“Mijn expertise spitst zich toe op software in embedded systemen. Dat zijn in feite kleine elektronische componenten waarin er typisch een microcontroller of een soort kleine computer vervat zit. Daar moet een stuk software voor geschreven worden.

Initieel ben ik mijn loopbaan gestart met het schrijven van testen voor die systemen. Wanneer we denken aan iemand die software test, zien we vaak een persoon voor ons die jarenlang, dag in dag uit, een bepaald stuk software aan de hand van klik- en typewerk test op potentiële programmeerfouten. Een zeer arbeidsintensief werkje. Vanuit mijn expertise gaan we dus kijken om dat testen te automatiseren. Je zou kunnen zeggen dat we een software ontwikkelen die andere software test.  

Daarnaast werk ik ook aan testen voor niet-deterministische software. Een complex woord om te zeggen dat een test niet altijd dezelfde oplossing geeft. De ene keer stelt de test dat de software oké is, maar de volgende keer, zonder iets te wijzigen, kan hij een ander resultaat geven. Dat is geen ideale situatie waar je als softwaretester behoorlijk horendol van wordt. Daarom heb ik een specifieke tool geschreven voor niet-deterministische software zodat dit wel op een correcte manier getest kan worden.

Ook artificiële intelligentie biedt nieuwe mogelijkheden. Een leuke uitdaging is kijken hoe we een neuraal netwerk, wat een vorm van AI is, op een embedded systeem kunnen plaatsen. Typisch aan zo’n neuraal netwerk is de nood aan een sterke computer met veel rekenkracht bij het trainen. Eenmaal het netwerk getraind is, verdwijnt die nood. Zo komen we terug op embedded systemen die de neurale netwerken kunnen huizen. Meer nog, we kunnen zelf stappen ondernemen om dat neurale netwerk te vereenvoudigingen (lagen verwijderen, werken met gehele getallen…). Zo kan het netwerk functioneren met minder geheugen en minder rekenkracht.”

“Recent kwam een start-up aankloppen om hen te ondersteunen bij het labelen van data verzameld via een accelerometer. We hebben vervolgens een app gemaakt die communiceert met een draadloze accelerometer die op het lichaam geplaats kon worden. Op basis van de gegevens in de app kon afgeleid worden welke beweging de persoon maakte.

Een ander voorbeeld is de samenwerking met onze collega’s agro- en biotechnologie. Daar voorzien we sensoren die de bodemvochtigheid bij bomen meten. Het analyseren van de cijfers zit bij de collega’s, maar het technische gegeven hoe en via welk apparaat we de data kunnen meten en wat de mogelijkheden met die data zijn, is onze expertise.

Nog een ander voorbeeld is een situatie waar het aantal personen in een ruimte geteld moet worden. Dit wordt meestal gedaan met een conventionele camera, maar daarmee gaan een aantal privacygevoelige uitdagingen gepaard. Zo kan een persoon op een herkenbare manier gefilmd worden of registreert de camera een nummerplaat. Je hebt altijd het risico dat deze beelden kunnen lekken of gebruikt worden voor andere doeleinden. Een thermische sensor zou een oplossing kunnen zijn. Hoe gaan we te werk met zo’n thermische sensor? De coördinaten van het beeld van de conventionele camera nemen we over en plakken we op de thermische sensor. Op die manier kan de sensor hetzelfde label overnemen en kan het neurale netwerk dat aan de sensor gelinkt is, getraind worden.

Heel concreet schrijven wij dus software om data op een correcte manier te labelen en neurale netwerken te trainen, maar even goed ontwikkelen we sensoren zodat data op een correcte manier gecapteerd kan worden.”

“Dat is geen eerlijke vraag. Dat is als zeggen: “Welk kind zie je het liefst?”. Ik kan dat niet, want ik ben met zoveel verschillende dingen bezig waardoor kiezen een onmogelijke opgave is. Vaak zijn die dingen zo uiteenlopend waardoor een vergelijking niet mogelijk is.”

Ik ben er sterk van overtuigd dat het trainen van neurale netwerken en het verplaatsen naar embedded systemen de toekomst is. Waarom is dat? Momenteel zijn we vooral bezig met datacaptatie en -interpretatie. De volgende stap is om dit proces te automatiseren zodat we snel kunnen ingrijpen bij bepaalde fenomenen vooraleer er zich echt problemen voordoen.

Een voorbeeld daarbij is een werknemer die elke ochtend op ronde gaat op de productievloer. Hij voelt aan de machines en kan op deze manier detecteren of er iets mis was met de machine. Dat is expertise die deze persoon al een twintigtal jaar opbouwt. De vraag is natuurlijk: kunnen wij fouten detecteren via sensoren? Denk daarbij aan preventive maintenance. Zo vermijd je dat iemand eerst twintig jaar expertise moet opbouwen vooraleer zij/hij in staat is om dergelijke problemen preventief te detecteren. Dit zal een gigantische impact hebben op onze sectoren!

Alles zal sowieso heel snel veranderen. Neem nu de zelfrijdende auto waarvan men zegt dat ze voor 99% klaar zijn. In gevallen waar een voetganger, een fietser of een olifant – elementen die afwijken van het normale – opduiken, reageert het neurale netwerk vreemd en durven fouten voor te komen. Dat is een groter probleem dat opgelost moet worden waarvan ik niet weet of dit binnenkort opgelost zal worden. Op dat vlak ben ik misschien wel minder techno-optimistisch.

Enerzijds heb je de wonderbaarlijke toepassingen waarmee we tal van mensen kunnen helpen. Anderzijds zit je met werkloosheid, het omscholen van mensen, privacy… Dat zijn allemaal grote maatschappelijke kwesties die beïnvloed worden door technologie. Het gaat snel voor de gewone mens, maar voor ons, onderzoekers die er dag in dag uit mee bezig zijn, gaat het ook zeer snel.

Neem nu het Internet: Tim Berners-Lee die de protocollen geschreven heeft, kon zich ook niet voorstellen dat sociale media zo’n grote impact zouden hebben op politieke verkiezingen. Wijzelf weten ook niet welke impact hetgeen waarmee we bezig zijn echt zal hebben. Dat is eigenlijk het butterfly effect. Die sensoren zijn klein, maar kunnen heel grote gevolgen hebben.

Het gegeven dat we software schrijven die ons de mogelijkheid biedt om na te denken: wat als dit nu ‘intelligentie’ is? Neem bijvoorbeeld Conway’s Game of Life waar een bord met puntjes, bestaande uit eenvoudige regels, toch enorm interessant gedrag kan vertonen. Door heel eenvoudige dingen, bijvoorbeeld sensoren, kunnen heel complexe zaken ontstaan. Zo is er een quote van Edsger Dijkstra die stelt: “Als je vraagt of software kan denken, vraag je eigenlijk of een duikboot kan zwemmen?” Wat een duikboot ook doet, je kan het geen zwemmen noemen, maar het beweegt zich wel voort in het water.

Ik ben geen bioloog, maar soms denk ik: de elektronica waarmee wij bezig zijn, hoe ver zit dat van wat wij leven beschouwen? Persoonlijk denk ik dat we naar andere ambities moeten kijken, want er zijn nu eenmaal menselijke beperkingen. Er is een reden waarom er op Mars al zoveel robots en drones hebben gereden en gevlogen, maar nog geen enkel wandelend individu. Misschien blijft de mens wel achter op aarde en gaat onze technologie de ruimte in? Ik ben ook geen filosoof, maar dergelijke vraagstukken boeien me mateloos!