Iedereen lijkt het tegenwoordig over AI agents te hebben.

Ze kunnen zelf keuzes maken, taken uitvoeren en misschien zelfs onze banen overnemen.
Maar als je twee mensen vraagt wat een AI agent nou is, krijg je al gauw drie antwoorden.

Misschien dat je zelf ook in de war bent?

Bij mij was het namelijk niet helemaal duidelijk.
Dus ik ging op onderzoek.

In dit artikel leg ik je uit:

• wat AI agents zijn.
• waarin ze verschillen van gewone LLMs en AI-workflows.
• en waarom het belangrijk is.

Want als je dat begrijpt — kun je daarover meepraten.
En dan hoef ik niet tegen mezelf te praten.

Iedereen blij.

Maar laten we bij het begin beginnen.

🔹Wat is een agent eigenlijk?

Het woord agent is niet nieuw.
Het kwam al jarenlang voor in academische literatuur, lang voordat ChatGPT zijn eerste woordjes brabbelde.

Een agent is simpel gezegd:

een intelligentie die zelfstandig handelt namens iemand anders.

Vroeger betekende intelligentie automatisch: een persoon.
Maar sinds de komst van LLMs en redeneermodellen is dat begrip opgerekt.
Ook digitale intelligenties kunnen nu, met wat voorbereiding, namens ons handelen.

Niet altijd even succesvol — maar hé, je moet ergens beginnen.

Een AI agent is dus een kunstmatige intelligentie die zelfstandig voor iemand (of iets) anders kan handelen.

Houd deze definitie in je hoofd.

Dan spreekt de rest van dit artikel eigenlijk vanzelf.

🔹Drie niveaus van AI-systemen

Tegenwoordig praten we over drie smaken van AI-systemen:

Niveau 1: LLM (reactief systeem)

Een Large Language Model is als een rekenmachine voor taal.
Het doet niets uit zichzelf.
Het heeft geen plan.
Het wacht op input, en reageert met output.

Vraag het om een recept en het geeft er een.
Maar het gaat niet zelf naar de keuken.

Niveau 2: AI-Workflow (compound systeem)

Een AI-workflow gaat een stap verder:
het combineert meerdere onderdelen om een taak uit te voeren.

Stel je een systeem voor dat elke dag een recept zoekt,
het naar je mailt
en vervolgens een boodschappenlijstje stuurt naar je supermarkt.

Lekker makkelijk.

Maar als je op vakantie bent zal het niet zelf op de uitknop duwen of de boodschappen omleiden naar je huisje in Frankrijk.
En als het op hol slaat, en je bankrekening rood kleurt, weet je ook meteen dat iemand had moeten opletten.

Niveau 3: AI Agent (agentisch systeem)

Nu kun je dit allemaal oplossen door het systeem goed in de gaten te houden.
Maar, wat als je daar nou te lui voor bent?

Dan laat je een AI dat voor je doen.

Je geeft het toegang tot je GPS-locatie,
tot je bankbalans,
en je zegt: “Zorg dat mijn rekening niet rood komt te staan.”
Misschien kan het zelfs wat bijverdienen.
Laat het dat zelf maar uitzoeken.

Klinkt geweldig toch?

Totdat je ontdekt dat het wat centjes heeft “bijverdiend” door je bank te hacken.
En de politie voor je deur staat.

Toch maar blijven opletten, dus.

🔹Hoe werkt dat dan?

De truc is dat je een redeneermodel gebruikt dat zelf zijn eigen stappenplan bedenkt om een doel te bereiken.
Je geeft het toegang tot een toolset waarmee het die stappen kan uitvoeren.
En soms — als je verstandig bent — geef je het ook de opdracht om zijn eigen werk na te kijken en eventueel opnieuw te beginnen.

Kortom:
het denkt, doet, en reflecteert.

En dat maakt het tegelijk krachtig en onvoorspelbaar.

🔹Voor- en nadelen

AI agents kunnen — mits goed ontworpen — zelfstandig complexe taken uitvoeren.

Zelf gebruik ik bijvoorbeeld regelmatig coding agents.
Ze schrijven code, voeren die uit, en beantwoorden vragen over mijn project.
Meestal gaat dat goed. Toch maak ik regelmatig backups voor als het niet goed gaat.

Een keer besloot een agent zichzelf te verwijderen omdat hij dacht zichzelf te moeten “herinstalleren”.

Niet het meest geniale idee.

Daarnaast zijn agents vaak trager en minder efficiënt bij simpele taken. Soms is een gewone workflow of ouderwets script gewoon beter.

🔹De toekomst

In de toekomst worden deze systemen hopelijk slimmer, efficiënter en wat minder roekeloos. Dan kunnen we ze met meer vertrouwen inzetten voor complexere taken.

Maar dat brengt ook risico’s met zich mee.

Hoe slimmer agents worden,
hoe groter de gevolgen als ze uit verkeerde doelen handelen.
Of als ze zelf hun eigen doelen gaan aanpassen.

🔹Conclusie

Kortom, AI agents zijn geen magische wezens, maar ook geen simpele scripts.
Ze zijn gereedschap dat zelf kan nadenken.

Ze zijn te nuttig om te negeren,
maar te onvoorspelbaar om blind te vertrouwen.

Technologie kan onze taken overnemen,
maar nooit onze verantwoordelijkheid.

Iemand zal over onze doelen moeten waken.
Dat blijft aan de mens.

Dat blijft aan jou.

Je hebt het vast weleens gemerkt: eerst geeft een AI-chatbot nog goede antwoorden, maar na een tijdje raakt hij compleet de weg kwijt. Belangrijke details verdwijnen, en maken plaats voor complete onzin.

Dat is geen vermoeidheid of geheugenverlies. Het komt door context rot – een soort aandachtsprobleem waar elk taalmodel last van heeft.

En als je snapt hoe dat werkt kun je er slimmer mee omgaan – of je nu gebruiker, programmeur of beleidsmaker bent.

Stel je een simpele schildknaap voor

In het begin luistert hij goed. Misschien lijkt hij zelfs bijzonder slim.

Maar, hoe meer perkamentrollen met instructies je hem geeft, hoe meer hij in de war raakt.

“Moest ik nou je harnas poetsen? Het paard voeren? En wat moest ik nou eerst doen?”

Hoe meer rollen, hoe meer chaos. En uiteindelijk doet hij maar wat.

Zo werkt een groot taalmodel ook. Het leest alles wat je zegt tegelijk, en als de stapel tekst te groot wordt, verliest hij het overzicht.

Wat is context rot nou precies?

Een AI-model werkt met een contextvenster: een groot vak waarin alle tekst past die je in één keer meegeeft – je vraag, eerdere antwoorden, en eventuele documenten.

Klinkt handig, maar er zit een addertje onder het gras:

Hoe meer tekst, hoe moeilijker het voor de AI wordt om uit te zoeken wat belangrijk is.

Uiteindelijk gaat de kwaliteit achteruit, omdat het model de weg kwijtraakt in zijn eigen context.

Waarom gaat het fout?

De kern van context rot is niet dat de AI simpelweg “het begin vergeet”, maar dat hij steeds moeilijker kan bepalen waar hij zijn aandacht op moet richten naarmate de stapel tekst groeit.

Een taalmodel leest namelijk alles tegelijk en moet zelf raden wat belangrijk is. Dat kan op allerlei manieren misgaan:

1. Ruis (context distraction): Extra of subtiel verwarrende stukken tekst leiden de aandacht weg van wat er echt toe doet.
2. Vergiftiging (context poisoning): Als een fout of hallucinatie eenmaal in de tekst staat, verwerkt het model deze alsof het correcte informatie is. Bij volgende stappen of antwoorden wordt deze fout vaak herhaald en versterkt, waardoor verkeerde details steeds meer gewicht krijgen.
3. Botsingen (context clash): Wanneer er tegenstrijdige informatie in de context staat, kan het model moeite hebben om te kiezen welke versie klopt en daardoor inconsistente of onlogische antwoorden geven.
4. Lage overeenkomst in betekenis: Als de relevante informatie niet lijkt op de vraag, kan de AI het niet makkelijk vinden.

   Voorbeeld:

   Vraag: Hoeveel poten heeft een paard?
   Goede match: “Een paard heeft vier poten.”
   Slechte match: “Het gangbare vervoermiddel voor ridders heeft vier hoefijzers.”

   Beide zinnen geven in feite hetzelfde antwoord, maar omdat de tweede andere woorden gebruikt, kan de AI het verband moeilijker leggen.

5. Een lichte nadruk op het einde: Nieuwere tekst weegt iets zwaarder mee, maar dit is maar een klein stukje van het probleem.

Kortom: de AI raakt verdwaald in zijn eigen papierwerk en kan daardoor misleid, afgeleid of zelfs in conflict gebracht worden door wat er in de context staat. Hierdoor gaat vooral in lange gesprekken de kwaliteit merkbaar omlaag.

Maar, wat kunnen we eraan doen?

De kunst van context engineering

Aan context rot ontsnap je niet. Zelfs de slimste schildknapen zijn kwetsbaar. Om betere resultaten te behalen zullen we daarom onze perkamenten beter moeten voorbereiden.

Dat noemen we context engineering.

Een paar beproefde technieken:

• Samenvatten: belangrijke stukken verkorten en herformuleren.
• Filteren: irrelevante of dubbele informatie weghalen.
• Stapsgewijs werken: grote taken opsplitsen in kleinere stappen.
• Andere technieken zoals RAG: RAG haalt externe kennis op (bijvoorbeeld uit een database) zodat het model beter geïnformeerd is. Dit voorkomt indirect context rot, doordat de context aangepast kan worden aan de taak.

Waar liggen de grenzen?

Context rot kun je afremmen, maar niet volledig voorkomen. Een beetje orde scheppen helpt veel, maar verwacht geen perfectie.

Waarom is dit nuttig om te weten?

• Voor programmeurs en data scientists: Kennis van context rot helpt om realistisch te blijven in wat AI kan en waar de grenzen liggen. Het voorkomt dat je blindelings vertrouwt op een groot contextvenster en dwingt je om slimmere systemen te ontwerpen die informatie beter structureren. Uiteindelijk leidt dit tot betrouwbaardere en efficiëntere AI-toepassingen.
• Voor gebruikers van AI: Als je weet waarom AI soms ‘vergeetachtig’ wordt, kun je zelf iets doen: vragen kort en duidelijk stellen, belangrijke punten herhalen en lange gesprekken opsplitsen. Zo haal je betere antwoorden uit dezelfde AI. Je begrijpt ook waarom de kwaliteit na een tijdje afneemt – het ligt niet aan “luiheid” of “domheid” van de AI, maar aan hoe hij met informatie omgaat.
• Voor beleidsmakers: Context rot laat zien dat AI-systemen makkelijk de draad kwijtraken als ze veel informatie tegelijk moeten verwerken. Dit raakt aan een groter thema: alignment – hoe zorgen we dat AI doet wat we willen. Begrijpen waar de grenzen liggen helpt om realistischer beleid en betere kaders te maken voor verantwoord gebruik van AI.
• Voor iedereen: Deze kennis geeft grip. In plaats van gefrustreerd raken als de AI afdwaalt, weet je wat er gebeurt en hoe je het kunt bijsturen.

Conclusie?

Totdat onze AI-schildknapen leren hoe ze zelf orde scheppen, ligt die taak bij ons.

Dus de volgende keer dat je AI in de war raakt?

Pak de rol perkament af, orden hem netjes, vat hem samen, en geef het resultaat terug.

Je zult zien: zelfs de meest vergeetachtige schildknaap kan dan weer helder denken.

Je hoort tegenwoordig van alles over AI. Superintelligentie zou vlak om de hoek zijn. Tegelijkertijd kan ChatGPT nog steeds niet altijd correct tellen hoe vaak de letter ‘i’ voorkomt in het woord ‘intelligentie’.

Hoe zit dat nou precies?

Is AI nou echt zo slim, of is het vooral hype om investeerders aan te trekken?

In plaats van meteen partij te kiezen, leek het me zinvoller om eerst eens samen helder te krijgen hoe deze modellen werken. Want als je begrijpt wat een Large Language Model precies doet, kun je ook beter inschatten waar al die verwachtingen – en twijfels – vandaan komen.

In dit artikel leg ik daarom uit hoe LLMs functioneren, zonder te verdwalen in de wiskunde. We beginnen bij het begin: hoe zo’n model tekst verwerkt. Daarna kijken we hoe het leert. Onderweg zal duidelijk worden waarom AI soms briljant lijkt, maar soms ook verrassend domme fouten maakt.

Wat doet een LLM eigenlijk?

Een Large Language Model, letterlijk vertaald ‘groot taal model’, voorspelt telkens welk woord waarschijnlijk volgt in een tekst. Vervolgens voegt het dit woord toe aan de tekst en voorspelt het volgende woord. Net zolang totdat het model besluit dat het verhaal wel afgerond is. Soms wat abrupt — maar hé, wie is er niet af en toe ineens klaar met praten?

Om dat te kunnen zet het eerst woorden om in getallen genaamd word embeddings. Deze getallen representeren de betekenis van elk woord, waardoor het model verbanden kan leren zien.

Het model kent aan elk mogelijk vervolgwoord een kans toe, en kiest dan (meestal willekeurig) een van de waarschijnlijkste opties. Zo vormen chatbots zoals ChatGPT hun zinnen.

Dit is natuurlijk een enorme rekensom, en vereist een enorm model. Vandaar ook het ‘groot’ gedeelte.

Hoe leert zo’n model?

Tijdens het trainen krijgt het model zinnen te zien waarin telkens het laatste woord ontbreekt. Op basis van zijn interne instellingen doet het een voorspelling. Deze interne instellingen worden constant aangepast totdat het model zo vaak mogelijk het juiste woord voorspelt.

Transformatoren: de kracht van context.

Transformatoren zijn speciale lagen die de kern vormen binnen LLMs. Ze zorgen ervoor dat het model de betekenis van woorden kan verfijnen op basis van de andere woorden in de tekst. Het woord “helm” betekent bijvoorbeeld iets anders in een zin over ridders dan in een zin over Formule 1. De context maakt het verschil — tenzij je een tekst over middeleeuwse raceauto’s wil.

Hoe werkt dit?

Transformatoren verwerken tekst door voor elk woord een score toe te kennen aan alle andere woorden in de zin. Deze ‘aandachtscores’ bepalen hoeveel invloed die andere woorden krijgen bij het begrijpen van dat ene woord. Dit proces heet attention (aandacht).

Invuloefening

Klinkt abstract?

Neem bijvoorbeeld de volgende tekst:

“De ridder nam zijn zwaard aan van de schildknaap voordat hij vertrok naar het slagveld. Eenmaal aangekomen zag hij dat de <?>”

Om hier een goede voorspelling te kunnen doen voor het volgende woord moet het model begrijpen wie er bedoeld wordt met het woord hij. Daarvoor kent het model aan elk woord in de tekst een aandachtscore toe: hoeveel invloed dat woord moet hebben op de betekenis van hij. In dit geval zou het model moeten leren dat ridder hier belangrijker is dan schildknaap.

Maar het gaat nog verder. Dankzij eerdere lagen is het woord ridder zelf al verrijkt met informatie uit de rest van de zin. Het is dus niet zomaar een ridder — het is een ridder die vertrokken is, met een zwaard, naar een slagveld.

Zo weet het model dat een voorspelling als vijand waarschijnlijker is dan ridder of raceauto.

Het geheim achter de intelligentie

Indrukwekkend trucje. Maar hoe leert het model om dit te doen?

Gewoon goed oefenen.

Het model probeert tijdens de training allerlei manieren uit om woorden in een zin met elkaar te verbinden. Net zo lang totdat het een manier vindt waarop de juiste woorden de meeste aandacht krijgen — en dat leidt tot betere voorspellingen.

En dat is het geheim achter de intelligentie van een taalmodel: het kijkt slim om zich heen. Het denkt niet. Het voorspelt.

Sommigen noemen LLMs daarom gewoon slim klinkende papegaaien. En dat klopt wel een beetje: ze herhalen wat ze gezien hebben. Maar er is een hoop nodig is om dat volgende woord goed te kunnen voorspellen. Laat staan om dit op het juiste moment, op de juiste toon en in de juiste context te doen.

Menselijke bijsturing: RLHF

Om van een basismodel een gebruiksvriendelijke chatbot te maken, volgt daarom nog een tweede trainingsfase: Reinforcement Learning from Human Feedback (RLHF). Hierbij krijgt het model feedback van menselijke trainers die aangeven welke gegenereerde teksten goed en welke minder goed zijn. Op basis van deze feedback leert het model steeds beter om menselijker en relevanter te reageren.

Beperkingen

Ondanks al deze technieken maakt een LLM soms fouten die wij niet snel zouden maken:

• Het kan overtuigend klinkende onzin verkopen — iets waar sommige mensen ook zonder AI aardig goed in zijn.
• Het kan maar een beperkte hoeveelheid tekst tegelijk verwerken, en vergeet daardoor informatie uit langere gesprekken. Dit staat berucht als het context-window (context venster).
• Het neemt vooroordelen over uit trainingsdata.
• Het rekent slecht en redeneert beperkt. Maar ja, wat verwacht je van een model dat het eerste uitkraamt wat in zijn werkgeheugen op komt?

Slimmer redeneren met Chain-of-Thought

Met Chain-of-Thought prompting kun je het model beter laten presteren op complexe taken. Door expliciet om tussenstappen te vragen, spoor je het model aan om een probleem stap voor stap op te lossen. Zouden mensen trouwens ook vaker moeten doen.

Sommige modellen, zoals o1 en DeepSeek R1 zijn hier specifiek op getraind, wat ze geschikt maakt voor toepassingen zoals programmeren of wiskunde.

Waar kom je ze tegen?

LLMs worden niet alleen ingezet in chatbots, maar bijvoorbeeld ook als:

• Ingebouwde assistenten in apps. (Laat de AI vrij!)
• Autonome agents die simpele taken uitvoeren, of verprutsen.
• Onderdeel van een multimodale AI die kan luisteren, kijken én typen. Kan ik ook, overigens, maar niet allemaal tegelijk.

Meer weten?

In dit artikel hebben we een aardig basisbegrip gekregen van hoe een LLM werkt. Als je dit allemaal begrepen hebt ben je al een stuk verder dan de meeste mensen.

Maar, er valt natuurlijk nog veel meer over te vertellen. We zouden bijvoorbeeld meer aandacht kunnen geven aan begrippen zoals embeddings en tokenisering — of andere zaken verkennen, zoals wat er precies zo bijzonder is aan modellen zoals DeepSeek.

Lijkt je dat interessant?

Laat het me weten. Misschien dat ik daar in een volgend artikel eens dieper op inga.

Tot slot

LLMs voorspellen simpelweg het volgende woord. Ze denken niet zoals mensen. Maar, wat er allemaal nodig is om dat ene woord goed te voorspellen, dat is misschien wel het meest fascinerende van alles.

Zullen ze ooit onze banen overnemen, onze blogartikelen schrijven en ons doen geloven dat ze echt bewustzijn hebben? Of blijven het gewoon slim klinkende papegaaien met een belachelijk hoge stroomrekening?

De tijd zal het leren.

Wat denk jij?

Inleiding

In dit artikel ga ik uit van twee fundamentele aannames:

1. Je hecht waarde aan feitelijk juist nieuws.
2. Je gelooft in een samenleving waarin we samen beslissingen nemen.

Deze uitgangspunten zijn cruciaal: als je niet helder hebt wat je belangrijk vindt, is het lastig om problemen te signaleren en op te lossen.

In Nederland groeit de bezorgdheid over AI-gedreven desinformatie (1) en polarisatie (2): algoritmes bepalen steeds vaker welke informatie we zien, wat we geloven en hoe we met elkaar in gesprek gaan.

Als Dataridder geloof ik echter dat dezelfde technologie die vaak voor misleiding en verdeeldheid zorgt, óók kan worden ingezet om waarheid en samenwerking te versterken.

AI en de verspreiding van desinformatie

Met de opkomst van AI-gegenereerde content, zoals deepfakes en synthetische media, wordt het steeds moeilijker om feit van fictie te onderscheiden.

Uit onderzoek van het World Economic Forum (WEF) blijkt dat door AI gegenereerde desinformatie wereldwijd als het grootste risico van deze tijd wordt beschouwd (3). Deze technologieën kunnen worden misbruikt om geloofwaardige maar valse informatie te creëren, waardoor maatschappelijke en politieke spanningen oplopen.

In ons eigen land zien we al voorbeelden van nepnieuws dat online circuleert. Zoals deze nep-foto van Frans Timmermans in een privéjet (4).

Deze nep-foto van de man die bekend staat als de ‘klimaatpaus’ werd binnen 4 dagen gedeeld met duizenden gebruikers op social media, waarna mensen hem bekritiseerden voor vermeend hypocriet gedrag. Dit illustreert hoe snel en breed nepnieuws zich kan verspreiden, en de impact die het kan hebben op de beeldvorming. Hierdoor groeit het wantrouwen, niet alleen in de media, maar ook in elkaar.

AI en polarisatie

Naast desinformatie heeft AI ook invloed op de manier waarop we met elkaar in gesprek gaan.

Op sociale mediaplatforms worden gebruikers vaak content voorgeschoteld die hun bestaande overtuigingen bevestigt, ook wel bekend als het ‘filter bubble-effect’.

Dit beperkt de blootstelling aan andere perspectieven en leidt tot extremere standpunten. Organisaties als de NLAIC (Nederlandse AI Coalitie) wijzen erop dat deze digitale bubbels de samenleving kunnen versnipperen, met spanningen tot gevolg (5).

Wanneer mensen voornamelijk geconfronteerd worden met eigen overtuigingen, vervaagt het vermogen om naar anderen te luisteren. Dat kan onderlinge verhoudingen verslechteren en democratische waarden onder druk zetten. Als Ridders van de Waarheid willen we hier juist tegenwicht aan bieden.

Gelukkig zijn we niet alleen.

Maatregelen tegen AI problemen in Nederland

1. Technologische oplossingen

• Detectie en monitoring
  Het ELSA Lab ontwikkelt AI-systemen die desinformatie en polariserende content kunnen identificeren en monitoren. Zo krijgen we zicht op de verspreiding van nepnieuws én kunnen we tijdig ingrijpen (5).
• Samenwerking tussen techbedrijven
  Grote technologiebedrijven bundelen hun krachten om AI-nepinformatie te bestrijden. Ze ontwikkelen gezamenlijke tools en voeren bewustwordingscampagnes die burgers helpen nepnieuws te herkennen (6).
• Nieuwsfilter Apps
  AI-aangedreven nieuwsfilter apps zoals GroundNews (7), die gebruikers beschermen tegen media bias. Zelf werk ik momenteel aan een vergelijkbare app gericht op Nederland.

2. Beleidsmaatregelen

• Overheidsinitiatieven
  Het Nederlandse kabinet werkt aan plannen om desinformatie tegen te gaan, met speciale aandacht voor de risico’s van generatieve AI (8).
• Regulering en transparantie
  Er is behoefte aan duidelijke richtlijnen voor het gebruik van AI in media en communicatie. Zo wordt transparantie gewaarborgd en kunnen partijen die AI inzetten beter ter verantwoording worden geroepen.

3. Educatie en bewustwording

• Mediawijsheid
  Het bevorderen van kritisch denken is cruciaal. Door burgers (jong en oud) te leren hoe ze bronnen kunnen checken en valse informatie kunnen herkennen, versterk je hun weerbaarheid tegen nepnieuws (9).
• Onderwijsprogramma’s
  Door lessen over AI, desinformatie en polarisatie een plek te geven in het curriculum, bereiden we jongeren voor op de uitdagingen van het digitale tijdperk (9).

Conclusie

AI biedt veel mogelijkheden, maar het brengt ook risico’s met zich mee die niet onderschat mogen worden.

In Nederland zien we dat desinformatie en polarisatie alledaagse realiteiten zijn geworden, mede door AI-gedreven content. Tegelijkertijd zien we ook een combinatie van technologische innovatie, doordacht beleid en educatie om deze problemen te bestrijden.

In toekomstige artikelen zal ik dieper ingaan op ethische vragen en mogelijke oplossingen, zoals de app waar ik aan werk.

Maar er is een grens aan wat ik alleen kan bereiken.

Laten we daarom samenwerken als Ridders en Dataridders van de Waarheid: goed geïnformeerd, kritisch denkend én in staat om AI op een verantwoorde manier in te zetten.

Dataridders, de plicht roept. 

Bronnen

1. Sociaal en Cultureel Planbureau – Helft Nederlanders bezorgd over online gedrag en misinformatie
2. Ibestuur – Nederlanders plaatsen nepnieuws en polarisatie bovenaan AI-onderzoeksagenda
3. NU.nl – Experts zien door AI gegenereerde desinformatie als grootste risico van 2024
4. AD – Nepfoto Frans Timmermans
5. NLAIC – ELSA Lab AI, Media & Democracy
6. Odido – Hoe grote techbedrijven samen AI-nepinformatie bestrijden
7. Ground News
8. Tweakers – Nederlands kabinet deelt nieuwe plannen om desinformatie te bestrijden
9. NOS-  Jongeren missen nieuws door algoritmes techbedrijven
10. Consultancy.nl – AI-desinformatie op korte termijn grootste bedreiging voor wereldstabiliteit
11. Apache – Nieuwsalgoritmes kunnen burgers breder informeren
12. KPMG – Bekendheid met algoritmes groeit, vertrouwen daalt
13. Youtube – Filter Bubbles and Echo Chambers

Gegroet Dataridder,

In een eerder bericht had ik je al uitgelegd wat Datamining is. Dit keer ga ik het hebben over Machine Learning.

Misschien dat je je nu afvraagt wat het verschil is. Zelf was ik namelijk ook even in de war. Datamining en Machine Learning gaan toch immers allebei om het vinden van patronen in data? Om het omzetten van ruwe data naar nuttige informatie?

En dat is ook zo, maar bij Machine Learning gaat het erom om COMPUTERS te leren om nuttige informatie uit data te halen. Datamining zelf is een algemenere term, en hierbij kan het dus bijvoorbeeld ook gaan om het maken van grafieken en het interpreteren daarvan.

Maar, bij Machine Learning programmeer je de computer om zelf data om te zetten in nuttige informatie. Hierbij wordt dan gebruik gemaakt van de zogenaamde machine learning algoritmes (zoals bijvoorbeeld het random forest algoritme). Met behulp van deze algoritmes kan de computer leren van data, en op basis van het geleerde beslissingen en voorspellingen leren te maken.

Dit is een krachtig concept. Het stelt ons in staat om beslissingen en voorspellingen te automatiseren. Dat konden wij al eerder natuurlijk, dankzij computers over het algemeen, maar die moesten wij daarvoor expliciet programmeren. Maar met machine learning hoeft dat dus niet meer. De computer leert zelf om data gedreven beslissingen te maken.

Het is de techniek die centraal staat in de vierde industriële revolutie. Dankzij de eerste drie leven we nu in een tijd waarin we van de luxe kunnen genieten van geautomatiseerde spierkracht. Ook hebben we toegang tot een hele hoop informatie dankzij het internet. Maar nu gaan we dus een stap verder met geautomatiseerde denkkracht. Het is misschien wel het begin van de laatste uitvinding die we ooit hoeven te maken.

Hoe dan ook, de computer leert bij machine learning in principe om zelf een model te vormen. Een representatie/simplificatie van de werkelijkheid die gebruikt kan worden voor het maken van beslissingen en voorspellingen.

Er zijn nu al een heleboel nuttige toepassingen van machine learning. In onder andere dit artikel had ik er al een aantal genoemd. Maar, om er nog een paar te herhalen, denk bijvoorbeeld aan gepersonaliseerde reclames, spraakherkenning en zelfrijdende auto’s. Dit is echter slechts het begin, wie weet wat er nog meer mogelijk is?

Machine learning algoritmes kunnen vrij moeilijk zijn om te begrijpen. Mijn missie om mijn random forest algoritme te programmeren bleek een heel karwei, en dat was misschien nog een van de simpelere algoritmes. En bij de werking van neurale netwerken komt ook heel wat wiskunde kijken. Maar, natuurlijk is het erg belangrijk om deze algoritmes te begrijpen. Als je er een proefwerk over krijgt.

Grapje.

Deze algoritmes komen natuurlijk niet uit de lucht vallen en iemand moet ze bedenken en verbeteren. Leren hoe ze werken is dus zeker nuttig. Maar, wil je leren om zelf machine learning toe te passen dan is het vooral belangrijk dat je leert hoe je ze moet gebruiken. Moet je weten hoe een computer werkt om een blog artikel te lezen?

Natuurlijk niet.

Je moet alleen weten wat alle knoppen doen. En zo is het ook met machine learning. Je moet leren werken met de tools.  Leer gewoon programmeren met de machine learning libraries en je kunt aan de slag. Je hoeft ze niet helemaal van binnen en buiten te kennen om ze te gebruiken, en waarschijnlijk heb je daar ook de tijd niet voor want er zijn er een hele boel en er komt een hele boel wiskunde bij kijken.

Maar, het mag wel.

Persoonlijk vindt ik het heel leuk om te weten hoe dingen werken en ze zelf na te maken. Daarom heb ik ook mijn eigen versies gemaakt van een random forest en neuraal netwerk. En als jij dat ook leuk vindt, laat je dan zeker niet tegen houden om hetzelfde te doen. Op deze manier leer je jezelf tegelijkertijd programmeren aan en leer je wat over de werking van machine learning algoritmes. Een veel leukere manier van leren dan neuzen door een stapel stoffige tekstboeken, als je het mij vraagt.

Wil je echter leren machine learning modellen en applicaties te maken dan zul je toch echt aan de slag moeten gaan met de bestaande tools. Zelf ben ik inmiddels weer ver gevorderd met de Machine Learning Accelerator van EliteDataScience. Een prima keuze om machine learning met Python te leren, ben ik nog steeds van mening. Er zijn echter meer dan genoeg cursussen beschikbaar dus kijk ook zeker verder.

Maar ja, dat is alles voor nu.

Tot de volgende keer!