Wat is AI?
Kunstmatige intelligentie (AI) is als een computer een taak uitvoert waar menselijk denken voor nodig is: zien, luisteren, taal begrijpen of beslissen. De meeste AI van nu werkt door te leren van data, en niet alleen door vaste instructies te volgen.
AI, machine learning en deep learning
- AI is het grote idee: machines die slim handelen.
- Machine learning (ML) is een deel van AI waarbij de machine patronen in data vindt.
- Deep learning is een deel van ML dat grote neurale netwerken gebruikt, bijvoorbeeld om gezichten te herkennen.
Drie hoofdgebieden
- Datawetenschap: getallen en tabellen (prijzen voorspellen).
- Computervisie: beelden en video (gezichtsontgrendeling).
- Natuurlijke taalverwerking (NLP): tekst en spraak (spraakassistenten, vertalen).
Niet alles wat automatisch gaat is AI: de timer van een wasmachine volgt vaste stappen en leert niets.
De zes stappen van de AI-projectcyclus
- Probleem afbakenen: begrijp het probleem. Vul een 4W-probleemcanvas in: Wie (betrokkenen), Wat (het probleem en het bewijs ervan), Waar (situatie/context), Waarom (voordeel van de oplossing). Sluit af met een probleemstelling in één zin.
- Data verzamelen: verzamel data die relevant en betrouwbaar is en die je mag gebruiken. Bronnen: enquêtes, sensoren, camera's, waarnemingen, web scraping, open datasets (API's). Data heeft kenmerken (invoer, bv. grootte, kleur) en een label (het antwoord, bv. appel).
- Data verkennen: schoon de data op (herstel ontbrekende, foute of dubbele waarden) en maak grafieken om patronen te zien.
- Modelleren: kies een methode. Regelgebaseerd: mensen schrijven de regels. Leergebaseerd: de machine leert de regels uit de data (bv. gesuperviseerd leren met gelabelde data, ongesuperviseerd leren dat groepen zoekt).
- Evalueren: test het model op data die het nog nooit gezien heeft. Meet de nauwkeurigheid en bekijk de fouten.
- Inzetten: zet het model in een echte app of apparaat, volg hoe het werkt en blijf het verbeteren. Daarna begint de cyclus opnieuw.
Een model evalueren: nauwkeurigheid in simpele getallen
Nauwkeurigheid = juiste voorspellingen ÷ totaal aantal voorspellingen × 100%.
Als een fruitmodel 200 nieuwe vruchten ziet en er 180 goed heeft, is de nauwkeurigheid 180 ÷ 200 × 100 = 90%. We houden een deel van de data apart als testdata, want een model kan zijn trainingsdata gewoon "onthouden". Testen op nieuwe data laat zien of het echt geleerd heeft.
Nauwkeurigheid alleen kan problemen verbergen: een model kan in totaal 95% goed zijn maar veel slechter voor één groep mensen. Daarom bekijken we de resultaten ook per groep.
Ethiek en bias in AI
AI-ethiek betekent ervoor zorgen dat AI eerlijk en veilig voor mensen wordt gebruikt.
- Bias: het model behandelt sommige mensen oneerlijk, meestal omdat de trainingsdata te weinig of eenzijdige voorbeelden heeft. Voorbeeld: een gezichtsontgrendeling die vooral met één huidskleur is getraind, werkt vaker niet bij anderen.
- Privacy: verzamel alleen de data die je nodig hebt, met toestemming, en bewaar die veilig.
- Transparantie: mensen moeten weten wanneer AI beslist en waarom.
- Verantwoordelijkheid: mensen blijven verantwoordelijk voor wat de AI doet.
- Banen en toegang: AI moet mensen helpen, en iedereen moet het kunnen gebruiken.
Oplossingen: evenwichtige en gecontroleerde data, testen bij elke groep, en menselijke controle op belangrijke beslissingen.
Belangrijke formules en begrippen
- Nauwkeurigheid (%) = juiste voorspellingen ÷ totaal aantal voorspellingen × 100
- AI-projectcyclus: Probleem afbakenen → Data verzamelen → Data verkennen → Modelleren → Evalueren → Inzetten
- 4W-canvas: Wie, Wat, Waar, Waarom
- Kenmerk: een invoereigenschap van de data. Label: het juiste antwoord bij een voorbeeld.
- Trainingsdata leert het model; testdata controleert het.
- Bias: oneerlijke resultaten voor een groep, vaak door onevenwichtige data.
Uitgewerkte voorbeelden
1. Schrijf een 4W-probleemstelling voor leerlingen die vergeten water te drinken op school.
Wie: leerlingen van 12–15 jaar. Wat: ze drinken te weinig water en voelen zich moe. Waar: in de klas tijdens lange lesuren. Waarom: herinneringen kunnen gezondheid en concentratie verbeteren. Probleemstelling: "Onze leerlingen (wie) drinken te weinig water (wat) tijdens lange lesuren (waar); een slimme herinnering houdt hen gezond en alert (waarom)."
2. Een model voor plantenziektes is getest op 250 nieuwe bladfoto's en geeft 215 juiste antwoorden. Bereken de nauwkeurigheid.
Nauwkeurigheid = 215 ÷ 250 × 100 = 86%.
3. Een model voor leningaanvragen is alleen getraind met data van aanvragers uit de stad. Welk probleem kan ontstaan en hoe los je het op?
Het kan aanvragers van het platteland oneerlijk afwijzen, omdat het hun patronen nooit heeft geleerd (bias). Oplossing: verzamel ook evenwichtige data van het platteland, test de nauwkeurigheid apart voor elke groep, en laat een mens de afwijzingen controleren.
Veelgemaakte fouten
- Meteen gaan modelleren zonder het probleem af te bakenen. Zonder duidelijke probleemstelling kan de data die je verzamelt nutteloos zijn.
- Het model testen op dezelfde data waarmee het is getraind. Dat controleert alleen geheugen, geen leren.
- Denken dat meer data altijd beter is. Fout: foute, bevooroordeelde of privégevoelige data maakt het model slechter of onethisch.
- Elke automatische machine "AI" noemen. Het is alleen AI als het leert of redeneert uit data.