: Een filosofie die ik ben systeemkundige en mijn team zijn allemaal systeemkundigen. David: Een filosofie die we die we vaak noemen, is eigenlijk willen we zo min mogelijk in de ruimte doen. David: Want alles wat je op de grond doet, is goedkoper, je hebt grotere computers, dus je hebt meer rekenkracht. Joop: Minder van die problemen die je noemde. Joop: Precies. David: Dus je wil eigenlijk al die capaciteit in de ruimte is gewoon is gewoon op dit moment in ieder geval heel beperkt. David: En zal altijd duurder blijven, denk ik dan wat er op aarde gebeurt. David: Hoewel dat laatste, dat wordt nu enige discussie over. David: Z min mogelijk. David: Wat wij op de grond doen, is als wij ruwe data binnen krijgen, dan willen we die verwerken met de beste algoritmes, met datafusie van alles. David: We willen die voorspellingen die je noemden, dat doen we op aarde. David: We willen proberen te voorspellen waar dingen gaan gebeuren, zodat we alvast onze capaciteit kunnen reserveren, dat zorgt voor veel rekenkracht, hebben we daarvoor nodig, veel datasourten. David: Dus dat doen we allemaal op de grond. David: Maar aan boord zijn er een aantal dingen die we die we echt aan boord moeten doen. David: Ik heb twee voorbeelden. David: Eentje is waar ik het net over had van oké, als we de satelliet zelf een beslissing willen laten maken. David: Dus als de satelliet ziet, oh, er komt een bewolkt stuk grond aan, ik wil die foto, die hoef ik niet te nemen. David: Dat moet aan boord, want dat moet heel snel gebeuren. David: Zo'n satelliet gaat 7,5 kilometer per seconde. Niels: Dus je moet heel snel handelen. David: En dat duurt te lang als je dan ook nog naar beneden een signaal wil sturen dat in een server wil verwerken en dan weer omhoog. David: Dus dat doen we aan boord. David: En wat we ook aan boord doen, is als we wel een foto hebben gemaakt en heel snel die informatie uit die foto beneden willen hebben, stel dat er ergens een bosbrand is, dan is het natuurlijk iedere minuut heel belangrijk. David: En wat we dan doen, is dan verwerken we dat aan boord. David: En dan halen we daar echt die essentiële informatie uit. David: Dus zo'n foto kan heel groot zijn. David: In ons een van de satellieten die we vliegen is hyperspectraal. David: Dat betekent dat het een camera aan zit die niet rood, groen en blauw foto's maakt, maar in dat geval in wel 32 kleuren. David: Dus dat zijn gigantische databestanden. David: Dus die verwerken we heel snel met een zo'n edge algoritme, een wat simpeler algoritme, maar wat goed genoeg is om de informatie eruit te halen die wij willen zien. David: En omdat dat wat er dan uitkomt, is eigenlijk dit zijn de coördinaten vanbeeld een bosbrand. David: Dat is maar een heel klein bestandje, dat is een soort sms. David: En die sms is zo klein dat we die meteen via andere satellieten naar beneden kunnen sturen. David: Dus dan hebben we binnen een paar minuten al die informatie die we nodig hebben. David: Terwijl als je die grote foto naar beneden wil sturen, dan moet je wachten totdat je boven een grondstation hangt. David: Dus een grote schotel hebben op de grond, meestal op de Noordpool. David: En dat kan wel een paar uur duren tot dagen, totdat die beschikbaar is. David: Dus op die manier kunnen we ook dingen die heel snel naar beneden moeten ook heel snel verwerken en snel doorsturen. Joop: Slim. Niels: Dus hoe ga je om met schaarste inderdaad, dit is inderdaad een manier die je wel moet doen om met die schaarste de juiste berichten door te kunnen sturen. David: Inderdaad. David: En je kan dan dus een soort optimalisatie maken van oké, als ik het op de grond doe, duurt het veel langer. David: Maar is misschien wel de kwaliteit van de informatie hoger, of is het goedkoper om die informatie te verwerken. David: Aan bord is het moeilijk om er een specifiek bedrag op te plakken, maar het kost veel capaciteit. David: En misschien is de analyse iets minder sophisticated, iets minder gedetailleerd, iets minder hoge kwaliteit. David: Maar we hebben de informatie echt heel veel sneller. Joop: Je levert eigenlijk nauwkeurigheid in voor snelheid. David: Inderdaad, zo kan je het wel zien. David: En ik moet wel zeggen dat we alsnog ook met die informatie kunnen we heel veel op de grond doen om het alsnog heel nauwkeurig te maken. David: Dus uiteindelijk leveren we eigenlijk heel weinig nauwkeurigheid in. David: Maar dat is eigenlijk continu die optimalisatie die we doen om zo snel mogelijk de beste informatie te krijgen. David: En dat is voor die veiligheid belangrijk, maar ook voor milieubehoud voor economische vraagstukken. David: Waar op dat moment bijvoorbeeld olieoverslag plaatsvinden. David: Maar ook climate change waar is een methaanlek, dat soort dingen. David: Het heeft heel veel toepassingen, weersvoorspellingen. Niels: Dat zijn denk ik allemaal specifieke modellen. Niels: Die je voor ieder vraagstuk hebt, of herbruik je veel van de modellen in dit soort gevallen. David: Het is een beetje van alle beide. David: Er zijn modellen die een beetje universeel toepasbaar zijn. David: En er zijn modellen die inderdaad heel specifiek zijn. David: Dat hangt dan af van wat is je de databron, welke sensor vliegt die satelliet of welke sensor gebruiken we om die informatie om die informatie uit te halen. David: Maar het hangt ook van, we hebben bijvoorbeeld modellen die eigenlijk universeel toepasbaar zijn, dus bijvoorbeeld die wolkenherkenning. David: Alle optische satellieten, daarvoor is dat eigenlijk van toepassing. David: Dus die kunnen we veel breder breder gebruiken. Niels: Misschien een domme vraag hoor, maar satellieten die schiet je de ruimte in en die zijn er een tijd. Niels: Ik weet niet hoe lang. Niels: Het is niet dat je hem even naar beneden haalt en de modellen gaat bijtrainen. Niels: Dus dat zal een verbinding tussen zijn. Niels: Hoe makkelijk is dat om nieuwe modellen of nieuwe versies waarvoor geleerd is weer terug de ruimte in te brengen? David: Ja, zeker geen domme vraag. David: Hoe langs in de ruimte hangen verschilt een beetje. David: Die van ons meest van onze satellieten vliegen in low earth orbit. David: Ook dan verschilt het nog, hoe lang ze er hangen, maar die van ons kan je uitgaan van drie tot vijf jaar de meeste. David: En dan ruimen ze ook zichzelf op dan vallen ze terug in de atmosfeer en dan verbranden ze. David: Dus dat draagt dan niet bij aan het ruimtepuinprobleem. David: En hoe moeilijk het is om modellen te updaten, dat is wel een challenge. David: Wat ik eerder zei, je moet contact hebben met zo'n grondstation. David: En vaak is de upload veel beperker dan de download. David: Dus je kan veel meer data naar beneden sturen dan omhoog. David: Dat heeft een aantal redenen, maar dat betekent dat we relatief weinig data omhoog kunnen sturen. David: Nou, gelukkig zijn onze modellen dus relatief klein, dat helpt, maar we hebben ook technologie ontwikkeld waarbij we wat we kunnen uploaden, dus specifiek de update die we naar boven willen sturen. David: Heel veel kleiner kunnen maken dan alleen het hele model. David: Dus we hebben een technologie ontwikkeld, waarbij we alleen de stukken uit het model omhoog sturen die nieuw zijn. David: Dus we hebben daar een probleem waarvoor we oplossingen hebben. Niels: Ook al mooi toch? Niels: Dat je dat soort problemen mag tackelen. David: Ja, het is super exciting. David: Het zijn allemaal veel van die problemen is gewoon nog nooit iemand tegengekomen, omdat het nog heel nieuw is, deze technologie. David: Dus dat is super leuk om daaraan te werken. David: Dat zorgt er ook voor dat we best geregeld en een patent kunnen aanvragen op de dingen die we doen. David: Dus dat is heel leuk. Niels: Dat is wel gaaf inderdaad. Niels: Hoe groot is het team, wat je hier in Delft hebt? David: In Delft zijn we met z'n tien, dus relatief nog klein, maar wel hard aan het groeien. David: Want we zijn in Delft nu drie jaar bezig. David: Dus het gaat heel hard. David: In ieder geval voor mijn gevoel gaat het heel hard. David: Het bedrijf zelf is ongeveer met 60 man. David: Ons hoofdkantoor staat in Dublin in Ierland. David: We' kan kantoor in Spanje en ook nog een kantoor in Tunesië. David: En in de ruimte en nog wat collega's over de hele wereld verspreid. Joop: We hebben nog heel veel vragen voor je gaan we straks mee verder. Joop: Maar het leuke, we hebben echt vers van de pers. Joop: We hadden alles wat stellingen gebruikt voor het kaartspel dat er aan zat te komen, we hebben samen met ETZ, het Elisbert twee steden ziekenhuis. Joop: Hebben wij een kaartspel ontwikkeld. Joop: Zij zijn voorlopen in de zorg op het gebied van AI. Joop: En om perspectieven met elkaar te delen is er een kaartspel gemaakt en we willen jou ook zo'n stelling voorleggen. Unknown: Je den bepalen verhalen. Niels: Het zou lekker hoorde kaart voelen, nog heel nieuws te schudden, maar het is gelukt. Niels: We hebben ook weer per thema, net zoals het vorige kaartspel en het thema luid gebruik en toepassingen en de stelling is als volgt ambient ambient. Niels: Ik weet niet hoe het in Nederland uitspreken. Joop: Het is eigenlijk de AI meeluisteren, ambient listening. Niels: Ambient listening, inderdaad, is de game changer voor lastenverlichting in de zorg. Niels: Wat ambient listening is, in de gesprekken die je misschien met artsen of in het ziekenhuis hebt dat er inderdaad AI meeluistert, dat eventueel kan notuleren en andere toepassingen met hetgene wat besproken is, kan toepassen. David: Ten eerste voel ik me wel enigszins uit mijn comfortzone, mijn expertise domein. David: Ik denk dat AI ook in de zorg enorme toepassingen gaat hebben, dat denk ik wel. David: Of ik nou zelf helemaal heel comfortabel mee zou zijn, dat weet ik niet zo goed. Joop: Dat is natuurlijk ook een goede vraag. Joop: Wou je tegenhouden als dat meeluisterd? David: Ja, dat hangt er denk ik vanaf hoe dat zou ingericht zou zijn. David: Of het bijvoorbeeld op de edge geprocessed wordt, of daar lokaal, of al die data lokaal verwerkt wordt, of dat die toch ergens een datacentrum ingaat van een partij die we niet misschien per se moeten vertrouwen. David: Dat zijn nogal wel. David: Er zijn een hoop brandvoorwaarden voordat ik het helemaal eens ben met deze stelling, denk ik. Joop: Dat lijkt me heel mooi hand hoor. Joop: Waar ik benieuwd naar ben, is je komt uit de ruimtevaart. Joop: Nu met AI, wat waren de misschien je eerste veranderingen dat je dacht van, maar dat had ik niet verwacht bij de AI. Joop: Wat eigenlijk beter gaat dan verwacht. Joop: En wat gaat eigenlijk moeizamer dan verwacht. David: En dan bedoel je in de toepassing van AI in de ruimtevaart. Joop: Of in het algemeen. David: Toen wij met het team in Nederland begonnen naar überhaupt in je boter begon, hebben we natuurlijk niet de LLM's aanzien komen. David: Dus het verandert weer, denk ik ook deze hele wereld. David: De AI voor de ruimtevaart, is daarmee denk ik ook weer op zijn kop gezet. David: Voornamelijk denk ik voor nu aan de developmentkant. David: Dus het is gewoon veel makkelijker om heel snel heel veel code te schrijven. David: Om documentatie op orde te hebben dat soort dingen. David: Dus daarmee gaat denk ik de ontwikkeling weer sneller. David: Hoewel we dus het vliegen van LLM's in de ruimte en deze vorm van AI is denk ik nog wel duurt nog lang voordat dat operationeel gaat zijn. David: Wat denk ik heel veel beter gaat dan ik had durven dromen, is voor ons wat voor ons een groot probleem is geweest, is het trainen van AI, dat moet je natuurlijk heel veel data voor hebben. David: En data die representatief is van de data die het uiteindelijk te zien krijgt als je als je het operationeel maakt. David: En dat is nogal moeilijk als je als je AI moet ontwikkelen voor satellieten die nog niet vliegen, die data bestaat niet. David: En dat is iets wat waar we echt waar we wel de eerste twee jaar echt hard over hebben nagedacht waar kunnen we dat nou oplossen. David: En dat is ons eigenlijk heel erg goed gelukt. David: Dus we hebben technieken ontwikkeld waarmee we data kunnen simuleren, die eigenlijk nog niet bestaat, die van satellieten die nog gelanceerd moeten worden. David: Door gewoon heel goed te kijken naar hoe zien die systemen eruit, hoe werken die. David: Wat voor trillingen verwachten we daar. David: Wat voor licht golflengtes, vangt die camera op dat soort dingen. David: En daar hebben we eigenlijk dat hebben we heel goed geanalyseerd en vervolgens daar modellen op getraind. David: En die modellen zijn toen de eerste keer dat we dat deden, zijn die fysiek gelanceerd met een raket. David: Die hadden we op de harde schijf van de satelliet geladen satellietes in de raket gegaan en is fysiek gelanceerd. David: Natuurlijk al een heel gek idee. David: Je wil eigenlijk normaal upload je software in dit geval gaat het fysiek op een raket. David: En toen zetten we dat voor de eerste keer aan. David: En toen werkte het eigenlijk de eerste foto die we terugkregen, was eigenlijk een perfect resultaat. David: En dat was dat was echt verbazingwekkend. David: Uiteindelijk, ik ben verantwoordelijk geweest voor een gedeelte van het ontwerp van dat systeem. David: En een aantal van onze collega's die waren daar minder bij betrokken. David: En die zeiden allemaal, ja, natuurlijk gaat het werken. David: En eigenlijk zelf dacht ik van ja, ik denk wel dat het gaat werken, maar ik dacht niet dat het ons zo goed zou lukken om die data, om die trainingsdata zo goed te maken. David: Dus dat werkte heel goed en uiteindelijk natuurlijk lang niet alle resultaten zijn perfect. David: Dat is altijd zo. David: Dus we zijn het nu nog veel verder doorontwikkeld. Joop: Ja, maar ze met synthetische data beginnen, heeft je gewoon echt die kickstart gegeven. Joop: En dat is een hele goede voorbereiding hoor ik. David: Ja, ja, zeker. David: Het wordt steeds korter, ook die tijdlijnen, maar vroeger duurde het tien jaar lang om een satelliet te ontwikkelen voordat hij de ruimte in ging. David: Inmiddels is dat één jaar en het we gaan al heel snel nu naar een half jaar toe. David: Dus het moet steeds sneller zijn. David: Maar inderdaad, die ene eerste satelliet waarin we dit deden, die daar hadden we wel na een ruim jaar voor om dit uit te ontwikkelen. David: Maar dus ook dat model. Joop: Dus je had ook heel veel voorbereiding in van hoe gaan we dat model trainen, dat je daar heel goed over na hebben gedacht. Joop: En wij komen natuurlijk ook heel veel bij bedrijven. Joop: En dan wordt het een beetje omgedraaid. Joop: We hebben deze data. Joop: En dan willen ze de aan de slag. Joop: Maar wat jij gedaan hebt, is het omgedraaid, gezegd van ja, maar wat wil ik bereiken, welke data heb ik daarbij nodig. Joop: En hoe kom ik aan die data? Joop: En ik denk dat die voorbereiding dat hij zich altijd terugbetaalt. David: Ja, dat denk ik ook. David: En in dit geval is het ook noodgedwongen, natuurlijk. David: De data is er niet. David: Dus we moeten dat. Joop: Van een nood een deugd gemaakt. David: Precies, precies. David: Maar inderdaad, ik denk dat dat en ook dit is weer zo'n technologie als je dan naar de industrie gaat. David: In de industrie zijn er allerlei processen waarvan ze nu weten, die lopen, bijvoorbeeld al, of die lopen nog niet. David: Maar als ze lopen, dan is er misschien geen data of niet de data die je nodig hebt om zo'n AI te maken die daar goed mee overweg kan. David: Dus ook dit heeft er allerlei toepassingen ook op aarde, deze technologie. Niels: Even daarop door filosoferend of in ieder geval bedenkend inderdaad van, je was van tevoren bezig om de data synthetisch te maken omdat dit nog niet was. Niels: Heb je daar nieuwe datapunten die je niet had voorzien toch meegenomen in de hardware, omdat je die nou eenmaal nodig had op basis van je modellen. David: En wat bedoel je met meenemen in de hardware? Niels: Je hebt een bepaalde datapunten nodig om je machine learning model mee te kunnen trainen. Niels: Dat was nu de foto, synthetische foto's inderdaad. Niels: En misschien is dat met de foto dat je niet meer sensoren kan doen. Niels: Maar bepaalde datapunten zien we vaak in de praktijk. Niels: Dat als mensen voorspellingen willen hebben dat ze die datapunten niet eens binnen de organisatie vastleggen, was dat ook bij de satellieten heb je daar nog nieuwe dingen aan toegevoegd, omdat je daar tegenaan was gelopen bij het model creëren. David: Ja, zeker. David: Bijvoorbeeld om schepen te herkennen in onze data. David: Om die synthetische data te maken, dan kijken we vooral naar van oké, wat voor satellietbeelden hebben we wel en hoe verschillen die van de satellietbeelden die we gaan krijgen van deze specifieke satelliet. David: En om die te labelen, je kan natuurlijk daar mensen voor inhuren, maar dat is nogal kostbaar en langdurig proces. David: Doen we ook wel een beetje hoor, dat is natuurlijk altijd een beetje nodig. David: Maar een van de dingen die je daar kan doen, is andere bijvoorbeeld radar of die AIS-bakens toevoegen, zodat je als je die over elkaar heen legt, eigenlijk in je ene databron ziet waar de schepen waren in je andere databron. Niels: En op die manier je modellen te trainen, zodat je daar gaat combineren. Niels: Datapunten buiten je eigen data en zelfs gaan combineren om je voorspanning goed te maken. Niels: Exact. Niels: Ik heb nog een vraag te maken. Joop: Die pakken nog naar aanleiding van de stelling. Niels: Dus ik wil hem even inderdaad een voorleg in. Niels: Da had je het over security, is het veilig en dat soort zaken, heb je daar ook binnen de ruimte, als je inderdaad defensie zit, ook nog mee te maken. Niels: Hoe hou je dat secure? Niels: Wie kan erbij? Niels: Hoe ga je ermee om? David: Ja, nee, zeker. David: Dat is een heel belangrijk onderwerp, ook voor ons. David: Uiteindelijk zijn de technieken om het allemaal veilig te houden, denk ik niet heel anders dan op aarde. David: Dus je moet denken aan dingen als encryptie, je data ook op bepaalde manieren versturen die veilig zijn door datakanalen waarvan je weet dat ze ook veilig zijn. David: Dus bijvoorbeeld je grondstation, we hebben niet onze eigen grondstations, die we huren die capaciteiten. David: En dat moet je dus doen met betrouwbare partners die ook bijvoorbeeld met die encryptie overweg kunnen. David: Wat we nu zien gebeuren steeds meer, is lasercommunicatie. David: En dat is kijk, radiocommunicatie is vaak nog te onderscheppen, met lasercommunicatie is dat echt al nagenoeg onmogelijk, want het is gewoon een laserstraal, dus dan moet je fysiek tussen die laserstraal gaan zitten om die ook mee te luisteren. David: Dus dat is iets wat je ziet opkomen. David: En voor de AI zelf. David: We hebben allerlei processen om bijvoorbeeld in de gaten te houden dat de antwoorden die we krijgen, dat die zijn zoals we verwachten, dat we die kunnen vertrouwen. David: En dat die voordat we daar operationeel beslissingen op maken, dat die ook echt dat die data klopt, en ook in heel veel gevallen een human in the loop, dat er een mens meekijkt, dat ze echt een belangrijke beslissing gemaakt worden. Joop: En je moet best wel heel wat puzzels oplossen. Joop: Waar haal je je inspiratie vandaan om op een andere manier naar dingen te kijken, omdat je ze nieuw het zijn nieuwe puzzels. David: En waar houd ik mijn inspiratie vandaan, ik denk uiteindelijk, kijk, ik werk met een heel breed team binnen ons bedrijf. David: We zijn heel internationaal, ook binnen mijn eigen team, is ook heel internationaal. David: We hebben zeven verschillende nationaliteiten op tien werknemers. David: Dat is ook internationaal. David: En ons gemiddelde leeftijd is ook onder de 30, dus het is echt een heel jong team. David: Dat vind ik altijd heel inspirerend om met zo'n brede groep mensen van over de hele wereld. David: En ook met allerlei verschillende leeftijden verschillende achtergronden daar aan te werken. David: We werken veel met ESA en ook met NASA en allerlei andere inspirerende instituten, maar daar hadden we ook natuurlijk superveel inspiratie van uit. David: Het is natuurlijk fantastisch om aan boord van onze eigen satellieten met NASA allerlei AI-experimenten te doen. David: En daardoor ook weer vaak liggen wij natuurlijk dingen van dat soort experts, maar liggen zij ook veel van ons. David: En dat is ook heel leuk om te zien. David: Dus ja, ik denk eigenlijk vooral dat het internationale aspect, de verschillende achtergronden met waarmee ik mag werken. David: En ja, ik heb dit altijd al willen doen. David: Ik vind het fantastisch. David: Ik ben vorig jaar naar een raketlancering geweest van mijn eigen satellieten. David: Ja, dat is fantastisch natuurlijk, is echt geweldig. David: Dus voor mij is het een jonge stroom die uitkomt en daar ben ik ook heel dankbaar voor. David: Ik ben in die zin genoeg geïnspireerd elke dag. Joop: En heeft iets van de beelden die jullie maken, heeft dat ergens effect gehad op je eigen persoonlijke leven. David: Mijn werk heeft heel veel effect gehad. Joop: Ja, maar neem maar echt de foto's van de functionaliteit. David: Ja, meer de filosofische kant bedoel je. Joop: Nee, nee, gewoon de beelden die jullie maken met de satellieten, heeft dat ergens zeg maar invloed gehad op je persoonlijke leven. David: Nou, ik denk niet direct, ik denk niet direct denk ik nog niet. David: Behalve dat we wat ik zeggen, we hebben een aantal toepassingen die ongetwijfeld indirect ook invloed hebben op mijn leven. David: Hopelijk op veel meer mensen wat we hebben over veiligheid en betere wetenschappelijke data en zo. David: Maar het is niet zo dat ik weet ik veel een andere bus heb genomen omdat ik iets van mijn satellieten zien. David: En verder stiekem heb ik natuurlijk wel een aantal hele mooie foto's thuis aan de muur hangen, die natuurlijk wel waar ik wel leuk vind om naar te kijken. David: Een van de dingen die we hebben gedaan is natuurlijk. David: Dus vorig jaar hebben we hebben een van onze eigen satellieten gelanceerd. David: En die wordt dan ook bestuurd vanuit mijn team in Delft. David: En meestal is die heel druk in gebruik, maar af en toe hebben we wat capaciteit over. David: En dan mogen we dus wat foto's maken die gewoon leuk zijn. David: Dus we hebben al foto's van al onze kantoren en ook de meeste huizen van onze collega's, die maken we dan een foto van vanuit de ruimte. Niels: Wat betekent besturen van de satelliet. David: Ik heb daar niet echt in beeld, maar zit er niet met een joystick moet ik dat voor net niet. David: Nee, ja, het is eigenlijk het is heel gek. David: Dus het is niet dat wij geen operatiekamer zoals je misschien in Apollo 13 of zo als je een van die film zoit gezien hebt met de Houston We have a Problem. David: Dat doen wij niet. David: We hebben daarvoor partners, die hebben dat wel. David: Er zijn wel dus echt mensen die serieus dag en nacht in zo'n ruimte zitten om die satellieten in de gaten te houden. David: Dat wordt al steeds minimaler, want ook daar is heel veel autonomie nu. David: En dat is niet allemaal AI, maar er zijn gewoon veel algoritmes die satellieten in de gaten houden. David: En dus inderdaad, even uitzetten als er iets mis is. David: En dan de volgende dag komt iemand op zijn werk die zegt, oh, er is iets mis, dan gaan ze het oplossen. David: Dus dat is, maar er is altijd wel iemand on-call. David: In mijn team is het veel meer de operationele kant van de AI. David: Dus wij hebben een interface op een computerscherm waarin wij kunnen zeggen van oké, we willen komende week om 10 over elf op dinsdag willen we van deze plek op aarde een foto met deze instellingen en daar willen we deze software op draaien. David: En vervolgens gebeurt dat, wij kunnen dan live in onze data zien terwijl dat gebeurt. David: En als die data dan terugkomt, kunnen we die verwerken aan analyseren. David: Dit is voor een heel groot gedeelte volledig geautomatiseerd. David: En dat moet ook als we heel snel willen reageren, moet het allemaal automatisch zijn. David: Maar een groot gedeelte daarvan, ook wij moeten dat in de gaten houden. David: Als het misgaat, moeten we ingrijpen een aantal experimenten zijn one-offs. David: En dan is het sowieso een zaak dat we het in de gaten houden. David: En dan moeten we er vaak ook wel live of bijna live bij zitten. David: Wat je voor je moet stellen, is meestal is dit een 9 tot 5 baan. David: Dat operationele wat wij doen, specifiek in Delft. David: En is het een datainterface waarbij we commando's omhoog sturen, data terugkrijgen en daar dan vervolgens wat mee doen. David: En soms is het echt blijven praten met de satelliet. David: En dan is op dat moment hangt het boven een grondstation, dus een satelliet draait om de aarde heen. David: Het is meestal maar iets van zeven minuten boven een grondstation, voordat het er weer voorbij de horizon is. David: En in die zeven minuten kunnen we met die satelliet praten. David: Dus alsof je in een server inlogt. David: Het is gewoon niet alle onze satellieten, maar de meestal draaien gewoon Linux. David: Dus dan ben je gewoon in een terminal met de satellieten aan het praten. David: En daar hebben we dan is het wel is het echt even heel goed plannen. David: Die zeven minuten moeten dan echt knallen zijn. David: En daarna duurt het weer een uur voordat je weer met je satelliet gaan beslissen. Niels: En zo plan je dan ook inderdaad de werkzaamheden die moeten gebeuren. Niels: En dat is dan inderdaad de besturing die je hebt mooi om zo'n kijkje te krijgen. Joop: Zeker geweldig dat je ons kijk hebben gegeven. Joop: Zowel wat jullie op aarde doen als in de ruimte heel erg inspirerend. Joop: Dankjewel voor dit gesprek. David: Graag gedaan. Joop: Leuk dat je weer luisterde naar deze aflevering. Joop: Zoals je hoorden, we hebben een nieuw kaartspel en die kan je gratis bestellen. Joop: Link staat in de show notes gewoon even adres ingeven en dan wordt hij naar je opgestuurd. Joop: Lijkt me een mooi om te doen, toch? Unknown: Zeker tot de volgende keer.