S04E07 - Intuïtie, de menselijke maat-in-de-loop - Tertia Wiedenhof

Op het Dutch Data Forum spreken we met Tertia Wiedenhof, Product Owner Global External Fraud Expertise bij Rabobank. Tertia combineert intuïtie en data-gedreven werken en legt uit hoe je dat aanpakt. Ze legt uit wat de menselijke maat-in-de-loop is en waarom dit belangrijk is.

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

0:00

We zijn vandaag de gast bij het Dutch Data Forum georganiseerd door Heliview. Diverse experts en ervaringsdeskundigen komen langs in onze pop-up studio van AIToday Live. In de bos zitten we, mooi conferentiecentrum. Mijn naam is Joop Snijder, CTO bij Aigency. Mijn naam is Niels Naglé, chapter lead Data & AI. En ik ben vandaag vanuit huis aangesloten bij deze podcastopname. Ja, dus het geluid is even wat anders dan dat we gewend zijn. We hebben vandaag te gast Tertia Wiedenhof van Rabobank. Tertia, leuk dat je mee wilt doen. Dank je wel. Goedemiddag. Zou je voor de luisteraars even voor willen stellen? Ja, ik ben Tertia. Ik werk bij de Rabobank als product owner. Dat doe ik op dit moment binnen onze afdeling Global External Fraud. Dat is de afdeling die onze 9,5 miljoen klanten beschermt tegen betalingsfraude, criminelen. Dus we werken daar veel met data, innovatie en het zorgen, het gebruiken van die data om onze beslissingen te verbeteren. En hiervoor ben ik binnen de Rabobank actief geweest binnen Human Resources. En daar heb ik een programma gerund om onze 450 HR professionals meer data gedreven te krijgen. Nou, wauw. Dat klinkt buitengewoon interessant. Je titel van de presentatie die je hier gehouden had, dat was in ieder geval iets met data gedreven werken begint bij intuïtie, vertelde je net. Voordat we daar verder op ingaan, wat betekent data gedreven voor jou? Ja, voor mij betekent dat bedreven worden. Een heel erg krachtig middel, maar wel een middel wat niet een doel op zich is. Dus het middel, het gebruik van data probeer ik altijd in te zetten om iets te bereiken. Dat iets is vaker het nemen van betere beslissingen, slimmere of snellere beslissingen. En ik denk dat dat heel belangrijk is, omdat ik ook wel zie gebeuren, data gedreven, data gedreven organisatie is een heel populaire term, bijna een buzzword. En dat het in sommige organisaties bijna een doel op zich gaat worden, dat is heel erg zonde. Ja, toch? Want wat als het een doel op zich wordt? Ja, ik denk dat je dan het doel voorbij streeft. En daarom ben ik op een gegeven moment ook begonnen over dat data gedreven werken begint bij je intuïtie. Omdat het heel verstandig is je af te vragen in mijn werk tegen welk probleem loop ik aan, wat probleem wil ik oplossen, waar kom ik vandaan. En dan kan je best om die aannames te doen, wat is er aan de hand of wat denk ik dat er aan de hand is. Het is prima om daarbij je ervaring, maar ook inderdaad je intuïtie, dingen die je hoort om je heen, om dat allemaal op te schrijven. En dan pas in stap twee ga je nadenken, ja, welke data ga ik daarvoor gebruiken om die aannames te toetsen. Het hangt met elkaar samen. En wat ik vaak hoor is dat mensen het meer als een soort onderscheid doen. Of we doen alles op basis van intuïtie en ervaring. Aan de andere kant staat alles op basis van data. En ik ben heel erg een voorstander van om dat te combineren. Ik denk dat je dan echt een krachtig betere beslissing kan nemen. Oh ja. En hoe doe je dat, het combineren daarvan? Wanneer gebruik je dan de data? Wanneer gebruik je je intuïtie? Ja, dus het gaat een beetje over je startpunt. Dus je loopt tegen een probleem aan of je wil een advies geven waarop mensen een beslissing kunnen nemen. Wat we bijvoorbeeld bij die HR professionals zagen, die waren bijvoorbeeld met een vraagstuk rondom uitstroom bezig. Die was dan bijvoorbeeld hoger dan ze hoopten. En dan zei ik, nou, ga nou eens bij jezelf na, wat denk je dat er aan de hand is? En dan zei iemand, ja, ik denk dat heel veel mensen onder de dertig weggaan. Hoe weet je dat dan? Ik hoor dat om me heen of ik hoor daar managers over praten. Nou, dat is prima. Ik weet het uit ervaring. Ik zie steeds minder jonge mensen om me heen. Schrijf het maar op als hypothese. En dan vervolgens, welke data heb je beschikbaar om dat te gaan toetsen? En kan je dat uit een dashboard halen? Of zijn er andere gegevens van beschikbaar? En die combinatie zag ik dat dat echt wat met mensen deed, omdat ze dan zeiden, he, maar het gaat dus niet alleen om die data. Het is en, en. En het staat ook nog ten doel van die betere beslissing. En dan ging het echt leeg van, oh, maar dan vind ik het wel leuk. En wat wij daar eigenlijk een stapje bovenop nog hebben gedaan, een schepje bovenop, is dat we hebben gezegd, dat werken met die data, daar kan je eigenlijk heel veel bronnen voor nemen. Dus het is niet alleen dat dashboard, wat je misschien on top of mind is, en misschien heel lastig vindt in gebruik. Maar je kan ook denken aan andere data bronnen. Als je bijvoorbeeld ontbrekende data hebt op die, op dat dashboard. Misschien kun je publieke data gebruiken, zoals van het Bureau voor Statistiek, CBS, van Eurostat. We hebben zelfs gevallen gezien dat de KNMI data, dat Weers data relevant konden zijn. Maar ook meer kwalitatieve bronnen. Dus bijvoorbeeld het houden van interviews met experts binnen en buiten je organisatie. En soms datacreatie. Dus het houden van een enquête onder een steekproef van je doelgroep. Dat kun je allemaal gebruiken als data. En dan, dat was wel leuk, want dan hadden we collega's die dus aan onze datagedreven workshops meededen. En die zeiden, oh, maar dat dashboard vond ik altijd lastig, maar met enquêtes heb ik veel meer. En dan een ander die zei, oh, maar daar weet ik juist niks van en ik kan jou wel helpen met dat dashboard. Dus mensen gingen elkaar ook echt helpen onderling. En dan krijg je een soort vliegenwiel, dat het veel groter wordt. Omdat het niet alleen mensen zich blind staren op dat ene dashboardje waar altijd wel wat mee aan de hand is. Want er wordt niet vaak genoeg geüpdated of mensen snappen niet helemaal wat er staat of ze wantrouwen de data. Maar het behelst veel meer. En dat, nou, die meer holistische blik, die probeer ik ook een beetje mee te geven.- Ja, mooi. Dus je begint eigenlijk inderdaad bij intuïtie. Je maakt daar een hypothese van die te valideren is of te invalideren. En dan ga je naar de data toe.- Ja, dat klopt precies. En ik vind het heel leuk dat je ook zegt te invalideren. Want soms toets je je hypothese en dan is er iets niet, er is geen verband. En dan denken mensen, oh, maar dan is het mislukt of dan heb ik geen inzicht. Maar het ontbreken van een correlatie of een samenhang, dat is ook een datagedreven inzicht. En in een organisatie waar ik voordat ik werkte, bij de Rabobank werkte, was op een gegeven moment aan de orde reiskostenvergoeding. En dat was nog in de tijd voor de pandemie. Dus dan reisden we allemaal nog vier of vijf dagen per week naar kantoor. En er zat een soort maximum op. Want de aanname was, als mensen heel ver wonen, dan heeft dat een negatief effect. Dat ze al hele lange reistijd hebben. En daarop waren die reiskostenvergoedingen ook gebaseerd. En we wilden eigenlijk een aanpassing doen, een versimpeling in de reiskostenvergoedingen. En eigenlijk die maxima van kilometers loslaten. Maar ja, we waren aan het kijken van hoe kunnen we nou daar het management van overtuigen. En we hebben toen een analyse gedaan op een relatie tussen verzuim en de afstand woon- werkverkeer. En dat bleek eerder een omgekeerde relatie dan dat het van invloed was. En dat ontbrekende verband hielp ons wel in een extra argument om te zeggen van, we zien in ieder geval de data niet terug. Dat mensen die veel verder worden, dat die zich bijvoorbeeld vaker ziek melden of dat die minder goed in hun energie zitten. Dat was natuurlijk allemaal wel geagregeerd, want je wil dat niet op individueel niveau gaan in dat soort privacy gevoelige data. Maar dat soort ontbrekende verbanden, die kunnen ook heel vaak een heel mooi inzicht opleveren van, nou, dit hebben we bekeken en dat verband zien we dus op dit moment niet. Dat is ook een inzicht en dat vind ik ook het mooie, dat dat ook weer wat oplevert. Wij zitten natuurlijk zelf heel veel in de kundmatige intelligentie, machine learning. Daar vind je soms ook dingen in je data die je van tevoren eigenlijk niet verwacht had of waar je die je überhaupt niet had kunnen verzinnen. Dat geeft natuurlijk ook helemaal nieuwe inzichten. Dat je anders moet gaan nadenken dan de werkelijkheid die je in je hoofd hebt zitten. Ja, wel grappig is dat. Ja, en wat ik wel ook de uitdaging vind, en dat is ook wel interessant om hoe jullie daar tegenaan kijken, omdat als je hypothesegericht werkt, behalve dat mensen dan dus doorhebben dat ze ook die ervaring en die intuïtie kunnen gebruiken. Het is ook mooi, je gaat ook gericht in de data zoeken. Zeker als je bij wat meer privacy gevoelige data werkt, zie je dan ook dat je die data vrij krijgt, want je hebt een duidelijke hypothese. Je gaat niet zomaar wat grabbelen in de data. Terwijl als je breder data onderzoekt, natuurlijk kan dat ook voor patronen zorgen waarvan je niet wist. Maar ik vind dat altijd wel een spannende samenhang. Dat vraagstuk of die link naar de dataethiek, dat vind ik ook een hele belangrijke, want niet alles wat je kunt onderzoeken, dat moet je ook willen onderzoeken. Dus dat is ook wel een interessant spanningsveld. Ja, daar kan ik wel wat over vertellen, want juist zo grappig dat je dat zegt, dat hypothese gebaseerd dingen aangaan, is dat voor ieder model wat wij maken, beginnen we met een specifiek canvas en in dat canvas beginnen we eerst van waarom wil je dit überhaupt? Wat wil je bereiken? En het tweede deel is je hypothese. Dus je probeert die te verkleinen zodanig dat het een meetbare te valideren of invalideren hypothese is. Waarbij je, als je die heel scherp maakt, dus wij willen ook dat je dat in een hele korte periode eigenlijk kan valideren of invalideren. Dat betekent dat je je scope klein moet maken, dat je je datavergaring klein moet maken en dat je dan dus ook op zoek bent of de patronen die je denkt, of die ook wel in de data zit. Want wat we tegenkomen is dat er heel veel gedacht wordt dat je zomaar alles magisch uit die data kan halen, maar dat de correlaties waar je het net ook over had, er überhaupt niet in zitten. Dus dat lerend vermogen er niet in zit, voorspellend vermogen er niet in zit. Dus wij denken eigenlijk ook altijd vanuit hypotheses. En ik herken ook wel wat jij zegt, want we lopen er ook wel eens tegenaan dat je de hypothese invalideert, dat het in eerste instantie wordt gezien als, ja dan is het experiment gefaald of dan is het deel gefaald. Terwijl we kunnen het dan heel goed gebruiken om na te denken over, ja maar wat moet je dan wel verzamelen of waar moet je dan wel zijn of wat moet er veranderen? Ik denk dat het heel waardevol is en ook wat ik mensen ook altijd aanraad, ook om vast te leggen als ze iets getoetst hebben en er was geen verband, om dat wel vast te leggen en er ook open over te zijn. Maar voordat je het weet wil een collega van een andere afdeling hetzelfde gaan onderzoeken en dat heb jij dan al onderzocht. Dat zijn gewoon ook inzichten. Alles wat je onderzoekt, dat leidt tot een inzicht. Natuurlijk kan je het voor de loop van de tijd nog eens een keer kijken of het nog steeds een ontbrekende verband is. Maar inderdaad ervan afgaan dat het een failure is, een mislukking is op het moment dat het geen verband is, dat is wel een hele belangrijke realisatie. Ik had nog een vraagje over Tadja. Je zegt net dat het belangrijk is om dat te delen. Hoe delen jullie dat? Want dat zie je bij veel organisaties, ze willen het wel delen, maar wat is jullie ervaring om die informatie van die hypothese die, wat gevoel dan gevaald was, maar eigenlijk heel waardevol kan zijn. Hoe delen jullie die? Ik zie zelf daar ook heel nadrukkelijk de link met datafysis realisatie, zowel als je een verband hebt gevonden, maar ook als het er niet is. Wat wij als hele belangrijke pijler van onze datagericht programma ook hebben gesteld is die datafysis realisatie, want het is heel leuk dat je dadelijk meer ervaring en kennis en kunde hebt in het gebruik van data. Maar hoe ga je die uitkomst nou zo gebruiken dat er ook een betere beslissing kan worden en je op de hoogte stellen en ook oefenen met hoe je goede datafysis realisatie maakt. Dat is heel vaak dus geen saaie tabel, maar echt de storytelling met data. Dat is een hele belangrijke en daar hebben wij mensen ook echt in getraind. En dat deden we ook om een tweede reden, niet alleen zodat ze dat zelf in hun presentaties konden gebruiken, maar ook als je veel met data gaat werken. Ik zei net al, we hebben ze echt aangemoedigd om met die andere bronnen te gaan werken. Dan gaan ze ook artikelen bekijken enzovoort. Maar er zitten ook vaak visualisaties in en daar gebeuren ook heel vaak rare dingen met visualisaties, waarin verbanden aangetoond worden die er helemaal niet zijn. En daar hebben we mensen ook wel in getraind en dat is aan de ene kant ook wel heel leuk om te doen, maar ook heel belangrijk in deze tijd van allerlei nieuwsbronnen en wat is wel en niet waar. Dus op die manier mensen ook te trainen van hoe kan je je uitkomsten goed visualiseren en meenemen in je verhaal. Dat is een hele relevante, want dat is denk ik de missing link naar het nemen van die betere beslissingen straks. Zeker. Want je zit op de afdeling over fraudebestrijding. Neem ik aan dat jullie daar ook algoritmes voor gebruiken om die fraudegevallen te vinden. Klopt dat? Ja, het is zeg maar een heel groot geheel. Je kan dan denken aan algoritmes, maar ook zeker het menselijke oordeel daarover is heel relevant. En eigenlijk zie ik daar ook een hele mooie link naar mijn verhaal over datagedreven werken. Want ook bij die algoritmes, een AI, zie ik weer de link. Weet je, het is niet een doel op zich. Het is eigenlijk heel erg een duidelijk middel. En juist die interactie van hoe ga je nou de mensen en de algoritmes samen combineren goed laten werken. Ik vind dat een hele belangrijke opdracht voor bedrijven, want er is heel veel vernieuwing en technologie en er kan steeds meer. En je ziet eigenlijk een beetje net als dat datagedreven werken dat in sommige organisaties of bij sommige mensen dan ontstaat van het is een doel op zich dat er heel veel AI of het kan mensen vervangen. En ik denk dat het in sommige gevallen zeker saai repetitief werk kan vervangen. En daar is ook helemaal niks mis mee. De menselijke besluitvorming en ook de menselijke maat, die is heel relevant. En dan maakt niet zoveel uit of het fraude is of HR of je werkt op een klantenservice of met beleidsmedewerkers. Waar je ook werkt, is die verhouding heel belangrijk. Ook denk ik in opleidingen van mensen die nu een opleiding volgen, ook om te kijken van waar zit dan die verhouding? En niet alleen het snappen wat een algoritme is en er leren mee werken, maar ook van hoe verhoud ik me als mens tot een algoritme. En daar ook weer dat vraagstuk en die link naar de ethiek van niet alles wat we kunnen of wettelijk mogen, moeten we ook willen. Dat is een hele belangrijke. Je hebt het helemaal mee eens. Ja, we hebben de stelling AI versterkt de mens. Het moet inderdaad ondersteunend zijn aan wat je aan het doen bent. Niet zozeer vervangend. Er wordt inderdaad heel snel vervangend gekeken. En net wat jij zegt, die menselijke maat, dat vind ik eigenlijk wel een mooie. We kennen natuurlijk in de machine learning het begrip van human in the loop. Maar dat gaat over dat de mens helpt bij het trainen van dat model. Maar je zou ook een soort van menselijke maat in de loop ofzo moeten hebben. Dat vind ik wel een mooie dat je die meteen eigenlijk noemt. Ja, ik vind het heel erg belangrijk. En ook als je ziet welke uitdagingen we hebben. Ik denk juist als je het heel slim combineert, dat dat goed is. Ik kijk steeds weer of AI hier gaat helpen of hebben we eigenlijk iets anders nodig. Want logisch, AI is niet een doel op zich. Het moet je helpen. En dat moeten we ook zeker niet vergeten. Het is wel grappig, want ik had vorige week nog met een collega van de andere afdeling een discussie. Ze stelden wat vragen. En ik vraag dan ook echt door. Wat is nou het probleem dat je oplost? Wat heb je nodig? En zij vroeg op een gegeven moment, ben je dan heel kritisch over algoritme? En ik zei, nou, ik ben er niet. Ik ben er heel voorstander van als het helpt als middel. Maar ik zie het niet als doel op zich. Dus de uitkomst van dit gesprek of van deze van deze vraag hoeft niet te zijn. Dus een algoritme is de oplossing. En dat is wel mooi dat je eigenlijk waardevrij adviseert en dat er niet iets per se hoeft uit te komen. Ik was vorige week in Amerika op een conferentie. En een van de presentaties ging over technisch, en dan moet ik het goed zeggen hoor, technosolutionism. En de spreekster die had deze term zelf verzonnen. En dat ging er eigenlijk over. We hebben een probleem en daar zetten we meteen een technologische oplossing tegenover. En daar heb je het eigenlijk over. En zeker in deze tijd is het dan heel hip happening om dan AI te kiezen. Wij zijn natuurlijk ook, we hebben niet voor niks de AIToday live podcast. Dus dit is ons vak. Maar het slechtste, het stomste wat je kan doen is om daar meteen te denken van ja, maar daar hoort een algoritme of machine learning model tegen aan. Nee, het liefst zeg maar als een soort van laatste middel of zo. Dus je begint eerst inderdaad met, kan je het zonder technologie oplossen? Als je dan technologie hebt, wat is dan de meest eenvoudige technologie? Nou ja, misschien kom je op een gegeven moment uit dat je wat complexere technologie nodig hebt. Ja, en dan kan je ook heel erg je krachten bundelen. Dat ook daar waar het echt nodig is, dat je daar de focus hebt, om wel dat soort complexe technologie die je ook helemaal niet altijd heel makkelijk invoert, dat je die ook echt neerzet waar het nodig is. En dan zal je zorgen dat het vaker voor succes zorgt. En dan gaat dat ook weer leven. En dan voorkom je ook daarin mislukkingen van experimenten. Natuurlijk mag je experimenten doen en dat mag ook best af en toe mislukken. Daar leer je ook van. Maar op voorhand echt investeren in de vraag achter de vraag. En wat is er nou eigenlijk aan de hand voordat je met een oplossing komt? Ik denk dat dat zowel bij data gedreven werken, maar ook bij de inzet van AI, heel belangrijk is in dat voortraject goed te investeren. Ja, en als je dan kijkt van stel je je... Nee, laat ik het anders zeggen. Hoe kijk jij naar de risico's product owner, naar de inzet van machine learning? Ik denk dat die risico's ook weer in dat voortraject komen. Dat je goed weet waarom je het eigenlijk doet. En het antwoord daarop mag van mij niet zijn, omdat het hip and happening is. Nee, zeker niet. En dan dat je gedurende het proces ook die checks en balances hebt. Dat je door mensen ook checks laat doen. Zijn we hier nog op de goede weg? En dat is eigenlijk al vanaf de input tot en met de output. Want als je input van een systeem verkeerd is, dan komt er ook iets uit waar je niks aan hebt. Dus ook de dataethiek. Dat zijn ook gewoon onderwerpen van gesprek waar we het in de teams ook geregeld over hebben. En eigenlijk komt het er steeds weer neer dat je breed kijkt en niet heel erg nauw op één oplossing, op één manier gaat focussen. En ik denk dat je dan risico's beperkt. En diverse teams denk ik ook. Dat je mensen met verschillende achtergronden, verschillende ervaringen, want dan in een goede sfeer creëert dat mensen ook kritisch vragen durven te stellen. Dat helpt denk ik ook heel erg in je risicomitigatie. Absoluut. Ik wil er nou wel even op inhaken. Want ik hoor eigenlijk heel veel mooie termen en dat gaat allemaal rollen bij me naar boven. Dat is de data en de AI artist. Voor mooie visualisaties. De data researcher. Eigenlijk dat we wat meer onderzoekswerkzaamheden moeten oppakken in plaats van gewoon vraag-antwoord. Dat we meer moeten onderzoeken. Wat ik me afvroeg is, hoe krijg je de teams zo ver om uit de vraag-antwoord naar de onderzoeksplaats te gaan? Enerzijds omdat ook wel in de profielen die je zoekt in je teams, dat ook gewoon mee te nemen. En dan hoef je echt niet alleen maar mensen in je onderzoeksachtergrond. Maar ik probeer wel bij teams, en dat adviseer ik ook aan mensen, te kijken naar die verschillende achtergronden. Dus het is heel fijn als je voor dat visualisatiestuk ook iemand hebt die meer creatief denkt. Maar het is ook heel fijn als je iemand hebt met een ondernemersgeest. Dat zit dus ook voor die researcher, dat zit heel erg op die analytische vraagstukken. Maar ook mensen die juist meer holistisch, breed, intuïtief kijken. Ik denk dat je dat moet combineren met elkaar. En ik denk dat je als product-owner, daar spreel ik ook een rol in, tijd investeren in dat voortraject. Want als je heel snel vraag-antwoord, want er moet zo snel mogelijk een oplossing. Natuurlijk ben ik voor versnelling. Ik ga liever in het begin wat meer tijd investeren, want ik weet zeker dat dat zich op het eind terug vertaalt. En dat je sneller tot een goed product uiteindelijk komt, als je in het begin goede tijd investeert van wat is nou eigenlijk de kern van het probleem, en het probleem achter het probleem. Ja, heel herkenbaar. Ja, dat vind ik een mooi motto van 'go slow to go fast'. Ja, en daaraan toevoegend, en combineer mensen. Dus ik laat mensen heel graag in groepjes werken. Het hoeven echt geen polse landdagen te worden, maar groepjes van twee, drie collega's die elkaar aanvullen. En ook openbaar reviewen van het werk, zodat mensen feedback kunnen ophalen. Ja, dat is heel belangrijk, want ik denk voor alle organisaties in deze tijd, de problemen en onderwerpen waar we mee bezig zijn, die zijn gewoon complex. Dus die zijn te complex voor één iemand. En dat moet je samen doen. En hoe je samenwerkt, dan kun je met elkaar gewoon kijken wat iedereen ligt. Dus je hoeft echt niet alles met z'n allen te doen. Maar skills combineren en verschillende brains combineren, dat is gewoon een hele mooie aanpak. Ja, mooi. En heb je een tip voor product owners die dit luisteren, die nog eigenlijk geen AI machine learning inzetten? Heb je daar een tip voor, hoe ze daarna moeten kijken, hoe je begint, hoe je er misschien niet aan begint? Ik denk begin vanuit je nieuwsgierigheid, open blik. En blijf het ook als middel zien en niet het doel op zich. En realiseer je ook dat je er van alles omheen nog kan en mag meenemen. Dus zeker als je als product owner niet zo tech minded bent, dat maakt ook niet uit. Want je gaat het inzetten om problemen op te lossen. Dus je kan nog steeds op die waarde en die uitkomst blijven sturen, als je AI als een middel blijft zien. Net als alle andere technieken die je eigenlijk gebruikt. Ja, mooi. Een hele mooie tip, denk ik. Toch, Niels? Zeker. Wat ik in ieder geval als rode draad eruit haal, is die intuïtie. Dus je begint bij je intuïtie, dan hypothese, dan uitwerken en techniek als middel. Vat ik het dan? Ja, prachtige samenvatting. Dank je wel. Hartstikke mooi. Hartstikke bedankt dat je te gast wilde zijn bij ons. Graag gedaan. Weer veel geleerd en geïnspireerd, Niels. Toch? Zeker. Dan, Tessia, dank je wel. En dan sluiten we hiermee af. Leuk dat je luisterde naar weer een aflevering van AIToday Live. Mis niks en zorg dat je ons volgt via Spotify, Apple Podcasts, Google Podcasts of welke favoriete podcast app dan ook. Dank je wel.[Muziek]