Schakel JavaScript in voor de beste ervaring.
-40% Black Friday: onze grootste uitverkoop van het jaar Tot 31 December 2026 Plannen bekijken

Wat is kunstmatige intelligentie?

Heldere gids over AI: van machine learning en deep learning tot generatieve AI en agents, met voordelen, toepassingen, risico's, ethiek en geschiedenis.

Wat is kunstmatige intelligentie?

Kunstmatige intelligentie (AI) is een technologie waarmee computers en machines menselijk leren, begrijpen, probleemoplossen, besluitvorming, creativiteit en autonomie kunnen simuleren.

Toepassingen en apparaten met AI kunnen objecten zien en herkennen, menselijke taal begrijpen en erop reageren, leren van nieuwe informatie en ervaringen, gepersonaliseerde aanbevelingen geven en zelfstandig handelen, zonder menselijke tussenkomst (het klassieke voorbeeld is de zelfrijdende auto).

Vandaag staat generatieve AI in de belangstelling, die originele tekst, beelden, video en andere content kan maken. Om die te begrijpen helpt het eerst de onderliggende technologieën te kennen: machine learning en deep learning.

Machine learning

AI is te zien als een reeks overlappende concepten die in meer dan 70 jaar zijn ontstaan. Direct onder de paraplu van AI ligt machine learning (ML): modellen maken door algoritmen met data te trainen om voorspellingen of beslissingen te doen, zonder elke taak expliciet te programmeren.

Er zijn veel technieken: lineaire en logistische regressie, beslisbomen, random forests, support vector machines (SVM), k-nearest neighbors (KNN), clustering en meer, elk geschikt voor andere problemen en data.

Een van de bekendste is het neurale netwerk, gemodelleerd naar de structuur en werking van het menselijk brein: onderling verbonden lagen van knooppunten (neuronen) die complexe data verwerken en patronen in grote hoeveelheden informatie herkennen.

De eenvoudigste vorm is supervised learning, met gelabelde datasets om data te classificeren of uitkomsten te voorspellen: het model leert het verband tussen invoer en uitvoer om bij nieuwe data te voorspellen.

Deep learning

Deep learning is een deelverzameling van machine learning met meerlagige neurale netwerken (diepe neurale netwerken), die het complexe beslisvermogen van het brein nabootsen. Ze hebben een invoerlaag, minstens drie verborgen lagen (vaak honderden) en een uitvoerlaag, tegenover een of twee verborgen lagen bij klassieke ML.

Die lagen maken unsupervised learning mogelijk: ze halen kenmerken uit enorme, ongelabelde, ongestructureerde data en maken eigen voorspellingen. Daarom is het ideaal voor natuurlijke taalverwerking, computervisie en andere taken met complexe patronen, en de meeste dagelijkse AI-toepassingen gebruiken een vorm ervan. Het maakt ook mogelijk:

  • Semi-supervised learning: combineert gelabelde en ongelabelde data voor classificatie en regressie.
  • Self-supervised learning: maakt impliciete labels uit ongestructureerde data.
  • Reinforcement learning: leert door vallen en opstaan en beloningsfuncties.
  • Transfer learning: past wat bij de ene taak is geleerd toe op een verwante taak.

Generatieve AI

Generatieve AI verwijst naar deep-learningmodellen die op verzoek originele, complexe content maken, zoals lange teksten, hoogwaardige beelden, video of realistische audio. Ze coderen een vereenvoudigde weergave van hun trainingsdata en gebruiken die om vergelijkbaar, maar niet identiek werk te maken. De opkomst valt samen met drie typen modellen:

  • Variational autoencoders (VAE's), uit 2013, genereren verschillende soorten content op een instructie.
  • Diffusiemodellen, uit 2014, voegen “ruis” aan beelden toe tot ze onherkenbaar zijn en verwijderen die weer om originele beelden te maken.
  • Transformers, getraind op sequentiële data voor lange reeksen (woorden, vormen, videoframes, code); ze vormen de kern van de meeste huidige generatieve tools.

Hoe generatieve AI werkt

Het werkt in drie fasen: training, fine-tuning, en generatie, evaluatie en verdere afstemming.

  • Training: een basismodel, meestal een groot taalmodel (LLM), wordt gemaakt door een algoritme te trainen op enorme hoeveelheden ongelabelde data. Het resultaat is een netwerk met miljarden parameters. Dit is zeer duur, met duizenden GPU's en weken rekentijd, dus open-sourceprojecten laten deze stap overslaan.
  • Fine-tuning: het model wordt voor een taak aangepast met specifieke gelabelde data of met reinforcement learning uit menselijke feedback (RLHF), waarbij mensen de uitvoer beoordelen.
  • Generatie, evaluatie en verdere afstemming: uitvoer wordt beoordeeld en het model verder verfijnd, soms wekelijks, terwijl het basismodel minder vaak wordt bijgewerkt.

Een andere optie is retrieval-augmented generation (RAG), die het model uitbreidt met bronnen buiten de trainingsdata voor meer nauwkeurigheid.

AI-agents en agentic AI

Een AI-agent is een autonoom programma dat namens een gebruiker of systeem taken uitvoert en doelen bereikt, door een eigen werkproces te ontwerpen en beschikbare tools te gebruiken. Agentic AI is een systeem van meerdere gecoördineerde agents voor complexere taken. In tegenstelling tot chatbots tonen ze autonomie, doelgerichtheid en aanpassingsvermogen. Een generatieve AI kan je het beste moment voor een reis noemen; een agent kan ook de vlucht en het hotel boeken.

Voordelen van kunstmatige intelligentie

  • Repetitieve taken automatiseren, digitaal en fysiek, zodat mensen creatiever werk kunnen doen.
  • Sneller meer inzichten uit data.
  • Betere besluitvorming met snellere, nauwkeurigere voorspellingen.
  • Minder menselijke fouten, bijvoorbeeld bij AI-geassisteerde chirurgie.
  • 24/7 beschikbaar met consistente prestaties.
  • Minder risico door gevaarlijke taken te automatiseren.

Toepassingen

  • Klantenservice: chatbots en virtuele assistenten met NLP en generatieve AI.
  • Fraudedetectie: transactiepatronen analyseren om afwijkingen te signaleren.
  • Gepersonaliseerde marketing: ervaringen en campagnes op maat.
  • HR: cv's screenen en eerste gesprekken voeren.
  • Applicatieontwikkeling: codegeneratie en modernisering van oudere systemen.
  • Voorspellend onderhoud: storingen voorspellen met sensordata.

Uitdagingen en risico's

  • Datarisico's: poisoning, manipulatie, bias en cyberaanvallen.
  • Modelrisico's: diefstal, reverse engineering en ongeautoriseerde manipulatie.
  • Operationele risico's: modeldrift, bias en governancefouten.
  • Ethische en juridische risico's: privacyschendingen en bevooroordeelde resultaten.

AI-ethiek en governance

AI-ethiek onderzoekt hoe je de positieve impact maximaliseert en risico's beperkt, via een governancesysteem. Veelvoorkomende waarden:

  • Verklaarbaarheid en interpreteerbaarheid: processen waarmee je uitkomsten van een algoritme begrijpt en vertrouwt.
  • Eerlijkheid en inclusie: statistische discriminatie is onaanvaardbaar als ze bepaalde groepen systematisch bevoordeelt en andere benadeelt.
  • Robuustheid en veiligheid: uitzonderlijke omstandigheden aankunnen zonder schade te veroorzaken.
  • Verantwoordelijkheid en transparantie: duidelijke verantwoordelijkheden en gebruikers die de dienst en haar grenzen kunnen beoordelen.
  • Privacy en compliance: kaders zoals de AVG vereisen privacyprincipes.

Zwakke AI en sterke AI

Zwakke (beperkte) AI is ontworpen voor een specifieke taak, zoals Alexa, Siri of chatbots. Sterke AI (algemene kunstmatige intelligentie, AGI) zou kennis over veel taken begrijpen, leren en toepassen op menselijk of hoger niveau; dat is nu theoretisch en geen bekend systeem komt in de buurt.

Geschiedenis van kunstmatige intelligentie

Het idee van een “denkende machine” gaat terug tot het oude Griekenland. Sinds elektronisch rekenen zijn dit de belangrijkste mijlpalen:

  • 1950: Alan Turing publiceert “Computing Machinery and Intelligence” en introduceert de Turingtest.
  • 1956: John McCarthy introduceert de term “kunstmatige intelligentie”.
  • 1967: Frank Rosenblatt bouwt de Mark 1 Perceptron, gebaseerd op een neuraal netwerk dat leert door vallen en opstaan.
  • 1980: neurale netwerken met backpropagation raken wijdverbreid.
  • 1997: IBM's Deep Blue verslaat schaakwereldkampioen Garry Kasparov.
  • 2011: IBM Watson verslaat de kampioenen bij Jeopardy!.
  • 2016: DeepMinds AlphaGo verslaat Go-kampioen Lee Sedol.
  • 2022: grote taalmodellen zoals ChatGPT veranderen de prestaties en mogelijkheden van AI.
  • Nu: multimodale modellen bieden rijkere ervaringen en ook kleinere modellen boeken vooruitgang.

Nu je de basis van deze boeiende wereld kent, is het tijd om die in de praktijk te brengen.

Klaar om je woorden om te zetten in een stem die boeit?

Moknah vandaag

Moknah zet tekst om in natuurlijke spraak in meer dan 130 talen, met ongeveer 600 stemmen op twee engines: Standard, met emoties en dialecten, en Advanced, die je aanstuurt door de voordracht in woorden te beschrijven. Voor Arabisch zijn er drie tekstprocessors: Basic, Tashkeel en AI Poet. Deze technologieën kun je uitproberen in Moknah: Text to Speech in meer dan 130 talen, Dubbing en Voice Cloning.

Begin vandaag je reis in de wereld van audiocontent.

Probeer Moknah gratis, zonder creditcard: typ je tekst, kies een stem en hoor het resultaat in seconden. Bekijk de abonnementen op de prijzenpagina.

Nu gratis beginnen

Bron: IBM.COM

Verder lezen

Klaar om je teksten een stem te geven? Ontdek de abonnementen van Moknah

Vond je dit artikel interessant?

Ontvang nieuwe artikelen en productupdates in je inbox. Geen spam.

We respecteren je privacy. Je kunt je op elk moment uitschrijven.