Wat is Random Sampling?

Wat is Random Sampling eigenlijk?

Stel je voor dat je wilt weten hoe tevreden mensen in Nederland zijn over de zorg, maar je kunt onmogelijk alle 17 miljoen Nederlanders ondervragen. Dan kies je een willekeurige groep van bijvoorbeeld 2.000 mensen — en als je die selectie goed doet, kun je daar betrouwbare conclusies uit trekken over het hele land. Dat principe heet random sampling: het willekeurig selecteren van een klein deel uit een grote groep.

In de AI-wereld werkt het precies hetzelfde. Stel dat je een taalmodel traint op miljoenen artikelen, maar je wilt tijdens het ontwikkelen even testen of bepaalde patronen herkenbaar zijn. Dan pak je niet alle miljoenen artikelen erbij, maar een willekeurige steekproef van duizend. Of je test een nieuw model niet op alle 100.000 voorbeelden in je testset, maar op een random sample van 5.000 — dat scheelt tijd en rekenkracht, en geeft je toch een goed beeld.

Het belangrijkste woord is willekeurig. Elk item in je dataset moet een even grote kans hebben om gekozen te worden. Anders krijg je een vertekend beeld — alsof je voor dat zorgonderzoek alleen maar mensen uit Amsterdam zou bellen. Dan zegt je steekproef niks over heel Nederland.

Waarom zou jij hier iets aan hebben?

Random sampling lost een praktisch probleem op: tijd en kosten. Het trainen of evalueren van een AI-model op een complete dataset kan dagen duren en duizenden euro's aan cloudkosten opleveren. Door slim te samplen kun je:

• Sneller testen — tijdens ontwikkeling werk je met kleine samples, zodat je in minuten ziet of iets werkt in plaats van in uren

• Experimenten doen — je kunt meerdere varianten uitproberen zonder telkens je volledige dataset door te rekenen

• Bias opsporen — door verschillende samples te nemen, zie je of je model consistent presteert of juist ergens struikelt

• Dataverkenning — voordat je een groot project start, kijk je eerst naar een sample om te zien wat er in je data zit

In de praktijk zie je dit overal: een webshop test een nieuw aanbevelingsalgoritme eerst op 10% van de klanten (een random sample) voordat het voor iedereen wordt uitgerold. Of een ziekenhuis traint een model om röntgenfoto's te analyseren op een willekeurige selectie van 5.000 foto's uit een archief van 50.000.

Hoe werkt het in de praktijk?

Er zijn verschillende manieren om te samplen:

• Simple random sampling — elk item heeft evenveel kans, zoals blindelings kaartjes trekken uit een hoed

• Stratified sampling — je verdeelt je data eerst in groepen (bijvoorbeeld mannen/vrouwen, of verschillende leeftijden) en neemt uit elke groep een random sample, zodat je zeker weet dat alle groepen vertegenwoordigd zijn

• Systematic sampling — je pakt bijvoorbeeld elk 10e item uit je dataset (simpel, maar gevaarlijk als er patronen in je data zitten)

In AI-frameworks zoals PyTorch of TensorFlow zijn er standaardfuncties die dit automatisch doen. Je geeft aan: "Geef me 20% van deze dataset, willekeurig gekozen", en de software regelt de rest.

Een belangrijk aandachtspunt: als je sample te klein is, wordt hij onbetrouwbaar. Test je een model op 50 voorbeelden terwijl je dataset er 100.000 heeft? Dan zegt die test weinig. Andersom: als je 90% van je data gebruikt, bespaar je nauwelijks tijd. De kunst is de juiste balans vinden.

Waar kom je het tegen?

Random sampling zit ingebakken in vrijwel alle AI-ontwikkeltools:

• PyTorch, TensorFlow, scikit-learn — hebben alle ingebouwde functies voor random sampling tijdens training en evaluatie

• Data-annotatie platforms (Labelbox, Scale AI) — laten je een random sample kiezen om te annoteren in plaats van alles handmatig te labelen

• A/B-testing tools — verdelen bezoekers willekeurig over varianten (Google Optimize, Optimizely)

• Dataset-bibliotheken (Hugging Face Datasets) — bieden directe samplingopties bij het laden van data

Je komt het ook tegen in onderzoek: papers over nieuwe AI-modellen testen vaak op "a random sample of 10,000 examples from the test set" — simpelweg omdat de volledige testset te groot is om elke keer door te rekenen.

Wat kun je ermee?

Als je zelf met AI aan de slag gaat, gebruik dan random sampling om slim te werk te gaan. Begin experimenten altijd met een kleine sample om te kijken of je aanpak überhaupt werkt, voordat je je volledige (dure) dataset erin gooit. Kijk of je resultaten stabiel blijven als je verschillende samples neemt — als niet, dan zit er mogelijk een probleem in je data of model. En besef: een goed gekozen sample van 5% kan je 95% van de rekentijd besparen, zonder dat je conclusies veel minder betrouwbaar worden.