De NS heeft een technische storing waardoor er tot zeker 17:00 uur geen treinen meer rijden. Dit is niet beperkt tot een bepaald traject of specifiek soort trein. Ook in de app gaat het mis: daar worden juist geen uitgevallen ritten gemeld. Regionale treinvervoerders rijden wel.

Naast uitgevallen treinen en een app die reisadviezen geeft alsof dat probleem zich niet voordoet, lukt het de NS momenteel ook niet om op de treinstations reisinformatie te geven. De NOS schrijft dat dat zelfs niet mogelijk is door de geluidsinstallaties op de stations. De NS heeft een webpagina waar updates worden geplaatst.

Aan de NOS vertelt de NS ook dat het gaat om een storing in 'het systeem dat gedurende de dag de actuele planning maakt'. Dit systeem stelt ook automatische omleidingen in als zich ergens een incident voordoet. Doordat dat systeem niet werkt, zou het onveilig zijn om gewoon door te rijden volgens de dienstregeling. Het systeem is 'essentieel'.

Tegenover NU.nl meldt de NS dat er 'waarschijnlijk' geen NS-bussen ingezet worden, omdat de hoeveelheid treinreizigers niet in de vervangende bussen zou passen. Dit artikel wordt bij nieuwe ontwikkelingen voorzien van updates.

Update 1, 16:42: de NS meldt inmiddels dat de storing tot zeker 20:00 duurt.

Update 2, 21:25: zondag rijden geen treinen meer. "De verwachting is dat morgenochtend grotendeels de normale dienstregeling kan worden opgestart", stelt de NS. De oorzaak van de storing is inmiddels wel verholpen. Verder 'wordt de reisplanner voor morgenochtend op dit moment bijgewerkt' en moeten internationale treinen zonder hinder rijden. Eerder op de dag was dat nog niet het geval.

Update 3, 22:28: de zogenaamde nachttreinen rijden de aankomende nacht wel. Op de drukste trajecten, zoals binnen de Randstad, rijden deze elke nacht. De NS heeft een webpagina waarop uiteengezet staat op welke trajecten er in de nacht van zondag op maandag nachttreinen rijden.

De Vlaamse minister van Media heeft de bouw van een Vlaamse gamehub aangekondigd. Dat wordt een fysieke locatie waar Vlaamse ontwikkelaars kunnen samenkomen om te werken. De plannen voor de gamehub is een van de 25 punten uit de visienota ‘Level Up Vlaanderen’.

De Vlaamse minister van Media Benjamin Dalle wil met 25 maatregelen die deel uitmaken van de visienota een antwoord bieden op de drie grootste uitdagingen waar de Vlaamse gamesector momenteel mee kampt. Die zijn: het aantrekken van kapitaal, meer zakelijke skills ontwikkelen om investeerders aan te trekken en de internationale zichtbaarheid van Vlaamse producties vergroten. Daarnaast moeten enkele specifieke maatregelen ervoor zorgen dat de Vlaamse gamesector nog verder kan doorgroeien.

Zo komt er een Vlaamse gamehub naar het voorbeeld van gelijkaardige initiatieven zoals in Italië, Finland en Nederland waar gameontwikkelaars kunnen samenkomen om te netwerken en samen te werken. Hoe de gamehub er concreet gaat uitzien, wordt in de zomer beslist. In het najaar moet de hub er daadwerkelijk zijn.

Het budget van het Gamefonds van het Vlaams Audiovisueel Fonds zal ook worden opgetrokken. In 2022 stijgt het naar 2,9 miljoen euro door herstelmiddelen en vanaf 2023 zal het fonds structureel 2,7 miljoen euro bevatten. Voorheen was dat 1,7 miljoen euro. Het gamefonds kan door Vlaamse gameontwikkelaars aangesproken worden om de productie van games financieel te ondersteunen. De visienota stelt dat dit fonds ook flexibeler ingezet zal kunnen worden.

De Vlaamse minister ziet gamen als 'een sterk groeiend economisch en maatschappelijk fenomeen'. Uit een jaarlijks onderzoek van het Leuvense onderzoeksinstituut Imec blijkt dat 37 procent van de Vlamingen in 2020 een gameconsole in huis had. Ongeveer 54 procent van de ondervraagden gaf toen aan dat ze maandelijks gameden.

Threema, bekend van de gelijknamige Zwitserse messaging-app die de nadruk legt op privacy en security, zegt een manier gevonden te hebben om berichten en oproepen tijdig binnen te laten komen op een toestel zonder het gebruik van Googles Firebase Cloud Messaging.

Firebase Cloud Messaging is een systeem van Google dat het mogelijk maakt om betrouwbaar berichten naar een Android-smartphone te sturen, zonder dat de ontvangende smartphone regelmatig bij een server hoeft te controleren of er nog berichten klaarstaan, wat energie en data kost. Zeer veel apps gebruiken dit systeem.

Threema treedt niet heel erg in detail over de nieuwe feature, ook niet in de faq. Wat duidelijk is, is dat deze Googles pushdiensten niet gebruikt en schijnbaar ook niet aan regelmatige polling bij de Threema-servers doet. Deze nieuwe functie vervangt de polling-optie juist. Wellicht dat Threema zelf heeft geïnvesteerd in infrastructuur die soortgelijk is aan Googles Firebase Cloud Messaging, maar dat is niet zeker.

Naast de privacyvoordelen maakt deze functie het volgens Threema mogelijk om tijdig spraakoproepen te ontvangen, dus voordat de initiatiefnemer een time-out krijgt. Dit was zonder FCM niet mogelijk, tenzij de gebruiker agressieve polling inschakelde en een beetje geluk had.

Verder meldt Threema wel dat het een voorwaarde is dat power restrictions voor de app uitgeschakeld worden en dat background data usage ingeschakeld is. Ook moet Threema een aanhoudende notificatie tonen voor de dienst, maar die is wel te verbergen zonder gevolgen. De makers zeggen dat het energieverbruik van de app 'mogelijk licht stijgt' door Threema Push.

Threema redeneert dat het gebruik van FCM weliswaar niet betekent dat al te gevoelige informatie de revue passeert bij de servers van Google, maar dat deze situatie het toch theoretisch mogelijk maakt om een Threema-gebruiker te kunnen koppelen aan een specifiek Google-account. Wegens de focus op privacy bij Threema, heeft het bedrijf de polling-functie langer gehad en nu dus Threema Push.

Threema Push staat standaard ingeschakeld op Android-telefoons die geen Google Play Services geïnstalleerd hebben. Firebase Cloud Messaging is daar een onderdeel van. Tweakers schreef in 2020 een achtergrondverhaal over het hoe en waarom van ontgoogelen.

NLZiet gaat zijn klanten compenseren voor de storing van afgelopen week, die bij elkaar ongeveer 24 uur duurde. De dienst biedt getroffen klanten een week lang gratis NLZiet aan. Replays van streams die tijdens de storing uitgezonden moesten worden, zijn niet beschikbaar.

NLZiet benadert klanten via e-mail over de compensatieregeling en biedt in dat bericht ook zijn excuses aan. Hoe de gratis week precies werkt, is niet helemaal duidelijk. Het lijkt erop dat gebruikers in ieder geval geen korting op de volgende incasso krijgen, maar dat ze voor hetzelfde geld een langer durende dienstverlening krijgen. Wellicht dat de volgende incasso een week wordt opgeschoven.

Via Twitter laat de klantenservice van het bedrijf weten dat terugkijken van content die in de storingsperiode is uitgezonden niet mogelijk is. "Vanwege de storing bij onze stream-leverancier kwamen de live-streams niet door en zijn daarvan ook geen 'opnames' gemaakt", legt de helpdesk uit. Wel is het mogelijk dat bepaalde getroffen programma's alsnog terug te kijken zijn in hun ondemandvorm, maar dat zal niet voor alles gelden.

De storing vond plaats bij de leverancier van de streams voor het platform. 'Uitgelopen werkzaamheden aan een defect netwerkonderdeel' waren de reden van het gebrek.

Update, dinsdag: uit verdere communicatie van NLZiet blijkt dat het eerstvolgende incassomoment voor de klanten in kwestie een week wordt opgeschoven, waardoor ze een week lang gratis kijken.

Ieder jaar beginnen er in de lage landen tientallen techstart-ups, die grootse dromen hebben, maar technische hobbels moeten overwinnen om die waar te maken. In dit artikel bespreken we waar SeMi Technologies zoal tegenaan liep bij het ontwikkelen van zijn databasezoekmachine Weaviate.

Databases bevatten soms miljarden datapunten. Daar doorheen spitten is een hels karwei. Uiteraard is er een zoekfunctie, maar die vereist wel dat je een trefwoord intoetst dat vervolgens in de data terugkomt. Maar wat nou als je antwoord op een vraag wil? Dan heb je niks aan een trefwoord. Met hele vragen weet die zoekfunctie geen raad.

Bob van Luijt werkt al zo’n twintig jaar met databases en is dus als geen ander bekend met dit zoekprobleem. Volgens Van Luijt heeft eigenlijk iedereen wel last van zulke zoekproblemen. "Als jij je bankierenapp opent en je probeert een transactie te zoeken, maar je kunt ‘m niet vinden, is dat een zoekprobleem. Als jij naar een ziekenhuis gaat voor een consult en de arts zit tien minuten te zoeken in het systeem naar wat er ook alweer aan de hand was, is dat ook een zoekprobleem."

Een aantal jaar geleden zag Van Luijt de kans om dit probleem aan te pakken. De wereld van databasetechnologie kreeg toen met een nieuwe machinelearninginnovatie te maken die slimmere zoekopdrachten mogelijk maakt.

Weaviate, zoals Van Luijts zoekoplossing heet, is een AI-first vector search engine. Die moet geïntegreerd worden in een datalandschap. Als database is Weaviate dus geen consumentenproduct en daardoor iets heel anders dan Google of Yahoo. "Wij zijn slechts onderdeel van de infrastructuur. Weaviate is volledig api-gebaseerd", legt Van Luijt uit. "Onze interface bestaat uit GraphQL- en RESTful-api’s. Ontwikkelaars moeten Weaviate altijd integreren in een applicatie." De taak van Weaviate is om het zoeken in die applicaties vervolgens snel en efficiënt te laten gebeuren, ook bij miljarden dataobjecten, aan de hand van machinelearningmodellen.

Dat zoeken moet door AI dus 'slimmer' gebeuren dan in traditionele databases. Van Luijt geeft een voorbeeld: "Als je een document hebt waarin staat: 'de Eiffeltoren in Parijs', dan moet je bij traditionele databases of op 'Eiffeltoren' of 'Parijs' zoeken om die tekst te vinden. Maar als je zoekt op 'bezienswaardigheden in Frankrijk' heb je een probleem, want dat staat er niet letterlijk in. Dat is wat de machinelearningmodellen die in onze zoekmachine ingebouwd zitten, oplossen. Zij kunnen die connecties leggen onder de motorkap."

De technologie zou bijvoorbeeld voor webshops gebruikt kunnen worden. Bij een online winkel die pompoenzaden verkoopt kan de AI-zoektechnologie ervoor zorgen dat die producten ook verschijnen tussen de zoekresultaten als de klant zoekt op 'Halloween', zelfs als er op de site nergens een verwijzing wordt gemaakt naar Halloween. De geïntegreerde database legt dan zelf de connectie tussen 'pompoenen' en 'Halloween'.

Een 'traditionele' zoekmachine als Google maakt allang gebruik van dergelijke AI-technologie. Alleen kan Google dan weer niet gebruikt worden als database, verklaart Van Luijt. "Het is net tomatensoep. Van tomaten kun je tomatensoep maken, maar van tomatensoep kun je geen tomaten maken. Je kunt niet zeggen: goh, de tomatensoep genaamd Google Search smaakt wel heel lekker, dus doe mij maar een paar van die tomaten om mijn data in te hangen. Zo werkt het niet. Je kunt ook niet zeggen: Airbnb werkt wel heel goed voor het vinden van slaapplekken, laat ik dat nu gebruiken voor het vinden van airbikes, bijvoorbeeld."

Stug zoekprobleem

Het idee van Weaviate ontstond zo’n zes jaar geleden. Van Luijt was als freelance IT-consultant al veel bezig met data structureren toen begin 2016 het piepjonge algoritme Word2Vec onder zijn aandacht kwam. Dit algoritme kan van elk individueel woord van een tekstcorpus een vector maken. Vectoren zijn een soort coördinaten die zich in de honderden dimensies bevinden. Aan één woord kunnen in de vectorruimte meer dan duizend coördinaten gehangen worden. Door met Word2Vec vectoren van woorden te maken, kan het algoritme die associëren met bijpassende woorden. Hoe meer semantische connecties woorden met elkaar hebben, hoe dichter de coördinaten van die woorden bij elkaar geplaatst worden in die vectorruimte. Het algoritme gebruikt verschillende bronnen, zoals Wikipedia, om die connecties te bepalen.

Google vond die vectortechnologie ook wel interessant. Kort voordat Van Luijt Word2Vec ontdekte, maakte Google bekend bezig te zijn met iets genaamd 'RankBrain'. Dit zoekresultaatalgoritme moest op termijn PageRank gaan vervangen, omdat RankBrain meer gebruik ging maken van die vectoren en machinelearning om betere zoekresultaten te kunnen leveren. Van Luijt kwam erachter dat er helemaal nog niet gewerkt werd aan een dergelijke technologie om het zoekprobleem in databases op te lossen, terwijl dat voor veel mensen nog altijd een hoop ergernissen oplevert. Nu hij wist van het bestaan van die machinelearninginnovaties, besloot hij iets te gaan ontwikkelen.

In zijn vrije tijd werkte Van Luijt mondjesmaat aan het concept, maar in 2017 kon hij het ook in de praktijk gebruiken toen hij werd ingezet voor een freelance iot-project bij ING. "Dat had ook te maken met het structureren van data en daar efficiënt doorheen zoeken, een beetje een semantischwebidee", blikt Van Luijt terug. Voor dat project zag hij de gouden kans om Weaviate in te zetten om data van verschillende bronnen aan elkaar te linken door graphverbindingen en de vectoren. Dat werkte behoorlijk goed.

Iemand binnen ING Labs, de start-upaccelerator van de bank, zag dat ook in en gaf Van Luijt de kans om verder aan de software te werken binnen de accelerator. Daar ontmoette hij Micha Verhagen en Etienne Dilocker, die ook enthousiast waren over Weaviate. Dilocker stelde voor om met z’n drieën een bedrijf te beginnen waarmee ze de AI-zoekmachine van de grond af aan zouden opbouwen. En zo geschiedde.

Gegevens vectoriseren

De intelligente zoektechnologie die Weaviate gebruikt wordt 'word embedding aan de hand van machinelearning' genoemd, legt Van Luijt uit. Om deze in de software te kunnen gebruiken, moeten in de eerste plaats de juiste machinelearningmodellen ingezet worden. De modellen die in Weaviate geplaatst zijn, worden net als de api's niet zelf gemaakt, maar geadopteerd, bijvoorbeeld van Hugging Face of andere opensourceplatformen. Ze hebben allerlei verschillende taken. Als een gebruiker met Weaviate wil zoeken, worden er meerdere van die modellen gebruikt om het juiste antwoord te vinden.

Bij het stellen van een vraag, zoals 'Wat is de populatie van Californië?', wordt er bijvoorbeeld eerst een zoekalgoritme gebruikt die zo snel mogelijk een stuk of twintig kandidaten terugstuurt. Het algoritme verwacht dat in een van die kandidaten het antwoord verstopt zit. Omdat dat nog steeds veel eigen zoekwerk vereist, wordt daarna een ander soort machinelearningmodel gebruikt: een question-answeringmodel. Dat gaat nog een keer door die twintig kandidaten heen en bepaalt dan in welke van de twintig het juiste antwoord verstopt zit. De truc is alleen om dat alles in zo weinig mogelijk milliseconden voor elkaar te krijgen.

Efficiëntiekwesties

De software zo snel en efficiënt mogelijk die vectoren te laten zoeken en dus door de data te laten fietsen, was een grote uitdaging gedurende het gehele ontwikkelproces. Van Luijt: "Als je dat normaal doet op een zogeheten bruteforcemanier, wordt je applicatie supertraag. Dat gaat niet, dus moesten we een andere oplossing verzinnen."

De oplossing is uiteindelijk gevonden in algoritmes die approximate nearest neighbor worden genoemd. "Als je een query in de vectorruimte plaatst, probeert dat algoritme naar de dichtstbijzijnde buur te gaan, want dat is waarschijnlijk het antwoord op je vraag", legt Van Luijt uit. Door een schatting te maken in plaats van honderd procent zekerheid te vereisen, wordt veel geheugen bespaard en bovendien gaat dat een stuk sneller. De snelheidskous is daarmee niet af: dat aspect blijft volgens Van Luijt nog dag in dag uit een uitdaging.

Er zijn een heleboel lastige vraagstukken waar Weaviate nog dagelijks antwoorden op zoekt. Van Luijt somt er een aantal op. "Hoe kun je de import zo efficiënt mogelijk doen aan de hand van een algoritme, dus hoe bouw je zo efficiënt mogelijk zo’n index op? Hoe kun je dat zo goedkoop mogelijk doen? Hoe kun je je memoryfootprint zo laag mogelijk houden? Hoe kun je zo veel mogelijk op een disk opslaan, want dat is efficiënter dan data in-memory opslaan, en hoe kun je dat doen terwijl de userexperience zo efficiënt mogelijk blijft? Hoe kun je de snelheden om te indexeren en te queryen verhogen?"

'Als een gebruiker een usecase heeft waar onze technologie wel voor geschikt is, maar diegene denkt dat dat niet zo is, is dat het ergste wat kan gebeuren'Er wordt volgens Van Luijt momenteel research over al die vragen gedaan en gepubliceerd, waarbij er telkens gekeken wordt of de nieuwgevonden oplossingen bruikbaar zijn voor Weaviate. Deze snelheids- en efficiëntiekwesties zijn niet zo een-twee-drie op te lossen en daarmee erg hardnekkig: het perfecte antwoord is nog niet gevonden en over vijftig jaar waarschijnlijk nog steeds niet.

Deficiënte documentatie

Behalve blijvende uitdagingen die zich diep in de softwarestack afspelen, vindt Van Luijt dat ook de userexperience zeker niet onderbelicht mag blijven: je kunt de perfecte oplossing bouwen, maar als gebruikers niet begrijpen hoe die software werkt of wat je ermee moet doen, kun je er niks mee. Ook dat blijft zwoegen. Van Luijt: "Als iemand onze technologie wil gebruiken, maar zijn usecase is niet geschikt voor onze database, is dat prima. Daar zijn andere databases voor. Als een gebruiker een usecase heeft waar onze technologie wel voor geschikt is, maar diegene denkt dat dat niet zo is, is dat het ergste wat kan gebeuren. Dan wil je meteen weten waarom."

Omdat Weaviate open source is, is het relatief makkelijk om met een grote hoeveelheid gebruikers in contact te komen en feedback te ontvangen. Daardoor wordt het meteen duidelijk als er verwarring ontstaat onder gebruikers. Zo herinnert Van Luijt zich nog een probleem met de opslag. Weaviate slaat de eerste 25 miljoen dataobjecten op via werkgeheugen, en gaat daarna over naar diskopslag. "Bij een database met 50 miljoen dataobjecten gaat je import dus eerst heel snel en na de eerste 25 miljoen heel langzaam, omdat-ie dan alles op een disk gaat opslaan."

Gebruikers begonnen alleen massaal aan Weaviate te vragen hoe het komt dat na die 25 miljoen datapunten ineens alles langzamer werd. "Wij kwamen er toen achter dat dat geen probleem was in de software, maar in de documentatie. We hadden niet uitgelegd aan de gebruiker: als je dit niet zelf instelt, zit er een limiet op van 25 miljoen. Je kunt dat dus gewoon instellen en verhogen." Het is volgens Van Luijt belangrijk dat gebruikers zoveel mogelijk kunnen aanpassen als ze dat willen, maar dan moeten ze dus wel weten hoe dat moet. Het is een belangrijke les die Weaviate heeft geleerd en ook de reden dat de documentatie op de website nu zo alomvattend is gemaakt.

De opslagdefault is door Weaviate niet al hoger gezet, omdat de memoryfootprint dan te hoog wordt, verduidelijkt Van Luijt. Ook hierbij is de afweging tussen efficiëntie, snelheid en geheugen dus leidend geweest.

Een gat in de kaas

Omdat de AI-zoekmachinetechnologie net nieuw was toen Van Luijt er met zijn team op dook, heeft hij als groot voordeel dat zijn bedrijf een voorsprong heeft op veel van de directe concurrentie. Dat betekent niet dat hij volledig vrij spel heeft, want naast de directe concurrent is er bij databasetechnologie nog een tweede belangrijke concurrentiegroep: displacementconcurrentie, noemt Van Luijt die. "Mensen hacken zoekmachines die al bestaan en voegen er allerlei toeters en bellen aan toe om op die manier een oplossing te creëren."

Hoewel zoiets volgens Van Luijt zelden goed uitpakt en er uiteindelijk toch een gericht product moet komen, noemt hij het logisch dat zo’n houtje-touwtjeoplossing wel altijd eerst geprobeerd wordt. "Softwareontwikkeling is niks anders dan: er is ergens een oplossing voor, mensen willen meer, ze hacken er allerlei shit omheen, en op een gegeven moment begint die toren te wiebelen en valt-ie om. Op dat punt moet je nieuwe software van begin af aan opbouwen om dat specifieke, nieuwe probleem op te kunnen lossen."

'Dit is echt nog maar het begin van Weaviate'

Dat wordt de disruptietheorie genoemd, legt Van Luijt uit. "Technologie ontwikkelt zich en mensen willen steeds meer. Dan ontstaat er, vanuit een dichte kaas, op een gegeven moment een soort gatenkaas. Mensen willen meer en dus trekken ze de kaas als een elastiek uit elkaar. In dat gat kun je vervolgens springen. Dat hebben wij gedaan." Geen 'gat in de markt' dus, maar een 'gat in de kaas', noemt Van Luijt zijn businessidee om met vectoren door data te zoeken.

Weaviate is er alleen nog niet. Hoewel de software 'versie 1.0' al voorbij is, zegt Van Luijt nog niet helemaal tevreden te zijn over de mogelijkheden van de software. Voordat dat punt is bereikt, moet er nog een hoop gebeuren. Nóg meer data opslaan aan de hand van machinelearningmodellen, ofwel vectoriseren, is een grote uitdaging waar het bedrijf nu voor staat. "Er is een bedrijf dat in real time al het nieuws dat binnenkomt, bijvoorbeeld nu over Oekraïne, wil vectoriseren. Het is superwaardevol als je al het nieuws wat daarover wordt gepubliceerd, in alle talen, kunt vectoriseren en daar door die machinelearningmodellen trends uit kunt laten komen. Je kunt je voorstellen hoeveel data daar nu in real time over binnenkomt: miljarden datapunten en vectoren. Dergelijke cases zijn nu alleen nog echt te hoog gegrepen."

Omdat deze markt van AI-first-databasetechnologie zo nieuw is, is het volgens Van Luijt ook nog gewoon een kwestie van wachten op nieuwe ontwikkelingen en daar op inspringen. Hij maakt zich er momenteel dus geen zorgen over. "Dit is echt nog maar het begin. Wij zijn nu net bezig een eigen kaas te maken die nog volop aan het groeien is, en wie weet hoe dat er over twintig jaar uitziet."