Wat is AI Training?

Hoe leert een AI eigenlijk?

AI training is het moment waarop een AI-model écht leert. Je kunt het vergelijken met hoe je zelf fietsen leerde: niet door een handleiding te lezen, maar door het keer op keer te proberen, te vallen, en telkens iets bij te stellen tot je het onder de knie had.

Een AI-model begint als een blanco vel — een reeks interne 'knoppen' die nog willekeurig staan. Tijdens de training krijgt het model duizenden of miljoenen voorbeelden te zien: foto's van katten en honden, zinnen in verschillende talen, of klantvragen met antwoorden. Bij elk voorbeeld vergelijkt het model zijn poging met het juiste antwoord. Zit het ernaast? Dan draait het een klein beetje aan zijn interne knoppen. Dit gebeurt automatisch, en dat heet 'leren'.

Stap voor stap door de data

De voorbeelden worden niet in één keer verwerkt — dat zou te veel zijn. In plaats daarvan werkt het model in kleine groepjes, zogenaamde batches. Stel je voor dat je een stapel flashcards hebt: in plaats van alle 10.000 kaarten tegelijk te bestuderen, pak je er steeds 32 of 64.

Elke keer dat het model door álle data heen is geweest — dus alle batches heeft gezien — heet dat één epoch. En meestal is één rondje niet genoeg. Het model gaat misschien 10, 50 of 100 epochs door dezelfde data, steeds verfijnend, tot het patronen begint te herkennen.

Hoe snel het model bijstuurt, hangt af van de learning rate: hoeveel het zijn interne knoppen per keer mag verdraaien. Te voorzichtig? Dan duurt het eindeloos. Te enthousiast? Dan schiet het alle kanten op en leert het niks. Trainen is dus een kwestie van balanceren.

Waar kom je het tegen?

Je merkt het resultaat van training overal:

• ChatGPT, Claude, Gemini, Copilot zijn getraind op miljarden zinnen uit boeken, websites en gesprekken

• Google Foto's heeft geleerd gezichten te herkennen door miljoenen foto's te zien

• Spotify trainde zijn aanbevelingsalgoritme op luistergedrag van honderden miljoenen gebruikers

• Zelfrijdende auto's trainen op beelden van miljoenen kilometers gereden weg

In bedrijven: als je een chatbot maakt voor klantenservice, train je die op échte klantvragen uit het verleden. Hoe meer voorbeelden, hoe beter het model leert wat klanten vragen en wat goede antwoorden zijn.

Wat kost training?

Training is intensief. Grote taalmodellen zoals GPT-4 of Claude trainden weken- of maandenlang op honderden GPU's tegelijk — dat kost miljoenen dollars aan rekenkracht en energie. Kleinere modellen voor specifieke taken (bijvoorbeeld een spam-filter of een verkoopvoorspeller) kun je op een normale laptop trainen in een paar uur.

Eenmaal getraind hoef je het niet opnieuw te doen — tenzij je nieuwe data hebt of het model moet bijleren. Dat heet fine-tuning of retraining.

Wat kun je ermee?

Als je begrijpt hoe training werkt, snap je beter waarom AI soms rare fouten maakt (het heeft iets verkeerds geleerd uit de data), en waarom kwaliteit van voorbeelden zo cruciaal is. Wil je zelf een model trainen? Kies goede, representatieve data, doe voldoende epochs, en experimenteer met de learning rate. Veel AI-platforms (zoals Hugging Face of Google Vertex AI) bieden kant-en-klare tools om te beginnen — ook zonder dat je de wiskunde erachter hoeft te snappen.