PFTinfo gaat normaal gesproken over longfunctie, longfunctiediagnostiek en de dagelijkse praktijk van de longfunctieprofessional. Dit artikel wijkt daar bewust van af.
Het gaat niet over longfunctie, maar over een ontwikkeling die naar mijn idee voor de hele gezondheidszorg steeds relevanter wordt: AI die lokaal draait en persoonlijke gezondheidsdata kan gebruiken zonder die gegevens voor iedere vraag naar een extern cloudmodel te sturen.
De aanleiding was opvallend eenvoudig. Ik ging deelnemen aan een studie waarbij ik een dieet volg en merkte al snel hoe handig ChatGPT daarbij kon zijn. Niet alleen voor algemene vragen over voeding, maar juist in de dagelijkse praktijk: een maaltijd beoordelen, een recept aanpassen aan de regels van mijn dieet of met beschikbare ingrediënten iets bedenken dat daarbinnen past.
Vanuit mijn werk in de gezondheidszorg kwam daar vrijwel meteen een tweede gedachte achteraan. Als ik voeding, gewicht, beweging en andere persoonlijke gezondheidsinformatie structureel aan een AI wil geven, wil ik die gegevens eigenlijk niet klakkeloos naar een extern cloudmodel sturen.
En dus begon ik te bouwen aan mijn eigen lokale Diet Coach.
Het begon helemaal niet als een AI-project
In eerste instantie gebruikte ik ChatGPT gewoon als hulpmiddel tijdens mijn dieet.
Ik kon een foto van een maaltijd maken en vragen wat er waarschijnlijk op mijn bord lag en hoeveel calorieën dat ongeveer zou kunnen zijn. Ik kon aangeven welke ingrediënten ik nog in huis had en vragen om daarmee een gerecht te bedenken dat binnen mijn dieet paste. En als een bestaand recept nét niet voldeed, kon AI helpen zoeken naar aanpassingen waardoor het beter aansloot bij de regels die ik moest volgen.
Dat bleek in de praktijk verrassend bruikbaar.
Maar hoe vaker ik het gebruikte, hoe duidelijker ook een ander probleem werd.
Waarom stuur ik dit eigenlijk naar de cloud?
Ik werk zelf in de gezondheidszorg. Daardoor kijk ik misschien anders naar gezondheidsdata dan wanneer ik alleen vanuit mijn enthousiasme voor AI naar zo’n toepassing zou kijken.
Mijn voedingspatroon, gewicht, beweging, dieetregels en eventueel andere gezondheidsgegevens vormen samen al snel een behoorlijk persoonlijk dossier. Dan voelt het voor mij niet logisch om al die gegevens voor iedere eenvoudige vraag naar een extern cloudmodel te sturen als dat technisch niet noodzakelijk is.
Tegelijkertijd had ik door een eerder AI-project voor mijn kunst al enige ervaring opgedaan met lokale taalmodellen en agents.
De gedachte lag dus eigenlijk voor de hand:
Kan ik hier geen eigen Diet Coach van maken die volledig lokaal draait?
Niet simpelweg een chatbot met een systeemprompt waarin staat welk dieet ik volg, maar een persoonlijke AI-agent die toegang heeft tot zijn eigen gegevens, relevante context kan ophalen en gedurende het gebruik steeds beter leert wat voor mij werkt.
Dat idee liep vervolgens enigszins uit de hand.
Van chatbot naar persoonlijke kennisapp
Een van de belangrijkste ontwerpkeuzes maakte ik al vroeg:
Het AI-model moet vervangbaar zijn. De opgebouwde kennis moet blijven.
Dat klinkt misschien als een technisch detail, maar voor mij is het precies het verschil tussen chatten met een AI-model en het bouwen van een bruikbaar persoonlijk AI-systeem.
Mijn Diet Coach kent inmiddels mijn dieetregels en mijn persoonlijke profiel. Hij kan mijn daglogs gebruiken, inclusief voeding, gewicht, stappen en activiteiten. Hij heeft toegang tot recepten, productgegevens, ervaringen en eerder vastgelegde feedback.
Daar bovenop zit natuurlijk nog steeds een taalmodel. Op dit moment gebruik ik daarvoor lokaal een Gemma-model. Maar dat model is niet de Diet Coach. Het is slechts de redeneerlaag binnen een veel groter systeem.
Als er morgen een beter lokaal model beschikbaar komt, wil ik dat kunnen vervangen zonder opnieuw te beginnen en zonder alle opgebouwde persoonlijke kennis kwijt te raken.
Een foto wordt ineens bruikbare data
Een van de onderdelen die me tijdens het bouwen het meest heeft verbaasd, is Vision: het vermogen van multimodale AI-modellen om afbeeldingen te begrijpen.
Een modern model kan uit een gewone foto verrassend veel informatie halen. Het kan ingrediënten herkennen, porties proberen in te schatten en daar bijvoorbeeld een bandbreedte voor het aantal calorieën aan koppelen.
Maar daar hoort direct een belangrijke kanttekening bij:
Een foto is geen gekalibreerde voedingsmeting.
Een bord pasta kan saus bevatten die nauwelijks zichtbaar is. Een eetlepel olie kan behoorlijk wat calorieën toevoegen zonder dat een model dat betrouwbaar kan herkennen. En het verschil tussen bijvoorbeeld 100 en 150 gram van een ingrediënt is op een foto lang niet altijd vast te stellen.
Juist dat maakte het technisch interessant.
Ik wilde niet dat Diet Coach simpelweg een AI-schatting als waarheid zou opslaan. De oorspronkelijke analyse blijft daarom bestaan, correcties worden afzonderlijk vastgelegd en de applicatie kan terugkerende afwijkingen leren herkennen.
Wanneer een bepaalde saus bijvoorbeeld één keer wordt onderschat, is dat nog geen nieuwe regel. Pas wanneer meerdere ervaringen in dezelfde richting wijzen, kan daar voorzichtig een patroon of hypothese uit ontstaan.
Voor mij is dat een veel interessantere vorm van AI dan een model dat alleen een indrukwekkend antwoord genereert.
Het systeem krijgt een geheugen, maar moet tegelijkertijd leren omgaan met onzekerheid.
Kitchen Lab: AI als kookpartner
Uit het dagelijks gebruik ontstond vervolgens Kitchen Lab.
Ook daar wilde ik geen verzameling statische recepten.
Een recept kan een eerste versie hebben, vervolgens worden aangepast, opnieuw worden geprobeerd en uiteindelijk evolueren naar een betere versie. Ik wil kunnen terugvinden waarom iets veranderd is, welke ingrediënten zijn vervangen en vooral: of het resultaat daadwerkelijk beter beviel.
AI blijkt juist bij dat iteratieve proces bijzonder bruikbaar.
Ik kan bijvoorbeeld vragen:
“Dit recept past niet helemaal binnen mijn dieet. Waar kunnen we winst boeken zonder dat het resultaat smakeloos wordt?”
Of:
“Ik wil meer vezels, maar ongeveer hetzelfde aantal calorieën.”
Of simpelweg:
“Dit werkte niet. Wat zouden we in versie twee anders kunnen doen?”
Daarmee verandert generatieve AI voor mij van een receptenmachine in een soort sparringpartner in de keuken.
En doordat ervaringen en receptversies onderdeel worden van de kennis van Diet Coach, hoeft iedere volgende discussie niet opnieuw bij nul te beginnen.
Een AI die leert, maar niet zomaar alles gelooft
Daar zit tegelijkertijd een van de lastigste problemen bij persoonlijke AI.
Een taalmodel kan met grote overtuiging iets zeggen dat niet klopt. Het laatste wat ik daarom wil, is een agent die na iedere losse opmerking zelfstandig zijn eigen medische of voedingskundige waarheid begint te herschrijven.
Ik heb daarom bewust onderscheid aangebracht tussen bijvoorbeeld observaties, persoonlijke ervaringen, hypotheses en bevestigde kennis.
Feedback kan nieuwe kennis voorstellen, maar belangrijke informatie wordt niet stilletjes tot waarheid gepromoveerd. Waar mogelijk blijft ook bewaard waar informatie vandaan kwam en waarom een bepaalde conclusie is ontstaan.
Dat principe wordt naar mijn idee steeds belangrijker naarmate een AI-agent persoonlijker wordt.
Een AI die niets onthoudt, is beperkt.
Maar een AI die alles wat hij hoort kritiekloos onthoudt, is misschien nog problematischer.
De gezondheidsdata blijven lokaal
De applicatie en persoonlijke gegevens staan in mijn eigen omgeving en ook de AI-inference vindt lokaal plaats.
Dat maakt het project voor mij extra interessant.
We praten veel over wat steeds grotere cloudmodellen kunnen. Tegelijkertijd worden kleinere modellen die lokaal kunnen draaien in hoog tempo beter.
Wanneer je zo’n model goede context, goed opgebouwde kennis en een beperkte set doelgerichte mogelijkheden geeft, blijkt er lokaal veel meer mogelijk dan ik relatief kort geleden had verwacht.
Daardoor verschuift voor mij de interessante vraag steeds meer van:
“Hoe groot is het AI-model?”
naar:
“Hoe goed is het systeem rondom dat model ontworpen?”
Voor toepassingen waarbij gevoelige gezondheidsgegevens worden gebruikt, lijkt me dat een belangrijk verschil.
Misschien ziet dieetbegeleiding er straks heel anders uit
En juist daar begint mijn persoonlijke hobbyproject ineens aan de gezondheidszorg te raken.
Een diëtist ziet een cliënt op gezette momenten. Maar de meeste beslissingen die uiteindelijk bepalen of een dieet werkt, worden niet tijdens dat consult genomen.
Die worden gemaakt bij het ontbijt.
In de supermarkt.
Wanneer iemand ’s avonds trek krijgt.
Wanneer een recept niet lukt.
Of wanneer iemand na twee weken langzaam begint af te wijken van wat aanvankelijk was afgesproken.
Een menselijke zorgprofessional kan daar onmogelijk voortdurend naast staan.
Een persoonlijke AI-agent kan in theorie wél continu beschikbaar zijn.
Ik vind een toekomstbeeld waarin de diëtist veel meer een supervisor wordt daarom helemaal niet zo vergezocht. De professional bepaalt samen met de cliënt de doelen en kaders, beoordeelt ontwikkelingen en grijpt in waar menselijke expertise noodzakelijk is. Een persoonlijke agent ondersteunt ondertussen de dagelijkse uitvoering.
Niet als vervanging van de diëtist.
Juist als middel om de begeleiding tussen de contactmomenten veel continuër te maken.
Binnen mijn eigen Diet Coach denk ik inmiddels zelfs na over een afzonderlijke read-only weergave voor een zorgverlener. Alleen na expliciete toestemming van de gebruiker zou daar bijvoorbeeld een beperkt aantal relevante trends zichtbaar kunnen worden, zoals gewicht, voedingsinname en activiteit.
Geen vrije toegang tot privégesprekken. Geen onbeperkte toegang tot alle gegevens. En geen mogelijkheid om de agent namens de gebruiker allerlei acties te laten uitvoeren.
De zorgprofessional houdt de regie.
In zo’n model wordt AI niet degene die de professional buitenspel zet. De AI vormt juist een laag tussen de dagelijkse werkelijkheid van de cliënt en de momenten waarop professionele begeleiding nodig is.
Dit is nadrukkelijk nog geen zorgproduct
Mijn Diet Coach is een persoonlijk experiment en geen gevalideerd medisch hulpmiddel.
Juist doordat ik eraan bouw, zie ik steeds beter hoeveel vragen moeten worden opgelost voordat je iets dergelijks verantwoord op grotere schaal zou kunnen inzetten.
Hoe valideer je de adviezen?
Hoe ga je om met ontbrekende of foutieve data?
Welke informatie mag een agent zelf afleiden?
Wanneer moet een zorgprofessional worden ingeschakeld?
Hoe regel je toestemming en intrekking daarvan?
Hoe zorg je dat informatie herleidbaar blijft?
En misschien wel het belangrijkste: waar ligt precies de grens tussen dagelijkse ondersteuning en medisch advies?
Dat zijn geen kleine vragen.
Maar technisch voelt deze toekomst inmiddels wel veel minder ver weg dan ik een paar maanden geleden zou hebben gedacht.
Wat begon met:
“ChatGPT, hoeveel calorieën denk je dat er op dit bord liggen?”
is inmiddels uitgegroeid tot een lokale AI-agent met persoonlijke kennis, Vision, een Daglog, Kitchen Lab, feedbackloops en eigen voedings- en gezondheidscontext.
En dit is waarschijnlijk nog maar het begin
Misschien is dit ook wel een van de spannendste momenten om met lokale AI bezig te zijn.
De ontwikkeling van open-weight modellen gaat razendsnel. Nieuwe generaties modellen verschijnen in hoog tempo en de verwachtingen binnen de wereld van lokale LLM’s zijn hoog. Qwen heeft bijvoorbeeld voor zijn nieuwe Qwen3.8-generatie opnieuw open weights aangekondigd.
Of nieuwe modellen alle verwachtingen gaan waarmaken, moet natuurlijk altijd eerst in de praktijk blijken.
Maar precies daarom vind ik die oorspronkelijke architectuurkeuze van mijn Diet Coach steeds belangrijker:
Het model moet vervangbaar zijn. De kennis en de applicatie moeten blijven.
Mijn Diet Coach is niet gebouwd rondom één specifieke versie van Gemma, Qwen of een ander taalmodel.
Als er morgen een model verschijnt dat lokaal beter redeneert, Vision beter begrijpt of efficiënter op mijn hardware kan draaien, wil ik dat model kunnen vervangen zonder mijn Diet Coach opnieuw te bouwen en zonder de opgebouwde persoonlijke kennis kwijt te raken.
Dat vind ik uiteindelijk interessanter dan de prestaties van één afzonderlijk model.
We komen in een fase waarin steeds capabelere AI niet noodzakelijk uitsluitend in grote cloudomgevingen hoeft te draaien. Steeds meer verwerking kan plaatsvinden op hardware onder eigen beheer, dicht bij de gegevens en met veel meer controle over waar die gegevens terechtkomen.
Voor toepassingen in de gezondheidszorg zou dat weleens een belangrijke ontwikkeling kunnen worden.
Lokale AI in de zorg
Misschien is dát voor mij wel het interessantste inzicht van dit hele project.
AI in de zorg hoeft niet alleen te gaan over enorme centrale modellen die nóg meer medische kennis bevatten.
Een belangrijk deel van de waarde zou juist kunnen zitten in kleinere, persoonlijke AI-systemen die lokaal draaien, de juiste context hebben, gedurende langere tijd kennis kunnen opbouwen en gericht samenwerken met een zorgprofessional.
Niet de AI als vervanger van de zorgprofessional.
Maar AI als continu beschikbare ondersteuning rondom de momenten waarop menselijke expertise nodig is.
Hoe snel die ontwikkeling zal gaan weet ik niet.
Maar technisch komt die toekomst dichterbij.
Er breken interessante tijden aan voor lokale AI in de zorg.