Wat is Tensor?

Wat is een tensor eigenlijk?

Als je ooit in Excel hebt gewerkt, ken je vast een tabel met rijen en kolommen. Een tensor is vergelijkbaar, maar dan uitgebreid: het is een gestructureerde verzameling getallen die zich niet alleen over de breedte en hoogte uitstrekt, maar ook in meerdere lagen de diepte in. Stel je voor: een stapel tabellen op elkaar, waar elke laag weer meerdere rijen en kolommen heeft.

In AI-land is de tensor de manier waarop elk stukje informatie wordt opgeslagen en verwerkt. Of het nu gaat om een foto, een zin tekst of een geluidsfragment — alles wordt omgezet naar tensoren: verzamelingen getallen die het systeem kan berekenen.

Hoe werkt het met dimensies?

Tensoren hebben dimensies, en die bepalen hoeveel richtingen je kunt bewegen door de data:

• 1 dimensie (1D) — een rij getallen, zoals een lijstje met temperaturen van de afgelopen week

• 2 dimensies (2D) — een tabel, zoals een Excel-sheet met verkoopcijfers per maand en per product

• 3 dimensies (3D) — een stapel tabellen, bijvoorbeeld een kleurenfoto waarbij elke laag de intensiteit van rood, groen en blauw bevat

• Meer dimensies — sommige AI-modellen werken met 4D, 5D of nog hogere tensoren, bijvoorbeeld om video's (beeld + tijd) of batches van meerdere foto's tegelijk te verwerken

Elke dimensie voegt een extra organisatieniveau toe. Denk aan een boekenkast: eerst kies je een plank (dimensie 1), dan een boek (dimensie 2), en dan een pagina (dimensie 3).

Waarom zijn tensoren belangrijk voor AI?

Alle berekeningen in neural networks draaien op tensoren. Als je een foto aan een AI-model voert, wordt die foto eerst omgezet naar een 3D-tensor (breedte × hoogte × kleurkanalen). Tijdens het leren past het model miljoenen getallen in deze tensoren aan — telkens een klein beetje — totdat het patroon herkent.

Zonder tensoren zou je elk getal los moeten behandelen, wat chaos zou zijn. Door alles netjes te organiseren in deze gestructureerde vorm, kan de AI efficiënt rekenen met hele stapels data tegelijk. Moderne AI-chips (GPU's en TPU's) zijn zelfs speciaal ontworpen om razendsnel bewerkingen op tensoren uit te voeren.

Waar kom je het tegen?

Je merkt tensoren meestal niet direct, maar ze zitten overal in AI-toepassingen:

• Bij beeldherkenning — een foto wordt een 3D-tensor voordat het model gezichten of objecten herkent

• In taalmodellen — elke zin wordt omgezet naar tensoren die woorden, posities en betekenissen vastleggen

• In aanbevelingssystemen — je kijkgeschiedenis, voorkeuren en metadata worden als tensoren door het systeem geduwd

• TensorFlow (Google's AI-framework) dankt zijn naam zelfs aan dit concept: letterlijk "tensoren die door een netwerk stromen"

Als je zelf met AI gaat werken — bijvoorbeeld met Python-bibliotheken als PyTorch of TensorFlow — zie je tensoren overal terug in de code. Ze zijn de taal waarin modellen denken.

Wat kun je ermee?

Voor de meeste gebruikers blijven tensoren onder de motorkap. Maar als je nieuwsgierig bent naar hoe AI-modellen écht werken, of als je zelf modellen wilt bouwen of trainen, dan is begrip van tensoren onmisbaar. Ze helpen je doorgronden waarom modellen soms bepaalde fouten maken (verkeerde dimensies!), waarom GPU's zoveel sneller zijn (parallelle tensorberekeningen), en hoe data stroomt van input naar output.

Zelfs zonder zelf te programmeren geeft het inzicht in tensoren je een beter gevoel voor wat AI-systemen technisch gezien doen: getallen reorganiseren, vermenigvuldigen, optellen — miljarden keren per seconde, gestructureerd in deze handige, meerlagige formaten.