AI is geen magie — zo leert het

Door Oluwole Akinwale, Manager, Professional Services

Je hebt waarschijnlijk mensen horen praten over hoe “AI aan het leren is”, maar wat betekent dat eigenlijk? Hoe leren machines überhaupt?

Het antwoord ligt in iets dat machine learning wordt genoemd — een proces dat computers leert hoe ze patronen kunnen herkennen, beslissingen kunnen nemen en in de loop van de tijd zelfs kunnen verbeteren zonder dat ze vanaf de grond af opnieuw hoefden te worden geprogrammeerd.

Laten we het in Jip-en-janneketaal uitleggen.

Wat is Machine Learning?

Denk aan machine learning alsof je een hond trainen bent. 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 heel veel voorbeelden (data), en hij leert ervan met behulp van algoritmen (stapsgewijze instructies). Uiteindelijk wordt hij er beter in om patronen op te merken naarmate we hem meer data voeren. Het is net zoiets als wanneer we zeggen “oefening baring kunst” – komt dat bekend voor? 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 — sommige door te lezen, andere door te kijken, en als je ook maar enigszins op mij lijkt, door de handen uit de mouwen te steken en het te doen. AI-systemen verschillen daar niet zo veel van. We kunnen ze op de volgende manieren trainen, afhankelijk van de taak die we willen dat ze uitvoeren.

1. Supervised learning

St je dit voor als een leraar die zijn leerling begeleidt door voorbeeldvragen te laten zien samen met de juiste antwoorden. Zo werkt dit type machinaal leren: we trainen de AI door hem te voeden met heel veel gelabelde voorbeelden, zodat hij leert wat juist is door patronen te herkennen in die antwoorden.

Stel je voor dat we AI foto's van katten en honden willen laten herkennen. We gaan door elke foto heen en labelen deze — “dit is een kat”, “dit is een hond”. Vervolgens voeren we duizenden van die gelabelde afbeeldingen in het systeem. Nadat de machine genoeg voorbeelden heeft gezien, begint hij er zelf achter te komen hoe hij ze uit elkaar moet houden.

2. Onbewaakt Leren

Herinner je je die keren dat je ouders of leraren je zelf dingen lieten uitzoeken? Ik wed dat je het haatte! Dit type machine learning werkt op vergelijkbare wijze.

We voeden de AI met heel veel data, maar zonder antwoorden — het moet er zelf wijs uit worden door patronen of groepen te ontdekken. Bijvoorbeeld, we zouden kunnen denken — wat als we duizenden aankoopgegevens van klanten zonder labels invoeren? Het zou klanten op natuurlijke wijze kunnen groeperen op basis van hun bestedingspatroon of voorkeuren — een zeker genot voor onze vrienden in de marketing, en natuurlijk voor iedereen die aanbevelingssystemen gebruikt.

3. Reinforcement Learning

Als vader van drie doet deze me denken aan de tijd dat mijn baby's leerden lopen. Ik zag ze meerdere keren vallen, maar elke keer pasten ze zich aan en vielen ze weer voordat ze het uiteindelijk onder de knie kregen.

Het gaat om experimenteren, falen en verbeteren. Fouten zijn geen tegenslagen — het zijn opstapjes naar succes. Dit is geen motiverend stuk, dus laten we terugkeren naar AI. Reinforcement learning is vergelijkbaar met leren door trial-and-error, maar met de toevoeging van beloningen en straffen. Denk aan een robot die leert om een taart te bakken zonder recept.

De eerste keer voegt het misschien te veel bloem toe of vergeet het de bakpoeder. De cake wordt compact of rijst niet. De volgende keer past het zich aan — misschien iets minder bloem, een beetje meer suiker. Bij elke poging leert het van wat er misging en komt het dichter bij de perfecte cake.

4. Semi-supervising leren

Hmm! Dit is net als je favoriete gemengde grillschotel, maar dan met slechts twee ingrediënten: biefstuk en sausage, kip en lamskotelet, varkenskotelet en spek, of vis en garnalen. Bij semi-gesuperviseerd leren bestaat de combinatie uit begeleiding en giswerk.

Dit is waar we de sturing van supervised learning combineren met het giswerk van unsupervised learning. We voeren het systeem wat gelabelde data (met antwoorden) en een grotere hoeveelheid ongelabelde data (zonder antwoorden).

Stel je voor dat je 100 medische afbeeldingen hebt gelabeld als “tumor” of “geen tumor”, maar dat je er nog 1.000 hebt zonder labels. AI kan leren van de enkele gelabelde voorbeelden en die kennis vervolgens toepassen om de rest te begrijpen.

Naarmate AI is volwassen geworden, zijn er meer gespecialiseerde leerstrategieën ontstaan, waardoor machines sneller, slimmer en etischer kunnen leren. Ik zal je niet vermoeien met de details.

Laten we nu afsluiten met waarom het begrijpen van machine learning belangrijk is.

Waarom doet het ertoe?

Begrijpen hoe AI leert is niet alleen techtaal — het heeft meer invloed op ons dagelijks leven dan we ons realiseren:

Gepersonaliseerde ervaringen
Van Netflix-aanbevelingen tot je Spotify-afspeellijst, AI leert wat je leuk vindt en schotelt je daar meer van voor. Ik hoop dat het meer geld voor mij is. 🙂

Betere gezondheidszorg
Stel je voor wat voor verschil het in ons leven zou maken als we AI-modellen zouden trainen op medische gegevens, zodat ze kunnen helpen om ziekten in een vrijetijdsstadium te ontdekken en nauwkeurigere behandelingen voor te stellen.

Slimmere zakelijke beslissingen
Als ondernemer begrijp ik graag het gedrag van klanten, voorspel ik trends en optimaliseer ik de bedrijfsvoering. Klinkt als een gebruikersverhaal op een Jira-bord. Welnu, AI kan ook helpen om aan die vereiste te voldoen.

Veiligere technologie
In vakgebieden zoals zelfrijdende auto's of fraudedetectie bepaalt de manier waarop een AI wordt getraind hoe goed deze gevaar of ongebruikelijke activiteit kan opsporen.

Ethische verantwoordelijkheid
Dit is een onderwerp waar ik erg gepassioneerd over ben. Begrijpen hoe AI wordt getraind helpt ons de juiste vragen te stellen over gegevensprivacy, eerlijkheid en vooroordelen, wat ons allemaal zal raken.

Kort gezegd: Hoe beter we begrijpen hoe AI leert, hoe beter we kunnen vormgeven hoe deze voor ons — en met ons — werkt.