Samenvatting
AI voor Iedereen
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 1
,AI voor Iedereen — Samenvatting
1. Geschiedenis van AI
Wat is AI? Twee definities en het AI-effect
De klassieke definitie (Marvin Minsky, 1968): AI is de wetenschap om machines dingen te laten doen die
intelligentie vereisen wanneer een mens ze doet. Intuïtief (een gedicht schrijven, een ziekte diagnosticeren, een
auto besturen voelt intelligent), maar er zit een fundamenteel probleem in: de definitie is relatief en verschuift met
de tijd. Dit heet de verschuivende doelpaal (moving goalpost) of het AI-effect: zodra een computer iets kan wat
we eerst 'intelligent' noemden – rekenen, zoekresultaten vinden, schaken, Go, gesprekken voeren –
herbestempelen we het als 'gewoon een computertaak'. Deep Blue, AlphaGo en ChatGPT verschoven die grens
telkens opnieuw.
Daarom hanteert de cursus een stabielere onderzoeksdefinitie (uit het standaardwerk Artificial Intelligence: A
Modern Approach): AI is de studie van agenten die waarnemingen doen in hun omgeving en op basis daarvan
rationeel handelen – de best mogelijke acties ondernemen om hun doelen te bereiken. Drie bewust brede
elementen:
■
Omgeving: een echte fysieke wereld, maar evengoed een computeromgeving, een databank of een puzzel.
■
Waarneming: visuele input, tekst, sensordata, gebruikersinvoer…
■
Actie: een beweging, tekst genereren, een foto classificeren, een afbeelding produceren, een beslissing
nemen…
De EU AI Act (2024) gaf een juridische variant van net diezelfde agent-definitie: een machinaal systeem dat met
enige autonomie uit input afleidt hoe het output (voorspellingen, inhoud, aanbevelingen, beslissingen) genereert.
Het accent ligt dus op gedrag en mogelijkheden, niet op onze perceptie of op het woord 'intelligent'.
De drie golven van AI
AI is geen één techniek maar een verzameling benaderingen, die je historisch in drie grote golven kan ordenen.
Belangrijk: deze indeling is meteen de ruggengraat van de hele cursus.
■
Symbolische AI (1950–1980) – systemen die symbolen en regels gebruiken: logica, planning, expertsystemen.
Voorbeelden: kortste paden zoeken in een netwerk (GPS in een game), lessenroosters die alle beperkingen
respecteren, planningssystemen die logische stappen uitdenken van situatie A naar B, en schaakcomputers die
posities volgens voorgeprogrammeerde regels evalueren. Focus: kennis expliciet programmeren.
■
Statistische modellen (1980–2010) – probabilistische (kans)modellen die onzekerheid beter aankunnen dan
harde regels. Voorbeelden: medische diagnose met Bayesiaanse netwerken, spraakherkenning met
Markov-modellen (sequenties en tijdreeksen), classificatie met een betrouwbaarheid via naïeve Bayes.
■
Neurale netwerken / deep learning (2010–nu) – connectionistische modellen die patronen leren uit enorme
datasets. Het idee stamt al uit de jaren 1940, maar werd pas dominant door efficiëntere hardware (GPU's) en
grote datasets. Voorbeelden: deep learning voor complexe patronen, CNN's voor beeld, transformermodellen
zoals ChatGPT voor taal.
■ Een veelverwarde nesting: AI ⊃ ML ⊃ deep learning
Deze drie zijn geneste verzamelingen, en de richting is precies omgekeerd aan wat veel mensen zeggen.
Machine learning is een deelveld van AI, en deep learning is op zijn beurt een deelveld van machine
learning (deep learning = ML met diepe neurale netwerken). Het is dus fout te zeggen dat ML een deelveld van
deep learning zou zijn.
Machine learning vs. traditionele programmering
Het kernverschil bepaalt waarom ML zo krachtig is. Bij traditionele programmering geef je de computer de invoer
én de regels, en die levert de antwoorden. Bij machine learning draai je dat om: je geeft de computer voorbeelden
van invoer mét de bijbehorende antwoorden, en het systeem leert zelf de regels. Die geleerde regels heten een
model (of functie f); daarmee genereert het systeem nadien voor nieuwe invoer zelf de juiste antwoorden.
Formeel leert ML een functie f(invoer) → antwoorden, waarbij f de juiste output zo goed mogelijk benadert. Het
leerproces minimaliseert daarbij een verliesfunctie (loss function): een maat voor hoe 'fout' de voorspellingen op je
dataset zijn. ML is daardoor in essentie een vorm van automatisch programmeren: de computer schrijft zelf het
programma op basis van de data die je aanlevert. Dat is nodig omdat het voor veel taken (objecten in foto's
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 2
,AI voor Iedereen — Samenvatting
herkennen) praktisch onmogelijk is om met de hand expliciete regels te schrijven – de relevante patronen (vormen,
texturen, contouren) zijn te complex om uit te typen.
Tijdlijn van de belangrijkste mijlpalen
1950 – Turingtest. Alan Turing verving de filosofische vraag 'kunnen machines denken?' (waarbij 'machine' en
'denken' te vaag zijn) door een praktische test. Een ondervrager stelt via geschreven tekst vragen aan een
verborgen gesprekspartner – een mens of een machine – en moet raden wie wie is. De communicatie verloopt
bewust via tekst zodat enkel het taalgebruik getest wordt, niet uiterlijk of stem; anders zou de machine die ook
moeten nabootsen, wat niet de kern is. Je meet 'intelligentie' aan hoe vaak de ondervrager de machine voor een
mens aanziet.
1954 – Georgetown–IBM. Een vroeg vertaalsysteem zette met ~250 woorden en zes grammaticaregels Russische
zinnen om naar het Engels – vertalen als een soort ontcijfering. 1955 – Dartmouth. De term 'Artificial Intelligence'
ontstaat in het voorstel van McCarthy, Minsky, Rochester en Shannon, met de ambitieuze hypothese dat elk aspect
van leren en intelligentie zó precies beschreven kan worden dat een machine het kan simuleren. 1958 –
Perceptron (Rosenblatt): een vroege neurale-netwerkvorm, geïnspireerd op het neuronmodel van McCulloch &
Pitts (1943), die eenvoudige patronen zoals letters kon onderscheiden.
1964–66 – ELIZA (Weizenbaum): de eerste chatbot, een regelgebaseerd systeem dat woorden in je bericht herkent
en delen van je zin parafraseert binnen vaste patronen (zeg je 'I am a student', dan antwoordt ze 'Do you enjoy
being a student?'). Ondanks de eenvoud kregen mensen het gevoel met een echt persoon te praten – het
ELIZA-effect (antropomorfisme: menselijke eigenschappen toeschrijven aan niet-menselijke entiteiten), iets wat we
ook bij moderne chatbots zien. 1966 – Shakey: de eerste robot die redeneren en fysiek handelen combineerde
(computervisie + planning), de basis voor latere zoek- en planningsalgoritmen.
1974–1980 – eerste AI-winter. De vroege beloftes bleken te optimistisch; computers waren traag, het geheugen
beperkt, en veel problemen exponentieel moeilijker dan verwacht. Na het kritische Lighthill-rapport (1973) droogde
de financiering op. 1980 – expertsystemen brachten AI even terug (domeinkennis in regels), maar bleken duur in
onderhoud en rigide → een tweede AI-winter rond 1987. 1986 – backpropagatie (Rumelhart, Hinton, Williams)
maakte het efficiënt trainen van meerlaagse netwerken mogelijk – cruciaal voor latere diepe netwerken. 1997 –
Deep Blue verslaat schaakwereldkampioen Kasparov.
2012 – AlexNet wint de ImageNet-competitie met een grote voorsprong dankzij deep learning – het startschot van
de deep-learningrevolutie. 2016 – AlphaGo (DeepMind) verslaat een topspeler in Go; omdat Go meer mogelijke
posities heeft dan er atomen in het heelal zijn, kon dit niet met brute kracht en moest het systeem een soort intuïtie
ontwikkelen. 2017 – transformers ('Attention is All You Need') maakten het mogelijk om efficiënt met lange
tekstsequenties te werken en op het hele internet te trainen. 2022 – ChatGPT: de eerste krachtige AI voor het brede
publiek via een eenvoudige chatinterface; binnen vijf dagen één miljoen gebruikers, de snelst groeiende
consumenten-app ooit.
AI-zomers, AI-winters & de hypecyclus
AI verloopt in cycli van overdreven optimisme (AI-zomers) gevolgd door ontgoocheling en stagnatie (AI-winters).
Na elke grote doorbraak (Dartmouth, expertsystemen, deep learning) volgden overdreven verwachtingen; werden
die niet ingelost, dan droogde de financiering op. Dit past in de Gartner-hypecyclus, een algemeen model voor
technologie-adoptie met vijf fasen:
1 Technologietrigger: een doorbraak krijgt eerste media-aandacht; nog weinig bruikbare producten, maar het
potentieel lijkt enorm.
2 Piek van overdreven verwachtingen: enthousiasme en speculatie leiden tot onrealistische verwachtingen;
succesverhalen domineren, maar veel projecten falen.
3 Dal van desillusie: de technologie lost de hype niet in; media-interesse daalt, financiering droogt op.
4 Helling van verlichting: praktische, realistische toepassingen worden duidelijk en de technologie wordt verfijnd.
5 Plateau van productiviteit: de technologie wordt mainstream en levert echte waarde.
Cruciale nuance: de curve beschrijft de verwachtingen van de maatschappij, niet de werkelijke waarde van de
technologie. Een technologie kan dus reële waarde hebben terwijl de publieke interesse in het 'dal van desillusie' zit.
Generatieve AI bevindt zich nu rond of net voorbij de piek van overdreven verwachtingen; als de geschiedenis iets
leert, volgt waarschijnlijk een correctie, maar daarna komen vaak bruikbare toepassingen tot stand. De gezonde
houding: AI volgen met een kritische maar open blik – niet blind in de hype geloven, maar ook niet cynisch alle
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 3
, AI voor Iedereen — Samenvatting
vooruitgang afwijzen.
2. Dimensies van AI
■ Staat op het formularium — de vijf dimensies, de feedbackvormen en de vijf scholen staan in de dimensietabel van
het formularium
Om elk AI-systeem te kunnen plaatsen en begrijpen, stel je vijf vragen. Elke vraag is één dimensie. De eerste vier
bepalen ook de volgorde van de cursus.
■
Modaliteit – welk soort data verwerkt het systeem? Tekst, beeld, geluid, tabellen, getallen, sensordata. Dit
bepaalt de voorbewerking en de geschikte architectuur.
■
Denksysteem – redeneren of leren? Volgt het systeem begrijpbare logische regels, of past het zich aan via
patroonherkenning?
■
Feedbackvorm – hoe leert het (enkel relevant bij machinaal leren): gesuperviseerd, ongesuperviseerd of
versterkend?
■
Mechanisme – welke onderliggende benadering (welke van de vijf scholen): logica, neurale netwerken,
kansrekening, gelijkenis of evolutie?
■
Doel – analytisch (bestaande data beoordelen/voorspellen) of generatief (nieuwe inhoud creëren)?
Denksysteem: redeneren vs. leren (de twee systemen van Kahneman)
De psycholoog Daniel Kahneman beschrijft twee denksystemen, en die tweedeling zie je terug in AI. Systeem 1 is
snel, automatisch en intuïtief, op basis van ervaring en patroonherkenning (een gezicht herkennen, een bal vangen)
– maar maakt soms fouten en kan moeilijk uitleggen waarom. Systeem 2 is bewust, traag, analytisch en precies, op
basis van regels en logica (17×24 uitrekenen, een route plannen) – preciezer, maar trager en duurder qua moeite.
In AI gedragen leeralgoritmen (machinaal leren, vooral neurale netwerken) zich als Systeem 1: ze herkennen
bliksemsnel patronen in beelden, spraak en tekst, maar kunnen niet uitleggen hóé. Redeneeralgoritmen
(symbolische AI) lijken op Systeem 2: systematisch en verklaarbaar, stap voor stap. Wanneer kies je wat? Bij
situaties die harde garanties vereisen, gebruik je expliciete regels – je wil niet dat een zelfrijdende auto pas na
duizenden uren beeld 'leert' te stoppen voor rood; dat leg je vast als regel ('als verkeerslicht rood, dan stoppen').
Lerende systemen blinken net uit waar regels onbegonnen werk zijn: handgeschreven cijfers herkennen lukt niet
met if-then-regels, maar wel door voorbeelden te tonen; het ontdekt impliciete patronen en gaat goed om met ruis.
De drie feedbackvormen van machinaal leren
■ Staat op het formularium — tabel gesuperviseerd / ongesuperviseerd / versterkend
Machinaal leren draait in de kern om functieleren: een functie leren die input afbeeldt op een bruikbare output. De
drie vormen verschillen enkel in de feedback die het algoritme krijgt.
Gesuperviseerd leren is leren 'met een leraar': het model krijgt een trainingsset van paren (input, gekend
antwoord) – bijvoorbeeld (foto, 'kat') of (e-mail, 'spam') – en leert een functie f(x) ≈ y. Een verliesfunctie meet hoe
ver de voorspelling van het echte antwoord ligt. Er zijn twee hoofdtypen: classificatie (een discrete categorie
voorspellen: goedaardig/kwaadaardig, welk cijfer 0–9, spam/geen-spam) en regressie (een continue waarde:
verkoopprijs van een huis, temperatuur morgen). De keerzijde: het labelen van data is duur en tijdrovend – voor
medische beelden moet een radioloog duizenden scans annoteren, voor zelfrijdende auto's moet elk object in elk
frame gelabeld worden. Dat is precies waarom ongesuperviseerd leren ook bestaat.
Ongesuperviseerd leren werkt 'zonder leraar': er zijn geen labels, en het systeem ontdekt zelf structuur. Vergelijk
het met een jeugdleider die kinderen in groepjes wil zetten op interesse, zonder vooraf te weten welke indeling 'juist'
is. Je hebt enkel de kenmerken (x), geen outputs (y). Typische toepassingen: marktsegmentatie (klanten
groeperen op koopgedrag), anomaliedetectie (afwijkende patronen in netwerkverkeer, banktransacties,
machinesensoren) en datacompressie (leren welke patronen vaak voorkomen om data efficiënter op te slaan).
Versterkend leren (reinforcement learning, RL) leert via beloningen en straffen over reeksen acties. Het systeem
leert een strategie (policy) π(s) → a die voor elke toestand s de beste actie kiest, om de totale toekomstige beloning
te maximaliseren. Bij schaken: +1 voor winst, −1 voor verlies.
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 4
AI voor Iedereen
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 1
,AI voor Iedereen — Samenvatting
1. Geschiedenis van AI
Wat is AI? Twee definities en het AI-effect
De klassieke definitie (Marvin Minsky, 1968): AI is de wetenschap om machines dingen te laten doen die
intelligentie vereisen wanneer een mens ze doet. Intuïtief (een gedicht schrijven, een ziekte diagnosticeren, een
auto besturen voelt intelligent), maar er zit een fundamenteel probleem in: de definitie is relatief en verschuift met
de tijd. Dit heet de verschuivende doelpaal (moving goalpost) of het AI-effect: zodra een computer iets kan wat
we eerst 'intelligent' noemden – rekenen, zoekresultaten vinden, schaken, Go, gesprekken voeren –
herbestempelen we het als 'gewoon een computertaak'. Deep Blue, AlphaGo en ChatGPT verschoven die grens
telkens opnieuw.
Daarom hanteert de cursus een stabielere onderzoeksdefinitie (uit het standaardwerk Artificial Intelligence: A
Modern Approach): AI is de studie van agenten die waarnemingen doen in hun omgeving en op basis daarvan
rationeel handelen – de best mogelijke acties ondernemen om hun doelen te bereiken. Drie bewust brede
elementen:
■
Omgeving: een echte fysieke wereld, maar evengoed een computeromgeving, een databank of een puzzel.
■
Waarneming: visuele input, tekst, sensordata, gebruikersinvoer…
■
Actie: een beweging, tekst genereren, een foto classificeren, een afbeelding produceren, een beslissing
nemen…
De EU AI Act (2024) gaf een juridische variant van net diezelfde agent-definitie: een machinaal systeem dat met
enige autonomie uit input afleidt hoe het output (voorspellingen, inhoud, aanbevelingen, beslissingen) genereert.
Het accent ligt dus op gedrag en mogelijkheden, niet op onze perceptie of op het woord 'intelligent'.
De drie golven van AI
AI is geen één techniek maar een verzameling benaderingen, die je historisch in drie grote golven kan ordenen.
Belangrijk: deze indeling is meteen de ruggengraat van de hele cursus.
■
Symbolische AI (1950–1980) – systemen die symbolen en regels gebruiken: logica, planning, expertsystemen.
Voorbeelden: kortste paden zoeken in een netwerk (GPS in een game), lessenroosters die alle beperkingen
respecteren, planningssystemen die logische stappen uitdenken van situatie A naar B, en schaakcomputers die
posities volgens voorgeprogrammeerde regels evalueren. Focus: kennis expliciet programmeren.
■
Statistische modellen (1980–2010) – probabilistische (kans)modellen die onzekerheid beter aankunnen dan
harde regels. Voorbeelden: medische diagnose met Bayesiaanse netwerken, spraakherkenning met
Markov-modellen (sequenties en tijdreeksen), classificatie met een betrouwbaarheid via naïeve Bayes.
■
Neurale netwerken / deep learning (2010–nu) – connectionistische modellen die patronen leren uit enorme
datasets. Het idee stamt al uit de jaren 1940, maar werd pas dominant door efficiëntere hardware (GPU's) en
grote datasets. Voorbeelden: deep learning voor complexe patronen, CNN's voor beeld, transformermodellen
zoals ChatGPT voor taal.
■ Een veelverwarde nesting: AI ⊃ ML ⊃ deep learning
Deze drie zijn geneste verzamelingen, en de richting is precies omgekeerd aan wat veel mensen zeggen.
Machine learning is een deelveld van AI, en deep learning is op zijn beurt een deelveld van machine
learning (deep learning = ML met diepe neurale netwerken). Het is dus fout te zeggen dat ML een deelveld van
deep learning zou zijn.
Machine learning vs. traditionele programmering
Het kernverschil bepaalt waarom ML zo krachtig is. Bij traditionele programmering geef je de computer de invoer
én de regels, en die levert de antwoorden. Bij machine learning draai je dat om: je geeft de computer voorbeelden
van invoer mét de bijbehorende antwoorden, en het systeem leert zelf de regels. Die geleerde regels heten een
model (of functie f); daarmee genereert het systeem nadien voor nieuwe invoer zelf de juiste antwoorden.
Formeel leert ML een functie f(invoer) → antwoorden, waarbij f de juiste output zo goed mogelijk benadert. Het
leerproces minimaliseert daarbij een verliesfunctie (loss function): een maat voor hoe 'fout' de voorspellingen op je
dataset zijn. ML is daardoor in essentie een vorm van automatisch programmeren: de computer schrijft zelf het
programma op basis van de data die je aanlevert. Dat is nodig omdat het voor veel taken (objecten in foto's
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 2
,AI voor Iedereen — Samenvatting
herkennen) praktisch onmogelijk is om met de hand expliciete regels te schrijven – de relevante patronen (vormen,
texturen, contouren) zijn te complex om uit te typen.
Tijdlijn van de belangrijkste mijlpalen
1950 – Turingtest. Alan Turing verving de filosofische vraag 'kunnen machines denken?' (waarbij 'machine' en
'denken' te vaag zijn) door een praktische test. Een ondervrager stelt via geschreven tekst vragen aan een
verborgen gesprekspartner – een mens of een machine – en moet raden wie wie is. De communicatie verloopt
bewust via tekst zodat enkel het taalgebruik getest wordt, niet uiterlijk of stem; anders zou de machine die ook
moeten nabootsen, wat niet de kern is. Je meet 'intelligentie' aan hoe vaak de ondervrager de machine voor een
mens aanziet.
1954 – Georgetown–IBM. Een vroeg vertaalsysteem zette met ~250 woorden en zes grammaticaregels Russische
zinnen om naar het Engels – vertalen als een soort ontcijfering. 1955 – Dartmouth. De term 'Artificial Intelligence'
ontstaat in het voorstel van McCarthy, Minsky, Rochester en Shannon, met de ambitieuze hypothese dat elk aspect
van leren en intelligentie zó precies beschreven kan worden dat een machine het kan simuleren. 1958 –
Perceptron (Rosenblatt): een vroege neurale-netwerkvorm, geïnspireerd op het neuronmodel van McCulloch &
Pitts (1943), die eenvoudige patronen zoals letters kon onderscheiden.
1964–66 – ELIZA (Weizenbaum): de eerste chatbot, een regelgebaseerd systeem dat woorden in je bericht herkent
en delen van je zin parafraseert binnen vaste patronen (zeg je 'I am a student', dan antwoordt ze 'Do you enjoy
being a student?'). Ondanks de eenvoud kregen mensen het gevoel met een echt persoon te praten – het
ELIZA-effect (antropomorfisme: menselijke eigenschappen toeschrijven aan niet-menselijke entiteiten), iets wat we
ook bij moderne chatbots zien. 1966 – Shakey: de eerste robot die redeneren en fysiek handelen combineerde
(computervisie + planning), de basis voor latere zoek- en planningsalgoritmen.
1974–1980 – eerste AI-winter. De vroege beloftes bleken te optimistisch; computers waren traag, het geheugen
beperkt, en veel problemen exponentieel moeilijker dan verwacht. Na het kritische Lighthill-rapport (1973) droogde
de financiering op. 1980 – expertsystemen brachten AI even terug (domeinkennis in regels), maar bleken duur in
onderhoud en rigide → een tweede AI-winter rond 1987. 1986 – backpropagatie (Rumelhart, Hinton, Williams)
maakte het efficiënt trainen van meerlaagse netwerken mogelijk – cruciaal voor latere diepe netwerken. 1997 –
Deep Blue verslaat schaakwereldkampioen Kasparov.
2012 – AlexNet wint de ImageNet-competitie met een grote voorsprong dankzij deep learning – het startschot van
de deep-learningrevolutie. 2016 – AlphaGo (DeepMind) verslaat een topspeler in Go; omdat Go meer mogelijke
posities heeft dan er atomen in het heelal zijn, kon dit niet met brute kracht en moest het systeem een soort intuïtie
ontwikkelen. 2017 – transformers ('Attention is All You Need') maakten het mogelijk om efficiënt met lange
tekstsequenties te werken en op het hele internet te trainen. 2022 – ChatGPT: de eerste krachtige AI voor het brede
publiek via een eenvoudige chatinterface; binnen vijf dagen één miljoen gebruikers, de snelst groeiende
consumenten-app ooit.
AI-zomers, AI-winters & de hypecyclus
AI verloopt in cycli van overdreven optimisme (AI-zomers) gevolgd door ontgoocheling en stagnatie (AI-winters).
Na elke grote doorbraak (Dartmouth, expertsystemen, deep learning) volgden overdreven verwachtingen; werden
die niet ingelost, dan droogde de financiering op. Dit past in de Gartner-hypecyclus, een algemeen model voor
technologie-adoptie met vijf fasen:
1 Technologietrigger: een doorbraak krijgt eerste media-aandacht; nog weinig bruikbare producten, maar het
potentieel lijkt enorm.
2 Piek van overdreven verwachtingen: enthousiasme en speculatie leiden tot onrealistische verwachtingen;
succesverhalen domineren, maar veel projecten falen.
3 Dal van desillusie: de technologie lost de hype niet in; media-interesse daalt, financiering droogt op.
4 Helling van verlichting: praktische, realistische toepassingen worden duidelijk en de technologie wordt verfijnd.
5 Plateau van productiviteit: de technologie wordt mainstream en levert echte waarde.
Cruciale nuance: de curve beschrijft de verwachtingen van de maatschappij, niet de werkelijke waarde van de
technologie. Een technologie kan dus reële waarde hebben terwijl de publieke interesse in het 'dal van desillusie' zit.
Generatieve AI bevindt zich nu rond of net voorbij de piek van overdreven verwachtingen; als de geschiedenis iets
leert, volgt waarschijnlijk een correctie, maar daarna komen vaak bruikbare toepassingen tot stand. De gezonde
houding: AI volgen met een kritische maar open blik – niet blind in de hype geloven, maar ook niet cynisch alle
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 3
, AI voor Iedereen — Samenvatting
vooruitgang afwijzen.
2. Dimensies van AI
■ Staat op het formularium — de vijf dimensies, de feedbackvormen en de vijf scholen staan in de dimensietabel van
het formularium
Om elk AI-systeem te kunnen plaatsen en begrijpen, stel je vijf vragen. Elke vraag is één dimensie. De eerste vier
bepalen ook de volgorde van de cursus.
■
Modaliteit – welk soort data verwerkt het systeem? Tekst, beeld, geluid, tabellen, getallen, sensordata. Dit
bepaalt de voorbewerking en de geschikte architectuur.
■
Denksysteem – redeneren of leren? Volgt het systeem begrijpbare logische regels, of past het zich aan via
patroonherkenning?
■
Feedbackvorm – hoe leert het (enkel relevant bij machinaal leren): gesuperviseerd, ongesuperviseerd of
versterkend?
■
Mechanisme – welke onderliggende benadering (welke van de vijf scholen): logica, neurale netwerken,
kansrekening, gelijkenis of evolutie?
■
Doel – analytisch (bestaande data beoordelen/voorspellen) of generatief (nieuwe inhoud creëren)?
Denksysteem: redeneren vs. leren (de twee systemen van Kahneman)
De psycholoog Daniel Kahneman beschrijft twee denksystemen, en die tweedeling zie je terug in AI. Systeem 1 is
snel, automatisch en intuïtief, op basis van ervaring en patroonherkenning (een gezicht herkennen, een bal vangen)
– maar maakt soms fouten en kan moeilijk uitleggen waarom. Systeem 2 is bewust, traag, analytisch en precies, op
basis van regels en logica (17×24 uitrekenen, een route plannen) – preciezer, maar trager en duurder qua moeite.
In AI gedragen leeralgoritmen (machinaal leren, vooral neurale netwerken) zich als Systeem 1: ze herkennen
bliksemsnel patronen in beelden, spraak en tekst, maar kunnen niet uitleggen hóé. Redeneeralgoritmen
(symbolische AI) lijken op Systeem 2: systematisch en verklaarbaar, stap voor stap. Wanneer kies je wat? Bij
situaties die harde garanties vereisen, gebruik je expliciete regels – je wil niet dat een zelfrijdende auto pas na
duizenden uren beeld 'leert' te stoppen voor rood; dat leg je vast als regel ('als verkeerslicht rood, dan stoppen').
Lerende systemen blinken net uit waar regels onbegonnen werk zijn: handgeschreven cijfers herkennen lukt niet
met if-then-regels, maar wel door voorbeelden te tonen; het ontdekt impliciete patronen en gaat goed om met ruis.
De drie feedbackvormen van machinaal leren
■ Staat op het formularium — tabel gesuperviseerd / ongesuperviseerd / versterkend
Machinaal leren draait in de kern om functieleren: een functie leren die input afbeeldt op een bruikbare output. De
drie vormen verschillen enkel in de feedback die het algoritme krijgt.
Gesuperviseerd leren is leren 'met een leraar': het model krijgt een trainingsset van paren (input, gekend
antwoord) – bijvoorbeeld (foto, 'kat') of (e-mail, 'spam') – en leert een functie f(x) ≈ y. Een verliesfunctie meet hoe
ver de voorspelling van het echte antwoord ligt. Er zijn twee hoofdtypen: classificatie (een discrete categorie
voorspellen: goedaardig/kwaadaardig, welk cijfer 0–9, spam/geen-spam) en regressie (een continue waarde:
verkoopprijs van een huis, temperatuur morgen). De keerzijde: het labelen van data is duur en tijdrovend – voor
medische beelden moet een radioloog duizenden scans annoteren, voor zelfrijdende auto's moet elk object in elk
frame gelabeld worden. Dat is precies waarom ongesuperviseerd leren ook bestaat.
Ongesuperviseerd leren werkt 'zonder leraar': er zijn geen labels, en het systeem ontdekt zelf structuur. Vergelijk
het met een jeugdleider die kinderen in groepjes wil zetten op interesse, zonder vooraf te weten welke indeling 'juist'
is. Je hebt enkel de kenmerken (x), geen outputs (y). Typische toepassingen: marktsegmentatie (klanten
groeperen op koopgedrag), anomaliedetectie (afwijkende patronen in netwerkverkeer, banktransacties,
machinesensoren) en datacompressie (leren welke patronen vaak voorkomen om data efficiënter op te slaan).
Versterkend leren (reinforcement learning, RL) leert via beloningen en straffen over reeksen acties. Het systeem
leert een strategie (policy) π(s) → a die voor elke toestand s de beste actie kiest, om de totale toekomstige beloning
te maximaliseren. Bij schaken: +1 voor winst, −1 voor verlies.
Rood=formularium Groen=voorbeeld Blauw=nuance Pagina 4
