Voor bedrijven als Amazon, Google en Apple zijn slimme speakers vooral een manier om je aan hun ecosysteem te binden. Eén bedrijf pakt het anders aan en ontwikkelt een slimme assistent voor thuis die volledig opensource is: Mycroft. Met Mycroft AI bouw je zodoende je eigen slimme speaker.

Terwijl de reuzen zoals Google, Amazon en Apple hun slimme luidsprekers in elk huishouden proberen te slijten, timmert er een klein Amerikaans bedrijf aan hun heel eigen weg. Mycroft ontwikkelt een opensource, slimme assistent voor Linux en biedt die aan voor de Linux-desktop, voor de Raspberry Pi of voor zijn zelf ontwikkelde slimme luidspreker Mycroft Mark 1. Voor wie durft, is er ook de mogelijkheid om de broncode voor Android te compileren. Versies voor Windows en Mac zijn nog niet beschikbaar.

De software Mycroft AI is niet alleen opensource, hij is ook heel modulair. Zo gebruikt hij standaard de Mimic voor spraaksynthese. Maar wie Mimic liever inruilt voor bijvoorbeeld eSpeak, kan dat prima doen. Mycroft verplicht je dus niet om een specifiek ecosysteem te volgen, maar geeft je de vrijheid om met je slimme luidspreker te doen wat je wilt. De Free Software Foundation noemt Mycroft dan ook als een van de ‘high priority projects’ in de categorie intelligent personal assistants.

Succesvolle start-up

Mycroft is nog een jong bedrijf. Daardoor is Mycroft AI nog niet zo verfijnd afgewerkt als de slimme luidsprekers van de grotere concurrenten. Maar de ontwikkelingen gaan snel en het platform is open en uitbreidbaar, waardoor er een kleine maar actieve community omheen is ontstaan. Zelf nieuwe mogelijkheden aan Mycroft AI toevoegen, is ook relatief eenvoudig. Het is daarom een project om in de gaten te houden en ideaal voor de PCM-lezer die graag een slimme assistent in huis wil waar hij zelf nog wat over te zeggen heeft.

In februari 2017 ontving Mycroft een bedrag van 110.000 dollar en fulltime engineering support van de Jaguar Land Rover Tech Incubator. Dit is een programma van autobouwer Jaguar Land Rover om start-ups te ondersteunen om de toekomst van de auto-industrie vorm te geven. Het bedrijf heeft met zijn slimme assistent ook heel wat prijzen gewonnen. In oktober 2017 won het nog de Data & AI-prijs van Hello Tomorrow in Parijs.

Mycroft AI op Raspberry Pi 3 installeren

Wij gaan Mycroft AI op een Raspberry Pi 3 installeren. Oudere modellen van de Raspberry Pi zijn niet krachtig genoeg om de software te draaien. Mycroft noemt dit platform Picroft. Je hebt ook een goede luidspreker en usb-microfoon nodig. Op de wiki van Picroft staan wat suggesties voor hardware. Wij kozen voor de Jabra Speak 410 MS Speakerphone (ca. 85 euro). Niet goedkoop, maar het is een kwalitatieve luidspreker en microfoon ineen die je via usb aansluit.

Download het Picroft-image en schrijf het met een programma zoals Etcher naar een micro-sd-kaartje van minstens 8 GB. Dit image is gebaseerd op Raspbian 8 Jessie Lite. Steek het kaartje in je Pi, sluit de microfoon en luidspreker aan, en sluit voor deze eerste keer ook een usb-toetsenbord en hdmi-monitor aan. Sluit tot slot de voedingsadapter aan.

Picroft configureren

Nadat Picroft is opgestart, logt die automatisch de gebruiker pi in en start die Mycroft AI op. Sluit het programma af met de toetscombinatie Ctrl+C, voer het commando

uit en verander als eerste je wachtwoord (dat is standaard mycroft). Ga met de Tab-toets naar Finish en sluit raspi-config zo af.

Als je een usb-luidspreker hebt aangesloten, wordt die waarschijnlijk niet standaard door Mycroft AI opgepikt omdat de analoge audioaansluiting op de Pi zelf voorrang krijgt. Verifieer dan met de opdracht

het kaart- en apparaatnummer van je usb-luidspreker, bijvoorbeeld card 1 en device 0. Open dan het configuratiebestand van Mycroft AI met dit commando:

Als je kaartnummer 1 en apparaatnummer 0 is, vervang de volgende regel door die eronder:

Doe hetzelfde voor de regel die begint met

Sla je wijzigingen op met Ctrl+O en sluit nano af met Ctrl+X.

We gaan ervan uit dat je geen ethernetkabel aansluit, omdat je zo weinig mogelijk kabeltjes aan je Picroft wilt hebben hangen. Je moet dus wifi configureren. Dat doe je door aan het bestand wpa_supplicant.conf wat regels toe te voegen. Voer de volgende opdracht uit om het configuratiebestand te openen:

En voeg daaraan de volgende regels toe:

Vul in plaats van SSID en WACHTWOORD de gegevens van je eigen draadloos netwerk in. Reboot dan Picroft met het commando sudo reboot. Of sla de handmatige wifi-configuratie over en volg dan na de reboot de gesproken instructies van Mycroft AI om wifi in te stellen.

©PXimport

Pairen met Mycroft Home

Als zowel je audio als wifi correct zijn geconfigureerd, hoor je Mycroft AI na de reboot instructies geven om te koppelen (‘pairen’) met de website Mycroft Home. Het is ook mogelijk om Mycroft AI zonder de koppeling met Mycroft Home te draaien, maar de koppeling maakt alles wel iets gemakkelijker.

Bezoek dus Mycroft Home in je webbrowser en creëer een account. Zodra je bent ingelogd, klik je bovenaan op Devices en dan op Add device. Voer de registratiecode in die je Picroft heeft uitgesproken, kies een type apparaat (Picroft), geef je slimme assistent een naam en klik op Ok, let’s pair.

Als alles gelukt is, verwelkomt Picroft je en geeft hij enkele voorbeelden van wat je kunt vragen. Maar voor we verder gaan, klik je eerst in Mycroft Home bovenaan op Settings. Kijk na of alle instellingen (metrisch stelsel, tijdsformaat) juist staan. Als je een vrouwelijke stem wilt, kun je die hier ook instellen, maar dat is een optie waarvoor je moet betalen. Tot slot vind je hier ook de Advanced settings, maar daar blijven we voorlopig af.

Mycroft skills

Nu Mycroft AI draait, kun je hem opdrachten geven. Daarvoor zeg je eerst “Hey, Mycroft” of gewoon “Mycroft” en spreek je daarna je opdracht uit. Standaard komt Mycroft AI al met enkele interessante vaardigheden (skills genoemd). Stel maar eens de vraag “What time is it?”, “Tell me a joke” of “Who is Abraham Lincoln?”.

Je kunt altijd via ssh op je Picroft inloggen en daar opdrachten voor de configuratie invoeren, maar heel wat configuratie doe je eenvoudiger met je stem. Stel bijvoorbeeld het audiovolume in met “Raise volume”, “Lower volume” of “Mute volume”. En als je toch via ssh wilt inloggen voor een moeilijkere configuratie, vraag dan “What’s your IP address?” om te weten op welk adres je dient in te loggen.

De skills van Mycroft AI zijn niet beperkt tot de vorm vraag en antwoord. Je kunt je slimme assistent ook vragen om je aan iets te herinneren. Zeg hem bijvoorbeeld “Remind me about going to the supermarket in 10 minutes.” Dan herinnert Mycroft AI je na tien minuten hieraan. Mycroft AI heeft geen enkel probleem met meerdere herinneringen: met “List reminders” zegt Mycroft AI welke herinneringen je allemaal hebt ingesteld. Met “Create an alarm for five minutes” creëer je een alarm, bijvoorbeeld als kookwekker.

Commandline voor Mycroft AI

Als je Mycroft AI aan het testen bent, is de opdrachtregel-interface (commandline interface) mycroft-cli-client handig. Dit programma start een soort shell. Onderaan typ je opdrachten voor je assistent in, in plaats van ze uit te spreken. Handig om een nieuwe skill te testen, of als je er maar niet in slaagt om een skill te activeren en je je afvraagt of het ligt aan je uitspraak of aan een probleem met de skill zelf.

In het bovenste gedeelte van de interface krijg je debug-uitvoer te zien. Met PageUp en PageDown scrol je erdoor om foutmeldingen te bekijken. Het programma toont ook het geluidsniveau van de microfoon, wat handig is om te controleren of je stem voldoende sterk is. Onderstaande opdracht is overigens erg handig omdat je er alle skills mee herstart:

©PXimport

In een volgende workshop kijken we naar de opties om extra skills te installeren, en om ze zelf te programmeren. Op die manier breid je je eigen slimme speaker uit met tal van mogelijkheden!

De temperatuur van je koelkast is belangrijker dan je misschien denkt. Als je 'm goed instelt, blijft je eten niet alleen langer vers, maar voorkom je ook verspilling én nare luchtjes.

Wat is de beste temperatuur voor je koelkast?

De gouden standaard? 4 graden Celsius. Daarmee zit je voor de meeste etenswaren helemaal goed. Mocht jouw koelkast hoger of lager staan, dan weet je dus wat je te doen staat. Maar let op: die 4 graden geldt niet overal in je koelkast. Onderin is het meestal wat koeler, omdat koude lucht naar beneden zakt. In de deurvakken – waar je telkens warme lucht binnenlaat als je de deur opentrekt – is het juist wat warmer. Zeker als je koelkast goed vol zit, kunnen de verschillen flink oplopen.

Wil je het zeker weten? Plaats dan op verschillende plekken een simpele koelkastthermometer en check of alles binnen de perken blijft. Zit er meer dan 3 graden verschil tussen boven en onder, of tussen het midden en de deur? Dan is het tijd om de boel wat slimmer in te richten.

Wist je dat sommige voedingsmiddelen gevoeliger voor temperatuurschommelingen zijn? Vlees, vis, zuivel en eieren moeten strikt op 4 °C worden bewaard. Groenten en fruit kunnen daarentegen ook bij lagere temperaturen goed gedijen in de groentelade.

©Olga Yastremska and Leonid Yastremskiy

Wat is de juiste vriezertemperatuur?

Voor je vriezer geldt één ijskoude regel: -18 graden Celsius is de sweet spot. Op die temperatuur liggen bacteriën en schimmels stil als een standbeeld, en blijft je eten dus veilig bewaard – soms wel maandenlang. Veel vriezers kunnen nóg kouder, maar dat heeft weinig zin. Het kost alleen extra stroom en levert geen voordelen op.

Check ook eens het sterrensysteem op je vriezer: hoe meer sterren, hoe beter hij in staat is om je eten langdurig in topconditie te houden. En twijfel je of jouw diepvries koud genoeg is? Met een vriezerthermometer weet je het zo. Want hoe warmer het wordt, hoe sneller je eten achteruitgaat, en dat is zonde van je boodschappen én je energie.

©Hedgehog94

Hoe stel je de temperatuur in?

Hoe je de temperatuur precies instelt, hangt af van het soort koelkast of vriezer dat je hebt. Heb je een klassiek model met een draaiknop? Dan doe je het een beetje op gevoel. Voor je koelkast zit je meestal goed op stand 3 of 4, voor de vriezer op stand 5. Een losse thermometer is dan geen overbodige luxe om te controleren of je echt rond de 4 °C (koelkast) en -18 °C (vriezer) zit.

Nieuwere apparaten maken het je makkelijker: met een digitaal display stel je de temperatuur tot op de graad nauwkeurig in. En met een slimme koelkast kun je zelfs vanaf je vakantieadres even de boel bijstellen via een app. Ideaal als je vergeten bent dat restje stoofpot erin te zetten voordat je wegging.

Een paar praktische tips: zet je koelkast niet pal naast het fornuis of een radiator – dat maakt 'm onnodig lui. Laat warme gerechten eerst even afkoelen voordat je ze in de koelkast zet, anders raakt de temperatuur van de hele inhoud uit balans. En check af en toe of de deur nog goed sluit. Versleten rubbers laten koude lucht ontsnappen en dan is je energiezuinige instelling voor niks geweest.

Ook interessant: Koelkastproblemen? Zo los je ze op!

©WEBSERVIS

Slim koelen, minder stroom verbruiken

Je koelkast en vriezer staan dag en nacht aan, dus alle kleine beetjes energiebesparing tellen. Begin bij de basis: kies bij de aanschaf voor een energiezuinig model, bij voorkeur eentje met label A. Die zijn flink zuiniger dan oudere of minder efficiënte modellen, en dat merk je uiteindelijk op je energierekening.

Ook de details maken verschil. Controleer minstens één keer per jaar de deurrubbers. Sluiten die niet meer goed aan? Dan ontsnapt er koude lucht en moet je apparaat overuren draaien om alles koel te houden. Houd de deuren sowieso zo veel mogelijk dicht; hoe korter je 'm opent, hoe minder warmte erin komt.

Nog een gouden tip: laat je koelkast en vriezer ademen. Zorg voor genoeg ruimte rondom, vooral aan de achterkant, zodat de warmte netjes kan worden afgevoerd. Zit de boel vol stof? Maak dan even de condensor schoon. En vergeet je vriezer niet af en toe te ontdooien. IJs op de wanden klinkt koud, maar werkt juist als een isolerend jasje, en dat kost extra stroom.

Dagelijks hoor en lees je over artificiële intelligentie (AI). Daarbij worden vaak termen als neuraal netwerk en deep learning gebruikt. In dit artikel vertellen je hier meer over en gaan we ook zelf met AI aan de slag. We doen dit via TensorFlow Playground en Google Teachable Machine.

Het begrip artificiële intelligentie verwijst naar de mogelijkheid om zelfstandig kennis op te nemen, problemen op te lossen en beslissingen te nemen, net zoals een mens. Het woord ‘artificieel’ duidt erop dat deze vorm van intelligentie door mensen is ontworpen en door computers of machines wordt uitgevoerd en dus niet door een biologisch brein.

Veel AI-toepassingen, zoals beeld- en spraakherkenning en taalverwerking, maken hierbij gebruik van zogenoemde neurale netwerken. Deze zijn namelijk uitstekend geschikt voor het herkennen van complexe patronen in grote hoeveelheden ongestructureerde data.

Zo’n digitaal neuraal netwerk (DNN) is gebaseerd op de werking en structuur van het menselijke brein, maar het blijft niet meer dan een abstracte vereenvoudiging. Het menselijke brein is tenslotte (vooralsnog) aanzienlijk complexer, flexibeler en vooral ook energiezuiniger met een maximaal verbruik van circa 20 watt. Ons brein is bovendien superieur in creativiteit, contextueel begrip en emotionele verwerking. 

Digitaal neuraal netwerk

Een digitaal neuraal netwerk (DNN) werkt net als het biologisch brein met neuronen (zie bovenstaand tekstkader). Alleen in een DNN gaat het hierbij om wiskundige rekeneenheden die informatie verwerken. Elk neuron ontvangt invoer, vermenigvuldigt deze met een gewicht om de relevantie te bepalen en telt daar een compensatiewaarde, de zogeheten bias, bij op. Samen vormen deze gewichten en biases de ‘parameters’. GPT-4 bevat er naar schatting 1,7 biljoen.

De informatie stroomt door een of meer verborgen lagen tussen de invoer- en uitvoerlaag. Elke verborgen laag verwerkt de gegevens verder, waardoor complexere patronen worden herkend. Hiervoor gebruikt elk neuron een zogeheten activatiefunctie, die bepaalt of en in welke mate de uitvoer wordt doorgegeven. Zonder activatiefuncties zou het netwerk alleen eenvoudige wiskundige verbanden leren, zoals rechte lijnen, terwijl het nu ook met complexe, gebogen of gelaagde patronen overweg kan.

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

Mensen sturen het DNN indirect aan door het bepalen van het aantal lagen, het aantal neuronen per laag en het type activatiefunctie. Verder kiezen ze hoe het netwerk moet leren, bijvoorbeeld door te bepalen hoeveel data het ziet en hoe complex de gegevens zijn, hoe vaak het leert en hoe groot de aanpassingen mogen zijn. Tijdens deze training worden de parameters automatisch aangepast door het netwerk om optimaal patronen te herkennen en voorspellingen te doen.

Vereenvoudigd komt het hierop neer: nadat het netwerk een voorspelling heeft gedaan, wordt berekend hoe ver deze afwijkt van de juiste waarde, waartoe het netwerk tijdens de training toegang heeft. Deze afwijking wordt vervolgens teruggestuurd door het netwerk, van de uitvoer- naar de invoerlaag. Onderweg berekent het netwerk hoeveel elke verbinding (gewicht) en extra waarde (bias) heeft bijgedragen aan de fout. Daarop past het netwerk de parameters aan om de fout kleiner te maken. Dit proces herhaalt zich vele malen, zodat het netwerk steeds accurater wordt. Dit principe wordt ‘backpropagation’ genoemd (letterlijk: achterwaartse terugkoppeling) en maakt dat het netwerk grotendeels zelflerend is.

©Vallabh soni - stock.adobe.com

Backpropagation: het netwerk stuurt zelf bij op basis van de vastgestelde afwijking.

TensorFlow Playground

Spelen met werking DNN

Het wordt interessanter wanneer je zelf experimenteert met de principes en werking van een DNN. Ga naar https://playground.tensorflow.org. Hier herken je de lagen met neuronen: een invoerlaag, twee verborgen lagen en een uitvoerlaag. Bij DATA is al een specifieke dataset geselecteerd. Zodra je op Run (het pijltje) klikt, probeert het netwerk het patroon in de gekozen dataset te herkennen. Het resultaat verschijnt onder Output.

Hoe langer je het proces laat lopen, hoe hoger het aantal trainingscycli (hier epochs genoemd) en hoe accurater de ruimte-indeling of dataclassificatie in de output: blauwe achtergrond voor blauwe punten en oranje achtergrond voor oranje punten. Omdat het standaard om een eenvoudig datapatroon gaat, zal de Training loss waarschijnlijk 0.000 zijn. Dit betekent dat het netwerk het patroon vrijwel meteen correct herkent op basis van de ingestelde parameters, zodat er nauwelijks of geen backpropagation nodig is.

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

Je kunt het netwerk flink uitdagen door enkele instellingen aan te passen. We geven je enkele mogelijkheden die zeker leerzaam kunnen zijn. Activeer in de invoerlaag bijvoorbeeld alleen de bovenste eigenschap X1. Het netwerk classificeert dan uitsluitend op basis van de horizontale posities van de punten. Voor de derde dataset (linksonder) kan dit voldoende zijn, maar voor andere niet. Probeer het gerust zelf uit. Je zult ook merken dat hoe meer features je inschakelt, hoe meer informatie het netwerk gebruikt en hoe beter het complexe patronen kan herkennen.

Verhoog eens Noise (ruis) met de schuifknop om het leerproces te bemoeilijken. De datapunten worden hierdoor minder gestructureerd, wat je meteen terugziet in de Output. Verminder nu eens het aantal neuronen (via de minknop boven elke laag) om het netwerk minder complexe beslissingen te laten nemen. Minder verborgen lagen verlaagt eveneens de capaciteit om diepere datapatronen te leren.

Nog steeds te makkelijk? Verlaag dan de Learning rate naar bijvoorbeeld 0.0001. Een lagere leerratio betekent tenslotte kleinere stappen bij het aanpassen van de gewichten (wat zich hier visueel vertaalt als minder snel aangepaste lijndiktes tussen de neuronen), waardoor het netwerk langzamer leert.

Experimenteer gerust verder met andere, ook meer geavanceerde instellingen om het netwerk – en jezelf – uit te dagen.

Met deze instellingen wordt de training van het neurale netwerk nagenoeg onmogelijk.

Deep learning

Een DNN is een van de meest effectieve methoden of algoritmen binnen machine learning (ML), waarbij computers leren van data zonder ze expliciet te moeten programmeren. Het is vooral geschikt voor complexe taken zoals beeldherkenning, spraakherkenning en taalverwerking.

Eenvoudige ML-modellen hebben meestal een of enkele verborgen lagen. Bij een complexere architectuur met meerdere verborgen lagen, die in staat is complexere patronen en relaties te herkennen, spreekt men van deep learning (DL). Deep learning is daarmee een subonderdeel van machine learning, al is het onderscheid niet altijd scherp te maken.

Bij DL gebruikt het neurale netwerk logischerwijze meer parameters, wat meteen ook een grotere hoeveelheid data vereist om het effectief te kunnen trainen. Meer data en parameters vereisen uiteraard ook meer rekenkracht, waarvoor vaak talrijke gpu’s (Graphics Processing Units) of gespecialiseerde processors als Googles TPU’s (Tensor Processing Units) nodig zijn.

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

Het zal je nauwelijks verbazen dat je, behalve geavanceerde kennis, frameworks als TensorFlow of PyTorch nodig hebt om een DL-model te ontwikkelen. Wil je hier desondanks toch mee experimenteren, dan biedt Googles Teachable Machine een uitstekende omgeving. Dit project heeft namelijk een interface waarmee je zonder technische expertise toch een AI-model kunt trainen.

Het platform is gebaseerd op DL-technieken en gebruikt neurale netwerken om patronen en kenmerken in diverse datasets te herkennen. Het werkt met voorgetrainde modellen, maar je kunt ook eigen gegevens toevoegen om een aangepast model te trainen. Na training kun je het model exporteren in verschillende formaten en inzetten in een web-app, mobiele app of op toestellen als Raspberry Pi, Arduino of IoT-apparaten.

Via deze GitHub-pagina vind je talrijke leuke projecten met Teachable Machine (van Bananameter tot Snake Game), evenals tutorials. Maar laten we nu vooral zelf aan de slag gaan met een bescheiden project.

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

Surf naar https://teachablemachine.withgoogle.com. Hier leer je een computer trainen om je eigen afbeeldingen, geluiden en houdingen te herkennen. Klik op Aan de slag om een nieuw project te starten en kies uit drie modelopties: Projectafbeelding, Audioproject of Project met houdingen.

Wij nemen het eerste model als voorbeeld. Dit opent een venster waarin je kunt kiezen tussen een Model voor standaard afbeelding (kleur, 224 × 224 pixels) of een Model voor ingesloten afbeelding (grijswaarden, 96 × 96 pixels). Dit laatste, een embedded model, is geschikt voor microcontrollers. Wij kiezen hier voor het wat grotere standaardmodel.

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

Je komt nu terecht op een webpagina waar je eerst je dataset moet aanmaken. In dit geval bestaat deze uit afbeeldingen. Je deelt deze op in twee of meer categorieën, die je ook labelt. Teachable Machine heeft standaard twee categorieën (klassen), maar via +Een klasse toevoegen kun je eenvoudig meer klassen toevoegen.

Het aantal klassen dat je nodig hebt, hangt af van je project. Voor het onderscheiden van bijvoorbeeld QR-codes en zebrapatronen volstaan twee klassen (QR en Zebra). Wil je echter overrijpe, rijpe en rauwe bananen classificeren, dan heb je er minstens drie nodig. Zorg eerst dat het juiste aantal klassen beschikbaar is. Via de knop met drie stippen verwijder je desnoods overtollige klassen. Klik bij elke klasse op het potloodicoon en geef de categorie een zinvolle naam.

Daarna voeg je data toe aan elke klasse via de knop Uploaden of Webcam. Bij gebruik van de webcam moet je de pagina toegang geven tot de aangekoppelde camera. Door op Ingedrukt houden om op te nemen te klikken, stuur je continu snapshots naar Teachable Machine. De afbeeldingen verschijnen vervolgens in de betreffende klasse.

Vul je dataset met voldoende en gevarieerde afbeeldingen, via webcam en/of uploads.

Trainen en testen

Zodra je voldoende en gevarieerde data hebt toegevoegd, kun je het AI-model trainen. Klik op Model trainen om direct te starten of pas eerst enkele instellingen aan via het pijlknopje bij Geavanceerd. Hier kun je Tijdvakken, Batchgrootte en Leersnelheid aanpassen, vergelijkbaar met Epochs, Batch size en Learning rate in TensorFlow Playground. Klik op het vraagteken voor meer uitleg. Bij Geavanceerde opties kun je in een apart venster interessante statistieken over het trainingsproces bekijken. Na afloop verschijnt de melding Model getraind.

Klik rechts op Voorbeeld bekijken, zet Invoer op AAN en kies of je via Webcam of Bestand data wilt aanleveren. Wij kozen voor Webcam en testten met verschillende afbeeldingen van QR-codes en zebra’s. Bij Uitvoer toont Teachable Machine een percentage dat de zekerheid van de classificatie weergeeft.

Een QR-code op de rug van een zebra: daar heeft Teachable Machine niet van terug.

Export

Als alles goed werkt en je het model buiten de Teachable Machine-omgeving wilt gebruiken, klik je op Model exporteren. Kies voor Tensorflow.js, selecteer Downloaden en klik op Mijn model downloaden. Pak het gedownloade zip-bestand uit in een lege submap \my_model. Deze bevat een drietal bestanden, maar niet je trainingsdata. Dit komt doordat de neurale netwerkarchitectuur, geoptimaliseerde gewichten en modelconfiguratie kunnen volstaan voor nieuwe voorspellingen.

Ga vervolgens naar het tabblad Javascript, klik op Kopiëren en plak de code in een teksteditor, zoals Kladblok of Notepad++. Sla dit op als een html-bestand in de map net boven de submap \my_model.

Om lokaal te kunnen testen zonder browserfoutmeldingen zet je eerst een eenvoudige webserver op. Wij gebruikten de gratis Abyss Web Server (voor Windows, macOS en Linux). Plaats het html-bestand samen met de submap \my_model in de standaardmap C:\Abyss Web Server\htdocs. Dubbelklik erop om het in je browser te starten. Als het goed is, kun je nu meteen je AI-model testen. Succes.

Je kunt het model bijvoorbeeld testen via een lokale webserver.