Kunstmatige intelligentie (AI) verschijnt steeds vaker in ons dagelijks leven, van de filmaanbevelingen die Netflix doet tot zelfrijdende auto's zoals die van Waymo. Heeft u zich ooit afgevraagd hoe AI precies werkt? Achter elke slimme toepassing schuilt een proces waarbij machines leren van data en beslissingen nemen.

In dit artikel bekijken we op een begrijpelijke manier de werking van AI, met speciale aandacht voor machine learning-systemen, die het hart vormen van de meeste moderne AI.

AI leert en neemt beslissingen op basis van data

In de kern werkt AI door te leren van data. In plaats van vast geprogrammeerd te zijn om in elke situatie hetzelfde te reageren, krijgen AI-systemen (vooral die met machine learning) een grote hoeveelheid data aangeboden en zoeken ze zelf naar patronen of verborgen regels in die data.

Vervolgens gebruiken ze wat ze geleerd hebben om voorspellingen te doen of beslissingen te nemen bij nieuwe data. Dit proces lijkt op hoe mensen leren: we observeren veel voorbeelden, trekken daaruit conclusies en passen die toe in nieuwe situaties.

Bijvoorbeeld, als u een AI wilt trainen om katten en honden op afbeeldingen te onderscheiden, verzamelt u duizenden foto's van katten en honden en labelt deze (bijvoorbeeld: deze foto is een kat, die is een hond). De AI-algoritme analyseert deze enorme dataset om kenmerken te vinden die katten van honden onderscheiden – bijvoorbeeld katten hebben snorharen, of een andere gezichtsvorm dan honden. Tijdens het leerproces past het systeem zijn interne parameters aan zodat het steeds nauwkeuriger kan herkennen.

Het resultaat is een model dat kan bepalen of een nieuwe, onbekende foto een kat of een hond toont. Als het model een fout maakt, kan de AI worden bijgesteld (op basis van wiskundige algoritmes) om de nauwkeurigheid te verbeteren.

In het kort bestaat het leer- en werkproces van AI meestal uit de volgende belangrijkste stappen:

• Data verzamelen (Input)

Allereerst heeft AI inputdata nodig om te leren. Data kan in verschillende vormen voorkomen: cijfers, tekst, afbeeldingen, geluid, enzovoort, en wordt meestal zorgvuldig verzameld en voorbereid. Bijvoorbeeld, om AI katten te leren herkennen, verzamelt u tienduizenden kattenfoto’s (en niet-kattenfoto’s) en labelt u deze correct. De kwaliteit en kwantiteit van deze data zijn cruciaal – hoe meer en gevarieerder de data, hoe beter AI leert.

• Model trainen (Learning/Training)

Vervolgens volgt de fase waarin de machine leert van de data. De inputdata wordt ingevoerd in een leeralgoritme (machine learning-algoritme). Dit algoritme zoekt naar patronen of correlaties in de data en past interne parameters aan om beter bij de data te passen.

In het geval van kunstmatige neurale netwerken (veelgebruikt bij deep learning) betekent trainen het aanpassen van gewichten van verbindingen tussen neuronen door vele iteraties. AI probeert continu voorspellingen te doen op de trainingsdata en corrigeert zichzelf op basis van het verschil tussen voorspelling en werkelijkheid (dit proces heet backpropagation in neurale netwerken).

Belangrijk is dat AI in deze stap leert van ervaring (voorbeelddata), vergelijkbaar met een leerling die oefent met opdrachten: fouten maken, daarvan leren en aanpassen.

• Voorspellingen/resultaten geven (Inference)

Na training heeft AI een getraind model. Wanneer het nieuwe, onbekende inputdata ontvangt, kan AI het getrainde model toepassen om voorspellingen of beslissingen te maken.

Bijvoorbeeld, na training kan het AI-model katten en honden op nieuwe foto’s onderscheiden met een bepaalde waarschijnlijkheid. Evenzo kan een AI die getraind is op banktransacties voorspellen welke transacties frauduleus zijn; of een model dat medische data heeft geleerd kan suggesties doen voor diagnoses bij nieuwe patiënten. Deze fase heet inference – AI past de geleerde kennis toe in de praktijk.

• Bijstellen en verbeteren (Feedback & Improvement)

Een belangrijk kenmerk van AI (vooral machine learning-systemen) is het vermogen om zichzelf in de loop van de tijd te verbeteren. Als AI resultaten levert en feedback krijgt over de nauwkeurigheid (bijvoorbeeld: een mens geeft aan of de voorspelling juist of fout was), kan het het model aanpassen om beter te worden.

Terug naar het voorbeeld van katten/honden classificatie: als het model sommige gevallen fout voorspelt (bijvoorbeeld een hond als kat), kunnen ingenieurs extra data toevoegen over moeilijke gevallen of de architectuur/hyperparameters van het model aanpassen, zodat AI beter leert. Door deze continue updates wordt AI steeds nauwkeuriger en slimmer na verloop van tijd.

Deze stap lijkt op het corrigeren van gemaakte fouten op huiswerk op basis van feedback van een docent, en daarvan leren. Voor sommige speciale AI-systemen (zoals reinforcement learning in games) gebeurt deze zelfaanpassing zelfs continu tijdens gebruik: AI probeert acties, vermijdt slechte resultaten en versterkt goede gedragingen.

Samenvattend werken AI-systemen door drie kernvaardigheden te combineren: leren van data, logisch redeneren om resultaten af te leiden, en zelfcorrectie op basis van fouten. In de leerfase verzamelt en extraheert AI informatie uit data (het creëert “kennis”).

In de inferencefase gebruikt AI de geleerde kennis om nieuwe situaties te verwerken en resultaten te geven. En door zelfcorrectie verfijnt AI continu zijn werking om de nauwkeurigheid te verhogen. Deze combinatie van leren, redeneren en zelfaanpassing vormt de kracht van moderne AI-systemen.

Een eenvoudig voorbeeld van hoe AI werkt

Laten we een praktisch voorbeeld bekijken om het bovenstaande proces te verduidelijken: een AI-chatbot die automatisch berichten beantwoordt. Stel dat u een chatbot wilt bouwen die klanten op een natuurlijke manier in het Vietnamees kan antwoorden.

• Data verzamelen: U heeft een enorme hoeveelheid gespreksdata nodig om de chatbot taal en reacties te leren begrijpen. Deze data kan bestaan uit miljoenen voorbeeldvragen en -antwoorden uit eerdere klantenservicegesprekken, of data van internet (zoals forums, sociale media) die verzameld en opgeschoond is. Elke vraag wordt gekoppeld aan het juiste antwoord (label) zodat de chatbot kan leren.
• Chatbot trainen: U kiest een AI-taalmodel (bijvoorbeeld een groot Transformer neuraal netwerk) en laat het de volledige verzamelde gespreksdata “lezen”. Het model leert hoe het vragen aan passende antwoorden koppelt, en hoe het natuurlijke taal vloeiend gebruikt. Stap voor stap verbetert de chatbot zijn vermogen om context te begrijpen en passend te reageren. Het leert bijvoorbeeld dat wanneer een klant vraagt “Ik ben mijn wachtwoord vergeten, wat moet ik doen?”, het antwoord moet gaan over het herstellen van het wachtwoord, niet over iets anders. Dit lijkt op een nieuwe medewerker die duizenden scripts oefent om de procedures te leren.
• Antwoorden geven: Wanneer de chatbot wordt ingezet en een klant een nieuwe vraag stelt (die de chatbot nog niet eerder letterlijk heeft gezien), zal de chatbot de vraag analyseren, de intentie achterhalen (bijvoorbeeld: de klant vraagt om een wachtwoordreset) op basis van wat het geleerd heeft, en een passend antwoord genereren op basis van de opgebouwde kennis. Als het goed getraind is, klinken de antwoorden natuurlijk en accuraat, alsof ze door een mens zijn opgesteld.
• Verbeteren in de loop van de tijd: Na elke interactie kunt u de chatbot feedback geven of het antwoord juist of fout was (gebaseerd op klantfeedback of beoordeling door medewerkers). Als de chatbot niet goed antwoordt, wordt deze interactiedata toegevoegd aan de trainingsset voor de volgende verbeteringsronde. Zo wordt de chatbot steeds beter in kennis en antwoorden. Dit is de feedbacklus die AI zelfverbetering mogelijk maakt.

Dit voorbeeld laat duidelijk zien hoe een AI in de praktijk “leert” en werkt: leren van historische data om toe te passen op toekomstige situaties. Of het nu gaat om katten/honden classificatie of klantenservice, het onderliggende principe is hetzelfde.

Hoe werkt generatieve AI?

Een recente trend in AI is generatieve AI – AI-systemen die in staat zijn nieuwe content te creëren zoals tekst, afbeeldingen en geluid die nog nooit eerder bestonden. Hoe werkt generatieve AI en wat maakt het anders?

Generatieve AI is ook gebaseerd op diep leren van enorme datasets, maar in plaats van alleen voorspellingen te doen of classificaties te maken, wordt het model getraind om nieuwe output te genereren op basis van de patronen die het geleerd heeft.

Neem bijvoorbeeld een groot taalmodel zoals ChatGPT: dit model is getraind op miljarden woorden tekst (boeken, artikelen, websites) om de relaties tussen woorden en zinnen te leren. Het is een diep neuraal netwerk met tientallen miljarden parameters dat kan het volgende woord voorspellen in een zin.

In gebruik genereert ChatGPT geen kant-en-klare antwoorden uit geheugen, maar bouwt het antwoorden op door woord voor woord te kiezen op basis van de waarschijnlijkheden die het geleerd heeft. Het resultaat is vloeiende tekst die de stijl van de trainingsdata weerspiegelt, maar met geheel nieuwe inhoud.

Met andere woorden, generatieve AI-systemen zoals ChatGPT of AI-kunstprogramma’s (Midjourney, DALL-E) werken door grondig te leren over de “taal” van hun domein (mensentaal, beelden, muziek, enzovoort) en vervolgens nieuwe creaties te maken op basis van die kennis. Ze zijn uitgerust met zeer grote diepe leermodellen – zogenaamde foundation models of large language models (LLM) – die getraind zijn op enorme datasets met speciale algoritmes (zoals de Transformer in taalverwerking).

Dit stelt programma’s als ChatGPT of Midjourney in staat om nieuwe content te creëren (tekst, afbeeldingen, muziek, enzovoort) gebaseerd op wat ze geleerd hebben, in plaats van alleen te reageren met een bestaand antwoord. Bijvoorbeeld, als u vraagt “schrijf een verhaal over een programmeerbare kat”, genereert ChatGPT een geheel nieuw verhaal op basis van zijn taalbegrip en talloze verhalen die het gelezen heeft.

Het bijzondere aan generatieve AI is dat het niet alleen herkent of analyseert, maar ook tot op zekere hoogte creatief is. Natuurlijk is deze creativiteit gebaseerd op wat AI geleerd heeft – het combineert en varieert bekende patronen om iets nieuws te maken. Maar de uitkomsten kunnen zeer divers en rijk zijn, waardoor generatieve AI een krachtig hulpmiddel is in contentcreatie, design, entertainment en vele andere gebieden.

>>> Klik hier voor meer informatie over:

Geschiedenis van de vorming en ontwikkeling van AI

Veelvoorkomende soorten kunstmatige intelligentie

Samenvattend werkt AI door te leren van ervaring (data), net zoals mensen leren van hun ervaringen. Door training generaliseert de machine geleidelijk kennis uit voorbeelddata en vormt een model dat later kan worden toegepast.

Hoewel er verschillende algoritmes bestaan – van eenvoudige beslisbomen tot diepe neurale netwerken met miljarden parameters – is het gemeenschappelijke doel van AI het ontdekken van verborgen patronen die helpen problemen op te lossen. Dankzij enorme datasets en krachtige rekenkracht heeft AI indrukwekkende prestaties bereikt, van nauwkeurige beeld- en spraakherkenning tot het automatisch schrijven van teksten en maken van afbeeldingen.

Hopelijk heeft deze uitleg u een duidelijker en visueler beeld gegeven van hoe AI “denkt” en werkt achter het scherm. AI is niet langer een mysterieuze “black box” – het is het resultaat van leren van data en trial-and-error, voortdurend verbeteren, heel vergelijkbaar met hoe wij mensen kennis en vaardigheden opdoen.

Volg INVIAI voor meer actuele kennis over AI!