Van NieuwsVizier naar Gallant

Van open source nieuwsfilter naar een persoonlijke AI-notitieassistent.

Een simpele cartoonachtige illustratie van een helm met een glazen vizier (als op een motorhelm) op een kapstok.

De helm die niet bleef zitten

Sommigen van jullie herinneren zich misschien NieuwsVizier – mijn poging voor een AI-gedreven tool om de nieuwschaos een beetje leefbaar te maken. Een soort digitale filterhelm, zeg maar.

Leuk idee. Minder leuke praktijk.

Na een paar stevige rondes stoeien met API-beperkingen, juridische mistbanken en het besef dat Nederlandse nieuwswebsites niet staan te springen om AI die mee komt lezen, besloot ik het opzij te zetten.

Niet het idee van ethische AI-tools. Wel dit idee.

Beter idee: Gallant

In plaats daarvan richt ik me nu op iets wat ik eigenlijk veel harder nodig heb. Een upgrade voor mijn notitiesysteem — voor meer overzicht, diepere inzichten en vooral: mentale rust.

Gallant is een AI-notitieapp die ik voor mezelf aan het bouwen ben, maar ook graag wil delen zodra hij verder gevorderd is. Denk aan een Second Brain, maar dan op autopiloot.

Ik heb echter besloten om het project dit keer closed source te houden. Niet omdat ik niet meer geloof in delen en mensen helpen, maar omdat ik anders ben gaan kijken naar wat delen eigenlijk betekent. (Misschien meer daarover in mijn volgende posts.)

Wie weet pak ik de draad van NieuwsVizier ooit weer op, in een andere vorm. Maar voorlopig richt ik me op Gallant — geen poging om het internet te temmen, maar gewoon om m’n eigen gedachten een beetje bij te houden.

Geen grote AI-revolutie. Gewoon een kleine, rustige upgrade.

Voor mezelf. En misschien straks ook voor jou.

Jouw rol in een wereld vol slimme machines

Een futuristische ridderrobot staat zonder emotie naast het lichaam van een verslagen draak en omhelst een prinses met een gedwongen glimlach. Op de achtergrond kijkt een menselijke ridder met een verslagen uitdrukking toe, en houd zijn zwaard onzeker omhoog.

“Word ik straks vervangen door AI?”

Als jij weleens wakker ligt van deze gedachte, ben je niet alleen. AI-systemen nemen steeds meer taken over. Ze schrijven artikelen, creëren afbeeldingen, voeren hele gesprekken — en, is het gerucht, redden zelfs prinsessen.

Werk dat vroeger het domein van mensen was, valt nu binnen het bereik van algoritmes. Betekent dit dat jouw rol straks overbodig wordt?

Ja en nee.

Hoewel AI verbazingwekkend slim kan zijn, ontbreekt het altijd aan een onmisbaar onderdeel: het vermogen om te bepalen wat écht belangrijk is.

In dit artikel bespreken we daarom de rol die altijd voor mensen blijft weggelegd, hoe geavanceerd technologie ook wordt. Niet alleen omdat het belangrijk is om deze te begrijpen, maar ook zodat je ziet dat in een tijdperk van AI jouw bijdrage juist waardevoller zal zijn dan ooit.

De realiteit van AI

Wacht nog met opgelucht ademhalen. Eerst moeten we even een enge draak in de ogen staren. Maar dat is voor een dappere ridder als jij natuurlijk geen probleem.

🐉 AI blijft niet stilstaan

Het wordt steeds slimmer, steeds sneller, en zal dat ook blijven doen. En dat betekent dat zelfs jouw taken op een dag kunnen worden overgenomen door een AI.

Sommigen fluisteren geruststellende spreuken:  “AI is slim, maar mensen blijven altijd slimmer.” Laten we echter drie populaire valse spreuken onder de loep nemen.


🔮Valse Spreuk 1: AI kan alleen maar herhalen

Sommigen denken dat AI alleen kan kopiëren en combineren. Maar systemen zoals AlphaGo laten zien dat AI nieuwe strategieën kan ontwikkelen — als je ze de ruimte geeft om te leren en te experimenteren.


🔮Valse Spreuk 2: LLMs hallucineren, dus ze zijn onbruikbaar

LLMs maken fouten, zeker. Maar mensen ook. En we kunnen AI’s steeds beter monitoren, corrigeren en zelfs elkaar laten controleren. Perfectie is niet nodig om werk uit handen te nemen.


🔮Valse Spreuk 3: AI snapt de echte wereld niet

Taalmodellen hebben geen zintuigen, en zijn opgebracht in een wereld van tekst. Maar met behulp van andere technieken kunnen slimme systemen niet alleen leren lezen, maar ook kijken, luisteren — en zelfs een beetje bewegen.


Ja, AI heeft vandaag nog gaten en gebreken. Maar als je kijkt naar de richting waarin de technologie zich ontwikkelt, lijkt het eerder verstandig om uit te gaan van groei, niet van stilstand.

En dan wordt de vraag niet:
“Wat kan AI vandaag niet?”
maar:
“Wat blijft er voor ons over als AI blijft doorgroeien?”

Waarom mensen onmisbaar blijven

Er was eens een ridder die dacht even slim te zijn. In de verte zag hij zijn doelwit, hief zijn zwaard, en wierp het vol vertrouwen richting zijn doel. Alleen… terwijl zijn zwaard door de lucht zoefde, merkte hij dat het doelwit inmiddels verdwenen was.

Wat volgde was het ongemakkelijke tafereel van een zwaar bepantserde held, zwetend en puffend, die zijn eigen zwaard achterna holde in de hoop nog iets van zijn waardigheid te redden.

💭Intelligentie is belangrijk, maar zeker niet alles.

🗡️Een zwaard dat je niet zelf in de hand houdt, vliegt al snel de verkeerde kant op. En als de wereld om je heen verandert moet je klaar staan om bij te sturen.

✨En dat is precies waarom mensen onmisbaar blijven in het AI-tijdperk.

🧭Niet omdat we slimmer zijn dan machines — dat voordeel verliezen we langzaam — maar omdat we iets bezitten wat geen enkel algoritme ooit kan worden toevertrouwd: het vermogen om te bepalen wat écht belangrijk is.

🛠️ AI is, net als elk ander gereedschap, een verlengstuk van onszelf. Net als een zwaard doet het wat wij het vragen om te doen, aangenomen dat we weten hoe we het moeten hanteren. Maar zodra we stoppen met sturen zal het doorgaan op de koers waar we het losgelaten hebben.

🐉 En dat is gevaarlijk. Want doelen veranderen. Situaties veranderen. En de wijsheid van vandaag is soms de valse spreuk van morgen.

Wat betekent dat voor mij?

Oké, dus we moeten AI blijven bijsturen.

“Maar hoe verdien ik dan straks mijn brood?

De meerwaarde van AI blijft afhankelijk van menselijke sturing. Maar die behoefte opent niet één pad, maar vele. En dat is nou juist het mooie ervan.

Wat je achtergrond ook is — technisch, zorgend, creatief of organiserend — er zal een rol zijn die past bij jouw kracht.

👨‍💻 Misschien stuur je straks AI aan in je werk als programmeur.
🧑‍⚖️ Misschien voer je het gesprek over wat een algoritme wel of niet mag beslissen.
🧑‍🏫 Misschien train je mensen om goed met AI om te gaan.
🏛️ Misschien houd je als beleidsmaker toezicht op hoe AI wordt ingezet.
🎨 Misschien help je als creatieve denker om AI op nieuwe manieren in te zetten voor maatschappelijke impact.

Wat jouw unieke kracht ook is: zolang jij kan helpen bij het kiezen, corrigeren of bewaken van richting, blijf je onmisbaar.

Conclusie: Houd je zwaard vast

Je zwaard vasthouden betekent niet dat je het nooit gebruikt.
Het betekent: scherp blijven kijken naar wat écht belangrijk is, vooral wanneer de wereld sneller verandert dan je verwacht. AI-systemen worden steeds krachtiger. Maar zonder ridders raken ze de weg kwijt.

Jouw rol in het AI-tijdperk gaat niet over sneller of slimmer zijn, maar over richting geven, waarden beschermen en steeds opnieuw bijsturen.

Onthoud de zwetende ridder in zijn zware harnas. Gooi nooit zomaar je zwaard weg.

Houd vast. Blijf scherp. Blijf de richting bepalen.

De ridder bestuurt nu een robotlichaam als een exoskelet. Hij heft trots zijn zwaard in de lucht terwijl de prinses hem vol bewondering aankijkt. De draak ligt nog verslagen op de grond; de oorspronkelijke ridder op de achtergrond is verdwenen.

LLMs uitgelegd zonder hype — of wiskunde

Je hoort tegenwoordig van alles over AI. Superintelligentie zou vlak om de hoek zijn. Tegelijkertijd kan ChatGPT nog steeds niet altijd correct tellen hoe vaak de letter ‘i’ voorkomt in het woord ‘intelligentie’.

Hoe zit dat nou precies?

Is AI nou echt zo slim, of is het vooral hype om investeerders aan te trekken?

In plaats van meteen partij te kiezen, leek het me zinvoller om eerst eens samen helder te krijgen hoe deze modellen werken. Want als je begrijpt wat een Large Language Model precies doet, kun je ook beter inschatten waar al die verwachtingen – en twijfels – vandaan komen.

In dit artikel leg ik daarom uit hoe LLMs functioneren, zonder te verdwalen in de wiskunde. We beginnen bij het begin: hoe zo’n model tekst verwerkt. Daarna kijken we hoe het leert. Onderweg zal duidelijk worden waarom AI soms briljant lijkt, maar soms ook verrassend domme fouten maakt.

Wat doet een LLM eigenlijk?

 

Een Large Language Model, letterlijk vertaald ‘groot taal model’, voorspelt telkens welk woord waarschijnlijk volgt in een tekst. Vervolgens voegt het dit woord toe aan de tekst en voorspelt het volgende woord. Net zolang totdat het model besluit dat het verhaal wel afgerond is. Soms wat abrupt — maar hé, wie is er niet af en toe ineens klaar met praten?

Om dat te kunnen zet het eerst woorden om in getallen genaamd word embeddings. Deze getallen representeren de betekenis van elk woord, waardoor het model verbanden kan leren zien.

Het model kent aan elk mogelijk vervolgwoord een kans toe, en kiest dan (meestal willekeurig) een van de waarschijnlijkste opties. Zo vormen chatbots zoals ChatGPT hun zinnen.

Dit is natuurlijk een enorme rekensom, en vereist een enorm model. Vandaar ook het ‘groot’ gedeelte.

Hoe leert zo’n model?

Tijdens het trainen krijgt het model zinnen te zien waarin telkens het laatste woord ontbreekt. Op basis van zijn interne instellingen doet het een voorspelling. Deze interne instellingen worden constant aangepast totdat het model zo vaak mogelijk het juiste woord voorspelt.

Transformatoren: de kracht van context.

Transformatoren zijn speciale lagen die de kern vormen binnen LLMs. Ze zorgen ervoor dat het model de betekenis van woorden kan verfijnen op basis van de andere woorden in de tekst. Het woord “helm” betekent bijvoorbeeld iets anders in een zin over ridders dan in een zin over Formule 1. De context maakt het verschil — tenzij je een tekst over middeleeuwse raceauto’s wil.

Hoe werkt dit?

Transformatoren verwerken tekst door voor elk woord een score toe te kennen aan alle andere woorden in de zin. Deze ‘aandachtscores’ bepalen hoeveel invloed die andere woorden krijgen bij het begrijpen van dat ene woord. Dit proces heet attention (aandacht).

Invuloefening

Klinkt abstract?

Neem bijvoorbeeld de volgende tekst:

“De ridder nam zijn zwaard aan van de schildknaap voordat hij vertrok naar het slagveld. Eenmaal aangekomen zag hij dat de <?>”

Om hier een goede voorspelling te kunnen doen voor het volgende woord moet het model begrijpen wie er bedoeld wordt met het woord hij. Daarvoor kent het model aan elk woord in de tekst een aandachtscore toe: hoeveel invloed dat woord moet hebben op de betekenis van hij. In dit geval zou het model moeten leren dat ridder hier belangrijker is dan schildknaap.

Maar het gaat nog verder. Dankzij eerdere lagen is het woord ridder zelf al verrijkt met informatie uit de rest van de zin. Het is dus niet zomaar een ridder — het is een ridder die vertrokken is, met een zwaard, naar een slagveld.

Zo weet het model dat een voorspelling als vijand waarschijnlijker is dan ridder of raceauto.

 

Het geheim achter de intelligentie

Indrukwekkend trucje. Maar hoe leert het model om dit te doen?

Gewoon goed oefenen.

Het model probeert tijdens de training allerlei manieren uit om woorden in een zin met elkaar te verbinden. Net zo lang totdat het een manier vindt waarop de juiste woorden de meeste aandacht krijgen — en dat leidt tot betere voorspellingen.

En dat is het geheim achter de intelligentie van een taalmodel: het kijkt slim om zich heen. Het denkt niet. Het voorspelt.

Sommigen noemen LLMs daarom gewoon slim klinkende papegaaien. En dat klopt wel een beetje: ze herhalen wat ze gezien hebben. Maar er is een hoop nodig is om dat volgende woord goed te kunnen voorspellen. Laat staan om dit op het juiste moment, op de juiste toon en in de juiste context te doen.

Menselijke bijsturing: RLHF

Om van een basismodel een gebruiksvriendelijke chatbot te maken, volgt daarom nog een tweede trainingsfase: Reinforcement Learning from Human Feedback (RLHF). Hierbij krijgt het model feedback van menselijke trainers die aangeven welke gegenereerde teksten goed en welke minder goed zijn. Op basis van deze feedback leert het model steeds beter om menselijker en relevanter te reageren.

Beperkingen

Ondanks al deze technieken maakt een LLM soms fouten die wij niet snel zouden maken:

  • Het kan overtuigend klinkende onzin verkopen — iets waar sommige mensen ook zonder AI aardig goed in zijn.
  • Het kan maar een beperkte hoeveelheid tekst tegelijk verwerken, en vergeet daardoor informatie uit langere gesprekken. Dit staat berucht als het context-window (context venster).
  • Het neemt vooroordelen over uit trainingsdata.
  • Het rekent slecht en redeneert beperkt. Maar ja, wat verwacht je van een model dat het eerste uitkraamt wat in zijn werkgeheugen op komt?

Slimmer redeneren met Chain-of-Thought

Met Chain-of-Thought prompting kun je het model beter laten presteren op complexe taken. Door expliciet om tussenstappen te vragen, spoor je het model aan om een probleem stap voor stap op te lossen. Zouden mensen trouwens ook vaker moeten doen.

Sommige modellen, zoals o1 en DeepSeek R1 zijn hier specifiek op getraind, wat ze geschikt maakt voor toepassingen zoals programmeren of wiskunde.

Waar kom je ze tegen?

LLMs worden niet alleen ingezet in chatbots, maar bijvoorbeeld ook als:

  • Ingebouwde assistenten in apps. (Laat de AI vrij!)
  • Autonome agents die simpele taken uitvoeren, of verprutsen.
  • Onderdeel van een multimodale AI die kan luisteren, kijken én typen. Kan ik ook, overigens, maar niet allemaal tegelijk.

Meer weten?

In dit artikel hebben we een aardig basisbegrip gekregen van hoe een LLM werkt. Als je dit allemaal begrepen hebt ben je al een stuk verder dan de meeste mensen.

Maar, er valt natuurlijk nog veel meer over te vertellen. We zouden bijvoorbeeld meer aandacht kunnen geven aan begrippen zoals embeddings en tokenisering — of andere zaken verkennen, zoals wat er precies zo bijzonder is aan modellen zoals DeepSeek.

Lijkt je dat interessant?

Laat het me weten. Misschien dat ik daar in een volgend artikel eens dieper op inga.

Tot slot

LLMs voorspellen simpelweg het volgende woord. Ze denken niet zoals mensen. Maar, wat er allemaal nodig is om dat ene woord goed te voorspellen, dat is misschien wel het meest fascinerende van alles.

Zullen ze ooit onze banen overnemen, onze blogartikelen schrijven en ons doen geloven dat ze echt bewustzijn hebben? Of blijven het gewoon slim klinkende papegaaien met een belachelijk hoge stroomrekening?

De tijd zal het leren.

Wat denk jij?

Een stapje terug, maar niet uit beeld

Hallo allemaal,

Even een korte update: door drukte en behoefte aan meer rust zal ik voorlopig minder vaak bloggen. Dit betekent niet dat ik helemaal afwezig ben. Ik blijf mijn best doen om mijn mail binnen een week te beantwoorden en de inzendingen voor Riddermissies goed bij te houden. Ook blijf ik op de achtergrond werken aan de ontwikkeling van NieuwsVizier, alleen in een wat lager tempo.

Bedankt voor jullie begrip en tot de volgende keer!

Heldenmissie Revival: Modelridder

⚔️ Let op: Het Riddersysteem is gepauzeerd. De missies dus ook!

Lees hier waarom. Of niet.

Gegroet Dataridders,

Soms verdient een oude missie een tweede kans. De Modelridder Heldenmissie werd eerder uitgeroepen als een manier om Data Scientists en vergelijkbare professionals een podium te geven op Dataridder. Binnen het vernieuwde Riddersysteem is het tijd voor een revival – en dit keer met een duidelijke structuur en beloning.

Ben je werkzaam als Data Scientist, Machine Learning Engineer, AI-onderzoeker of Data Analyst? Deel je ervaring en verdien niet alleen een plek in de Heldentabel, maar mogelijk ook de exclusieve Eretitel Modelridder!

 

Modelridder

De Missie – Modelridder
Wat moet je doen?

Schrijf een kort maar inhoudelijk artikel over je functie in de wereld van data en AI. Jouw inzending wordt gepubliceerd op Dataridder, zodat anderen een inkijkje krijgen in wat het werk van een Data Scientist (of een vergelijkbare rol) écht inhoudt.

Vereisten voor de bijdrage:

Lengte: 300 – 500 woorden (kort en krachtig, maar niet te minimalistisch).
Inhoud: Beantwoord in je eigen woorden enkele van de volgende vragen:

  • Wat houdt jouw functie precies in?
  • Hoe ziet een gemiddelde werkdag eruit?
  • Welke tools en technieken gebruik je regelmatig?
  • Wat vind je het meest uitdagend/interessant aan je werk?
  • Hoe ben je in dit vakgebied terechtgekomen en heb je tips voor anderen?
    Bestandsformaat: .docx, .txt of .md.
    Optioneel: Je mag foto’s of ondersteunend beeldmateriaal toevoegen, mits vrij van copyright of met toestemming.
    Inzenden: Stuur je bijdrage naar sedaniel@dataridder.nl en vermeld de naam of alias waarmee je in de Heldentabel opgenomen wilt worden.

Beloning

🏆 De eerste inzending ontvangt de exclusieve Eretitel: Modelridder én 5 punten (3 RP, 2 DP).
📜 Latere inzendingen worden nog steeds gewaardeerd en tellen als Riddermissie (2 RP, 1 DP).

Let op: Alleen de eerste deelnemer krijgt de Modelridder Eretitel! Wil jij de eerste zijn? Wacht dan niet te lang.


Waarom deze missie opnieuw?

De Modelridder-missie werd ooit gelanceerd binnen het oorspronkelijke Riddersysteem, maar dit keer krijgt het een herstart binnen de Heldentabel 2.0. Dit is je kans om niet alleen je expertise te delen, maar ook om officiële erkenning te krijgen binnen de Dataridder-community.

Of je nu een doorgewinterde data-expert bent of pas net in het vakgebied begint, jouw ervaring en perspectief zijn waardevol. Deel je verhaal en laat zien wat het betekent om in dit veld te werken!


Dataridders, de plicht roept.

P.s. Bekijk het Riddersysteem voor meer informatie over hoe je punten kunt verdienen.

Riddersysteem Revival

⚔️ Let op: Het Riddersysteem is gepauzeerd. De missies dus ook!

Lees hier waarom. Of niet.

Gegroet Dataridders,

Vandaag lanceer ik het vernieuwde Riddersysteem – een systeem om de bijdragen aan de missie van Dataridder te waarderen en zichtbaar te maken. Of je nu je technische vaardigheden inzet als Dataridder of als niet-technische Ridder van de Waarheid bijdraagt, iedereen kan meedoen en zijn of haar stempel drukken op het platform.

Wat is er Nieuw?

  • Eenvoudige Rangstructuur:
    Ik introduceer een duidelijke rangindeling:

    • Schildknaap (0–9 punten): De eerste stap op de weg naar het Ridderschap. Met kleine, waardevolle bijdragen kun je snel vooruitgang boeken.
    • Ridder (10–24 punten): Je hebt bewezen betrokken te zijn bij de missie van Dataridder. Jouw naam wordt officieel vermeld als Ridder in de Heldentabel.
    • Held (25+ punten): Zodra je 25 punten of meer hebt verzameld, mag je jezelf een Held noemen. Je krijgt extra erkenning in de Heldentabel en toont daarmee jouw significante bijdrage aan de missie.
  • Eretitels los van de Rang:
    Naast de rang kun je door het voltooien van speciale Heldenmissies of door een uitzonderlijke bijdrage unieke Eretitels verdienen – zoals de titel “Modelridder”. Meerdere Eretitels zijn mogelijk en worden in een aparte kolom in de Heldentabel vermeld.
  • Datapunten versus Ridderpunten:
    Ik houd twee soorten punten bij:

    • Datapunten (DP): Voor technische bijdragen zoals programmeren, AI-verbeteringen en data-analyse.
    • Ridderpunten (RP): Voor niet-technische bijdragen zoals feedback, het schrijven van artikelen en het delen van de missie op social media.
      Deze punten worden afzonderlijk in de Heldentabel weergegeven; samen bepalen ze jouw totale score en daarmee je rang.

Wat Kun Jij Doen?

  • Doe Mee aan Missies:
    Kies een van de doorlopende Riddermissies (bijvoorbeeld het testen van nieuwe features of het schrijven van feedback) of ga voor een eenmalige, speciale Heldenmissie. Iedere bijdrage levert punten op en brengt je dichter bij een hogere rang.
  • Voor de niet-technische Helden:
    Ook als je niet over technische vaardigheden beschikt, kun je als een echte Ridder van de Waarheid een waardevolle bijdrage leveren. Jouw inzichten, verhalen en ideeën dragen bij aan de groei van Dataridder.
  • Heldentabel & Shout-outs:
    Bezoek de Heldentabel & Missies pagina om te zien wie er al schitteren met hun DP en RP. Ik zal regelmatig de koplopers – zowel de technische helden als de Ridders van de Waarheid – onder de aandacht brengen. Jouw naam kan binnenkort ook vermeld worden.

Call to Action

Wil je bijdragen aan de missie van Dataridder? Ga naar de Heldentabel & Missies pagina, kies een missie die bij je past en neem contact met mij op of laat een reactie achter. Iedere bijdrage telt.

Dataridders, de plicht roept.

P.S. Speciale dank aan mijn broer, de Kanselier van de Heldentabel, voor zijn wijze raad en steun achter de schermen!

NieuwsVizier

Gegroet Ridders en Dataridders van de Waarheid,

In mijn eerdere bericht over desinformatie en polarisatie in Nederland benadrukte ik dat technieken zoals AI en nieuwsalgoritmes niet alleen problemen kunnen veroorzaken, maar ook kunnen dienen als basis voor oplossingen — mits ze verstandig worden ingezet.

Daarom wil ik een voorbeeld creëren van hoe technologie juist kan helpen in plaats van hinderen: een app genaamd NieuwsVizier.

NieuwsVizier Logo

NieuwsVizier laat je zelf bepalen welke informatie je binnenkrijgt, zodat je kunt focussen op wat je écht belangrijk vindt. Net als een vizier op je helm, beschermt het je tegen een overdaad aan onnuttige of onjuiste informatie, en laat het enkel door wat jou helpt dichter bij de waarheid te komen.


Waarom NieuwsVizier nodig is

Het Nederlandse nieuws is over het algemeen van goede kwaliteit, zeker vergeleken met bronnen op sociale media. Toch is er altijd een commerciële afweging die meespeelt, zoals ook beschreven door Claude-Jean Bertrand in zijn boek Media Ethics and Accountability Systems.

Hoewel nieuwsmedia onafhankelijk zijn van de overheid, streven ze óók naar inkomsten en aandacht. Het gevolg is vaak een overvloed aan sensatie en onderwerpen waar je weinig aan hebt — denk aan roddels of sportberichten die niet per se bijdragen aan je dagelijkse beslissingen.

Voor mij is deze informatieovervloed een belangrijke reden om het nieuws minder te volgen dan ik misschien zou willen of moeten. NieuwsVizier wil dat veranderen door artikelen te personaliseren op basis van persoonlijke doelen, interesses en welzijnsoverwegingen.


De Visie van NieuwsVizier
  • Gepersonaliseerd nieuwsfilter: Met behulp van AI-technieken zoals topic modelling en Large Language Models (LLMs) krijgt elke gebruiker de artikelen aangeraden die passen bij zijn of haar voorkeuren. Als gebruiker hoef je enkel je voorkeuren in te stellen en je nieuwsbronnen te kiezen. NieuwsVizier filtert dan automatisch de artikelen die voldoen aan jouw criteria. Zo kun je je energie richten op wat er écht toe doet, zonder dat je wordt overweldigd door onzinnige berichten.
  • Voorkomen van filterbubbels: NieuwsVizier baseert aanbevelingen op onderwerp, niet op mening. Bij omstreden onderwerpen biedt de app meerdere perspectieven, zodat je zelf kunt bepalen welke invalshoek je interessant of relevant vindt.

Toekomst Perspectief en Juridische Beperkingen

De visie van NieuwsVizier gaat verder dan alleen personalisatie. Het plan was eerst om bronnen ook te controleren en vergelijken op zaken als nauwkeurigheid en toonneutraliteit, met gebruik van technieken zoals fact checking algoritmes en sentiment analysis.

Dit wordt echter beperkt door copyrightwetgeving en gebruiksvoorwaarden, die het scrapen en analyseren van volledige artikelen zonder toestemming verbieden. Om deze reden beperkt NieuwsVizier zich voorlopig tot openbare RSS-feeds.

Eventuele uitbreidingen met meer diepgaande data-analyse zullen dus pas plaatsvinden indien nadere licentieafspraken zijn gemaakt.


MVP: Open Source en Gemeenschapsproject

De MVP-versie van NieuwsVizier wordt open source aangeboden, zodat iedereen kan zien hoe de app werkt en er eventueel aan kan bijdragen. Bekijk het Github repository, ook voor meer informatie over de technische specificaties en een uitgebreide app-omschrijving.


Uitnodiging tot Samenwerking

De ontwikkeling van NieuwsVizier is een iteratief proces. Ik nodig graag andere Ridders en Dataridders van de Waarheid uit om hieraan mee te bouwen of feedback te geven. Heb je ideeën voor extra functionaliteit, betere algoritmes of wil je de UI verbeteren? Voel je vrij om contact op te nemen of een pull request in te dienen.


Belangrijke Mededeling

Om naast mijn werk aan Dataridder aan de ontwikkeling van NieuwsVizier te kunnen werken, zal de frequentie van mijn posts hoogstwaarschijnlijk afnemen. In plaats van wekelijks, kun je voorlopig uitgaan van een publicatie om de week. Deze aanpassing zorgt ervoor dat ik meer tijd kan besteden aan het realiseren van deze app en eventuele ondersteuning van de community.


Samen kunnen we techniek transformeren van probleem tot oplossing.
Ridders van de Waarheid, de plicht roept!

Riddercodes voor Dummies

Ridder legt eed af aan ronde tafel
Waar deze gids over gaat

Oké, je weet dus dat het belangrijk is om op een ethisch verantwoorde manier je modellen te trainen, programma’s te schrijven en, nou ja, gewoon door te gaan in het leven.

Maar hoe doe je dat nu precies?

Simpel: je volgt een “Riddercode”—een moreel systeem dat je helpt de juiste keuzes te maken. Het probleem is alleen dat er talloze Riddercodes zijn om uit te kiezen.

Denk bijvoorbeeld aan de tien geboden, een religieus handboek dat richtlijnen biedt zoals “pleeg geen moord” en “eer je vader en moeder”. Of kijk naar het stoïcisme, een filosofie die stelt dat geluk voortkomt uit deugden zoals wijsheid en rechtvaardigheid, en dat je je alleen druk moet maken over dingen die binnen je controle liggen.

Ieder systeem biedt zijn eigen antwoorden, die elk op verschillende manieren geïnterpreteerd kunnen worden, en daarnaast kun je er op elk moment zelf nog een paar bij bedenken.

Klinkt ingewikkeld?

Tja, de wereld is complex en daar hoort nou eenmaal een doordachte aanpak bij. In dit artikel bespreek ik strategieën om met die complexiteit om te gaan.

Je zult merken dat er niet één ‘juist’ antwoord is, maar juist heel wát antwoorden die allemaal wel hun waarde kunnen hebben. Maar deze antwoorden werken niet allemaal even goed.

 

De Basis van een Moreel Systeem

Beeld van vrouw met weegschaal

Wat maakt een moreel systeem ‘goed’?

Wil je die vraag beantwoorden, dan moet je eerst weten wat je met zo’n systeem wilt bereiken. Meestal draait het dan om het belang van de mens. Maar er zijn meerdere manieren om daarnaar te kijken:

  • Het welzijn van het individu
  • Het welzijn van de samenleving
  • Hoe goed het systeem zich verspreidt

De meeste mensen zullen het er wel over eens zijn: het welzijn van de mens staat voorop. Een goed moreel systeem zoekt daarom de balans tussen het individu en de samenleving. Op persoonlijk niveau speelt ook je geweten mee, en dat is instinctief verbonden met het welzijn van anderen.

Maar let op: een moreel systeem hoeft niet per se “goed” te zijn voor individu of samenleving om zich goed te verspreiden. Dat kan bijvoorbeeld gebeuren doordat zo’n systeem een sterke aantrekkingskracht heeft, of doordat het met dwang wordt opgelegd.

 

Aanhang vs. Inhoud

Man holds up sign saying "Jesus" in front of bystander.

Neem bijvoorbeeld religieuze stromingen die actief van deur tot deur gaan.

Die wervende aanpak geeft ze een duidelijk voordeel in het vermeerderen van hun aanhang, los van de vraag hoe moreel verantwoord ze zijn. Daarnaast zijn er ook zat morele systemen die zich verspreid hebben via geweld, zoals de kruistochten of, op extremere schaal, de genocide op Joden door de nazi’s.

Dit zijn extreme voorbeelden die ook laten zien dat het idee van ‘de samenleving’ niet altijd iedereen betrekt.

Andere belangrijke factoren in de aantrekkingskracht van een moreel systeem zijn autoriteit en geloofwaardigheid.

Want wie geloof je nou eerst?

God de alwetende, of Samson de sterveling? Een geloof met jaren van historie en miljoenen aanhangers, of eentje dat net uit is en slechts een handjevol volgelingen heeft?

Het is best fijn om te weten dat er meer mensen zijn die geloven wat jij gelooft. Nog fijner om te geloven dat een moreel systeem werd aangereikt door een (boven)natuurlijk wezen of principe.

Maar, zijn dit echt betrouwbare handvaten om de kwaliteit van een moreel systeem te beoordelen? En hoe bepaal je of de claims waar ze op gebaseerd zijn waar zijn of niet?

Zelf lijkt het me beter om het simpel te houden, en te focussen op de eerste twee perspectieven. Daarmee kom je al een heel eind, en het sluit ook niet de meerwaarde uit van morele systemen die komen uit andere perspectieven.

 

Het Riddercode Recept

Eieren en mixer op tafel

Klinkt allemaal best mooi, maar hoe doe je dat dan?

Het hoeft allemaal niet zo ingewikkeld te zijn. Bij elk principe in onze Riddercodes hoeven we ons naar mijn mening slechts één ding af te vragen:

Worden we hier nou écht blij van?

Natuurlijk is het antwoord op deze vraag niet altijd even makkelijk te geven, maar tóch maakt dit inzicht het allemaal een stuk simpeler.

Of je nu ergens in gelooft omdat je het in je hart voelt, John Travolta het in zijn hart voelt of het volgens jou het woord van God is doet er niet toe. Als het antwoord “ja” is, is het een goed principe voor een moreel systeem.

 

Omgaan met Complexiteit

Maar hoe vinden we dan het antwoord op die vraag?

Zoals ik al zei is de wereld best ingewikkeld, en daarom is het beantwoorden van deze vraag dat ook. Bovendien weten we niet alles, en we kunnen ook niet alles weten. Maar ingewikkeld betekent niet onmogelijk.

Person sitting in gaming chair

In Real Time Strategy (RTS) games handelen spelers constant op basis van incomplete informatie in situaties met talloze opties en slechts een beperkt aantal acties dat ze daadwerkelijk kunnen uitvoeren. Toch zijn ze in staat daar mee om te gaan.

Ze weten weliswaar niet alles, maar vormen van moment tot moment een beeld over wat er in het spel gaande is, en hoe ze daar het beste op kunnen reageren. En hoe meer ze oefenen, hoe beter ze daar over het algemeen in worden.

Hetzelfde geldt voor het vinden van een goede Riddercode. Net als in een RTS-game heb je bij morele systemen beperkte informatie en moet je continu anticiperen op nieuwe ontwikkelingen. Er is geen allesomvattend overzicht, maar je kunt met de juiste strategie toch tot redelijke beslissingen komen.

 

Conclusie

We leven in een wereld vol tegenstrijdige ideeën en complexe keuzes. Het omgaan met die keuzes vereist een sterk moreel systeem— een Riddercode. We hebben gezien dat elk moreel systeem, of het nu gebaseerd is op oude tradities, filosofische reflectie of intuïtieve gevoelens, zijn eigen kracht en beperkingen heeft.

Wat ik vandaag met je gedeeld heb is geen kant-en-klare Riddercode. Het is een recept om onze morele systemen te bouwen, evalueren en corrigeren. Door ons continu af te vragen:

“Worden we hier nou écht blij van?”

komen we stap voor stap dichter bij een moraal systeem dat ons welzijn optimaliseert.

Laat dit geen eindstation zijn, maar een startpunt voor verder onderzoek en dialoog. Experimenteer met je eigen overtuigingen, toets wat werkt, en wees niet bang om oude denkpatronen ter discussie te stellen.

Zo maken we samen ruimte voor een wereld waarin ethisch handelen niet alleen een idealistisch streven is, maar een dagelijkse realiteit.

In deze queeste kunnen we de kracht van technologie, zoals AI, uitstekend benutten om de complexiteit van onze wereld beter te doorgronden. Als Dataridder is het dan ook van groot belang om je bewust te blijven van jouw Riddercode en die voortdurend aan te scherpen.

Dataridders, de plicht roept!

Ridder neemt eed af aan ronde epische tafel.

 

AI in Nederland: Desinformatie en Polarisatie

Twee personen met VR-brillen hebben ruzie.

Inleiding

In dit artikel ga ik uit van twee fundamentele aannames:

  1. Je hecht waarde aan feitelijk juist nieuws.
  2. Je gelooft in een samenleving waarin we samen beslissingen nemen.

Deze uitgangspunten zijn cruciaal: als je niet helder hebt wat je belangrijk vindt, is het lastig om problemen te signaleren en op te lossen.

In Nederland groeit de bezorgdheid over AI-gedreven desinformatie (1) en polarisatie (2): algoritmes bepalen steeds vaker welke informatie we zien, wat we geloven en hoe we met elkaar in gesprek gaan.

Als Dataridder geloof ik echter dat dezelfde technologie die vaak voor misleiding en verdeeldheid zorgt, óók kan worden ingezet om waarheid en samenwerking te versterken.

AI en de verspreiding van desinformatie

Met de opkomst van AI-gegenereerde content, zoals deepfakes en synthetische media, wordt het steeds moeilijker om feit van fictie te onderscheiden.

Uit onderzoek van het World Economic Forum (WEF) blijkt dat door AI gegenereerde desinformatie wereldwijd als het grootste risico van deze tijd wordt beschouwd (3). Deze technologieën kunnen worden misbruikt om geloofwaardige maar valse informatie te creëren, waardoor maatschappelijke en politieke spanningen oplopen.

In ons eigen land zien we al voorbeelden van nepnieuws dat online circuleert. Zoals deze nep-foto van Frans Timmermans in een privéjet (4).

Met AI gemaakte foto van Frans Timmermans in privé jet.

Deze nep-foto van de man die bekend staat als de ‘klimaatpaus’ werd binnen 4 dagen gedeeld met duizenden gebruikers op social media, waarna mensen hem bekritiseerden voor vermeend hypocriet gedrag. Dit illustreert hoe snel en breed nepnieuws zich kan verspreiden, en de impact die het kan hebben op de beeldvorming. Hierdoor groeit het wantrouwen, niet alleen in de media, maar ook in elkaar.

 

AI en polarisatie

Naast desinformatie heeft AI ook invloed op de manier waarop we met elkaar in gesprek gaan.

Op sociale mediaplatforms worden gebruikers vaak content voorgeschoteld die hun bestaande overtuigingen bevestigt, ook wel bekend als het ‘filter bubble-effect’.

Filter-bubble effect: Mensen verdeeld in bubbels.

Dit beperkt de blootstelling aan andere perspectieven en leidt tot extremere standpunten. Organisaties als de NLAIC (Nederlandse AI Coalitie) wijzen erop dat deze digitale bubbels de samenleving kunnen versnipperen, met spanningen tot gevolg (5).

Wanneer mensen voornamelijk geconfronteerd worden met eigen overtuigingen, vervaagt het vermogen om naar anderen te luisteren. Dat kan onderlinge verhoudingen verslechteren en democratische waarden onder druk zetten. Als Ridders van de Waarheid willen we hier juist tegenwicht aan bieden.

Gelukkig zijn we niet alleen.

 

Maatregelen tegen AI problemen in Nederland
1. Technologische oplossingen

  • Detectie en monitoring
    Het ELSA Lab ontwikkelt AI-systemen die desinformatie en polariserende content kunnen identificeren en monitoren. Zo krijgen we zicht op de verspreiding van nepnieuws én kunnen we tijdig ingrijpen (5).
  • Samenwerking tussen techbedrijven
    Grote technologiebedrijven bundelen hun krachten om AI-nepinformatie te bestrijden. Ze ontwikkelen gezamenlijke tools en voeren bewustwordingscampagnes die burgers helpen nepnieuws te herkennen (6).
  • Nieuwsfilter Apps
    AI-aangedreven nieuwsfilter apps zoals GroundNews (7), die gebruikers beschermen tegen media bias. Zelf werk ik momenteel aan een vergelijkbare app gericht op Nederland.
2. Beleidsmaatregelen

  • Overheidsinitiatieven
    Het Nederlandse kabinet werkt aan plannen om desinformatie tegen te gaan, met speciale aandacht voor de risico’s van generatieve AI (8).
  • Regulering en transparantie
    Er is behoefte aan duidelijke richtlijnen voor het gebruik van AI in media en communicatie. Zo wordt transparantie gewaarborgd en kunnen partijen die AI inzetten beter ter verantwoording worden geroepen.

 

 

 

3. Educatie en bewustwording

Twee mensen met VR-brillen op hebben ruzie. Polarisatie in werking.

  • Mediawijsheid
    Het bevorderen van kritisch denken is cruciaal. Door burgers (jong en oud) te leren hoe ze bronnen kunnen checken en valse informatie kunnen herkennen, versterk je hun weerbaarheid tegen nepnieuws (9).
  • Onderwijsprogramma’s
    Door lessen over AI, desinformatie en polarisatie een plek te geven in het curriculum, bereiden we jongeren voor op de uitdagingen van het digitale tijdperk (9).
Conclusie

AI biedt veel mogelijkheden, maar het brengt ook risico’s met zich mee die niet onderschat mogen worden.

In Nederland zien we dat desinformatie en polarisatie alledaagse realiteiten zijn geworden, mede door AI-gedreven content. Tegelijkertijd zien we ook een combinatie van technologische innovatie, doordacht beleid en educatie om deze problemen te bestrijden.

In toekomstige artikelen zal ik dieper ingaan op ethische vragen en mogelijke oplossingen, zoals de app waar ik aan werk.

Maar er is een grens aan wat ik alleen kan bereiken.

Laten we daarom samenwerken als Ridders en Dataridders van de Waarheid: goed geïnformeerd, kritisch denkend én in staat om AI op een verantwoorde manier in te zetten.

Dataridders, de plicht roept. 

 

Bronnen
  1. Sociaal en Cultureel Planbureau – Helft Nederlanders bezorgd over online gedrag en misinformatie
  2. Ibestuur – Nederlanders plaatsen nepnieuws en polarisatie bovenaan AI-onderzoeksagenda
  3. NU.nl – Experts zien door AI gegenereerde desinformatie als grootste risico van 2024
  4. AD – Nepfoto Frans Timmermans
  5. NLAIC – ELSA Lab AI, Media & Democracy
  6. Odido – Hoe grote techbedrijven samen AI-nepinformatie bestrijden
  7. Ground News
  8. Tweakers – Nederlands kabinet deelt nieuwe plannen om desinformatie te bestrijden
  9. NOS-  Jongeren missen nieuws door algoritmes techbedrijven
  10. Consultancy.nl – AI-desinformatie op korte termijn grootste bedreiging voor wereldstabiliteit
  11. Apache – Nieuwsalgoritmes kunnen burgers breder informeren
  12. KPMG – Bekendheid met algoritmes groeit, vertrouwen daalt
  13. Youtube – Filter Bubbles and Echo Chambers

 

Dataridder is terug

Welkom (terug) bij Dataridder!

De wereld van AI en datawetenschap biedt fantastische mogelijkheden, maar brengt ook risico’s met zich mee. Algoritmes bepalen steeds vaker welke nieuwsberichten we lezen, wat we geloven en hoe we met elkaar in gesprek gaan.

Dit heeft een enorme invloed op onze democratie en samenleving. Als we niet opletten, kunnen deze digitale middelen meer schade aanrichten dan goed doen. Toch geloof ik dat we met de juiste kennis en inzet deze technologieën juist positief kunnen inzetten.

Wat doet Dataridder?

Bij Dataridder vind je analyses, tools en het begin van een community die streeft naar een eerlijke, transparante online wereld. In mijn volgende post ga ik dieper in op de rol van AI in polarisatie en desinformatie in Nederland, en wat we kunnen doen om dit tegen te gaan.

Lees verder

Wil je meer achtergrond over Dataridder en mijn missie? Bezoek de Over Dataridder-pagina.

Sluit je aan bij de queeste en laten we samen de Ridders van de Waarheid worden.