Wat is Discriminative Model?

Wat is een discriminative model eigenlijk?

Stel je voor dat je een stapel foto's hebt met honden en katten. Een discriminative model is een AI-systeem dat leert om te zeggen: "Dit is een hond" of "Dit is een kat". Het trekt als het ware een denkbeeldige lijn tussen de twee groepen, zonder zich druk te maken over hoe een kat of hond er precies uitziet of hoe je er zelf een zou kunnen maken.

De term komt uit de machine learning en staat in contrast met generative models. Waar een generatief model leert hoe data eruitziet en nieuwe voorbeelden kan maken (denk aan ChatGPT die tekst schrijft of DALL-E die plaatjes maakt), leert een discriminative model puur om onderscheid te maken. Het bestudeert de grenzen tussen categorieën, niet de categorieën zelf.

Hoe werkt het in de praktijk?

Een discriminative model krijgt tijdens de training voorbeelden te zien met labels erbij. Bijvoorbeeld duizenden foto's van honden (gelabeld "hond") en duizenden foto's van katten (gelabeld "kat"). Het model leert welke patronen — zoals de vorm van de oren, de grootte van de ogen, de lichaamsbouw — betrouwbaar voorspellen of iets tot de ene of de andere groep hoort.

Het berekent: "Gegeven deze kenmerken, wat is de kans dat dit een hond is?" Na genoeg training kan het model bij een nieuwe, onbekende foto zeggen: "Dit is met 95% zekerheid een hond."

Belangrijk verschil met generatieve modellen: een discriminative model hoeft niet te begrijpen hoe een hond eruitziet in alle details. Het hoeft geen nieuwe honden te kunnen tekenen. Het hoeft alleen de beslissingsgrens te kennen: wat maakt iets tot een hond versus een kat?

Waar kom je het tegen?

Discriminative models zitten overal waar classificatie of voorspelling centraal staat:

• Spamfilters: e-mails sorteren in "spam" of "geen spam"

• Beeldherkenning: gezichten identificeren op foto's, nummerplaten lezen, medische scans beoordelen (kwaadaardig of goedaardig)

• Fraudedetectie: transacties labelen als verdacht of veilig

• Stemherkenning: gesproken woorden omzetten naar tekst (onderscheid maken tussen fonemen)

• Klantenservice-chatbots: intent classification — begrijpen of iemand een vraag stelt, klaagt of iets wil bestellen

Bekende discriminative algoritmes zijn logistic regression, support vector machines (SVM), random forests en de meeste classificatie-varianten van neural networks.

Waarom zou jij hier iets aan hebben?

Als je nadenkt over welk type AI je nodig hebt, helpt het om te weten wat discriminative models goed kunnen — en wat niet. Ze zijn efficiënt, betrouwbaar en snel als je vooral wilt sorteren, voorspellen of beslissen. Je hebt meestal minder data nodig dan voor een generatief model, en de uitkomsten zijn directer te interpreteren.

Maar als je juist nieuwe content wilt maken — teksten schrijven, afbeeldingen genereren, muziek componeren — dan heb je een generatief model nodig. Veel moderne AI-systemen combineren beide: discriminative componenten voor classificatie en generatieve componenten voor creatie.

Generatief versus discriminatief: een analogie

Denk aan een kunstcriticus versus een kunstenaar. De criticus (discriminative model) kan je precies vertellen of een schilderij tot het impressionisme of kubisme hoort, zonder zelf te kunnen schilderen. De kunstenaar (generative model) kan nieuwe impressionistische werken maken, maar hoeft niet per se goed te zijn in het categoriseren van andermans kunst.

Beide hebben hun waarde — het hangt af van wat je wilt bereiken.

Als je een AI-project start, vraag jezelf af: moet het systeem vooral beslissen (discriminatief) of creëren (generatief)? Die keuze bepaalt welke richting je opgaat — en hoeveel data, rekenkracht en complexiteit je nodig hebt.