Wat is Predictive Coding?

Hoe werkt het eigenlijk?

Stel je voor: je loopt door je eigen woonkamer in het donker. Je weet precies waar de bank staat, dus je lichaam verwacht geen obstakel op die plek. Maar opeens staat er een kruk — je stoot je teen, en je brein schiet meteen in actie. Dat 'schot-ervaringsverschil' tussen wat je verwachtte en wat er écht gebeurde, noemen wetenschappers een voorspellingsfout. En precies dát mechanisme — voorspellen, checken, bijsturen — is de kern van predictive coding.

Predictive coding is oorspronkelijk een theorie uit de neurowetenschappen. Het idee: je hersenen werken niet als een passieve camera die alles registreert. Ze bouwen continu een model van de wereld, voorspellen wat er staat te gebeuren (het geluid van een deur die opengaat, de locatie van een kopje op tafel), en vergelijken die voorspelling met wat er écht binnenkomt via je zintuigen. Is er verschil? Dan stuurt je brein bij.

Die gedachte blijkt ook enorm bruikbaar voor AI. Moderne machine learning-systemen werken vaak op dezelfde manier: ze bouwen een intern model, doen voorspellingen, en leren vooral van de momenten dat ze ernaast zitten. Het Transformer-model (de basis van ChatGPT en andere taalmodellen) voorspelt bijvoorbeeld het volgende woord in een zin — en past zich aan als het mis zat. Hoe vaker het oefent, hoe nauwkeuriger die voorspellingen worden.

Waarom zou jij hier iets aan hebben?

Predictive coding helpt je begrijpen waarom AI-modellen leren zoals ze leren. In plaats van dat een model alles moet onthouden, leert het vooral van verrassingen — net als jij sneller iets onthoudt als het onverwacht is (een kruk in het donker) dan wanneer alles gaat zoals verwacht.

Dat principe heeft praktische gevolgen:

• Efficiëntie: systemen hoeven niet elke pixel, elk woord of elke beweging volledig te analyseren. Ze voorspellen het meeste, en focussen alleen op wat afwijkt.

• Foutdetectie: als een model getraind is op 'normale' situaties, vallen afwijkingen op — handig voor bijvoorbeeld fraudedetectie of kwaliteitscontrole.

• Menselijker gedrag: chatbots en spraakassistenten die anticiperen op wat je gaat zeggen, voelen natuurlijker aan.

In productieomgevingen zie je het terug in anomaly detection (afwijkingen opsporen in data), compressie (alleen onverwachte details opslaan) en zelfrijdende auto's (voorspellen wat andere weggebruikers gaan doen).

Een voorbeeld uit de praktijk

Bij videogames wordt predictive coding gebruikt om non-player characters (NPCs) realistischer te laten bewegen. In plaats van elke animatie frame-voor-frame te programmeren, voorspelt het systeem wat de speler gaat doen — en past de NPC-beweging aan op basis van het verschil tussen verwachting en werkelijkheid. Resultaat: vijanden reageren sneller en natuurlijker.

In beeldcompressie (zoals bij videostreaming) slaat een algoritme vooral de pixels op die veranderen ten opzichte van het vorige frame. De rest wordt voorspeld op basis van het model. Zo krijg je high-definition video zonder dat je hele film gigabytes groot wordt.

Waar kom je het tegen?

Predictive coding zit verweven in veel AI-systemen, vaak zonder dat je het direct ziet:

• Large language models (ChatGPT, Claude, Gemini) — voorspellen het volgende woord, leren van fouten

• Computer vision (objectherkenning, gezichtsdetectie) — verwachten bepaalde patronen, focussen op afwijkingen

• Anomaly detection tools (voor cybersecurity, kwaliteitscontrole) — bouwen een model van 'normaal', signaleren afwijkingen

• Zelfrijdende auto's (Tesla Autopilot, Waymo) — anticiperen op wat andere weggebruikers doen

• Spraakherkenning (Siri, Google Assistant, Alexa) — voorspellen wat je waarschijnlijk gaat zeggen op basis van context

• Videogame-AI (dynamische NPC-beweging, realtime aanpassingen)

In wetenschappelijk onderzoek wordt het principe ook toegepast in neurale netwerken die zichzelf trainen via voorspellingsfouten — zoals in reinforcement learning (denk aan AlphaGo).

Wat kun je ermee?

Begrijp je hoe predictive coding werkt, dan snap je ook waarom AI-modellen soms verrassend goed zijn in het aanvullen van patronen, maar ook waarom ze moeite hebben met echt nieuwe situaties — ze hebben immers geleerd door voorspellingen te vergelijken met bekende voorbeelden. Wil je een AI-systeem bouwen of beoordelen? Let dan op: is het getraind op voldoende variatie, zodat het niet alleen perfect voorspelt in standaardsituaties, maar ook leert van onverwachte input? Dat is waar de échte intelligentie zit.