Wat is Bayes Theorem?

Wat is het Bayes Theorem eigenlijk?

Stel je voor: je wilt weten of het gaat regenen. Je kijkt naar de lucht en ziet donkere wolken. Op dat moment pas je in je hoofd de kans op regen aan — van "misschien 20%" naar "waarschijnlijk 80%". Dat proces van bijstellen op basis van nieuwe informatie, dat is precies wat het Bayes Theorem doet. Het is een wiskundige methode om kansen te updaten zodra je meer weet.

Vernoemd naar dominee Thomas Bayes uit de 18e eeuw, vormt dit theorem de basis voor hoe veel AI-systemen leren en beslissingen nemen. Het gaat niet om het uitrekenen van één vaste waarheid, maar om het verfijnen van je schatting telkens als er nieuwe gegevens binnenkomen.

Hoe werkt het in de praktijk?

Je begint met een beginschatting — wat we de "prior" noemen. Dat is wat je al denkt voordat je nieuwe informatie hebt. Bijvoorbeeld: "meestal regent het hier 30% van de dagen".

Dan krijg je nieuwe informatie — de "evidence": je ziet donkere wolken. Nu combineer je beide: hoe vaak zie je donkere wolken op een regendag? En hoe vaak zie je ze op een droge dag? Op basis daarvan bereken je een nieuwe, bijgestelde kans — de "posterior".

Het slimme is dat je dit steeds opnieuw kunt doen. Elke keer dat er nieuwe info komt, wordt je schatting nauwkeuriger. Net zoals jij na jaren ervaring steeds beter wordt in inschatten of je een paraplu moet meenemen.

Waarom gebruikt AI dit?

AI-systemen werken vaak met onzekerheid. Ze moeten beslissingen nemen zonder alle feiten te kennen — net als mensen. Het Bayes Theorem geeft ze een manier om met die onzekerheid om te gaan.

Denk aan een spamfilter: die begint met een grove schatting ("mails met het woord 'gratis' zijn vaak spam"). Maar telkens als jij een mail markeert als spam of niet-spam, update het systeem z'n inschatting. Woorden die eerst verdacht leken kunnen onschuldig blijken, en andersom. Het filter wordt slimmer door continu bij te stellen.

Of neem een medisch AI-systeem dat helpt bij diagnoses. Het begint met de algemene kans op een ziekte in de populatie, en past die aan op basis van jouw symptomen, leeftijd, testresultaten — telkens verfijnt het z'n inschatting.

Waar kom je het tegen?

• Spamfilters — Gmail, Outlook en anderen gebruiken Bayesiaanse methoden om spam te herkennen

• Aanbevelingssystemen — Netflix en Spotify passen hun voorspellingen aan op basis van wat je kijkt of luistert

• Zoekmachines — Google update de relevantie van zoekresultaten op basis van klikgedrag

• Medische diagnostiek — systemen die artsen helpen door kansen op ziektes bij te stellen per symptoom

• Autonoom rijden — zelfrijdende auto's schatten continu opnieuw in waar andere weggebruikers naartoe gaan

• Fraudedetectie — banken updaten het risicoprofiel van transacties real-time

Je ziet het patroon: overal waar een systeem moet leren van ervaring en om moet gaan met onzekerheid, duikt het Bayes Theorem op.

Een concreet voorbeeld

Stel: een test voor een zeldzame ziekte is 99% betrouwbaar. Je test positief. Moet je in paniek raken?

Zonder Bayes zou je denken: 99% kans dat ik ziek ben. Maar als de ziekte maar bij 1 op de 10.000 mensen voorkomt, dan zijn er bij 10.000 geteste mensen:

• 1 zieke persoon die (waarschijnlijk) positief test

• 9.999 gezonde mensen waarvan 1% (ongeveer 100) ook positief test

Van de 101 positieve testen zijn er dus maar 1 echt ziek — ongeveer 1%. Het Bayes Theorem helpt je die rekensom maken: het combineert hoe zeldzaam iets is met hoe betrouwbaar je test is.

Dit soort rekenwerk doet AI constant — alleen dan met duizenden variabelen tegelijk.

Wat kun je ermee?

Als je begrijpt hoe het Bayes Theorem werkt, snap je beter waarom AI-systemen soms verrassend goede voorspellingen doen — en waarom ze soms fout zitten. Ze werken niet met absolute zekerheden, maar met kansen die ze continu bijstellen.

Dat helpt je ook om kritischer te kijken naar wat een AI je vertelt. Een "90% zekerheid" betekent iets anders als het systeem weinig data heeft gezien dan wanneer het op miljoenen voorbeelden is getraind. En het verklaart waarom sommige systemen beter worden naarmate je ze meer gebruikt: ze krijgen meer kansen om hun schattingen bij te stellen.

Wil je hier meer mee? Kijk eens naar hoe de spamfilter in je mailbox werkt — vaak kun je zien hoe het leert van jouw feedback. Of let op hoe een aanbevelingssysteem z'n suggesties aanpast naarmate je meer laat zien wat je wel en niet leuk vindt. Dat is Bayes in actie.