Hoe leert AI eigenlijk? Machine learning zonder wiskunde

Iedereen gebruikt AI, bijna niemand weet hoe het leert. En de uitleg die je vindt maakt het erger. De ene helft verzuipt je in formules. De andere helft roept “het systeem leert zelf!”, alsof er een geest in de server woont.

Het kan simpeler. Ik kwam een reel tegen van rick.theengineer met één slim idee: zet de vijf klassieke algoritmes van machine learning op dezelfde grafiek. Dan zie je dat elk algoritme gewoon een andere vorm tekent. Een lijn, een bocht, wat hokjes. Dat idee werk ik hier uit in het Nederlands, met eigen voorbeelden en mét de echte vaktermen erbij. Want die termen kom je overal tegen; dan kun je ze maar beter kennen.

Wat is machine learning?

Machine learning is software die zijn regels niet krijgt voorgeschreven maar afleidt uit voorbeelden. Dat afleiden heet trainen. Je geeft het systeem duizend gevallen mét het juiste antwoord erbij, en het zoekt zelf het patroon. Dat gevonden patroon heet een model. Leren van voorgekauwde voorbeelden heet supervised learning, begeleid leren.

Meer jargon heb je voorlopig niet nodig. En dat gevonden patroon? Dat is bijna altijd een vorm die je kunt tekenen. Vijf stuks.

1. Lineaire regressie tekent een lijn

Je verkoopt taarten en wil weten wat een bruidstaart moet kosten. Zet je oude bestellingen op een grafiek: verdiepingen op de ene as, prijs op de andere. Lineaire regressie trekt de lijn die het dichtst bij al die punten ligt. Nieuwe bestelling van vier verdiepingen? Aflezen waar de lijn zit. Klaar.

Dit is het werkpaard achter elke voorspelling die een getal oplevert: levertijden, budgetten, bezoekersaantallen. Geen magie; een liniaal met ambitie.

2. Logistische regressie tekent een S-bocht

Soms wil je geen getal maar een kans. Zegt dit sportschoollid volgende maand op? Logistische regressie tekent een gestrekte S: onderaan de blijvers, bovenaan de vrijwel zekere opzeggers, in de bocht het spannende midden. Jij kiest een drempelwaarde; wie daarboven zit, krijgt een belletje.

Kiezen tussen categorieën heet classificatie. Elke keer dat een systeem iets bestempelt als “verdacht”, “risico” of “waarschijnlijk spam”: deze bocht.

3. Een beslisboom tekent hokjes

De beslisboom (decision tree) stelt gewoon vragen. Regent het? Nee. Warmer dan vijftien graden? Ja. Dan: terrasweer. Het mooie inzicht uit de reel: elke vraag is een snijlijn door je grafiek. Drie vragen verdelen het vlak in hokjes, en elk hokje krijgt een antwoord. De boom en de opgedeelde grafiek zijn hetzelfde ding, twee keer getekend.

Beslisbomen zijn geliefd bij banken en verzekeraars, om een simpele reden: je kunt de vragen voorlezen aan wie wil weten waarom hij werd afgewezen.

4. Een support vector machine tekent de breedste tussenruimte

Twee groepen uit elkaar houden, zeg appels en peren op gewicht en vorm. Er passen honderd scheidslijnen tussen die twee puntenwolken. De support vector machine (SVM) kiest de lijn met de breedste tussenruimte aan weerszijden; die ruimte heet de marge. Hoe breder de marge, hoe kleiner de kans dat een twijfelgeval verkeerd valt. Zoals een fietspad tussen twee sloten: je wil niet het smalste pad dat nét kan, je wil het breedste dat er past.

5. K-nearest neighbours tekent niks

De eigenwijze van het stel. K-nearest neighbours (KNN, letterlijk: de k dichtstbijzijnde buren) bouwt geen model. Komt er een nieuw geval binnen, dan zoekt het de vijf meest vergelijkbare gevallen uit het verleden en kopieert hun antwoord. Vier van je vijf smaakgenoten vonden deze film goed? Dan jij waarschijnlijk ook.

Lui en verrassend effectief, met één prijskaartje: zonder model moet het systeem bij elke vraag de hele kaartenbak door. Bij honderd klanten merk je dat niet. Bij vier miljoen wel.

Waar zit het “leren” dan precies?

In het trekken van de vorm, en nergens anders. Tijdens het trainen schuift het algoritme net zo lang met zijn lijn, bocht of snijlijnen tot de fout op de trainingsdata zo klein mogelijk is. Daarna staat de vorm vast en doet het model alleen nog voorspellingen: nieuw punt erin, aflezen, antwoord eruit.

Daarom is data het toverwoord in dit vak. De vorm kan nooit slimmer worden dan de voorbeelden waarop hij getrokken is. Voer je een model scheve voorbeelden, dan leert het scheve patronen, met een stalen gezicht. Onthoud die zin voor de volgende keer dat iemand “de AI heeft het besloten” zegt.

De samenvatting die blijft plakken

Lineaire regressie voorspelt een getal. Logistische regressie geeft een kans. De beslisboom beslist met vragen. De SVM trekt de eerlijkste grens. En KNN kijkt af bij de buren.

Vijf namen, vijf vormen. Daarmee heb je de AI die al twintig jaar om je heen draait, van je spamfilter tot je hypotheekcheck, in de kern te pakken. Geen tovenarij; strepen op een grafiek, getrokken door een machine met veel geduld en nul verbeelding.

Veelgestelde vragen

Wat is het verschil tussen AI, machine learning en deep learning?

Drie dozen in elkaar. AI is de grote doos: alles waarbij een computer iets doet dat slim oogt. Machine learning is de doos daarin: leren van voorbeelden, zoals hierboven. Deep learning is de kleinste doos: machine learning met neurale netwerken, systemen met miljoenen tot miljarden instelbare knopjes. Daar komen de gezichtsherkenning en de chatbots vandaan.

Leert ChatGPT of Claude ook zo?

Nee. Taalmodellen zijn deep learning op zijn grootst: neurale netwerken die uit bergen tekst leerden voorspellen welk woord waarschijnlijk volgt. Zelfs hun makers kunnen niet elke uitkomst herleiden. De vijf vormen hierboven verklaren de voorspellende AI die stilletjes overal in zit; voor de chatbots begin je bij mijn stuk over wat Claude is.

Moet ik dit snappen om AI te gebruiken?

Je moet niks. Maar wie ooit in een vergadering zat waar “het algoritme” als excuus of orakel werd opgevoerd, heeft nu een wapen: de vraag “welke vorm tekent het dan?”. Grote kans dat het stil wordt. Die stilte is leerzaam.

Waar komt dit vandaan?

Het idee van vijf vormen op één grafiek komt uit een reel van rick.theengineer, die er echte modellen voor doorrekende. De voorbeelden en de vertaling zijn van mij, inclusief de fouten.

Lees ook: Wat is Claude? Uitleg zonder toeters en AI-tools voor marketeers: je hebt er minder nodig dan je denkt.

Wil je dit soort stukken vaker lezen? Schrijf je in voor de nieuwsbrief.