Dagelijks hoor en lees je over artificiële intelligentie (AI). Daarbij worden vaak termen als neuraal netwerk en deep learning gebruikt. In dit artikel vertellen je hier meer over en gaan we ook zelf met AI aan de slag. We doen dit via TensorFlow Playground en Google Teachable Machine.

Het begrip artificiële intelligentie verwijst naar de mogelijkheid om zelfstandig kennis op te nemen, problemen op te lossen en beslissingen te nemen, net zoals een mens. Het woord ‘artificieel’ duidt erop dat deze vorm van intelligentie door mensen is ontworpen en door computers of machines wordt uitgevoerd en dus niet door een biologisch brein.

Veel AI-toepassingen, zoals beeld- en spraakherkenning en taalverwerking, maken hierbij gebruik van zogenoemde neurale netwerken. Deze zijn namelijk uitstekend geschikt voor het herkennen van complexe patronen in grote hoeveelheden ongestructureerde data.

Zo’n digitaal neuraal netwerk (DNN) is gebaseerd op de werking en structuur van het menselijke brein, maar het blijft niet meer dan een abstracte vereenvoudiging. Het menselijke brein is tenslotte (vooralsnog) aanzienlijk complexer, flexibeler en vooral ook energiezuiniger met een maximaal verbruik van circa 20 watt. Ons brein is bovendien superieur in creativiteit, contextueel begrip en emotionele verwerking. 

Digitaal neuraal netwerk

Een digitaal neuraal netwerk (DNN) werkt net als het biologisch brein met neuronen (zie bovenstaand tekstkader). Alleen in een DNN gaat het hierbij om wiskundige rekeneenheden die informatie verwerken. Elk neuron ontvangt invoer, vermenigvuldigt deze met een gewicht om de relevantie te bepalen en telt daar een compensatiewaarde, de zogeheten bias, bij op. Samen vormen deze gewichten en biases de ‘parameters’. GPT-4 bevat er naar schatting 1,7 biljoen.

De informatie stroomt door een of meer verborgen lagen tussen de invoer- en uitvoerlaag. Elke verborgen laag verwerkt de gegevens verder, waardoor complexere patronen worden herkend. Hiervoor gebruikt elk neuron een zogeheten activatiefunctie, die bepaalt of en in welke mate de uitvoer wordt doorgegeven. Zonder activatiefuncties zou het netwerk alleen eenvoudige wiskundige verbanden leren, zoals rechte lijnen, terwijl het nu ook met complexe, gebogen of gelaagde patronen overweg kan.

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

Mensen sturen het DNN indirect aan door het bepalen van het aantal lagen, het aantal neuronen per laag en het type activatiefunctie. Verder kiezen ze hoe het netwerk moet leren, bijvoorbeeld door te bepalen hoeveel data het ziet en hoe complex de gegevens zijn, hoe vaak het leert en hoe groot de aanpassingen mogen zijn. Tijdens deze training worden de parameters automatisch aangepast door het netwerk om optimaal patronen te herkennen en voorspellingen te doen.

Vereenvoudigd komt het hierop neer: nadat het netwerk een voorspelling heeft gedaan, wordt berekend hoe ver deze afwijkt van de juiste waarde, waartoe het netwerk tijdens de training toegang heeft. Deze afwijking wordt vervolgens teruggestuurd door het netwerk, van de uitvoer- naar de invoerlaag. Onderweg berekent het netwerk hoeveel elke verbinding (gewicht) en extra waarde (bias) heeft bijgedragen aan de fout. Daarop past het netwerk de parameters aan om de fout kleiner te maken. Dit proces herhaalt zich vele malen, zodat het netwerk steeds accurater wordt. Dit principe wordt ‘backpropagation’ genoemd (letterlijk: achterwaartse terugkoppeling) en maakt dat het netwerk grotendeels zelflerend is.

©Vallabh soni - stock.adobe.com

Backpropagation: het netwerk stuurt zelf bij op basis van de vastgestelde afwijking.

TensorFlow Playground

Spelen met werking DNN

Het wordt interessanter wanneer je zelf experimenteert met de principes en werking van een DNN. Ga naar https://playground.tensorflow.org. Hier herken je de lagen met neuronen: een invoerlaag, twee verborgen lagen en een uitvoerlaag. Bij DATA is al een specifieke dataset geselecteerd. Zodra je op Run (het pijltje) klikt, probeert het netwerk het patroon in de gekozen dataset te herkennen. Het resultaat verschijnt onder Output.

Hoe langer je het proces laat lopen, hoe hoger het aantal trainingscycli (hier epochs genoemd) en hoe accurater de ruimte-indeling of dataclassificatie in de output: blauwe achtergrond voor blauwe punten en oranje achtergrond voor oranje punten. Omdat het standaard om een eenvoudig datapatroon gaat, zal de Training loss waarschijnlijk 0.000 zijn. Dit betekent dat het netwerk het patroon vrijwel meteen correct herkent op basis van de ingestelde parameters, zodat er nauwelijks of geen backpropagation nodig is.

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

Je kunt het netwerk flink uitdagen door enkele instellingen aan te passen. We geven je enkele mogelijkheden die zeker leerzaam kunnen zijn. Activeer in de invoerlaag bijvoorbeeld alleen de bovenste eigenschap X1. Het netwerk classificeert dan uitsluitend op basis van de horizontale posities van de punten. Voor de derde dataset (linksonder) kan dit voldoende zijn, maar voor andere niet. Probeer het gerust zelf uit. Je zult ook merken dat hoe meer features je inschakelt, hoe meer informatie het netwerk gebruikt en hoe beter het complexe patronen kan herkennen.

Verhoog eens Noise (ruis) met de schuifknop om het leerproces te bemoeilijken. De datapunten worden hierdoor minder gestructureerd, wat je meteen terugziet in de Output. Verminder nu eens het aantal neuronen (via de minknop boven elke laag) om het netwerk minder complexe beslissingen te laten nemen. Minder verborgen lagen verlaagt eveneens de capaciteit om diepere datapatronen te leren.

Nog steeds te makkelijk? Verlaag dan de Learning rate naar bijvoorbeeld 0.0001. Een lagere leerratio betekent tenslotte kleinere stappen bij het aanpassen van de gewichten (wat zich hier visueel vertaalt als minder snel aangepaste lijndiktes tussen de neuronen), waardoor het netwerk langzamer leert.

Experimenteer gerust verder met andere, ook meer geavanceerde instellingen om het netwerk – en jezelf – uit te dagen.

Met deze instellingen wordt de training van het neurale netwerk nagenoeg onmogelijk.

Deep learning

Een DNN is een van de meest effectieve methoden of algoritmen binnen machine learning (ML), waarbij computers leren van data zonder ze expliciet te moeten programmeren. Het is vooral geschikt voor complexe taken zoals beeldherkenning, spraakherkenning en taalverwerking.

Eenvoudige ML-modellen hebben meestal een of enkele verborgen lagen. Bij een complexere architectuur met meerdere verborgen lagen, die in staat is complexere patronen en relaties te herkennen, spreekt men van deep learning (DL). Deep learning is daarmee een subonderdeel van machine learning, al is het onderscheid niet altijd scherp te maken.

Bij DL gebruikt het neurale netwerk logischerwijze meer parameters, wat meteen ook een grotere hoeveelheid data vereist om het effectief te kunnen trainen. Meer data en parameters vereisen uiteraard ook meer rekenkracht, waarvoor vaak talrijke gpu’s (Graphics Processing Units) of gespecialiseerde processors als Googles TPU’s (Tensor Processing Units) nodig zijn.

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

Het zal je nauwelijks verbazen dat je, behalve geavanceerde kennis, frameworks als TensorFlow of PyTorch nodig hebt om een DL-model te ontwikkelen. Wil je hier desondanks toch mee experimenteren, dan biedt Googles Teachable Machine een uitstekende omgeving. Dit project heeft namelijk een interface waarmee je zonder technische expertise toch een AI-model kunt trainen.

Het platform is gebaseerd op DL-technieken en gebruikt neurale netwerken om patronen en kenmerken in diverse datasets te herkennen. Het werkt met voorgetrainde modellen, maar je kunt ook eigen gegevens toevoegen om een aangepast model te trainen. Na training kun je het model exporteren in verschillende formaten en inzetten in een web-app, mobiele app of op toestellen als Raspberry Pi, Arduino of IoT-apparaten.

Via deze GitHub-pagina vind je talrijke leuke projecten met Teachable Machine (van Bananameter tot Snake Game), evenals tutorials. Maar laten we nu vooral zelf aan de slag gaan met een bescheiden project.

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

Surf naar https://teachablemachine.withgoogle.com. Hier leer je een computer trainen om je eigen afbeeldingen, geluiden en houdingen te herkennen. Klik op Aan de slag om een nieuw project te starten en kies uit drie modelopties: Projectafbeelding, Audioproject of Project met houdingen.

Wij nemen het eerste model als voorbeeld. Dit opent een venster waarin je kunt kiezen tussen een Model voor standaard afbeelding (kleur, 224 × 224 pixels) of een Model voor ingesloten afbeelding (grijswaarden, 96 × 96 pixels). Dit laatste, een embedded model, is geschikt voor microcontrollers. Wij kiezen hier voor het wat grotere standaardmodel.

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

Je komt nu terecht op een webpagina waar je eerst je dataset moet aanmaken. In dit geval bestaat deze uit afbeeldingen. Je deelt deze op in twee of meer categorieën, die je ook labelt. Teachable Machine heeft standaard twee categorieën (klassen), maar via +Een klasse toevoegen kun je eenvoudig meer klassen toevoegen.

Het aantal klassen dat je nodig hebt, hangt af van je project. Voor het onderscheiden van bijvoorbeeld QR-codes en zebrapatronen volstaan twee klassen (QR en Zebra). Wil je echter overrijpe, rijpe en rauwe bananen classificeren, dan heb je er minstens drie nodig. Zorg eerst dat het juiste aantal klassen beschikbaar is. Via de knop met drie stippen verwijder je desnoods overtollige klassen. Klik bij elke klasse op het potloodicoon en geef de categorie een zinvolle naam.

Daarna voeg je data toe aan elke klasse via de knop Uploaden of Webcam. Bij gebruik van de webcam moet je de pagina toegang geven tot de aangekoppelde camera. Door op Ingedrukt houden om op te nemen te klikken, stuur je continu snapshots naar Teachable Machine. De afbeeldingen verschijnen vervolgens in de betreffende klasse.

Vul je dataset met voldoende en gevarieerde afbeeldingen, via webcam en/of uploads.

Trainen en testen

Zodra je voldoende en gevarieerde data hebt toegevoegd, kun je het AI-model trainen. Klik op Model trainen om direct te starten of pas eerst enkele instellingen aan via het pijlknopje bij Geavanceerd. Hier kun je Tijdvakken, Batchgrootte en Leersnelheid aanpassen, vergelijkbaar met Epochs, Batch size en Learning rate in TensorFlow Playground. Klik op het vraagteken voor meer uitleg. Bij Geavanceerde opties kun je in een apart venster interessante statistieken over het trainingsproces bekijken. Na afloop verschijnt de melding Model getraind.

Klik rechts op Voorbeeld bekijken, zet Invoer op AAN en kies of je via Webcam of Bestand data wilt aanleveren. Wij kozen voor Webcam en testten met verschillende afbeeldingen van QR-codes en zebra’s. Bij Uitvoer toont Teachable Machine een percentage dat de zekerheid van de classificatie weergeeft.

Een QR-code op de rug van een zebra: daar heeft Teachable Machine niet van terug.

Export

Als alles goed werkt en je het model buiten de Teachable Machine-omgeving wilt gebruiken, klik je op Model exporteren. Kies voor Tensorflow.js, selecteer Downloaden en klik op Mijn model downloaden. Pak het gedownloade zip-bestand uit in een lege submap \my_model. Deze bevat een drietal bestanden, maar niet je trainingsdata. Dit komt doordat de neurale netwerkarchitectuur, geoptimaliseerde gewichten en modelconfiguratie kunnen volstaan voor nieuwe voorspellingen.

Ga vervolgens naar het tabblad Javascript, klik op Kopiëren en plak de code in een teksteditor, zoals Kladblok of Notepad++. Sla dit op als een html-bestand in de map net boven de submap \my_model.

Om lokaal te kunnen testen zonder browserfoutmeldingen zet je eerst een eenvoudige webserver op. Wij gebruikten de gratis Abyss Web Server (voor Windows, macOS en Linux). Plaats het html-bestand samen met de submap \my_model in de standaardmap C:\Abyss Web Server\htdocs. Dubbelklik erop om het in je browser te starten. Als het goed is, kun je nu meteen je AI-model testen. Succes.

Je kunt het model bijvoorbeeld testen via een lokale webserver.

De laatste paar maanden verschijnen er steeds potentere midrange smartphones. Nu zit je met de Motorola Edge 60 Pro wel aan de bovenste kant van die markt, maar dat neemt niet weg dat je nog steeds veel waar voor je geld kunt krijgen.

De Motorola Edge 60 Pro ligt in de winkels voor een adviesprijs van 599,99 euro. Voor dat geld krijg je een royale 12 GB werkgeheugen en 512 GB opslagruimte – een uitstekende deal dus. De prijs is gelijk gebleven aan die van zijn voorganger, maar onder de motorkap is er wel het nodige veranderd. De nieuwe Edge heeft een snellere processor, een krachtiger accu, een volledig vernieuwd camerasysteem en – opvallend – een flinke upgrade van het oplaadvermogen.

Net als eerdere modellen is de Edge 60 Pro slank, licht en compact, met een luxe uitstraling dankzij de aflopende schermranden. Met een gewicht van 186 gram ligt het toestel prettig in de hand. De achterkant is bekleed met veganistisch leer, wat niet alleen zorgt voor extra grip, maar ook voorkomt dat je last hebt van vingerafdrukken. En met zowel een IP68- als IP69-certificering is de smartphone uitstekend bestand tegen water en stof.

©Wesley Akkerman

Duurzaam en prachtig display

Terwijl veel andere fabrikanten de gebogen schermranden inmiddels links laten liggen, gaat Motorola er juist vol voor. Het geeft de Edge 60 Pro een premium uitstraling, maar brengt ook een klein nadeel met zich mee: in fel licht kunnen de randen reflecteren, iets waar je bij een plat scherm geen last van hebt. Storend is het niet direct, maar het valt wel op. Gelukkig maakt het p-oledscherm veel goed. Kleuren spatten van het display, het contrast is uitstekend en content kijken is dan ook een genot.

De vingerafdrukscanner zit netjes in het scherm verwerkt en reageert snel. Het display zelf biedt een scherpe resolutie van 2712 bij 1220 pixels en een verversingssnelheid tot 120 Hertz, wat zorgt voor soepele beelden. Ook de helderheid is dik in orde, zelfs op zonnige dagen. Mooi meegenomen is de keuze voor het stevige Gorilla Glass 7i aan de voorkant, een krasbestendige laag die tegen een stootje kan en het scherm goed beschermt bij dagelijks gebruik.

©Wesley Akkerman

Capabele processor voor gaming

De Motorola Edge 60 Pro draait op de Mediatek Dimensity 8350 Extreme, en dat is een flinke stap vooruit ten opzichte van de Edge 50 Pro. Vooral voor wie graag games op zijn smartphone speelt, is dit goed nieuws. Maar ook bij alledaags gebruik – van appen en mailen tot bellen, browsen en foto's maken – draait het toestel soepel. Tijdens het testen zijn we geen haperingen, vertragingen of andere storende zaken tegengekomen.

Ben je van plan om te gamen op de Edge 60 Pro, houd er dan wel rekening mee dat het toestel bij intensief gebruik warm kan worden. Dat gebeurt niet snel, maar bij grafisch zware 3D-games kan de temperatuur merkbaar oplopen, wat de prestaties wel iets kan beïnvloeden. De meeste casual games draaien probleemloos, maar bij zwaardere titels uit de Play Store speel je doorgaans op medium instellingen. Dat is niet ongebruikelijk in deze prijsklasse, en het toestel houdt zich daar prima staande.

©Wesley Akkerman

Meer energie, iets langere laadtijd

Een van de grootste veranderingen ten opzichte van het vorige model is de accu. Die heeft nu een indrukwekkende capaciteit van 6000 mAh, terwijl de voorganger met 4500 mAh al prima presteerde. Met de Edge 60 Pro haal je moeiteloos het einde van dag twee, zelfs als je af en toe een potje gamet. Die extra accuduur komt echter met een kleine keerzijde: de oplaadsnelheid is verlaagd van 125 naar 90 watt. Nog steeds snel, maar wel een stapje terug.

In de praktijk merk je daar weinig van. Tenzij je de Edge 60 Pro direct naast zijn voorganger legt, zul je het verschil nauwelijks opmerken. Opladen van 0 naar 100 procent duurt minder dan 50 minuten, en met een halfuurtje zit je vaak al rond de 75 procent. Draadloos laden is wél flink afgeremd: dat gaat nu met maximaal 15 watt, terwijl dat bij het vorige model nog 50 watt was. Een duidelijke concessie, al zal het voor veel gebruikers geen breekpunt zijn.

©Wesley Akkerman

De software was altijd zo goed…

Op softwaregebied heeft Motorola een aantal veranderingen doorgevoerd die niet voor iedereen positief zullen uitpakken. Zo staan er nu meer vooraf geïnstalleerde apps op het toestel, en is er een nieuwe AI-omgeving toegevoegd, ontwikkeld in samenwerking met Perplexity AI. Net als bij de Nothing Phone 3a krijg je daar via een aparte knop snel toegang toe. Daarmee kun je bijvoorbeeld meldingen laten samenvatten of informatie opvragen.

Leuk in theorie, maar in de praktijk werkt dat nog niet met alle apps. Toch zitten er handige functies tussen: zo kun je de assistent vragen om iets voor je te onthouden, zoals een foto of screenshot, die je later eenvoudig kunt terugvinden. Een duidelijke beperking is echter dat deze AI-functies alleen in het Engels werken. En hoewel we in Nederland vaak prima overweg kunnen met die taal, gaat dat ongetwijfeld ten koste van de toegankelijkheid voor sommige gebruikers.

©Wesley Akkerman

50x

Veel AI-opties

Een andere nieuwe functie is Playlist Studio. Daarmee kun je een afspeellijst laten samenstellen op basis van je eigen prompt. Klinkt veelbelovend, maar er zit een flinke beperking aan: het werkt alleen met Amazon Music, en dan ook nog uitsluitend als je een actief abonnement hebt. Daardoor zal deze functie voor veel gebruikers nauwelijks bruikbaar zijn. Image Studio – eveneens in samenwerking met Perplexity – is wél geslaagd. Hiermee maak je eenvoudig achtergronden, stickers en andere visuals, precies zoals je zou verwachten.

Daarnaast kun je rekenen op de kracht van Google Gemini, die je activeert door de powerknop ingedrukt te houden. Daarmee stel je vragen of geef je opdrachten, net als bij Google Assistant. Ook Circle to Search is aanwezig, een handige manier om snel informatie op te vragen over elementen uit foto's of screenshots. De nieuwe Moto AI-knop aan de linkerkant van het toestel is speciaal bedoeld voor deze AI-functies, maar is helaas niet aanpasbaar. Zonde, vooral voor wie weinig gebruikmaakt van Motorola's eigen AI-platform.

3x

2x

Veel dataverzameling

Opvallend is dat Motorola twee verschillende nieuwsoverzichten in zijn software-omgeving aanbiedt. Veeg je op het thuisscherm naar rechts, dan verschijnt de vertrouwde Google-feed – al kun je die eventueel uitschakelen. Daarnaast is er binnen het app-overzicht nóg een nieuwsoverzicht, afkomstig van een andere aanbieder. Het maakt duidelijk dat er veel gebeurt op het gebied van dataverzameling en -verwerking. Dat is op zich niets nieuws, maar Motorola zet het nu opvallend zichtbaar neer.

De Edge 60 Pro draait op Android 15 en krijgt drie jaar lang software-upgrades en vier jaar beveiligingsupdates. Daarmee loopt Motorola duidelijk achter op merken als Samsung en Google, die ruimere termijnen hanteren. Volgens Motorola sluit dit beleid echter aan op het werkelijke gebruik van hun toestellen. Intern onderzoek zou uitwijzen dat gebruikers hier tevreden mee zijn – reden genoeg voor het bedrijf om daar niets aan te veranderen. Toch voelt het als een gemiste kans: het drukt de langetermijnwaarde van een verder prima smartphone.

1x

0,5x

Solide camera’s, maar…

Het camerasysteem van de Motorola Edge 60 Pro levert over het algemeen degelijke fotoprestaties. De hoofdcamera heeft een resolutie van 50 megapixel, net als de ultragroothoeklens die ook dienstdoet als macrocamera. Daarnaast is er een telelens van 10 megapixel, goed voor 3x optische zoom en tot 50 keer digitale zoom. Aan de voorkant vind je een selfiecamera van eveneens 50 megapixel, met een lichtsensor die zorgt voor betere belichting en witbalans.

De lenzen produceren heldere, scherpe foto's, en dankzij de samenwerking met Pantone ogen kleuren meestal natuurlijk en accuraat, ook bij beweging of in lastige lichtomstandigheden. De HDR-prestaties zijn sterk, met veel detail in zowel lichte als donkere delen. Een minpunt is de neiging tot overbewerking: sommige foto's worden te sterk verscherpt, waardoor ze kunstmatig aanvoelen. Dat doet wat denken aan de beeldverwerking van sommige Samsung-toestellen.

0,5x

1x

Problemen in het donker

De hoofdcamera doet het prima bij daglicht, maar zodra het donker wordt, levert hij zichtbaar in op scherpte en detail. De ultragroothoeklens schiet bij goed licht acceptabele foto's, al vertaalt de sensor-upgrade zich niet altijd in betere beeldkwaliteit. In situaties met weinig licht vallen de prestaties flink tegen. De grootste tegenvaller is de telelens. Door de kleine sensor heeft die moeite met helderheid en dynamisch bereik, en de digitale zoom kun je sowieso beter links laten liggen.

De selfiecamera scoort daarentegen wél punten, met realistische huidtinten en scherpe beelden. Het bokeh-effect – waarbij de achtergrond onscherp wordt – is wisselend, en ook kun je kleurverschillen opmerken tussen de verschillende lenzen. Het zwakste punt van de Edge 60 Pro is echter de videokwaliteit. De beeldstabilisatie schiet tekort, waardoor video's al snel schokkerig aanvoelen. Onbruikbaar is het niet, maar op dit prijsniveau had Motorola meer mogen bieden.

2x

3x

Motorola Edge 60 Pro kopen?

De Motorola Edge 60 Pro scoort op hardwarevlak overtuigend, met een krachtige processor, een indrukwekkende accuduur en een helder, prettig scherm. Toch wordt de gebruikerservaring flink geremd door de software. Waar Motorola vroeger bekendstond om zijn schone Android-ervaring, oogt de Edge 60 Pro rommeliger dan ooit. De hoeveelheid voorgeïnstalleerde apps is toegenomen, en de AI-integratie voelt onaf – zeker omdat ondersteuning voor de Nederlandse taal ontbreekt.

De niet-aanpasbare AI-knop, de dubbele nieuwsfeeds met bijbehorende dataverzameling en het magere updatebeleid van drie jaar werpen een flinke schaduw over de solide hardwarebasis. Deze softwarematige concessies zorgen ervoor dat het toestel niet de verfijnde, toegankelijke ervaring biedt die je van Motorola zou verwachten. Zonder alle onvolwassen AI-toeters en bellen – en ondanks de wisselende camerakwaliteit – hadden we de Edge 60 Pro met gemak kunnen aanraden. Maar nu blijft er vooral een gevoel van gemiste kansen hangen.

Een oven wordt flink heet tijdens het gebruik, en ook in een magnetron met grill- of ovenfunctie kan de temperatuur behoorlijk oplopen. Daardoor verdampt vet of spettert eten sneller tegen de binnenkant van de deur. Zelfs bij een gewone magnetron kunnen spetters en condens zich ophopen op het ruitje. Na een tijdje is het glas zo vettig of bruin dat je nauwelijks nog naar binnen kunt kijken. Niet gevaarlijk, wél vervelend. Gelukkig is het schoonmaken van die ruit minder lastig dan je denkt!

Lees ook: Magnetron kopen? Dit is waar je op moet letten

Hoe ontstaat die vettige aanslag eigenlijk?

Tijdens het verwarmen van eten verdampt vet. In een oven branden die vetdruppeltjes langzaam in op het glas, zeker bij temperaturen boven de 180 graden. Ook etensresten die over de rand borrelen of spetteren kunnen tegen het ruitje aankomen. In een magnetron gebeurt min of meer hetzelfde, al speelt condens daar ook een rol. Het resultaat is een doffe waas die met alleen een vaatdoekje niet meer weggaat.

Wat heb je nodig?

Met een paar alledaagse schoonmaakmiddelen kun je die bruine aanslag al te lijf gaan:

🞐 Warm water
🞐 Scheutje afwasmiddel
🞐 Zachte doek (liefst microvezel)
🞐 Oude tandenborstel
🞐 Klein beetje baking soda
🞐 Schoonmaakazijn of citroensap
🞐 Eventueel een plastic schrapertje (géén metaal)

Let op: laat de oven of magnetron altijd goed afkoelen voor je begint.

Stap voor stap schoonmaken

Begin met de buitenkant van de ruit. Maak een lauwwarm sopje met afwasmiddel en veeg het glas schoon met een microvezeldoek. Hardnekkige plekken? Maak een dik papje van baking soda en een beetje water. Smeer dit op de vlekken en laat het tien minuten zitten. Daarna veeg je het eenvoudig weg met een vochtige doek.

Voor de binnenkant helpt het om vet eerst los te weken. Maak een doek nat met heet water en een flinke scheut azijn of citroensap. Houd deze een paar minuten tegen de binnenkant van het ruitje aan – of leg de doek er voorzichtig op, als dat lukt. De warmte en het zuur helpen om het vet los te weken. Gebruik daarna een tandenborstel om voorzichtig langs de randjes te schrobben.

Sommige ovens hebben een dubbele glasplaat. In veel gevallen kun je die losmaken om ook daar tussen schoon te maken. Kijk hiervoor in de handleiding van je oven: vaak zitten er klemmetjes of schroeven aan de bovenrand van de ovendeur. Wees voorzichtig en zorg dat je alles stevig terugplaatst.

©Андрей Журавлев

Let op bij zelfreinigende ovens

Heb je een zelfreinigende oven? Dan werkt het schoonmaken net even anders. Sommige ovens hebben een pyrolysefunctie: hierbij wordt de oven verhit tot zo'n 500 graden, waardoor vet en vuil veranderen in as. Dat kun je daarna eenvoudig opvegen met een doek. Andere modellen gebruiken katalyse of stoomreiniging. In al deze gevallen geldt: gebruik géén agressieve middelen op de wanden of het glas, want daarmee kun je de speciale coating beschadigen.

Ook belangrijk: de ruit kan tijdens zo'n reinigingsprogramma flink heet worden. Wacht dus altijd tot de oven volledig is afgekoeld voor je eraan begint. En poets het glas alleen met zachte doeken en neutrale middelen, zoals lauw water met een druppeltje afwasmiddel. Baking soda of citroen kun je in dit geval beter vermijden, tenzij je zeker weet dat jouw oven geen speciale coating heeft.

Wat moet je níet doen?

Gebruik geen schuursponsjes of staalwol. Ook ovenreiniger en agressieve sprays zijn geen goed idee op glas: ze kunnen het ruitje beschadigen of dof maken. Gebruik bij voorkeur ook geen mesjes of metalen schrapers – hoe verleidelijk dat soms ook is. Krassen zijn snel gemaakt en vrijwel niet meer weg te werken.

En daarna? Zo houd je het ruitje schoon

Veeg de ruit na elk gebruik even kort na met een vochtige doek, vooral als je ziet dat er gespetterd is. Dat kost je amper tijd en voorkomt dat vuil zich opbouwt. Gebruik je ovenschalen die kunnen overkoken? Zet er een lekbak onder. En voor magnetrons werkt een eenvoudig spatdekseltje echt verrassend goed – die vangt het meeste op.