Minder cloud, meer controle: een pleidooi voor lokaal AI

Kunstmatige intelligentie is meer dan grote taalmodellen met enorme rekenkracht, stelt Andries Lohmeijer, oprichter van KITT Engineering en spreker tijdens WoTS 2026. Volgens hem ligt de toekomst van AI niet in groter, sneller en meer, maar juist in kleine, lokale toepassingen.

“In het publieke debat gaat het vooral over generatieve AI en taalmodellen als ChatGPT en Claude. Maar in de kern bestaat kunstmatige intelligentie uit algoritmes en patroonherkenning,” legt Lohmeijer uit. “Als je de technologie achter AI begrijpt, zie je ook dat niet elk probleem vraagt om de brute rekenkracht van een taalmodel. Integendeel: vaak zijn eenvoudige, gerichte oplossingen efficiënter én betrouwbaarder.”

Keerzijde van brute force

Lohmeijer weet waar hij het over heeft, want hij houdt zich al sinds de jaren negentig bezig met kunstmatige intelligentie. In die periode kreeg het grote publiek voor het eerst oog voor de mogelijkheden van AI, onder meer toen IBM’s schaakcomputer Deep Blue wereldkampioen Garry Kasparov versloeg in 1997. Het mens-versus-machine-debat leidde toen al tot discussies over de kansen van AI, maar ook over de risico’s.

Die risico’s zijn er volgens de ingenieur nog volop. “Op milieugebied bijvoorbeeld, omdat de groeiende vraag naar rekenkracht en data onze datacenters zwaar belast. Maar ook op het vlak van veiligheid en privacy, omdat gebruikers hun gegevens massaal toevertrouwen aan grote technologiebedrijven zonder te weten wat ermee gebeurt.”

Lohmeijer wijst op een bredere zorg die leeft in de maatschappij rond dataverwerking, eigenaarschap en digitale autonomie. “Wat doen bedrijven als OpenAI, Google en Microsoft met onze data en wie controleert dat? En wat gebeurt er als een partij opeens toegang tot die gegevens opeist of zichzelf toegang verschaft?”

Bias en betrouwbaarheid

Een ander probleem is bias. AI-modellen nemen beslissingen op basis van input, maar die input is zelden neutraal. Onvolledige of vertekende trainingsdata of menselijke aannames in het ontwerp hebben een scheve invloed op de output. Daardoor trekt een systeem mogelijk verkeerde conclusies op basis van toevallige correlaties in plaats van op basis van de feitelijke oorzaak.

“Een rekenmodel heeft geen kennis,” zegt Lohmeijer. “Het voorspelt alleen wat statistisch gezien het meest waarschijnlijk is. Juist daarom pleit ik voor explainable AI, waarbij inzichtelijk is hoe een beslissing tot stand komt. Dat is niet alleen belangrijk voor het vertrouwen in de output, maar ook voor controle en foutenanalyse. Vooral in technische toepassingen is controleerbaarheid essentieel. Veiligheid, betrouwbaarheid en de kwaliteit van de input bepalen immers of een systeem bruikbaar is of niet.”

Kracht van lokaal AI

Explainable AI in combinatie met lokaal AI is volgens Lohmeijer een belangrijke manier om de risico’s van kunstmatige intelligentie te beperken. “Als je AI laat draaien op je eigen pc of server, weet je beter wat er met de gegevens gebeurt, wie ermee werkt en hoe de processen lopen. In plaats van een probleem op te lossen met enorme datasets en brute kracht, maak je slim gebruik van je domeinkennis.”

Hij illustreert dat met een voorbeeld uit de vogelherkenning. “Waar een groot AI-model honderdduizenden beelden nodig heeft, kan een expert op basis van een paar eenvoudige kenmerken, zoals snavelvorm, staart of kleur, al tot een betrouwbare classificatie komen. Door die kennis te verwerken in een model, ontstaat een kleiner, sneller en nauwkeuriger systeem op lokaal niveau. Je privacy is beschermd, je gebruikt minder energie en je blijft onafhankelijk van derden.”

Van cloud naar edge

Ook in de praktijk ziet de ingenieur veel toepassingen waarvoor lokale verwerking beter werkt dan een cloudoplossing. “Een klant wilde een systeem dat de drukte in steden meet. Monitoren via beveiligingscamera’s of smartphone-tracking was geen optie vanwege privacywetgeving. Bovendien genereer je dan enorme hoeveelheden data die je helemaal niet nodig hebt.”

Daarom ontwikkelden Lohmeijer en zijn collega’s een oplossing met radarsensoren in stoeptegels. Deze zogenoemde ‘slimme tegels’ detecteren beweging lokaal en leveren geanonimiseerde informatie over aantallen en snelheden. “Simpel en effectief. Je moet een opdracht niet complexer maken dan nodig is. Uiteindelijk wil het gemeentebestuur alleen weten hoe druk het is.”

Strategische keuze

Ook voor interne bedrijfsvoering ziet hij kansen voor lokaal AI. “Veel kennis zit opgesloten in interne documenten en ontwerpen, soms van medewerkers die al jaren uit dienst zijn. Dat is eigenlijk zonde. Door open-source modellen lokaal te draaien, kunnen bedrijven die kennis ontsluiten zonder gegevens aan externe partijen te geven.”

Volgens Lohmeijer is het zelfs mogelijk om verschillende embedded AI-systemen lokaal te laten samenwerken. “Dan heb je zelforganiserende systemen waarbij apparaten onderling informatie uitwisselen en samen beslissingen nemen. Denk bijvoorbeeld aan slimme regentonnen in een buurt die onderling bijhouden of er een regenbui op komst is en of het tijd is om regenwater af te voeren.”

“AI is geen doel op zich, maar een gereedschap,” benadrukt Lohmeijer. “En zoals elk gereedschap moeten we het bewust en ethisch verantwoord inzetten. Dus kijk kritisch waar machine learning écht nodig is, benut je domeinkennis actief en kies waar mogelijk voor lokaal en explainable AI. Zo profiteer je van de voordelen van AI zonder je autonomie te verliezen.”

Presentatie bijwonen?

Andries Lohmeijer geeft op donderdag 24 september een lezing tijdens het seminar ‘Embedded AI voor machines en apparaten’. Meld je kosteloos aan voor de presentatie en de beurs via de website van WoTS 2026.