Wat is Backpropagation?

Hoe leert een AI nou eigenlijk van fouten?

Stel je voor: je leert fietsen. Je valt, en je hersenen registreren precies wat er misging — te hard gestuur'd, te laat geremd. De volgende keer stuur je automatisch wat zachter. Dat 'terugkijken en bijstellen' is in wezen wat backpropagation doet in een neuraal netwerk.

Backpropagation — vaak afgekort tot 'backprop' — is het slimme trucje waarmee een AI-model leert van zijn vergissingen. Het werkt zo: het netwerk doet een voorspelling (bijvoorbeeld: "dit is een foto van een kat"), vergelijkt die met het juiste antwoord, en berekent hoeveel fout er zat. Dat foutsignaal stuurt het dan achterwaarts door alle lagen van het netwerk, alsof je een film terugspoel't. Bij elke laag vraagt het: "Hoeveel draag jij bij aan deze fout?" En op basis daarvan worden alle interne instellingen — de 'gewichten' — een klein beetje aangepast.

Een voorbeeld uit de keuken

Stel: je bakt een taart, maar die is te zout. Je proeft hem (dat is de voorspelling), merkt dat het mis is (de fout), en gaat dan terug langs je ingrediënten: was het de boter? Het eimengsel? Het meel? Je ontdekt dat je per ongeluk zout in plaats van suiker hebt gebruikt. De volgende keer pas je dát stukje aan.

Backpropagation doet hetzelfde, maar dan met miljoenen parameters tegelijk. Elke keer dat het netwerk een voorbeeld ziet — een plaatje, een zin, een geluidsfragment — past het zich een beetje aan. Na duizenden herhalingen is het netwerk zo afgesteld dat het steeds vaker goed zit.

Waarom is dit zo belangrijk?

Zonder backpropagation zou je elk neuron handmatig moeten aanpassen — een beetje zoals je elke pixel in een foto afzonderlijk zou moeten kleuren. Het algoritme maakt het mogelijk om complexe patronen te leren zonder dat een mens precies hoeft uit te leggen hoe. Dat is de kern van waarom moderne AI zo krachtig is: het netwerk ontdekt zelf welke kenmerken belangrijk zijn (ronde oren bij katten, bepaalde woorden in een spam-mail) door simpelweg veel voorbeelden te zien en zichzelf steeds bij te schaven.

Het proces is trouwens niet perfect: als je te veel bijstelt, gaat het netwerk de trainingsdata uit z'n hoofd leren in plaats van echte patronen oppikken (dat heet overfitting). Te weinig bijstellen en het leert te langzaam. Daarom is het een balanceeract — een beetje zoals een thermostaat die niet te heftig moet reageren op elke graad temperatuurverschil.

Waar kom je het tegen?

Backpropagation zit onder de motorkap van vrijwel elk neuraal netwerk dat je tegenkomt. Denk aan:

• Beeldherkenning — Google Foto's die gezichten herkent, of een medische AI die röntgenfoto's analyseert

• Taalmodellen — ChatGPT, Claude, Gemini — allemaal getraind met varianten van backprop

• Spraakherkenning — Siri, Google Assistant, Alexa

• Aanbevelingssystemen — Netflix die films voorstelt, Spotify die nummers kiest

• Zelfrijdende auto's — herkenning van voetgangers, verkeersborden, andere voertuigen

Je ziet het niet direct, maar elke keer dat een AI iets 'leert', is backpropagation vaak de stille motor erachter.

Wat kun je ermee?

Als je zelf met AI aan de slag gaat — bijvoorbeeld door een model te trainen voor je bedrijf of een hobbyproject — hoef je backpropagation meestal niet zelf te programmeren. Frameworks zoals TensorFlow en PyTorch doen dat automatisch. Maar het helpt wel om te begrijpen dat 'trainen' niet iets magisch is: het is simpelweg duizenden keren fouten maken, terugkijken, en kleine correcties doorvoeren tot het klopt.

Dat inzicht helpt ook bij het oplossen van problemen: als je model niet leert, kan het zijn dat de 'leersnelheid' (hoe groot de correcties zijn) verkeerd is ingesteld, of dat je trainingsdata te eenzijdig is. Backpropagation is betrouwbaar, maar alleen als je het de goede ingrediënten geeft.