The primary goal of front of pack (FOP) labelling is to help consumers make healthier choices through communication. A secondary goal is to encourage producers to improve the nutritional composition of their products. Evidence has shown that (FOP) labelling can help consumers to make healthier food choices and has been an incentive for producers to improve product composition. As FOP labelling is seen as an important tool to improve food environments for public health purposes, the WHO supports initiatives of governments to implement an FOP labelling system. Based on the experiences of a wide range of countries over many years, possible success factors for such an FOP system have been defined, six of which are discussed in the present paper and used to evaluate the Dutch Choices Programme that was started in 2006. In the course of time a large number of producers joined the programme and the logo was recognised by more than 90 % of the consumers, but by 2016 the Dutch consumer organisation argued on the basis of their own research that a quarter of the consumers did not understand the colour coding of the logo and as a result the Dutch government decided to no longer support this logo and to introduce a nutrition app. The challenge that remains is to find a system that consumers understand well and that still encourages manufacturers of food to improve product composition. New technology-based data collecting initiatives might provide the right tools to develop such a system.
LINK
International learning community with the label of honours professional. Presentatie, Honours Conference, Hogeschool van Rotterdam. Rotterdam, 3 oktober
This report describes the creation and use of a database for energy storage technologies which was developed in conjunction with Netbeheer Nederland and the Hanze University of Applied Sciences. This database can be used to make comparisons between a selection of storage technologies and will provide a method for ranking energy storage technology suitability based on the desired application requirements. In addition, this document describes the creation of the energy storage label which contains detailed characteristics for specific storage systems. The layout of the storage labels enables the analysis of different storage technologies in a comprehensive, understandable and comparative manner. A sampling of storage technology labels are stored in an excel spreadsheet and are also compiled in Appendix I of this report; the storage technologies represented here were found to be well suited to enable flexibility in energy supply and to potentially provide support for renewable energy integration [37] [36]. The data in the labels is presented on a series of graphs to allow comparisons of the technologies. Finally, the use and limitations of energy storage technologies are discussed. The results of this research can be used to support the Dutch enewable Energy Transition by providing important information regarding energy storage in both technically detailed and general terms. This information can be useful for energy market parties in order to analyze the role of storage in future energy scenarios and to develop appropriate strategies to ensure energy supply.
MULTIFILE
Artificiële Intelligentie (AI) speelt een steeds belangrijkere rol in mediaorganisaties bij de automatische creatie, personalisatie, distributie en archivering van mediacontent. Dit gaat gepaard met vragen en bezorgdheid in de maatschappij en de mediasector zelf over verantwoord gebruik van AI. Zo zijn er zorgen over discriminatie van bepaalde groepen door bias in algoritmes, over toenemende polarisatie door de verspreiding van radicale content en desinformatie door algoritmes en over schending van privacy bij een niet transparante omgang met data. Veel mediaorganisaties worstelen met de vraag hoe ze verantwoord met AI-toepassingen om moeten gaan. Mediaorganisaties geven aan dat bestaande ethische instrumenten voor verantwoorde AI, zoals de EU “Ethics Guidelines for trustworthy AI” (European Commission, 2019) en de “AI Impact Assessment” (ECP, 2018) onvoldoende houvast bieden voor het ontwerp en de inzet van verantwoorde AI, omdat deze instrumenten niet specifiek zijn toegespitst op het mediadomein. Hierdoor worden deze ethische instrumenten nog nauwelijks toegepast in de mediasector, terwijl mediaorganisaties aangeven dat daar wel behoefte aan is. Het doel van dit project is om mediaorganisaties te ondersteunen en begeleiden bij het inbedden van verantwoorde AI in hun organisaties en bij het ontwerpen, ontwikkelen en inzetten van verantwoorde AI-toepassingen, door domeinspecifieke ethische instrumenten te ontwikkelen. Dit gebeurt aan de hand van drie praktijkcasussen die zijn aangedragen door mediaorganisaties: pluriforme aanbevelingssystemen, inclusieve spraakherkenningssystemen voor de Nederlandse taal en collaboratieve productie-ondersteuningssystemen. De ontwikkeling van de ethische instrumenten wordt uitgevoerd met een Research-through-Design aanpak met meerdere iteraties van informatie verzamelen, analyseren prototypen en testen. De beoogde resultaten van dit praktijkgerichte onderzoek zijn: 1) nieuwe kennis over het ontwerpen van verantwoorde AI in mediatoepassingen, 2) op media toegespitste ethische instrumenten, en 3) verandering in de deelnemende mediaorganisaties ten aanzien van verantwoorde AI door nauwe samenwerking met praktijkpartners in het onderzoek.
Computer Vision (CV) is een tak binnen de Artificiële Intelligentie (AI) die zich bezig houdt met visuele herkenning van patronen in afbeeldingen of videos. Daarbij wordt gebruik gemaakt van diepe representatiemodellen, die gebaseerd zijn op Euclidische geometrie. Dit betekent dat deze modellen getraind zijn op basis van een vlakke geometrische representatie. In veel gevallen sluit deze representatie niet goed aan bij de echte wereld. Visuele illusies, zoals Sheppard’s “Terror Subterra”, geven aanwijzingen waar de discrepanties zitten. Bij een verplaatsing van het monster op de horizontale en verticale as in een vlakke representatie lijkt het alsof het monster van grootte veranderd, terwijl dit in werkelijkheid niet zo is: beide monsters zijn exact even groot. Een verplaatsing van een object in de echte wereld heeft zo vaak invloed op de schaal dat onze hersenen erdoor misleid kunnen worden. Recente vorderingen in CV laten de potentie zien van de toepassing van niet-Euclidische geometrie voor het leren van visuele eigenschappen. Het verschil tussen de twee is met name dat de representatieve kracht van niet-Euclidische geometrie groter is. In een niet-Euclidische representatie kan de schaal van Shepard’s monster bij verplaatsing in de ruimte op een natuurlijke manier gepresenteerd worden, waardoor het beeld consistent blijft met onze visuele perceptie ervan. In dit onderzoek willen we de impact evalueren van niet-Euclidische visuele representatiemodellen op het verzamelen, ordenen en annoteren van de data die nodig is voor het trainen van deze nieuwe diepe representatiemodellen. Dit willen we doen we aan de hand van drie CV-problemen die praktische toepassingen dienen buiten de context van de academische wetenschap: beeldmerkherkenning in reclamevideo’s (bij Alpha.one), winkelpanddetectie in gelijkhoekige (visoogobjectief) video’s (bij The Big Data Company) en visuele inspectie van de binnenkant van cilindervormige opslagtanks (bij ScanTank).
