Wat is machine learning?
Machine learning is een vorm van kunstmatige intelligentie waarbij een systeem leert van voorbeelddata in plaats van vaste, handmatig geprogrammeerde regels te volgen. Het model herkent patronen in bestaande data en gebruikt die patronen om voorspellingen te doen of beslissingen te nemen bij nieuwe, ongeziene gevallen. Grote taalmodellen zoals ChatGPT en Claude zijn een specifieke, geavanceerde toepassing van machine learning.
Machine learning is een tak van kunstmatige intelligentie waarbij systemen patronen leren herkennen in data, zonder dat elke regel expliciet geprogrammeerd is.
Software die vooraf precies weet wat hij moet doen, volgt vaste regels: als dit, dan dat. Machine learning werkt anders. In plaats van elke regel handmatig te programmeren, laat je een systeem patronen ontdekken in data en die patronen gebruiken om zelf beslissingen te nemen.
Hoe machine learning werkt
Bij machine learning voed je een model met voorbeelddata, bijvoorbeeld duizenden e-mails met een label spam of geen spam. Het model analyseert die voorbeelden en leert welke kenmerken, zoals bepaalde woorden of afzenderpatronen, samenhangen met spam. Eenmaal getraind, kan het model die geleerde patronen toepassen op nieuwe, nog ongeziene e-mails en zelf bepalen of iets spam is.
Het verschil met traditionele programmering is fundamenteel: bij traditionele software schrijf je expliciete regels (“als het woord ‘gratis’ drie keer voorkomt, markeer als spam”). Bij machine learning bepaalt het model zelf, op basis van data, welke kenmerken relevant zijn, ook kenmerken die een mens niet snel zou bedenken.
De drie hoofdvormen van machine learning
Supervised learning is de meest gebruikte vorm: het model leert van gelabelde voorbeelden waarbij zowel de invoer als het gewenste antwoord bekend zijn, zoals foto’s die gelabeld zijn als “hond” of “kat”. Unsupervised learning werkt zonder labels: het model ontdekt zelf structuren en groepen in de data, bijvoorbeeld het clusteren van klanten met vergelijkbaar koopgedrag zonder vooraf te weten welke groepen er bestaan.
Reinforcement learning ten slotte laat een systeem leren via trial-and-error: het krijgt een beloning of straf op basis van zijn acties en past zijn gedrag daarop aan. Deze vorm wordt vaak gebruikt bij robotica en complexe besluitvormingsprocessen.
Machine learning versus kunstmatige intelligentie
Kunstmatige intelligentie is de bredere paraplu: elk systeem dat taken uitvoert die normaal menselijke intelligentie vereisen. Machine learning is daarbinnen een specifieke aanpak, gebaseerd op leren van data in plaats van vaste regels. Niet elke AI-toepassing gebruikt machine learning, maar vrijwel alle recente doorbraken in AI, van beeldherkenning tot taalmodellen, zijn er wel op gebaseerd.
Grote taalmodellen zoals die achter ChatGPT en Claude zijn een geavanceerde, specifieke toepassing van machine learning, getraind op enorme hoeveelheden tekst om taal te begrijpen en te genereren. Meer hierover lees je in het artikel over wat een large language model is.
Praktische toepassingen voor bedrijven
Machine learning wordt breed toegepast: voorspellend onderhoud in productieomgevingen, fraudedetectie bij financiële transacties, klantsegmentatie voor gerichte marketing, en vraagvoorspelling voor voorraadbeheer. In veel gevallen hoeft een bedrijf geen eigen model te trainen: kant-en-klare diensten van cloudproviders bevatten al getrainde modellen die je via een API kunt gebruiken voor veelvoorkomende taken.
Eigen modellen trainen op bedrijfsspecifieke data wordt vooral relevant zodra een bestaande dienst niet goed genoeg aansluit op je specifieke situatie of dataset.
Waar machine learning wel en niet geschikt voor is
Machine learning werkt goed bij taken met veel beschikbare, relevante data en patronen die lastig in vaste regels te vatten zijn, zoals beeldherkenning of taalbegrip. Het is minder geschikt voor situaties waarin je exact voorspelbare, verklaarbare uitkomsten nodig hebt, zoals bij wettelijk verplichte berekeningen, omdat een model soms moeilijk te doorgronden beslissingen neemt.
Onze tip: begin bij een eerste machine learning-toepassing met een kant-en-klare dienst of API in plaats van zelf een model te trainen. Dat geeft snel inzicht in wat haalbaar is, voordat je investeert in een maatwerkoplossing.
Veelgestelde vragen
Wat is het verschil tussen machine learning en kunstmatige intelligentie?
Kunstmatige intelligentie (AI) is het brede vakgebied waarbinnen machines taken uitvoeren die normaal menselijke intelligentie vereisen. Machine learning is een specifieke methode binnen AI, waarbij een systeem leert van data in plaats van met vaste, handgeschreven regels te werken. Niet alle AI is machine learning: sommige AI-systemen werken met vooraf gedefinieerde beslisregels. Maar de meeste moderne AI-toepassingen, waaronder taalmodellen en beeldherkenning, zijn wel gebaseerd op machine learning.
Heb je veel data nodig voor machine learning?
Over het algemeen geldt: hoe meer relevante, kwalitatief goede data, hoe beter een model patronen kan leren herkennen. Voor eenvoudige toepassingen, zoals het voorspellen van klantverloop op basis van historische gegevens, kan een paar duizend rijen data al bruikbare resultaten opleveren. Voor complexere taken, zoals beeldherkenning of taalbegrip, zijn doorgaans veel grotere datasets nodig. Kwaliteit en relevantie van de data wegen vaak zwaarder dan pure hoeveelheid.
Welke soorten machine learning zijn er?
De drie hoofdvormen zijn supervised learning, waarbij een model leert van gelabelde voorbeelden (bijvoorbeeld e-mails gemarkeerd als spam of geen spam), unsupervised learning, waarbij een model zelf patronen en groepen ontdekt in ongelabelde data (bijvoorbeeld klantsegmentatie), en reinforcement learning, waarbij een systeem leert door te experimenteren en feedback te krijgen op zijn acties, zoals bij het trainen van game-AI of robotica.
Kan een bedrijf zonder eigen data-team machine learning inzetten?
Ja, in veel gevallen wel. Kant-en-klare AI-diensten en API's, zoals die van cloudproviders of taalmodel-aanbieders, bevatten al getrainde machine learning-modellen die je direct kunt gebruiken voor taken als tekstanalyse, beeldherkenning of voorspellingen, zonder zelf een model te hoeven trainen. Een eigen data-team wordt vooral relevant als je een model op maat wilt trainen op unieke, bedrijfsspecifieke data die geen bestaande dienst al goed afdekt.