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

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

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

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

Digitaal neuraal netwerk

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

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

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

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

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

©Vallabh soni - stock.adobe.com

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

TensorFlow Playground

Spelen met werking DNN

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

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

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

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

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

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

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

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

Deep learning

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

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

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

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

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

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

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

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

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

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

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

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

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

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

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

Trainen en testen

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

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

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

Export

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

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

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

Je kunt het model bijvoorbeeld testen via een lokale webserver.

Een boeiende diapresentatie maken is altijd wel een uitdaging, maar met AI hoef je daar echt niet meer over te piekeren. Van brainstorming en tekstopmaak tot inhoudsoptimalisatie, sprekernotities, voice-overs en diacreatie: AI kan het allemaal.

Je hebt het vast al bedacht en geprobeerd: met AI-chatbots als ChatGPT, Bing Chat, Gemini, Claude en Grok kun je snel relevante antwoorden genereren die aansluiten bij je presentatieonderwerp. Maar er is meer mogelijk.

Je kunt bijvoorbeeld een schermafbeelding van een dia maken en deze uploaden naar een chatbot (bij ChatGPT via het paperclip- of plus-pictogram), met een prompt als ‘Genereer uitgebreid gesproken commentaar bij deze dia uit mijn powerpointpresentatie’. Nog handiger is het wellicht om je volledige pptx-bestand te uploaden en een gerichte prompt te gebruiken, zoals ‘Geef uitgebreid commentaar voor de spreker bij dia 6 over ontbossing en landgebruik’, ‘Vind op internet copyrightvrije afbeeldingen die goed passen bij dia 6’, of ‘Genereer een leuke cartoon die perfect aansluit bij dia 6’.

Er zijn natuurlijk nog andere nuttige vragen te bedenken, maar je zult wat moeten knippen en plakken om de bruikbare resultaten in je presentatie te verwerken. Daarom richten we ons vooral op AI-tools die iets nauwer samenwerken met presentatie(software), met de focus op PowerPoint.

Upload je presentatiebestand naar de AI-chatbot en vraag bijvoorbeeld om een passende afbeelding te genereren.

Copilot in PowerPoint

Gebruik je PowerPoint als onderdeel van een Microsoft 365-licentie, dan heb je aan Copilot een handige geïntegreerde AI-tool. Je kunt er als volgt mee aan de slag.

Start een nieuwe, lege PowerPoint-presentatie. Op het tabblad Start druk je in het Lint op de knop Copilot om het bijbehorende deelvenster te openen. Onderaan vind je de chatbalk voor het invoeren van prompts. Je kunt bijvoorbeeld iets vragen als ‘Creëer een voorstelling van acht dia’s rond klimaatopwarming, waarin zowel de oorzaken, gevolgen als remedies worden behandeld’. Dit levert wellicht al een (eerste) bruikbare presentatie op. Klik op het wereldbol-pictogram om Copilot internet te laten raadplegen voor je prompt. Je kunt om extra dia’s vragen, zoals ‘Voeg een extra dia toe na dia vier waarin je (geografische) relevante statistieken of tabellen opneemt die een en ander verduidelijken’. Een andere nuttige prompt is bijvoorbeeld ‘Genereer voor elke dia (uitgebreide) sprekernotities en voeg deze toe’. Deze verschijnen dan in het notitiegebied onderaan het ontwerpvenster en kunnen nog worden aangepast.

Met de ingebouwde functie Designer, op het tabblad Start, kun je snel een ander ontwerp selecteren voor een geselecteerde dia. Onderaan het Designer-deelvenster kun je op Meer ontwerpideeën zien klikken.

Deze presentatie werd in minder dan een minuut geheel door Copilot gegenereerd (met een beetje hulp van Designer).

Copilot-prompts

Wanneer je met de muisaanwijzer over een prompt gaat, verschijnt een pictogram om de prompt te bewaren. Bewaarde prompts kun je oproepen via het plusknopje op de chatbalk. Klik op Prompts weergeven en open Jouw prompts om de opgeslagen prompts snel te kunnen hergebruiken.

In de rubriek Microsoft-prompts vind je talrijke modelprompts, ingedeeld in categorieën als Maken, Vragen en Ontwerpen, en thematische secties zoals Marketing en IT.

Doe inspiratie op in de talrijke modelprompts van Microsoft.

Gamma: instellingen

Copilot is een handige tool voor het genereren van diapresentaties, maar vereist een Microsoft 365-licentie. Er zijn gelukkig alternatieven, zoals ChatGPT for PowerPoint (zie het kader ‘Invoegtoepassing’) en Gamma, dat gratis beschikbaar is, weliswaar met beperkingen.

Na aanmelding en een korte profilering kun je aan de slag. Je hebt drie startopties: Tekst plakken (om vanuit aantekeningen of andere informatie een presentatie te maken), Genereren (op basis van je prompt), en Bestand of URL importeren (om een bestaande presentatie te optimaliseren). We gaan hier uit van Genereren.

Geef aan dat het om een presentatie gaat, bepaal het aantal kaarten oftewel dia’s, met een maximum van tien in de gratis versie, en selecteer de taal. Vul je prompt in en bevestig met Overzicht genereren om een tekstueel dia-overzicht te krijgen. Je kunt direct een thema kiezen (klik ook op Meer bekijken) en bepalen hoeveel tekst er gemiddeld op de dia’s moet staan. Daarnaast kun je aangeven welke bronnen de tool mag gebruiken voor beelden, zoals Automatisch, AI-beelden (via een instelbare beeldgenerator) of Stockfoto’s (van Unsplash).

Beschrijf het onderwerp, geef het aantal dia’s op en kies een geschikt thema.

Gamma: bewerkingen

Klik na je selecties op Genereren om de eigenlijke diavoorstelling te maken, bijvoorbeeld in filmstripweergave.

Vanuit je Gamma-dashboard kun je de gegenereerde dia’s op verschillende manieren bewerken. Wanneer je met de muisaanwijzer over een dia gaat, verschijnen knoppen voor het toevoegen van notities en het aanpassen van de stijl, zoals een andere accent- of achtergrondafbeelding, kleur en breedte. Via Bewerken met AI kun je de tekst langer of korter maken, opsplitsen, corrigeren, vereenvoudigen of vertalen.

Aan de rechterzijde biedt een knoppenbalk opties om elementen toe te voegen, zoals afbeeldingen, video’s, grafieken, diagrammen, formulieren en knoppen. Ook kun je een link naar een geüpload bestand insluiten. Basisblokken zoals tekst, tabellen, lijsten en interactieve knoppen kunnen worden toegevoegd en aangepast.

Ben je klaar, klik dan rechtsboven op de Deel-knop. Op het tabblad Deel kun je een link naar je online presentatie kopiëren (die ziet er als volgt uit: https://gamma.app/docs/<naam-code>). Op het tabblad Samenwerken voeg je e-mails van anderen toe zodat zij de presentatie eventueel verder kunnen optimaliseren. Je kunt je presentatie ook naar een website laten omzetten, gratis op het domein gamma.site.

Via Exporteer kun je de presentatie downloaden, onder meer als pdf of PowerPoint. In de gratis versie verschijnt een reclameknop rechtsonder de dia’s. Je kunt deze in PowerPoint desgewenst verwijderen via Beeld / Diamodel. Selecteer het knopje in de bovenste dia, verwijder het met de Delete-knop en herhaal dit voor de andere dia’s. Klik vervolgens op Modelweergave sluiten.

Je kunt je presentatie in Gamma online bewerken, maar ook (als pptx) downloaden.

Interactie: Mentimeter

Een AI-tool als Gamma is handig voor het snel genereren en bewerken van presentaties, maar voor interactieve presentaties is Mentimeter beter geschikt. Je kunt deze tool gratis gebruiken tot vijftig deelnemers per maand. Alle vraagtypes zijn beschikbaar en je kunt per presentatie een onbeperkt aantal vragen toevoegen.

Ga naar Mentimeter en creëer een account, bijvoorbeeld via Google. Na enkele profileringsvragen kun je aan de slag. Op je dashboard kun je via New Menti een quiz of enquête maken, of Start with AI gebruiken en een beschrijving invoeren, zoals ‘Creëer een Nederlandstalige quiz met vijf vragen over de oorzaken en gevolgen van klimaatverandering.’ Kies vervolgens een kleurencombinatie en even later is je quiz met interactieve dia’s klaar.

Je kunt de inhoud en vormgeving nog aanpassen. Wanneer je klaar bent, klik je op Share en voeg je de bijbehorende link of QR-code toe aan je presentatie. Zodra alle deelnemers zich via www.menti.com met de juiste code hebben aangemeld, start je de quiz met Present en stuur je deze verder aan.

Voor een betere integratie met je presentatie kun je in PowerPoint naar Start / Invoegtoepassingen gaan, Mentimeter voor PowerPoint selecteren en je quiz of poll direct in je presentatie laden.

Je quiz-ontwerp in Mentimeter en het mobiele scherm van een deelnemer.

Visuals

Ben je op zoek naar leuke afbeeldingen, dan kun je ChatGPT met Dall-E gebruiken, maar voor creatieve visuals is Microsoft Designer vaak beter geschikt. Je hebt hiervoor een Microsoft-account nodig, bij voorkeur met een 365-abonnement voor extra maandelijkse tegoeden. Op https://account.microsoft.com kun je het saldo hiervan controleren.

Meld je aan bij https://designer.microsoft.com, klik op Maken met AI en scrol door het visuele aanbod. Categorieën als Afbeeldingen, Pictogrammen en Achtergronden lijken ons het meest geschikt voor diapresentaties. Selecteer een categorie, kies indien nodig een formaat zoals Breed (1792 x 1024) en voer een gedetailleerde prompt in. Bevestig met Genereren.

Je krijgt vier resultaten waaruit je kunt kiezen. Download de gewenste afbeelding in jpeg-formaat via het pijlknopje en importeer deze in PowerPoint. Wil je de afbeelding als achtergrond gebruiken, dan klik je er met rechts erop en kies je Naar achtergrond. Via het tabblad Afbeeldingsindeling kun je de doorzichtigheid aanpassen.

Voor een opvallende openingsdia kies je in Microsoft Designer Volledig nieuw ontwerp en daarna PowerPoint cover. Je kunt een sjabloon selecteren, tekst en visuals toevoegen en meerdere ontwerpen maken. Deze kun je als afzonderlijke afbeeldingen of als pdf downloaden.

Designer weet vast enkele leuke visuals voor je presentatie uit zijn AI-hoed te toveren.

Audio

Een handige dienst om tekst naar spraak om te zetten is Elevenlabs. Maak eerst een account aan en kies Text to Speech. Plak of typ je tekst (tot 10.000 tekens in de gratis versie) en selecteer bij Settings een stem die ook in het Nederlands goed klinkt. Verder kun je hier ook het AI-model en enkele parameters instellen, zoals Speed en Stability. Klik vervolgens op Generate om de audio te beluisteren. Je kunt deze daarna downloaden als mp3-bestand.

Heb je al een eigen stemopname, dan kun je deze via de rubriek Voice Changer uploaden of je maakt hier zelf een opname via Record audio. Daarna kun je hiervoor een alternatieve stem kiezen en ook deze aangepaste opname kun je downloaden.

Ook leuk: via Sound Effects kun je op basis van je eigen prompts allerlei geluidseffecten laten genereren. Ook deze kun je weer als mp3 downloaden.

Alle audiobestanden kun je natuurlijk eenvoudig in je diapresentatie importeren en gebruiken. In PowerPoint bijvoorbeeld doe je dit via Invoegen / Audio / Audio op mijn pc.

Je kunt tekst eenvoudig naar een ingesproken opname laten omzetten.

Video

Je kunt nog een stap verdergaan en eigen tekst (bestanden) niet alleen naar gesproken tekst laten omzetten, maar ze ook door geanimeerde avatars of personages gesynchroniseerd laten uitspreken en vervolgens in je diapresentatie opnemen.

Een goede oplossing hiervoor is Synthesia (gratis met beperkingen). Meld je bij deze dienst aan en open bijvoorbeeld de rubriek Video. Kies Videos en klik rechtsboven op New video. Selecteer een sjabloon of kies Start from blank of Import PowerPoint. Bij dit laatste kun je per dia bepalen welke tekst door welke stem (ook in het Nederlands) wordt ingesproken, waarna een video van de presentaties met voice-overs wordt gecreëerd. Kies je Start from blank, dan maak je zelf scènes waarin je een zelfgekozen avatar jouw tekstscripts laat uitspreken. Ook dit is naar video om te zetten. In de gratis versie kun je van je video een link of embedcode genereren en delen. Downloaden als mp4 kan alleen in de betaalde versie.

Je eigen scripts, uitgesproken door een zelfgekozen avatar.

Schoenenmerk Skechers heeft een nieuwe lijn kinderschoenen uitgebracht: Find My Skechers. Ouders kunnen in een verborgen vakje in de hak onder de binnenzool een AirTag plaatsen, waardoor ze altijd weten waar hun kind is. Handig of betutteling? De meningen zijn verdeeld.

Het idee is simpel: verstop een Apple AirTag in de zool van je kinderschoen en volg hem via de Zoek mijn-app op je telefoon. In de nieuwe kindersneakers van Skechers zit een speciaal vakje onder de binnenzool waarin een AirTag past. Aan de buitenkant zie je hier niets van en degene die de schoenen aan heeft, voelt er ook niets van. Dat vakje sluit met een klepje dat je moet vastschroeven. De AirTag kan dus niet losraken of er makkelijk uitgehaald worden.

De schoenen zijn ontworpen voor kinderen van ongeveer 1 tot 10 jaar en zijn verkrijgbaar in maat 21 tot en met 37. In de Nederlandse winkels zijn op dit moment vier uitvoeringen te koop; Amerikaanse ouders kunnen al kiezen uit elf varianten.

Gemoedsrust of overbezorgdheid?

Het gaat om gemoedsrust, zegt Skechers zelf. En daar is iets voor te zeggen: in drukke omgevingen zoals een pretpark, strand of winkelcentrum, is het een geruststellend idee dat je – als het nodig is – snel kunt zien waar je kind is.

 Maar vanaf welke leeftijd zou je dat dan moeten doen? Of tot welke leeftijd? Je kunt je bijvoorbeeld afvragen waarom je een tracker in de schoenen van een peuter zou stoppen. Weinig ouders zullen een kind van die leeftijd in zijn eentje laten buitenspelen, zonder zelf een oogje in het zeil te houden.

Aan de andere kant van het spectrum zitten de oudere kinderen. Prepubers van 9 of 10 jaar – en soms zelfs jonger – zijn vaak verrassend goed thuis in technologie, soms zelfs beter dan hun ouders. De kans is groot dat ze doorhebben dat hun nieuwe schoenen óók bedoeld zijn om hen in de gaten te houden. Zeker als ze al een smartphone hebben, want daarop krijgen ze meldingen als er een onbekende AirTag in de buurt is. Dat kan ervoor zorgen dat ze de schoenen juist niet meer willen dragen, of ze bewust uitdoen omdat ze geen zin hebben in ouders die altijd en overal maar weten waar ze zijn.

Een uitkomst voor slordige kinderen

Waar alle critici het wel over eens zijn: de functie is een uitkomst voor slordige kinderen. Schoenen kwijtgeraakt – op school, tijdens een logeerpartijtje of gewoon ergens in huis ("Mam, ik kan mijn schoenen niet vinden!")? Dan zijn ze zo teruggevonden.