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

Fairphone lanceert de vernieuwde Fairbuds XL. Deze modulaire koptelefoon belooft nu ook het geluid en comfort te bieden dat je voor 249 euro mag verwachten. Met nieuwe drivers en zachtere oorkussens pakt de fabrikant de eerdere kritiekpunten aan. Handig: je kunt je oude model zelf eenvoudig upgraden.

De Nederlandse fabrikant Fairphone heeft deze week de vernieuwde versie van de Fairbuds XL gepresenteerd. Deze modulaire koptelefoon is een doorontwikkeling van het model dat in 2023 werd gelanceerd. Waar de eerste generatie vooral een statement maakte op het gebied van repareerbaarheid, belooft deze nieuwe versie ook op audiogebied en draagcomfort een inhaalslag te maken. De koptelefoon is daardoor ontworpen om jarenlang mee te gaan en is per direct verkrijgbaar.

©Fairphone

Verbeterde audiokwaliteit en materialen

De belangrijkste upgrade ten opzichte van de voorganger zit in de geluidsweergave en het fysieke ontwerp. De nieuwe Fairbuds XL beschikt over 40 mm dynamische drivers en ondersteuning voor aptX HD, wat moet zorgen voor een gedetailleerder geluidsbeeld en high-res audio via bluetooth. Fairphone heeft daarnaast gekeken naar de feedback over het draagcomfort. De nieuwe modellen zijn uitgerust met zachtere oorkussens van 'birdseye-mesh' en een ademende hoofdband, waardoor de koptelefoon ook tijdens langere luistersessies prettig moet blijven zitten. Het design is beschikbaar in de kleuren Forest Green en Horizon Black.

Modulair ontwerp voor lange levensduur

Wat de Fairbuds XL onderscheidt in de markt van consumentenelektronica is de verregaande modulariteit. De koptelefoon is opgebouwd uit negen losse modules die door de gebruiker zelf te vervangen zijn. Dit betekent dat bij een defect of slijtage niet het hele apparaat weggedaan hoeft te worden, maar dat onderdelen zoals de batterij, de oorkussens of de hoofdband eenvoudig vervangen kunnen worden. Technisch biedt het apparaat verder dual-point connectiviteit, een IP54-certificering voor spatwaterdichtheid en een accuduur tot 30 uur.

Zoals gebruikelijk bij het Amsterdamse bedrijf ligt de nadruk sterk op duurzaamheid en eerlijke materialen. De koptelefoon bestaat voor ongeveer 50 procent uit gerecyclede grondstoffen, waaronder gerecycled aluminium en zeldzame aardmaterialen in de magneten. Ook wordt er bij de assemblage gebruikgemaakt van fabrieken die draaien op zonne-energie en investeert het bedrijf in leefbare lonen voor fabrieksarbeiders.

©Fairphone

Compatibel met het vorige model

Een opvallende keuze van Fairphone is de compatibiliteit met de eerste generatie Fairbuds XL. De fabrikant benadrukt dat technologie moet meegroeien met de gebruiker. Bezitters van het 2023-model hoeven daarom geen volledig nieuwe koptelefoon aan te schaffen om te profiteren van de geluidsverbeteringen. De nieuwe drivers zijn namelijk ook als los onderdeel verkrijgbaar en kunnen eenvoudig in het oude model worden geïnstalleerd. Hiermee voegt Fairphone daadwerkelijk de daad bij het woord wat betreft het verlengen van de levensduur van elektronica.

©Fairphone

Prijs en beschikbaarheid

De vernieuwde Fairbuds XL is per direct verkrijgbaar in Nederland. De adviesprijs voor de koptelefoon bedraagt 249 euro. Hij is te koop via de webwinkel van Fairphone en bij geselecteerde retailers.

Een parfum is meer dan een lekker luchtje; het is je onzichtbare visitekaartje. De juiste geur kan je stemming versterken, je zelfvertrouwen een boost geven en direct vertellen wie jij bent. Maar hoe vind je een geur die echt bij jouw persoonlijkheid past?

Zeg me wat je draagt, ik zeg wie je bent

Geuren zijn de snelste weg naar onze emoties. Ruik je versgebakken brood, dan sta je in gedachten direct in een warme keuken. Ruik je zonnebrandcrème, dan voel je het strand. Parfums werken precies zo: ze communiceren iets over jou, zonder dat je een woord zegt.

Door een parfum te kiezen dat aansluit bij je karakter, versterk je je uitstraling. Welk type ben jij?

Persoonlijkheidstypen en bijpassende geuren

Hieronder vind je een overzicht van veelvoorkomende persoonlijkheidstypen en welke geuren daar goed bij aansluiten.

1. De romanticus (dromerig & gevoelig)

Ben je creatief, nostalgisch en gevoelig ingesteld? Dan voel jij je waarschijnlijk het prettigst bij zachte, ronde geuren. Bloemige en poederachtige noten omhullen je als een warme deken en passen perfect bij jouw zachtaardige karakter. Zoek naar: roos, jasmijn, viooltjes, vanille en lelie.

Voor dames:
Chloé - Chloé Eau de Parfum: de ultieme romantische geur. Ruikt naar een vers boeket rozen met een poederige, schone ondertoon.
Marc Jacobs - Daisy: Speels, zacht en dromerig. Met noten van viooltjes en aardbei is dit een lichte, vrolijke bloemengeur.

Voor heren:
Dior - Dior Homme: een zeldzame herengeur met iris. Hierdoor is hij zacht, poederig en verfijnd (in plaats van typisch 'mannelijk' stoer).
Prada - L'Homme: schoon, luchtig en zacht. Ruikt naar luxe zeep en verse bloemen (neroli/iris), perfect voor de gevoelige man.

2. De power-persoonlijkheid (krachtig & zelfverzekerd)

Jij komt een ruimte binnen en mensen hebben het door. Je staat stevig in je schoenen en houdt niet van poespas. Houtachtige en kruidige geuren sluiten hier naadloos op aan. Ze hebben een diepe, stabiele basis die autoriteit en rust uitstraalt. Zoek naar: Sandelhout, cederhout, leer, patchouli en zwarte peper.

Voor dames:
Chanel - Coco Mademoiselle: een moderne klassieker met karakter. De combinatie van frisse sinaasappel en krachtige patchouli straalt pure klasse en zelfvertrouwen uit.
Tom Ford - Black Orchid: niet voor muurbloempjes. Een zware, aardse geur met truffel en pure chocolade. Je vult er de kamer mee.

Voor heren:
Hermès - Terre d’Hermès: ruikt naar aarde, hout en sinaasappel. Een hele stabiele, volwassen geur die autoriteit uitstraalt zonder te schreeuwen.
Dior - Sauvage: extreem populair vanwege zijn kracht. Peperig en fris; een geur die zegt: "Ik ben er."

3. Het mysterie (sensueel & raadselachtig)

Houd je ervan om niet direct het achterste van je tong te laten zien? Ben je gek op de avond en subtiele verleiding? Dan zijn Oriëntaalse geuren jouw match. Deze zijn vaak rijk, zwaar en gelaagd. Zoek naar: Amber, wierook, muskus, kaneel en exotische kruiden.

Voor dames:
Yves Saint Laurent - Black Opium: een verslavende mix van zwarte koffie en vanille. Donker, zoet en perfect voor de avond.
Dior - Hypnotic Poison: de naam zegt het al. Een betoverende, zware geur met amandel, karwij en vanille. Zeer verleidelijk.

Voor heren:
Viktor&Rolf - Spicebomb: een explosie van kruiden (peper, kaneel) en tabak. Warm en kruidig, maar met een mysterieuze diepte.
Armani - Code: een geraffineerde mix van tonkaboon en leer. Glad, donker en een tikkeltje geheimzinnig.

4. De zonnestraal (speels & spontaan)

Ben jij de optimist van de groep, altijd vrolijk en ongecompliceerd? Zware geuren passen vaak niet bij jouw energie. Jij bloeit op van frisse, fruitige noten die licht en uitnodigend zijn. Zoek naar: Perzik, appel, framboos, zwarte bes en citrusbloesem.

Voor dames:
DKNY - Be Delicious: het bekende 'groene appeltje'. Fris, fruitig en ongecompliceerd. Echt een energieboost.
Giorgio Armani - My Way: een vrolijk boeket van witte bloemen en citrus. Heel open, zoet en uitnodigend.

Voor heren:
Versace - Eros: een luide, vrolijke geur met munt, appel en vanille. Jong, energiek en een echte allemansvriend.
Paco Rabanne - 1 Million: bekend om de goudstaaf-flacon. Zoet, kruidig en fruitig. Een geur met een knipoog die het leven viert.

5. De avonturier (energiek & sportief)

Stilzitten is niets voor jou. Je houdt van buitenlucht, actie en nieuwe ervaringen. Daar past geen bedwelmende geur bij, maar juist iets dat energie geeft. Aquatische (water) geuren en citrus zijn jouw beste vrienden. Zoek naar: Bergamot, grapefruit, munt, zeewater en groene thee.

Voor dames:
Giorgio Armani - Acqua di Gioia: geïnspireerd op de zee. Ruikt naar munt, citroen en water. Heerlijk fris en opwekkend.
Davidoff - Cool Water Woman: een klassieker die ruikt naar de oceaan en frisse meloen. Voor vrouwen die liever buiten zijn dan binnen.

Voor heren:
Giorgio Armani - Acqua di Giò: waarschijnlijk de bekendste 'watergeur' ter wereld. Ruikt naar zeewater, wind en limoen.
Issey Miyake - L'Eau d'Issey Pour Homme: een unieke, scherpe frisheid dankzij de Japanse yuzu (citrusvrucht). Strak, modern en heel energiek.

©africa-studio.com (Olga Yastremska and Leonid Yastremskiy) - stock.adobe.com

Begrijp wat je koopt: de opbouw van een geur

Heb je wel eens een parfum gekocht dat in de winkel heerlijk rook, maar thuis tegenviel? Grote kans dat je alleen de topnoten hebt geroken. Een parfum is opgebouwd als een piramide:

1: Topnoten (de binnenkomer)
Dit is wat je de eerste 10 tot 15 minuten ruikt. Vaak fris en licht (citrus), bedoeld om je aandacht te trekken. Topnoten vervliegen snel.
2: Hartnoten (de kern)
Zodra de topnoten verdwijnen, komt het 'hart' naar boven. Dit is de ware geur van het parfum, vaak bloemig of kruidig. Dit blijf je enkele uren ruiken.
3: Basisnoten (de blijver)
Dit is wat er aan het einde van de dag nog op je huid zit. Zware ingrediënten zoals hout, muskus en vanille die zorgen voor diepte.

💡Tip: Koop een parfum nooit direct na het opspuiten. Wandel de winkel uit, doe boodschappen en ruik na een uur nog eens. Pas dan weet je hoe het parfum écht ruikt.

Eau de toilette of eau de parfum?

Op de flacon staan vaak termen die iets zeggen over de sterkte (en de prijs):
Eau de Cologne: zeer licht, vervliegt snel (3-5% geurstoffen). Lekker wanneer je je even wilt opfrissen.
Eau de Toilette (EDT): de meest verkochte variant. Fris en geschikt voor dagelijks gebruik (5-10% geurstoffen).
Eau de Parfum (EDP): sterker en blijft langer hangen (10-20% geurstoffen). Je hebt er minder van nodig, maar het is vaak duurder.
Parfum / Extrait: Zeer geconcentreerd en kostbaar. Een paar druppels ruik je de hele dag.

Zo voorkom je een miskoop: 4 gouden tips

Tot slot: hoe hak je de knoop door in de parfumerie?
1. Test op je huid (niet op een papiertje) Een papieren strookje heeft geen pH-waarde en geen hormonen. Jouw huid wel. Door je lichaamschemie kan een parfum bij jou heel anders ruiken dan bij je beste vriendin. Spray altijd op je pols om te weten hoe de geur op jou reageert.
2. Niet wrijven! Een klassieke fout: sprayen op de polsen en ze dan tegen elkaar wrijven. Niet doen! Door de wrijving maak je de geurmoleculen kapot, waardoor de topnoten sneller verdwijnen en de geurbalans verstoord raakt. Gewoon laten drogen aan de lucht.
3. Maximaal drie geuren Na drie verschillende parfums is je neus 'vermoeid' en kun je geuren niet meer goed onderscheiden. Ruik tussendoor even aan je eigen kleding (of aan koffiebonen als ze die hebben staan) om je neus te neutraliseren.
4. Kijk naar wat je al hebt Weet je niet waar je moet beginnen? Kijk naar de flesjes die je al hebt staan of opgebruikt hebt. Google de geurnoten van je favoriet (bijvoorbeeld op een website als Fragrantica) en zoek naar nieuwe parfums die dezelfde ingrediënten bevatten. Of kijk naar geuren in huis die je fijn vindt. Houd je van lavendel in je wasmiddel of vanille in je kaarsen? Dat zijn goede uitgangspunten.