Wat is Bayesian Network?

Wat is een Bayesian Network eigenlijk?

Stel je voor dat je dokter bent en een patiënt heeft koorts. Dat kan door griep komen, maar ook door een bacteriële infectie. Als de patiënt óók hoest, wordt griep waarschijnlijker. Als er bovendien keelpijn is, verschuift de kans weer. Een Bayesian Network is een soort beslisboom die dit soort redeneringen automatiseert: het berekent kansen op basis van wat je wél weet, ook als je nog niet alles weet.

Het netwerk bestaat uit knopen (bijvoorbeeld: 'koorts', 'hoesten', 'griep') en pijlen die aangeven wat wat kan veroorzaken. Elke knoop heeft een kanstabel: "als griep waar is, dan is de kans op koorts 80%". Door al die tabellen te combineren, kan het systeem uitrekenen: "gegeven koorts én hoesten, wat is dan de kans op griep?"

De naam komt van Thomas Bayes, een 18e-eeuwse dominee die de wiskundige regel bedacht waarmee je kansen kunt 'omdraaien': van oorzaak naar gevolg, maar ook andersom.

Hoe werkt het in de praktijk?

Je bouwt het netwerk door:

• Knopen te definiëren voor dingen die je wilt voorspellen of waarnemen (ziekte, symptoom, weersomstandigheid, technische storing)

• Pijlen te tekenen die oorzaak-gevolg relaties weergeven

• Kanstabellen in te vullen op basis van data of expertkennis: "als regen, dan 70% kans op vertraging"

Zodra je het netwerk hebt, kun je er vragen aan stellen. Je voert een paar waarnemingen in ("de patiënt heeft koorts") en het netwerk berekent de kans op alle andere knopen. Dit heet inferentie — het netwerk redeneert van wat je ziet naar wat je niet ziet.

Bayesian Networks zijn vooral krachtig als je met onzekerheid werkt en meerdere signalen moet combineren. Een machine learning-model geeft vaak één voorspelling; een Bayesian Network geeft je een kansverdeling en kan je laten zien welke factoren de doorslag geven.

Een voorbeeld uit de praktijk

Een verzekeraar wil fraude opsporen. Het netwerk heeft knopen als 'schademelding', 'eerdere claims', 'urgentie', 'locatie van incident'. De pijlen tonen: een hoge urgentie verhoogt de kans op een legitieme claim, maar als iemand al vijf eerdere claims heeft én het incident vond plaats op een ongebruikelijke locatie, stijgt de fraudekans.

Het netwerk combineert al die signalen en geeft een score: "15% kans op fraude". De verzekeraar kan dan handmatig verder onderzoeken. Het mooie: het netwerk legt uit waaróm die 15% — je ziet in het netwerk welke factoren meewogen.

In de gezondheidszorg worden Bayesian Networks gebruikt voor medische diagnose-ondersteuning: geef symptomen en testresultaten in, krijg een lijst met kansen op verschillende ziektes terug, inclusief de redenering erachter.

Waar kom je het tegen?

• Medische AI-systemen — diagnostiek met onvolledige informatie

• Risicoanalyse bij banken en verzekeraars — fraudedetectie, kredietbeoordeling

• Industriële processen — voorspellen waar een storing vandaan komt in een fabriek

• Autonome systemen — robots die beslissingen nemen onder onzekerheid

• Milieu- en klimaatmodellen — voorspellen van scenario's met veel onzekere variabelen

Bayesian Networks zijn geen "AI-model" in de zin van ChatGPT of een beeldherkenner, maar ze worden vaak gecombineerd met machine learning: de kanstabellen kunnen automatisch uit data worden geleerd.

Waarom zou jij hier iets aan hebben?

Als je te maken hebt met besluiten onder onzekerheid — of je nu klantgedrag voorspelt, technische storingen analyseert of gezondheidsrisico's inschat — dan bieden Bayesian Networks iets wat veel AI-systemen niet hebben: transparantie en redenering. Je ziet niet alleen een uitkomst, maar ook waaróm.

Daarnaast: als je weinig data hebt, kun je een Bayesian Network opbouwen met expertkennis en die later verfijnen met data. Dat maakt ze bruikbaar in situaties waar deep learning vastloopt door gebrek aan trainingsvoorbeelden.

Wil je ermee experimenteren? Zoek naar open-source tools zoals de Python-bibliotheken pgmpy of bnlearn. Of kijk naar wetenschappelijke artikelen over causale inferentie — Bayesian Networks zijn dé techniek voor het modelleren van oorzaak-en-gevolg in data.