Deep learning is de vorm van machine learning achter de meeste AI-tools die je op kantoor gebruikt, zoals ChatGPT, Claude en spraak-naar-tekst bij het notuleren. De techniek leert patronen uit grote hoeveelheden voorbeelden met netwerken die uit veel lagen bestaan.
Een deep learning-model leert door zijn voorspellingen telkens te vergelijken met het juiste antwoord en zijn interne instellingen daarop bij te stellen.
Klassieke machine learning werkt met kenmerken die een mens vooraf kiest, terwijl deep learning die kenmerken zelf uit ruwe data haalt. Daardoor verwerkt deep learning ruwe tekst, beeld en spraak zonder dat iemand vooraf de kenmerken beschrijft.
Binnen kunstmatige intelligentie is deep learning de laag onder machine learning en de basis onder taalmodellen. Wie er op kantoor mee werkt, krijgt overtuigende output die soms niet klopt, en die beperking bepaalt hoe je de output controleert.
Wat is deep learning?
Deep learning is een vorm van machine learning waarbij een model leert van voorbeelden via een netwerk met veel opeenvolgende rekenlagen. Elke laag haalt een iets abstracter patroon uit de data dan de laag ervoor.
Yann LeCun, Yoshua Bengio en Geoffrey Hinton omschreven deep learning in 2015 in Nature als modellen met meerdere verwerkingslagen. Die lagen leren representaties van data op verschillende niveaus van abstractie. Bij beeldherkenning vinden de eerste lagen randen en kleurvlakken, latere lagen vormen en de laatste lagen complete objecten.
De term deep in deep learning slaat op het aantal lagen, niet op diepgang of begrip. Een deep learning-model herkent patronen in data, zonder te begrijpen wat die patronen betekenen.
Hoe werkt deep learning?
Deep learning werkt door een model zeer veel voorbeelden te laten verwerken en na elke fout zijn instellingen een klein stukje bij te stellen. Die instellingen heten gewichten: getallen die bepalen hoe zwaar elk signaal meetelt.
Bij gelabelde data krijgt het model bij elk voorbeeld het juiste antwoord mee, bijvoorbeeld een e-mail met het label spam of geen spam. Training verloopt in een vaste cyclus van voorspellen, de afwijking meten en de gewichten aanpassen. Na genoeg rondes herkent het model het patroon ook in voorbeelden die het nooit eerder verwerkte.
De bouwsteen van deep learning is een neuraal netwerk met lagen van rekeneenheden die signalen aan elkaar doorgeven. Deep learning gebruikt zulke netwerken met veel verborgen lagen tussen de invoer en de uitvoer.
Wat is het verschil tussen deep learning en machine learning?
Het verschil tussen deep learning en machine learning zit vooral in wie bepaalt waar het model op let. Bij klassieke machine learning kiest een mens vooraf de kenmerken, zoals het bedrag, de datum en de afzender van een factuur.
Een deep learning-model haalt die kenmerken zelf uit ruwe data, zoals de pixels van een scan of de woorden in een tekst. De tabel hieronder zet de vijf belangrijkste verschillen naast elkaar.
| Aspect | Klassieke machine learning | Deep learning |
|---|---|---|
| Kenmerken | Een mens kiest vooraf welke kenmerken meetellen | Het model leert de kenmerken zelf uit de data |
| Soort data | Vooral gestructureerde data in tabellen | Ook ongestructureerde data: tekst, beeld en geluid |
| Hoeveelheid data | Werkt met kleinere datasets | Vraagt grote hoeveelheden voorbeelden |
| Rekenkracht | Draait op een gewone processor | Vraagt veel rekenkracht, meestal op GPU’s |
| Uitlegbaarheid | De beslissing is meestal te herleiden | De beslissing is lastig te herleiden |
Klassieke machine learning blijft de logische keuze voor gestructureerde vragen met een duidelijke uitkomst, zoals een kredietscore of een omzetvoorspelling. Deep learning wint bij tekst, beeld en spraak, waar niemand de kenmerken vooraf goed beschrijft.
Hoe verhouden AI en machine learning zich tot deep learning?
AI en machine learning verhouden zich tot deep learning als drie geneste begrippen: deep learning valt binnen machine learning, en machine learning valt binnen AI. Kunstmatige intelligentie is het hele vakgebied van systemen die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is.
Machine learning is de tak waarin systemen leren van data in plaats van vaste regels te volgen. Deep learning is binnen die tak de werkwijze met netwerken van veel lagen.
Taalmodellen zijn de bekendste toepassing van deep learning. Een taalmodel, ook wel LLM genoemd, is een deep learning-model dat op enorme hoeveelheden tekst is getraind en woord voor woord het meest waarschijnlijke vervolg voorspelt. Generatieve AI, die tekst, beelden of geluid maakt, draait op dezelfde techniek.
Waar kom je deep learning tegen in je werk?
Deep learning zit in de meeste AI-tools die je op kantoor gebruikt, vaak zonder dat je het ziet. Vier toepassingen komen in kantoorwerk het vaakst voor:
- AI-chatbots: ChatGPT van OpenAI, Claude van Anthropic en Gemini van Google draaien op grote taalmodellen, de bekendste vorm van deep learning.
- Spraakherkenning: notuleertools zetten de opname van een overleg om in tekst met modellen die op grote hoeveelheden gesproken taal zijn getraind.
- Vertaling: vertaaltools vertalen hele zinnen in samenhang, in plaats van woord voor woord met een vaste woordenlijst.
- Documentherkenning: scan- en boekhoudsoftware leest bedragen, datums en namen uit facturen, bonnetjes en gescande brieven.
Onder vrijwel elk groot taalmodel zit de transformer, een architectuur die Ashish Vaswani en collega’s in 2017 beschreven in het artikel Attention Is All You Need. De T in GPT staat voor die transformer.
Wat zijn de beperkingen van deep learning?
Deep learning heeft vier beperkingen die direct raken aan werken met AI-tools. De eerste is uitlegbaarheid: een deep learning-model geeft een uitkomst zonder te laten zien welke stappen daartoe leidden.
De tweede is afhankelijkheid van trainingsdata. Wat ontbreekt of scheef in de data zit, mist of vertekent het model, en dat levert bias op in bijvoorbeeld wervingsteksten of risicoschattingen.
De derde is overtuigend foute output. Een taalmodel voorspelt het meest waarschijnlijke vervolg en controleert niet of dat vervolg klopt, wat leidt tot AI hallucinatie in de vorm van verzonnen bronnen, wetsartikelen of cijfers.
De vierde is de benodigde rekenkracht, waardoor alleen grote partijen de grootste modellen trainen. Voor professionals volgt daaruit één werkregel: deep learning levert een concept, de controle blijft bij jou.
Is ChatGPT een vorm van deep learning?
Ja, ChatGPT is een vorm van deep learning, omdat de dienst draait op de GPT-modellen van OpenAI: grote neurale netwerken met veel lagen, getraind op enorme hoeveelheden tekst. De chatinterface is de laag waarmee je met dat model werkt.
Is deep learning hetzelfde als generatieve AI?
Nee, deep learning is niet hetzelfde als generatieve AI, omdat generatieve AI één toepassing van deep learning is. Generatieve AI maakt nieuwe tekst, beelden of geluid.
Deep learning wordt daarnaast gebruikt voor herkennen en voorspellen, zoals spraakherkenning en fraudedetectie, waarbij niets nieuws wordt gemaakt.
Waarom heeft deep learning zoveel data en rekenkracht nodig?
Deep learning heeft veel data en rekenkracht nodig omdat een model miljoenen tot miljarden gewichten heeft. Elk van die gewichten staat pas goed na zeer veel voorbeelden. AlexNet, het netwerk dat in 2012 de ImageNet-wedstrijd won, telde al 60 miljoen parameters, de instelbare getallen waartoe ook de gewichten behoren.
Elke trainingsronde vraagt grote aantallen berekeningen tegelijk. Grafische processors, of GPU’s, voeren zulke berekeningen parallel uit, en daarom draait deep learning-training op GPU’s of vergelijkbare chips.
Wanneer brak deep learning door?
Deep learning brak door in 2012, toen het netwerk AlexNet de ImageNet-wedstrijd voor beeldherkenning won. Volgens de officiële uitslag haalde AlexNet een top-5-foutpercentage van ruim 15 procent, tegen ruim 26 procent voor de nummer twee. Een top-5-foutpercentage geeft aan hoe vaak het juiste label niet bij de vijf beste gokken van het model zat.
In 2019 kregen Yoshua Bengio, Geoffrey Hinton en Yann LeCun de Turing Award over 2018 voor hun doorbraken in diepe neurale netwerken. In 2024 volgde de Nobelprijs voor Natuurkunde voor John Hopfield en Geoffrey Hinton, voor ontdekkingen die machine learning met kunstmatige neurale netwerken mogelijk maken.
Hoe leer je werken met AI-tools die op deep learning draaien?
Werken met AI-tools die op deep learning draaien leer je door te begrijpen wat zo’n tool doet en waar jouw controle begint. Voor verantwoord gebruik van ChatGPT, spraakherkenning of beeldherkenning bouw je geen neurale netwerken, maar ken je het verschil tussen een patroon en een feit.
LearnLLM behandelt die basis in de AI-geletterdheid cursus, met praktijkopdrachten op je eigen werk, afgesloten met een certificaat van afronding.
