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

Er bestaan verschillende platformen waarmee je vliegtuigen, boten en ander verkeer tot op de meter nauwkeurig kunt tracken. De afgelopen jaren is het aanbod verbeterd en de nauwkeurigheid toegenomen. Hoog tijd voor een reisje langs enkele interessante trackingdiensten.

Verschillende systemen maken het mogelijk om de locatie van vliegtuigen, schepen en voertuigen te bepalen. Het belangrijkste systeem voor schepen is het Automatic Identification System (AIS). Het AIS-systeem stuurt allerlei informatie door, waaronder de identificatie van het schip, de positie, de koers en snelheid. Ook de status van het schip – ligt het bijvoorbeeld voor anker of is het op zee – wordt via dit systeem doorgegeven. De grote vaart is verplicht AIS te gebruiken.

Een belangrijk systeem voor vliegtuigen is Automatic Dependent Surveillance Broadcast (ADS-B). Hierbij stuurt het vliegtuig belangrijke informatie naar grondstations en satellieten. De gegevens worden met verschillende partijen, onder meer de luchtverkeersleiding en andere vliegtuigen, gedeeld. Overigens wordt ADS-B in de praktijk aangevuld met andere gegevens, bijvoorbeeld afkomstig van radarsystemen. Voor voertuigen over land, zoals vrachtwagens, wordt gebruikgemaakt van uiteenlopende trackingsystemen. Die gegevens zijn over het algemeen niet openbaar beschikbaar.

🚢VesselFinder

Schepen volgen

VesselFinder is een gebruiksvriendelijke website waarmee je de positie en voortgang van allerhande schepen kunt bijhouden. Voor de volledige functionaliteit maak je eerst een gratis account aan. Je krijgt daarmee toegang tot een gedeelte van de gegevens, maar voor de volledige functionaliteit heb je een betaald account nodig. Vooral historische data, zoals de havens die het schip heeft aangedaan, zijn alleen inzichtelijk voor betalende abonnees.

Klik op de pijl van een schip op de kaart voor extra informatie. In het zijvenster zie je de kerninformatie van het schip, zoals een foto en de aankomsthaven. Ook wordt hier andere informatie gedeeld als de koers, snelheid en status. Verder lees je welke haven voor het laatst is aangedaan.

Extra informatie

Hetzelfde venster biedt nog een aantal andere gegevens. Bij Port calls staat vermeld welke havens zijn bezocht. Bij Weather zie je de actuele weersomstandigheden. Tot slot is er de sectie Vessel Particulars. Hier vind je aanvullende statistieken, zoals gewicht, lengte en identificatienummer.

Filters

Met behulp van filters maak je de kaart een stuk overzichtelijker. Klik links op Vessel Filters. Onder Vessel Type kun je aangeven welke schepen je wilt zien, bijvoorbeeld alleen militaire schepen, cruiseschepen of zeiljachten. Sommige categorieën kun je uitklappen en verder specificeren, zoals bij de passagiersschepen.

Je kunt de kaart van VesselFinder verrijken met aanvullende (weer)gegevens. Klik op de knop waarop de wind is afgebeeld (rechtsboven in het venster) en kies uit Temperature, Wind Speed en Waves.

Punten verbinden

In dezelfde werkbalk vind je een knop met het pictogram van een passer. Je kunt deze knop gebruiken om op de kaart punten met elkaar te verbinden en snel de onderlinge afstand te zien. Met de bovenste knop (met de opdruk van een kaart) schakel je tussen de kaarttypen. Zo kun je de standaardkaart afwisselen met een eenvoudige en met een donkere kaart. Met een betaald account (circa 19 euro per maand) heb je ook toegang tot een satellietkaart en nautische kaart.

Schepen zoeken

Heb je de naam van een schip, maar kun je het niet vinden op de kaart? Klik op Vessels. Via de zoekmachine op deze pagina kun je een specifiek schip zoeken, bijvoorbeeld door de naam op te geven. Ook kun je de vlag opgeven waaronder het betreffende schip vaart (via het tweede vak) of het type schip specificeren (via het derde vak). Wil je een volledig overzicht, inclusief schepen die niet meer varen? Haal dan het vinkje weg bij In Service. Klik in het resultatenvenster op een schip om de details te bekijken.

VesselFinder heeft ook een overzicht van havens: deze vind je onder Ports. Klik op de naam van een haven om de details van de haven te bekijken. In dezelfde weergave lees je welke schepen worden verwacht, welke schepen vertrekken en welke schepen momenteel in de haven liggen. Rechtsboven in het venster vind je een algemeen zoekvak. Dit kun je gebruiken om te zoeken naar schepen en havens. 

✈️Flightradar24

Vliegtuigbewegingen

Flightradar24 behoort samen met het verderop besproken FlightAware tot de populairste platformen waarmee je vliegtuigbewegingen in de gaten kunt houden. De kaart kan aardig volraken met vliegtuigen, maar met behulp van filters maak je Flightradar een stuk vriendelijker.

Onderin vind je de werkbalk: klik op Filters. Via de tab Categories bepaal je welke vliegtuigen je wilt zien, bijvoorbeeld Passenger of Business jets. Via Flightradar24 kun je ook drones (Drones) en helikopters (Helicopter) bekijken.

Je kunt verder een eigen filter maken, waarmee je in één keer een vooraf gekozen set vliegtuigen zichtbaar maakt. Klik op Custom / Add new filter. Kies vervolgens welke elementen je wilt toevoegen, zoals Airport of Aircraft. Wil je nog meer controle, bijvoorbeeld door het registratienummer van een vliegtuig op te geven of te zoeken op luchtvaartuigen van een bepaalde leeftijd? Kies dan voor Advanced. Geef de waarden op en klik op Continue.

Heb je alle filters ingesteld, dan kun je deze snel in- en uitschakelen via de kaartweergave. In de werkbalk aan de rechterkant van de kaart klik je op de knop Filter (herkenbaar aan het pictogram van een filter).

Gratis abonnement

Ben je een intensieve gebruiker van Flightradar24, dan kun je ervoor kiezen om bij te dragen aan het netwerk door zelf ook vliegtuiginformatie door te spelen. In ruil hiervoor krijg je een Business-abonnement gratis. Hiermee heb je toegang tot de volledige functionaliteit van het platform.

Er zijn twee manieren om bij te dragen. Op www.flightradar24.com/apply-for-receiver kun je je aanmelden om in aanmerking te komen voor een kant-en-klaar installatiepakket dat kosteloos door Flightradar24 wordt toegestuurd. Het pakket bestaat uit de hardware die je nodig hebt om vliegtuigen te spotten. Of je hiervoor in aanmerking komt, is sterk afhankelijk van de locatie. Mensen in gebieden die nog een slechte dekking hebben, maken meer kans.

Word je niet geselecteerd of heb je geen geduld? Dan kun je eigen hardware inzetten, op basis van Raspberry Pi. De kosten hiervoor bedragen zo'n 80 euro. Op www.flightradar24.com/build-your-own vind je uitgebreide instructies. 

✈️FlightAware

Vliegverkeer met details

Een andere tracker voor vliegtuigen, maar in Nederland en België iets minder bekend, is FlightAware. Deze dienst heeft een eenvoudiger opzet dan Flightradar24, maar geeft in de detailpagina's wel meer informatie in één keer weer.

Klik op de kaart een vliegtuig aan om de details te zien: je ziet hier onder meer het vluchtverloop in hoogte en snelheid. Via View Flight Track Log zie je welke routes het vliegtuig eerder heeft afgelegd, inclusief koers, snelheid en hoogte.

Ben je geïnteresseerd in een specifieke vlucht, bijvoorbeeld van een historisch vliegtuig? Met een notificatie kan FlightAware je van een komende vlucht op de hoogte stellen. Klik linksboven op de gebruikersnaam en kies My Account. Open de tab Flight Alerts en kies Set up a new alert. Geef vervolgens de variabelen op, zoals vluchtnummer en hoe vaak je op de hoogte wilt worden gesteld. Bovendien kun je de notificatie ook naar een ander laten sturen. Zet een vinkje bij Share this alert with a friend en geef het e-mailadres op.

📍Google Maps

Zelf gevolgd worden

Je hoeft geen vliegtuig of boot te hebben om zelf door anderen te worden gevolgd. Stap je op de fiets of ben je te voet of met de auto? Met Google Maps kun je in realtime je locatie met anderen delen. Zij zien dan je naam en foto, de locatie van het telefoontoestel, de accustatus en eventuele gegevens over vertrek- en aankomsttijd.

Om je locatie te delen, heb je een Google-account nodig. Open Google Maps en tik op je profielfoto. Kies Locatie delen / Locatie delen. Bepaal hoelang de locatie mag worden gedeeld, bijvoorbeeld 1 uur of Totdat je dit uitzet. Open vervolgens je lijst met contactpersonen en geef aan met wie je de locatie wilt delen. Tik op Delen. Je kunt het delen op elk moment weer uitschakelen. Tik op de profielfoto en kies Locatie delen, Stoppen.

Lees ook: Schep orde in de pinnetjes-chaos van Google Maps

Waar let je op bij een laptop voor trackingwebsites?

Als je veel vliegtuigen, schepen of ander verkeer live volgt - via kaarten, filters en realtime updates - dan zijn dit de laptop­eigenschappen die belangrijk zijn.

1. Scherm / resolutie

2. Processor en werkgeheugen

3. Opslag & snelheid

4. Netwerkverbinding & draadloze opties

5. Batterij & mobiliteit

6. Extra: aansluitingen

Waarom dit belangrijk is

Trackingdiensten combineren realtime data, interactieve kaarten, filters en vaak meerdere tabs. Dat is als het bewerken van meerdere lagen in een grafisch programma: zodra geheugen of CPU tekortschiet, merk je direct vertraging of hapering - kaarten laden traag, positie-updates vertragen en het filteren loopt vast. Een snelle SSD zorgt dat kaarten snel openen, een goede CPU en 16 GB RAM dat updates vlot verlopen.

Heb je vaak meerdere schermen - bijvoorbeeld kaart op groot scherm, details op laptop - dan loont een externe monitor en een laptop met HDMI/USB-C met videouitgang.

Vijf fijne trackinglaptops

ASUS VivoBook 15 – prima allround laptop met 15,6″ scherm en genoeg capaciteit om meerdere browsertabs en realtime tracking soepel te draaien. Goede prijs-kwaliteitverhouding.

Lenovo IdeaPad Slim 3– licht, betaalbaar en vlot genoeg voor tracking-diensten en zwaar browsergebruik. Degelijk scherm en SSD maken dat alles snel laadt.

Samsung Galaxy Book4 – stabiele allrounder, fijne mix van prestaties en mobiliteit. Handig als je de laptop ook mee wilt nemen.

Acer Aspire Go 15– goede prijs voor degelijke prestaties; vlot bij meerdere tabbladen en realtime data.

MSI Thin 15 B13UC-2848NL– iets krachtiger model, ook geschikt als je af en toe intensiever werkt of veel tegelijk open hebt staan.

Bij ID.nl zijn we dol op kwaliteitsproducten waar je niet de hoofdprijs voor betaalt. Een paar keer per week speuren we binnen een bepaald thema naar zulke deals. Ben je op zoek naar een goedkope soundbar waarmee je het tv-geluid kunt verbeteren? Vandaag hebben we vijf interessante modellen voor je gespot.

Denon DHT-S216

Zoek je een betaalbare soundbar van een bekend hifimerk? In dat geval is de Denon DHT-S216 een interessante kandidaat. Ondanks zijn lage prijskaartje oogt de behuizing erg chic. De stoffen afwerking aan de voorzijde geeft dit audiosysteem een luxe uitstraling. Vanwege de bescheiden hoogte van slechts zes centimeter zet je de DHT-S216 probleemloos voor de meeste televisies neer. Daarnaast kun je het apparaat ook ophangen. Je combineert deze soundbar bij voorkeur met een middelgrote of grote smart-tv, want de behuizing meet 89 centimeter lang.

Een pluspunt is dat je de soundbar op vrijwel elke televisie kunt aansluiten. De achterzijde telt twee HDMI-poorten, een optische ingang en een analoge aansluiting. Dat is erg netjes voor een product in deze prijsklasse. Mooi meegenomen is dat de DHT-S216 videostreams met een meerkanaals audiospoor kan verwerken, zoals Dolby Digital en DTS Virtual:X. De betere films en series klinken hierdoor ruimtelijk. Verder kun je ook nog muziek streamen. Koppel een smartphone of tablet via bluetooth en kies in een willekeurige muziek-app een leuke afspeellijst.

JBL Bar 2.0 All-in-One MK2

Deze compacte soundbar van JBL matcht prima met een wat kleinere televisie. De strak vormgegeven behuizing meet namelijk 61,4 × 5,6 × 9 centimeter. Nuttig voor wie bijvoorbeeld het geluid van een slaapkamer-tv wil upgraden. Met een uitgangsvermogen van 80 watt is de Bar 2.0 All-in-One MK2 behoorlijk krachtig. Je verbindt dit audiosysteem via HDMI of een optische ingang met een beeldbuis. Bij geschikte films, series en tv-programma’s kan de soundbar een Dolby Digital-audiospoor verwerken. Verder is er een bluetooth-adapter ingebouwd, waardoor je rechtstreeks vanaf een mobiel apparaat liedjes streamt.

De Bar 2.0 All-in-One MK2 is maar 5,6 centimeter hoog, zodat hij waarschijnlijk niet jouw tv-scherm blokkeert. Ophangen kan trouwens ook, want de fabrikant levert een eenvoudige muurmontageset mee. Gebruik voor de bediening de knoppen bovenop de behuizing of de inbegrepen afstandsbediening. Benieuwd naar ervaringen van andere gebruikers? Deze onafhankelijke reviewers komen tot een gezamenlijk oordeel van een 8,2.

Bose TV Speaker

Normaal gesproken hebben producten van de Britse audiospecialist Bose een behoorlijke prijs, maar dat valt bij deze soundbar alleszins mee. Een enkele webshop duikt zelfs net onder de prijsgrens van tweehonderd euro. Buiten een schappelijk prijskaartje heeft de Bose TV Speaker ook nog eens een goede reputatie. Zo krijgt dit product van ruim dertig Kieskeurig.nl-bezoekers een gemiddelde beoordeling van een 8,3. Een pluspunt is dat je het apparaat op verschillende manieren met een televisie kunt verbinden. Kies tussen HDMI, de optische aansluiting of de analoge 3,5mm-geluidsingang. Een nuttige functie is dat je met de dialoogfunctie menselijke stemmen kunt versterken. Daarnaast heeft de afstandsbediening een knop om het basniveau op te voeren.

Zoals je van een Bose-product mag verwachten, leent het audiosysteem zich ook goed voor het luisteren van muziek. Verbind een smartphone of tablet via bluetooth en laat je favoriete afspeellijsten op deze soundbar los. Met een maximaal vermogen van honderd watt realiseert de TV Speaker in een kleine tot middelgrote kamer een vol geluid. De stijlvolle behuizing is voor soundbar-begrippen erg compact. Zo bedragen de afmetingen slechts 59,4 × 5,6 × 10,2 centimeter. Houd er rekening mee dat de fabrikant geen HDMI-kabel meelevert.

Lees ook: Zo vind je de ideale soundbar voor jouw televisie

Sharp HT-SBW182

De Sharp HT-SBW182 is een goedkope soundbar met een losse subwoofer. Je zet deze basspeaker neer op een willekeurige plek op de vloer. Een kabel trekken is niet nodig, want de subwoofer communiceert draadloos met de soundbar. Logischerwijs is dit audiosysteem een goede keuze voor liefhebbers van een flinke portie bas. De HT-SBW182 voorziet films en series van een diepe laagweergave. Het totale vermogen bedraagt maximaal 160 watt, waardoor je het volume flink kunt opschroeven.

Met een lengte van 74 centimeter is deze soundbar niet zo lang. Je kunt hem met een kleine of middelgrote smart-tv combineren. Verbind beide apparaten met een optische kabel of HDMI-snoertje. Daarnaast is er nog een analoge 3,5mm-audiopoort. Tot slot bevindt zich in de behuizing een bluetooth-ontvanger, zodat je muziek vanaf een mobiel apparaat kunt streamen. Je past met de aanwezige equalizer de geluidsinstellingen naar eigen smaak aan.

TCL S45H

TCL timmert in de drukbezette televisiemarkt de laatste jaren stevig aan de weg. Bij ID.nl zijn we gek op producten die veel bieden voor weinig, en de TCL S45H (ook wel S45HE) past perfect in dat plaatje. Voor een bedrag ver onder de honderd euro haal je met deze soundbar een flinke audio-upgrade in huis. Verwacht geen losse subwoofer die de vloer laat trillen; dit is een compact 2.0-kanaals alles-in-één systeem. Toch weet TCL indruk te maken met ondersteuning voor zowel Dolby Atmos als DTS Virtual:X, features die je doorgaans pas in veel duurdere modellen terugvindt.

Dankzij het slimme ‘Dual Bass’-systeem en de speciale akoestische kamers klinken films en series een stuk voller en ruimtelijker dan via je standaard tv-speakers. Bovendien is hij met HDMI eARC, optische aansluiting en Bluetooth 5.2 helemaal bij de tijd. Zoek je een betaalbare oplossing voor de slaapkamer of een kleine woonkamer zonder gedoe met extra kabels en kasten? Dan biedt dit model absoluut waar voor je geld.