Hoe AI leert
Laat een peuter genoeg honden zien, en op een dag wijst hij een hond aan die hij nooit zag. AI leert net zo, van voorbeelden. Dat is trainen. Daarna voorspelt het.
Eerst even gokken
Waar komen de patronen van AI vandaan? Gok maar.
Hoe leert AI?
Eerst het hele verhaal. AI leert van heel veel voorbeelden. In die voorbeelden vindt het patronen. Daarna voorspelt het met die patronen voor iets nieuws.
Denk aan een peuter die leert wat een hond is. Je wijst en zegt "hond". Een grote hond, een kleine hond, een hond in een boekje. Je wijst naar een kat en zegt "nee, dat is een poes". Op een dag ziet de peuter een hond die hij nooit eerder zag. "Hond!" Niemand gaf hem een regel. Hij vond het patroon.
AI leert op een vergelijkbare manier. Drie woorden helpen.
- Data zijn de voorbeelden. Foto's, mails, zinnen, prijzen. Vaak met het goede antwoord erbij: hond of geen hond, spam of geen spam.
- Trainen is het leren. De computer gaat door de voorbeelden en vindt de patronen.
- Het model is wat eruit komt: de geleerde patronen, verpakt in software.
Trainen en gebruiken zijn twee aparte momenten.
- Trainen komt eerst, vaak één keer, en het is veel werk. Grote modellen leren van een enorme hoeveelheid data.
- Gebruiken komt daarna. Typ jij een vraag of upload je een foto, dan leert het model niet. Het voorspelt met wat het al geleerd heeft.
Een eerste kleine stap: herkent een app iets? Vraag je af waar zijn voorbeelden vandaan kwamen.
Wat doet de voorspeller?
De voorspeller kan nooit beter zijn dan zijn voorbeelden. Dat is de regel.
Een voorbeeld. Stel, je traint een model om appels te herkennen. Je laat alleen rode appels zien. Dan laat je een groene appel zien. Misschien voorspelt het "geen appel". Er ging niks mis in het model. In zijn voorbeelden zat gewoon nooit een groene appel.
Dat verklaart veel.
- Meer voorbeelden helpen. Met meer voorbeelden worden de patronen betrouwbaarder.
- Verschillende voorbeelden helpen nog meer. Rode, groene en gele appels. Groot en klein. In een schaal en aan een boom.
- Foute voorbeelden leren foute patronen. Zitten er fouten of oneerlijke patronen in de voorbeelden, dan leert het model die ook. Modellen nemen de vooroordelen uit hun data over.
De voorspeller kan nooit beter zijn dan zijn voorbeelden.
Probeer het zelf
Jij bent de trainer. Kies de voorbeelden, en kijk wat de voorspeller ermee doet.
Alles draait in je browser. Wat je intypt, gaat nergens heen.
Uit de praktijk
Drie mensen komen een voorspeller tegen die van voorbeelden leerde. De voorbeelden verklaren wat er gebeurt.
Casus 1Het gezicht dat niet gevonden werd
Lotte (16) heeft een foto-app die foto's sorteert op gezicht. Haar vrienden vindt hij wel. Haar oma mist hij steeds.
Denken dat de app kapot is.
De app werkt zoals hij getraind is. Misschien zag hij weinig gezichten zoals dat van oma. Misschien staat oma maar op twee foto's. De voorspeller heeft weinig om op af te gaan.
Kan het in de app, zet dan zelf oma's naam bij een paar foto's.
Je geeft de voorspeller meer voorbeelden van precies het gezicht dat hij miste.
Casus 2De voorspeller die het verkeerde leerde
Ahmed (41) werkt bij een bedrijf dat een tool testte om sollicitaties te sorteren. De tool leerde van de mensen die de afgelopen tien jaar zijn aangenomen.
Erop vertrouwen: een computer kan toch niet oneerlijk zijn.
De tool leerde de patronen van vroeger. Nam het bedrijf vroeger vooral één soort mensen aan? Dan voorspelt de tool dat die soort het best is.
Vraag waar een tool van leerde, voordat je hem gebruikt. En laat een mens de uitkomst nakijken.
Oneerlijke voorbeelden geven oneerlijke voorspellingen. Een mens ziet wat het patroon verbergt.
Casus 3"Leert hij nu van mij?"
Marja (59) vraagt een chatbot om een recept. Daarna vraagt ze zich af: onthoudt hij nu voor altijd wat ik lekker vind?
Denken dat het model van elk gesprek leert.
Trainen en gebruiken zijn gescheiden. Terwijl je chat, voorspelt het model met wat het al leerde. Het traint niet op jouw woorden terwijl je typt.
Weten dat een bedrijf gesprekken later kan gebruiken om een nieuwe versie te trainen. Kijk in de instellingen van de chatbot die je gebruikt.
Je kent het verschil tussen gebruiken en trainen. Dus je weet waar je woorden terecht kunnen komen.
Per situatie
Jij leert ook door te oefenen met voorbeelden. Maar jij kunt vragen waarom. De voorspeller niet. Hij weet alleen welke patronen vaak voorkwamen. Daarom kan hij heel stellig fout zitten over iets wat weinig in zijn voorbeelden zat.
Gaat je team een AI-tool gebruiken? Vraag eerst: waar leerde hij van? Lijkt dat op onze klanten, onze taal, ons werk? Een tool die op andere situaties getraind is, voorspelt voor die situaties.
Apps leren van wat miljoenen mensen doen. Daarom passen voorstellen bij de meeste mensen, maar niet altijd bij jou. Jouw keuzes zijn ook voorbeelden. Waar je op klikt, bepaalt mee wat de volgende versie leert.
Mythes en valkuilen
| Bewering | Klopt het? | Waarom |
|---|---|---|
| Een computer is altijd eerlijk | Nee | Een model leert de patronen in zijn data, ook de oneerlijke. |
| AI leert van elk gesprek terwijl je typt | Nee | Trainen en gebruiken zijn gescheiden. Sommige bedrijven gebruiken gesprekken wel later om een nieuwe versie te trainen. |
| Meer data lost alles op | Nee | Meer van hetzelfde helpt niet bij wat ontbreekt. Verschil is belangrijk. |
| Het model bevat al zijn voorbeelden | Nee | Het bevat patronen die het eruit leerde, geen kopie van elk voorbeeld. |
Samenhang
Lees eerst
- Wat is AI?regels tegenover leren van voorbeelden.
Hierna
- Soorten AIwat verschillende voorspellers voorspellen.
Verwant
- Training en de kennisdatumwaarom een chatbot het nieuws van gisteren niet kent.
- Privacy en je gegevensof je gesprekken gebruikt worden voor training.
Bronnen
- uitlegGoogle for Developers. What is Machine Learning?.Machine learning traint software, een model, om uit data voorspellingen te doen in plaats van met regels die iemand opschreef. Vier soorten: met voorbeelden met antwoord, zonder antwoord, met beloning, en generatieve AI. Voorbeelden: spam, katten op foto's, het weer.
- uitlegGoogle for Developers. LLMs: Fine-tuning, distillation, and prompt engineering.Een basismodel is een begin, geen af product; bijtrainen op voorbeelden voor één taak maakt het beter. Een prompt verandert het antwoord, niet het model. Modellen nemen de vooroordelen uit hun data over en kosten veel rekenkracht.
- documentatieAnthropic. Is my data used for model training?.Gesprekken met Free, Pro en Max worden gebruikt voor training als je dat toestaat. Je zet het om bij de instelling Model Improvement. Incognito-gesprekken worden nooit gebruikt.
- documentatieGoogle. Gemini Apps Privacy Hub.Een deel van de gesprekken lezen mensen mee, dus typ niks vertrouwelijks. Staat Keep Activity aan, dan kunnen gesprekken Googles modellen trainen; zet je het uit, dan blijven ze 72 uur bewaard.
Toets
Je krijgt 5 vragen over de hele pagina. Heb je er 4 goed, dan beheers je het onderwerp.
Over de tools in deze cursus. Elke tool staat er op dezelfde manier in, op alfabet, zonder aanrader. Namen, prijzen en functies veranderen vaak: de site van de maker heeft altijd gelijk. Deze site is gemaakt met hulp van Claude, een van de tools die hier staan.