Wat is Matrix Multiplication?

Wat is matrix multiplication eigenlijk?

Stel je voor dat je honderden filters tegelijk over een foto wilt laten lopen — elke pixel moet met verschillende instellingen worden berekend. Dat zou ontzettend lang duren als je het één voor één doet. Matrix multiplication is de wiskundige truc waarmee je al die berekeningen in één keer kunt uitvoeren.

In AI-termen: een matrix is gewoon een groot rooster met getallen. Denk aan een spreadsheet vol cijfers. Matrix multiplication betekent dat je twee van die roosters op een slimme manier combineert tot een nieuw rooster. Dat nieuwe rooster bevat de uitkomsten van alle berekeningen die je nodig hebt.

Waarom is dit zo belangrijk voor AI?

Als een neural network een foto analyseert, moet het miljoenen pixels verwerken en door tientallen lagen neuronen sturen. Elke neuron moet z'n eigen berekening maken. Zonder matrix multiplication zou dat eindeloos duren — je zou elke pixel apart moeten verwerken, elke neuron apart.

Met matrix multiplication pak je alle pixels in één groot rooster, alle neuron-instellingen in een ander rooster, en voer je alle berekeningen tegelijk uit. Het is alsof je van een eenbaansweg naar een snelweg met honderd rijstroken gaat: alles kan parallel gebeuren.

Moderne GPU's (grafische processors) zijn gebouwd om precies dit soort berekeningen razendsnel uit te voeren. Daarom zijn ze zo populair voor AI-training — ze kunnen duizenden matrix-vermenigvuldigingen per seconde doen.

Een praktijkvoorbeeld

Als ChatGPT je vraag leest, zet het eerst elk woord om in een reeks getallen (een vector). Vervolgens voert het tientallen matrix multiplications uit om te begrijpen wat je bedoelt, welke woorden belangrijk zijn, en hoe ze samenhangen. Elke laag in het model past opnieuw zo'n vermenigvuldiging toe.

Bij beeldherkenning werkt het vergelijkbaar: je foto wordt een matrix van pixelwaarden. Het netwerk past er filters op toe (ook matrices), en door die vermenigvuldigingen ontstaat een nieuw rooster waarin patronen zichtbaar worden — randen, vormen, uiteindelijk gezichten of objecten.

Waar kom je het tegen?

Matrix multiplication is de motor onder de motorkap van praktisch alle moderne AI:

• Neural networks — elke laag gebruikt het om input naar output te transformeren

• Transformers (GPT, BERT, Claude) — de attention-mechanismen zijn gebouwd op matrix-vermenigvuldigingen

• Computer vision — convolutionele netwerken passen filters toe via matrix multiplication

• Aanbevelingssystemen — Netflix en Spotify gebruiken het om gebruikersvoorkeuren te berekenen

• GPU-versnelling — vrijwel alle AI-frameworks (PyTorch, TensorFlow, JAX) optimaliseren voor deze operatie

Je ziet het niet direct, maar als een AI snel reageert, is dat omdat ergens in een datacenter duizenden matrix-vermenigvuldigingen parallel worden uitgevoerd.

Waarom hoor je hier niet vaak over?

De term klinkt technisch en wiskundig — en dat is het ook. Maar je hoeft niet te weten hoe het precies werkt om te begrijpen waarom AI zo snel is geworden. Het punt is: moderne hardware kan deze berekeningen extreem efficiënt uitvoeren, en dat is de reden dat AI-systemen in een fractie van een seconde gigantische hoeveelheden data kunnen verwerken.

Als je ooit leest dat een nieuw AI-model "geoptimaliseerd is voor snelheid" of "efficiënter traint", gaat het vaak om slimmere manieren om matrix multiplications te organiseren of hardware die ze sneller uitvoert.

Wat kun je hier zelf mee?

Je hoeft geen wiskundige te zijn om te begrijpen dat AI-snelheid draait om parallelle verwerking. Als je AI-tools kiest of over AI-infrastructuur nadenkt, is het goed om te weten dat GPU's of gespecialiseerde chips (TPU's) gemaakt zijn voor dit soort werk. Dat verklaart waarom cloud-computing met GPU-toegang duurder is — en waarom het verschil maakt voor grote modellen.

Begrijpen dat AI draait op massaal parallelle berekeningen helpt ook om realistische verwachtingen te hebben: complexere taken kosten meer rekenkracht, niet omdat de software trager is, maar omdat er meer matrix-vermenigvuldigingen nodig zijn.