Wat is Prior?

Wat is een prior eigenlijk?

Stel je voor: je staat bij een kruispunt en hoort een sirene. Hoe groot schat je de kans dat het een ambulance is? Dat hangt af van wat je al weet — je prior. Woon je naast een ziekenhuis? Dan is die kans groter dan wanneer je midden in een rustige woonwijk staat.

Een prior is precies dat: je inschatting van hoe waarschijnlijk iets is, voordat je nieuwe informatie meeneemt. Het is je startpunt — gebaseerd op eerdere ervaring, algemene kennis of een bewuste aanname.

In AI-context komt de term vooral uit de Bayesiaanse statistiek. Daar werk je met kansen die je bijwerkt zodra je nieuwe data ziet. De prior is je beginschatting. Die combineer je met bewijs (de data) om tot een bijgestelde inschatting te komen: de posterior.

Hoe werkt het in de praktijk?

Stel: je bouwt een spam-filter. Je prior zou kunnen zijn: "5% van alle e-mails is spam" (gebaseerd op wat je historisch hebt gezien). Zodra je een nieuwe mail binnenkrijgt met woorden als "gratis" en "winnen", update je die inschatting — de kans dat het spam is, stijgt. Die bijgestelde kans is je posterior.

De kracht van een prior zit in het feit dat je niet vanaf nul begint. Je neemt mee wat je al weet. Dat maakt je model efficiënter, vooral als je weinig data hebt.

Maar er zit ook een risico aan: als je prior ver van de werkelijkheid af staat, kun je de verkeerde kant op sturen. Stel dat je prior zegt "mannen zijn vaker CEO", dan zal een model dat met die prior werkt sneller mannelijke kandidaten selecteren — zelfs als dat niet meer klopt in de data.

Waar kom je het tegen?

• Bayesiaanse modellen — zoals bepaalde recommender-systemen of medische diagnose-tools — werken expliciet met priors

• Regularisatie-technieken in machine learning (zoals L1/L2) — eigenlijk impliciete priors: je gaat ervan uit dat parameters klein moeten zijn

• Transfer learning — een voorgetraind model is in feite een prior: je start niet blanco, maar met wat het model elders leerde

• A/B-testing tools gebruiken soms Bayesiaanse methoden, waarbij je een prior instelt over hoe groot het verschil tussen A en B waarschijnlijk is

Denk aan het als een beginschatting die het model richting geeft. Hoe beter je prior aansluit bij de werkelijkheid, hoe sneller je model leert. Hoe slechter, hoe meer data je nodig hebt om die aanname te corrigeren — en in het ergste geval blijft de bias erin zitten.

Wat kun je ermee?

Als je zelf aan de slag gaat met AI-projecten, is het slim om bewust te zijn van welke priors je model gebruikt — of die je zelf instelt. Vraag je af: wat neem ik aan voordat ik data zie? Klopt dat nog? En welke consequenties heeft het als die aanname niet helemaal klopt?

Bij weinig data zijn priors krachtig, omdat ze helpen generaliseren. Bij veel data wordt de invloed kleiner — de data overstemt je aanname vanzelf. Maar bewustzijn van die startpositie helpt je beter interpreteren wat een model doet — en waar eventuele scheefheid vandaan komt.