Wat is Bayesian Inference?

Hoe werkt het eigenlijk?

Stel je voor dat je een nieuwe collega ontmoet. Na één gesprek denk je: "Lijkt aardig." Na een week samenwerken: "Ah, altijd op tijd, precieze werker." Na een maand: "Toch soms wat kort door de bocht." Je beeld wordt steeds scherper doordat je nieuwe ervaringen combineert met wat je al wist. Dat is in essentie hoe Bayesian Inference werkt.

In AI-termen: je begint met een beginschatting (een "prior" — wat je al denkt te weten), krijgt nieuwe data binnen, en past je schatting aan tot een verbeterde conclusie (een "posterior" — je nieuwe, scherpere inschatting). Die nieuwe conclusie wordt weer je uitgangspunt voor de volgende ronde informatie. Zo leert een systeem stapsgewijs.

De methode is vernoemd naar dominee Thomas Bayes (18e eeuw), die de wiskundige regel bedacht waarmee je kansen kunt updaten. In AI draait het om het antwoord op vragen als: "Hoe zeker ben ik dat dit e-mailtje spam is, gegeven de woorden die erin staan én wat ik al weet over spam?"

Waarom zou jij hier iets aan hebben?

Bayesian Inference is overal waar systemen met onzekerheid om moeten gaan:

• Spamfilters — elke nieuwe mail die je markeert als spam of niet-spam, verfijnt de inschatting van wat spam is

• Medische diagnostiek — AI combineert symptomen met eerdere kansen op ziektes om tot een diagnose te komen

• Aanbevelingen — streamingdiensten updaten wat ze denken dat jij leuk vindt, elke keer dat je iets kijkt of overslaat

• Zelfrijdende auto's — het systeem schat in waar een voetganger naartoe loopt, en past die schatting aan zodra de voetganger beweegt

Het grote voordeel: je kunt beginnen met beperkte kennis en die gaandeweg verfijnen. Je hoeft niet alles van tevoren te weten.

Een voorbeeld uit de praktijk

Een webshop wil voorspellen of een klant een bestelling gaat retourneren. De inschatting begint met algemene cijfers: "Gemiddeld wordt 15% van de bestellingen geretourneerd." Dat is de prior — je startpunt.

Vervolgens kijkt het systeem naar nieuwe informatie over deze specifieke klant: heeft al drie keer eerder geretourneerd, bestelt vaak meerdere maten tegelijk, woont in een regio met hoog retourpercentage. Die signalen worden gewogen en gecombineerd met de 15%. De posterior — de nieuwe inschatting — komt uit op 60% kans op retour.

Bij de volgende bestelling is die 60% weer het startpunt, en wordt opnieuw aangepast met nieuwe signalen. Zo wordt de voorspelling per klant steeds persoonlijker en nauwkeuriger.

Waar kom je het tegen?

Bayesian Inference zit verweven in allerlei AI-technieken, vaak zonder dat het expliciet genoemd wordt:

• Bayesian Networks — modellen die oorzaak-en-gevolg-relaties leren (bijvoorbeeld in medische expertysystemen)

• Markov Chain Monte Carlo (MCMC) — rekenmethodes om complexe Bayesian-modellen door te rekenen

• Gaussian Processes — voor voorspellingen met onzekerheid, bijvoorbeeld in tijdreeksanalyse

• Variational Autoencoders — generatieve modellen die nieuwe afbeeldingen of teksten maken

• Reinforcement Learning — agents die leren door trial-and-error, updaten hun verwachtingen Bayesiaans

Ook buiten AI: A/B-testen, financiële risicomodellen, klimaatvoorspellingen — overal waar je met onzekerheid werkt en voortschrijdend inzicht wilt.

Waarom is dit belangrijk voor jou?

Als je begrijpt dat veel AI-systemen niet "weten" maar "inschatten" — en die inschatting steeds bijstellen — kun je beter inschatten wanneer je zo'n systeem kunt vertrouwen. Een spamfilter die net getraind is, maakt andere fouten dan eentje die al duizenden mails van jou heeft gezien. Een aanbevelingssysteem heeft tijd nodig om jouw smaak te leren.

Bayesian Inference herinnert je eraan dat AI-systemen werken met kansen, niet met zekerheden. Dat maakt ze flexibel en leerzaam — maar ook feilbaar. Door te snappen dat elke voorspelling een inschatting is die bijgesteld kan worden, kun je realistischer verwachtingen hebben en slimmer samenwerken met AI.