Op deze pagina
Voorbeelden in, een regel uit
Bij machine learning schrijft niemand de regel uit: je toont de software genoeg voorbeelden en ze vindt het patroon zelf. Je geeft het systeem gegevens en de antwoorden die erbij horen; het verband daartussen is wat het leert. Dat patroon heet een model. Met dat model voorspelt het systeem daarna het antwoord bij gegevens die het nog nooit zag.
Klassieke software werkt omgekeerd: iemand schrijft dat een mail met het woord factuur naar de boekhouding gaat. Dat werkt tot een klant zijn factuur 'rekening' noemt. Een model dat uit duizend gesorteerde mails leerde, let op honderden signalen tegelijk en herkent ook die mail.
Je gebruikt machine learning waarschijnlijk al zonder het te weten. Slim bieden in Google Ads traint algoritmen voor machine learning op grote hoeveelheden gegevens om per veiling te voorspellen welk bod tot een conversie leidt. De taalmodellen achter ChatGPT en Claude zijn ook machine learning, alleen op een schaal die een kmo nooit zelf traint. Hoe die modellen tekst in stukjes lezen en wat dat kost, lees je bij tokens in AI.
Arthur Samuel en een damprogramma, 1959
De term wordt toegeschreven aan Arthur Samuel, onderzoeker bij IBM. In 1959 publiceerde hij in het IBM Journal het artikel 'Some Studies in Machine Learning Using the Game of Checkers'. Zijn doel was een computer die beter leerde dammen dan de man die hem programmeerde. Dat idee, software die beter wordt door ervaring in plaats van door extra regels, is in zestig jaar niet veranderd. Wat veranderde, is de hoeveelheid gegevens en rekenkracht.
Vijf jaartallen, van dammen tot taalmodellen
- 1959Samuel bij IBMArthur Samuel beschrijft een damprogramma dat leert uit ervaring, en gebruikt de term machine learning.
- 2012Beelden herkennenKrizhevsky, Sutskever en Hinton trainen een diep neuraal netwerk op 1,3 miljoen foto's in 1.000 klassen. Deep learning wordt de standaard voor beeld.
- 2017De transformerVaswani en zeven collega's publiceren Attention Is All You Need: de bouwvorm onder de taalmodellen van nu.
- 2020GPT-3Een taalmodel met 175 miljard parameters leert een nieuwe taak uit een paar voorbeelden in de vraag, zonder extra training.
- 2024NobelprijsJohn Hopfield en Geoffrey Hinton krijgen de Nobelprijs natuurkunde voor het werk dat machine learning met neurale netwerken mogelijk maakte.
Trainen, testen, gebruiken
Elk project loopt door dezelfde drie stappen. Eerst de training: het systeem krijgt voorbeelden en past zijn interne getallen aan tot zijn voorspellingen zo dicht mogelijk bij de echte antwoorden liggen. Dan de test: je legt het model voorbeelden voor die het nooit zag, en meet hoeveel het er juist heeft. Pas daarna het gebruik, wat vakmensen inferentie noemen: het model krijgt nieuwe gegevens en geeft een voorspelling, een label of een getal terug.
Hoe het leert, hangt af van wat je het geeft. Er zijn drie grote soorten.
| Soort | Wat je het model geeft | Wat het leert | Voorbeeld in een kmo |
|---|---|---|---|
| Supervised learning | Voorbeelden met het juiste antwoord (labels) | Een nieuw geval het juiste label geven | Inkomende mails sorteren als offerte, klacht of factuur, of facturen automatisch verwerken |
| Unsupervised learning | Alleen gegevens, geen antwoorden | Groepen en afwijkingen vinden | Klanten indelen volgens wat en hoe vaak ze bestellen |
| Reinforcement learning | Een omgeving en een score per poging | Welke actie de meeste punten oplevert | Een planning die leert welke volgorde van ritten de minste kilometers kost |
De meeste toepassingen in een bedrijf zijn supervised: je hebt al jaren antwoorden in je mailbox, je boekhouding of je klantenservice, en die worden de voorbeelden.
De formule omgekeerd
Klassiek programmeren
Regels die jij schrijftGegevensAntwoorden
Machine learning
GegevensAntwoorden uit het verleden
Drie manieren om te leren
Leren uit voorbeelden met het juiste antwoord
- 2.000 oude mails, elk gelabeld als offerte, klacht of factuur
- Het model labelt elke nieuwe mail
- Nodig: voorbeelden waarvan je het antwoord al kent
Zelf groepen vinden in gegevens
- 1.400 klanten van een groothandel, alleen hun bestellingen
- Het model vindt groepen die op elkaar lijken
- Nodig: veel gegevens, geen antwoorden
Leren door te proberen en punten te krijgen
- Duizenden ritplanningen uitproberen
- Punten voor elke kilometer minder
- Nodig: een omgeving om te proberen en een score
Fictieve voorbeelden. Een model leert alleen wat in zijn gegevens zit, ook de fouten en de scheefgroei.
600 mails per week, automatisch verdeeld
Stel: een groothandel in sanitair in Aalst krijgt 600 mails per week op een algemeen adres. Een medewerker stuurt ze door naar verkoop, de binnendienst of de boekhouding: aan een halve minuut per mail vijf uur per week. De groothandel heeft 2.000 oude mails die al in de juiste map staan: dat zijn gelabelde voorbeelden, de grondstof van supervised learning.
Er zijn drie manieren om dat te automatiseren, met een heel verschillende prijs.
| Aanpak | Wat je nodig hebt | Wat het kost | Past als |
|---|---|---|---|
| Een vaste regel | Een lijst met woorden en afzenders | Een paar uur instellen | De mails voorspelbaar zijn |
| Een taalmodel laat labelen | Een prompt met je drie categorieën en een koppeling met de mailbox | Modelkost onder 2 euro per jaar voor 31.200 mails met Claude Haiku 5.5 of GPT-6 Luna, plus de bouw | Je snel wilt starten zonder trainingsdata |
| Een eigen model trainen | De 2.000 gelabelde mails en een ontwikkelaar; scikit-learn is gratis en open source | Vooral uren, geen licentie | Je gegevens gevoelig zijn of het volume heel groot |
De rekensom achter die 2 euro: 31.200 mails van gemiddeld 300 woorden, aan 1,67 tokens per Nederlands woord, is ongeveer 15,6 miljoen tokens. Aan 0,10 dollar per miljoen is dat 1,56 dollar, voor Claude met zijn grotere tokentelling iets meer. Wat je eigen volume kost, reken je uit met de AI-kostentool. Het model is zelden de dure kant; de koppeling en het testen kosten het werk.
Wil je een taalmodel bijsturen met je eigen voorbeelden, hou dan rekening met wat de aanbieders veranderen. OpenAI bouwt zijn platform voor fine-tuning af en laat er geen nieuwe gebruikers meer op. Voor de meeste kmo's volstaan voorbeelden in de prompt of RAG: het model zoekt het antwoord in je eigen documenten op het moment van de vraag.
AI, machine learning en taalmodellen: wat in wat past
Taalmodellen zijn deep learning op tekst: voorgetraind op enorme hoeveelheden tekst en daarna bijgestuurd met voorbeelden en beloningen van mensen. Het verschil met de modellen hierboven is schaal: zo'n model train je niet zelf, je stuurt het met je vraag. Welk taalmodel bij welke kantoortaak past, staat in ChatGPT of Claude; een overzicht per soort taak in AI-tools voor bedrijven.
Wanneer een model beter is dan een regel
Machine learning loont als drie dingen samenkomen: een taak die vaak terugkomt, genoeg voorbeelden met het juiste antwoord, en een fout die je kan opvangen. Mails sorteren, facturen inlezen, een klant waarschuwen die minder bestelt: ja. Een beslissing over een ontslag of een krediet: daar gelden strenge regels, zie AI-beleid en de AI Act. Volstaat een vaste regel, dan is die goedkoper, sneller en makkelijker uit te leggen. Voor herhaalwerk zonder oordeel, zoals gegevens overtikken tussen twee pakketten, is RPA vaak genoeg. Hoe je zo'n project stap voor stap opzet, lees je in AI implementeren in je bedrijf.
Eerst een regel of meteen een model?
Wat is het verschil tussen AI en machine learning?
AI is het hele veld van software die taken doet waar we intelligentie voor nodig vinden. Machine learning is het deel dat die vaardigheid leert uit gegevens. Elke machine learning is AI, maar niet elke AI is machine learning: een systeem met vaste als-dan-regels is AI zonder dat het iets leert.
Wat is het verschil tussen machine learning en deep learning?
Deep learning is een soort machine learning die werkt met grote neurale netwerken van vele lagen. Het vraagt veel meer gegevens en rekenkracht, maar leert ook uit beelden, geluid en vrije tekst. Klassieke machine learning werkt goed op tabellen met een paar duizend rijen, zoals bestellingen of facturen.
Is ChatGPT machine learning?
Ja. Het taalmodel achter ChatGPT is met machine learning getraind: eerst op enorme hoeveelheden tekst, daarna bijgestuurd met voorbeelden en beoordelingen van mensen. Als gebruiker train je het niet meer; je stuurt het met je vraag en de context die je meegeeft.
Leert een model vanzelf bij terwijl ik het gebruik?
Meestal niet. Een model leert tijdens de training en staat daarna vast. Wil je dat het beter wordt, dan verzamel je de gevallen waar het fout zat, label je ze en train je opnieuw, of je voegt ze toe als voorbeelden in de prompt.