Wat is Iteration?

Wat is een iteratie eigenlijk?

Stel je voor: je leert bakfietsen. Je springt erop, rijdt tien meter, valt bijna om, en past je evenwicht aan. Dat is één oefening — één iteratie. Bij AI-training werkt het vergelijkbaar. Een AI-iteratie is één enkele leerstap waarin het model een klein beetje data doorneemt, een foutje ontdekt, en zichzelf corrigeert. Na duizenden van zulke stapjes wordt het model steeds beter.

Een iteratie is dus niet de hele training, maar één update-cyclus. Net zoals je niet in één keer perfect kunt bakfietsen, leert een AI-model niet in één keer — maar stapje voor stapje, iteratie voor iteratie.

Hoe werkt zo'n iteratie?

Bij elke iteratie gebeurt er dit:

• Het model krijgt een batch — een kleine set voorbeelden (bijvoorbeeld 32 foto's van katten en honden)

• Het maakt voorspellingen: "Dit is een kat, dit is een hond"

• Het vergelijkt die voorspellingen met de juiste antwoorden

• Het berekent de fout: hoe ver zat ik ernaast?

• Het past zijn interne instellingen (parameters) een heel klein beetje aan om de fout te verkleinen

Dan begint de volgende iteratie, met een nieuwe batch. Dit proces herhaalt zich duizenden of miljoenen keren tijdens de training.

Het verschil met een epoch (nog zo'n vakterm): een epoch is één keer door alle trainingsdata heen. Als je dataset 10.000 voorbeelden bevat en je batch-grootte is 100, dan heb je 100 iteraties nodig voor één epoch.

Waarom zoveel iteraties?

AI-modellen leren heel geleidelijk. Na één iteratie is de verbetering microscopisch klein. Maar na duizenden iteraties stapelen die kleine correcties zich op, net zoals je na honderd keer bakfietsen opeens soepel door de bocht gaat.

Bij grote taalmodellen zoals GPT of Claude gaan er miljoenen iteraties doorheen tijdens training. Elke iteratie kost rekenkracht (GPU-tijd), en de som van al die iteraties bepaalt hoeveel de training uiteindelijk kost en hoe lang het duurt.

Waar kom je het tegen?

In de praktijk zie je iteraties vooral terug in:

• Training-logs en dashboards — als je zelf een model traint (bijvoorbeeld met Hugging Face, PyTorch, TensorFlow), zie je live de "iteration count" oplopen, vaak met een grafiekje van de fout die steeds kleiner wordt

• Onderzoeksrapporten — papers vermelden hoeveel iteraties er nodig waren om een bepaald resultaat te bereiken

• Machine learning-platforms zoals Weights & Biases, MLflow of TensorBoard tonen iteraties als aparte stappen op de tijdlijn

• Kosten-calculaties — cloudproviders rekenen soms per GPU-uur, en het aantal iteraties bepaalt mede hoeveel uren je nodig hebt

Wat kun je ermee?

Als je begrijpt wat een iteratie is, kun je beter inschatten hoe complex AI-training is. Wanneer iemand zegt "ons model is getraind op 100.000 iteraties", weet je: dat zijn 100.000 kleine correctie-stapjes. Dat helpt je om realistische verwachtingen te hebben over tijd, kosten en resultaten — en maakt het minder mysterieus waarom het bouwen van een goed AI-model maanden kan duren.