ID.nl logo
Alles over kunstmatige intelligentie in processors
© PXimport
Huis

Alles over kunstmatige intelligentie in processors

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

▼ Volgende artikel
Waarom jouw zuinige A+++-wasdroger straks zomaar een C-label krijgt
© fotomek
Huis

Waarom jouw zuinige A+++-wasdroger straks zomaar een C-label krijgt

Denk je net goed bezig te zijn met een A+++-wasdroger, blijkt die vanaf juli 2025 opeens een magere C te scoren. Wat is hier aan de hand? Geen paniek: je apparaat is niet plotseling minder efficiënt geworden, het energielabel wordt een stuk strenger. In dit artikel lees je waarom de regels zijn veranderd, wat het nieuwe label precies meet en hoe je wél de juiste conclusies trekt bij je volgende aankoop.

Partnerbijdrage - in samenwerking met Bemmel & Kroon

Vanaf 1 juli 2025 – morgen dus! – verandert het energielabel van wasdrogers in heel Europa. De bekende klassen als A+, A++ en A+++ verdwijnen en maken plaats voor een overzichtelijker schaal van A tot en met G. Hierdoor krijgen veel huidige A+++-drogers voortaan een label C. Niet omdat ze slechter presteren, maar omdat de normering strenger en toekomstbestendiger wordt.

Waarom een nieuw energielabel nodig was

Het oude systeem was zijn doel voorbijgeschoten. Doordat fabrikanten steeds energiezuinigere apparaten ontwikkelden, werden er voortdurend plussen aan de A-klasse toegevoegd. Daardoor ontstond een wildgroei aan energielabels die de consument eerder in verwarring bracht dan hielp. Met het nieuwe label keert de rust terug: één heldere schaal die opnieuw ruimte laat aan de top. De zuinigste klasse A blijft voorlopig zelfs leeg, zodat alleen uitzonderlijk efficiënte apparaten die plek mogen innemen.

©Bemmel & Kroon

Wat je ziet op het nieuwe label

Het nieuwe energielabel bevat veel meer informatie dan alleen een letter. Naast de energieklasse geeft het label nu ook inzicht in het verbruik per honderd droogbeurten, gemeten volgens een gestandaardiseerd Eco-programma. Ook de programmaduur, het maximale vulgewicht van de trommel, het geluidsniveau in decibel en de condensatie-efficiëntie staan erop vermeld. Via een QR-code kun je bovendien extra technische details opzoeken in de Europese EPREL-database. Deze toevoegingen zorgen ervoor dat je als consument beter kunt inschatten welk apparaat past bij jouw huishouden en gebruik. Meer informatie vind je op deze pagina.

©Bemmel & Kroon

1. QR-code met link naar de EU database
2. Energie-efficiëntieklasse
3. Energieverbruik in kWh/100 droogcycli*
4. Condensatie-efficiëntieklasse en -percentage

5. Geluidklasse en geluidemissie in dB(A)**
6. Maximale laadcapaciteit (nominale capaciteit in kg)**
7. Duur in uren en minuten**

* Waarden gelden voor een gewogen gemiddelde van halve en volle ladingen met een verhouding van 0,62 (24x volle lading, 76x halve lading).
** Droogcyclus van katoen eco-programma bij volle lading.

Het lastige van vergelijken

Oude en nieuwe energielabels kun je niet zomaar naast elkaar leggen. Een A+++-droger uit 2024 kan volgens de nieuwe testmethodes een label C krijgen, terwijl het apparaat in de praktijk nog steeds even zuinig is. Dat verschil komt puur door de aangescherpte meetnormen, en niet door een verandering in prestaties. Laat je dus niet misleiden door een ogenschijnlijke 'verslechtering' van het label, maar kijk naar de echte verbruiksgegevens en technische kenmerken van jouw wasdroger.

Wat dit voor jouw keuze betekent

Bij het kopen van een nieuwe droger is het dus belangrijk om verder te kijken dan alleen de letter op het label. De vermelding van het energieverbruik per honderd droogcycli geeft je een veel concreter beeld van de stroomkosten op jaarbasis. Ook het geluidsniveau, de capaciteit van de trommel en de duur van het droogprogramma bepalen in sterke mate hoe comfortabel en efficiënt het apparaat in de praktijk is. Dankzij de QR-code kun je bovendien snel en eenvoudig controleren of de technische gegevens aansluiten bij je verwachtingen.

©Viktoria

Slim kiezen met het nieuwe label

De vernieuwde energielabels maken het makkelijker om een slimme, bewuste keuze te maken. Niet alleen zie je in één oogopslag hoe energiezuinig een apparaat is volgens de nieuwste normen, je hebt ook toegang tot de details die er écht toe doen. Zo kun je jouw keuze afstemmen op wat je belangrijk vindt: lage kosten, weinig geluid, korte droogtijd of een groot vulgewicht. Door te letten op de werkelijke prestaties in plaats van alleen op een letter, maak je een duurzame keuze die ook op de lange termijn rendeert.

Wil je hulp bij het kiezen van een energiezuinige droger of persoonlijk advies over welk type het best bij jouw huishouden past? Laat je dan informeren door een specialist, zodat je met vertrouwen de juiste keuze maakt voor nu én de toekomst.

Op zoek naar een écht zuinige droger?

Bekijk de beste deals bij Bemmel & Kroon!
▼ Volgende artikel
Inbouwapparatuur in je keuken? Zo meet je alles precies goed op
© zephyr_p
Huis

Inbouwapparatuur in je keuken? Zo meet je alles precies goed op

Een nieuwe oven, koelkast of vaatwasser kiezen begint niet bij het design of de functies – het begint met een meetlint. Want hoe mooi of geavanceerd een apparaat ook is, als het nét niet past, zit je met een kostbare misser. Een paar millimeter speling kan het verschil maken tussen een perfect passende keuken en een frustrerende inbouwervaring. Met deze meetinstructies weet je zeker dat je straks niet voor verrassingen komt te staan.

Wil je je inbouwapparatuur tot op de millimeter nauwkeurig installeren, dan is precies meten onmisbaar. In dit artikel lees je over:

• Algemene meetprincipes • Waar je precies op moet letten bij een ⋄ inbouwkoelkast of -vriezer  ⋄ inbouwoven en -magnetron  ⋄ inbouwvaatwasser ⋄ inbouw-espressomachine  • Welke veelgemaakte fouten je moet zien te vermijden • Wat je altijd als laatste moet doen

Ook interessant: Een inbouwkoelkast kopen: waar moet je op letten?

Goed meten is het halve werk

Voordat je aan de slag gaat met meten, is het slim om een paar basisregels aan te houden. Gebruik altijd een betrouwbare rolmaat en eventueel een digitale schuifmaat voor extra precisie. Meet de binnenafmetingen van de nis (dus niet de buitenkant van je keukenkast) en noteer breedte, hoogte én diepte.

Houd daarnaast rekening met de ventilatieruimte: meestal is 2 tot 5 cm aan de achterkant en zijkanten nodig. En check of er ruimte is voor stopcontacten, wateraansluitingen en kabeldoorvoeren – die bepalen vaak óók of het apparaat goed kan worden geplaatst.

©Andrey Sinenkiy

Waar moet je op letten per apparaat?

Elk soort inbouwapparaat heeft zijn eigen eisen en aandachtspunten. Hieronder lees je per type waar je bij het opmeten en installeren specifiek op moet letten. Zo kom je niet voor verrassingen te staan.

Inbouwkoelkast of -vriezer

De hoogte van de nis is hier allesbepalend. Veelvoorkomende maten voor inbouwkoelkasten en -vriezers zijn 88, 140 en 178 cm, maar afwijkingen komen vaak voor. Let op het deursysteem: een sleepdeurmechanisme vraagt meestal om iets meer ruimte in de breedte. Diepte is vaak 55 cm, maar modellen met een ventilator achterop kunnen richting de 60 cm gaan.

Inbouwoven of -magnetron

Standaard? Niet helemaal. De nisbreedte is meestal 56 cm, terwijl het frontpaneel iets breder is (ca. 59,5 cm) voor een nette aansluiting. Hoogtes verschillen: compacte ovens zijn 45 cm hoog, standaardmodellen 60 cm. Magnetrons vragen soms extra ruimte aan de bovenkant voor uitstekende bedieningspanelen.

Inbouwvaatwasser

Hier draait het vooral om hoogte. Die varieert tussen 81,5 en 87 cm, met verstelbare poten voor wat speling. Meet ook de plinthoogte (van vloer tot onderkant kast), en vergeet de watertoevoer niet – reken op zo’n 5 cm extra ruimte in de diepte voor de slang.

Inbouw-espressomachine

Kleiner apparaat, maar niettemin precisiewerk. De breedte is vaak rond de 56 cm, maar de diepte varieert sterk. Let vooral op het waterreservoir (dat tot 55 cm diep kan zijn) en op kleppen of deurtjes die naar voren openen: die hebben extra werkruimte nodig.

©Cristina Villar Martin | Ladanifer

Veelgemaakte fouten die je makkelijk voorkomt

Zelfs met zorgvuldige metingen kan het misgaan, vaak doordat kleine details worden vergeten. Denk aan ventilatieruimte, uitstekende stekkers of leidingen die net in de weg zitten. Een handige tip: plak een strook tape op de vloer op de plek waar de achterkant van het apparaat komt, en markeer waar stekkers en leidingen zitten. Zo zie je snel of er iets in de weg zit.

Ook niet onbelangrijk: controleer of de nis waterpas is! Zeker bij koelkasten met uitschuiflades kan een scheve ondergrond voor problemen zorgen. Pas waar nodig je kast of ondervloer aan voordat je installeert.

Bij renovaties gelden vaak afwijkende maten. Oudere keukens hebben soms dikkere wanden of ongebruikelijke dieptes. Meet dus altijd de huidige situatie én de specificaties van je nieuwe apparaat. Twijfel je? Schakel een keukenexpert in, zeker bij combinaties zoals een oven met magnetron, waarbij elk detail telt.

En tot slot: de allerbelangrijkste stap

Het klinkt als een open deur, maar het voorkomt de meeste problemen: meet altijd twee keer! Schrijf je maten op en leg ze naast de officiële productspecificaties. Let daarbij op details als verstelbare voetjes, uitsparingen voor de deur of een uitschuifbaar bedieningspaneel. Zo weet je zeker dat jouw nieuwe inbouwapparaat niet alleen technisch past, maar ook mooi aansluit bij de rest van je keuken. Want uiteindelijk draait het om één ding: alles moet kloppen – tot op de millimeter.