Wat is het verschil tussen machine learning, deep learning en AI?

AI is de paraplu, machine learning en deep learning zijn de onderdelen

Als je ooit geprobeerd hebt uit te leggen wat je met AI doet, heb je waarschijnlijk gemerkt dat mensen deze drie termen door elkaar gebruiken. Soms lijkt het alsof iedereen het heeft over "AI", terwijl ze eigenlijk machine learning bedoelen. Of andersom.

Het goede nieuws: het verschil is minder ingewikkeld dan het klinkt. Stel je een serie Russische poppetjes voor. Artificial Intelligence (AI) is de buitenste pop — de grootste. Machine learning zit daarin, als een kleinere pop. En deep learning zit weer in machine learning, als de kleinste pop van de drie.

Ze horen bij elkaar, maar ze zijn niet inwisselbaar. Laten we ze een voor een uitpakken.

Artificial Intelligence: het grote plaatje

AI is het ruimste begrip van de drie. Het betekent simpelweg: een systeem dat taken uitvoert die normaal gesproken menselijke intelligentie vereisen. Denk aan dingen als redeneren, beslissingen nemen, patronen herkennen, taal begrijpen of problemen oplossen.

Wat vaak verwarrend is: AI hoeft niet "slim" te zijn in de zin dat het creatief nadenkt of bewustzijn heeft. Het gaat erom dat het systeem iets doet wat voor een mens intelligentie zou vragen.

Een paar voorbeelden:

• Een slimme thermostaat die leert wanneer je thuiskomt en de verwarming aanpast

• Een chatbot die klantvragen beantwoordt

• Een routeplanner die realtime de snelste route berekent

• Een spam-filter in je mailbox

• Een zelfrijdende auto die obstakels herkent

Alle bovenstaande systemen vallen onder "AI". Maar ze werken niet allemaal op dezelfde manier. Sommige gebruiken simpele regels ("als X, dan Y"), andere leren van data. Dat brengt ons bij machine learning.

Machine learning: leren van voorbeelden

Machine learning is een specifieke manier om AI te bouwen: door systemen te laten leren van data, in plaats van elke regel handmatig te programmeren.

Stel je voor: je wilt een systeem dat automatisch spam herkent. Je zou kunnen proberen om elke spamregel zelf te bedenken ("als het woord 'gratis' voorkomt én er staat 'klik hier', dan is het spam"). Maar spammers verzinnen steeds nieuwe trucs, dus dat werkt niet lang.

Met machine learning doe je het anders. Je geeft het systeem duizenden voorbeelden van échte e-mails — sommige spam, andere niet. Het systeem zoekt zelf naar patronen: welke woorden komen vaak voor in spam? Welke zinsbouw? Welke afzenders?

Het leert, zoals een kind leert wat een hond is door veel honden te zien — niet door een checklist met hondenkenmerken uit het hoofd te leren.

Voorbeelden van machine learning:

• Netflix die films aanbeveelt op basis van wat je eerder keek

• Een kredietcheck die inschat of iemand een lening kan terugbetalen

• Een weerapplicatie die voorspelt hoe druk het morgen wordt op de weg

• Fraudedetectie bij je bank

Machine learning is dus een onderdeel van AI. Niet alle AI gebruikt machine learning, maar verreweg de meeste moderne AI-toepassingen doen dat wel.

Deep learning: machine learning met laagjes

En dan deep learning. Dit is een specifieke techniek binnen machine learning, geïnspireerd op hoe hersenen werken. Het gebruikt zogenaamde "neurale netwerken" — systemen die informatie in veel lagen verwerken.

Stel je voor: je wilt een systeem dat foto's van katten herkent. Met gewone machine learning zou je handmatig moeten aangeven: "let op de vorm van de oren, de grootte van de ogen, de aanwezigheid van snorharen". Het systeem leert vervolgens welke combinatie van die kenmerken een kat oplevert.

Met deep learning hoef je dat niet te doen. Je gooit er duizenden foto's in — sommige met katten, andere zonder. Het netwerk leert in de eerste laag simpele dingen te herkennen (lijnen, randen). In de tweede laag combineert het die tot vormen (oren, poten). In de derde laag herkent het hele gezichten. En zo verder, tot het uiteindelijk weet: dit is een kat.

Dat "diep" in deep learning slaat op die vele lagen. Hoe meer lagen, hoe complexere patronen het kan leren.

Voorbeelden van deep learning:

• Gezichtsherkenning op je telefoon

• Taalmodellen zoals ChatGPT, Claude of Gemini

• Automatische vertaalsystemen

• Zelfrijdende auto's die voetgangers, fietsen en verkeersborden herkennen

• Stemassistenten die je stem begrijpen, ook als je snel praat of achtergrondgeluid hebt

Deep learning is krachtiger dan oudere machine learning-technieken, maar ook veeleisender: het heeft veel data nodig, veel rekenkracht en meer tijd om te trainen.

Hoe ze zich tot elkaar verhouden

Samengevat:

• AI = alles wat "slimme" taken uitvoert (de buitenste pop)

• Machine learning = AI die leert van voorbeelden in plaats van handmatige regels (de middelste pop)

• Deep learning = machine learning met neurale netwerken in veel lagen (de binnenste pop)

Je kunt AI hebben zonder machine learning (bijvoorbeeld een schaakcomputer die alle zetten doorrekent met vaste regels). Je kunt machine learning hebben zonder deep learning (bijvoorbeeld een spam-filter die leert van simpele patronen). Maar deep learning is altijd machine learning, en machine learning is altijd een vorm van AI.

Wat betekent dit voor jou?

Als je werkt met AI-tools of erover leest, helpt het om te weten welk niveau van toepassing is. Een simpel systeem dat je verkoopcijfers analyseert? Waarschijnlijk machine learning, maar niet per se deep learning. Een tool die automatisch samenvattingen schrijft van vergaderingen? Dat is deep learning, want taal begrijpen vraagt die diepe laagjes.

Het maakt ook uit voor je verwachtingen. Deep learning kan verbluffende dingen, maar heeft veel data nodig en is soms een black box — je weet niet precies waarom het een bepaalde conclusie trekt. Simpelere machine learning is transparanter, maar kan geen taal begrijpen of gezichten herkennen.

Denk de volgende keer als je een AI-tool tegenkomt eens na: op welk niveau werkt dit eigenlijk? En past dat bij wat je ermee wilt bereiken? Die vraag helpt je scherper te kiezen.