Wat is machine learning? Hoe het werkt en waar het wordt gebruikt

Machine learning is het deel van AI waarin computers patronen leren uit voorbeelden, in plaats van regels te volgen die een mens met de hand heeft geschreven. Deze gids legt uit hoe het werkt, hoe neurale netwerken, natuurlijke taalverwerking (NLP) en grote taalmodellen (LLM's) erin passen, waar het wordt gebruikt en wat u controleert voordat u ermee bouwt.

Wat is machine learning?

Tom Mitchell van Carnegie Mellon baseert het vakgebied op één vraag: "Hoe kunnen we computersystemen bouwen die zichzelf automatisch verbeteren met ervaring, en welke fundamentele wetmatigheden gelden voor alle leerprocessen?" Hij geeft ook een precieze toets: een machine leert met betrekking tot een taak T, een prestatiemaat P en een soort ervaring E "als het systeem zijn prestaties P bij taak T betrouwbaar verbetert na ervaring E."

In de praktijk betekent dat dat u niet langer voor elk geval "als dit, dan dat"-regels schrijft. U laat een systeem veel voorbeelden zien, laat het het patroon vinden en meet hoe goed het presteert bij gevallen die het niet eerder heeft gezien.

Belangrijkste punten

• Machine learning leert patronen uit data; de kwaliteit van de data begrenst de kwaliteit van het resultaat.
• Neurale netwerken zijn één familie van ML-modellen, en deep learning betekent neurale netwerken met veel lagen.
• NLP past ML toe op menselijke taal; grote taalmodellen zijn het meest zichtbare voorbeeld van dit moment.
• ML wordt breed gebruikt, maar faalt op voorspelbare manieren: slechte data, bias, drift en overmoedige antwoorden.
• Begin bij een concreet probleem en een manier om succes te meten, niet bij een techniek.

Hoe werkt machine learning?

• Definieer de taak. Wat moet het systeem voorspellen of beslissen, en hoe meet u dat?
• Verzamel en bereid data voor. Verzamel voorbeelden, maak ze schoon en houd een deel apart om later op te testen.
• Train een model. Het leeralgoritme past het model aan zodat het beter presteert op de trainingsvoorbeelden.
• Evalueer op ongeziene data. Een model dat alleen goed is op wat het heeft getraind, heeft uit het hoofd geleerd en niet echt geleerd.
• Zet in en monitor. Data uit de praktijk verandert, dus de prestaties moeten na de lancering worden bewaakt.

Wat zijn de belangrijkste soorten machine learning?

• Gesuperviseerd leren: leren van voorbeelden die met het juiste antwoord komen, zoals e-mails die zijn gelabeld als spam of geen spam.
• Ongesuperviseerd leren: structuur vinden in data zonder labels, zoals het groeperen van vergelijkbare klanten.
• Reinforcement learning: leren door vallen, opstaan en beloning, zoals een systeem dat beter wordt in een spel of een regeltaak.

Waar passen neurale netwerken in?

Een neuraal netwerk is een model opgebouwd uit lagen van eenvoudige, verbonden eenheden. Elke verbinding heeft een gewicht, en bij het trainen worden die gewichten aangepast zodat de uitvoer van het netwerk dichter bij de juiste antwoorden komt. Een netwerk met veel lagen is wat men deep learning noemt, waarover een eigen gids bestaat: Wat is deep learning?.

Waar past NLP in?

Natuurlijke taalverwerking is, in de woorden van ons glossarium, "het vakgebied van AI dat computers in staat stelt menselijke taal te begrijpen, te interpreteren en te genereren." Typische NLP-taken zijn tekst classificeren, er informatie uit halen, vertalen, samenvatten en vragen beantwoorden. Moderne NLP leunt op machine learning en op embeddings, die woorden en passages omzetten in getallen die een model kan vergelijken. Onze gids met NLP-basisprincipes gaat dieper in op dit onderwerp.

Waar passen grote taalmodellen in?

De Transformer-architectuur, geïntroduceerd in 2017, verving de "complexe recurrente of convolutionele neurale netwerken in een encoder-decoderconfiguratie" die sequentietaken domineerden door een ontwerp dat op attention is gebaseerd. Grote taalmodellen zijn op dat idee gebouwd. Zoals ons glossarium het zegt, is een LLM "een AI-model dat is getraind op enorme tekstdatasets en mensachtige tekst kan begrijpen en genereren." Ze lezen en schrijven tokens, stukjes tekst. LLM's zijn ook de belangrijkste motor van generatieve AI, die wordt behandeld in Wat is generatieve AI?.

Hoe wordt machine learning gebruikt?

Mitchell merkte al in 2006 op dat leeralgoritmen "routinematig werden gebruikt in commerciële systemen voor spraakherkenning, computervisie en diverse andere taken." Sindsdien is het gebruik toegenomen: de Stanford AI Index meldt dat 78% van de organisaties in 2024 aangaf AI te gebruiken, tegenover 55% het jaar daarvoor. Veelvoorkomende toepassingen zijn:

• Aanbevelingen en personalisatie: producten, content of vervolgstappen voorstellen.
• Fraude- en anomaliedetectie: transacties of gebeurtenissen markeren die ongebruikelijk lijken.
• Voorspellen en plannen: vraag, werkbelasting of onderhoudsbehoefte voorspellen.
• Beeldherkenning: objecten in afbeeldingen herkennen, zoals kwaliteitsinspectie of ondersteuning bij medische beeldvorming.
• Spraak en taal: transcriptie, vertaling, zoeken en klantondersteuning.
• Automatisering: beslissen wat er in een proces vervolgens moet gebeuren (zie Wat is Flow AI?).

Waar gaat machine learning mis?

• Slechte of niet-representatieve data leidt tot modellen die falen bij de gevallen waar het om gaat.
• Bias in de data kan door het model worden overgenomen of versterkt.
• Drift: de wereld verandert en een model dat ooit nauwkeurig was, wordt langzaam minder nauwkeurig.
• Ondoorzichtigheid: sommige modellen kunnen niet gemakkelijk uitleggen waarom ze een antwoord gaven.
• Privacy: het trainen en gebruiken van modellen kan persoonsgegevens betreffen.

Over deze kwesties gaat onze gids over ethische AI.

Wat controleert u voordat u met machine learning bouwt?

• Voor welke exacte beslissing of taak is het model bedoeld, en wat kost een fout antwoord?
• Hebt u voldoende relevante, juridisch bruikbare data, en wie is de eigenaar?
• Hoe meet u succes voor de lancering en hoe monitort u het daarna?
• Is een eenvoudigere regel of een rapport genoeg? Niet elk probleem heeft een model nodig.
• Wie beoordeelt de uitvoer, en wat gebeurt er als het model onzeker is?

Waar Zunkiree Labs past

Zunkiree Labs bouwt maatwerk-AI-systemen (waaronder RAG-pipelines, LLM-integratie en intelligente automatisering), datasystemen, maatwerksoftware en web- en mobiele applicaties. Onze Orca wordt eenvoudig beschreven: Orca is de intelligentie- en orkestratielaag van Zunkiree Labs die boven de CRM-, e-mail- en marketingtools zit die een organisatie al gebruikt en agent-workflows daartussen coördineert, in plaats van die tools te vervangen. De volledige lijst staat op de dienstenpagina, en de dienst AI-ontwikkeling behandelt maatwerk-AI-systemen uitgebreider.

Verder lezen

• Wat is AI? — het bredere overzicht
• Wat is deep learning? — hoe neurale netwerken leren en wanneer ze het juiste gereedschap zijn
• Wat is generatieve AI? — hoe het werkt, waar het helpt en waar het faalt
• Ethische AI — principes, risico's en hoe organisaties ze toepassen
• Basisprincipes van natuurlijke taalverwerking — onze gids over NLP
• Een RAG-pipeline bouwen — een stapsgewijze technische gids

Bronnen

• Tom M. Mitchell, The Discipline of Machine Learning (Carnegie Mellon University, juli 2006)
• Vaswani et al., Attention Is All You Need (arXiv, 2017)
• Stanford HAI: 2025 AI Index Report