Volledige samenvatting Artificiële Intelligentie voor iedereen (2025/2026)

Artificiële Intelligentie voor iedereen
Academiejaar 2025-2026

Inhoudsopgave
DEEL 1: INTRODUCTIE.........................................................................................3
Hoofdstuk 1: Geschiedenis van AI.......................................................................................3
Hoofdstuk 2: Dimensies van AI............................................................................................8

DEEL 2: REDENEREN.........................................................................................13
Hoofdstuk 1: Zoekalgoritmen............................................................................................ 13
Hoofdstuk 2: Heuristisch Zoeken.......................................................................................20
Hoofdstuk 3: Spelbomen................................................................................................... 22
Hoofdstuk 4: Logica........................................................................................................... 26

DEEL 3: STATISTISCHE MODELLEN.....................................................................31
Hoofdstuk 1: Kansenleer................................................................................................... 31
Hoofdstuk 2: Bayesiaanse netwerken................................................................................34

DEEL 4: MACHINE LEARNING.............................................................................36
Hoofdstuk 1: Naïeve Bayes................................................................................................ 36
Hoofdstuk 2: Dichtste Buren.............................................................................................. 42
Hoofdstuk 3: Beslissingsbomen......................................................................................... 48
Hoofdstuk 4: Regressie..................................................................................................... 51
Hoofdstuk 5: Neurale Netwerken.......................................................................................54
Hoofdstuk 6: Clusteren...................................................................................................... 58

DEEL 5: TAALMODELLEN...................................................................................61
Hoofdstuk 1: Autocomplete............................................................................................... 61
Hoofdstuk 2: Grote taalmodellen.......................................................................................64

DEEL 6: BEELDMODELLEN.................................................................................73
Hoofdstuk 1: Convolutionele Neurale Netwerken..............................................................73
Hoofdstuk 2: Diffusiemodellen.......................................................................................... 78

DEEL 7: AFSLUITER........................................................................................... 82
Hoofdstuk 1: AI Uitdagingen.............................................................................................. 82


1

Lena Meuwis – TEW 2025/2026

, Hoofdstuk 2: Maatschappelijk impact van AI.....................................................................88




2

Lena Meuwis – TEW 2025/2026

, DEEL 1: INTRODUCTIE

Hoofdstuk 1: Geschiedenis van AI

1. AI is overal
Vanaf het moment dat je vanmorgen wakker werd, ben je omringd geweest
door artificiële intelligentie, vaak zonder het te beseffen.
 ChatGpt = voordehandliggend, maar bij veel andere soorten AI vergeten
we soms dat het AI is
 Smartphone ontgrendelen met vingerafdruk of gezichtsherkenning:
biometrische herkenning (maken gebruik van
patroonherkenningsalgoritmen)
 Aanbevelingen op sociale media: aanbevelingssystemen
(vergelijken je voorkeuren met het gedrag van miljoenen andere
gebruikers en leren continu bij)
 Google: zoekmachines
 Google maps, waze: navigatiesystemen (zoekalgoritmen om kortste
pad te vinden)
 Spellingscorrector
 Slimme foto-editing: computer vision
 Google Translate en DeepL: vertaalsystemen
 Spamfilters: classificatiealgoritmen
Moving goalpost (= verschuivende doelpaal): fenomeen waarbij we als
maatschappij de definitie van intelligentie verschuiven
 Zodra een computer iets kan, beschouwen we dat niet langer als
‘intelligent’

Nu, met de opkomst van ChatGPT en andere grote taalmodellen, zien we
dezelfde verschuiving gebeuren met taken die we als uniek menselijk
beschouwden: het voeren van natuurlijke gesprekken, het schrijven van
creatieve teksten, het genereren van kunst.


2. Wat is AI?

Klassieke definitie
= Artificiële Intelligentie (AI) is de wetenschap van machines dingen te laten
doen die intelligentie vereisen als ze door een mens gedaan werden.

3

Lena Meuwis – TEW 2025/2026

,Meer technische en stabiele definitie
= Artificiële Intelligentie (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.

AI-systeem
= Een AI-systeem is een op een machine gebaseerd systeem dat is
ontworpen om met verschillende niveaus van autonomie te werken en dat,
voor expliciete of impliciete doelstellingen, uit de ontvangen input afleidt hoe
output te genereren zoals voorspellingen, inhoud, aanbevelingen of
beslissingen.

3. Golven van AI




 Symbolische AI (1950-1980): kortste paden in een netwerk (GPS of
videospel, lessenroosterplanners, schaakcomputers
 Statistische modellen (1980-2010): kansmodellen (Bayesiaanse
netwerken, spraakherkenning met Markov-modellen, Naieve Bayes)
 Neurale netwerken (deep learning) (2010-nu): patroonherkenning in
complexe data, beeldherkenning, natuurlijke taalverwerking zoals
ChatGpt  valt onder machine learning

4. Machine learning

Traditionele programmering: je geeft je input en de programmaregels die
hierop van toepassing zijn en krijgt hiervoor een output



4

Lena Meuwis – TEW 2025/2026

, Machine learning: je geeft de computer voorbeelden van input en
output en laat het zelf de programmaregels leren (probeert een functie te
leren, die zo goed mogelijk de juiste output benadert)
 Voorbeelden functie (= model): beslissingsboom, neuraal netwerk,
lineaire regressie  worden geëvalueerd met evaluatiecriterium dat
accuraatheid voorspellingen meet
 Noodzaak: voorbeeld gezichtsherkenning

In essentie is machine learning een vorm van automatisch programmeren:
de computer schrijft zelf het programma op basis van de data die je het
geeft.

5. Geschiedenis

Turingtest: praktische test om “intelligentie” te testen
 Een ondervrager stelt via geschreven tekst vragen die, achter een
muur, ofwel aan een machine ofwel aan een mens worden
doorgegeven
 De machine of persoon beantwoordt vervolgens elke vraag
 De intelligentie wordt getest (want de ondervrager weet niet of het een
machine of een mens is)
 We kunnen nu meten hoe "intelligent" een machine concreet overkomt
door te kijken hoe vaak de ondervrager de machine aanziet voor een
mens.

ELIZA (1964): de eerste chatbot (simuleerde een psychotherapeut)
 Toont aan hoe snel mensen machines antropomorfiseren (=
menselijke eigenschappen toeschrijven aan niet-menselijke entiteiten)
 Eliza-effect (vandaag de dag nog steeds zichtbaar door bv. Chatgpt)

Shakey the robot (1966): eerste robot die fysiek handelen en redeneren
combineerde
 Traag en beperkt, maar revolutionair
 Belangrijke zoekalgoritmen die nog altijd in elke GPS gebruikt worden

AI-winter: een periode waarin financiering opdroogt en het onderzoeksveld
stagneert



5

Lena Meuwis – TEW 2025/2026

,Backpropagatie (1986): een algoritme om neurale netwerken efficiënt te
trainen

1990: We zien een verschuiving van symbolische AI naar statistische
modellen


Deep Blue (algoritme) versloeg in 1997 de wereldkampioen schaken Garry
Kasparov  keerpunt

2010: Keerpunt met de opkomst van deep learning


AlphaGo (algoritme) versloeg in 2016 één van de beste Go-spelers ter wereld
(Lee Sedol)  opnieuw een keerpunt

Drie factoren kwamen samen:
1) Big data
2) Rekenkracht
3) Algoritmische verbeteringen

De geschiedenis van AI wordt gekenmerkt door cycli van extreme
optimisme ("AI-zomers") gevolgd door desillusie en stagnatie ("AI-
winters"). Na elke grote doorbraak (zoals de Dartmouth conferentie,
expertsystemen in de jaren 1980, of deep learning in de jaren 2010) volgen
overdreven verwachtingen. Als deze niet waargemaakt worden, droogt
financiering op en vertraagt vooruitgang.
 We bevinden ons momenteel met generatieve AI in een AI-zomer
(grootste ooit)

Gartner Hype Cycle: model om technologie-adoptie te beschrijven
 Technologieën doorlopen typisch 5 fasen vanaf hun introductie tot
volledige adoptie
 Verwachtingen van de maatschappij fluctueren in elke fase




6

Lena Meuwis – TEW 2025/2026

,  Technologie trigger: Een doorbraak of innovatie krijgt eerste media-
aandacht. Er zijn vaak nog geen bruikbare producten, maar het
potentieel lijkt enorm. Er wordt sterk geïnvesteerd en ontwikkeld.

 Piek van overdreven verwachtingen: Enthousiasme en speculatie
leiden tot onrealistische verwachtingen. Succesverhalen domineren
de media, maar veel projecten falen nog steeds. De verwachtingen zijn
vaak onrealistisch hoog.
o Extreme media-aandacht
o Overdreven claims
o Massale investeringen
o FOMO

 Dal van desillusie: De technologie voldoet niet aan de hype. De
media-interesse neemt af, veel bedrijven stoppen met experimenten,
financiering droogt op.

 Helling van verlichting: Praktische toepassingen worden duidelijk,
de technologie wordt verfijnd. Realistische verwachtingen ontstaan.
Hieruit ontstaan vaak de meest duurzame en impactvolle toepassingen
tot bloei.

 Plateau van productiviteit: De technologie wordt mainstream en
levert echte waarde. Het kan routinematig worden ingezet in tal van
praktische toepassingen.


7

Lena Meuwis – TEW 2025/2026