Wat is AI Intervention?

Wat is een AI Intervention eigenlijk?

Stel je voor dat je wilt weten of paracetamol écht helpt tegen hoofdpijn, of dat mensen gewoon van zichzelf beter worden. Je kunt dan een experiment doen: de ene groep krijgt paracetamol, de andere niet — en je vergelijkt. Dat forceren van die pil (of juist niet), dat heet een interventie.

In AI werkt het precies zo. Een intervention is het moment waarop je bewust iets verandert in een systeem — een variabele, een invoer, een parameter — om te kijken wat het effect is. Niet om het model te trainen, maar om oorzaak en gevolg te ontdekken. Je grijpt in, en meet wat er gebeurt.

Dit hoort bij causaal redeneren: het idee dat AI niet alleen patronen moet herkennen ('roken en longkanker komen vaak samen voor'), maar ook oorzakelijke verbanden moet begrijpen ('roken veroorzaakt longkanker'). Zonder interventies kun je dat onderscheid vaak niet maken.

Hoe werkt dat in de praktijk?

Stel: je hebt een AI-model dat prijzen voorspelt voor huizen. Het model ziet dat huizen met een garage duurder zijn. Maar zorgt die garage voor een hogere prijs, of is het omdat huizen met garages toevallig ook groter zijn, in betere buurten staan, nieuwer zijn?

Met een intervention forceer je één ding: je zet 'heeft garage' op 'ja', en houdt de rest gelijk. Dan kijk je wat het model voorspelt. Daarna zet je 'heeft garage' op 'nee', weer met alles verder hetzelfde. Het verschil in voorspelling laat zien hoeveel effect die garage op zichzelf heeft — los van andere factoren.

In technische termen heet dit een do-operator (uit de causale inferentie-theorie van Judea Pearl). Je doet iets, in plaats van alleen te observeren.

Waarom zou je dit willen doen?

AI-modellen zijn goed in correlaties vinden, maar correlatie is geen causatie. Een intervention helpt je om:

• Echte oorzaken te vinden — wat heeft echt invloed, en wat lijkt alleen maar zo?

• Fouten te debuggen — als een model rare dingen doet, kun je per variabele testen wat het effect is

• Beleid te simuleren — wat gebeurt er als we deze regel veranderen, of die subsidie invoeren?

• Fairness te testen — wat gebeurt er met de uitkomst als we iemands geslacht of etniciteit veranderen, terwijl de rest hetzelfde blijft?

Het is een manier om van "het model zegt X" naar "X gebeurt omdat Y" te gaan.

Waar kom je het tegen?

• Causale AI-onderzoek — labs en universiteiten die werken aan modellen die oorzaak en gevolg begrijpen (o.a. werk rondom causale grafen, counterfactuals)

• Medische AI — wat gebeurt er met de diagnose als we dit symptoom wél/niet meenemen?

• Reinforcement learning — agents leren door interventies: wat gebeurt er als ik deze actie doe?

• Explainable AI (XAI) — sommige tools proberen uit te leggen waarom een model iets voorspelt, door te interveniëren op invoerwaarden

• Beleidssimulaties — economische of sociale modellen waarin je variabelen forceert om scenario's door te rekenen

Wat kun je er nu mee?

Als je met AI werkt en je wilt weten of een factor echt invloed heeft — en niet alleen toevallig samenhangt met iets anders — dan is een intervention je vriend. Het is de manier om van "dit lijkt verband te houden" naar "dit veroorzaakt" te gaan. Vooral bij gevoelige toepassingen (zorg, financiën, rechtspraak) is dat onderscheid cruciaal: je wilt weten wat er echt gebeurt als je iets verandert, niet alleen wat het model denkt dat er gebeurt.