Slimme koelkasten, slimme lampen, slimme deurbellen. Alle consumenten elektronica raakt rap verbonden met het internet. Ook de verlichting in je huis is tegenwoordig met je smartphone in te regelen. Met de Philips HUE startersset van 3 lampen breng je via je smartphone of tablet precies die sfeer in huis waar je zin in hebt; van "Taj Mahal" tot "Deep Blue Sea". We testten de set, die in Nederland verkrijgbaar is via de Apple store voor 199,95 euro.

Installatie

De installatie van de HUE set werkt eenvoudig. Sluit de bridge (het witte kastje) aan op je router en installeer de app op je iPhone, iPad of Android smartphone of tablet. Haal de normale lampen uit de lampen waar je je kamer via HUE mee wilt verlichten, draai de HUE-bulbs erin en start de app. Je zult zien dat de app probeert connectie te maken met de bridge. Als je met je telefoon verbinding hebt met het Wifi-netwerk waarop ook de bridge toegang heeft, dan lukt de connectie en kun je beginnen met het zelf “ontwerpen” van je eigen licht.

©PXimport

Licht ontwerpen

Met "zelf ontwerpen" zeggen we eigenlijk geen woord teveel: de mogelijkheden die de HUE je biedt voor het zelf instellen van jouw gewenste licht, qua kleur en hoeveelheid, zijn eindeloos. Deze veelheid aan mogelijkheden kan ook tot keuzestress leiden: waarschijnlijk hebben ze er bij Philips om die reden voor gekozen om een stevige batterij aan voor geïnstalleerde mogelijkheden aan te bieden. Zelf merkte ik dat ik eindeloos bleef prutsen aan het kleurenpalet totdat ik overschakelde naar een van de voor-geïnstalleerde instellingen.

©PXimport

Philips gooit het waar het gaat om het ontwerpen van licht heel erg op “ambience” en de sfeer die je met licht kunt creëren. De voor-geinstalleerde instellingen noemt Philips “light recipes” en daarmee kun je bijvoorbeeld ook een bepaalde instelling gebruiken als je wilt relaxen, lezen of juist wilt studeren. Ook is er een lichtrecept om energie op te doen: die heet “energizing”.

Zelf heb ik HUE vooral gebruikt in de slaapkamer omdat de grote fittingen beneden in de woonkamer niet pasten op bestaande lampen. Dat is gelijk een groot nadeel van de set vond ik zelf: de standaard fitting is al lang niet meer overal gemeengoed en het lukraak plaatsen van 3 extra lampen werd door medebewoners niet echt gewaardeerd. In de slaapkamer weer wel: voor de “goedemorgen” functie van de HUE heel handig en ook leuk om heel verschillende sferen te creëren met alleen maar een druk op de knop van je iPhone.

©PXimport

Goedemorgen

Je kunt de lampen ook gebruiken als wekker. Niet meer dat harde geluid, maar lampen die langzaam feller worden en je op die manier op een natuurlijke manier uit je slaap halen. Ja, dat is dus precies het wake-up light idee die Philips vroeger apart verkocht en waar het bedrijf nogal wat marketinggeld tegenaan heeft gegooid, misschien wel om uiteindelijk bij HUE uit te komen. Voor mij persoonlijk werkte de “goedemorgen” functie niet heel erg goed: het hangt er heel erg vanaf wat voor slaper je bent. :)

Thuis of weg?

Philips heeft de app voor de HUE-led lampen van een flinke update voorzien in mei dit jaar. De update zorgt ervoor dat de locatie van de gebruiker gekoppeld wordt aan het aan- en uitgaan van de HUE-lampen. Als je met je smartphone die gekoppeld is aan een set HUE-lampen je huis binnenloopt, gaan de lampen automatisch aan, of weer uit als je vertrekt. Je hoeft je telefoon niet eens uit je zak te halen. En ja, als je boodschappen in je handen hebt dan is dat verrekte handig. Ik testte de HUE in de zomer en ik heb van deze functie niet heel vaak gebruik gemaakt. Maar goed, jammer genoeg wordt het vanzelf weer winter…

Wie het prettig vindt om af en toe de lampen aan te kunnen doen vanaf afstand, kan dat heel gemakkelijk doen met de HUE-app. Op deze manier beveilig je je huis tegen inbrekers omdat het lijkt alsof je thuis bent als lampen aan of uit gaan. Dit is weer een argument voor degene die het thuis moeilijk kan verkopen om 200 euro uit te geven aan 3 lampjes en een niet zo spannende schakelaar. Een goedkopere optie is natuurlijk om eens te kijken wat je zelf zou kunnen doen met IFTTT, maar dat is misschien iets minder mooi vormgegeven allemaal en het vereist meer technische kennis.

©PXimport

Conclusie

Philips maakt met HUE licht tot een beleving. Je humeur en waar je mee bezig bent is met deze set direct te koppelen aan licht en dat is prachtig. De app werkt vlekkeloos, van de techniek die gebruikt wordt om HUE zo soepel te laten draaien merk je als gebruiker helemaal niets: een kind kan de was doen en dat is vooral mooi als je een brede doelgroep wilt bereiken. Dan het prijskaartje. Voor 199, 95 euro (alleen in de Apple-store kun je HUE in Nederland bestellen) krijg je:

• Drie Hue gloeilampen

• Eén Hue Bridge

• Voeding voor Hue Bridge

• LAN-kabel om de Hue Bridge met je router te verbinden

De set is wel uitbreidbaar, maar dus bepaald niet goedkoop. Je betaalt nogal wat voor drie gloeilampen en een schakelaar. Maar goed, de lichtinstellingen zijn prachtig en oneindig, het licht is soms zó zacht dat het inderdaad rustgevend kan werken waar gewenst. Zelf vind ik het aanschafbedrag wat hoog liggen en het is echt een nadeel dat de lampen alleen met grote fitting te verkrijgen zijn.

Wie gek is op design en het leuk vindt om zelf aan de slag te gaan met lichtontwerp, wakker worden met een kunstmatig zonnetje en ook inbrekers op een dure manier wil beletten je huis leeg te halen, koopt HUE. Doet even pijn in de portemonnee, maar met de kwaliteit van het product én met de mogelijkheden is het dik in orde.

Philips Hue

Prijs € 199,95

Pluspunten

Licht wordt een beleving

Eindeloze mogelijkheden qua instelling

Vlekkeloze werking zonder haperen

Minpunten

Stevig aan de prijs

Keuzestress

SCORE: 7/10

De temperatuur van je koelkast is belangrijker dan je misschien denkt. Als je 'm goed instelt, blijft je eten niet alleen langer vers, maar voorkom je ook verspilling én nare luchtjes.

Wat is de beste temperatuur voor je koelkast?

De gouden standaard? 4 graden Celsius. Daarmee zit je voor de meeste etenswaren helemaal goed. Mocht jouw koelkast hoger of lager staan, dan weet je dus wat je te doen staat. Maar let op: die 4 graden geldt niet overal in je koelkast. Onderin is het meestal wat koeler, omdat koude lucht naar beneden zakt. In de deurvakken – waar je telkens warme lucht binnenlaat als je de deur opentrekt – is het juist wat warmer. Zeker als je koelkast goed vol zit, kunnen de verschillen flink oplopen.

Wil je het zeker weten? Plaats dan op verschillende plekken een simpele koelkastthermometer en check of alles binnen de perken blijft. Zit er meer dan 3 graden verschil tussen boven en onder, of tussen het midden en de deur? Dan is het tijd om de boel wat slimmer in te richten.

Wist je dat sommige voedingsmiddelen gevoeliger voor temperatuurschommelingen zijn? Vlees, vis, zuivel en eieren moeten strikt op 4 °C worden bewaard. Groenten en fruit kunnen daarentegen ook bij lagere temperaturen goed gedijen in de groentelade.

©Olga Yastremska and Leonid Yastremskiy

Wat is de juiste vriezertemperatuur?

Voor je vriezer geldt één ijskoude regel: -18 graden Celsius is de sweet spot. Op die temperatuur liggen bacteriën en schimmels stil als een standbeeld, en blijft je eten dus veilig bewaard – soms wel maandenlang. Veel vriezers kunnen nóg kouder, maar dat heeft weinig zin. Het kost alleen extra stroom en levert geen voordelen op.

Check ook eens het sterrensysteem op je vriezer: hoe meer sterren, hoe beter hij in staat is om je eten langdurig in topconditie te houden. En twijfel je of jouw diepvries koud genoeg is? Met een vriezerthermometer weet je het zo. Want hoe warmer het wordt, hoe sneller je eten achteruitgaat, en dat is zonde van je boodschappen én je energie.

©Hedgehog94

Hoe stel je de temperatuur in?

Hoe je de temperatuur precies instelt, hangt af van het soort koelkast of vriezer dat je hebt. Heb je een klassiek model met een draaiknop? Dan doe je het een beetje op gevoel. Voor je koelkast zit je meestal goed op stand 3 of 4, voor de vriezer op stand 5. Een losse thermometer is dan geen overbodige luxe om te controleren of je echt rond de 4 °C (koelkast) en -18 °C (vriezer) zit.

Nieuwere apparaten maken het je makkelijker: met een digitaal display stel je de temperatuur tot op de graad nauwkeurig in. En met een slimme koelkast kun je zelfs vanaf je vakantieadres even de boel bijstellen via een app. Ideaal als je vergeten bent dat restje stoofpot erin te zetten voordat je wegging.

Een paar praktische tips: zet je koelkast niet pal naast het fornuis of een radiator – dat maakt 'm onnodig lui. Laat warme gerechten eerst even afkoelen voordat je ze in de koelkast zet, anders raakt de temperatuur van de hele inhoud uit balans. En check af en toe of de deur nog goed sluit. Versleten rubbers laten koude lucht ontsnappen en dan is je energiezuinige instelling voor niks geweest.

Ook interessant: Koelkastproblemen? Zo los je ze op!

©WEBSERVIS

Slim koelen, minder stroom verbruiken

Je koelkast en vriezer staan dag en nacht aan, dus alle kleine beetjes energiebesparing tellen. Begin bij de basis: kies bij de aanschaf voor een energiezuinig model, bij voorkeur eentje met label A. Die zijn flink zuiniger dan oudere of minder efficiënte modellen, en dat merk je uiteindelijk op je energierekening.

Ook de details maken verschil. Controleer minstens één keer per jaar de deurrubbers. Sluiten die niet meer goed aan? Dan ontsnapt er koude lucht en moet je apparaat overuren draaien om alles koel te houden. Houd de deuren sowieso zo veel mogelijk dicht; hoe korter je 'm opent, hoe minder warmte erin komt.

Nog een gouden tip: laat je koelkast en vriezer ademen. Zorg voor genoeg ruimte rondom, vooral aan de achterkant, zodat de warmte netjes kan worden afgevoerd. Zit de boel vol stof? Maak dan even de condensor schoon. En vergeet je vriezer niet af en toe te ontdooien. IJs op de wanden klinkt koud, maar werkt juist als een isolerend jasje, en dat kost extra stroom.

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.