AI werkt door grote hoeveelheden data te analyseren, daarin patronen te herkennen en op basis daarvan voorspellingen of output te genereren. In de kern is het een wiskundig optimalisatieproces: het systeem past zijn interne instellingen steeds aan totdat de output zo goed mogelijk overeenkomt met het gewenste resultaat.
Hoe werkt AI op basis van data en algoritmes?
Een AI-systeem heeft drie bouwstenen nodig: data, algoritmes en een optimalisatiedoel. De data is het trainingsmateriaal waaruit het systeem leert. De algoritmes zijn de wiskundige methoden die het systeem gebruikt om patronen in die data te herkennen. Het optimalisatiedoel bepaalt wanneer het systeem “goed genoeg” presteert.
In tegenstelling tot traditionele software, die vaste regels volgt die een programmeur heeft ingebouwd, leert een AI-systeem zijn eigen regels af uit data. Een spamfilter is niet geprogrammeerd met een lijst van spam-kenmerken. Hij heeft geleerd welke patronen in e-mails samenhangen met spam door duizenden voorbeelden te analyseren.
Dit onderscheid is belangrijk voor professionals die AI-tools gebruiken. De output van een AI-systeem is altijd een statistische voorspelling gebaseerd op trainingsdata, geen logische redenering. Als je begrijpt hoe AI werkt, begrijp je ook waarom de kwaliteit van je input zoveel invloed heeft op de kwaliteit van de output. Een bredere uitleg over wat AI is en welke vormen bestaan, vind je in ons artikel over wat artificial intelligence is.
Hoe werkt machine learning om AI te trainen?
Machine learning is de meest gebruikte methode om AI-systemen te trainen. Het systeem krijgt grote hoeveelheden voorbeelddata aangeboden en leert door die data herhaaldelijk te analyseren. Bij elke iteratie vergelijkt het systeem zijn output met het gewenste resultaat en past het zijn interne instellingen aan om de fout te verkleinen.
Dit proces heet trainen. Na training wordt het model ingezet voor nieuwe, ongeziene data. Dat heet inference: het systeem past wat het heeft geleerd toe op nieuwe input. Een taalmodel als ChatGPT is getraind op enorme hoeveelheden tekst en past die geleerde patronen toe bij het genereren van antwoorden op jouw vragen.
Machine learning werkt het best wanneer er voldoende trainingsdata beschikbaar is en wanneer de nieuwe situaties waarvoor het model wordt ingezet lijken op de situaties in de trainingsdata. Buiten dat bereik neemt de betrouwbaarheid van de output af.
Hoe maken neurale netwerken AI mogelijk?
Neurale netwerken zijn de technologie die moderne AI-systemen aandrijft. Ze zijn losjes gebaseerd op de structuur van het menselijk brein: systemen van onderling verbonden knooppunten, georganiseerd in lagen. Elke laag verwerkt de data verder en leert steeds abstractere patronen herkennen.
Een eenvoudig voorbeeld: een neuraal netwerk dat is getraind op het herkennen van afbeeldingen, leert in de eerste lagen basispatronen zoals randen en kleuren. In diepere lagen combineert het die basispatronen tot complexere vormen, totdat het in de laatste laag een complete herkenning maakt.
Hoe meer lagen een neuraal netwerk heeft, hoe complexere patronen het kan leren. Dat is de kern van deep learning: het werken met netwerken van grote diepte om complexe taken te leren, zoals het genereren van coherente tekst of het analyseren van medische beelden.
Hoe werkt deep learning en wat heeft het te maken met AI?
Deep learning is een subcategorie van machine learning waarbij diepe neurale netwerken worden gebruikt. De meeste AI-toepassingen die professionals dagelijks gebruiken, van ChatGPT tot beeldgeneratoren, zijn gebaseerd op deep learning.
Deep learning-modellen leren hiërarchisch: eenvoudige patronen worden gecombineerd tot steeds complexere representaties. Bij tekstgeneratie leert het model eerst welke letters samengaan, daarna welke woorden samengaan, vervolgens welke zinnen logisch zijn in een bepaalde context, en uiteindelijk hoe een coherent antwoord op een vraag eruitziet.
Dit gelaagde leerproces maakt deep learning krachtig, maar ook lastig te interpreteren. Het is moeilijk te achterhalen waarom een deep learning-model een specifieke output produceert, wat de transparantie en controleerbaarheid beperkt. Wil je weten welke soorten AI er bestaan en hoe ze van elkaar verschillen, dan geeft ons artikel over de verschillende soorten AI een goed overzicht.
Hoe leren en verbeteren AI-systemen?
AI-systemen leren in twee fasen. Tijdens de trainingsfase wordt het model blootgesteld aan grote hoeveelheden data en past het zijn interne instellingen aan op basis van feedback. Die feedback kan komen van mensen die aangeven of een output correct is, of van het systeem zelf via wiskundige evaluatiemethoden.
Na de trainingsfase volgt de inference-fase: het getrainde model wordt ingezet op nieuwe data. Het model leert in deze fase niet meer bij, tenzij het opnieuw wordt getraind. Dat verklaart waarom AI-tools een kennisdatum hebben: ChatGPT weet niets van gebeurtenissen na zijn trainingsafsluitdatum, tenzij je die informatie zelf aanlevert in je prompt.
Verbetering van een AI-systeem vereist een nieuw trainingsproces met aanvullende of gecorrigeerde data. Dat is waarom AI-modellen periodiek worden geüpdatet en waarom nieuwere versies doorgaans beter presteren dan oudere.
Hoe werkt AI in de praktijk?
Als je een generatieve AI-tool zoals ChatGPT een vraag stelt, verwerkt het systeem je tekst via een mechanisme dat self-attention heet. Elk woord in je prompt wordt gewogen ten opzichte van alle andere woorden, zodat het systeem begrijpt welke woorden in welke context relevant zijn voor elkaar.
Op basis van die analyse voorspelt het model token voor token welk woord het meest logisch volgt. Een token is ruwweg een woord of woorddeel. Het model kiest niet willekeurig, maar berekent per token de kans op een logisch vervolg op basis van alles wat het tijdens de training heeft geleerd.
Belangrijk om te begrijpen: het systeem denkt niet. Het heeft geen begrip van betekenis, geen eigen mening en geen bewustzijn. Het herkent patronen en genereert output die statistisch logisch is op basis van zijn trainingsdata. Dat verklaart waarom AI-systemen soms overtuigend klinkende maar feitelijk onjuiste informatie kunnen produceren. Meer over de risico’s van AI en hoe je die verantwoord afweegt lees je in ons artikel over de risico’s van AI.
Wil je leren hoe je AI-tools effectief inzet in je dagelijkse werk? In de ChatGPT cursus van LearnLLM leer je stap voor stap werken met prompts en geavanceerde functies, gericht op jouw vakgebied en rol.
