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

Machine learning is de verzamelnaam voor systemen die patronen uit data leren in plaats van dat iemand de regels vooraf programmeert. Je geeft het systeem voorbeelden, het leidt daar een model uit af, en dat model doet vervolgens uitspraken over nieuwe gevallen. Denk aan inschatten of een factuur te laat betaald wordt, of een mailtje spam is, of welke klanten waarschijnlijk opzeggen. Veel van die modellen zijn relatief eenvoudig van opzet, zoals beslisbomen, regressie en clustering. Ze werken vaak al met een paar duizend rijen gestructureerde data en zijn voor een mens te volgen: je kunt meestal nagaan waarom er iets uitkomt.

Deep learning is machine learning met neurale netwerken die uit veel opeenvolgende lagen bestaan. Het verschil zit vooral in wie bepaalt waar het model op let. Bij klassieke machine learning kies jij de variabelen die ertoe doen; bij deep learning haalt het netwerk die kenmerken zelf uit ruwe data zoals beeld, geluid of tekst. Dat maakt het geschikt voor taken waarbij niemand vooraf kan opschrijven waar gelet moet worden, zoals afwijkingen herkennen op een medische scan. Daar staat een hogere prijs tegenover: je hebt aanzienlijk meer data en rekenkracht nodig, en het is lastiger uit te leggen hoe het model tot zijn uitkomst komt.

Generatieve AI is de groep deep-learningmodellen die nieuwe inhoud maakt in plaats van alleen classificeert of voorspelt. Een taalmodel voorspelt telkens het volgende stukje tekst en bouwt zo een heel antwoord op; beeldmodellen doen iets vergelijkbaars met pixels, en er zijn inmiddels modellen voor audio, video en code. Dit is de laag die de meeste mensen dagelijks gebruiken, en tegelijk de laag die het vaakst voor het geheel wordt aangezien. Waarom AI en ChatGPT niet hetzelfde zijn, lees je in Is AI hetzelfde als ChatGPT?.

Als drie ringen die in elkaar passen. Alle generatieve AI is deep learning, en alle deep learning is machine learning, maar andersom geldt dat niet. Een fraudedetectiemodel is machine learning zonder deep learning. Een model dat röntgenfoto’s beoordeelt is deep learning zonder iets te genereren. Per laag zien de kenmerken er zo uit:

1. Machine learning
   Voorspelt of classificeert op basis van patronen die het uit voorbeelden heeft geleerd. Het werkt met gestructureerde gegevens die meestal al in je eigen systemen zitten, bijvoorbeeld om te bepalen welke klanten waarschijnlijk opzeggen. Je hebt er relatief weinig data voor nodig, maar die data moet wel schoon en representatief zijn: een vooroordeel dat er al in zat, neemt het model gewoon over.
2. Deep learning
   Bepaalt zelf waar het op let en haalt kenmerken rechtstreeks uit ruwe data zoals beeld, geluid, tekst of sensormetingen, bijvoorbeeld om objecten te herkennen in camerabeelden. Dat kost aanzienlijk meer data en rekenkracht dan klassieke machine learning, en het levert een model op dat lastiger te verantwoorden is, omdat je moeilijk kunt nagaan waarom er iets uitkomt.
3. Generatieve AI
   Maakt nieuwe inhoud in plaats van alleen te voorspellen of te classificeren. Het werkt op basis van een prompt met de context die je meegeeft, bijvoorbeeld om een concepttekst of een samenvatting te schrijven. In de meeste organisaties begint dat bij een bestaand model dat je aanstuurt in plaats van bij een model dat je zelf traint, waardoor de drempel laag is. Het risico verschuift daarmee naar de uitkomst: output die overtuigend klinkt en feitelijk niet klopt.

Begin bij de vraag, niet bij de techniek. Wil je een getal of een categorie voorspellen op basis van gegevens die al in je eigen systemen zitten, dan is klassieke machine learning bijna altijd de goedkoopste en best uitlegbare route. Werk je met beeld, geluid of vrije tekst waar je zelf geen regels voor kunt formuleren, dan kom je bij deep learning uit. Moet er iets nieuws geformuleerd worden, zoals een samenvatting, een concepttekst of een antwoord op basis van interne stukken, dan is generatieve AI de juiste laag. Dat laatste geval vraagt meestal om een extra patroon waarbij het model bij het antwoorden je eigen bronnen raadpleegt, zoals beschreven in RAG uitgelegd: laat je chatbot antwoorden op je eigen documenten.

Omdat de risico’s, de datavraag en de kosten per laag verschillen. Een generatief model dat een plausibel maar onjuist antwoord geeft, is een ander probleem dan een voorspelmodel dat systematisch een groep benadeelt. Het eerste vraagt om controle op de output, het tweede om controle op de data en op de manier waarop het model is getraind. Ook de aanloop verschilt: klassieke machine learning valt of staat bij de kwaliteit van je eigen data, terwijl generatieve AI meestal begint bij een bestaand model dat je alleen nog goed moet aansturen en afbakenen. Wie de lagen door elkaar haalt, kiest te vaak het zwaarste middel voor het eenvoudigste probleem. Een andere veelgebruikte indeling van AI, op basis van hoe systemen informatie verwerken, staat in welke 4 vormen van AI er zijn.

Door de begrippen niet los te leren, maar te koppelen aan de manier waarop een AI-project in de praktijk verloopt. Dat is de opzet van de driedaagse training AI Fundamentals. Je begint met de gemeenschappelijke taal rond data, algoritmen en voorspellingen, en werkt door naar het onderscheid tussen machine learning en deep learning. Daarna leer je met de CRISP-DM-methodiek hoe je een AI-toepassing stap voor stap opzet en beoordeelt, en waarom datamanagement daarin bepalend is. Het laatste deel gaat over ethische risico’s, betrouwbaarheid en de samenwerking tussen mens en machine. Je kunt je kennis daarna laten certificeren via het officiële examen van The AI Coalition (NL AIC). Startel leidt al ruim 25 jaar IT-professionals op en merkt dat juist beslissers baat hebben bij dit onderscheid, omdat ze er scherpere vragen mee stellen aan leveranciers en aan hun eigen team.

Eerlijk over de instap: specifieke voorkennis heb je niet nodig, maar de training richt zich op mensen met een technische functie of een beslissende rol en gaat verder dan een kennismaking. Zoek je vooral een eerste indruk van AI en de bekende tools, dan sluit AI voor beginners beter aan.