AI inzetten in je organisatie: succesfactoren en uitdagingen

In deze podcast bespreken Hildo van Es, solution architect en medeoprichter van Greatminds, en Robin Smits, data scientist en oprichter van LUMI ML Consulting, de uitdagingen en kansen bij het inzetten van AI in bedrijven. Ze leggen uit hoe AI een steeds belangrijkere rol speelt in bedrijfsprocessen en hoe het nieuwe architectuurvraagstukken met zich meebrengt. En dat niet alleen. Ook  bespreken ze de factoren die een rol spelen bij het succesvol inzetten van AI in de organisatie

Transcript

Mijn naam is Hildo van Es en ik ben een solution architect en medeoprichter van Great Minds. Wij zijn een kennisdomein met betrekking tot alles wat te maken heeft met architectuur en daar hoort AI ook bij. AI begint een grote rol te spelen in bedrijven en software die erbij komt kijken. En het biedt daarmee een hele nieuwe scala aan architectuurvraagstukken. Naast mij zit Robin Smits en wij werken al heel lang samen en zijn onlangs begonnen aan het maken van een podcastserie over architectuur en AI. Wil jij even voorstellen? Ja, welkom.

Robin Smits, werk in dagelijks leven als data scientist bij het NBWI en daarnaast heb ik mijn eigen AI-consultancybureau Lumi ML Consulting. Super. En we hebben deze dus lekker samen weer een podcast aan het opnemen.

De derde alweer. Ja. Hartstikke leuk.

Vandaag staat op de agenda dat we het gaan hebben over het inzetten van AI in bedrijven en welke uitdagingen daarbij komen kijken en hoe je dat dus zo succesvol mogelijk kunt doen. Bijna alle bedrijven en organisaties zijn er al heel lang mee bezig om AI te bekijken en te kijken wat het brengt. Sommigen zijn er al net mee begonnen en sommigen zijn er al jaren mee bezig.

Maar hoe dan ook, ik denk dat wij aan de vooravond staan van een enorme explosie aan werk überhaupt. Aan werk voor architecten, aan data scientists, aan AI specialisten. Maar daarvoor moeten we wel eerst wat hindernissen weghalen.

Vijf jaar geleden publiceerde Gartner bijvoorbeeld dat er AI-barrières zijn, waarbij skills en angst en datakwaliteit de belangrijkste zijn. Vanuit jouw expertise als data science, Robin, wat vind jij van die barrières? Herken je ze? Ja, het is interessant dat je het rapport aanhaalt. Ik denk dat er elk jaar wel meerdere van dat soort rapporten worden uitgebracht.

Dit is een wat ouder rapport. Ja, inderdaad. Ruimschoots voor ChatGPT.Vijf jaar oud. Ik denk dat eigenlijk de drie punten die ze noemen, dat die nog steeds wel gewoon bestaan. Eerste punt, skills.

 Als je al een duidelijk plan hebt en je weet hoe je het wil gaan verwezenlijken, moet je nog steeds de juiste mensen hebben. Je ziet vaak dat, ik heb het idee dat het wel minder begint te worden, maar echt technische skills, programmeren, data science, machine learning, Ops, alles wat je erbij nodig hebt, daar is nog steeds gewoon een tekort aan. Ja, inderdaad.

En zeker een tekort aan echt goede mensen. Er zijn heel veel mensen die tegenwoordig ook in één keer AI-expert zijn, maar sommige daarvan hebben een marketingopleiding. Ja, die kunnen leuke toespraken daarover houden, maar ik weet niet of die per se goed jouw omgeving opzetten.

Nee, inderdaad. Sorry, ik zeg het met een glimlach. Dus ik denk dat skills was toen een probleem. En dat is nog steeds een probleem, denk ik. Ja, ja. En angst.

Een paar jaar geleden hadden we dus inderdaad, er was voornamelijk angst voor het onbekende. Zie je dat nog steeds terug? Ja, ik denk het wel. In ieder geval heb ik het wel met het idee dat waar mensen nu angstig voor zijn, dat het wel specifieker is als dat het... En nogmaals, Gartner heeft het geschrevenen, hoor

Maar ik denk dat het wel specifieker is dan hoe ze het toen bedoelden. 2019, heel veel mensen waren er nog niet eens bekend met AI, met data science, machine learning, dus was het meer algemeen van; oh, wat moeten we ermee? Ja.

En die zagen een soort van Skynet voor zich, met de Terminator. Ja, misschien. Sommige mensen zien dat nu juist meer dan toen, denk ik.

Maar ik denk wel, als je kijkt, het meerdeel van de mensen is nu bekend met AI of toepassingen ervan. Er zullen nog steeds mensen zijn die nog niet gehoord hebben van ChatGPT. Maar voor de meeste mensen, het fenomeen chatbot, is nu wel bekend.

Ik denk dat dat vijf jaar geleden, dat het compleet anders was. En wat je nu dus als angst bij bedrijven ziet, is van; ja, maar gaat een medewerker niet per ongeluk mijn bedrijfsgeheimen uploaden naar een chatbot? Ja, ja. En medewerkers die misschien zelf bang zijn dat ze vervangen worden door een chatbot, of developers die bang zijn dat ze door CoPilot worden vervangen.

Ja, al vind ik het wel interessant om daar te zien hoe. Je hoort sommige mensen zijn echt bang om vervangen te worden door AI, wat misschien voor sommige beroepen een wat groter risico is. Maar je hoort wel meer dat het een terechte angst is dat een developer die niet met AI werkt, wordt vervangen door een developer die met AI werkt. Ja, precies.

Ik zag toevallig vandaag nog weer een post langskomen, dat ook voor heel veel beroepen waar rapporten geschreven moeten worden, dat daar ook steeds meer generatieve AI ingezet wordt. En dat zal het niet compleet vervangen, maar het geeft wel een stuk invulling aan het werk, waar je dan een controle doet. Dus je ziet daar wel een verschuiving.

En dat was in 2019, zal dat er ook geweest zijn, maar toen was het nog een stuk verder weg. Ik denk dat het nu voor heel veel mensen wel dichtbij komt. Ook wij gaan er misschien wel last van hebben dat een stuk van het architectuurwerk, of het stuk van het data science-werk, door AI gedaan kan worden.

Ongetwijfeld, ongetwijfeld. Maar dan kun je je focussen op andere dingen als kwaliteit. Ja, inderdaad.

En uiteindelijk gaat het erom dat je werkzaamheden worden uitgebreid met AI, waardoor je je inderdaad kan focussen op dingen die er misschien meer toe doen, en misschien meer waarde toevoegen, omdat alle tijdrovende dingen worden geautomatiseerd. Ja. Repeterende werkzaamheden bijvoorbeeld.

Ja. En in de afgelopen jaren is er ontzettend veel onderzoek gedaan naar AI. En onlangs kwam ik bijvoorbeeld een onderzoek tegen naar uitdagingen van tegenwoordig.

En grappig is dat datakwaliteit nog steeds een enorme uitdaging is. Ja. Ik denk dat datakwaliteit, als je kijkt hoeveel data er nu door AI-modellen gegenereerd wordt, dat datakwaliteit misschien wel een groter probleem is dan vijf jaar terug.

Even de onderdelen van de EU AI Act is ook watermarking. Dus labels toevoegen aan gegenereerde tekst of gegenereerde content. Het kan niet alleen tekst zijn.

Zodat het ook te herkennen is als... Ja, maar ook dat je kan voorkomen als jij nu een dataset gaat verzamelen, dat je niet de data van mensen, plus zonder dat je het weet, ook al het nepnieuws van toevallig de verkeerde websites ertussen zit waar gewoon een AI-bot dat nieuws zit te verzinnen. Ja.

En dat is wel een groter probleem dan toen het rapport verscheen. Kijk, datakwaliteit is van alle tijden. Ja.

Laten we het tijdaspect en waar de data vandaan komt even los. Hoe beter jouw data, in principe hoe beter jouw model, hoe beter je daarmee een toepassing kan maken. Ja, inderdaad.

Dat wil nog niet zeggen dat het altijd lukt om daadwerkelijk een succesvolle toepassing te maken. Dat is nog een tweede. Maar het begint met schone, kwalitatieve, unbiased data.

Ja. En daarnaast heb je natuurlijk nu weer, want je zei net al met de nieuwe Europese wet, de AI Act. Er komt een hele scala aan nieuwe juridische en ethische wetgeving bij.

Ja. Waar je aan moet gaan voldoen. En daarnaast hebben we ook natuurlijk nog kosten.

Ook. De kosten behoren dus ook tot de grote uitdagingen van datakwaliteit. Ja, opslagkosten. Je hoeveelheid data wordt groter. En je merkt daar toch ook, natuurlijk de cloud biedt plaats aan alles qua data.

Ja. dus je kan opslaan wat je wil. Alleen ook daar weer hoor je steeds meer de discussie.

Moet je wel alles opslaan? Ja. Als je data bijvoorbeeld al filtert of op de juiste wijze opslaat, hoef je dat niet achteraf te doen. Ja.

Tuurlijk, je kan altijd een Databricks cluster aanzetten en alle data verwerken. Maar de kosten zijn navenant. Ja. En daar zit een trade-off natuurlijk. Ja. Dus de trade-off is van ja kijk als ik niet alles opsla, dan kan ik ook niet alles verwerken. Maar als je dus wel alles opslaat, dan heb je weer heel hoge kosten. Ja. Kijk en als jij Big Tech bent, dan heb je dezelfde hardware als Microsoft met zijn datacenters. Ja. Maar als je dat in moet kopen. Ja.

Tuurlijk, wat is het? Waar hebben we het tegenwoordig over? Misschien een cent per gigabyte per maand of zo. Ja, maar als je tig terabytes verder bent….

Ja, daarom. Dus daar, als je je probleem als bedrijf helder hebt; wat wil je als oplossing? Ja. Dan komt vanzelf in beeld welke data heb je daarbij nodig? Heb je die al? Maar heb je alles nodig? Ja. Dus je kan daar heel erg gaan kijken van kun je daarop verminderen?

 Ja, en dat is wel leuk, want dat is eigenlijk het bruggetje naar een tweede grote uitdaging. Het underfitten en het overfitten van modellen. Als je maar je strategieën en je doelen duidelijk hebt, dan kan dat daarbij natuurlijk ook een grote rol van verbetering betekenen. Ja, in principe, wat ze zeggen, uitgangspunt is hoe meer data je hebt, hoe beter je model kan trainen. Dat klopt. Alleen wat je met de huidige modellen, foundation models, heb je maar heel weinig data nodig om die te optimaliseren voor jouw bedrijfsdataset. Ja.

Wat ze dan toepassen is transfer learning. Dus het model heeft al kennis geleerd en je gaat hem, zeg maar, optimaliseren, een stukje verder trainen, zo je wilt, op jouw eigen bedrijfsdata. En daarbij heb je weer niet heel veel data nodig. In ieder geval niet vergeleken met origineel waar het op getraind was. Ja. Dus daarvoor hoef je niet per se enorm veel data te hebben. Ja, en BIAS hebben we de vorige keer al over gehad, maar kun je daar nog iets over zeggen? Waarom is BIAS nou toch wel weer zo'n enorme uitdaging voor organisaties? 

Wat je zegt; BIAS hebben we de vorige keer besproken. Eigenlijk is, je wil een probleem oplossen en je wilt niet een nieuw probleem introduceren. Als jij een dataset als bedrijf hebt waar BIAS in zit en je gaat daar je eigen model verder mee trainen en je wilt het succesvol inzetten. Ja, met de huidige wetgeving die er is, heb je een probleem als dat een functie is die jij publiek inzet. Ja, inderdaad. Al was het alleen maar dat het op een gegeven moment in de media komt en je als bedrijf aan de publieke schandpaal gaat.

Ja. Dus dat wil je gewoon niet. Dus jij wil gewoon, jouw bedrijfsdata moet schoon zijn.

Ja. Ik zou sowieso, ik kom even niet op concrete voorbeelden, maar als jij een bedrijfsdataset hebt waar BIAS in zit. Ja. Dan heb je ook al iets wat je moet gaan uitzoeken misschien voordat je überhaupt aan AI-modellen trainen gaat denken. Maar zou dat dan ook niet bijdragen aan een soort van angst die dan bij bedrijven zit van ja, als ik maar niet een model heb wat vervolgens helemaal biased is of underfitted of overfitted en al die kosten. Dat ze dan maar denken van ja, maar misschien moet ik het maar niet doen.

Misschien moet ik maar niet aan AI gaan denken.

Dat zal bij een percentage van de bedrijven zeker gaan spelen. Als je kijkt van voor heel veel bedrijven wat je in discussies hoort en wat je op LinkedIn leest is van ja, we moeten er iets mee. Ja. Want iedereen doet er wat mee. Ja. Dat kan een motivatie zijn, maar ik weet niet of dat direct de beste is. Ja. Kijk als organisatie, als jij intern ziet van we hebben bepaalde punten die we kunnen verbeteren en we zouden dat met AI kunnen doen, denk ik dat een betere motivatie is, een concreet probleem dan de concurrent doet iets, wij moeten nu ook snel wat gaan doen. Ja. Ik snap dat het speelt. Ja.

Maar ik zou dan wel dat vertalen van nou, hoe kunnen wij dat intern verbeteren. Ja, inderdaad.

En als je dan een concreet probleem hebt, dan zijn er eigenlijk al die punten die je net noemde, die angsten die kunnen spelen. Dat kunnen terechte zorgen zijn, maar je kan dat ook beschouwen als een lijst met targets van nou, we moeten ernaar streven dat we die problemen oplossen. Ja, zeker.

Kijk, je kan je druk maken om kosten, maar je zal vast een project op zo'n manier kunnen runnen dat je eerst gewoon klein begint, dat je niet te veel kosten hebt. Ja. Begin met een dataset waarvan je weet van nou, dat is misschien niet het eindproduct, maar we weten wel dat de kwaliteit goed is.

Ja, inderdaad. Dus ik denk ook heel erg, doe het in kleine stapjes. Je ziet heel vaak, er willen ze een heel groot project doen. Maar als je gewoon begint met een kleine proof of concept, dan kun je vanzelf al zien van, werkt dat? Ja. En wellicht is dat dus inderdaad ook nog wel belangrijker om dat kort iteratief te doen dan bij normale, traditionele softwarebouw. Ja.

Wat je bij reguliere softwarebouw met sprints is ook kort iteratief. Nou, laat een machine learning training of een analyse van het probleem en dat soort uitwerkingen zich niet altijd goed in sprints vatten, maar ik zou wel, doe het in kleine stappen. Ja. Want als het fout gaat, kun je gewoon vroegtijdig stoppen. Ja. En als het wel fout gaat, dan zie je het ook vroegtijdig. En niet elk data science project hoeft gelijk één of twee jaar te duren. Nee, dat is waar. Kijk, als jij een proof of concept waar jij met een paar mensen één of twee maanden aan werkt, dat zal absoluut nog niet het eindproduct zijn wat jij gaat gebruiken.

Nee. Maar het kan wel misschien al genoeg zijn om aan te tonen aan je stakeholders in het bedrijf van; kijk, dat budget wat wij besteden, het werkt. Ja.

Wat we daarmee bouwen, die oplossing, het doet wat we hoopten. Ja. Ja, maar ja, kijk, ik zie ook wel, dus inderdaad kort iteratief, maar ik denk dat het voor bedrijven wel heel belangrijk is dat ze wel zich beseffen dat AI waarde moet toevoegen. En ook op langere termijn. Dus er moet wel een langetermijnvisie zijn om AI in te gaan zetten, want anders dan kun je erbij beter niet aan beginnen, denk ik.

Wat vind jij ervan? In essentie, ja. Kijk, je kan AI inzetten puur omdat je AI wil inzetten, maar ik denk dat zo'n project geen lang leven heeft. Nee, en dan is het ook hype.

Dan voegt het niks toe. Maar dan kun je inderdaad beter zeggen van nou ja, als we dat vermoeden of die discussie leeft, dan kun je er misschien beter niet aan beginnen. Ja.

Of je kijkt inderdaad, wat we zeiden van als je een concreet probleem hebt waar je met AI mogelijk een concrete oplossing voor kan bouwen. Ja. Daar begint het al. Wat is het probleem wat je wilt oplossen? Ja, precies. En vaak zie je dat dat al niet helder genoeg is. Ja, nee, inderdaad.

Maar ja, goed. We zijn er dus een beetje ingedoken in de afgelopen weken. Ook van ja, waarom is dat nou eigenlijk, wat heb je nou eigenlijk nodig om het in een bedrijf goed te laten landen? En we zien ook wel dat bijvoorbeeld de business infrastructuur helemaal niet erop gefocust is, nog helemaal niet opgericht is. Ook om hier een strategie op te bouwen. En het is gewoon heel veel hype op het moment. 

En daarnaast heb je natuurlijk allerlei extra overwegingen, security-overwegingen waar we nog niet eerder over nagedacht hebben, want het was altijd makkelijker om traditioneel security te denken. Ja. En nu komt er ineens nog veel meer bij kijken, dus ik kan me best voorstellen dat business owners eigenlijk nog helemaal niet goed weten wat ze hiermee moeten. Kijk, als je een strategie dus wilt ontwikkelen hierop, dan zul je ergens een keer resultaat moeten willen zien. Ja.

En dat kun je alleen zien als je van tevoren een KPI definieert en een verwacht resultaat daaraan aankoppelt natuurlijk. Ja. En dat gaat meten, wekelijks, dagelijks.

Want dan kun je namelijk inderdaad bieden, wat jij dus net zei over die korte iteraties, dan kun je gaan bijsturen. Maar als je niet weet wat je kan verwachten, wat je wil verwachten, ja dan zul je altijd falen. Tenminste, dat is mijn mening in ieder geval.

Ik denk het wel, ja. Of het duurt allemaal gewoon zo lang, dat heb ik ook wel eens gehoord, dat een project gewoon twee jaar loopt. En tegen die tijd dat het opgeleverd is, zijn er al zoveel nieuwe ontwikkelingen, dat het alweer compleet achterliep. Ja, precies. Dus door die korte iteraties kun je snel, relatief snel aantonen dat iets werkt. Ja. Of gewoon zien van het werkt niet. Ja. Maar in beide gevallen ga je niet onnodig budget verkwisten. Nee, inderdaad. En daarmee voorkom je ook alweer een reden dat van; we zien geen resultaat, we trekken de stekker eruit. Ja, inderdaad.

Ja, een ander ding wat we ook gezien hebben is dat de infrastructuur, de digitalisering van bedrijven eigenlijk nog niet ver genoeg is. Dat er nog meer stappen gemaakt kunnen worden in het genereren van data, het verzamelen van data en dat ook de cloud-adoptie daar een belangrijke factor in is. 74% van de 13% die succesvol is, van de 13% van de organisaties die succesvol zijn met hun datastrategie, zijn de bedrijven met een hele hoge adoptie in cloud.

Ja. Meer dan 74% van hun dataservices leven in de cloud. Zie jij dat in je werk ook? Ja, je hebt nog steeds organisaties die alles het liefst in hun eigen datacenters hebben staan.

Maar je ziet wel vaak dat organisaties die de stap naar de cloud maken, die zijn, het wil niet altijd zo zijn, maar die zijn toch bezig met een professionaliseringsslag. Ja. En vaak zie je ook dat het gepaard gaat met een datastrategie. Ja. Ja, zoiets moet je wel hebben. Ja.

Ik zal geen namen noemen, maar er zijn bedrijven die slaan hun data gewoon op, maar zonder structuur. Geen idee erachter. Die zijn ook nog niet begonnen met hoe kunnen we dat structureren. Daar lopen geen data engineers rond. Ja. Dan ben je misschien ook nog niet gereed om AI toe te gaan passen. Nee hè. Dat is wel een voorwaarde. Ja, dat denk ik ook.

Ik denk ook dat als je een traditioneel bedrijf bent en over onvoldoende data beschikt eigenlijk en misschien nog heel veel in Excel doet, dan heb je misschien ook niet zo heel veel te zoeken in AI. Want waarom zou je dat dan doen? Wat wil je toevoegen? Ja, ik denk het niet. Ik denk dat je als organisatie dan eerst nog gewoon een paar stappen te maken hebt. Ja. Kijk, dan kun je wel versneld willen gaan, maar de vraag is of het dan een succes wordt.

Ja, precies. Dan kun je beter eerst zorgen dat je een zekere architectuur voor je omgeving, een zekere idee hebt van: wat wil je met je data, wat wordt je datastrategie? Ja.

Ja, dan komt de rest vanzelf. Ja. Ja, en we hebben dit ook in een stappenplan gezet waarbij we hebben gekeken van ja, wat heb je nou echt nodig? Waar moet je nou aan gaan werken als je AI wil gaan inzetten? En veruit op nummer 1 staat dat je je eigen business goed moet kennen en dat je moet weten wat je bedrijfsactiviteiten zijn en hoe jouw strategie voor de komende tijd, voor de komende jaren is. En dat lijkt een triviale stap, maar dat is het gewoon niet. Heel veel bedrijven weten eigenlijk helemaal niet waar ze heen willen in de komende jaren. Die weten van ja, ik moet deze bedrijfsactiviteiten doen, maar echt een grote, met name bij de kleinere bedrijven, zie je niet echt een strategie.

Nee. Denk je dat het voor dat soort bedrijven handig is om AI in te gaan zetten? Ja, ik denk dat als je de wereld om je heen kijkt tegenwoordig, dat qua onzekerheid: milieu, energietransitie, er is bijna geen uithoek van de wereld waar niet weer oorlogen zijn, waar het eerst gewoon rustig was. Als je kijkt hoeveel onzekerheden er de afgelopen jaren bijgekomen zijn, dat je er als bedrijf nauwelijks aan ontkomt, vrees ik.

Maar dat wil nog niet zeggen dat je niet met AI kan beginnen. Misschien kan AI jou wel juist vooruithelpen. Alleen waar denk ik wel nodig is, is dat je gewoon als bedrijf zelf helder hebt: Dit is een concreet probleem wat ik heb. Ja. En dat je in ieder geval een definitie, wat je zegt, je KPI. Hoe zou een goede oplossing eruitzien? Ja. Dat je in ieder geval weet dat ondanks al die onzekerheid, dat je datgene wat je met AI gaat doen, dat je wel kan zien van het werkt of het werkt niet.

Ja, precies. En dat is dus eigenlijk stap twee. Dan moet je dus als business owner, moet je dus AI gaan begrijpen op een strategisch niveau. En dat betekent dus helemaal niet dat je precies hoeft te weten wat AI en hoe dat werkt. Maar je moet wel weten wat het doet en hoe je het kunt toepassen om je strategie te realiseren. Ja. Want het heeft namelijk impact op jou, op je klanten, op je bedrijf, op je medewerkers. En dan als stap nummer drie hebben we geïdentificeerd dat dataschoning een significant onderdeel is van je bedrijfsactiviteiten.

Ja, een goede datastrategie. Goede data. Je moet schone, kwalitatief goede data hebben.

Zonder schone, complete, maar ook bruikbare data, ja, dan heeft het niet zo heel veel zin. Als je daar niet volledig op focust.

We hebben het net ook al gezegd. Op nummer vier hebben we dan de mensen staan. Ja. Dus investeren in goede mensen, dus school je eigen mensen. En niet alleen je mensen scholen, maar ook mensen aannemen waarvan je als bedrijf weer van gaat groeien en ontwikkelen. Ja. 

De KPI’s, je zei het al, dat is stap nummer 5. Meten is weten, dus op het moment dat jij geen uitkomst kan meten, dan weet je ook eigenlijk niet of je succesvol bent. Nee. Dus daar moet je echt goed naar kijken. 

En als laatste, en daar moet je echt goed naar kijken, train je organisatie. Tot in alle lagen van de organisatie. Dus van CEO-level tot aan de developers, tot aan de testers. Iedereen, en ook administratief, moet op de hoogte zijn van wat het gaat brengen en hoe dit onderdeel uitmaakt van je strategie. Ja, en helder hebben wat zijn de beperkingen. Ja, inderdaad. Om valse verwachtingen te voorkomen. 

Als je deze stappen volgt, dan wil dat niet zeggen dat je dan dus automatisch succesvol bent, dus even een disclaimer, maar het helpt je wel en ik denk dat met name AI is niet iets dat je zo maar even doet. Ik denk dat daar ook wel memes over te maken zijn: One does not simply. Ik vrees dat ze al bestaan. Ja, ik denk dat ze al bestaan. Dus het is niet iets wat je zomaar even in je bedrijfsvoering integreert. Je moet daar een strategie op ontwikkelen. Eerst op C-level, dan zorgen dat je de kennis vergaart om het te doen, de mensen vergaart om het te doen en dan je hele organisatie ervan te doordrenken dat je het doet. Ja. En daar wil ik eigenlijk graag mee afsluiten. 

Robin, superbedankt weer voor een hele leuke podcast. Volgende keer gaan we weer een technischer onderwerp doen. Dan gaan we het hebben over rags. Superleuk en een interessant onderwerp. Voor nu superbedankt voor het luisteren. Tot de volgende keer. En tot de volgende keer.