Doorgaan naar inhoud

Nieuw: gratis e-mailcursus AI onder de knie in 7 dagen. Start vandaag

AI uitgelegd Starter

Wat is machine learning? Uitleg met alledaagse voorbeelden

Machine learning is de techniek waarmee computers leren van voorbeelden. Je ziet het in spamfilters, aanbevelingen en ChatGPT; hier lees je hoe het werkt.

Een persoon kijkt op een laptop naar patronen in data, bij uitleg over wat machine learning is

Wat is machine learning als je het gewoon in het dagelijks leven bekijkt? Je mailbox filtert spam zonder dat iemand jou ooit om regels vroeg, een streamingdienst doet aanbevelingen, en je telefoon corrigeert je typfout.

Niemand heeft al die regels één voor één geschreven. De computer heeft patronen afgeleid uit voorbeelden. Na dit artikel kun je machine learning in twee zinnen aan een collega uitleggen.

Wat is machine learning?

Machine learning is een manier om computers te laten leren van voorbeelden. Daardoor herkennen ze patronen en doen ze voorspellingen, zonder dat elke regel vooraf door een mens is geprogrammeerd.

Denk aan een kind dat leert wat een kat is. Je laat veel foto’s zien van katten. Na een tijdje herkent het kind ook een kat die het nog nooit eerder zag.

Dat is anders dan een lijst met vaste regels. Je zou kunnen zeggen: een kat heeft vier poten, snorharen en puntige oren. Maar dan gaat het al snel mis. Sommige katten liggen opgekruld, missen een poot of staan half buiten beeld.

Bij machine learning geef je dus voorbeelden. De computer zoekt daarin naar kenmerken die vaak samen voorkomen. Zo ontstaat een model.

Een model is geen mens en geen brein. Het is de uitkomst van het leerproces. Het model gebruikt wat het uit voorbeelden heeft gehaald om een nieuwe inschatting te maken.

Onderdeel Traditionele software Machine learning
Hoe komen de regels tot stand Een mens schrijft de regels vooraf uit. Het systeem leert patronen uit voorbeelden.
Wat heeft het nodig Duidelijke instructies en vaste stappen. Veel en goede voorbeelden.
Kan het raak missen Ja, als de regel niet past op de situatie. Ja, omdat het een voorspelling doet.
Voorbeeld Als een bedrag hoger is dan een grens, toon een melding. Herken of een mail waarschijnlijk spam is.

Machine learning wordt beschreven als een onderdeel van kunstmatige intelligentie waarbij een computer door te leren een taak steeds beter uitvoert, volgens Toolshero. Het belangrijke woord is hier: leren. Niet zoals een mens leert, maar door patronen te vinden in data.

Hoe leert een computer van voorbeelden?

Een computer leert door veel voorbeelden te krijgen, daarin patronen te zoeken, het resultaat te testen en het daarna te gebruiken op nieuwe voorbeelden. De uitkomst blijft een voorspelling, geen zekerheid.

Het proces klinkt ingewikkelder dan het is. In gewone taal bestaat het uit drie stappen.

  1. Data verzamelen. Je verzamelt voorbeelden. Voor een spamfilter zijn dat bijvoorbeeld mails die wel of geen spam zijn.
  2. Trainen. Het systeem zoekt verschillen en overeenkomsten. Het kijkt bijvoorbeeld naar woorden, afzenders en links.
  3. Testen en gebruiken. Je kijkt of het model ook goede keuzes maakt bij nieuwe voorbeelden die het nog niet kende.

De kwaliteit van de voorbeelden is belangrijk. Als de voorbeelden rommelig, fout of eenzijdig zijn, leert het model verkeerde patronen. Dan lijkt de uitkomst netjes, maar kan die toch verkeerd zijn.

Een model weet ook niet zeker of iets klopt. Het geeft een kansrijke uitkomst. Dat is nuttig bij snelle keuzes, maar riskant als je het als waarheid behandelt.

Daarom is controle nodig bij belangrijke beslissingen. Denk aan werk, geld, zorg, sollicitaties of krediet. Zorg dat een mens kan meekijken en ingrijpen.

Welke soorten machine learning zijn er?

Er zijn grofweg drie soorten machine learning: leren met voorbeelden waarbij het goede antwoord bekend is, leren zonder antwoorden, en leren door beloning en straf. De Engelse vakwoorden bestaan, maar je hoeft ze niet te onthouden om het idee te snappen.

De eerste soort is leren met het goede antwoord erbij. Dit heet supervised learning. Een spamfilter krijgt bijvoorbeeld mails te zien die mensen als spam hebben gemarkeerd, en mails die juist gewone mail zijn.

De tweede soort is leren zonder vooraf gegeven antwoorden. Dit heet unsupervised learning. Een systeem kan bijvoorbeeld klanten groeperen op koopgedrag, zonder dat iemand vooraf zegt welke groep welke naam moet krijgen.

De derde soort is leren door beloning en straf. Dit heet reinforcement learning. Een systeem leert bijvoorbeeld een spel door zetten te proberen en te merken of winnen of verliezen dichterbij komt.

Soort In gewone taal Alledaags voorbeeld
Leren met antwoorden Het systeem ziet voorbeelden met het juiste label. Spam herkennen in je mail.
Leren zonder antwoorden Het systeem zoekt zelf groepen of patronen. Klanten groeperen op koopgedrag.
Leren door beloning Het systeem probeert acties en leert van succes of mislukking. Een systeem dat een spel leert door winnen en verliezen.

In de praktijk kunnen tools meerdere technieken combineren. Voor jou als gebruiker is vooral belangrijk wat de tool doet, welke data zijn gebruikt en hoe fouten worden gecontroleerd.

Waar kom je machine learning elke dag tegen?

Je komt machine learning tegen in spamfilters, aanbevelingen, spraakherkenning, navigatie, fraudedetectie bij banken en fotoapps. Vaak merk je het niet eens, omdat het gewoon in een bestaande app zit.

Een bekend voorbeeld is je mailprogramma. Veel mailprogramma’s kunnen berichten in je inbox of map Ongewenst plaatsen. We hoeven niet te weten hoe elk bedrijf dit precies technisch doet om het algemene idee te begrijpen: het systeem gebruikt patronen om spam te herkennen.

  • Spamfilters. Je mailprogramma schat in of een bericht reclame, oplichting of gewone mail is.
  • Aanbevelingen. Streamingdiensten doen suggesties op basis van wat je eerder keek of luisterde.
  • Tikfouten op je telefoon. Je telefoon stelt verbeteringen voor als je een woord verkeerd typt.
  • Navigatie. Routeplanners gebruiken patronen en actuele informatie om een route voor te stellen.
  • Fraude-alarm bij je bank. Een bank kan opvallend betaalgedrag signaleren en extra controle vragen.
  • Fotoapps. Een fotoapp kan gezichten, dieren of plekken groeperen.

Machine learning is dus niet alleen iets van nieuwe AI-chatbots. Het zit al jaren in gewone digitale diensten. Vaak is het onzichtbaar, totdat het een fout maakt.

Die fout kan klein zijn, zoals een vreemde muziektip. Maar soms is de fout vervelend, bijvoorbeeld als een echte klantmail in de map Ongewenst belandt.

Wat is het verschil tussen machine learning en AI of ChatGPT?

AI is de overkoepelende term, machine learning is een manier om AI te maken, en ChatGPT is een taalmodel dat met machine learning is getraind. Je kunt het zien als cirkels die in elkaar passen.

De grootste cirkel is AI. Wil je de brede basis weten, lees dan Wat is AI. Daarbinnen valt machine learning: systemen die leren uit voorbeelden.

Daarbinnen vallen ook vormen van generatieve AI. Dat is AI die nieuwe tekst, beelden of andere inhoud kan maken. ChatGPT is een voorbeeld van een taalmodel.

Maar machine learning is breder dan ChatGPT. Een spamfilter, routeplanner of fraudemelding kan ook machine learning gebruiken. Die maken niet per se lange teksten, maar doen wel voorspellingen.

Er bestaat ook AI met vaste regels. Daarbij leert het systeem niet uit voorbeelden, maar volgt het vooraf ingestelde regels. Dat kan bruikbaar zijn als de situatie simpel en goed te omschrijven is.

De korte uitleg is dus: AI is het grote vakgebied. Machine learning is een belangrijke manier om AI te bouwen. ChatGPT is één bekende toepassing binnen dat grotere geheel.

Wat zijn de risico’s en beperkingen van machine learning?

Een model kan fouten maken en oneerlijk uitpakken als de trainingsdata eenzijdig of fout is. De uitkomst is een kans, geen waarheid.

Een risico is bias. Dat betekent dat een systeem scheve of oneerlijke patronen overneemt. Stel dat sollicitatiesoftware leert van een eenzijdig verleden, dan kan het oude keuzes herhalen in plaats van eerlijk te beoordelen.

Een ander risico is dat mensen te veel vertrouwen hebben in de computer. Omdat een advies er netjes uitziet, lijkt het snel betrouwbaar. Toch kan het model iets missen, verkeerd interpreteren of te zeker overkomen.

Bij tekst-AI kan dit ook leiden tot verzonnen of foute antwoorden. Lees daarover meer bij AI-fouten en hallucinaties. De les is hetzelfde: controleren blijft nodig.

Er speelt ook privacy. De AVG geldt zodra persoonsgegevens worden gebruikt om modellen te trainen of te gebruiken. Persoonsgegevens zijn gegevens die direct of indirect over een persoon gaan.

Daarnaast is er de Europese AI-verordening. Die omschrijft een AI-systeem als een op machines gebaseerd systeem dat met verschillende niveaus van autonomie werkt en uit input afleidt hoe het uitvoer zoals voorspellingen, content, aanbevelingen of beslissingen genereert, volgens de uitleg van Orrick en de officiële tekst bij EUR-Lex.

Voor werknemers en ondernemers is de hoofdregel simpel. Als een tool iets beslist over mensen, geld of kansen, moet je extra kritisch zijn. Vraag hoe fouten worden ontdekt en wie uiteindelijk verantwoordelijk is.

Wat kun je er als werknemer of ondernemer mee?

Je hoeft machine learning niet zelf te bouwen om het goed te gebruiken. Wel helpt het als je herkent waar het in zit en welke vragen je moet stellen.

Gebruik deze afvinklijst als je een nieuwe tool bekijkt. Dat kan gaan om een mailtool, boekhoudpakket, advertentieplatform of AI-assistent.

  • Waarmee is het getraind? Vraag welke soort voorbeelden zijn gebruikt.
  • Gebruikt de aanbieder mijn gegevens om te trainen? Vraag ook of je dat kunt uitzetten.
  • Hoe nauwkeurig is het? Vraag wie fouten controleert en wat er gebeurt als het misgaat.
  • Maakt het besluiten over mensen? Denk aan solliciteren of krediet. Regel dan menselijke controle.
  • Waar staat de data? Vraag of de gegevens in de EU staan of daarbuiten.

Voor gebruik hoef je meestal niet te programmeren. Voor zelf bouwen is technische kennis wel nodig. Maar in veel gevallen gebruik je kant-en-klare tools die het werk al doen.

Wat is machine learning in de praktijk?

Een spamfilter laat goed zien wat machine learning in de praktijk doet. Het leert van veel eerdere mails en gebruikt die ervaring om nieuwe mails in te schatten.

Stel: een Nederlandse webwinkelier is zzp’er en heeft een kleine webshop in kleding. Ze vraagt zich af waarom haar mailprogramma sommige berichten automatisch in Ongewenst zet.

  1. Het spamfilter heeft miljoenen mails gezien die mensen als spam markeerden.
  2. Het leert signalen herkennen, zoals afzenders, woorden en links.
  3. Als zij op Dit is spam klikt, kan dat een nieuw voorbeeld zijn.
  4. Het filter kan daardoor beter worden voor haar situatie.
  5. Toch kan het een echte klantmail missen, dus ze controleert de map Ongewenst één keer per week.

Dit voorbeeld laat meteen de kracht en de beperking zien. Het filter neemt haar werk uit handen, maar het is niet foutloos. Daarom blijft een korte controle verstandig.

Wil je dit zelf laten uitleggen door een AI-chatbot zoals ChatGPT of Claude? Gebruik dan deze oefenprompt.

Het verwachte resultaat is een korte uitleg in simpele taal. Als het goed is, stelt de chatbot aan het eind ook een vraag terug om te checken of je het begrijpt.

Veelgemaakte fouten over wat is machine learning

De grootste fout is denken dat machine learning hetzelfde is als menselijk begrip. Het kan nuttig zijn, maar het begrijpt de wereld niet zoals een mens.

  1. Denken dat machine learning hetzelfde is als ChatGPT. ChatGPT is één toepassing. Er is ook machine learning in spamfilters en routeplanners.
  2. Denken dat een computer begrijpt of nadenkt zoals een mens. Een model herkent patronen uit data en voorspelt. Het heeft geen menselijk begrip.
  3. Denken dat de uitkomst altijd klopt omdat die van een computer komt. Behandel de uitkomst als een voorspelling. Controleer bij belangrijke zaken.
  4. Denken dat het model altijd blijft leren van jouw gebruik. Veel modellen leren niet live bij. Check de instellingen van de aanbieder over gebruik van jouw gegevens voor training.
  5. Denken dat je ervoor moet kunnen programmeren. Voor gebruik is dat niet nodig. Voor bouwen wel, maar kant-en-klare tools doen vaak het werk.

Een goede houding is dus nuchter. Gebruik machine learning waar het helpt, maar blijf vragen stellen. Zeker als de uitkomst gevolgen heeft voor mensen.

Veelgestelde vragen

Hier vind je korte antwoorden op vragen die vaak opkomen als je net begint met machine learning.

Is machine learning hetzelfde als AI?

Nee. Machine learning is een manier om AI te maken. AI is de bredere term voor systemen die taken uitvoeren die normaal om menselijke beoordeling vragen.

Is ChatGPT machine learning?

Ja. ChatGPT is een taalmodel dat met machine learning is getraind. Het is dus een voorbeeld van machine learning, maar niet het hele vakgebied.

Heb ik machine learning nodig in mijn bedrijf?

Je gebruikt het waarschijnlijk al in tools zoals mailfilters. Zelf bouwen is meestal niet nodig, maar je moet wel weten welke vragen je aan leveranciers stelt.

Leert machine learning van mijn gegevens?

Dat hangt af van de tool en de instellingen. Controleer bij de aanbieder of jouw gegevens worden gebruikt om te trainen en of je dat kunt uitzetten.

Moet ik kunnen programmeren?

Nee, om machine learning te gebruiken hoef je meestal niet te programmeren. Voor zelf bouwen is technische kennis wel nodig.

De volgende stap is begrijpen hoe machine learning leidt tot chatbots zoals ChatGPT. Lees daarom Wat is een taalmodel en probeer de oefenprompt hierboven om het zelf in simpele woorden te laten uitleggen.

Was dit artikel nuttig?

Lezersvraag van de week

Zit je met een AI-vraag?

Stel hem hier. Elke week beantwoorden we de beste vraag in een artikel. Laat je e-mailadres achter, dan laten we het je weten als jouw vraag aan de beurt is.

We gebruiken je e-mailadres alleen om je te laten weten dat je vraag beantwoord is. Je vraag kan anoniem in een artikel verschijnen.

Elke vrijdag in je mailbox

De AI-update van de week, in 5 minuten

Het belangrijkste AI-nieuws in gewone taal, plus een prompt die je direct kunt gebruiken.

Cadeau bij je aanmelding: de pdf 50 prompts voor je werk, direct te downloaden.