Meer en meer apparaten gebruiken gespecialiseerde chips voor kunstmatige intelligentie. Zo heeft de Google Pixel 6 een AI-chip en is de iPhone al jaren voorzien van een Neural Engine. Wat is er zo speciaal aan deze chips en welke taken kunnen ze versnellen?

Standaardprocessors zijn ontworpen om zo snel mogelijk instructies na elkaar uit te voeren. Die race naar steeds snellere kloksnelheden heeft al een tijdje moeten plaatsmaken voor parallellisatie: hierbij voeren meerdere processorkernen op hetzelfde moment instructies uit. Maar de meeste software maakt daarvan geen efficiënt gebruik. Je tekstverwerker haalt niet zoveel voordeel uit acht gelijktijdig werkende processorkernen.

Deep learning

Maar er zijn heel wat gespecialiseerde toepassingen die wel profiteren van verregaande parallellisatie. Vooral in AI (kunstmatige intelligentie) en dan in het bijzonder deep learning, een vorm van neurale netwerken. Deze algoritmen profiteren ervan om dezelfde instructies op grote hoeveelheden verschillende data tegelijk uit te voeren. Dat vereist een heel ander soort processor.

Neurale netwerken bootsen de werking van de hersenen na, die een biologisch neuraal netwerk vormen: een kluwen van ontzettend veel verbindingen tussen neuronen (hersencellen). Een kunstmatig neuraal netwerk bestaat meestal uit meerdere lagen: een invoerlaag van neuronen die de invoer van een probleem voorstellen (bijvoorbeeld een foto), een uitvoerlaag van neuronen die de oplossing van het probleem voorstellen (bijvoorbeeld de naam van de persoon op de foto), en een of meer tussenliggende lagen die berekeningen uitvoeren. Bij een groot aantal lagen tussen en uitvoer spreken we van deep learning.

©PXimport

Tensors

De data in deep learning worden opgeslagen in de vorm van tensors. Een tensor is een veralgemening van een vector of matrix naar meerdere dimensies. We kunnen een tensor beschrijven aan de hand van drie primaire eigenschappen: de rang, de vorm en het datatype. De rang van een tensor is het aantal assen. Zo is de rang van een matrix 2, van een vector 1 en van een getal 0.

De vorm van een tensor is het aantal elementen volgens elke as van de tensor. Stel dat je een tensor van rang 2 aanmaakt met op de eerste rij de getallen 1 en 2, op de tweede rij de getallen 3 en 4, en op de derde rij de getallen 5 en 6. Dan is de vorm van deze tensor de vector (en dus ook een tensor, namelijk van rang 1) [3, 2]. De tensor heeft namelijk drie rijen van 2 elementen.

Het datatype van een tensor beschrijft welke getallen de tensor bevat. Dat kan bijvoorbeeld float32 zijn (kommagetallen van 32 bit), of int8 (gehele getallen van 8 bit).

©PXimport

Machine learning met tensors

Voor elke taak waarvoor je een neuraal netwerk wilt trainen, moet je dus de data omzetten in tensors. Een afbeelding waarin je objecten wilt herkennen, zet je dan om in een tensor van rang 3: de vorm is dan [hoogte, breedte, kanalen], waarbij kanalen voor de kleurkanalen zoals rood, groen en blauw staat.

Vaak verwerken algoritmen in machine learning maar een deel van de data tegelijk. In ons voorbeeld van objectherkenning worden dan meerdere afbeeldingen in een batch onderverdeeld. We werken dan met een tensor van rang 4 met als vorm [samples, hoogte, breedte, kanalen]: de eerste as bevat het aantal samples in een batch.

Deep learning met GPU’s

Toen deep learning rond 2010 na jarenlange ontwikkeling eindelijk doorbrak, was dat vooral door de opkomst van snelle GPU’s (graphical processing units). Onderzoekers ontdekten dat de chips die in grafische kaarten zitten om sneller beelden te renderen, ook uitstekend uitgerust waren voor deep learning, in het bijzonder bij volledig verbonden neurale netwerken.

Computerwetenschapper Andrew Ng bepaalde dat deep learning-systemen met een factor 100 versneld konden worden door gebruik van GPU’s. Niet langer had men weken nodig om algoritmen voor handschriftherkenning of objectdetectie te trainen, maar slechts dagen.

Een GPU bestaat dan ook gemakkelijk uit duizenden processorkernen. Bovendien maakt een GPU gebruik van het SIMD-paradigma (zie kader ‘SIMD’): dezelfde bewerking wordt op duizenden stukjes data tegelijk uitgevoerd. Dat is ideaal voor deep learning, wat een heleboel tensorbewerkingen nodig heeft op grote hoeveelheden data.

Grafische kaart voor AI

In het begin werden voor AI-taken gewoon grafische kaarten voor consumenten gebruikt. Ondertussen produceert Nvidia ook GPU’s, ontwikkelbordjes en volledige servers die specifiek zijn ontworpen voor deep learning. Dat alles doet het bedrijf onder de naam Jetson. De prijzen van de Jetson Developer Kits beginnen bij 75 euro.

De prestaties van deze GPU’s variëren van 472 gigaflops (472 miljard floating-point-bewerkingen per seconde) op de 128-core Nvidia Maxwell-GPU in de Jetson Nano tot 200 tops (200 biljoen bewerkingen per seconde) op de 2048-core Nvidia Ampere-GPU met 64 tensor-cores (te vergelijken met de tensor processing units van Google, zie verder) in de later dit jaar verwachte Jetson AGX Orin. Wat al deze GPU’s gemeen hebben, is dat ze met Nvidia’s toolkit CUDA (Compute Unified Device Architecture) te programmeren zijn.

©PXimport

SIMD

Computerwetenschapper Michael J. Flynn stelde in 1966 een invloedrijke classificatie op van computerarchitecturen volgens hun parallellisme. Deze werkt op basis van twee parameters: het aantal instructies dat tegelijk wordt uitgevoerd en het aantal datastromen dat tegelijk wordt verwerkt.

Een computer zonder parallellisme, zoals de pc vóór de komst van multicore-processors, valt onder single instruction, single data (SISD). Een GPU die dezelfde instructie op meerdere data tegelijk uitvoert, valt onder single instruction, multiple data (SIMD). Maar ook moderne processors ondersteunen gedeeltelijk SIMD-instructies, zoals Advanced Vector Extensions (AVX) op Intel- en AMD-processors, de Neon-extensie op ARM-processors en AltiVec op PowerPC.

Multiple instruction, single data is nogal ongewoon. De boordcomputer van de Space Shuttle gebruikt deze aanpak voor foutentolerantie. Multiple instruction, multiple data is de architectuur voor alle vormen van gedistribueerde systemen.

Overigens zijn moderne GPU’s geen perfecte implementatie van SIMD meer, maar eerder van single instruction, multiple threads (SIMT): je voert meerdere threads uit die elk SIMD toepassen.

Tensor processing unit

Hoewel GPU’s al een hele prestatiewinst bieden ten opzichte van CPU’s voor deep learning, kunnen de prestaties nog met zeker een factor 10 verbeteren door application-specific integrated circuits (ASIC) te gebruiken. Die chips hoeven immers geen rekening te houden met de GPU-architectuur en zijn speciaal ontworpen voor berekeningen met lagere precisie. Door berekeningen bij benadering uit te voeren, in plaats van exact tot op zoveel cijfers na de komma, gaan ze veel sneller. Die precisie is immers in veel toepassingen met neurale netwerken niet nodig.

Google ontwikkelde in 2015 zijn tensor processing unit (TPU), een ASIC voor machine learning. De TPU’s zijn ontworpen om met een laag verbruik zoveel mogelijk berekeningen uit te voeren met een lage precisie (doorgaans 8 bit). Specifiek voor convolutional neural networks zijn TPU’s heel geschikt.

TPU’s in de cloud

Het bedrijf zette de TPU’s eerst in zijn eigen datacenters in, en dat blijft het ook nu nog doen. Zo verwerken TPU’s foto’s van Google Photos, tekst van Google Street View en worden de chips ook gebruikt in het zoekalgoritme RankBrain. Google Translate, Google Assistant, Gmail, al deze diensten draaien op TPU’s.

Sinds 2018 biedt Google zijn TPU’s ook aan als onderdeel van het Google Cloud Platform. De dienst heet Cloud TPU. Zo heeft de tweede generatie van de Cloud TPU een snelheid van 45 teraflops. Daarvan worden vier chips op één module geplaatst, met een totale snelheid van 180 teraflops. Google assembleert 64 van die modules tot een ‘pod’ van 256 Cloud TPU-chips met een totale snelheid van 11,5 petaflops.

©PXimport

TPU’s lokaal

In 2019 kwam Google met een nieuwe productlijn TPU’s, de Edge TPU. In tegenstelling tot de Cloud TPU’s zijn deze bedoeld voor edge computing: berekeningen op lokale apparaten. De Edge TPU is in staat om vier biljoen bewerkingen per seconde uit te voeren met een vermogensverbruik van slechts 2 W.

Google biedt zijn Edge TPU-producten aan onder de merknaam Coral. Tot de beschikbare producten behoren ontwikkelbordjes van allerlei afmetingen, M.2-insteekkaartjes en de USB Accelerator die je eenvoudig via usb op je laptop of Raspberry Pi aansluit. De Edge TPU wordt ook aan andere fabrikanten gelicentieerd. Zo biedt Asus zijn ontwikkelbordje Tinker Edge T aan, evenals een PCIe-kaart waarin 8 of 16 Edge TPU-chips zijn geïntegreerd.

De Edge TPU programmeer je met TensorFlow Lite, een lichtgewicht framework voor deep learning. Aangezien de chip alleen 8bit-bewerkingen ondersteunt, moet het neurale netwerk getraind worden zodat het hiermee rekening houdt, of je kwantiseert een netwerk tot 8 bit.

Verder zijn de bewerkingen die de Edge TPU ondersteunt ook beperkt, waardoor de chip voornamelijk nuttig is voor inference, en niet voor het trainen van netwerken. Een voorbeeld van inference is het detecteren van objecten in foto’s. De training van het neurale netwerk dat je daarvoor gebruikt, moet op een ander platform gebeuren.

©PXimport

TPU in je broekzak

In 2019 bracht Google zijn telefoon Pixel 4 uit met een Neural Core. Deze chip was een aangepaste versie van de Edge TPU en hielp met het ontgrendelen via je gezicht, een snellere Google Assistant en een slimmere camera.

In de Pixel 5 verdween de Neural Core vreemd genoeg, maar in de Pixel 6 maakte de Edge TPU een comeback, deze keer ingebouwd in een nieuwe SoC, de Google Tensor. Deze bevat zowel een CPU als een GPU, TPU en nog andere versnellerhardware.

De TPU verbetert de automatische spraakherkenning van Google Assistant en helpt ook het automatische ondertitelingssysteem Live Caption zonder de batterij snel leeg te trekken. En met het neuraal netwerk HDRnet verbetert de TPU beelden met een breed bereik aan helderheden. Door de TPU voor deze taken te gebruiken, hoeft de Pixel 6 minder vaak verbinding te leggen met de Cloud TPU’s van Google zelf. Dat komt de batterijduur ten goede.

Telefoons met AI

Google is niet de enige die gespecialiseerde AI-chips in zijn telefoons steekt. In 2018 introduceerde Samsung zijn Exynos 9820 met een neural processing unit (NPU). De AI-versnellerchip zit onder andere in de Samsung Galaxy S10.

Ook Qualcomm heeft in zijn recente Snapdragon-SoC’s een zogeheten AI Engine ingebouwd. De module die MediaTek in zijn SoC’s heeft ingebouwd, heet een artificial intelligence processing unit (APU). AI is tegenwoordig al zo ingeburgerd in telefoons dat elke serieuze SoC-fabrikant dit inbouwt.

©PXimport

Apple Neural Engine

Ook Apple heeft AI-versnellerhardware. Die dook voor het eerst op in de A11 Bionic-SoC die Apple ontwierp voor de iPhone 8, iPhone 8 Plus en iPhone X van september 2017. Apple noemt deze hardware een Neural Engine. In de A11 bestond die uit twee cores die tot 600 miljard bewerkingen per seconde konden uitvoeren. De versneller werd gebruikt voor Face ID, Animoji en andere taken waarbij intelligentie nodig is.

In de A12 (onder andere gebruikt in de iPhone XR) voerde Apple het aantal cores in de Neural Engine op naar acht, met een snelheid van 5 biljoen bewerkingen per seconde. Niet alleen was dat negen keer sneller, maar de nieuwe versie verbruikte ook tien keer minder vermogen. In de A13 (van de iPhone 11) bleef het aantal kernen op 8 steken. Het resultaat was 20% sneller (6 biljoen bewerkingen per seconde) en 15% zuiniger.

Sneller en ook voor derden

In de A14 (van de iPhone 12) werd het aantal cores van de Neural Engine verdubbeld tot 16, met een snelheid tot 11 biljoen bewerkingen per seconde. In de Apple M1, de eerste door Apple zelf ontworpen ARM-SoC voor Macs, zat zo goed als dezelfde versie van de Neural Engine. In de Apple A15 (van de iPhone 13) werd de snelheid van de 16-core Neural Engine opgevoerd tot 15,8 biljoen bewerkingen per seconde.

Oorspronkelijk was de kracht van de Neural Engine alleen beschikbaar voor apps van Apple zelf. Maar ondertussen kunnen ook third-party app-ontwikkelaars ervan gebruikmaken via het framework Core ML dat Apple aanbiedt voor machine learning. App-ontwikkelaars die zware analysetaken uitvoeren, doen er goed aan om dat via Core ML te doen. Door deze taken op de Neural Engine uit te voeren, werken ze immers energie-efficiënter en blijft de batterij van de iPhone langer meegaan.

©PXimport

Black box

Het is belangrijk om te weten dat een TPU, NPU, Neural Engine of hoe het ook heet altijd is geoptimaliseerd voor een specifiek type bewerkingen. Een neuraal netwerk bestaat altijd uit verschillende lagen en die kunnen van verschillende types zijn. Niet elke AI-versnellerchip ondersteunt alle types. Ook de ondersteunde datatypes hangen af van de hardware: alleen gehele getallen of ook kommagetallen, en 8, 16 of 32 bit?

De bijbehorende ontwikkeltools moeten je normaliter helpen om een neuraal netwerk aan te passen op de versnellerhardware. Maar de Neural Engine en Core ML van Apple zijn een black box. Apple geeft third-party ontwikkelaars geen richtlijnen over hoe ze hun modellen kunnen optimaliseren om in Core ML gebruik te maken van de Neural Engine. Er is zelfs geen documentatie over welke types lagen ondersteund worden door de Neural Engine. Matthijs Hollemans heeft door te experimenteren wel wat bevindingen over de Neural Engine kunnen publiceren.

TensorFlow-modellen 

Bij de Edge TPU ziet het plaatje er al heel wat inzichtelijker uit. Google heeft uitgebreide documentatie over de compatibiliteit van TensorFlow-modellen op de Edge TPU. Allereerst is er de beperking dat de Edge TPU alleen feed-forward neurale netwerken kan uitvoeren. Hierbij vormen de verbindingen tussen neuronen geen cyclus, maar vloeit de informatie maar in één richting. Dit in tegenstelling tot de recurrent neural networks, waarvoor CPU’s overigens nog altijd goed geschikt zijn. De tweede beperking is dat de Edge TPU alleen TensorFlow Lite-modellen met 8bit-voorstellingen van data kan uitvoeren.

Je traint een model nooit rechtstreeks met TensorFlow Lite. Je traint eerst een TensorFlow-model, dat werkt met floating-point getallen van 32 bit. Dit zet je dan met de TensorFlow Lite Converter om naar een TensorFlow Lite-model met 8bit-getallen en compileer je tot een .tflite-bestand dat je op de Edge TPU kunt uitvoeren.

©PXimport

Deels op de CPU

Zelfs als je een model voor de Edge TPU hebt gemaakt dat intern gekwantiseerd is tot 8bit-getallen, zijn de invoertensors mogelijk nog 32bit-kommagetallen. De Edge TPU-compiler heeft dan een kwantisatiebewerking in het begin van je model toegevoegd. Ook aan het einde van je model komt dan een bewerking die de 8bit-uitvoer weer omzet naar 32 bit. Beide bewerkingen worden op de CPU uitgevoerd. Dat hoeft niet zo’n probleem te zijn en levert doorgaans maar een kleine vertraging op.

Als de Edge TPU Compiler een niet-ondersteunde bewerking tegenkomt, compileert hij de bewerkingen vóór die bewerking voor de Edge TPU. Alle bewerkingen daarna worden dan op de CPU uitgevoerd. De compiler vertelt je ook hoeveel bewerkingen hij op de Edge TPU kan uitvoeren en voor hoeveel hij de CPU nodig heeft. Zelfs als maar een kleine fractie van de bewerkingen op de CPU wordt uitgevoerd, kan dat een grote impact op de prestaties hebben. Je moet er altijd naar streven om 100% van het model op de Edge TPU te kunnen draaien.

Coprocessors

Het idee van een AI-versneller, al dan niet ingebouwd in een SoC, is niet zo nieuw. Al in de jaren 1980 werden processors uitgerust met zogenoemde coprocessors om specifieke taken sneller uit te voeren. Zo hadden Intels eerste x86-CPU’s bijbehorende x87-FPU’s (floating-point units): de 8086 kreeg hulp van de 8087 voor berekeningen met kommagetallen, de 80286 van de 80287 en de 80386 van de 80387. De 80486 was de eerste in de reeks met een ingebouwde FPU.

©PXimport

De app Plaknotities is al jarenlang het digitale alternatief voor de gele briefjes die je vroeger op de koelkast of tegen je beeldscherm plakte. In Windows 11 heeft de opvolger, Sticky Notes, een flinke make-over gekregen. Daarmee is hetzelfde concept gegroeid tot veel meer dan een virtueel memoblaadje.

De digitale tegenhanger van de Post-It-briefjes gaat al lang mee. In een wereld van cloudtechnologie en integratie met mobiele apparaten stond het in de sterren geschreven dat deze basisapp mee zou evolueren. De nieuwe Sticky Notes in Windows 11 is niet zomaar een cosmetische update. Microsoft heeft achter de schermen flink gesleuteld.

Overal beschikbaar

Sticky Notes werkt als zelfstandige app die je downloadt via de Microsoft App Store en die ook is geïntegreerd in OneNote. Je opent de app het snelst door Sticky Notes in het zoekvak te typen en op Enter te drukken. Je kunt Sticky Notes ook starten via de toetscombinatie Win+Alt+S.

In Windows 11 staat trouwens de oude versie ook nog op het systeem, maar die heet zoals vertrouwd Plaknotities. Na de laatste update vraagt de app je om je aan te melden met je Microsoft-account. Daarmee worden al je memo's gesynchroniseerd, zodat je ze op al je apparaten kunt openen. Dit kan ook op je smartphone of via de OneNote-app.

Mooier design

De nieuwe notities binnen Sticky Notes zien er moderner uit. De interface sluit mooi aan bij het strakke, afgeronde design van Windows 11. Gebruik je liever de donkere modus? Geen probleem: Sticky Notes volgt automatisch je systeeminstellingen. Zo blijft de interface aangenaam zonder dat je zelf iets hoeft aan te passen. Heb je een touchscreen of stylus, dan merk je dat handgeschreven notities automatisch worden omgezet in getypte tekst. Dat is handig en intuïtief.

De opmaakmogelijkheden zijn nog wel enigszins beperkt: andere lettertypes kiezen is nog steeds niet mogelijk. Ook het wijzigen van de lettergrootte lukt niet in Windows 11. Wat extra typografische vrijheid zou welkom zijn.

Sticky Notes heeft verder een QR-code die je scant met de camera van je smartphone. Daarmee kun je de notities op je telefoon rechtstreeks openen in de mobiele OneNote-app.

Notitie maken

De grootste troef van Sticky Notes is nog steeds de eenvoud. Deze vernieuwde versie heeft twee tabbladen. Het eerste, +Notities, toont al je plaknotities en laat je nieuwe memo's maken. Het tweede, Schermopname, gebruik je om een schermafdruk te maken van een actief venster. Is er geen venster geopend, dan is deze knop lichtgrijs en is de functie niet beschikbaar.

Klik op de knop +Notities en je ziet je eerste memo. Je typt vervolgens je boodschap in, bijvoorbeeld een to-do-lijstje, een spontane gedachte of iets wat je niet wilt vergeten. Onderaan zie je een werkbalk met opmaakopties: vet, cursief, onderstrepen, doorhalen en een lijstfunctie. Met de laatste knop voeg je een schermafbeelding vanaf je pc toe.

Bovenaan vind je een menu met drie puntjes. Daarmee doe je vier dingen: de kleur van de notitie aanpassen, de notitie kopiëren, de notitie verwijderen als je die niet meer nodig hebt en de instellingen openen. Je kunt de kleuren gebruiken om categorieën aan te geven, bijvoorbeeld geel voor werk, blauw voor privé, groen voor boodschappen.

Lijst met notities

Via de knop Lijst met notities open je het overzicht waarin alle bewaarde en nog niet verwijderde notities staan. Als je een notitie op het bureaublad hebt geplaatst, dan zie je de knop Lijst met notities openen bovenaan links. Het is het pictogram van twee streepjes. Vaak kom je in die lijst verrassende herinneringen tegen, want hier staan niet alleen de notities die je met Sticky Notes hebt gemaakt, maar ook de notities afkomstig van het oude Plaknotities.

Ga met de cursor over een notitie in de lijst. Daarmee verschijnt de knop Notitie in een nieuw venster openen. Heb je er veel verzameld, dan biedt het zoekvak uitkomst: met een trefwoord vind je snel de speld in de hooiberg. De meest recente notities staan bovenaan. In dit scherm vind je ook het tandwieltje voor de instellingen. Daar zie je bijvoorbeeld dat je bent aangemeld met je Microsoft-account. Zo worden je notities automatisch in de cloud opgeslagen.

Schermafbeeldingen

Met de speciale knop voor schermafbeeldingen maak je met één klik een screenshot van het actieve venster. Zodra je een schermafbeelding hebt vastgelegd, kun je rechtsboven op de knop Notitie in nieuw venster weergeven klikken. Je kunt ook dubbelklikken op een notitie. De afbeelding verschijnt dan groter, in een apart venster naast je notities.

Klik je met de rechtermuisknop op de afbeelding, dan krijg je vier opties: Afbeelding openen, Afbeelding kopiëren, Tekst uit afbeelding kopiëren en Afbeelding verwijderen. Kies je voor Afbeelding openen, dan wordt deze geladen in het Windows Knipprogramma, waar je markeringen kunt toevoegen of de afbeelding bijsnijdt. Gebruik je Tekst uit afbeelding kopiëren, dan kun je de herkende tekst – zonder opmaak – plakken in een tekstverwerker zoals Kladblok of Word.

Sticky Notes gebruikt de ingebouwde OCR (optical character recognition) om tekst in een afbeelding te herkennen. Dit is ideaal voor snelle samenvattingen of het overnemen van informatie zonder over te typen.

Bronverwijzing

Sticky Notes onthoudt de bron van de informatie die je toevoegt. Maak je bijvoorbeeld een notitie terwijl je een webpagina open hebt staan, dan wordt die pagina automatisch als bron geregistreerd. De link naar de website verschijnt ook in de notitie.

Open je later opnieuw de oorspronkelijke bron, dan verschijnen de bijbehorende notities automatisch bovenaan in het Sticky Notes-venster. Zo vind je snel de juiste informatie terug. Kijk je bijvoorbeeld een YouTube-video en maak je tegelijk aantekeningen in Sticky Notes, dan worden die notities later automatisch weergegeven zodra je datzelfde filmpje opnieuw opent.

Vastprikken

De notities van Sticky Notes hebben bovenaan een pictogram van een punaise. Wanneer je daarop klikt, wordt de betreffende notitie vastgezet. Dat betekent dat de notitie op de voorgrond blijft, ook wanneer je met andere programma's werkt of verschillende schermen opent. Hij blijft op het bureaublad staan, zodat je de memo niet per ongeluk weg klikt of uit het oog verliest. Ideaal dus voor herinneringen, afspraken of to-do's die je absoluut niet mag vergeten.

Vastzetten op bureaublad

Een andere nieuwe functie van Sticky Notes bereik je als je op de drie puntjes bovenaan klikt en de opdracht Docken naar het bureaublad kiest. Dit zorgt ervoor dat je notities op een vaste plek op het bureaublad blijven staan. Ze staan boven andere vensters en blijven zichtbaar als een soort 'sticky' element. Dit is vooral handig als je notities of to-do's zichtbaar wilt houden terwijl je in andere programma's werkt. Via dezelfde weg kun je de app losmaken van de kant, maar dan luidt de opdracht: Loskoppelen van bureaublad.

Een keuken zonder airfryer? Nauwelijks nog voor te stellen. Het apparaat is niet alleen een gezonder alternatief voor frituren, maar ook een verrassend veelzijdige hulp in de keuken. En met elke nieuwe generatie worden airfryers slimmer, handiger en veelzijdiger. Hoog tijd om eens te kijken welke functies jouw snack- én kookervaring naar een hoger niveau tillen.

Temperatuur-indicator

Een van de meest bruikbare snufjes is de temperatuur-indicator, ook wel het gebruiksklaar-lampje genoemd. Zodra dat lampje brandt, weet je dat de ingestelde temperatuur is bereikt en je ingrediënten erin kunnen. Vooral bij vis, gebak of gerechten die een precieze starttemperatuur vragen, maakt dit het verschil tussen 'net niet' en perfect gegaard. Bovendien bak je efficiënter, omdat je niet onnodig hoeft voor te verwarmen. Precies weten wanneer het apparaat klaar is, scheelt energie én frustratie.

©Rafa Jodar

Indicatorlampje

Naast de temperatuur-indicator hebben veel airfryers ook een simpel statuslampje dat aangeeft of het apparaat überhaupt aanstaat. Een detail, maar wel een slim detail: het voorkomt dat je je airfryer per ongeluk laat aanstaan (hoewel de meeste apparaten tegenwoordig na verloop van tijd zelf uitgaan), bespaart energie en verlengt de levensduur. In drukke keukens of huishoudens met kinderen is het bovendien een kleine maar waardevolle veiligheidsfunctie. Eén blik en je weet hoe de vlag erbij hangt.

Timer

De ingebouwde timer is al even onmisbaar. Je stelt de gewenste kooktijd in, drukt op start en de airfryer regelt de rest. Bij de meeste modellen schakelt hij automatisch uit zodra de tijd verstreken is. Ideaal als je ondertussen iets anders wilt doen zonder dat je frietjes veranderen in houtskool. Nieuwere airfryers bieden daarnaast vooraf ingestelde programma's voor populaire gerechten: van kippenvleugels en zoete aardappel tot brownies. Daardoor hoef je zelf nauwelijks meer te gokken als het op tijd of temperatuur aankomt.

©nadia_snopek - stock.adobe.com

Warmhoudfunctie

Timing blijft belangrijk, zeker als niet iedereen tegelijk eet. Daarvoor is de warmhoudfunctie bedacht: je eten blijft warm zonder uit te drogen of te verbranden. Handig als je kinderen nog onderweg zijn of je gasten wat later aanschuiven. Sommige modellen gaan nog een stap verder en passen de temperatuur aan het type gerecht aan. Zo blijft alles precies zoals je het wilt – knapperig waar het knapperig hoort te zijn, smeuïg waar het smeuïg hoort te zijn.

Anti-reukfilter

Niemand zit te wachten op die zware frituurlucht die dagenlang in huis blijft hangen. Moderne airfryers pakken dat aan met ingebouwde geurfilters. Die neutraliseren de meeste geuren nog vóór ze je keuken inwaaien. Vooral handig bij vis, vlees of gerechten met veel knoflook. Sommige merken gebruiken vervangbare koolstoffilters die jarenlang meegaan. Het resultaat: lekker eten zonder dat je huis meedoet aan de geurbeleving.

©Ninja

Van drogen tot rijzen

Wat ooit een simpele heteluchtfriteuse was, is inmiddels een mini-oven met ambities. De nieuwste airfryers krijgen er functies bij waarmee je veel meer kunt dan bakken of grillen. Denk aan dehydreren (voor wie zelf fruitchips, kruiden of beef jerky wil maken), langzaam garen (voor stoofpotjes of pulled pork) en zelfs een stand om deeg te laten rijzen. Die laatste houdt een constante, milde temperatuur aan zodat gist optimaal zijn werk kan doen. Vooral bakkers en meal-preppers zullen deze extra's waarderen; ze maken de airfryer een volwaardige vervanger voor meerdere apparaten tegelijk.

Slimme bediening

En dan is er nog het moderne gemak van spraakbesturing. Sommige recente airfryers zijn te koppelen aan Google Assistant, Alexa of Siri. Daarmee kun je het apparaat starten, stoppen of de temperatuur aanpassen zonder een vinger uit te steken. "Hey Google, start de airfryer op 180 graden voor 10 minuten" en hoppa, hij doet het gewoon! Handig als je je handen vol hebt aan snijwerk of deegrollen, of als je vanuit de woonkamer wilt checken of het eten bijna klaar is. In combinatie met een app zie je bovendien op je telefoon hoever het kookproces is, en krijg je meldingen zodra je gerecht klaar is om te serveren.

🎯 Populairste merken airfryer in NL

Philips | Ninja | Tefal | Inventum | Princess

Deze merken komen al langere tijd goed uit de bus in verschillende vergelijkingen. In tests van de Consumentenbond en andere onafhankelijke platforms worden ze vaak genoemd omdat ze simpelweg doen wat je ervan verwacht: ze warmen snel op, bakken gelijkmatig en zijn prettig in gebruik. Bovendien is de verhouding tussen de prijs en wat je voor je geld krijgt goed.

Aanraders per merk

Ninja Airfryer XXL Max Pro
Ruime airfryer voor grotere porties. De 6,2-liter mand is geschikt voor 3-4 personen en levert gelijkmatige resultaten bij friet, groenten en vlees. Dankzij de hogere stand wordt alles extra knapperig. Reviewscore op Kieskeurig: 9,6.

Tefal Dual Easy Fry & Grill EY905D 8.3L XXL Airfryer
Ruim model met twee lades, geschikt voor grotere porties of volledige maaltijden tegelijk. Reviewscore op Kieskeurig: 8,8.

Inventum GF500HLD Airfryer
Betaalbare instap-airfryer; handig voor kleinere huishoudens of basisgebruik. Reviewscore op Kieskeurig: 9,2.

Princess Double Basket Airfryer - 8L - 2400W
dubbele airfryer met twee manden van 4 liter. Geschikt om twee gerechten tegelijk te bereiden, met genoeg capaciteit voor een gezin. Reviewscore op Kieskeurig: 8,5.

Philips 3000 Series NA352/00 Airfryer 9 L Dual Basket
Populair model van Philips met dubbele mand en ruime inhoud, geschikt voor gezinnen of grotere porties. Reviewscore op Kieskeurig: 8,2.

🔟 Over de reviewscores op Kieskeurig.nl
Op Kieskeurig.nl schrijven consumenten reviews over producten. Elke review moet voldoen aan kwaliteitscriteria: de reviewer moet aangeven of het product gekocht, gekregen of getest is, er mag geen misleidende taal in staan en de inhoud moet betrouwbaar zijn. Zo worden nep- of spamreacties tegengegaan. Bij de beoordeling zie je niet alleen het gemiddelde cijfer, maar ook hoeveel reviews er zijn. Zo krijg je meteen een indruk of de score op basis van één enkele review is of op basis van veel gebruikerservaringen.