Fundamenten & kernconcepten

Een slimme manier van trainen waarbij het AI-model zelf aangeeft welke voorbeelden het het liefst gelabeld wil hebben — zo leer je met minder handmatig werk hetzelfde resultaat.

Een stapsgewijze instructie die een AI-systeem volgt om een probleem op te lossen — net zoals een recept je door het koken leidt, of een route-planner je naar je bestemming brengt.

Het sorteren van dingen in vaste categorieën, zoals een AI die e-mails herkent als spam of niet-spam, of foto's indeelt bij dieren, auto's of gebouwen.

Het moment waarop een getraind AI-model daadwerkelijk aan het werk gaat — jij stelt een vraag of geeft input, het model geeft direct een antwoord of voorspelling. Denk aan ChatGPT die je vraag beantwoordt.

Een AI-model is het getrainde 'brein' van een AI-systeem — een wiskundige structuur die patronen heeft geleerd uit data en daarmee taken kan uitvoeren zoals tekst genereren, beelden herkennen of voorspellingen doen.

De output die een AI-model geeft op basis van wat je invoert — een getal, categorie, tekst of beeld. Nooit 100% zeker, altijd met een inschatting van zekerheid.

Het proces waarbij een AI-model leert van duizenden of miljoenen voorbeelden, door steeds zijn interne 'instellingen' bij te stellen tot het patronen goed herkent.

Een hypothetische toekomstige AI die elk intellectueel probleem kan begrijpen en oplossen dat een mens ook aankan — van poëzie schrijven tot een bedrijf leiden. Bestaat nog niet.

Systemen die taken uitvoeren waarvoor normaal menselijk denkvermogen nodig is — zoals herkennen, leren, plannen of beslissen. Van je spamfilter tot zelfrijdende auto's.

Een hypothetische AI die mensen op elk denkbaar vlak voorbijstreeft — niet alleen in rekenen of schaken, maar ook in creativiteit, sociaal inzicht en zelfverbetering.

Het 'leeralgoritme' waarmee een neuraal netwerk zijn fouten herkent en zichzelf verbetert — door de fout achterwaarts door het netwerk te sturen en alle instellingen bij te stellen.

Een groepje data-voorbeelden dat een AI-model in één keer verwerkt tijdens training of gebruik — zoals een stapeltje rekeningen dat je in één keer afhandelt in plaats van één voor één.

Een manier van leren waarbij een AI-model in één keer wordt getraind op alle beschikbare data, voordat het in gebruik gaat — in plaats van continu bij te leren tijdens het werk.

De spanning tussen een model dat te simpel is (en patronen mist) en een model dat te complex is (en ruis aanleert). Het vinden van de juiste balans is cruciaal voor bruikbare AI.

Als een AI-model nieuwe dingen leert, kan het oude kennis vergeten — net zoals je een oude taal verliest als je 'm niet meer gebruikt.

Een gedachte-experiment dat de vraag stelt: kan een computer écht begrijpen wat hij doet, of voert hij alleen instructies uit zonder er iets van te snappen?

Een techniek waarbij AI zelf patronen ontdekt door vergelijkbare dingen automatisch bij elkaar te zetten — zonder dat je van tevoren vertelt wat de groepen zijn.

Het vergroten van de rekenkracht (processoren, geheugen, tijd) om een AI-model krachtiger of nauwkeuriger te maken — zoals een groter team inzetten voor een project.

De vraag of AI bewust kan zijn — of het ervaringen heeft, iets 'voelt' — is één van de meest besproken filosofische vraagstukken in de AI-wereld. Tot nu toe ontbreekt elk wetenschappelijk bewijs dat AI bewustzijn heeft.

Een AI-model dat blijft leren van nieuwe data, zonder de oude kennis te vergeten — zoals jij nieuwe vaardigheden leert zonder je moedertaal te verleren.

Een leermethode waarbij AI leert door voorbeelden met elkaar te vergelijken: wat lijkt op elkaar, wat niet? Zo leert het systeem patronen herkennen zonder dat elk voorbeeld een label nodig heeft.

Het moment waarop een AI-model stopt met groot verbeteren tijdens training — het heeft een stabiel antwoord gevonden en komt niet meer veel verder.

Een wiskundige manier om te meten hoe ver een AI-model ernaast zit met zijn voorspellingen — hoe hoger de score, hoe slechter het model presteert.

Een testmethode waarbij je je dataset in meerdere stukjes verdeelt om een AI-model steeds op andere data te trainen én te testen — zo voorkom je dat het goede scores haalt door geluk.

Een trainingsmethode waarbij je een AI-model eerst met simpele voorbeelden traint, daarna met steeds complexere — net zoals je op school begint met optellen voor je aan algebra toekomt.

Hoe meer kenmerken je gebruikt om iets te analyseren, hoe moeilijker patronen te vinden zijn — alsof je zoekt in steeds grotere ruimtes waar alles verder van elkaar af ligt.

Een verzameling gegevens die je gebruikt om een AI-model te trainen of te testen. Zoals een leerboek waarmee je voor een examen studeert.

Een manier van machine learning waarbij computers leren via kunstmatige hersenen met tientallen of honderden lagen — vandaar 'diep'. Sinds 2012 de motor achter doorbraken in spraak, beeld en taal.

Een leerprincipe waarbij AI leert door te experimenteren en beloningen te krijgen, zoals een kind dat leert fietsen door vallen en opstaan — maar dan met krachtige neurale netwerken die de strategie bepalen.

Techniek om grote hoeveelheden data compacter te maken door overbodige informatie weg te laten, zonder de kern kwijt te raken — zoals een samenvatting van een dik boek.

Een manier om automatisch labels aan trainingsdata te hangen door een bestaande kennisbank te gebruiken, zonder dat mensen alles handmatig hoeven te annoteren.

Wanneer een AI-model tijdens training de verkeerde kant opgaat: de fouten worden groter in plaats van kleiner, waardoor het model onbruikbaar wordt.

Een verrassend fenomeen waarbij AI-modellen eerst slechter worden als je ze complexer maakt, maar daarna — tegen alle verwachting in — juist weer beter presteren wanneer ze véél groter worden.

Een trainingstechniek waarbij willekeurig neuronen tijdelijk worden uitgeschakeld, zodat een neuraal netwerk niet te afhankelijk wordt van specifieke verbindingen en beter generaliseert.

Een techniek waarbij je het trainen van een AI-model stopt zodra het niet meer beter wordt, om te voorkomen dat het te veel leert van de trainingsdata en daardoor juist slechter gaat presteren op nieuwe situaties.

Een manier om woorden, zinnen of andere data om te zetten in rijtjes getallen, zodat AI kan rekenen met betekenis — woorden die op elkaar lijken krijgen vergelijkbare cijfers.

Een vaardigheid die een AI-model plotseling beheerst zodra het groot genoeg wordt — terwijl het bij kleinere versies nog nergens te bekennen was.

Het combineren van meerdere AI-modellen om tot een betere voorspelling te komen — zoals een panel van experts dat samen tot een wijzer oordeel komt dan elk individu apart.

Een epoch is één volledige ronde waarin een AI-model alle trainingsdata precies één keer heeft gezien tijdens het leren. Net zoals je een boek meerdere keren moet herlezen om het echt te snappen.

Een meetbare eigenschap van je data die een AI-model gebruikt om patronen te herkennen — zoals 'leeftijd' of 'aantal pixels' in een foto.

Het slim omvormen van ruwe data naar bruikbare kenmerken waar een AI-model mee kan leren — zoals het omrekenen van postcodes naar afstand tot een winkel.

Een manier om AI-modellen te trainen waarbij de data op jouw apparaat blijft — je telefoon, laptop of ziekenhuisserver leert lokaal, deelt alleen de geleerde inzichten, nooit je ruwe gegevens.

Een AI-model dat een nieuwe taak leert uit slechts een paar voorbeelden, zonder dat je het helemaal opnieuw hoeft te trainen.

Een forward pass is wanneer data door een neuraal netwerk stroomt van begin tot eind, om uiteindelijk tot een antwoord of voorspelling te komen.

Een biologische theorie die zegt dat alle levende wezens — van cellen tot hersenen — continu proberen verrassingen te minimaliseren door te voorspellen wat er gaat gebeuren.

Het vermogen van een AI-model om wat het heeft geleerd ook toe te passen op nieuwe situaties die het nog nooit gezien heeft — zoals een kind dat leert fietsen en dat daarna ook op een andere fiets kan.

De richting waarin een AI-model het snelst kan verbeteren — zoals het steilste pad van een berg af, maar dan voor foutcorrectie.

Het moment waarop een AI-model plotseling een taak lijkt te 'begrijpen', vaak lang nadat het al perfect scoorde op de trainingsoefeningen.

Het principe waarbij AI leert op meerdere niveaus tegelijk — van kleine details tot grote patronen — net zoals jij eerst letters leert, dan woorden, dan zinnen begrijpt.

Een instelling die je vóór de training van een AI-model kiest, zoals de snelheid waarmee het model leert. Het model leert deze waarde niet zelf — jij bepaalt hem van tevoren.