Ergens in een technische ruimte hangt een schakelkast. Netjes bekabeld, braaf zijn werk doen, nooit klagen. Tot nu toe was dat ook genoeg. Maar wat als die kast straks zelf begrijpt wat er mis is — voordat jij het merkt?
Klinkt als science fiction. Maar voor minder dan de prijs van een goede avondmaaltijd voor vier personen is het inmiddels gewoon werkelijkheid.
De Raspberry Pi krijgt een brein
Begin 2026 introduceerde Raspberry Pi de AI HAT+ 2 — een uitbreidingsbord dat je op een Raspberry Pi 5 plugt via de PCIe-interface. Aan boord: een Hailo-10H neural processing unit, 8 GB eigen geheugen, en een maximaal verbruik van zo'n 3 watt.
Dat laatste is geen typo.
Met die 3 watt levert dit ding 40 TOPS — tera-operations per second. Dat is de maatstaf voor AI-rekenkracht. Ter vergelijking: een jaar geleden had je daar een fatsoenlijke GPU voor nodig met een voeding die je stroomleverancier blij maakt.
De HAT+ 2 kan twee soorten AI-taken tegelijk draaien: beeldherkenning (objecten detecteren, beweging analyseren, afwijkingen zien) én kleine taalmodellen (LLMs lokaal draaien, dus zonder cloud). Alles lokaal. Geen Azure, geen abonnement, geen data die het gebouw verlaat.
Maar past het in een schakelkast?
Eerlijke vraag. Want een Raspberry Pi is geen industriële controller.
Toch is het antwoord genuanceerder dan een hard nee. De Pi 5 zelf is een volwaardig computertje op 85 × 56 mm. Met de AI HAT+ 2 erop wordt het iets dikker, maar de footprint blijft beperkt. Er bestaan industriële behuizingen voor DIN-rail montage — denk aan de DIN-Rail Case voor Raspberry Pi van fabrikanten als Argon of Waveshare — waarmee je de Pi netjes in een schakelkast kunt monteren.
Wat je dan wél moet regelen:
- Voeding: een goede 5V/5A DIN-rail voeding (die zijn er gewoon)
- Koeling: de HAT+ 2 krijgt een heatsink mee; actieve koeling is aan te raden bij intensief gebruik
- IP-bescherming: de Pi zelf is niet gecertificeerd voor industrieel gebruik (geen IP54, geen ATEX), dus de kast doet het beschermende werk
- Stabiliteit: Raspberry Pi OS is geen RTOS, maar voor edge-AI-taken die niet real-time kritisch zijn, is dat prima
Is het iets voor een machine die mensenlevens bewaakt? Nee. Is het iets voor een gebouwinstallatie die data analyseert, patronen herkent en alarmen gooit? Absoluut.
Wat voegt AI hier eigenlijk toe?
En dan komen we bij het interessante deel: anomaly detection on the edge.
Een klassieke sensor meet een waarde en vergelijkt die met een drempelwaarde. Te warm → alarm. Te koud → alarm. Dat werkt, maar het is dom. Het kent geen context. Het weet niet dat het elke maandag vroeg wat warmer is in die ruimte. Het ziet niet dat de pomp al drie weken langzaam achteruitgaat — de waarden kloppen immers nog steeds.
Een AI-model op de edge doet dat anders. Het leert het normale patroon van een installatie en signaleert wanneer iets afwijkt van wat normaal voor deze situatie zou zijn. Niet "te warm", maar "dit temperatuurverloop zag ik de laatste keer twee weken voor de storing". Dat is het verschil tussen meten en begrijpen.
En het mooie: dat model draait gewoon lokaal op die Pi. Geen verbinding nodig. Geen latency naar de cloud. Geen privacyvraagstuk over wie jouw sensordata verwerkt.
Meer dan alleen temperatuur
Want zodra je een Pi met AI-board in een gebouw hebt hangen, opent zich een wereld aan toepassingen die je met losse sensoren nooit zo makkelijk voor elkaar krijgt.
Predictive maintenance via geluid en trillingen. Een motor die langzaam slijt, klinkt anders dan een gezonde motor. Niet genoeg om het zelf te horen — maar een getraind model pikt het er zo uit. Koppel een microfoon of trillingssensor aan de Pi, train op "normaal", en laat de AI afwijkingen signaleren. Nog geen storing, maar wel: let op deze.
Brand- en rookdetectie via camera. Conventionele rookmelders reageren op wat er al is. Een cameramodel dat rookpluimen of ongewone warmtepatronen herkent, reageert op wat er aan zit te komen. Lokaal verwerkt, geen beelden die ergens in een cloud belanden, en combineerbaar met bestaande meldinstallaties.
Een lokale spraakassistent voor technici. "Wat is de status van pomp 3?" — en een lokaal taalmodel geeft antwoord op basis van de sensordata in het gebouw. Geen internetverbinding nodig, geen abonnement op een clouddienst. Gewoon een Pi in de meterkast die begrijpt wat je vraagt.
Dat laatste klinkt misschien nog futuristisch, maar de HAT+ 2 kan letterlijk kleine LLMs lokaal draaien. De bouwstenen liggen er. Het is nu vooral een kwestie van de juiste software eromheen bouwen.
Wat kost het?
- Raspberry Pi 5 (8 GB): ±80 euro
- AI HAT+ 2: ±130 dollar (zo'n 120-125 euro)
- DIN-rail behuizing + voeding: ±40-60 euro
- Totaal: pakweg 270-280 euro
Voor wat je krijgt — een edge-AI-platform dat lokaal LLMs en beeldherkenning kan draaien — is dat bijna belachelijk goedkoop. Ja, de softwarekant vergt nog wat werk. De HAT+ 2 is nieuw en de tooling loopt achter op de hardware. Maar dat is bij elke nieuwe Pi-release zo, en Raspberry Pi heeft een stevige reputatie om dat goed te laten komen.
Wat staat er nog te komen?
De HAT+ 2 is nog maar net uit. De softwareondersteuning groeit, meer modellen worden beschikbaar gesteld, en de community is — zoals altijd bij Raspberry Pi — onvermoeibaar bezig met toepassingen die niemand vooraf had bedacht.
De richting is duidelijk: AI verhuist van de cloud naar de rand van het netwerk. Naar de schakelkast. Naar de technische ruimte. Naar het gebouw zelf. Niet als vervanging van de installateur, maar als de stille collega die 24/7 meekijkt en pas wat zegt als het er echt toe doet.
Over twee jaar kijken we waarschijnlijk terug op deze fase als het moment waarop edge-AI gewoon werd. Niet spectaculair, niet revolutionair — gewoon nuttig.
En dat is precies hoe de beste technologie werkt.
Gebruik jij al een Raspberry Pi in een technische toepassing, of experimenteer je met edge-AI? Ik hoor het graag — stuur een reactie of vind me op de digitale weide.
