Wat is Matrix?

Wat is een matrix eigenlijk?

Een matrix is, simpel gezegd, een rechthoekig raster van getallen. Denk aan een spreadsheet waarin elke cel een getal bevat. In de wiskunde en bij AI gebruiken we dit raster om informatie op een gestructureerde manier op te slaan en om berekeningen uit te voeren.

Stel je voor: je hebt een tabel met studenten en hun cijfers. Elke rij is één student, elke kolom is een vak. Dat is een matrix. Bij AI werken we vaak met véél grotere matrices — soms met miljoenen getallen — maar het principe blijft hetzelfde: georganiseerde gegevens in rijen en kolommen.

Waarom matrices zo cruciaal zijn voor AI? Omdat ze efficiënt zijn. In plaats van elk gegeven apart te bewerken, kun je met één wiskundige operatie een hele matrix tegelijk verwerken. Daardoor kunnen computers grote hoeveelheden data razendsnel doorrekenen.

Hoe AI matrices gebruikt

Als je een foto uploadt naar een AI-model, wordt die foto eerst omgezet in een matrix. Elke pixel krijgt een of meerdere getallen (voor de kleuren rood, groen en blauw). Een zwart-wit foto van 100 bij 100 pixels wordt dus een matrix van 100 rijen en 100 kolommen.

Bij taalmodellen werken woorden ook via matrices. Elk woord krijgt een rij getallen die zijn betekenis representeren — een zogenaamde embedding. Die rij getallen vormt samen met andere woorden een grote matrix.

Als een neuraal netwerk "leert", dan past het eigenlijk steeds de getallen in allerlei matrices aan. Die matrices — vaak "gewichten" genoemd — bepalen hoe het netwerk invoer omzet in uitvoer. Training betekent: de juiste getallen in die matrices vinden.

Een voorbeeld uit de praktijk

Stel: je hebt een gezichtsherkenningssysteem. Je uploadt een foto. Die wordt omgezet in een matrix metPixelWaarden. Vervolgens gaat die matrix door meerdere lagen van het netwerk. Elke laag vermenigvuldigt de matrix met een andere matrix (de gewichten) en voert bewerkingen uit. Aan het eind kom je uit bij een matrix met scores: "Dit lijkt 87% op persoon A, 3% op persoon B."

Al die stappen — van ruwe pixels tot herkenning — gebeuren via matrixbewerkingen. Geen matrices, geen AI.

Waarom matrices zo krachtig zijn

Matrices maken parallelle verwerking mogelijk. Moderne grafische kaarten (GPU's) zijn gebouwd om matrixbewerkingen supersnel uit te voeren. Wat vroeger uren duurde op een normale processor, kan nu in seconden.

Daarom is de opkomst van krachtige GPU's direct gekoppeld aan de doorbraak van deep learning. Zonder efficiënte matrixberekeningen hadden we geen ChatGPT, geen beeldgeneratie, geen spraakherkenning.

Waar kom je het tegen?

Je merkt het niet direct, maar matrices werken overal achter de schermen:

• Beeldherkenning: foto's en video's als matrices van pixels

• Taalmodellen (ChatGPT, Claude, Gemini): woord-embeddings als matrices

• Aanbevelingssystemen: gebruikers en producten als rijen en kolommen

• Machine learning frameworks zoals TensorFlow en PyTorch: al hun berekeningen draaien om matrices

• GPU-computing: de hardware is letterlijk geoptimaliseerd voor matrixvermenigvuldigingen

Als je ooit hoort over "tensor" in AI-context: dat is vaak gewoon een uitgebreidere versie van een matrix (3D, 4D of meer dimensies), maar het basisprincipe blijft hetzelfde.

Wat kun je ermee?

Je hoeft niet zelf matrices te programmeren om AI te gebruiken, maar het helpt om te begrijpen dat alle AI-modellen — van simpele voorspellers tot geavanceerde taalmodellen — in de kern draaien op matrixbewerkingen. Als je ooit dieper wilt duiken in hoe modellen werken, of als je zelf eenvoudige AI-experimenten wilt doen, dan loop je snel tegen matrices aan. Ze zijn de taal waarin AI "denkt".