AI is geen magie - zo leert het

Door Oluwole Akinwale, Manager, Professional Services

Je hebt waarschijnlijk wel eens mensen horen zeggen dat "AI leert", maar wat betekent dat eigenlijk? Hoe leren machines eigenlijk?

Het antwoord ligt in iets dat machinaal leren heet: een proces dat computers leert patronen te herkennen, beslissingen te nemen en zichzelf in de loop van de tijd te verbeteren, zonder dat ze ze helemaal opnieuw hoeven te programmeren.

Laten we het in alledaagse taal uitleggen.

Wat is machinaal leren?

Zie machine learning als het trainen van een hond. Je legt niet alles in woorden uit – je laat het zien, beloont het en herhaalt het. De hond pikt commando's op door patronen te herkennen. Machine learning werkt op dezelfde manier: we geven een computer veel voorbeelden (data) en hij leert daarvan met behulp van algoritmen (stap-voor-stap instructies). Uiteindelijk wordt hij beter in het herkennen van patronen naarmate we hem meer data geven. Het is net als wanneer we zeggen "oefening baart kunst" – klinkt dat bekend? Laten we het nu hebben over de vier belangrijkste manieren waarop machines leren.

De 4 belangrijkste manieren waarop machines leren

We leren allemaal op onze eigen manier – sommigen door te lezen, anderen door te kijken, en als je net als ik bent, door de handen uit de mouwen te steken en het te doen. AI-systemen verschillen niet zoveel van elkaar. We kunnen ze op de volgende manieren trainen, afhankelijk van de taak die we ze willen laten uitvoeren.

1. Begeleid leren

Stel je voor dat een leraar zijn leerling begeleidt door hem voorbeeldvragen en de juiste antwoorden te laten zien. Zo werkt dit type machine learning: we trainen de AI door hem talloze gelabelde voorbeelden te geven, zodat hij leert wat juist is door patronen in die antwoorden te herkennen.

Stel je voor dat we AI foto's van katten en honden willen laten herkennen. We bekijken elke foto en labelen hem – "dit is een kat", "dit is een hond". Vervolgens voeren we duizenden van die gelabelde afbeeldingen in het systeem in. Nadat we genoeg voorbeelden hebben gezien, begint de machine zelf uit te vinden hoe ze ze uit elkaar kunnen houden.

2. Ongecontroleerd leren

Herinner je je die keren dat je ouders of leraren je dingen zelf lieten uitzoeken? Ik wed dat je het vreselijk vond! Deze vorm van machine learning werkt vergelijkbaar.

We geven de AI een hoop data, maar geen antwoorden – hij moet er betekenis aan geven door patronen of groepen te herkennen. We denken bijvoorbeeld: wat dacht je ervan om hem duizenden klantgegevens te geven zonder labels? Hij zou klanten dan op natuurlijke wijze kunnen groeperen op basis van hun bestedingspatroon of voorkeuren – een waar genot voor onze vrienden in de marketing, en natuurlijk voor iedereen die aanbevelingssystemen gebruikt.

3. Versterkend leren

Als vader van drie kinderen doet dit me denken aan de tijd dat mijn kinderen leerden lopen. Ik heb ze meerdere keren zien vallen, maar elke keer pasten ze zich aan en vielen ze weer voordat ze het uiteindelijk goed deden.

Het gaat om experimenteren, falen en verbeteren. Fouten zijn geen tegenslagen – het zijn opstapjes naar succes. Dit is geen motiverend stuk, dus laten we teruggaan naar AI. Reinforced Learning is vergelijkbaar met leren door vallen en opstaan, maar dan met beloningen en straffen. Denk aan een robot die leert een cake te bakken zonder recept.

De eerste keer voegt hij misschien te veel bloem toe of vergeet hij het bakpoeder. De cake wordt dan te zwaar of rijst niet. De volgende keer past hij het aan – misschien iets minder bloem, iets meer suiker. Met elke poging leert hij van wat er misging en komt hij dichter bij de perfecte cake.

4. Semi-begeleid leren

Hmm! Deze is vergelijkbaar met je favoriete mixed grill, maar dan met slechts twee ingrediënten: biefstuk en worst, kip en lamskotelet, varkenskotelet en spek, of vis en garnalen. Bij semi-begeleid leren is de mix begeleiding en gokwerk.

Hierbij maken we gebruik van de begeleiding van supervised learning in combinatie met het giswerk van unsupervised learning. We voeden het systeem met een deel gelabelde data (met antwoorden) en een grotere hoeveelheid ongelabelde data (zonder antwoorden).

Stel je voor dat je 100 medische beelden hebt gelabeld als 'tumor' of 'geen tumor', maar je hebt er nog eens 1,000 zonder labels. AI kan leren van de weinige gelabelde voorbeelden en die kennis vervolgens toepassen om de rest te begrijpen.

Naarmate AI volwassener werd, ontstonden er meer gespecialiseerde leerstrategieën, waardoor machines sneller, slimmer en ethischer konden leren. Ik zal je niet vervelen met de details.

Laten we afsluiten met de vraag waarom het belangrijk is om machine learning te begrijpen.

Waarom is het belangrijk?

Begrijpen hoe AI leert is niet alleen een kwestie van technologie. Het heeft meer impact op ons dagelijks leven dan we beseffen:

Gepersonaliseerde ervaringen
Van Netflix-aanbevelingen tot je Spotify-afspeellijst, AI leert wat je leuk vindt en levert je meer daarvan. Ik hoop dat het me meer geld oplevert. 🙂

Betere gezondheidszorg
Stel je eens voor wat een verschil het zou maken in ons leven als we AI-modellen zouden trainen met medische gegevens, zodat ze ziekten eerder kunnen opsporen en nauwkeurigere behandelingen kunnen voorstellen.

Slimmere zakelijke beslissingen
Als ondernemer wil ik graag klantgedrag begrijpen, trends voorspellen en de bedrijfsvoering optimaliseren. Dat klinkt als een user story op een Jira-board. Maar AI kan ook helpen om aan die behoefte te voldoen.

Veiligere technologie
Op het gebied van bijvoorbeeld zelfrijdende auto's of fraudedetectie bepaalt de manier waarop een AI is getraind, hoe goed de AI gevaar of ongebruikelijke activiteiten kan detecteren.

Ethische verantwoordelijkheid
Dit is er eentje waar ik gepassioneerd over ben. Begrijpen hoe AI wordt getraind, helpt ons de juiste vragen te stellen over dataprivacy, eerlijkheid en vooringenomenheid, wat gevolgen heeft voor ons allemaal.

Kortom: hoe beter we begrijpen hoe AI leert, hoe beter we vorm kunnen geven aan de manier waarop AI voor ons werkt — en met ons samenwerkt.