Wat is Distribution?

Wat is een distribution eigenlijk?

Een distribution (verdeling) beschrijf je het best als een overzicht van welke waardes er allemaal voorkomen, en hoe vaak. Stel je voor dat je 100 mensen meet: sommigen zijn 1,60 meter, veel mensen zitten rond de 1,75, en enkelen zijn boven de 2 meter. Als je dat in een grafiekje zet, zie je een patroon — meestal een bult in het midden, met lagere flanken aan de zijkanten. Dat patroon is de verdeling van lengtes.

In AI kom je dit voortdurend tegen. Een model voorspelt niet één vaststaand antwoord, maar een hele waaier aan mogelijke uitkomsten, elk met een eigen waarschijnlijkheid. Die waarschijnlijkheden samen vormen een distribution. Het is alsof het model zegt: "dit antwoord lijkt me het meest waarschijnlijk, maar die andere optie kan ook, en deze derde is bijna uitgesloten."

Hoe werkt het in de praktijk?

Elke keer dat een AI-model een woord kiest, berekent het intern een distribution over alle woorden die het kent. "De kat zat op de..." — het model geeft dan misschien 40% kans aan "mat", 25% aan "bank", 10% aan "grond", en zo verder. Uit die verdeling pikt het systeem vervolgens een woord, vaak het meest waarschijnlijke, maar soms ook een minder voor de hand liggende optie om de tekst gevarieerder te maken.

Ook bij het trainen van een model zijn verdelingen essentieel. Machine learning-algoritmes leren door te kijken naar patronen in enorme hoeveelheden data — en die data heeft altijd een bepaalde spreiding. Foto's van honden hebben bijvoorbeeld een bepaalde verdeling van pixelkleuren en vormen. Het model leert die verdeling kennen en kan er later nieuwe voorbeelden uit genereren die er realistisch uitzien.

Statistische verdelingen zoals de normale verdeling (de bekende klokcurve), de uniforme verdeling (alles even waarschijnlijk) of de Poisson-verdeling (voor zeldzame gebeurtenissen) zijn de gereedschappen waarmee AI-systemen onzekerheid en variatie hanteren.

Waarom zou jij hier iets aan hebben?

Begrijpen hoe AI met verdelingen werkt, helpt je om slimmere vragen te stellen. Als een model zegt "80% zeker", dan weet je dat er ook een 20%-staart zit met andere mogelijkheden. Je kunt beter inschatten wanneer je een AI blindelings kunt volgen en wanneer je zelf nog moet nadenken.

In tools zoals ChatGPT of Claude kun je vaak een "temperature"-setting aanpassen. Die parameter bepaalt hoe sterk het model uit de verdeling sample: lage temperature = altijd de top-keuze (voorspelbaar), hoge temperature = vaker de minderwaarschijnlijke opties (creatiever, soms chaotischer). Dat is direct gebaseerd op hoe het model zijn output-distribution gebruikt.

Ook bij datanalyse, voorspellingsmodellen of kwaliteitscontrole zie je verdelingen terug. Een fraudedetectiesysteem kijkt bijvoorbeeld of een transactie buiten de normale verdeling van je uitgavenpatroon valt. Een verkoopvoorspelling geeft niet één getal, maar een bandbreedte: "waarschijnlijk tussen de 10.000 en 15.000 stuks, met een piek rond de 12.500."

Waar kom je het tegen?

• Taalmodellen zoals GPT, Claude, Gemini en Llama — bij elke woordkeuze gebruiken ze een probability distribution

• Diffusion-modellen voor beeldgeneratie (Stable Diffusion, DALL·E, Midjourney) — leren de verdeling van pixels in afbeeldingen

• Recommender systems op Netflix, Spotify of webshops — rangschikken opties op basis van geschatte voorkeursverdelingen

• Anomaly detection in cybersecurity, kwaliteitscontrole, of medische diagnostiek — sporen afwijkingen op die buiten de normale verdeling vallen

• A/B-testing tools en analytics-platforms — testen of verschillen statistisch significant zijn door verdelingen te vergelijken

• AutoML-platformen en data science-notebooks — visualiseren data-verdelingen om features te begrijpen en te preprocessen

Wat kun je er nu mee?

Als je begrijpt dat AI-systemen denken in verdelingen in plaats van zekerheden, word je een veeleisender en kritischer gebruiker. Vraag je af: is dit de enige mogelijke uitkomst, of zit er nog een hele staart aan alternatieven? Experimenteer met instellingen als temperature of top-p (nucleus sampling) om te zien hoe die de verdeling beïnvloeden. En als je zelf met data werkt: kijk altijd eerst naar de verdeling van je variabelen — meestal zie je dan al waar kansen of problemen zitten, lang voordat je een complex model bouwt.