WEBVTT

1
00:00:00.100 --> 00:00:09.120
Welkom bij AI Report, de Nederlandse podcast over kunstmatige intelligentie waar we uitzoeken welke invloed AI heeft op ons werk, ons leven en de samenleving.

2
00:00:09.720 --> 00:00:21.470
Deze week OpenAI lanceert ChatGPT Atlas, een browser waarbij OpenAI je muis over kan nemen. Atlas kan boodschappen bestellen, documenten doorlezen en als jij dat wilt je hele browsergeschiedenis kennen.

3
00:00:22.140 --> 00:00:30.620
Is het een dun laagje om Google Chrome? Of is er meer aan de hand? Dan vanuit DeepMind. Een nieuw taalmodel gebaseerd op Gemma ontdekt een potentiële therapie voor kanker.

4
00:00:31.140 --> 00:00:40.920
Het op maat gemaakte model voorspelde een medicijncombinatie die tumoren zichtbaarder maakt voor ons eigen immuunsysteem. Anthropic introduceerde Claude Skills.

5
00:00:41.140 --> 00:00:49.240
Een beetje onder de radar gebleven, maar mogelijk even interessant als MCP destijds. Dat en meer in AI Report. Veel plezier!

6
00:01:01.010 --> 00:01:04.500
[muziek] Alexander heeft deze week vakantie, dus je zal het even met mij moeten doen.

7
00:01:04.560 --> 00:01:13.760
Ik neem je mee langs het nieuws en we gaan daarna door naar een gesprek dat ik had met machine learning engineer Judith van Stegeren over vibe coding. Waar het wel werkt, waar het niet werkt.

8
00:01:14.080 --> 00:01:27.600
Dat het absoluut waardevol kan zijn, maar dat er ook zeker zaken zijn waar je op moet letten. Nu eerst kort het nieuws. ChatGPT Atlas, een browser vanuit OpenAI. Cynisch zou je kunnen zeggen een wrapper rondom Chromium.

9
00:01:27.960 --> 00:01:35.780
Het project wat ook Google Chrome zo krachtig maakt. Maar er is wel iets meer aan de hand, want de integratie is best wel diep.

10
00:01:36.600 --> 00:01:46.140
OpenAI heeft natuurlijk hun omnimodellen, dus dat zijn de modellen die ook kunnen kijken, niet alleen maar kunnen lezen. En die kijken eigenlijk volledig mee binnen de browser wanneer jij dat vraagt.

11
00:01:47.200 --> 00:01:55.680
Dus zie het niet als een simpele extensie zoals je die zou installeren of add-on in je browser met een zijbalkje die een beetje wat grappige dingen op een website kan.

12
00:01:55.690 --> 00:02:05.900
Nee, in essentie is ChatGPT beschikbaar in de hele browser. Dat betekent dat de cursor overgenomen kan worden. Dus als jij op een webshop zit en je zegt: kan jij voor mij het een en ander bestellen?

13
00:02:05.960 --> 00:02:09.020
Dan zie jij je muiscursor bewegen, want ChatGPT pakt hem over.

14
00:02:09.759 --> 00:02:17.840
Als jij toestemming geeft om jouw browsergeschiedenis mee te geven kan je zeggen: joh, ik was drie weken geleden had ik allemaal tabjes openstaan over onderwerp X en Y.

15
00:02:17.960 --> 00:02:28.560
Gooi die tabjes nog eens open en dan kan die dus omdat hij jouw hele geschiedenis kent, browsergeschiedenis in ieder geval, die tabjes openen. En op die manier eigenlijk

16
00:02:29.500 --> 00:02:39.980
stukken overnemen die jij normaal zelf binnen je browser zou doen. Het heeft natuurlijk allerlei enorme privacy vraagtekens. Hier hebben we het in de nieuwsbrief deze week ook wat meer over.

17
00:02:40.500 --> 00:02:54.320
Want waar gaat die data allemaal naartoe? Hoe handig is het om een model mee te laten kijken met jouw browseracties eigenlijk? En wat zijn precies de beloftes vanuit OpenAI?

18
00:02:55.320 --> 00:02:58.940
Dit is ook de reden dat OpenAI deze stap maakt.

19
00:02:58.960 --> 00:03:15.600
Omdat, het liefst hebben deze labs Anthropic, DeepMind, OpenAI, op een veel fundamenteler level toegang tot jouw computer of tot jouw smartphone, zodat ze eigenlijk, zoals Apple dat probeert met Siri en Google dat ook doet met hun assistant

20
00:03:17.220 --> 00:03:27.960
OS breed, dus binnen alle applicaties mee kunnen kijken en kunnen communiceren. Dus dat je echt kan vragen: joh, ik ga straks naar het vliegveld, pakt het ticket er even bij. Wanneer is die vlucht?

21
00:03:27.980 --> 00:03:39.220
En dat dan eigenlijk al die data over jou in al die verschillende silo's, al die verschillende apps zichtbaar is voor het model. Op operating system niveau, dus op het niveau van Windows, macOS,

22
00:03:40.220 --> 00:03:49.860
Chrome OS, et cetera, is die toegang minder makkelijk voor partijen die niet Microsoft, Apple of Google zijn. En als je kijkt naar het gemiddelde gebruik van een

23
00:03:51.240 --> 00:03:58.780
persoon die achter een laptop zit of een iPhone, iPhone zit of een iPad, dan zit je heel vaak in de browser. Dus op zich is het niet heel gek dat je,

24
00:04:00.540 --> 00:04:12.240
als jij toegang hebt tot die browser service zou je kunnen zeggen, dus tussen al het gedrag wat langs komt binnen een browser, dat je dan als OpenAI al best wel wat te pakken hebt.

25
00:04:12.620 --> 00:04:21.360
Dus het idee dat ze een eigen browser uitbrengen is niet zo gek. Ze proberen daarmee wel binnen een hele drukke markt te komen natuurlijk.

26
00:04:22.580 --> 00:04:30.060
De browserv markt is grotendeels gedomineerd door Google Chrome op het moment en daar hebben ze best wel hard voor gevochten en dat is echt niet makkelijk.

27
00:04:30.500 --> 00:04:42.460
Een van de ideeën die OpenAI heeft is dat ze je als jij gratis ChatGPT gebruiker bent extra perks geven. Dus minder limieten, et cetera, als je de browser installeert en als standaardbrowser instelt.

28
00:04:42.660 --> 00:04:46.680
Krijg je een soort cadeautje. Want zij willen natuurlijk heel graag die standaardbrowser worden.

29
00:04:47.880 --> 00:05:00.720
Kan je je afvragen: oké, maar heeft dat dan zoveel zin als er straks één of 2% van de wereld een browser gebruikt vanuit OpenAI? Ja, het gaat ook vooral om data die verzameld kan worden.

30
00:05:00.760 --> 00:05:04.680
En dan heb ik het niet per se over persoonlijk identificeerbare data, maar gedrag.

31
00:05:05.360 --> 00:05:19.960
Dus geanonimiseerd gedrag waardoor je je modellen beter kunt trainen omdat je in zoveel browsersessies ter wereld kan meekijken hoe mensen AI-modellen inzetten om rond te klikken, om geschiedenis door te nemen, et cetera.

32
00:05:20.760 --> 00:05:27.920
Zie het een beetje als dat Tesla een gratis zelfrijdende auto zou weggeven om zoveel mogelijk beelden te verzamelen van de Nederlandse wegen.

33
00:05:28.640 --> 00:05:45.780
Op die manier kan je natuurlijk ook een gratis browser weggeven waarbij je ook nog eens mensen die niet willen betalen toch nog allerlei cadeautjes geeft zodat jij een groter model kunt trainen op een groter plaatje eigenlijk, van de totale browser, van het totale browsergedrag.

34
00:05:46.180 --> 00:05:57.480
Het is dan ook belangrijk wanneer je zo'n-- wanneer je gaat spelen met Atlas, dat je je beseft dat er veel van jouw persoonlijke data potentieel bij OpenAI belandt.

35
00:05:57.580 --> 00:06:12.460
Dus ik zou zeggen: wees daar een beetjeVoorzichtig mee, maar het is wel een heel interessant kijkje in de toekomst waar AI modellen van verschillende partijen meer en meer taken voor jou gaan overnemen als je dat wilt.

36
00:06:13.420 --> 00:06:20.840
Dan vanuit Deep Mind samen met Yale University een nieuw model gebaseerd op Gemma, wat gebruik maakt van het idee cell to sentence.

37
00:06:20.960 --> 00:06:34.220
Dus het idee dat je eigenlijk cellen omzet naar tekst, naar woorden, naar zin, waardoor je taalmodellen kunt inzetten om taken te doen, analyses te doen die normaal in een ander domein plaatsvinden.

38
00:06:34.820 --> 00:06:47.900
Dit model heeft eigenlijk geleerd hoe menselijke cellen werken en kan op die manier een soort van hun taal verstaan. Wat interessant is, dat het model een manier heeft ontdekt om kankercellen te bestrijden.

39
00:06:48.560 --> 00:06:59.980
Het probleem is namelijk dat veel tumoren eigenlijk niet zichtbaar zijn voor ons lichaam, waardoor het afweersysteem niet aangezet wordt om die tumoren om die cellen aan te pakken. Dit noemen ze dan koude tumoren.

40
00:07:01.100 --> 00:07:11.660
Het model vond een interessante oplossing. Door bepaalde medicijnen te combineren kunnen deze onzichtbare tumoren wel zichtbaar worden voor ons afweersysteem. Eigenlijk heb je een model dat

41
00:07:12.960 --> 00:07:16.940
gebaseerd op een taalmodel door cellen om te zetten naar zinnen,

42
00:07:18.600 --> 00:07:28.400
voorspellingen kan doen over medicijn combinaties en in hoeverre die combinaties ervoor kunnen zorgen dat kankercellen zichtbaarder worden voor ons immuunsysteem.

43
00:07:28.980 --> 00:07:34.620
En ze hebben dit getest, dus het model heeft voorspellingen gedaan van ja, je zou deze twee medicijnen moeten combineren.

44
00:07:34.660 --> 00:07:45.700
En inderdaad, in laboratoriumtests bleek dat de tumorcellen 50% beter herkenbaar werden voor ons eigen afweersysteem en dat het lichaam daarmee dus beter in staat is om zelf tegen die kanker te vechten.

45
00:07:46.280 --> 00:07:55.820
Waarom is dit extra interessant nieuws? Deze behandeling staat niet in medische handboeken, oftewel is eigenlijk een nieuwe behandeling. En dit is wel iets waar

46
00:07:56.760 --> 00:08:08.600
ik heel erg naar uitkijk als het gaat om modellen in de brede zin van het woord AI modellen voorspelmodellen is wanneer ze nieuwe ideeën maken, wanneer ze nieuwe verbindingen vinden.

47
00:08:08.640 --> 00:08:16.760
Want vooralsnog is het grotendeels een echo van het verleden. Dan als laatste Cloud Skills. Een beetje onder de radar gebleven.

48
00:08:16.820 --> 00:08:27.060
Ik ben er zelf ook pas vrij laat ingedoken, maar Cloud Skills zijn eigenlijk het idee dat je een soort voorgeschreven recepten hebt van taken die je al weet hoe zo'n model moet doen.

49
00:08:27.380 --> 00:08:38.820
Waarbij je allerlei instructies hebt voor je model die je klaarzet en wanneer het model ze nodig heeft dat hij zelf zegt: hey, ik heb volgens mij hier een keer een skill voor geleerd.

50
00:08:38.900 --> 00:08:50.180
Hier is een keer een skill voor beschreven. Dit is eigenlijk wat bijvoorbeeld Antropiq ook gebruikt om een PowerPoint te maken. Je kunt je voorstellen als jij vraagt aan Cloud: kan je een PowerPoint voor me maken?

51
00:08:50.760 --> 00:09:03.040
Dan moet hij eigenlijk snappen hoe PowerPoint werkt, hoe het PowerPoint bestandsformaat werkt en dan ook nog een stukje programmeren om dat bestand uiteindelijk te kunnen maken en aan jou te kunnen geven zodat je die kan openen in PowerPoint.

52
00:09:04.280 --> 00:09:11.700
Nou, die skills zijn dus een aantal ingebouwde skills bij Antropiq zelf. Maak een PowerPoint, maar je kunt die skills nu ook zelf definiëren.

53
00:09:12.260 --> 00:09:26.500
En dat is niet alleen maar stukjes prompt, maar ook bijvoorbeeld stukjes code dat je zegt oké, dus programmeer code. Dus je kunt uitleggen wanneer je aan de gang gaat met X en Y, dan moet je dat op deze manier doen.

54
00:09:27.060 --> 00:09:37.840
Als het over dit onderwerp gaat, binnen onze organisatie bijvoorbeeld. En als je daar voor gaat rekenen, moet je dit stuk Python code gebruiken waarin ik de berekeningen alvast voor je opgeschreven hebt.

55
00:09:38.260 --> 00:09:49.960
En als je dan klaar bent, moet je het op deze manier uit, uitsturen, zeg maar uitserveren. En op die manier kan je eigenlijk een soort ja bibliotheek maken van noem het competenties.

56
00:09:50.040 --> 00:09:56.080
Om het even in het Nederlands te zeggen. Eigenlijk voorgedefinieerde competenties die je vaak herhaalt binnen Cloud.

57
00:09:56.720 --> 00:10:11.660
En op die manier breid je eigenlijk je eigen basismodel uit met allerlei op maat gemaakte competenties, waarbinnen dus ook nog Excel formules zitten. Een omschrijving van je bedrijfshuisstijl, allerlei regels.

58
00:10:11.800 --> 00:10:21.980
En toen ik dit voor het eerst las dacht ik ja, gewoon prompten met een beetje programmeren eromheen. Maar als je erover nadenkt hoe mensen deze skills met elkaar kunnen gaan delen.

59
00:10:22.020 --> 00:10:35.380
Dat je misschien een soort skills shop of skills library gaat krijgen binnen Cloud. Dat deze skills mogelijk te delen zijn tussen modellen. Dus niet alleen maar Cloud, maar ook de modellen van OpenAI en Google.

60
00:10:35.680 --> 00:10:51.400
Dan ontstaat er toch wel een interessant ecosysteem van taalmodel of AI competentie stukjes die gedeeld kunnen worden tussen alle verschillende stukken software. Dus ga dit even goed bekijken, want

61
00:10:52.540 --> 00:10:57.060
het kan wel eens zo zijn dat dit een heel belangrijk onderdeel gaat worden van het hele ecosysteem.

62
00:10:59.120 --> 00:11:10.440
Voordat we verder gaan naar het interview praat Marjanne Lucas van Dept je nog even bij over het slimmer maken van zoekmachines met AI. Hi hier marketing en tech bureau Dept.

63
00:11:10.940 --> 00:11:22.820
Elke week bespreken we hoe wij merken helpen in de wondere wereld van AI. Deze keer hoe een Europese retailer haar zoekmachine slimmer maakt met AI, zodat klanten sneller kunnen vinden wat ze echt zoeken. Yes!

64
00:11:22.880 --> 00:11:29.080
Een grote klant van ons zag iets interessants gebeuren en dat is dat steeds meer mensen niet meer zoeken op exacte productnaam, maar veel meer in gewone mensentaal.

65
00:11:29.480 --> 00:11:33.600
En dat is natuurlijk niet gek, want door die AI zoekmachines zijn we daar volledig aan gewend geraakt.

66
00:11:34.380 --> 00:11:41.960
En sorry, ik ben mijn huis aan het verbouwen, dus het is een beetje een ingewikkeld voorbeeld, maar ik zoek bijvoorbeeld niet meer op Bosch schuurmachine schuurpapier PSM 160.

67
00:11:42.000 --> 00:11:50.780
Dat is een bepaald type schuurpapier, weet je dat meteen, maar veel meer als schuurpapier voor een schuurmachine. Oké, dat is herkenbaar, maar dat is nu nog lastig voor zoekmachines.

68
00:11:51.020 --> 00:12:01.820
Ja, bij veel merken wel, omdat hun search volledig keyword gebaseerd is. Dat betekent dus dat hij alleen maar kijkt naar exacte woorden en daardoor mist zo'n ja zo'n systeem vaak de bedoeling achter een zoekopdracht.

69
00:12:01.880 --> 00:12:11.119
En dat heeft gevolgen. In het geval van deze klant had bijna één op de vier zoekopdrachten geen relevant resultaat voor een klant. Ja, dan haken mensen af. Yes! En dat tikt aan.

70
00:12:11.520 --> 00:12:20.192
Maar hoe helpt AI dan om dit op te lossen?Wat we gedaan hebben voor deze klant is dat we een AI gedreven semantisch zoekmodel sorry, dat klinkt een beetje ingewikkeld hebben ontwikkeld.

71
00:12:20.212 --> 00:12:23.692
Dat dus niet alleen kijkt naar woorden, maar vooral naar de betekenis en de bredere context.

72
00:12:24.212 --> 00:12:32.172
Hierdoor begrijpt het systeem beter dat bijvoorbeeld een Bosch schuurmachine, schuurpapier en schuurpapier voor schuurmachine uiteindelijk hetzelfde betekent.

73
00:12:32.192 --> 00:12:38.652
En het allerbeste eraan is doordat er altijd nieuwe data wordt gevoed iedere keer die iemand zoekt, wordt het systeem ook nog iedere dag een beetje slimmer. Check.

74
00:12:38.712 --> 00:12:42.112
Dus we hebben eindelijk een zoekmachine die snapt wat ik bedoel. Eindelijk ja.

75
00:12:42.812 --> 00:12:51.672
En dat komt omdat we het helemaal hebben getraind op een eigen bespoke model op basis van miljoenen zoekopdrachten en klik data die deze klant heeft.

76
00:12:52.232 --> 00:12:55.932
En op die manier konden we verbanden leggen tussen hoe mensen zoeken en wat ze uiteindelijk kopen.

77
00:12:55.972 --> 00:13:08.512
En vervolgens hebben we die AI, dat model geïntegreerd in een zoekfunctie waardoor die niet alleen resultaten rangschikt op relevantie, maar zelfs nog een stap verder gaat en suggesties kan doen door bijvoorbeeld te zeggen hey, als je het over schuurmachine papier hebt, heb je hier al aan gedacht?

78
00:13:08.852 --> 00:13:19.071
Check. Oké, niet afwachten maar doen dus, want wie vandaag begint loopt straks voorop. Wil je meer weten? Ga dan naar Dept agency dot com slash AI report. Tot volgende week.

79
00:13:24.212 --> 00:13:27.032
Deze week praat ik met Judith van Stegeren over Vibe coding.

80
00:13:27.532 --> 00:13:37.912
Judith is een onderzoeker, engineer en consultant en op dit moment vooral bezig met het opschonen van Vibe coded projecten en zorgen dat AI binnen softwareprojecten die populair worden schaalbaar blijft.

81
00:13:38.552 --> 00:13:48.872
Het is een vrij technisch gesprek. We hebben het over machine learning, technical dept, black boxes en de drie golven van AI. Maar geen zorgen, dit gesprek is ook prima te volgen voor de minder technische luisteraar.

82
00:13:49.372 --> 00:14:04.192
Veel plezier! Misschien is het goed als we even beginnen met Vibe code. Alexander en ik hebben het vaker over Vibe code gehad in de podcast, maar het is een hele nieuwe term. Het is ook een ja, hoe zeg je dat informele.

83
00:14:05.052 --> 00:14:16.592
Ook een beetje een grapje eigenlijk. Maar inmiddels heb je wel een hele industrie die dit gebruikt als marketing om voor best wel veel geld tooling te verkopen, dus we moeten het ook wel weer wat serieuzer nemen.

84
00:14:16.712 --> 00:14:28.172
Wat is wat jou betreft Vibe coding? Ja, als ik eerlijk ben, ik gebruik het eigenlijk als synoniem voor ik heb even snel iets in elkaar gehackt met AI coding tools.

85
00:14:30.192 --> 00:14:35.712
Maar ja, ik kom zelf uit de security wereld, dus bij mij betekent het wel ik controleer altijd wat de AI doet.

86
00:14:35.932 --> 00:14:47.792
Ook omdat een deel van mijn baan natuurlijk is andere mensen adviseren over hoe je AI tools op een verstandige manier inzet. Dus ik wil wel echt weten wat er gebeurt en waarom en hoe je dat beter kan sturen.

87
00:14:48.532 --> 00:14:58.232
Maar ja, ik vind eigenlijk bijna al het code met generatieve AI coding tools vind ik Vibe code, maar ik geloof dat jij er iets anders tegenaan kijkt. Dat is interessant ja.

88
00:14:58.292 --> 00:15:10.372
Ik wou zeggen want allereerst eigenlijk is het een beetje een red flag voor jou dus. Of in ieder geval iemand zegt dit is Vibe code en dan zeg jij oh, dan moet ik even extra naar gaan kijken. Ja, dat, dat sowieso.

89
00:15:10.412 --> 00:15:24.052
Maar dat is omdat ik een beetje cynisch ben over AI as a silver bullet. Dus dat, dat is de wetenschapper in mij, dat gaat nooit meer weg. Maar het is niet per se een red flag voor mij als iemand Vibe coding doet.

90
00:15:24.422 --> 00:15:35.932
Want je kan er ook echt super veel sneller van worden. En dat is nice. Ik Ik schrijf bijvoorbeeld veel web scrapers, want data verzamelen is leuk. Daar kan je onderzoeksvragen mee beantwoorden.

91
00:15:36.452 --> 00:15:47.652
En web scraper schrijven, daar moet je heel erg veel dezelfde code voor schrijven. Het is vaak best wel saai. Het is best wel straightforward. Dus als dat makkelijker kan met bijvoorbeeld een cloud, ja, dat is super.

92
00:15:48.412 --> 00:15:58.672
Dat is niet per se slecht gebruik van AI coding tools. En dan is het dus eigenlijk die. Maar je zei net eigenlijk die generatieve modellen gebruiken om code te laten genereren.

93
00:15:59.292 --> 00:16:06.752
Dat is eigenlijk altijd Vibe coding voor jou. Ja, zo wordt het in mijn omgeving wel in de wandelgangen, in de wandelgangen gebruikt.

94
00:16:07.452 --> 00:16:17.072
En zou dat dan betekenen dat als die modellen op een dag en dat gaat niet in één dag zo zijn, maar door de tijd heen steeds meer capabel worden, soort architecten kunnen zijn, et cetera, et cetera.

95
00:16:17.692 --> 00:16:28.152
Dat dat misschien op een gegeven moment die naam weer verliest. Of zeg je van nou ja, misschien is het gewoon is het door een mens gemaakt, is het door een algoritme gegenereerd. Daar ligt mijn lijn.

96
00:16:29.252 --> 00:16:39.472
Nou ja, het het is echt een hele goede meme Vibe coding, dus misschien blijven we het wel zo noemen. Net zoals dat Google onderdeel van ons gewone dagelijkse vocabulaire is geworden. Je weet het niet.

97
00:16:41.492 --> 00:16:50.432
Ik denk ook dat ja, de modellen worden misschien nog wel veel beter, maar ook de manier waarop je de modellen aan het werk zet. Dat ligt ook heel erg aan de mensen die het besturen. En

98
00:16:51.812 --> 00:16:56.612
die modellen die als je die niet goed instrueert, dan gaan ze zelf bedenken wat je bedoelt.

99
00:16:56.652 --> 00:17:10.212
Dus als je bijvoorbeeld zegt ik wil de beste app voor I don't know, boodschappen doen of recepten uitkiezen, dan gaat zo'n model op basis van zijn training bedenken wat jij bedoelt met de beste app.

100
00:17:11.292 --> 00:17:21.092
En dat is misschien helemaal niet wat je bedoelt. Dus mensen moeten als de modellen beter worden, eigenlijk ook wat beter worden in zeggen wat ze bedoelen. Ja, dat is ook de.

101
00:17:21.112 --> 00:17:30.832
Het is maar net wie de opdracht geeft aan het model. Dus als jij iemand bent die inhoudelijk eigenlijk weet waar je mee bezig bent en dan bedoel ik je bent al tien jaar software aan het maken. Op zijn minst.

102
00:17:30.912 --> 00:17:42.932
En je hebt gewoon een hele intuïtie en een kapstok in je hoofd van wat wel of niet handig is. Best practices manieren waarop je zo'n codebase schoon opzet. Dat je dan veel meer opinionated, veel meer met een

103
00:17:43.892 --> 00:17:49.452
smaak die taalmodellen gaat aansturen om te doen wat jij al voor ogen had.

104
00:17:49.632 --> 00:17:57.652
Terwijl op het moment dat je die hele kapstok niet hebt en die ervaring, dan laat je het eigenlijk over aan het model en dan zeg je ja, vul jij het maar.

105
00:17:57.692 --> 00:18:10.052
Vul jij de plekken maar in waar ik de instructie niet heb gegeven en dan? Dan krijg je wat anders, begrijp ik. Ja, precies. Dus ook als je iets wil doen je je gaat AI instrueren dat je bijvoorbeeld weet ik veel.

106
00:18:10.092 --> 00:18:15.200
Je wil een webpagina downloaden en daar wil je de titel van.Extraheren.

107
00:18:15.650 --> 00:18:26.500
Dan zijn er allemaal verschillende packages door andere mensen gemaakt die je daarvoor kan gebruiken, want die code is waarschijnlijk ooit wel een keer geschreven en dan gaat de AI voor jou uitkiezen.

108
00:18:26.700 --> 00:18:38.380
O, er zijn allemaal packages voor. Nou, ik installeer deze Yolo en die ga ik dan aanroepen. Maar bijvoorbeeld van de week werd er bekend dat er een, een Trojan of 111 worm zat in een aantal

109
00:18:39.520 --> 00:18:52.020
belangrijke JavaScript packages. En als je dat dan niet weet, of liever gezegd je AI weet dat niet, dan kan het dus zijn dat je per ongeluk een beveiligingsprobleem in je software inbouwt vanaf het begin.

110
00:18:52.460 --> 00:19:08.520
Dus dat soort dingen, dat zijn wel. Ja, en dan is. Dan is denk ik ook de vraag, want volgens mij is het ook. Ik denk bij vibe code heel erg aan. Het is snel, het zijn grote kwaststreken zeg maar. Je bent s.

111
00:19:08.560 --> 00:19:22.540
Je kunt je visie, je je idee snel realiseren tot een punt realiseren dat je ermee kunt werken en het misschien zelfs met mensen kunt delen als een interactief prototype, maar soms zelfs zo ver dat het hele prototype online gaat.

112
00:19:22.880 --> 00:19:26.120
En dat dat dus een stuk software wordt waar mensen zelfs voor gaan betalen.

113
00:19:27.460 --> 00:19:38.140
Gemaakt door een groep mensen of door een individu die zelf normaal softwareontwikkelaars zou inschakelen en nu lekker gaat vibe coden en dat dan online zet. En ik denk dat daar voor mij.

114
00:19:38.400 --> 00:19:48.280
Daar zit een beetje de negatieve connotatie van vibe coding bij mij dat ik denk dat is vanuit senior programmeurs niet per se een compliment, want het is overduidelijk een stuk gevipe code code.

115
00:19:48.360 --> 00:20:00.760
Of dit is een gevipe code platform. Oftewel ja, daar moet eigenlijk op zijn minst nog één iteratie overheen om het beton te maken in plaats van karton. Ja, ja, ik snap wat je bedoelt.

116
00:20:01.120 --> 00:20:08.820
Maar ik moet zeggen, ik geniet ook wel erg van die van die creativiteit. Right. Want je kan nu als je een weet ik veel.

117
00:20:09.000 --> 00:20:20.020
Als je een secretaresse bent met een gaaf idee en je hebt toegang tot een taal model, dan kan je ook waarschijnlijk een app maken. Hoe vet is dat? Ja, het is zo. Hier ben je wel vind ik dan

118
00:20:21.140 --> 00:20:35.300
opvallend anders in je reactie dan veel senior medior developers die ik spreek. Die echt wel zich zorgen maken, gefrustreerd zijn, de tools niet willen aanraken omdat ze zeggen dit is gewoon gevaarlijk of

119
00:20:36.340 --> 00:20:46.120
het doet helemaal niet wat ik wil en ik moet het uiteindelijk toch helemaal opnieuw gaan maken zelf. Dus waarom zou ik het hier ooit in maken? Ik roep even de standaard dingen die ik een beetje op gang in de gang hoor.

120
00:20:46.620 --> 00:20:55.540
Maar jij zegt eigenlijk oké, er is ook een hele kracht aan. Ik vind het ook wel mooi bevrijdend voor een groep mensen die voorheen helemaal niet iets kon maken.

121
00:20:56.320 --> 00:21:08.719
Ja, nou, ik snap dus ook waar de frustraties van de senior developers vandaan komen. Want ik ben zelf ook iemand die regelmatig gevipe code code ziet en ermee moet werken. Het moet aanpassen, het moet debuggen.

122
00:21:09.260 --> 00:21:20.200
En het is heel frustrerend als je natuurlijk elke dag wordt geconfronteerd met een berg spaghetti code waarvan je gewoon. Vaak kan je aan de comments zien of het bijvoorbeeld uit een cursor of zo'n soort tool komt.

123
00:21:21.180 --> 00:21:36.480
Omdat ze in prachtig vloeiend Engels zonder typo's vrij consistent elke drie regels verschijnen. Ja, dat, dat is natuurlijk super frustrerend. Maar. En er is ook een verschil van hoe zet je de gevipe code software in?

124
00:21:36.640 --> 00:21:47.380
Is dat iets wat je lokaal op je eigen computer draait? Of is dat iets dat je gebruikt om bijvoorbeeld een paar plaatjes voor je management PowerPoint-presentatie mee te genereren? Of is het een complete business?

125
00:21:47.440 --> 00:21:58.020
En want dan, dan hebben andere mensen er ook last van. Zeg maar als jij een onveilige applicatie oplevert en mensen gaan daar hun persoonlijke data in in zetten en er geld voor betalen.

126
00:21:58.500 --> 00:22:05.180
Ja, daar vind ik natuurlijk wel wat van. Ja, en zou je dan wat? Wat ik dan ook vaak terugkrijg is oké, je vibe code iets.

127
00:22:05.240 --> 00:22:14.880
Daarmee sla je een paar grote stappen over, waardoor je snel naar de markt toe kan om je idee te valideren of naar je collega's toe kan om je idee te valideren.

128
00:22:15.200 --> 00:22:26.460
Daar zit allemaal tijdswinst, maar dan zou je als cynische ontwikkelaar kunnen zeggen prima, maar je schuift eigenlijk die betaling de toekomst in. Je maakt een soort lening wat ze dan technical dept noemen.

129
00:22:26.480 --> 00:22:39.420
Letterlijk dus eigenlijk een lening. Technisch schulden Technisch dat je zegt wat je aan het begin van het project voorop loopt, moet je uiteindelijk richting het eind van het project allemaal weer gaan inhalen.

130
00:22:39.600 --> 00:22:48.220
Misschien zelfs meer tijd. Is dan echt een cynische kijk erop, dus doe het gewoon helemaal niet. Hoe reageer jij daarop op dat argument? Ja, ik kijk.

131
00:22:48.260 --> 00:22:54.180
Ik werk voornamelijk voor startups en in de context van startups is dit eigenlijk hartstikke slim.

132
00:22:54.800 --> 00:23:04.700
Want zoals je al zegt, technical dept is ook een vorm van dept, dus dat betekent eigenlijk financiering voor je bedrijf als je het heel droog bekijkt. Mooi, je draait hem om.

133
00:23:05.220 --> 00:23:15.370
Ja, en dat betekent dus dat je dat het een soort vorm van investering is. Je hebt dus resources die je kan inzetten en dan later moet je het ooit terugbetalen.

134
00:23:15.840 --> 00:23:26.160
Maar startups weten vaak in het begin nog helemaal niet wat ze exact gaan bouwen. Dus het is een soort raketje onder je product. En vooral het experimenteren met met je product.

135
00:23:27.000 --> 00:23:43.220
En dan geeft het helemaal niet dat dat code is die je op termijn weg gaat gooien. Gisteren sprak ik iemand en die hebben net een poster laten drukken van een SpaceX foto. Daar hebben ze een foto gemaakt van die drie.

136
00:23:43.240 --> 00:23:52.740
Ik weet niet precies wat het zijn thrusters of rockets of zo. Drie Raptors naast elkaar. De eerste Raptor is echt een soort spaghetti. Het lijkt wel of een stofzuiger en

137
00:23:53.660 --> 00:24:04.920
111 bord met spaghetti een baby hebben gehad zeg maar. Zo, zoveel bedrading en buizen en zo zitten er op. Alles is open, hij is bulky. En dan de tweede. Daar zie je dat al de helft van de buizen zijn weggehaald.

138
00:24:04.930 --> 00:24:17.440
Dan zijn ze al duidelijk meer dichter bij wat het uiteindelijk moet worden. En de derde is weet ik veel. 3D-print. Die is mooi gespoten in één kleurtje, die heeft een kap. Dus zo gaat innovatie.

139
00:24:17.520 --> 00:24:29.209
Het eerste resultaat is altijd superlelijk. En als Vibe code jou in staat stelt om dat eerste product.Nou 100 keer zo snel te maken of met een veel kleiner team. Ja, dat is hartstikke cool.

140
00:24:29.970 --> 00:24:44.290
Ja dus wat je eigenlijk zegt is als je dat veel meer iteratieve proces omarmt en weet. We moeten nou eenmaal heel veel dingen de wereld in brengen om het in de realiteit te testen. Er moeten mensen mee gaan werken.

141
00:24:44.870 --> 00:24:49.730
Mensen moeten voelen wat er gebeurt. We moeten het letterlijk de lucht in schieten en kijken wanneer het ontploft, zeg maar.

142
00:24:49.790 --> 00:24:58.150
Je kunt alles voornemen, je kunt alles voorberekenen, maar je kunt ook zeggen we gebruiken de realiteit als testbank. Ehm, wat wat een beetje de, nou niet een beetje.

143
00:24:58.170 --> 00:25:09.450
Dat is eigenlijk de visie van SpaceX, zeg gewoon als raketten ontploffen weten we meer. Dat is een hele andere kijk dan het slechte nieuws van de raket is ontploft dus. Maar dan?

144
00:25:09.590 --> 00:25:21.850
Dan raak je wat mij betreft eigenlijk aan dat vibe coding een goede plek kan hebben in een ontwikkeltraject. Zolang iedereen binnen dat traject bewust is van waar het voor ingezet wordt, namelijk rapid prototyping.

145
00:25:21.870 --> 00:25:32.410
Er mogen dingen ontploffen. En jongens, waarschijnlijk gaan we het allemaal weer weggooien straks. En dat weten we. En dat is een investering die we later alsnog gaan maken.

146
00:25:32.790 --> 00:25:38.190
En daar zitten denk ik, zitten er een aantal ontwikkelaars nu te luisteren die dan misschien denken maar gebeurt dat dan ook nog

147
00:25:39.170 --> 00:25:47.210
en gaat die vibe code ooit de vibe code prototypes, Gaan die ooit nog offline of blijven die daar hangen? Want wat? Hoe zie jij dat nu gebeuren?

148
00:25:47.290 --> 00:25:57.590
Zie jij inderdaad dat er een refactor, oftewel de raket spaghetti verwijderen en opnieuw bouwen plaatsvindt? Ja, dat, dat komt dus wel op de schouders van de senior developers neer.

149
00:25:57.770 --> 00:26:06.650
Ik denk dat er daarom ook zoveel salty heid over is in de praktijk, want het moet vanuit de senior developers komen om te zeggen hey, we hebben software.

150
00:26:06.970 --> 00:26:14.350
Het lijkt alsof die werkt, maar eigenlijk is het niet zo, want het staat de hele dag in de fik. Er moet iets herschreven worden of er moet iets verbeterd worden.

151
00:26:14.410 --> 00:26:24.010
Dat, want de de de junior developers gaan dat niet zien en zeggen en die hebben ook niet zo'n rol in een, in een, in een developer team. Dus dat klopt.

152
00:26:24.150 --> 00:26:37.310
De de senior developers hebben er wel relatief meer werk van dan de junior developers die vrolijk op enter drukken en een nieuwe app genereren uit het niets. Maar verandert dan nu ook dan die rol van die senior?

153
00:26:37.370 --> 00:26:42.270
Want ik heb met Alexander de laatste maanden veel over die junior, medior senior gehad.

154
00:26:42.350 --> 00:26:51.690
Dat we ons ergens ook zorgen maken dat die rol voor de junior ingewikkelder wordt nu omdat je eigenlijk niet meer aangenomen wordt in je junior rol. Nou ja, je kunt.

155
00:26:51.730 --> 00:27:04.070
Je hebt eigenlijk de kans niet meer om als junior je te kunnen doorontwikkelen, omdat de projecten waar je opgezet wordt, word je opgezet met AI achtige vibe coding tools en daarna nemen jouw collega's het over om het op te ruimen.

156
00:27:04.110 --> 00:27:10.970
Ik zeg het even heel gechargeerd, maar en maar jij gaat het opruim proces niet meemaken. Dus hoe?

157
00:27:11.230 --> 00:27:19.870
Hoe word je dan een een goede senior als je als junior constant het naar de volgende groep aan het brengen bent waar je dan geen onderdeel van wordt? Ik bedoel, dit is een hele

158
00:27:20.850 --> 00:27:32.810
nieuwe vraag die ik je nu stel, dus geen zorgen dat het nog niet opgelost is. Maar wat is jouw kijk erop? Nou, ik denk dat iedereen zich moet aanpassen, want dit zijn best wel impactvolle tools.

159
00:27:32.870 --> 00:27:41.610
Dus dat sowieso senior developers die zeggen ik wil het niet aanraken, want ik ben hier tegen. Dat vind ik persoonlijk echt heel erg onverstandig.

160
00:27:41.670 --> 00:27:50.610
Want ook om de zwakke punten goed aan te kunnen wijzen moet je er zelf mee gewerkt hebben. Je moet kunnen zien wat de sterke plekken zijn, want die zijn er ook.

161
00:27:50.810 --> 00:28:00.370
En als je zegt die zijn er niet basta dan, dan heb je te veel oogkleppen op. Hot take van de dag. Benoem eens als je wil. Zeg maar als je dat als je die sterke kanten dan is.

162
00:28:00.650 --> 00:28:04.710
Wat ik wat ik eerder al noemde bijvoorbeeld als je heel veel boilerplate code moet schrijven.

163
00:28:04.770 --> 00:28:15.330
Code die je voor elk project weer overnieuw moet implementeren en die eigenlijk heel saai en oninteressant en straightforward is. Dat kan je prima door een taal model laten doen. Om een.

164
00:28:15.370 --> 00:28:25.770
Om een voorbeeld te noemen als ik een Python script schrijf bijvoorbeeld, weet ik veel om mijn banktransacties in te lezen zodat ze naar mijn administratie kunnen. Dan wil je dat je dat makkelijk kan gebruiken.

165
00:28:25.990 --> 00:28:37.910
Dan kan je zeggen oké, nou, ik wil een optie hebben dat ik er een file aan kan geven. En ik wil een optie dat ik kan specificeren van welke bank het afkomstig is. En ik wil een optie. Weet ik veel.

166
00:28:38.010 --> 00:28:47.190
Dat soort dingen, dat dat, dat zijn dingen die die vibe code ik, daarvan weet ik, dat zijn een paar regels. Dat is niet ingewikkeld, daar kan je niet zoveel foutjes in maken. En dan?

167
00:28:47.290 --> 00:29:00.830
Dan kost dat letterlijk één seconde in plaats van een kwartier waarin ik weer de documentatie aan het opzoeken ben en al die opties aan het uittypen ben. En een help regeltje voor Judith in de toekomst aan het typen ben.

168
00:29:00.930 --> 00:29:12.190
En al die al die kleine klusjes, ja die zijn dan onmiddellijk voor je gedaan. En dat is heel lekker. Dat is natuurlijk nog wel een ingewikkelde jij. Jij weet dan en kan goed inschatten waar wel, waar niet.

169
00:29:13.250 --> 00:29:21.210
Maar om dat goed in te kunnen schatten moet je eigenlijk best wel veel weten over ontwikkelen en wat software is en software architectuur.

170
00:29:22.050 --> 00:29:27.310
Wat je dan niet zo snel te pakken krijgt als je het jezelf geleerd hebt tijdens het vibe code.

171
00:29:27.350 --> 00:29:44.410
Want ik ik heb steeds het idee dat ontwikkelaars die redelijk goed geworteld zijn in de bestaande softwareontwikkeling, trajecten en projecten, dat die als ze deze tools juist inzetten of als ze deze tools inzetten, dat ze de keuzes kunnen maken tussen waar wel en waar niet, omdat ze het totaalplaatje kennen.

172
00:29:44.950 --> 00:29:55.010
Maar wat als je het totaalplaatje nog niet kent? En je komt nieuw in deze wereld met je coole vibe code prototypes die iedereen helemaal te gek vindt, zeg maar. Hoe ontgroeien dat dan? Ik denk dat.

173
00:29:57.450 --> 00:30:06.990
Bedrijven zullen wel altijd juniors moeten blijven aannemen. Om de simpele reden dat de seniors op een gegeven moment bijvoorbeeld weggaan of met pensioen gaan. Of die zijn er gewoon niet voor eeuwig.

174
00:30:08.510 --> 00:30:19.650
En software engineering is veel meer dan alleen maar code implementeren. Want het gaat ook over met mensen praten en een stukje geschiedenis weten van bijvoorbeeld het bedrijf waar je werkt.

175
00:30:20.230 --> 00:30:31.018
Een stukje domeinkennis hebben van het product dat je aan het bouwen bent en dus niet alleen de de technische details, maar het is ook echt mensenwerk.En uhm,

176
00:30:32.098 --> 00:30:42.718
als je nu bang bent dat je als junior niet meer de dingen gaat leren die je nodig hebt om om ooit een senior te kunnen worden, dan. Ik denk dat dat probleem er altijd al geweest is.

177
00:30:43.138 --> 00:30:52.678
Want sommige mensen beginnen als software engineer en die hebben helemaal geen goede begeleiding al vanaf het begin. Dat gebeurt nu ook al. Dus deliberate practice is dan het antwoord namelijk

178
00:30:53.798 --> 00:31:04.398
reflecteren op wat je al kan en ook reflecteren op wat je nog niet kan. En dan actief moeite doen om die gaten in je kennis en je vaardigheden op te vullen. Maar dat is iets van alle tijden.

179
00:31:04.438 --> 00:31:10.918
Dat heeft eigenlijk niks met AI te maken. En zou je dan ook AI daarvoor in kunnen zetten? Om hem even lekker meta te maken.

180
00:31:10.978 --> 00:31:20.098
Maar ik heb bijvoorbeeld programmeurs die ik spreek, juniors die zeggen ja, ik heb gewoon een system prompt instructie staan die eigenlijk zegt je mag me nooit direct antwoorden geven.

181
00:31:20.158 --> 00:31:30.918
Je moet me uitleggen hoe ik het op moet lossen. Dus dan heb je een. Dan ben je zelf ook aan het groeien in plaats van dat je het constant aan een aan een ander systeem geeft. Hoe zie je dat? Ja, het kan zeker.

182
00:31:31.198 --> 00:31:42.758
Ik bedoel een taalmodel of wat voor AI model dan ook. Het is een soort communicatie interface, die generatieve AI. En als dat een, een communicatie interface is die bij jou past. Ik bedoel go for it.

183
00:31:43.658 --> 00:31:53.398
Ik ben zelf heel erg van de van de boeken lezen en met mensen praten. Want een recommendation van iemand die ik goed ken of die mij goed kent is altijd meer waard dan ook de bovenste hit op Google.

184
00:31:53.818 --> 00:32:05.178
Dus of het nou een, een Google zoekopdracht is of een AI model dat je een antwoord geeft, ja, daar heb ik toch minder aan dan een, een aanrader of kennis die uit mijn vertrouwde netwerk komt.

185
00:32:05.678 --> 00:32:16.518
Er zijn mensen die gaan super goed op YouTube filmpjes. Er zijn mensen die gaan super goed op podcasts. Dus ik zie taalmodellen meer als weer een nieuw medium dat je in je arsenaal kan hebben.

186
00:32:17.638 --> 00:32:28.958
Zelf experimenteer ik daar niet zo heel veel mee. Of in ieder geval niet. Ik gebruik AI niet om nieuwe dingen te leren, omdat het mij nog een beetje te vaak overkomt dat hij dingen genereert die gewoon echt niet bestaan.

187
00:32:30.418 --> 00:32:42.428
En als je bijvoorbeeld een AI met websearch hebt dat die bronnen pakt die ik zelf niet zou hebben uitgekozen. Ja, maar jij hebt dus mee te kijken. Je hebt dat door. Maar goed, ja, dat dat is natuurlijk de vraag.

188
00:32:43.458 --> 00:32:52.358
Ook extreem kritisch, want ik bedoel, ik heb een wetenschappelijke achtergrond. Dus als er in een blogpost staat AI maakt mensen productiever, dan denk ik ja ho eens even.

189
00:32:53.298 --> 00:33:02.938
Is dit een whitepaper van een bedrijf dat mij iets probeert te verkopen? Of is dit een groep wetenschappers die een langetermijnstudie heeft gedaan? Misschien is dat op zich wel goed om

190
00:33:04.058 --> 00:33:17.458
toch even stil te staan bij het verschil machine learning en generatieve AI. Want het lijkt wel eens alsof AI, wat dan nu vaak gaat over taalmodellen of omni modellen die allerlei dingen kunnen voorspellen, waaronder.

191
00:33:18.148 --> 00:33:34.578
Ja, je zei het al geluid, beweging, beeld en tekst. Terwijl dat veld bestaat al veel langer. Het voelt voor mij ook wel eens alsof nu de iets theoretische machine learning statistiek

192
00:33:35.798 --> 00:33:46.107
data wereld data science veel meer richting de praktisch toegepaste software engineering aan het komen is. Misschien was het altijd al zo, hoor. Voel je dat niet?

193
00:33:46.178 --> 00:33:55.698
Maar het lijkt alsof die werelden nu wat dichter naar elkaar toe zijn gekomen in de laatste twee, drie jaar. Is dat zo? Of zit ik nu echt iets te verzinnen wat niet zo is? Nee, dat klopt wel.

194
00:33:55.738 --> 00:33:57.858
Het gaat heel langzaam, want machine learning.

195
00:33:58.338 --> 00:34:11.758
Kijk, de AI als vakgebied bestaat al sinds de jaren zestig, maar we hebben in de ja in de computertechnologie natuurlijk eerst een soort beweging naar überhaupt het verzamelen en gebruiken van data binnen bedrijven gehad.

196
00:34:11.778 --> 00:34:22.758
En toen kwam er langzaam software en digitalisering. En die golf van verandering is eigenlijk nog steeds niet klaar. Right. Er zijn nog steeds bedrijven die hebben mega veel data.

197
00:34:22.838 --> 00:34:30.698
Of die zouden ze kunnen hebben, maar die slaan ze niet op die dat nog helemaal niet gebruiken. En nu is er dus een nieuwe golf.

198
00:34:31.438 --> 00:34:41.738
Die is ook al weet ik veel, tien jaar geleden of zo begonnen met dat er machine learning kan worden gebruikt. Dus dan heb je vervolgens die data bij een bedrijf. Dan kan je er vervolgens ook nog van gaan leren.

199
00:34:41.778 --> 00:34:53.598
Dus een voorbeeld dat ik vaak gebruik is. Het wordt bijvoorbeeld heel veel ingezet in de logistiek en planning voor supermarkten. Als je weet van oh, elk jaar in juni en juli en augustus verkopen we meer ijsjes.

200
00:34:54.218 --> 00:35:05.898
En we weten ook nog wat de temperaturen waren op die dagen uit het verleden. Dan kan je dus een voorspellend model maken dat voor jou uitrekent hoeveel ijsjes je moet inkopen als supermarkt.

201
00:35:06.618 --> 00:35:13.578
Nou, die golf is ook nog steeds aan de gang, want de meeste bedrijven hebben ook nog steeds geen machine learning in hun operaties ingebouwd.

202
00:35:14.278 --> 00:35:25.518
En dan komt daar dus nu nog een derde golf bovenop, namelijk Wow, we hebben generatieve AI. Dat doet allerlei dingen die we vaak nog niet eens kunnen verzinnen van tevoren. Dus dat is zo in opkomst.

203
00:35:25.558 --> 00:35:36.658
Dat is zo nieuw dat er ook nog geen standaard manier van werken mee is. Dus voor gewone machine learning beginnen er nu heel erg langzaam standaard tools te ontstaan.

204
00:35:37.018 --> 00:35:47.358
Je hebt standaard manieren van zo'n machine learning model in de gaten houden. Je hebt standaard manieren van werken met data. Mensen weten wat een data scientist is en doet.

205
00:35:47.418 --> 00:35:58.178
Er is een soort standaard vacature voor wat een data scientist moet doen. Dat is dus allemaal een teken dat dat veld langzaam iets volwassener begint. Dat is de tweede golf, niet die derde golf. Generatieve AI. Precies.

206
00:35:58.458 --> 00:36:02.258
En generatieve AI, die golf, daar ben ik dus op aan het surfen met mijn bedrijf.

207
00:36:04.118 --> 00:36:15.658
Ons probleem is dat al die standaard tooling die je voor gewone machine learning dus met cijfertjes denk aan Excel sheets, maar dan robots met Excel sheets. Die heb je daar wel voor en voor ons nog niet.

208
00:36:15.878 --> 00:36:30.498
Als ik wil weten wat mijn machine learning model doet, wat mijn taalmodel aan het uitspoken is, dan moet ik daar hele experimentele tooling voor gebruiken die waarschijnlijk vorige week door een student in Duitsland in elkaar is gehackt als startup idee.

209
00:36:30.978 --> 00:36:39.498
En dan moet je maar hopen dat het volgende maand nog draait. Dus een heel belangrijk deel van ons werk is ook uitvogelen welke tools er nu op de markt zijn en welke er

210
00:36:40.958 --> 00:36:50.998
oké is genoeg zijn om te gebruiken, ook al zijn ze allemaal pas een half jaar oud. En dat in de gaten houden, dat is dus ook.Een van de dingen die wij doen voor onze klanten.

211
00:36:51.058 --> 00:37:02.178
En dat vind ik wel boeiend om misschien een parallel te maken met het idee van vibe code versus senior developers. Iemand die vibe code, die is eigenlijk niet onder de motorkap aan het kijken.

212
00:37:02.198 --> 00:37:10.458
Of in ieder geval, ik moet het zo zeggen iemand die eigenlijk geen softwareontwikkelaar is en gaat vibe code die kijkt niet onder de motorkap, krijgt wel heel veel resultaat en kan dat delen.

213
00:37:10.998 --> 00:37:22.358
Maar wanneer dat op een gegeven moment uit de hand loopt, namelijk het wordt echt gebruikt en dan krijg je schaling. Probleem met schalen, probleem met veiligheid, raar gedrag wat je niet herkent, herkent.

214
00:37:22.958 --> 00:37:28.578
Dat is wat er bij softwareontwikkelaars gebeurt die zonder al te veel ervaring grote sprongen nemen met vibe code.

215
00:37:28.848 --> 00:37:34.958
Dan komen er senior developers bij om dat dan weer op te ruimen eigenlijk of in ieder geval strak te trekken. Het is maar net welke term je wil gebruiken.

216
00:37:35.458 --> 00:37:40.118
Maar er is dus nog een niveau waar je zou kunnen zeggen in ieder geval. Dat hoor ik, hoor ik een beetje in je verhaal.

217
00:37:40.758 --> 00:37:47.378
Je hebt senior softwareontwikkelaars die minder geschoold zijn in data science, machine learning, et cetera.

218
00:37:47.978 --> 00:37:58.458
Die hele mooie stukken software maken en mooi als in voldoet aan de regels is opgezet op een professionele manier waar stukken in zitten die bouwen op generatieve AI.

219
00:37:59.018 --> 00:38:06.398
Wat voor hun eigenlijk weer een beetje een black box is, want het is een nieuw veld wat ze inschakelen, wat ze voorheen minder aanraakten.

220
00:38:06.938 --> 00:38:18.818
En als die dan als senior developers, dat zou zou kunnen gebeuren tegen de limiet aanlopen van hun kennis over die dozen die ze integreren, die ze eigenlijk niet helemaal open kunnen maken en begrijpen, dan kom jij er ook bij.

221
00:38:19.618 --> 00:38:27.338
In eerste instantie dacht ik je gaat vibe code gevipe code projecten opruimen. Dat is een beetje een grapje ook, hoor. Maar ik bedoel, dat is ook een deel van wat er gebeurt, dus misschien is het dubbel.

222
00:38:27.818 --> 00:38:37.378
Je hebt en door junioren en enthousiaste mensen met grote ideeën gemaakte vibe code base code bases die misschien niet helemaal kunnen schalen.

223
00:38:37.748 --> 00:38:46.498
Maar je hebt ook gewoon senior softwareontwikkelaars die al heel lang software maken en blokken hebben geïntegreerd die ze weer niet helemaal begrijpen. Ja dus.

224
00:38:47.238 --> 00:38:59.198
Ik ruim wel eens gevipe code code inderdaad op, maar dat is alleen gevipe code code die weer taalmodellen aanroept. Ja, want anders is het echt zo specifiek. Het is echt zo specifiek zeg maar.

225
00:38:59.218 --> 00:39:09.658
Het is gewoon dat tweede voorbeeld namelijk er zijn dozen geïntegreerd en logica die door de softwareontwikkelaars niet volledig doorgrond worden of genoeg doorgrond worden om schaal probleem met schalen op te lossen.

226
00:39:09.678 --> 00:39:22.878
Of rare resultaten, want je zei net al het kan zo zijn dat je je product wil laten schalen. Dan kunnen jullie ingeschakeld worden. Maar het kan ook zo zijn dat er rare resultaten uitkomen die niet begrepen worden.

227
00:39:22.938 --> 00:39:36.158
Ja, precies. Het allereerste wat ik tegen mijn klanten zeg stel je voor. We hebben het over. Iemand heeft een app gebouwd en in die app zit een taalmodel. Die taalmodel, die moet een aantal dingen doen. En op een dag dan

228
00:39:37.158 --> 00:39:47.958
kijk je naar die app en dan denk je nou die, die die. Ons robotje doet helemaal de verkeerde dingen. Wat? Wat de hel gebeurt hier? Nou, dan kan ik komen kijken en dan ga ik.

229
00:39:48.338 --> 00:40:01.078
De eerste vraag die ik je dan stel is heb je logging? Heb je op een of andere manier opgeslagen wat het gedrag nu is en wat het gedrag in het verleden was, zodat je precies kan zien wat er gebeurt en in welke stappen.

230
00:40:01.138 --> 00:40:12.918
En ook wat de exacte opdracht is die je bijvoorbeeld hebt meegegeven aan het taalmodel. En als je die informatie hebt, dan heb je best wel veel handelingsperspectief. Dan kan je namelijk gaan kijken.

231
00:40:12.958 --> 00:40:24.218
Ligt het aan het model? Ligt het aan de prompt? Ligt het aan de data? Vaak blijkt bijvoorbeeld dat er gewoon iets is veranderd in de database, waardoor het taalmodel opeens net iets andere instructies krijgt.

232
00:40:25.198 --> 00:40:33.778
Soms heeft iemand de prompt aangepast met het idee van o, we moeten de robot een beetje bijsturen, want we hebben, weet je wel. We hebben een nieuw.

233
00:40:33.898 --> 00:40:43.598
Een nieuwe verandering gemaakt aan onze app en dat moet erin verwerkt worden. En soms introduceer je dan per ongeluk een ambiguïteit waardoor zo'n taalmodel de opdracht heel anders gaat interpreteren.

234
00:40:43.608 --> 00:40:53.158
Maar het kan ook technischer. We hebben ook wel eens gezien dat zodra je aan een taalmodel vraagt om op het internet te gaan zoeken, dat in het geval van Google.

235
00:40:54.038 --> 00:41:06.598
Ging Google dan stiekem zonder het jou te vertellen de system prompt aanpassen. Dus wij vroegen het taalmodel Gemini om een bepaalde taak uit te voeren en we kregen een radicaal ander resultaat.

236
00:41:06.738 --> 00:41:17.358
Met en zonder Google Web Search erbij. En dat bleek dus door die system prompt te komen, want die overschreef als het ware onze eigen instructies. En vind je dat dan ergens in de documentatie van Google?

237
00:41:17.398 --> 00:41:26.558
Of is dit gewoon een beetje trial and error en zelf prikken om te kijken wat er gebeurt? Hartstikke trial and error, want die system prompt, die is geheim tussen aanhalingstekens.

238
00:41:27.358 --> 00:41:38.058
Als je er specifiek naar gaat zoeken, dan vind je hem op Reddit. Dus hij is wel eens gelekt, maar die staat niet in de documentatie nee. Ja, want dit is iets waar ik het in een eerdere aflevering over had.

239
00:41:38.078 --> 00:41:49.258
Dat ging over non-deterministische en deterministische taalmodellen. Dat het idee dat taalmodellen nu als je ze aanspreekt non-deterministisch zijn. Dus je krijgt nooit hetzelfde antwoord,

240
00:41:50.178 --> 00:42:00.198
zelfs als je de temperatuur naar nul zet. Maar dat het ook mogelijk is in ieder geval, dat is dan nu bewezen dat je modellen kunt maken op een manier dat ze wel altijd hetzelfde antwoord geven.

241
00:42:00.678 --> 00:42:13.678
Dat hele idee dat je nu een schakel in jouw software hebt zitten die nooit hetzelfde antwoord geeft. Ja, wat jij zegt eigenlijk die het is ambigu, dus er komen allerlei dingen in. Iemand heeft ergens iets aangepast.

242
00:42:13.698 --> 00:42:24.878
Dat kan Google zijn, dat kan een softwareontwikkelaar zijn. Het kan een gebruiker zijn die mee begint te prompten, per ongeluk of bewust. En eigenlijk heb je te maken met een softwaresysteem in ieder geval.

243
00:42:24.938 --> 00:42:38.138
Zo zie ik dat dan, dat een stuk minder voorspelbaar is dan vroeger. Ja, er zijn weer nieuwe moving parts bijgekomen. En wat je nou bijvoorbeeld ook hebt is die nieuwe GPT modellen van OpenAI. Die

244
00:42:39.098 --> 00:42:48.898
maken zelf geloof ik de beslissing hoeveel denk tokens ze willen gebruiken en hoe sterk het model is dat dat eigenlijk wordt aangeroepen.

245
00:42:49.058 --> 00:43:01.186
Dus het wordt ook steeds meer een black box.Ehm, dat is denk ik deels omdat het gebruiksvriendelijk is, want de meeste mensen willen helemaal niet nadenken over de hyper parameters van hun model.

246
00:43:01.226 --> 00:43:09.446
Dat is allemaal veel te technisch. Ehm, hè, denk aan de Apple producten, die deden dat ook altijd al. En aan de andere kant is het ook een stukje IP, uh, bescherming.

247
00:43:09.746 --> 00:43:19.226
Want hoe minder je aan je concurrenten laat weten, uh, wat- Het is jouw special sauce. Ja. Ja, en dat maakt, dat maakt het net even wat beter en dat wil je helemaal niet naar buiten hebben.

248
00:43:19.766 --> 00:43:25.606
Ja, maar dat maakt het dus ook veel ingewikkelder voor software developers om erachter te komen wat er nou eigenlijk allemaal aan het gebeuren is.

249
00:43:26.106 --> 00:43:36.536
En dan is het handig als je mensen in dienst hebt of mensen kan invliegen die daar zich fulltime mee bezighouden. En heb je dan nu, uh, het idee dat dit dan een soort nieuwe functie is?

250
00:43:36.586 --> 00:43:42.306
Of heet het gewoon een machine learning engineer? Ook al is dat woord machine learning niet helemaal het woord voor generatieve AI?

251
00:43:42.406 --> 00:43:49.006
Of is dat wel gewoon het woord en is generatieve AI gewoon een, een vorm van machine learning? Ja, absoluut, dat laatste.

252
00:43:49.506 --> 00:43:56.646
Dus de, de meeste mensen die gespecialiseerd zijn in generatieve AI noemen zichzelf, zeg maar op technisch gebied, noemen zichzelf ook gewoon machine learning engineer.

253
00:43:56.726 --> 00:43:59.126
Dat is denk ik de beste titel die we op dit moment hebben.

254
00:43:59.646 --> 00:44:09.326
Een paar jaar geleden stond er nog met veel, uh, hoofdletters in de krant van: ja, prompt engineer wordt de functie van, ik zal maar zeggen 2023, maar dat, dat valt eigenlijk best wel mee.

255
00:44:09.936 --> 00:44:19.566
[lacht] Denk je dan dat, uhm, als je bijvoorbeeld kijkt naar de, uh, uh, Francois Cholet heet hij volgens mij van de Arc Challenge, die zich heel erg zorgen maakt.

256
00:44:20.166 --> 00:44:35.206
Het hele idee van, uh, taalmodellen, uh, token voorspellers en denken dat je daarmee naar een soort general intelligence kunt. Hè, een intelligentie zo breed als dat die van de mens is. Dat is eigenlijk, uh, een farce.

257
00:44:35.246 --> 00:44:43.976
En ook gevaarlijk, want daarmee ben je als een soort tunnelvisie heel erg aan het blindstaren op token voorspellers, uh, terwijl je een veel bredere,

258
00:44:45.006 --> 00:44:53.646
een, een, een hele andere strategie waarschijnlijk nodig gaat hebben om daar te komen. Dus we zitten in een soort van, ja, wat je dan ook wel eens lokaal optimum kan noemen. We gaan allemaal zo'n fuik in.

259
00:44:53.726 --> 00:45:00.906
Nu allemaal als in een groot deel van de aandacht in de industrie en ook wel deels in de wetenschap gaat die kant op, want daar wordt het heen geduwd.

260
00:45:00.916 --> 00:45:08.566
Maar het heeft, het heeft, het is een dead end, zeg maar, die, het is, het is een doodlopende gang. We moeten er weer uit en we moeten de nieuwe gangen gaan zoeken.

261
00:45:08.586 --> 00:45:18.456
Heel dramatisch hoe ik dit vertel, maar hoe, hoe kijk jij daarnaar? Niet, niet op zo'n extreme manier vooral. [lacht] Want ik vind dat als mensen zich willen bezighouden met generative AI.

262
00:45:18.666 --> 00:45:23.466
Ik bedoel, ik ben er zelf ook enthousiast over, anders werkte ik niet in dit vakgebied. Uhm, ik vind het heel vet.

263
00:45:23.546 --> 00:45:30.126
Ik denk dat we net onze eerste teen in het water hebben, zeg maar wat betreft, uh, wat er allemaal kan met generatieve AI.

264
00:45:30.226 --> 00:45:39.286
Want ondanks de hype en al die gebakken lucht en al dat, nou ja, domme geld in de markt dat maar: oh, je zegt generatieve AI, hier is mijn steun voor eeuwig.

265
00:45:39.846 --> 00:45:51.546
Dat, dat, ja, dat is gewoon overdreven, dat gaat vanzelf weer weg. Maar ik denk dat er dan ook een heleboel nuttigs overblijft. Ik bedoel, het was bij de dotcombubbel was er ook een hoop gebakken lucht en een hoop onzin.

266
00:45:51.736 --> 00:45:59.046
Maar er waren ook bedrijven die daadwerkelijk nuttige dingen aan het doen waren. En denk jij dat, als we nog even terug kunnen komen op het, uh,

267
00:46:00.426 --> 00:46:11.106
je hebt het bij vibe code junioren schrijven een stuk code wat ze zelf nog niet helemaal begrijpen. Dat gaat ergens in productie, begint te kraken en piepen en heeft eigenlijk een nieuwe slag nodig.

268
00:46:11.146 --> 00:46:22.706
Hè, misschien wel helemaal opnieuw schrijven. Of in ieder geval een hoop opruimen. In dat geval, waarom zouden dat, zou dat niet uiteindelijk gedaan kunnen worden door generatieve modellen, die tweede stap, hè.

269
00:46:22.906 --> 00:46:30.846
Zie het als een soort first take is de single shot snel vibe code en de second take is: nu komen de volwassenen in de kamer het eventjes allemaal rechtzetten.

270
00:46:31.286 --> 00:46:42.506
Waarom zou die AI niet volwassen genoeg kunnen worden om die stap door te maken? Het heeft een beetje te maken met dat ik, uh, vind dat software engineering dus ook mensenwerk is.

271
00:46:42.666 --> 00:46:54.906
Dus er zit een stukje empathie, domeinkennis, uhm, ook activiteiten die te maken hebben met, met mensen praten en wat minder met programmeren. Dat, dat hoort allemaal bij software engineering.

272
00:46:54.966 --> 00:47:06.526
En dat stukje, dat zie ik taalmodellen nog niet volledig zelfstandig doen. Dat is één. Wat betreft technisch inhoudelijk sterk genoeg zijn om die clean up te kunnen doen.

273
00:47:06.586 --> 00:47:15.706
Ja, misschien komen we daar op een gegeven moment wel. Nou, dan, dan zien we dat en dan, uh, zien de, de, de seniors die er nu verantwoordelijk voor zijn, die zien dat hopelijk ook.

274
00:47:16.746 --> 00:47:24.166
Uhm, maar ik weet ook dat, uh, je kan bijvoorbeeld heel veel geautomatiseerde tooling nu al inzetten om problemen op te sporen met je code.

275
00:47:24.186 --> 00:47:34.126
Hè, van linters en formatters en type checkers en, uh, bijvoorbeeld Dependabot van GitHub die zegt: oh, je hebt een onveilige dependency in je project, laat me dat voor je fixen.

276
00:47:34.966 --> 00:47:46.366
Uhm, dat gaat vaak goed en in 99% van de gevallen zal de tool gelijk hebben. En voor die 1% is het dan wel handig als je een mens nodig hebt of als je een mens beschikbaar hebt.

277
00:47:46.686 --> 00:47:51.486
Ja, dus dat is eigenlijk die human in de loop voor die één of 10%, hè. Is maar net waar we die slider zetten.

278
00:47:52.196 --> 00:48:13.626
Maar is dat, uh, verandert daar niet het, het hele werk heel erg mee, hè, dus dat je veel meer op de stoel komt te zitten van een checker, van een, uh, checker klinkt dan misschien, uh, nog zelfs een beetje saai, maar van een, uh, architect die, uh, inderdaad met mensen schakelt en veel meer op de stoel van een soort projectmanagement komt.

279
00:48:14.006 --> 00:48:28.546
Uh, en, en of, uh, uh, checker. Wat wel lijkt alsof de aandacht of de, uh, uren per week die jij dan besteedt als senior softwareontwikkelaar, die uren gaan wel ergens anders heen dan inmiddels. Ja.

280
00:48:28.606 --> 00:48:32.526
Je baa- je baan verandert gewoon heel erg eigenlijk. Ja, dat is wel mijn verwachting.

281
00:48:32.626 --> 00:48:59.342
En het klinkt inderdaad heel saai om van, hè, creatief persoon die software schrijft en daar ook lol en voldoening uit haalt om te gaan naar een, uhm, een job waarbij je alleen maar een checklist aan het afwerken bent of alleen maar heel oppervlakkig naar AI gegenereerde code aan het kijken bent, uh, om die 1% eruit te filteren.Tegelijkertijd zie ik dat dat er weer zoveel nieuwe problemen ontstaan door AI tooling in mijn dagelijkse praktijk.

282
00:49:00.022 --> 00:49:10.742
Er zijn zoveel nieuwe vragen, er zijn zoveel nieuwe datasets beschikbaar waar je waar je dingen mee kan doen. Dus er komen gewoon weer allemaal nieuwe dingen om aan te werken naar boven.

283
00:49:11.302 --> 00:49:23.262
En als je software engineer bent en je hebt verstand van zaken, dan kan je ook die ervaring en kennis dus voor die nieuwe problemen inzetten. Ik spreek mensen die zeggen gaaf man. Zo, dit is echt kicken.

284
00:49:23.622 --> 00:49:28.022
Die houden op een of andere manier heel erg van nieuwe technologie. Die die zitten niet heel erg.

285
00:49:28.642 --> 00:49:36.521
Nou ja, die vinden het niet zo spannend blijkbaar om een beetje overbodig te worden in een deel van wat ze kunnen, zeg maar een deel van hun competenties wordt minder waard. Laat ik het dan zo zeggen.

286
00:49:37.482 --> 00:49:44.402
Maar ik heb dus ik heb die groep een soort van omarmen. Ik vind het eigenlijk wel tof. Kan je me er meer over vertellen? En ik leer er liever zoveel mogelijk over.

287
00:49:44.922 --> 00:49:51.602
En ik heb een groep in het midden die zegt Nou, ik ben er wel een beetje mee aan het spelen, maar laten we niet overdrijven. En ik ben ook voorzichtig.

288
00:49:51.922 --> 00:49:58.982
En er is een groep die zegt ik raak het eigenlijk gewoon niet eens aan. Dit is hype of dit is niet waar of dit is gevaarlijk. Zeg maar hoe ik.

289
00:49:59.022 --> 00:50:07.962
Ik zet even die drie groepen nu neer als enthousiast, redelijk neutraal, mega cynisch. Ja, ja. Ik zit natuurlijk zelf in een bubbel door mijn werk,

290
00:50:08.862 --> 00:50:16.742
maar ik spreek wel veel mensen buiten mijn vakgebied die hier ook mee worstelen. Want het speelt natuurlijk niet alleen in software development, maar ook bijvoorbeeld in het onderwijs. Heel erg.

291
00:50:18.662 --> 00:50:25.002
Ja, de eerste die die laatste groep die je noemde die zegt ik raak het niet aan, want het is een hype. Dat snap ik niet zo goed.

292
00:50:25.202 --> 00:50:31.222
Maar ja, ik ben ook een wetenschapper, dus ik ben al redelijk snel enthousiast over nieuwe technologieën.

293
00:50:31.262 --> 00:50:40.262
Nieuwe dingen uitvogelen, zelf experimenteren, dat dat is ook gewoon dat mijn persoonlijkheid zo is en je moet er de tijd en de mentale ruimte voor hebben. Dat heeft ook niet iedereen.

294
00:50:40.802 --> 00:50:53.762
Dus ik snap dat het voor een groep mensen best wel spannend is dat er zoveel aan het veranderen is in eigenlijk veel werkvelden. Eigenlijk alle werkvelden die iets doen met ja, computers, tekst, het maken van dingen.

295
00:50:54.242 --> 00:51:02.462
Al die beroepen worden wel aangeraakt door die nieuwe technologie. Moeten we ook niet te makkelijk over doen. Dus ik snap dat het eng is voor veel mensen.

296
00:51:02.642 --> 00:51:11.122
Tegelijkertijd gaan de veranderingen ook wel weer soort van langzaam. Dus ik probeer altijd iedereen aan te moedigen om in ieder geval het zelf eens te proberen.

297
00:51:11.802 --> 00:51:23.382
Alleen maar zodat je bij de koffieautomaat een beter gesprek kan voeren over waarom het een slecht idee is om het in te zetten. Stel je voor je bent super cynisch. Ja, dus geïnformeerd cynisch. Precies.

298
00:51:23.902 --> 00:51:34.842
Gewoon vanuit je eigen vakkennis, vanuit je eigen domeinkennis, vanuit je eigen ervaringen vertellen waarom je een hekel hebt aan generatieve AI is echt veel meer waard dan het is een hype.

299
00:51:34.902 --> 00:51:40.782
Of ik ben er tegen omdat het copyright schending heeft gebruikt om de modellen te trainen.

300
00:51:40.822 --> 00:51:53.202
Of ik snap het allemaal, maar uiteindelijk is met je eigen ervaring er een mening over vormen en op die manier deelnemen aan het maatschappelijk debat en het debat op je werk en het debat met je vrienden.

301
00:51:53.242 --> 00:52:08.882
Dat vind ik wel veel waardevoller. Wat ik ook heel vaak hoor is moeten we nou wachten tot een derde partij dat er een leverancier ontstaat die ons deze toepassing kan licenseren?

302
00:52:09.762 --> 00:52:21.202
Of moeten we intern nu zelf iets gaan bouwen? Want ik, ik, ik. Je komt. Het is natuurlijk heel. Het is altijd een make or buy, zoals we dat dan noemen. Ga ik het maken nu of ga ik het kopen?

303
00:52:21.542 --> 00:52:29.442
Maar in het geval van dit werkveld, wat je ook constant aangeeft het is zo jong. Het is zo nieuw dat al die partijen die leveranciers zijn.

304
00:52:30.142 --> 00:52:39.662
Of ze zijn er nog niet, of ze zijn nog te onvolwassen, zeg maar om in te zetten op een serieuze manier. Maar het is natuurlijk ook hartstikke zonde als jij een oplossing gaat maken intern.

305
00:52:39.702 --> 00:52:45.982
Die dertig van jouw concurrenten ook nodig hebben. Die dus ook alle dertig die interne oplossing gaan lopen maken.

306
00:52:46.382 --> 00:52:57.702
Terwijl er uiteindelijk gewoon drie leveranciers ontstaan waar jullie dan als veld je licentie bij ophalen. Hoe sta je daarin? Dat ligt aan een aantal dingen. Ik zou als eerste kijken naar.

307
00:52:58.142 --> 00:53:09.722
Je had het al eerder over die drie groepen van de de, de enthousiaste early adopters. De mensen die er wel voor openstaan en rustig gaan experimenteren. En de mensen die zeggen AI. Getsie derrie, mij niet gezien.

308
00:53:11.942 --> 00:53:27.522
Als jouw organisatie heel erg digitaal volwassen is en je hebt mensen in huis die niet per se software engineer zijn, maar wel enthousiast, ja dan kan je best wel al zelf beginnen met die mensen wat vrijheid geven om te experimenteren.

309
00:53:27.582 --> 00:53:37.522
Dus dat betekent ook tijd en geld. Dus resources management steun. Want experimenteren is messy. Experimenteren kost geld, kost geld en tijd.

310
00:53:38.062 --> 00:53:42.562
En de meeste bedrijven willen wel, maar die zijn niet bereid om deze eerste investering te maken.

311
00:53:43.742 --> 00:53:56.442
Maar het goede nieuws is dat enthousiaste mensen vaak in zeg maar één of twee dagen tijd al best wel met hele gave dingen kunnen komen. Dus workflows om het leven van collega's makkelijker te maken.

312
00:53:56.622 --> 00:54:09.582
Of een specifieke tool die één ding doet wat het bedrijf bijvoorbeeld nodig heeft. En dat kost vaak helemaal niet zoveel tijd en geld. Dus steun van het bedrijf is een is een heel mooi eerste ingrediënt.

313
00:54:10.502 --> 00:54:22.022
Als je nou helemaal geen technische mensen in dienst hebt, of mensen die allemaal niet zo niet zulke early adopters zijn, ja, dan wordt het lastiger. Dan is inkopen waarschijnlijk een veel beter idee.

314
00:54:22.872 --> 00:54:33.842
Maar dan moet je weer oppassen voor al die gebakken lucht, want daar is er een hoop van. Ik open tegenwoordig LinkedIn niet meer omdat er zoveel zelfbenoemde AI-experts zijn dat daar word ik erg verdrietig van.

315
00:54:33.902 --> 00:54:43.402
Ja, en dat maakt het ook een. Dat maakt het echt een heel moeilijk veld. Want ik bedoel het is een container term AI en systeem technologie. Dat maakt hem heel groot. Die container is.

316
00:54:43.702 --> 00:54:49.982
Het is een hele container terminal waar je dingen in kwijt kan en die kan je dan allemaal AI noemen.

317
00:54:50.262 --> 00:55:01.782
Dus je hebt eigenlijk dingen die al konden.Allang, al tien jaar konden, die nu dan weer AI genoemd worden en in de generatieve AI hype meegaan, terwijl het een vorm van machine learning is.

318
00:55:01.822 --> 00:55:09.141
Nou, op zich vind ik dat nog niet eens zo kwalijk, want het is je eindelijk gelukt om die oplossing te verkopen. Fine dus, dat zit in de containers gegooid.

319
00:55:09.602 --> 00:55:21.122
Dan is er de dingen die helemaal nog niet kunnen en worden beloofd, wat een soort sciencefiction is. Dat is gewoon gevaarlijk, want je bent eigenlijk beloftes aan het maken die je niet waar kunt maken, na kunt komen. En

320
00:55:22.282 --> 00:55:37.822
misschien ga je wel grote antwoorden geven en met eindgebruikers praten met een bluf die je uiteindelijk duur komt te staan. En dan is het daarnaast nog eens ook het hele techno babel zeg maar.

321
00:55:39.042 --> 00:55:49.502
Oftewel ja, je kunt wat termen leren en uiteindelijk doordat je die termen dan gebruikt, klink je als iemand die verstand heeft van het onderwerp. Maar uiteindelijk heb je een aantal termen geleerd.

322
00:55:49.582 --> 00:55:59.482
Er zullen er luisteraars zijn die zullen zeggen hé Wietse, dat ben jij toch ook gewoon? We zitten ergens op het spectrum allemaal. Ik vind het prima ja, ik. Want hoe? Hoe ga jij daar eigenlijk mee om?

323
00:55:59.502 --> 00:56:14.342
Dat je dat je best wel veel tijd besteedt en ook praat over een onderwerp waar ongelooflijk veel lucht is ook. Ja, nou dit is dus weer een reden dat ik altijd tegen mensen zeg ga zelf experimenteren.

324
00:56:14.462 --> 00:56:27.622
Het is namelijk ook tegengif tegen al die techno babel. Dat vind ik een mooie term. Ja, ik probeer vooral zelf mensen te enthousiasmeren. Als ik een praatje geef over AI, dan is dat een gebalanceerd verhaal.

325
00:56:27.742 --> 00:56:38.142
Aan de ene kant ben ik er enthousiast over omdat ik zie dat die technologie echt nuttig kan zijn in de praktijk. Dingen die mij een half uur kosten om te maken kunnen nu in 3 seconden.

326
00:56:39.402 --> 00:56:51.082
Maar het heeft ook een keerzijde en die moet je weten als je ermee aan de slag gaat. En ik wil mensen dat hele verhaal geven. En dan zeg ik nu je dit allemaal weet, go for it! Ga experimenteren.

327
00:56:51.662 --> 00:57:01.542
Snuffel aan al die tools die er zijn en gebruik je eigen common sense. Gebruik je eigen vakkennis om daar dan een lekkere stevige mening over te ontwikkelen, want daar heb je gewoon het meest aan.

328
00:57:02.341 --> 00:57:12.242
Nu spreek ik ook veel op middelbare scholen, hogescholen, universiteiten en dan staat er altijd een rijtje studenten aan het einde van mijn verhaal bij mij die nog even met me willen praten.

329
00:57:12.282 --> 00:57:23.642
En dan weet ik ook wat er komt. Wat moeten we nou doen? Want we hebben jouw verhaal gehoord en al duurt het drie jaar, al duurt het dertien jaar, dan nog heeft het gewoon enorm effect op onze toekomst.

330
00:57:23.682 --> 00:57:35.982
We zijn hier in het eerste jaar of het tweede jaar van een opleiding, of vijf havo of zes vwo. Zeg het maar zeg maar wat als dat rijtje bij jou komt staan? Wat zeg je dan tegen die kinderen, leerlingen, studenten?

331
00:57:36.922 --> 00:57:47.502
Ja, eigenlijk zou ik tegen jongeren precies hetzelfde zeggen als tegen volwassenen, namelijk ga ermee spelen. Til er niet te zwaar aan.

332
00:57:48.582 --> 00:57:57.822
Ga er lekker mee aanklooien en kijk dan heel kritisch naar het resultaat, want dat is eigenlijk ook de wetenschappelijke methode. Dus dat kan ik alleen maar aanmoedigen.

333
00:57:59.622 --> 00:58:11.442
En misschien leer een beetje over de businessmodellen van big tech. Want ik denk dat veel mensen zich nog steeds niet realiseren dat data ongelooflijk veel geld waard is. En

334
00:58:13.002 --> 00:58:24.322
al die data die jij geeft aan bijvoorbeeld socialmediaplatforms en ook uitgevers. Welk krantenartikel lees je? Hoe lang doe je daarover? Hoe boos word je word je ervan?

335
00:58:25.482 --> 00:58:31.722
Al dat soort data is, ja, dat is heel veel geld waard. En dat wordt ook gebruikt door bedrijven op allerlei manieren.

336
00:58:32.702 --> 00:58:43.982
Als je je daar bewust van bent, ga je heel anders met het internet en dus ook alle apps op het internet en alle AI tools op het internet interacteren. Dus er zit ook wel een stukje. Ik denk dat we.

337
00:58:44.002 --> 00:58:55.002
We zijn eigenlijk nog niet klaar om mensen volledig te laten werken aan AI geletterdheid omdat ze die digitale geletterdheid nog niet altijd hebben. Dus bij die drie golven van ontwikkelingen

338
00:58:56.402 --> 00:59:04.262
gewone digitale geletterdheid en machine learning, geletterdheid en generatieve AI geletterdheid, die hebben we alle drie nodig in deze wereld.

339
00:59:06.842 --> 00:59:21.712
[muziek].