Wat is Posterior?

Wat is een posterior eigenlijk?

Stel je voor dat je raadt hoeveel mensen er op een feestje komen. Je begint met een schatting: waarschijnlijk zo'n 20 personen. Dat is je eerste idee, je uitgangspunt. Dan krijg je bericht dat er al 15 mensen hebben toegezegd. Nu pas je je schatting aan: waarschijnlijk toch meer richting de 25. Die nieuwe, bijgewerkte verwachting — dát is een posterior.

In AI en statistiek is een posterior (letterlijk: 'achteraf') de bijgewerkte waarschijnlijkheidsverdeling van iets, nadat je nieuwe informatie hebt gezien. Je begint met een prior (je eerste aanname), voegt daar bewijs of data aan toe, en krijgt een posterior: je verfijnde, slimmere schatting.

Hoe werkt het?

Het concept komt uit de Bayesiaanse statistiek, genoemd naar Thomas Bayes. Het basisprincipe is simpel:

• Prior: je beginschatting, voordat je data hebt gezien

• Likelihood: hoe goed de data passen bij verschillende mogelijkheden

• Posterior: je bijgewerkte schatting, na het combineren van beide

Denk aan een spamfilter die leert. De prior is: "De meeste mails zijn geen spam." Dan ziet het systeem een mail met het woord "gratis" erin — dat past beter bij spam. De posterior wordt: "Deze specifieke mail is waarschijnlijk wél spam." Bij elke nieuwe mail wordt de posterior van de vorige mail de nieuwe prior, en zo blijft het systeem leren.

Waarom is dit belangrijk voor AI?

Veel moderne AI-systemen gebruiken dit principe om onzekerheid bij te houden. In plaats van te zeggen "dit is 100% zeker het goede antwoord", houden ze een spectrum van mogelijkheden bij en updaten ze die constant.

Bayesiaanse neurale netwerken gebruiken posteriors om niet alleen een voorspelling te doen, maar ook te zeggen hóé zeker ze zijn. Dat is handig in medische AI, zelfrijdende auto's of fraudedetectie — gebieden waar "ik weet het niet zeker" een waardevol antwoord is.

Ook in reinforcement learning (de techniek achter bijvoorbeeld AlphaGo) zie je dit terug: een AI past zijn strategie (zijn posterior) aan op basis van de beloningen die het krijgt tijdens het spelen.

Waar kom je het tegen?

Je merkt het niet direct als eindgebruiker, maar posterior-berekeningen draaien op de achtergrond bij:

• Spamfilters die steeds beter worden naarmate je mails markeert

• Aanbevelingssystemen die je voorkeuren verfijnen ("deze gebruiker klikte op thriller, posterior: waarschijnlijk nog meer thrillers aanbieden")

• Medische diagnose-AI die waarschijnlijkheden bijwerkt naarmate meer testresultaten binnenkomen

• A/B-tests in marketing, waarbij je bijwerkt welke variant het beste werkt terwijl de test loopt

Van aanname naar inzicht

Het mooie van het posterior-principe is dat het heel natuurlijk aansluit bij hoe mensen leren. We beginnen met een idee, zien nieuwe dingen, en passen ons beeld aan. AI-systemen die met posteriors werken, doen precies hetzelfde — alleen vele duizenden keren per seconde. Als je het principe eenmaal herkent, zie je het overal: elk systeem dat leert van feedback, werkt in essentie met dit soort bijgewerkte kansen. Zo bouw je stap voor stap van ruis naar inzicht.