Machine learning is een vorm van kunstmatige intelligentie waarbij een computer zelf leert van voorbeelden, in plaats van vaste regels te volgen die een programmeur heeft opgeschreven. Deep learning is een vorm van machine learning die werkt met neurale netwerken: lagen van verbonden rekeneenheden, losjes geïnspireerd op de hersenen. Zo verhouden ze zich tot elkaar: kunstmatige intelligentie is het grootste begrip, machine learning is daar een deel van, en deep learning is weer een deel van machine learning. In dit artikel lees je in gewone taal wat machine learning en deep learning zijn, hoe ze werken en waar je ze tegenkomt.
De begrippen vliegen je om de oren als het over AI gaat: machine learning, deep learning, neurale netwerken, algoritmes. Ze worden vaak door elkaar gebruikt, en dat maakt het verwarrend. Toch is het verschil goed uit te leggen, zonder wiskunde. Wie de basis snapt, begrijpt ook beter hoe tools als ChatGPT werken en waarom ze soms fouten maken.
- Machine learning betekent dat een computer patronen leert uit voorbeelden, in plaats van regels te volgen.
- Deep learning is machine learning met neurale netwerken met veel lagen; het is de basis van spraak-, beeld- en taalherkenning.
- Grote taalmodellen zoals ChatGPT zijn een vorm van deep learning.
AI, machine learning en deep learning: hoe hangen ze samen?
Je kunt de drie begrippen zien als cirkels in elkaar. De buitenste cirkel is kunstmatige intelligentie: alle technieken waarmee computers taken doen waarvoor je normaal menselijke intelligentie nodig hebt. Daarbinnen zit machine learning: de technieken waarbij de computer zelf leert van voorbeelden. En daarbinnen zit deep learning: machine learning met neurale netwerken met veel lagen.
Niet alle AI is machine learning. Vroege AI-systemen werkten met regels die mensen hadden opgesteld, zoals "als de temperatuur boven de 38 graden is en de patiënt hoest, overweeg dan griep". Zulke systemen bestaan nog steeds. Maar vrijwel alle AI waar je nu over hoort, van spraakherkenning tot ChatGPT, is gebaseerd op machine learning, en meestal op deep learning. Meer over AI in het algemeen lees je op onze pagina over kunstmatige intelligentie.
| Begrip | Wat het is | Voorbeeld |
|---|---|---|
| Kunstmatige intelligentie | Alle technieken voor slimme computertaken | Een schaakcomputer, een chatbot |
| Machine learning | Leren van voorbeelden in plaats van regels | Een spamfilter dat leert van gemarkeerde mails |
| Deep learning | Machine learning met neurale netwerken met veel lagen | Gezichtsherkenning, spraakherkenning, ChatGPT |
Wat is machine learning?
Bij gewone software schrijft een programmeur precies op wat de computer moet doen: als dit, dan dat. Bij machine learning werkt het andersom. Je geeft de computer heel veel voorbeelden, en hij zoekt zelf de patronen die erin zitten. Daarna kan hij die patronen toepassen op nieuwe gevallen.
Neem een spamfilter. Je zou kunnen proberen alle kenmerken van spam op te schrijven: bepaalde woorden, verdachte links, rare afzenders. Maar spammers veranderen hun aanpak steeds, en je lijst is nooit compleet. Met machine learning geef je het systeem miljoenen mails waarvan bekend is of het spam is of niet. Het systeem leert zelf welke combinaties van kenmerken op spam wijzen, ook kenmerken waar je zelf nooit aan had gedacht. En als je een mail als spam markeert, leert het systeem daarvan bij.
Drie manieren van leren
Er zijn drie hoofdvormen.
Leren met voorbeelden en antwoorden. Het systeem krijgt voorbeelden waarbij het goede antwoord bekend is, zoals mails met het label spam of geen spam, of foto's met het label kat of hond. Het leert de koppeling tussen voorbeeld en antwoord. Dit heet supervised learning, of gesuperviseerd leren, en is de meest gebruikte vorm.
Leren zonder antwoorden. Het systeem krijgt gegevens zonder labels en zoekt zelf naar groepen of patronen. Een webwinkel kan zo bijvoorbeeld klanten indelen in groepen met vergelijkbaar koopgedrag. Dit heet unsupervised learning.
Leren door te proberen. Het systeem probeert iets, krijgt een beloning of straf, en leert daarvan. Zo leren computers bijvoorbeeld spellen spelen. Dit heet reinforcement learning, en wordt ook gebruikt om taalmodellen behulpzamer te maken op basis van beoordelingen door mensen.
Wat is deep learning?
Deep learning is een vorm van machine learning die werkt met neurale netwerken. Een neuraal netwerk bestaat uit lagen van kleine rekeneenheden, die met elkaar verbonden zijn. Het idee is losjes geïnspireerd op hoe hersencellen met elkaar verbonden zijn, al werkt het in de praktijk heel anders.
Elke laag in het netwerk pakt een ander aspect van de invoer op. Bij een netwerk dat foto's herkent, ziet de eerste laag bijvoorbeeld randen en lijnen, de volgende laag vormen, en latere lagen herkenbare onderdelen zoals ogen of wielen. De laatste laag bepaalt wat er op de foto staat. Deep slaat op die vele lagen: hoe meer lagen, hoe ingewikkelder de patronen die het netwerk kan leren.
Tijdens het leren past het netwerk de sterkte van alle verbindingen steeds een klein beetje aan, zodat zijn antwoorden beter worden. Dat gebeurt miljoenen of miljarden keren, op enorme hoeveelheden voorbeelden. Daarom vraagt deep learning veel rekenkracht en veel gegevens.
Waarom deep learning zo'n doorbraak was
Deep learning bestaat al tientallen jaren als idee, maar werd pas echt bruikbaar toen er genoeg rekenkracht en genoeg digitale gegevens waren. Rond 2012 lieten neurale netwerken voor het eerst zien dat ze beter waren in het herkennen van beelden dan eerdere technieken. Daarna volgden doorbraken in spraakherkenning, vertalen en uiteindelijk het schrijven van tekst. De grote taalmodellen achter ChatGPT, Claude en Gemini zijn allemaal vormen van deep learning. Hoe die werken, lees je in ons artikel wat is een LLM.
Waar kom je machine learning tegen?
Machine learning zit in veel dingen die je dagelijks gebruikt, vaak zonder dat je het merkt.
| Waar | Wat machine learning daar doet |
|---|---|
| Je mail | Spam herkennen en tegenhouden |
| Je telefoon | Je gezicht herkennen, foto's doorzoeken, woorden aanvullen |
| Streamingdiensten | Series en muziek aanraden |
| Navigatie | Reistijd voorspellen met de verwachte drukte |
| Je bank | Verdachte betalingen herkennen |
| Webwinkels | Producten aanraden en prijzen voorspellen |
| Vertalen | Teksten vertalen tussen talen |
| AI-assistenten | Taal begrijpen en schrijven |
Ook in het werk wordt machine learning veel gebruikt, bijvoorbeeld om de vraag naar producten te voorspellen, onderhoud van machines te plannen, afwijkingen in gegevens te vinden of documenten automatisch te sorteren.
Zo leert een model: een voorbeeld
Stel, een webwinkel wil voorspellen welke bestellingen waarschijnlijk worden teruggestuurd, zodat ze klanten vooraf beter kunnen adviseren. Met regels zou dat lastig zijn: er zijn honderden factoren die meespelen. Met een lerend systeem pak je het anders aan.
Eerst verzamel je gegevens over eerdere bestellingen: welk product, welke maat, hoe vaak de klant eerder bestelde, of er meerdere maten tegelijk werden besteld, en of de bestelling uiteindelijk werd teruggestuurd. Daarna geef je die gegevens aan een model, dat zelf zoekt naar verbanden. Het ontdekt bijvoorbeeld dat bestellingen met twee maten van hetzelfde product vaak deels terugkomen, en dat bepaalde producten vaker kleiner vallen dan verwacht.
Vervolgens test je het model op bestellingen die het nog niet heeft gezien, om te kijken hoe goed de voorspellingen kloppen. Pas als het goed genoeg werkt, gebruik je het in de praktijk, bijvoorbeeld om klanten een maattip te geven. En je blijft het controleren, want als het klantgedrag verandert, moet het model opnieuw leren.
Machine learning in organisaties
Veel organisaties gebruiken deze techniek al, vaak ingebouwd in software die ze toch al hebben. Denk aan een boekhoudpakket dat facturen automatisch herkent en boekt, een klantsysteem dat voorspelt welke klanten dreigen te vertrekken, of een planningssysteem dat de drukte inschat.
Wil een organisatie zelf iets met machine learning, dan begint het bij een duidelijke vraag en goede gegevens. Zonder betrouwbare, voldoende en eerlijke gegevens levert ook het beste model weinig op. Daarnaast is het belangrijk om vooraf te bepalen hoe je controleert of het model goed werkt, wie verantwoordelijk is en hoe je uitlegt hoe een uitkomst tot stand kwam. Zeker bij beslissingen over mensen gelden daarvoor regels. Hoe je AI in je organisatie goed invoert, lees je op onze pagina over AI implementeren.
Wat kan machine learning niet?
Machine learning is krachtig, maar heeft duidelijke grenzen. Wil je de techniek verder in duiken, dan is de gratis Engelstalige Machine Learning Crash Course van Google een goed vervolg, al vraagt die wel wat wiskunde. Drie zijn belangrijk om te kennen.
Het is zo goed als de voorbeelden. Een systeem leert van de gegevens die het krijgt. Zitten daar fouten of vooroordelen in, dan neemt het systeem die over. Een systeem dat sollicitanten beoordeelt op basis van eerdere aannames, kan zo de voorkeuren van het verleden herhalen. Daarom stelt de AI Act extra eisen aan AI bij beslissingen over mensen. Lees meer in onze uitleg wat is de AI Act.
Het begrijpt niet waarom. Een model vindt patronen, maar weet niet waarom die patronen bestaan. Het kan verbanden zien die toevallig zijn, en een voorspelling doen die er logisch uitziet maar niet klopt.
Het is soms moeilijk uit te leggen. Vooral bij deep learning is het lastig te achterhalen waarom een systeem tot een bepaald antwoord kwam. Bij belangrijke beslissingen is dat een probleem, omdat mensen recht hebben om te weten hoe een besluit over hen tot stand kwam.
Voor taalmodellen komt daar nog bij dat ze soms dingen verzinnen die overtuigend klinken. Dat heet hallucineren; lees er meer over in ons artikel over AI-hallucinaties.
Moet je dit weten om AI te gebruiken?
Nee. Je kunt ChatGPT, Copilot of Gemini prima gebruiken zonder te weten hoe machine learning werkt. Maar een beetje kennis helpt wel. Wie weet dat AI leert van voorbeelden, begrijpt waarom het vooroordelen kan overnemen. Wie weet dat een taalmodel patronen voorspelt, begrijpt waarom het soms fout zit, en controleert belangrijke informatie. En wie weet hoe het werkt, kan beter inschatten wanneer AI wel en niet geschikt is.
Die basiskennis is ook wat de AI Act bedoelt met AI-geletterdheid: begrijpen wat AI is, hoe je het goed gebruikt en waar de risico's zitten. Lees meer op onze pagina over AI-geletterdheid.
Wil je zelf zien hoe een computer leert van voorbeelden? Markeer een paar weken bewust spam in je mail, of geef aan welke aanbevelingen je wel en niet interessant vindt. Je ziet het systeem dan langzaam beter worden.
Veelgestelde vragen over machine learning en deep learning
Wat is machine learning in simpele woorden?
Machine learning betekent dat een computer zelf leert van voorbeelden, in plaats van vaste regels te volgen. Het systeem zoekt patronen in gegevens en past die toe op nieuwe gevallen.
Wat is het verschil tussen machine learning en deep learning?
Deep learning is een vorm van machine learning. Het werkt met neurale netwerken met veel lagen, en is vooral goed in ingewikkelde patronen zoals beeld, spraak en taal.
Wat is een neuraal netwerk?
Een neuraal netwerk is een computermodel van lagen met verbonden rekeneenheden, losjes geïnspireerd op de hersenen. Tijdens het leren past het de sterkte van de verbindingen aan, zodat het steeds betere antwoorden geeft.
Is ChatGPT machine learning?
Ja. ChatGPT is gebaseerd op een groot taalmodel, en dat is een vorm van deep learning, wat weer een vorm van machine learning is.
Is AI hetzelfde als machine learning?
Nee. AI is het bredere begrip; machine learning is één manier om AI te maken. Wel is vrijwel alle moderne AI gebaseerd op leren van voorbeelden.
Moet ik kunnen programmeren om machine learning te begrijpen?
Nee. Om te begrijpen wat deze techniek is en hoe hij je werk raakt, heb je geen programmeerkennis nodig. Om zelf systemen te bouwen wel.
AI begrijpen en goed gebruiken
Weten hoe AI werkt, helpt je om er verstandig mee om te gaan. In AI Fundament, de online AI-cursus van AIcursus.nl, begint module 1 bij de basis van AI, zonder vaktaal. Daarna leer je hoe je duidelijke opdrachten geeft, antwoorden beoordeelt en AI toepast bij schrijven, onderzoeken, beeld, audio en data.
Je oefent met praktijkopdrachten en krijgt op elke opdracht direct feedback. De AI zit in het leerplatform zelf, dus je hebt geen eigen abonnement nodig, en na afronding krijg je een certificaat van deelname. AI Fundament kost € 39,95, eenmalig en inclusief btw.
Max is medeoprichter van AIcursus.nl en maakte AI Fundament samen met Wijnand Wieling. Hij werkt dagelijks met AI en volgt de ontwikkelingen al sinds de eerste versie van ChatGPT. Hij test nieuwe tools, probeert toepassingen uit en ontdekt wat wel en niet werkt in de praktijk. Wat hij leert, verwerkt hij in de cursus en in de artikelen in de kennisbank.
Meer over ons
