Wat is Monte Carlo?

Hoe werkt het eigenlijk?

Stel je voor dat je wilt weten hoe groot de kans is dat het morgen regent, maar je hebt geen weermodel. Wat je wel kunt doen: je bedenkt duizend verschillende scenario's — in het ene scenario is de luchtdruk laag en de wind noordwestelijk, in het andere is het juist droog en stabiel. Je speelt al die scenario's door en telt hoeveel keer het regent. Dat gemiddelde geeft je een schatting.

Dat is in essentie Monte Carlo: een methode om antwoorden te vinden op lastige vragen door niet één keer te rekenen, maar duizenden of miljoenen keer willekeurige variaties uit te proberen. Je gooit als het ware virtueel met dobbelstenen, speelt elke worp door, en kijkt wat er gemiddeld uitkomt. Hoe vaker je gooit, hoe dichter je bij het echte antwoord komt.

De methode is genoemd naar het beroemde casino in Monaco — logisch, want gokken draait ook om kansen en willekeur. Wetenschappers bedachten deze aanpak in de jaren '40 om complexe natuurkundige vraagstukken op te lossen waar geen exacte formule voor bestond.

Waarom gebruikt AI dit?

In AI kom je Monte Carlo tegen bij het trainen van modellen die moeten leren door trial-and-error. Denk aan een spel-AI die leert schaken: het model speelt duizenden potjes tegen zichzelf, probeert allerlei zetten uit (soms slimme, soms domme), en leert uit de uitkomsten welke strategie het best werkt. Elke keer is het spel net iets anders — andere openingszet, andere tegenzet — en uit al die variaties ontstaat inzicht.

Ook bij reinforcement learning (leren door beloning en straf) zie je Monte Carlo terug. Een AI-agent probeert allerlei acties uit in een virtuele omgeving, bijvoorbeeld een robot die leert lopen. Het model simuleert duizenden pogingen, valt duizend keer, staat duizend keer op, en leert stap voor stap wat werkt. Dat is geen magische intelligentie — het is statistiek met heel veel herhalingen.

Daarnaast wordt Monte Carlo gebruikt om onzekerheid in AI-modellen in te schatten. Stel dat een model moet voorspellen hoeveel pakketjes er morgen bezorgd worden. In plaats van één getal te geven, draait het model honderd scenario's door met verschillende aannames (files, weer, feestdagen) en geeft het een bandbreedte: "tussen de 8.000 en 12.000, met 9.500 als meest waarschijnlijk". Dat is nuttiger dan een schijnzekerheid.

Een voorbeeld uit de praktijk

Een verzekeraar wil weten hoeveel schade er volgend jaar wordt geclaimd. Dat hangt af van honderden factoren: hoeveel ongelukken, hoeveel stormen, hoeveel inbraken. In plaats van één prognose te maken, draait de verzekeraar een Monte Carlo-simulatie: duizend verschillende scenario's met wisselende kansen op storm, droogte, diefstal. Uit die duizend uitkomsten haalt de verzekeraar een gemiddelde en een spreiding — en kan hij zijn premies realistischer vaststellen.

Of neem een zelfrijdende auto die moet beslissen of hij kan invoegen. De AI simuleert in een fractie van een seconde tientallen mogelijke scenario's: de auto achter remt, remt niet, versnelt, wijkt uit. Uit die simulaties kiest het de actie met de hoogste slagingskans. Dat gebeurt niet met één berekening, maar met heel veel virtuele "wat-als"-situaties tegelijk.

Waar kom je het tegen?

Monte Carlo-simulaties zitten in veel AI-systemen, maar je ziet ze zelden expliciet genoemd. Ze draaien op de achtergrond bij:

• Spelcomputers — schaak-AI's, Go-engines (zoals AlphaGo), poker-bots

• Robotica — leren lopen, grijpen, navigeren door trial-and-error

• Financiële modellen — risicoanalyse, portefeuillebeheer, kredietscores

• Logistiek — routeplanning met onzekere vertragingen

• Klimaatmodellen — voorspellingen met honderden variabelen

• Zelfrijdende voertuigen — real-time beslissingen onder onzekerheid

Je ziet de methode niet direct, maar je profiteert van de robuustheid: AI-systemen die niet één antwoord geven maar rekening houden met tientallen mogelijke uitkomsten.

Wat kun je hier nu mee?

Als je met AI werkt en je wilt inschatten hoe betrouwbaar een voorspelling is, vraag dan of er Monte Carlo-simulaties zijn gedraaid. Eén getal kan vals zekerheid geven — een spreiding toont de werkelijkheid. En als je zelf modellen bouwt of laat bouwen: overweeg Monte Carlo bij onzekere data of complexe beslissingen. Het kost rekenkracht, maar het levert inzicht op dat je met één enkele berekening nooit krijgt. Simpel gezegd: soms is duizend keer gokken slimmer dan één keer zeker denken te zijn.