De voorbije weken kwam ik een nieuwe AI-technologie tegen die me onmiddellijk deed nadenken over de toekomst van IoT en smart technology. Het gaat over Jev, een nieuw AI-model van TypeSafe AI dat op 15 september werd voorgesteld.

We zijn ondertussen allemaal vertrouwd met ChatGPT, Claude en andere grote taalmodellen. Die zijn bijzonder sterk in het verwerken van informatie, schrijven van teksten en oplossen van complexe vraagstukken. Maar Jev pakt het anders aan. Het model genereert geen teksten, maar neemt beslissingen op basis van de informatie die het krijgt. En net dat vind ik bijzonder interessant wanneer je kijkt naar de wereld van connected devices, domotica en industriële automatisering.

Wat is Jev precies?

Jev is ontwikkeld door TypeSafe AI, een Amerikaanse startup opgericht door onder andere voormalige OpenAI-onderzoekers. Het bedrijf introduceert een nieuwe categorie AI-modellen onder de naam System One Models. Die naam verwijst naar het onderscheid tussen snel, intuïtief denken en trager, analytisch redeneren.

Waar traditionele LLM’s een antwoord formuleren in tekst, werkt Jev met vooraf gedefinieerde keuzes. Je geeft het model informatie over een bepaalde situatie, stelt een vraag en bepaalt welke antwoorden mogelijk zijn. Het model kiest vervolgens het meest waarschijnlijke antwoord en geeft daarbij een confidence score terug.

Een eenvoudig voorbeeld. Stel dat een machine verschillende sensoren heeft die temperatuur, trillingen en energieverbruik meten. Je zou Jev kunnen vragen om de huidige toestand van de machine te beoordelen, met drie mogelijke antwoorden: normale werking, afwijking of onderhoud noodzakelijk. Het model analyseert de aangeleverde informatie en geeft een gestructureerd resultaat terug dat rechtstreeks door software verwerkt kan worden.

Het interessante is vooral de snelheid en de kostprijs. Volgens TypeSafe ligt de responstijd tussen 70 en 500 milliseconden. Het bedrijf claimt dat Jev voor bepaalde taken 40 tot 200 keer sneller kan zijn dan traditionele LLM’s. De kostprijs bedraagt momenteel slechts 0,042 dollar per miljoen inputtokens.

Dat zijn uiteraard cijfers van de ontwikkelaar zelf, en Jev kan ook niet zomaar vergeleken worden met een generatief taalmodel. Maar het toont wel aan dat AI-beslissingen bijzonder goedkoop en snel kunnen worden. En daar zie ik mogelijkheden.

We hebben alles verbonden, maar hoe intelligent zijn die systemen eigenlijk?

Ik heb de voorbije jaren heel wat tijd besteed aan het ontwikkelen van connected devices en IoT-platformen. Van elektronica en embedded software tot de volledige infrastructuur om honderden toestellen te verbinden, beheren en monitoren.

Als ik terugkijk naar hoe we dergelijke systemen bouwen, komt het vaak op hetzelfde neer. Een toestel verzamelt gegevens via sensoren, stuurt die door naar een platform en vervolgens bepaalt software wat er moet gebeuren. Die software werkt meestal met vooraf geprogrammeerde regels.

Een temperatuur die te hoog wordt? Alarm genereren. Een machine die langer dan vijf minuten stilstaat? Operator verwittigen. Een sensor die geen gegevens meer verstuurt? Toestel als offline markeren.

Daar is op zich niets mis mee. Voor heel wat toepassingen is dat zelfs de beste en meest betrouwbare manier van werken. Maar zodra de omstandigheden complexer worden, beginnen we steeds meer uitzonderingen en bijkomende voorwaarden te programmeren. En dat herken ik ook uit mijn eigen projecten.

We proberen de werkelijkheid te vertalen naar softwarelogica. Alleen is die werkelijkheid niet altijd zo zwart-wit als de regels die we programmeren. Daar zou een technologie zoals Jev een interessante aanvulling kunnen zijn.

Een voorbeeld uit mijn eigen smart home

Ik ben zelf volop bezig met de automatisering van mijn woning, waarbij KNX en Home Assistant een belangrijke rol spelen. Wie al wat ervaring heeft met domotica, weet dat je met de juiste sensoren en automatiseringen bijzonder veel kan realiseren.

Verlichting die reageert op aanwezigheid, screens die automatisch bewegen volgens de zonnestand, verwarming die rekening houdt met verschillende omstandigheden, enzovoort. Maar hoe uitgebreider je automatiseringen worden, hoe meer logica je uiteindelijk moet voorzien.

Neem nu aanwezigheidsdetectie. Een bewegingssensor detecteert beweging en schakelt de verlichting in. Wanneer er gedurende een bepaalde periode geen beweging meer wordt gedetecteerd, gaat het licht opnieuw uit. Dat werkt prima, tot iemand rustig in de zetel zit en nauwelijks beweegt.

Je kan dat oplossen met een betere aanwezigheidssensor, bijkomende voorwaarden of een combinatie van verschillende sensoren. Maar stel dat je die gegevens ook door een AI-model laat beoordelen.

Het systeem krijgt informatie over beweging, aanwezigheid, lichtsterkte, tijdstip en eventueel de toestand van andere toestellen in de ruimte. Vervolgens stel je een eenvoudige vraag: wordt deze ruimte momenteel gebruikt? Op basis van die informatie kan het model een inschatting maken. Die beslissing kan je vervolgens gebruiken binnen Home Assistant om bepaalde automatiseringen aan te sturen.

Er bestaat ondertussen zelfs een experimentele integratie tussen Jev en Home Assistant, waarbij dergelijke beoordelingen als sensoren beschikbaar worden gemaakt.

Dat betekent uiteraard niet dat we plots al onze KNX-logica moeten vervangen door AI. Integendeel, ik zou de basisautomatisering nog altijd lokaal en deterministisch houden. Maar als bijkomende intelligentie boven op die bestaande logica vind ik het een bijzonder interessant concept.

En wat met industriële IoT?

Misschien wordt het nog interessanter wanneer we naar industriële omgevingen kijken. In productiebedrijven worden vandaag enorme hoeveelheden gegevens verzameld. Machines, PLC’s, sensoren, operatorapplicaties en MES-systemen produceren voortdurend informatie. We verbinden die systemen steeds beter met elkaar, maar dat betekent niet automatisch dat we ook begrijpen wat er op de werkvloer gebeurt.

Neem bijvoorbeeld een machine waarvan het energieverbruik plots stijgt. Een traditioneel monitoringsysteem kan daar een alarm voor genereren wanneer een bepaalde grenswaarde overschreden wordt.

Maar misschien is die stijging perfect normaal. Misschien verwerkt de machine een ander materiaal, draait ze op een hogere snelheid of is de productieorder gewijzigd. Om te bepalen of er werkelijk iets misloopt, moet je dus verschillende gegevensbronnen combineren.

En dat is precies waar ik mogelijkheden zie voor een model zoals Jev. Je zou de operationele gegevens van een machine kunnen combineren met informatie uit een MES- of ERP-systeem en vervolgens laten beoordelen of een bepaalde situatie aandacht vereist. Een operator hoeft dan niet noodzakelijk bij iedere afwijkende sensorwaarde een melding te krijgen, maar enkel wanneer die afwijking binnen de huidige productiecontext relevant is.

Dat klinkt misschien eenvoudig, maar wie al eens gewerkt heeft aan industriële digitaliseringsprojecten weet hoeveel logica er vandaag nodig is om dergelijke situaties correct te interpreteren.

Uiteraard moet je hier het onderscheid maken tussen het herkennen van afwijkingen en het beoordelen van de context. Voor het analyseren van ruwe trillingsdata of het voorspellen van mechanische defecten bestaan al gespecialiseerde machinelearningmodellen. Jev is daar niet automatisch een betere oplossing voor. Maar als extra laag die informatie uit verschillende systemen combineert en beoordeelt, zie ik wel potentieel.

Waarom ik vooral naar de combinatie met edge computing kijk

Er is wel een belangrijk aandachtspunt. Jev wordt momenteel aangeboden via een cloud-API. Dat betekent dat de gegevens naar een externe service worden gestuurd en de beslissing vervolgens terugkomt. Voor bepaalde toepassingen is dat perfect aanvaardbaar.

Maar zodra je met fysieke systemen werkt, spelen latency, beschikbaarheid en betrouwbaarheid een veel grotere rol. Een robot die een obstakel moet ontwijken, kan niet wachten op een antwoord uit de cloud. Een machine die om veiligheidsredenen moet stoppen, mag evenmin afhankelijk zijn van een externe AI-service.

Daarom denk ik dat de toekomst vooral in een combinatie van verschillende technologieën ligt. De elektronica en embedded software blijven verantwoordelijk voor het uitlezen van sensoren en het rechtstreeks aansturen van hardware. Kritieke functies en veiligheidslogica blijven lokaal werken.

Daarnaast kan je gespecialiseerde AI-modellen inzetten om informatie te interpreteren en beslissingen te ondersteunen. Voor complexere analyses kan je vervolgens gebruikmaken van krachtigere reasoning models in de cloud.

Je krijgt op die manier verschillende niveaus van intelligentie, elk met hun eigen verantwoordelijkheid. En dat sluit volgens mij veel beter aan bij hoe we betrouwbare connected products zouden moeten ontwerpen.

Niet iedere AI-toepassing heeft ChatGPT nodig

Wat ik misschien nog het interessantste vind aan Jev, is dat het aantoont dat AI niet noodzakelijk rond taal moet draaien. We zijn de voorbije jaren zo gewend geraakt aan chatinterfaces dat we AI bijna automatisch associëren met een systeem waaraan we vragen stellen.

Maar software heeft meestal helemaal geen uitgebreid antwoord in tekst nodig. Een applicatie wil weten welke actie uitgevoerd moet worden. Een monitoringplatform wil weten of een gebeurtenis belangrijk is. Een machine wil weten of een bepaalde toestand normaal is. Een workflow wil weten welke volgende stap genomen moet worden.

Daarvoor heb je niet noodzakelijk een groot taalmodel nodig dat eerst een antwoord formuleert. Een gespecialiseerd model dat snel een gestructureerde beslissing teruggeeft, kan voor dergelijke toepassingen veel interessanter zijn.

En misschien moeten we AI ook wat meer op die manier beginnen bekijken. Niet als één groot model dat alles probeert op te lossen, maar als verschillende gespecialiseerde modellen die samenwerken binnen een groter systeem.

Wat met reasoning AI en AI-agents?

De ontwikkelingen rond reasoning AI maken het verhaal nog interessanter. Waar Jev vooral bedoeld is om snel een beslissing te nemen uit een beperkt aantal mogelijkheden, zijn reasoning models net ontwikkeld om complexere problemen te analyseren. Die combinatie zou bijzonder krachtig kunnen worden.

Stel dat een industriële installatie voortdurend gegevens verzamelt. Een snel beslismodel beoordeelt de binnenkomende gebeurtenissen en bepaalt welke situaties aandacht verdienen. Wanneer een afwijking complexer blijkt, kan een reasoning model bijkomende informatie analyseren, historische gebeurtenissen vergelijken en mogelijke oorzaken onderzoeken. Een AI-agent zou vervolgens een voorstel kunnen doen om een onderhoudstaak aan te maken, een operator te informeren of bijkomende gegevens op te vragen.

Dat is natuurlijk nog iets anders dan een volledig autonome fabriek. Maar het toont wel hoe verschillende soorten AI een rol kunnen krijgen binnen dezelfde architectuur.

En volgens mij gaan we de komende jaren steeds meer van dergelijke combinaties zien. Zeker wanneer kleinere modellen ook lokaal op edge hardware kunnen draaien.

Een belangrijke nuance: AI blijft probabilistisch

Er is wel iets waar we bijzonder voorzichtig mee moeten zijn. Jev geeft bij zijn beslissingen een waarschijnlijkheid terug. Dat is interessant, maar een confidence score is geen garantie dat een beslissing correct is. Een model dat met 95% zekerheid aangeeft dat een machine normaal functioneert, kan nog altijd verkeerd zitten.

Bovendien betekent een correct gestructureerd antwoord niet dat de inhoud ook correct is. Dat onderscheid is belangrijk. Zeker wanneer AI-beslissingen gevolgen kunnen hebben voor fysieke installaties, productieprocessen of mensen.

Daarom zou ik dergelijke modellen in eerste instantie vooral gebruiken om bestaande systemen slimmer te maken, zonder de volledige controle over te dragen. Laat AI bijvoorbeeld bepalen welke meldingen relevant zijn, maar behoud de bestaande veiligheidslogica. Laat AI een onderhoudsactie voorstellen, maar zorg dat een operator de uiteindelijke beslissing kan nemen.

En test vooral hoe betrouwbaar het model werkelijk is binnen de specifieke toepassing. Want een goede score op een algemene benchmark zegt weinig over hoe een model zich zal gedragen binnen een industriële omgeving met afwijkende sensoren, onvolledige gegevens of onverwachte situaties.

Waar gaat dit naartoe?

Als ik kijk naar de evolutie van IoT, zie ik eigenlijk verschillende fases. In het begin draaide alles rond connectiviteit. We wilden toestellen verbinden met het internet en vanop afstand gegevens kunnen uitlezen. Daarna kwamen de IoT-platformen, dashboards en toepassingen om die gegevens te beheren. Vervolgens begonnen we meer aandacht te besteden aan data-analyse, machinelearning en predictive maintenance.

En nu ontstaat de mogelijkheid om AI veel dieper te integreren in de software die onze fysieke wereld aanstuurt. Niet alleen om gegevens te analyseren, maar ook om de context van een situatie te beoordelen en daar gepast op te reageren.

Jev is daar een interessant voorbeeld van, maar ik denk niet dat het verhaal rond één specifiek model zal draaien. De echte evolutie zit volgens mij in de manier waarop we intelligentie gaan integreren in connected products.

Een sensor die een temperatuur meet, is op zichzelf niet intelligent. Een IoT-platform dat die temperatuur visualiseert, evenmin. Maar wanneer je die informatie kan combineren met andere gegevens en op basis daarvan een relevante beslissing kan nemen, ontstaat er iets interessants.

Daarbij zal de combinatie van elektronica, embedded software, edge computing en AI volgens mij steeds belangrijker worden. En misschien nog belangrijker: de kennis om die technologie correct toe te passen binnen een fysieke omgeving.

Want uiteindelijk blijft technologie maar een middel. Wat je ermee doet, is veel interessanter.

Bronnen

Voor wie zich verder wil verdiepen in Jev en de ontwikkelingen rond deze nieuwe categorie AI-modellen: