Loading…
Nora Stoffels17 juli 20266 min lezenAIAI, Machine Learning en Deep Learning worden vaak door elkaar gebruikt, maar zijn niet hetzelfde. AI is het hele vakgebied, ML leert van data, en Deep Learning gebruikt neurale netwerken voor complexere patronen. Denk aan Funda, Netflix en ChatGPT als praktijkvoorbeelden.
Nora Stoffels
Marketing & operations
"AI" en "Machine Learning" worden voortdurend in één zin genoemd, vaak als synoniemen. Toch zijn het niet dezelfde dingen, en het verschil tussen AI vs machine learning is groter dan je zou denken. Machine Learning is een onderdeel van AI, niet de andere kant op. In dit artikel leggen we het verschil uit zonder technisch jargon, met voorbeelden die je dagelijks tegenkomt: van Netflix tot je belastingaangifte.
Zie het als een set Russische poppetjes: Deep Learning past in Machine Learning, en Machine Learning past in AI.
Artificial Intelligence is de verzamelnaam voor alles waarbij een computer menselijke intelligentie nabootst: taal begrijpen, beelden herkennen, redeneren, problemen oplossen.
De meest simpele vorm van AI werkt met vaste regels die mensen zelf hebben bedacht. Denk aan een beslisboom vol "Als dit, dan dat"-regels. Een online belastingprogramma dat je aftrekposten berekent is hier een goed voorbeeld van: het volgt gewoon een lijst met regels die iemand ooit heeft opgeschreven. Slim, maar de computer leert hier zelf niets van. Hij voert alleen uit wat een mens al had uitgedacht.
Dat werkt prima, zolang de situatie simpel genoeg is om in regels te vangen. Maar wat als dat niet lukt?
Sommige taken zijn te complex voor vaste regels. Een zelfrijdende auto die moet inschatten of die donkere vlek op de weg een plas water is of een gat in het asfalt, kun je niet in een "Als-Dan"-regel proppen. Daarvoor is de wereld te onvoorspelbaar.
Dit is het moment waarop Machine Learning in beeld komt. In plaats van regels te programmeren, geef je de computer heel veel data en laat je hem zelf de patronen ontdekken. Voer een systeem 100.000 foto's van gaten en plassen, en het gaat via statistiek zelf op zoek naar de verschillen in de pixels. De computer schrijft dus in feite zijn eigen regels.
Een mooie vergelijking: het is net zoals een kind dat leert een hond van een kat te onderscheiden. Niemand legt het kind exacte regels uit ("een hond heeft altijd vier poten en..."), het kind ziet gewoon heel veel honden en katten, en leert het verschil vanzelf.
Voorbeelden die je kent, en die meteen laten zien dat Machine Learning niet één vaste vorm heeft:
Funda schat de waarde van een huis op basis van duizenden eerdere verkoopcijfers. Dit is supervised learning: de computer krijgt data mét het juiste antwoord erbij (de daadwerkelijke verkoopprijs), en leert daaruit om nieuwe, onbekende huizen te taxeren. Outlook werkt op dezelfde manier: het herkent spam omdat het getraind is op e-mails die al gelabeld waren als "spam" of "geen spam".
Netflix groepeert kijkgedrag om suggesties te doen, zonder dat iemand van tevoren heeft aangegeven welke kijkers bij elkaar horen. Dat is unsupervised learning: de computer krijgt geen antwoorden, en moet zelf patronen of groepen ontdekken in de data. Rabobank gebruikt dezelfde aanpak om ongewone transacties op te sporen die kunnen wijzen op fraude (zonder dat "fraude" van tevoren gelabeld is), en Bol.com ontdekt zo welke producten mensen vaak samen kopen.
Een derde vorm is reinforcement learning: de computer leert door te proberen en feedback te krijgen, een beloning bij een goede keuze en een "straf" bij een foute. Zo leren systemen schaken of een auto besturen, door duizenden scenario's te simuleren en te ontdekken welke aanpak op de lange termijn het beste uitpakt.
Welke vorm het beste past, hangt af van je situatie: heb je al voorbeelden met de juiste antwoorden erbij (supervised), wil je juist onbekende patronen laten ontdekken (unsupervised), of gaat het om een proces dat zichzelf moet leren verbeteren op basis van resultaat (reinforcement)?
Deep Learning is de meest geavanceerde vorm van Machine Learning. Waar gewone ML soms nog een handje hulp nodig heeft van mensen om te weten waar het op moet letten, werkt Deep Learning met neurale netwerken: digitale lagen die losjes zijn geïnspireerd op hoe onze hersenen werken.
Door data door al die lagen heen te sturen, kan een computer extreem complexe patronen herkennen. Dit is de technologie achter zelfrijdende auto's, gezichtsherkenning en de taalmodellen die achter tools als ChatGPT zitten.
Zelfrijdende auto: camerabeelden komen binnen (input), het netwerk vertaalt die beelden stap voor stap naar herkenbare objecten (hidden layers), en geeft daarna een simpel signaal af: sturen, gas geven of remmen (output).
Een taalmodel zoals ChatGPT: vraag je om een slogan voor een koffiemachine, dan berekent het model steeds welk woord het meest waarschijnlijke volgende woord is. "De perfecte start van je..." wordt met 98% waarschijnlijkheid gevolgd door "werkdag", en dat woord komt er dan ook echt uit. Woord voor woord, razendsnel.
Een veelgemaakte denkfout: hoe hoger het percentage, hoe beter het model. In de praktijk is een score van 100% juist verdacht. Dat wijst bijna altijd op een fout, of op een model dat de trainingsdata letterlijk heeft "uit zijn hoofd geleerd" in plaats van de onderliggende logica te begrijpen (dit heet overfitting). Het andere uiterste, underfitting, is een model dat de patronen niet eens goed doorheeft en daardoor overal slecht op scoort.
Een goed model:
Als je AI wilt inzetten in je bedrijf, helpt het om te weten wat je eigenlijk nodig hebt. Wil je dat een proces altijd exact dezelfde stappen volgt? Dan is een simpele regel-gebaseerde aanpak vaak sneller te bouwen én makkelijker uit te leggen. Draait het om het herkennen van patronen in grote hoeveelheden data, zoals klantgedrag, prijzen of afwijkingen? Dan kijk je eerder richting Machine Learning. En gaat het om taal, beeld of spraak op een niveau waar mensen ook moeite mee zouden hebben? Dan zit je al snel bij Deep Learning en de moderne taalmodellen.
Het verschil tussen deze technieken bepaalt niet alleen wat er technisch mogelijk is, maar ook hoeveel data je nodig hebt, hoe voorspelbaar het resultaat is, en hoe je het uiteindelijk uitlegt aan collega's of klanten.
Vond je dit artikel waardevol? Deel het.
