Hoe leert een AI-model eigenlijk?

Leren betekent hier iets anders dan bij een mens. Een AI-model begrijpt niets en onthoudt geen feiten; het stelt tijdens de training miljoenen interne waarden bij, tot de uitkomsten die het produceert zo goed mogelijk overeenkomen met de voorbeelden die het heeft gezien. Die waarden heten parameters of gewichten, en samen vormen ze het model. Alles wat een model “weet” zit dus verstopt in getallen die zijn afgesteld op patronen, niet in een opgeslagen bibliotheek met antwoorden.

Trainingsdata zijn de voorbeelden waarmee een model wordt afgesteld: teksten, afbeeldingen, transacties, metingen. Ze zijn bepalend omdat een model nooit verder komt dan wat het heeft gezien. Zitten er in je voorbeelden vooral aanvragen uit één regio, dan presteert het model daarbuiten slechter. Ontbreekt een situatie helemaal, dan zal het model die niet herkennen maar wel iets teruggeven, want stil blijven is geen optie die het geleerd heeft. Bij veel toepassingen zijn de voorbeelden bovendien voorzien van het juiste antwoord, en bij andere juist niet. Wat dat onderscheid betekent, lees je in het verschil tussen supervised en unsupervised learning.

Trainen is een lus die heel vaak wordt herhaald. Het model krijgt een voorbeeld, doet een voorspelling, en die voorspelling wordt vergeleken met de gewenste uitkomst. Het verschil tussen die twee is de fout, en op basis van die fout worden de parameters een klein stukje bijgesteld in de richting die de fout verkleint. Daarna volgt het volgende voorbeeld, en het volgende, vaak miljoenen keren. Het model zoekt daarbij niet naar de juiste regel, maar naar de instelling waarbij het gemiddeld genomen het minst vaak misgaat. Hoe dat er technisch uitziet bij neurale netwerken staat in hoe je een neuraal netwerk traint.

Als het trainen klaar is, liggen de parameters vast en verandert er niets meer aan het model. Je geeft het een nieuwe input, die input loopt door het model heen, en er rolt een uitkomst uit: een categorie, een getal, of een stuk tekst. Bij een taalmodel gebeurt dat woord voor woord, waarbij elke keer de meest waarschijnlijke voortzetting wordt gekozen op basis van alles wat ervoor staat. Het model zoekt niets op en controleert niets; het rekent uit wat het best past bij de patronen die het heeft geleerd.

Nee, niet in de zin die de meeste mensen bedoelen. Wat je in een gesprek typt, gaat mee als context voor dat gesprek, maar het verandert de parameters van het model niet. Zodra het gesprek voorbij is, is die context weg. Modellen worden wel bijgewerkt, maar dat gebeurt in aparte trainingsrondes waarin een nieuwe versie wordt gemaakt of een bestaand model wordt bijgesteld op extra voorbeelden. Voor jou als gebruiker betekent dat: een fout die je corrigeert, is morgen niet automatisch verholpen.

Omdat een patroon geen waarheid is. Een model kiest de best passende voortzetting, ook als die feitelijk onjuist is, en het heeft geen ingebouwde manier om te merken dat het iets niet weet. Dat wordt versterkt door gaten of scheefheid in de trainingsdata, en door modellen die de voorbeelden te letterlijk hebben overgenomen en daardoor slecht presteren op nieuwe gevallen. Precies daarom hoort er bij elke serieuze toepassing een manier om te meten of het model doet wat het moet doen, zoals beschreven in hoe je de prestaties van AI-modellen meet.

Door het leerproces te koppelen aan de manier waarop een AI-project verloopt, in plaats van de begrippen los te leren. Dat is de opzet van de driedaagse training AI Fundamentals. Je bouwt eerst een gemeenschappelijke taal op rond data, algoritmen, voorspellingen, machine learning en deep learning. Daarna werk je met de CRISP-DM-methodiek aan het opzetten en beoordelen van een AI-toepassing, waarbij datamanagement een hoofdrol speelt: precies de plek waar het verhaal over trainingsdata praktisch wordt. Het laatste deel gaat over ethische risico’s, betrouwbaarheid en de samenwerking tussen mens en machine. Certificeren kan daarna via het officiële examen van The AI Coalition (NL AIC). Startel leidt al ruim 25 jaar IT-professionals op en ziet dat deelnemers vooral scherpere vragen gaan stellen aan leveranciers zodra ze weten hoe een model tot zijn antwoord komt.

Eerlijk over de instap: specifieke voorkennis heb je niet nodig, maar de training is gericht op mensen met een technische functie of een beslissende rol en gaat verder dan een kennismaking. Wil je vooral leren werken met AI-tools zoals ChatGPT en Copilot, dan past AI voor beginners beter.