Default
Door Remote - 29 May 2026
Kunstmatige intelligentie verandert de wereld en bedenkt tegelijkertijd een geheel nieuwe taal om te beschrijven hoe zij dat doet. Besteed vijf minuten aan het lezen over AI en je zult LLM’s, RAG, RLHF en een tiental andere termen tegenkomen die zelfs heel slimme mensen in de technische wereld een onzeker gevoel kunnen geven. Deze woordenlijst is onze poging om dit op te lossen. We werken het regelmatig bij naarmate het vakgebied evolueert, dus beschouw het als een levend document, net zoals de AI-systemen die het beschrijft.
AGI
Kunstmatige algemene intelligentie, of AGI, is een vage term. Maar het verwijst over het algemeen naar AI die capabeler is dan de gemiddelde mens bij veel, zo niet de meeste, taken. OpenAI-CEO Sam Altman beschreef AGI ooit als het “equivalent van een gemiddelde mens die je als collega zou kunnen inhuren.” Ondertussen definieert het charter van OpenAI AGI als “zeer autonome systemen die beter presteren dan mensen bij het meest economisch waardevolle werk.” Het begrip van Google DeepMind verschilt enigszins van deze twee definities; het laboratorium beschouwt AGI als “AI die bij de meeste cognitieve taken minstens even capabel is als mensen.” Verward? Maak je geen zorgen, dat geldt ook voor experts die voorop lopen op het gebied van AI-onderzoek.
AI-agent
Een AI-agent verwijst naar een tool die AI-technologieën gebruikt om namens u een reeks taken uit te voeren – die verder gaan dan wat een meer basale AI-chatbot zou kunnen doen – zoals het indienen van onkosten, het boeken van tickets of een tafel in een restaurant, of zelfs het schrijven en onderhouden van code. Zoals we echter eerder hebben uitgelegd, zijn er veel bewegende stukken in deze opkomende ruimte, dus ‘AI-agent’ kan voor verschillende mensen verschillende dingen betekenen. Er wordt ook nog steeds aan infrastructuur gebouwd om de beoogde capaciteiten te kunnen verwezenlijken. Maar het basisconcept impliceert een autonoom systeem dat gebruik kan maken van meerdere AI-systemen om taken uit meerdere stappen uit te voeren.
API-eindpunten
Beschouw API-eindpunten als “knoppen” op de achterkant van een stukje software waarop andere programma's kunnen drukken om het dingen te laten doen. Ontwikkelaars gebruiken deze interfaces om integraties te bouwen, bijvoorbeeld door de ene applicatie gegevens uit de andere te laten halen, of door een AI-agent in staat te stellen services van derden rechtstreeks te controleren zonder dat een mens elke interface handmatig hoeft te bedienen. Bij de meeste smart home-apparaten en verbonden platforms zijn deze verborgen knoppen beschikbaar, zelfs als gewone gebruikers ze nooit zien of ermee communiceren. Naarmate AI-agenten steeds capabeler worden, zijn ze steeds beter in staat deze eindpunten zelf te vinden en te gebruiken, waardoor krachtige – en soms onverwachte – mogelijkheden voor automatisering ontstaan.
Keten van gedachten
Gegeven een eenvoudige vraag kan het menselijk brein antwoorden zonder er zelfs maar al te veel over na te denken – zaken als “welk dier is groter, een giraffe of een kat?” Maar in veel gevallen heb je vaak pen en papier nodig om tot het juiste antwoord te komen, omdat er tussenstappen zijn. Als een boer bijvoorbeeld kippen en koeien heeft, en samen hebben ze 40 koppen en 120 poten, moet je misschien een eenvoudige vergelijking opschrijven om tot het antwoord te komen (20 kippen en 20 koeien).
In een AI-context betekent gedachteketenredenering voor grote taalmodellen het opsplitsen van een probleem in kleinere, tussenliggende stappen om de kwaliteit van het eindresultaat te verbeteren. Het duurt meestal langer om een antwoord te krijgen, maar de kans is groter dat het antwoord juist is, vooral in een logische of codeercontext. Redeneringsmodellen zijn ontwikkeld op basis van traditionele grote taalmodellen en geoptimaliseerd voor gedachteketendenken dankzij versterkend leren.
(Zie: Groot taalmodel)
Codeermiddelen
Dit is een specifieker concept dan een ‘AI-agent’, wat een programma betekent dat stap voor stap zelfstandig acties kan ondernemen om een doel te bereiken. Een codeeragent is een gespecialiseerde versie die wordt toegepast op softwareontwikkeling. In plaats van eenvoudigweg code voor te stellen die een mens kan beoordelen en inplakken, kan een codeeragent autonoom code schrijven, testen en debuggen, waarbij hij het soort iteratief, vallen en opstaan-werk afhandelt dat normaal gesproken de dag van een ontwikkelaar in beslag neemt. Deze agenten kunnen in volledige codebases werken, bugs opsporen, tests uitvoeren en oplossingen pushen met minimaal menselijk toezicht. Zie het als het inhuren van een zeer snelle stagiair die nooit slaapt en nooit de focus verliest – hoewel, zoals bij elke stagiair, een mens het werk nog steeds moet beoordelen.
Bereken
Hoewel het enigszins een multivalente term is, verwijst compute over het algemeen naar de vitale rekenkracht die ervoor zorgt dat AI-modellen kunnen werken. Dit soort verwerking stimuleert de AI-industrie, waardoor deze de mogelijkheid krijgt om zijn krachtige modellen te trainen en in te zetten. De term is vaak een afkorting voor het soort hardware dat de rekenkracht levert – zaken als GPU’s, CPU’s, TPU’s en andere vormen van infrastructuur die de basis vormen van de moderne AI-industrie.
Diep leren
Een subset van zelfverbeterende machine learning waarbij AI-algoritmen worden ontworpen met een meerlaagse, kunstmatige neurale netwerkstructuur (ANN). Hierdoor kunnen ze complexere correlaties maken in vergelijking met eenvoudigere op machine learning gebaseerde systemen, zoals lineaire modellen of beslissingsbomen. De structuur van deep learning-algoritmen is geïnspireerd op de onderling verbonden paden van neuronen in het menselijk brein.
Deep learning AI-modellen zijn in staat om zelf belangrijke kenmerken in data te identificeren, in plaats van dat menselijke ingenieurs deze kenmerken moeten definiëren. De structuur ondersteunt ook algoritmen die van fouten kunnen leren en, door een proces van herhaling en aanpassing, hun eigen resultaten kunnen verbeteren. Deep learning-systemen hebben echter veel datapunten nodig om goede resultaten te behalen (miljoenen of meer). Het duurt doorgaans ook langer om ze te trainen in vergelijking met eenvoudigere machine learning-algoritmen, waardoor de ontwikkelingskosten doorgaans hoger zijn.
(Zie: Neuraal netwerk)
Verspreiding
Diffusie is de technologie die de kern vormt van veel kunst-, muziek- en tekstgenererende AI-modellen. Geïnspireerd door de natuurkunde ‘vernietigen’ diffusiesystemen langzaam de structuur van gegevens (bijvoorbeeld foto’s, liedjes, enzovoort) door er ruis aan toe te voegen totdat er niets meer over is. In de natuurkunde is diffusie spontaan en onomkeerbaar; suiker die in koffie wordt verspreid, kan niet in kubusvorm worden hersteld. Maar diffusiesystemen in AI streven ernaar een soort ‘omgekeerd diffusieproces’ te leren om de vernietigde gegevens te herstellen, waardoor ze de mogelijkheid krijgen om de gegevens uit ruis te herstellen.
Distillatie
Distillatie is een techniek die wordt gebruikt om kennis te extraheren uit een groot AI-model met een ‘leraar-leerling’-model. Ontwikkelaars sturen verzoeken naar een docentenmodel en leggen de resultaten vast. Antwoorden worden soms vergeleken met een dataset om te zien hoe nauwkeurig ze zijn. Deze resultaten worden vervolgens gebruikt om het leerlingmodel te trainen, dat is getraind om het gedrag van de leraar te benaderen.
Destillatie kan worden gebruikt om een kleiner, efficiënter model te creëren op basis van een groter model met minimaal destillatieverlies. Dit is waarschijnlijk hoe OpenAI GPT-4 Turbo heeft ontwikkeld, een snellere versie van GPT-4.
Hoewel alle AI-bedrijven intern gebruik maken van distillatie, kan het ook door sommige AI-bedrijven zijn gebruikt om grensmodellen in te halen. Distillatie van een concurrent is meestal in strijd met de servicevoorwaarden van AI API en chatassistenten.
Fijnafstemming
Dit verwijst naar de verdere training van een AI-model om de prestaties voor een specifiekere taak of gebied te optimaliseren dan voorheen een centraal punt van de training was – meestal door nieuwe, gespecialiseerde (dat wil zeggen taakgerichte) gegevens in te voeren.
Veel AI-startups nemen grote taalmodellen als uitgangspunt om een commercieel product te bouwen, maar proberen de bruikbaarheid voor een doelsector of taak te vergroten door eerdere trainingscycli aan te vullen met verfijning op basis van hun eigen domeinspecifieke kennis en expertise.
(Zie: Groottaalmodel [LLM])
GAN
Een GAN, of Generative Adversarial Network, is een soort machine learning-framework dat enkele belangrijke ontwikkelingen in generatieve AI ondersteunt als het gaat om het produceren van realistische gegevens – inclusief (maar niet alleen) deepfake-tools. GAN's omvatten het gebruik van een paar neurale netwerken, waarvan er één gebruik maakt van zijn trainingsgegevens om een output te genereren die ter evaluatie aan het andere model wordt doorgegeven.
De twee modellen zijn in wezen geprogrammeerd om elkaar te overtreffen. De generator probeert zijn output voorbij de discriminator te krijgen, terwijl de discriminator werkt aan het opsporen van kunstmatig gegenereerde gegevens. Deze gestructureerde wedstrijd kan de AI-output optimaliseren om realistischer te zijn zonder de noodzaak van extra menselijke tussenkomst. Hoewel GAN's het beste werken voor beperktere toepassingen (zoals het produceren van realistische foto's of video's), in plaats van AI voor algemene doeleinden.
Hallucinatie
Hallucinatie is de voorkeursterm van de AI-industrie voor AI-modellen die dingen verzinnen – letterlijk informatie genereren die onjuist is. Het is duidelijk dat dit een groot probleem is voor de AI-kwaliteit.
Hallucinaties produceren GenAI-resultaten die misleidend kunnen zijn en zelfs kunnen leiden tot risico's in het echte leven – met potentieel gevaarlijke gevolgen (denk aan een gezondheidsvraag die schadelijk medisch advies oplevert).
Er wordt gedacht dat het probleem van AI’s die informatie fabriceren ontstaat als gevolg van lacunes in trainingsgegevens. Hallucinaties dragen bij aan een drang naar steeds meer gespecialiseerde en/of verticale AI-modellen – d.w.z. domeinspecifieke AI’s die een beperktere expertise vereisen – als een manier om de kans op kennislacunes te verkleinen en de desinformatierisico’s te verkleinen.
Gevolgtrekking
Inferentie is het proces waarbij een AI-model wordt uitgevoerd. Het zet een model los om voorspellingen te doen of conclusies te trekken uit eerder geziene gegevens. Voor alle duidelijkheid: gevolgtrekkingen kunnen niet plaatsvinden zonder training; een model moet patronen in een set gegevens leren voordat het effectief uit deze trainingsgegevens kan extrapoleren.
Veel soorten hardware kunnen gevolgtrekkingen uitvoeren, variërend van smartphoneprocessors tot krachtige GPU's tot op maat ontworpen AI-versnellers. Maar ze kunnen niet allemaal even goed modellen uitvoeren. Bij zeer grote modellen zou het eeuwen duren om voorspellingen te doen op bijvoorbeeld een laptop versus een cloudserver met geavanceerde AI-chips.
[Zie: Training]
Groot taalmodel (LLM)
Grote taalmodellen, of LLM's, zijn de AI-modellen die worden gebruikt door populaire AI-assistenten, zoals ChatGPT, Claude, Google's Gemini, Meta's AI Llama, Microsoft Copilot of Mistral's Le Chat. Wanneer u met een AI-assistent chat, communiceert u met een groot taalmodel dat uw verzoek rechtstreeks verwerkt of met behulp van verschillende beschikbare tools, zoals surfen op het web of codetolken.
LLM's zijn diepe neurale netwerken gemaakt van miljarden numerieke parameters (of gewichten, zie hieronder) die de relaties tussen woorden en zinsdelen leren en een representatie van taal creëren, een soort multidimensionale kaart van woorden.
Deze modellen zijn gemaakt door de patronen te coderen die ze vinden in miljarden boeken, artikelen en transcripties. Wanneer u om een LLM vraagt, genereert het model het meest waarschijnlijke patroon dat bij de prompt past.
(Zie: Neuraal netwerk)
Geheugencache
Geheugencache verwijst naar een belangrijk proces dat de gevolgtrekking versterkt (het proces waarmee AI een antwoord op de vraag van een gebruiker genereert). In wezen is caching een optimalisatietechniek, ontworpen om gevolgtrekkingen efficiënter te maken. AI wordt uiteraard aangestuurd door wiskundige berekeningen met een hoog octaangehalte, en elke keer dat die berekeningen worden gemaakt, verbruiken ze meer energie. Caching is ontworpen om het aantal berekeningen dat een model moet uitvoeren te verminderen door bepaalde berekeningen op te slaan voor toekomstige gebruikersquery's en -bewerkingen. Er zijn verschillende soorten geheugencaching, hoewel een van de bekendere KV-caching (of sleutelwaardecaching) is. KV-caching werkt in op transformatoren gebaseerde modellen en verhoogt de efficiëntie, waardoor snellere resultaten worden behaald door de hoeveelheid tijd (en algoritmische arbeid) die nodig is om antwoorden op gebruikersvragen te genereren, te verminderen.
(Zie: gevolgtrekking)
Neuraal netwerk
Een neuraal netwerk verwijst naar de meerlagige algoritmische structuur die ten grondslag ligt aan deep learning – en, breder, aan de hele hausse aan generatieve AI-tools na de opkomst van grote taalmodellen.
Hoewel het idee om inspiratie te halen uit de nauw met elkaar verbonden paden van het menselijk brein als ontwerpstructuur voor algoritmen voor gegevensverwerking al dateert uit de jaren veertig, was het de veel recentere opkomst van grafische verwerkingshardware (GPU's) – via de videogame-industrie – die de kracht van deze theorie echt ontketende. Deze chips bleken zeer geschikt voor het trainen van algoritmen met veel meer lagen dan in eerdere tijdperken mogelijk was, waardoor op neurale netwerken gebaseerde AI-systemen veel betere prestaties konden bereiken op veel gebieden, waaronder stemherkenning, autonome navigatie en het ontdekken van medicijnen.
(Zie: Groottaalmodel [LLM])
Open-source
Open source verwijst naar software – of, in toenemende mate, AI-modellen – waarbij de onderliggende code publiekelijk beschikbaar wordt gemaakt zodat iedereen deze kan gebruiken, inspecteren of wijzigen. In de AI-wereld is Meta’s Llama-modellenfamilie een prominent voorbeeld; Linux is de beroemde historische parallel in besturingssystemen. Open source-benaderingen stellen onderzoekers, ontwikkelaars en bedrijven over de hele wereld in staat om op elkaars werk voort te bouwen, waardoor de vooruitgang wordt versneld en onafhankelijke veiligheidsaudits mogelijk worden gemaakt die gesloten systemen niet gemakkelijk kunnen bieden. Gesloten bron betekent dat de code privé is – je kunt het product gebruiken maar niet zien hoe het werkt, zoals het geval is met de GPT-modellen van OpenAI – een onderscheid dat een van de bepalende debatten in de AI-industrie is geworden.
Parallellisatie
Parallellisatie betekent dat je veel dingen tegelijkertijd doet in plaats van de een na de ander, zoals tien werknemers tegelijkertijd aan verschillende delen van een project laten werken in plaats van dat één werknemer alles opeenvolgend doet. Bij AI is parallellisatie van fundamenteel belang voor zowel training als gevolgtrekking: moderne GPU's zijn specifiek ontworpen om duizenden berekeningen parallel uit te voeren, wat een belangrijke reden is waarom ze de hardware-ruggengraat van de industrie zijn geworden. Naarmate AI-systemen complexer worden en modellen groter worden, is de mogelijkheid om werk over veel chips en veel machines te parallelliseren een van de belangrijkste factoren geworden bij het bepalen hoe snel en kosteneffectief modellen kunnen worden gebouwd en ingezet. Onderzoek naar betere parallellisatiestrategieën is nu een vakgebied op zich.
RAMageddon
RAMageddon is de leuke nieuwe term voor een niet zo leuke trend die de technologie-industrie overspoelt: een steeds groter wordend tekort aan Random Access Memory, oftewel RAM-chips, die vrijwel alle technische producten aandrijven die we in ons dagelijks leven gebruiken. Terwijl de AI-industrie tot bloei is gekomen, kopen de grootste technologiebedrijven en AI-laboratoria – die allemaal strijden om de krachtigste en meest efficiënte AI – zoveel RAM om hun datacenters van stroom te voorzien dat er voor de rest van ons niet veel meer over is. En dat knelpunt in het aanbod betekent dat wat er overblijft steeds duurder wordt.
Dat omvat sectoren als gaming (waar grote bedrijven de prijzen voor consoles hebben moeten verhogen omdat het moeilijker is om geheugenchips voor hun apparaten te vinden), consumentenelektronica (waar geheugentekort de grootste daling in het aantal verkochte smartphones in meer dan tien jaar zou kunnen veroorzaken) en algemene bedrijfscomputers (omdat die bedrijven niet genoeg RAM kunnen krijgen voor hun eigen datacenters). De prijsstijging zal naar verwachting pas stoppen nadat het gevreesde tekort is geëindigd, maar helaas zijn er niet echt tekenen dat dit binnenkort zal gebeuren.
Recursieve zelfverbetering
Net als AGI is recursieve zelfverbetering een drempel voor hoe slim AI kan worden, en hoe weinig deze afhankelijk kan zijn van mensen. In het RSI-scenario beginnen AI-modellen zichzelf te verbeteren zonder menselijke tussenkomst, wat leidt tot een enorme versnelling in capaciteiten en autonomie. In sommige verhalen zou dit een cataclysmisch moment zijn, vergelijkbaar met de singulariteit, een moment waarop AI-modellen immuun worden voor interventies van buitenaf. Maar RSI beschrijft ook een basismogelijkheid: kan een AI-model zijn eigen opvolger ontwerpen? – waardoor het voor ingenieurs veel gemakkelijker wordt om het te bouwen. Een aantal recente AI-startups zijn van plan om recursief zelfverbeterende modellen te bouwen, maar de meeste van hen verwerpen de apocalyptische implicaties en presenteren RSI simpelweg als de volgende grens voor onderzoek.
Versterkend leren
Reinforcement learning is een manier om AI te trainen waarbij een systeem leert door dingen uit te proberen en beloningen te ontvangen voor de juiste antwoorden – zoals het trainen van je geliefde huisdier met lekkers, behalve dat het ‘huisdier’ in dit scenario een neuraal netwerk is en de ‘traktatie’ een wiskundig signaal is dat succes aangeeft. In tegenstelling tot leren onder toezicht, waarbij een model wordt getraind op een vaste dataset van gelabelde voorbeelden, laat versterkend leren een model zijn omgeving verkennen, acties ondernemen en zijn gedrag voortdurend bijwerken op basis van de feedback die het ontvangt. Deze aanpak is bijzonder krachtig gebleken voor het trainen van AI om games te spelen, robots te besturen en, meer recentelijk, het redeneervermogen van grote taalmodellen aan te scherpen. Technieken zoals versterkend leren van menselijke feedback, of RLHF, staan nu centraal in de manier waarop toonaangevende AI-laboratoria hun modellen verfijnen om nuttiger, nauwkeuriger en veiliger te zijn.
Token
Als het gaat om de communicatie tussen mens en machine, zijn er enkele voor de hand liggende uitdagingen: mensen communiceren met behulp van menselijke taal, terwijl AI-programma's taken uitvoeren via complexe algoritmische processen op basis van gegevens. Tokens overbruggen die kloof: ze zijn de basisbouwstenen van mens-AI-communicatie en vertegenwoordigen afzonderlijke gegevenssegmenten die zijn verwerkt of geproduceerd door een LLM. Ze worden gemaakt via een proces dat tokenisatie wordt genoemd en dat ruwe tekst opsplitst in hapklare eenheden die een taalmodel kan verwerken, vergelijkbaar met hoe een compiler menselijke taal vertaalt naar binaire code die een computer kan begrijpen. In bedrijfsomgevingen bepalen tokens ook de kosten: de meeste AI-bedrijven brengen LLM-gebruik per token in rekening, wat betekent dat hoe meer een bedrijf gebruikt, hoe meer het betaalt.
Tokendoorvoer
Dus nogmaals, tokens zijn de kleine stukjes tekst – vaak delen van woorden in plaats van hele woorden – waarin AI-taalmodellen de taal opsplitsen voordat ze deze verwerken; ze zijn grofweg analoog aan ‘woorden’ met het oog op het begrijpen van AI-werklasten. Doorvoer verwijst naar hoeveel er in een bepaalde periode kan worden verwerkt, dus tokendoorvoer is in wezen een maatstaf voor hoeveel AI-werk een systeem in één keer aankan. Een hoge tokendoorvoer is een belangrijk doel voor AI-infrastructuurteams, omdat het bepaalt hoeveel gebruikers een model tegelijkertijd kan bedienen en hoe snel elk van hen een reactie ontvangt. AI-onderzoeker Andrej Karpathy heeft beschreven dat hij zich ongerust voelde als zijn AI-abonnementen niet actief waren – in navolging van het gevoel dat hij had als afgestudeerde student toen dure computerhardware niet volledig werd benut – een gevoel dat weergeeft waarom het maximaliseren van de tokendoorvoer een soort obsessie is geworden in het veld.
Opleiding
Het ontwikkelen van machine learning AI’s omvat een proces dat bekend staat als training. In eenvoudige bewoordingen verwijst dit naar gegevens die worden ingevoerd, zodat het model van patronen kan leren en nuttige resultaten kan genereren. In wezen is het het proces waarbij het systeem reageert op kenmerken in de gegevens waardoor het de output kan aanpassen aan een nagestreefd doel – of dat nu het identificeren van afbeeldingen van katten is of het op verzoek produceren van een haiku.
Training kan duur zijn omdat er veel input voor nodig is, en de benodigde volumes stijgen steeds meer. Daarom kunnen hybride benaderingen, zoals het verfijnen van een op regels gebaseerde AI met gerichte data, helpen de kosten te beheersen zonder helemaal vanaf nul te beginnen.
[Zie: gevolgtrekking]
Breng het leren over
Een techniek waarbij een eerder getraind AI-model wordt gebruikt als uitgangspunt voor het ontwikkelen van een nieuw model voor een andere, maar typisch gerelateerde taak, waardoor kennis die is opgedaan in eerdere trainingscycli opnieuw kan worden toegepast.
Transfer learning kan efficiëntiebesparingen opleveren door de modelontwikkeling te verkorten. Het kan ook nuttig zijn als de gegevens voor de taak waarvoor het model wordt ontwikkeld enigszins beperkt zijn. Maar het is belangrijk op te merken dat de aanpak beperkingen kent. Modellen die afhankelijk zijn van transfer learning om algemene vaardigheden te verwerven, zullen waarschijnlijk training met aanvullende gegevens nodig hebben om goed te kunnen presteren in hun aandachtsgebied
(Zie: Fijnafstemming)
Validatieverlies
Validatieverlies is een getal dat aangeeft hoe goed een AI-model leert tijdens de training – en lager is beter. Onderzoekers houden het nauwlettend in de gaten als een soort real-time rapportkaart, en gebruiken het om te beslissen wanneer ze moeten stoppen met trainen, wanneer hyperparameters moeten worden aangepast of of ze een potentieel probleem moeten onderzoeken. Een van de belangrijkste problemen die het helpt signaleren is overfitting, een toestand waarin een model zijn trainingsgegevens onthoudt in plaats van echt patronen te leren die het kan generaliseren naar nieuwe situaties. Zie het als het verschil tussen een student die de stof echt begrijpt en iemand die het examen van vorig jaar eenvoudigweg uit zijn hoofd heeft geleerd; validatieverlies helpt onthullen welk model jouw model wordt.
Gewichten
Gewichten vormen de kern van AI-training, omdat ze bepalen hoeveel belang (of gewicht) wordt gegeven aan verschillende kenmerken (of invoervariabelen) in de gegevens die worden gebruikt voor het trainen van het systeem – en daarmee de output van het AI-model vormgeven.
Met andere woorden: gewichten zijn numerieke parameters die bepalen wat het meest opvallend is in een dataset voor de gegeven trainingstaak. Ze bereiken hun functie door vermenigvuldiging toe te passen op invoer. Modeltraining begint doorgaans met gewichten die willekeurig worden toegewezen, maar naarmate het proces vordert, passen de gewichten zich aan naarmate het model probeert een resultaat te bereiken dat beter aansluit bij het doel.
Een AI-model voor het voorspellen van huizenprijzen dat is getraind op basis van historische vastgoedgegevens voor een doellocatie kan bijvoorbeeld gewichten bevatten voor kenmerken zoals het aantal slaapkamers en badkamers, of een woning vrijstaand of halfvrijstaand is, of er parkeergelegenheid is, een garage, enzovoort.
Uiteindelijk weerspiegelen de gewichten die het model aan elk van deze inputs toekent, hoeveel ze de waarde van een eigendom beïnvloeden, op basis van de gegeven dataset.
Dit artikel wordt regelmatig bijgewerkt met nieuwe informatie.
AGI
Kunstmatige algemene intelligentie, of AGI, is een vage term. Maar het verwijst over het algemeen naar AI die capabeler is dan de gemiddelde mens bij veel, zo niet de meeste, taken. OpenAI-CEO Sam Altman beschreef AGI ooit als het “equivalent van een gemiddelde mens die je als collega zou kunnen inhuren.” Ondertussen definieert het charter van OpenAI AGI als “zeer autonome systemen die beter presteren dan mensen bij het meest economisch waardevolle werk.” Het begrip van Google DeepMind verschilt enigszins van deze twee definities; het laboratorium beschouwt AGI als “AI die bij de meeste cognitieve taken minstens even capabel is als mensen.” Verward? Maak je geen zorgen, dat geldt ook voor experts die voorop lopen op het gebied van AI-onderzoek.
AI-agent
Een AI-agent verwijst naar een tool die AI-technologieën gebruikt om namens u een reeks taken uit te voeren – die verder gaan dan wat een meer basale AI-chatbot zou kunnen doen – zoals het indienen van onkosten, het boeken van tickets of een tafel in een restaurant, of zelfs het schrijven en onderhouden van code. Zoals we echter eerder hebben uitgelegd, zijn er veel bewegende stukken in deze opkomende ruimte, dus ‘AI-agent’ kan voor verschillende mensen verschillende dingen betekenen. Er wordt ook nog steeds aan infrastructuur gebouwd om de beoogde capaciteiten te kunnen verwezenlijken. Maar het basisconcept impliceert een autonoom systeem dat gebruik kan maken van meerdere AI-systemen om taken uit meerdere stappen uit te voeren.
API-eindpunten
Beschouw API-eindpunten als “knoppen” op de achterkant van een stukje software waarop andere programma's kunnen drukken om het dingen te laten doen. Ontwikkelaars gebruiken deze interfaces om integraties te bouwen, bijvoorbeeld door de ene applicatie gegevens uit de andere te laten halen, of door een AI-agent in staat te stellen services van derden rechtstreeks te controleren zonder dat een mens elke interface handmatig hoeft te bedienen. Bij de meeste smart home-apparaten en verbonden platforms zijn deze verborgen knoppen beschikbaar, zelfs als gewone gebruikers ze nooit zien of ermee communiceren. Naarmate AI-agenten steeds capabeler worden, zijn ze steeds beter in staat deze eindpunten zelf te vinden en te gebruiken, waardoor krachtige – en soms onverwachte – mogelijkheden voor automatisering ontstaan.
Keten van gedachten
Gegeven een eenvoudige vraag kan het menselijk brein antwoorden zonder er zelfs maar al te veel over na te denken – zaken als “welk dier is groter, een giraffe of een kat?” Maar in veel gevallen heb je vaak pen en papier nodig om tot het juiste antwoord te komen, omdat er tussenstappen zijn. Als een boer bijvoorbeeld kippen en koeien heeft, en samen hebben ze 40 koppen en 120 poten, moet je misschien een eenvoudige vergelijking opschrijven om tot het antwoord te komen (20 kippen en 20 koeien).
In een AI-context betekent gedachteketenredenering voor grote taalmodellen het opsplitsen van een probleem in kleinere, tussenliggende stappen om de kwaliteit van het eindresultaat te verbeteren. Het duurt meestal langer om een antwoord te krijgen, maar de kans is groter dat het antwoord juist is, vooral in een logische of codeercontext. Redeneringsmodellen zijn ontwikkeld op basis van traditionele grote taalmodellen en geoptimaliseerd voor gedachteketendenken dankzij versterkend leren.
(Zie: Groot taalmodel)
Codeermiddelen
Dit is een specifieker concept dan een ‘AI-agent’, wat een programma betekent dat stap voor stap zelfstandig acties kan ondernemen om een doel te bereiken. Een codeeragent is een gespecialiseerde versie die wordt toegepast op softwareontwikkeling. In plaats van eenvoudigweg code voor te stellen die een mens kan beoordelen en inplakken, kan een codeeragent autonoom code schrijven, testen en debuggen, waarbij hij het soort iteratief, vallen en opstaan-werk afhandelt dat normaal gesproken de dag van een ontwikkelaar in beslag neemt. Deze agenten kunnen in volledige codebases werken, bugs opsporen, tests uitvoeren en oplossingen pushen met minimaal menselijk toezicht. Zie het als het inhuren van een zeer snelle stagiair die nooit slaapt en nooit de focus verliest – hoewel, zoals bij elke stagiair, een mens het werk nog steeds moet beoordelen.
Bereken
Hoewel het enigszins een multivalente term is, verwijst compute over het algemeen naar de vitale rekenkracht die ervoor zorgt dat AI-modellen kunnen werken. Dit soort verwerking stimuleert de AI-industrie, waardoor deze de mogelijkheid krijgt om zijn krachtige modellen te trainen en in te zetten. De term is vaak een afkorting voor het soort hardware dat de rekenkracht levert – zaken als GPU’s, CPU’s, TPU’s en andere vormen van infrastructuur die de basis vormen van de moderne AI-industrie.
Diep leren
Een subset van zelfverbeterende machine learning waarbij AI-algoritmen worden ontworpen met een meerlaagse, kunstmatige neurale netwerkstructuur (ANN). Hierdoor kunnen ze complexere correlaties maken in vergelijking met eenvoudigere op machine learning gebaseerde systemen, zoals lineaire modellen of beslissingsbomen. De structuur van deep learning-algoritmen is geïnspireerd op de onderling verbonden paden van neuronen in het menselijk brein.
Deep learning AI-modellen zijn in staat om zelf belangrijke kenmerken in data te identificeren, in plaats van dat menselijke ingenieurs deze kenmerken moeten definiëren. De structuur ondersteunt ook algoritmen die van fouten kunnen leren en, door een proces van herhaling en aanpassing, hun eigen resultaten kunnen verbeteren. Deep learning-systemen hebben echter veel datapunten nodig om goede resultaten te behalen (miljoenen of meer). Het duurt doorgaans ook langer om ze te trainen in vergelijking met eenvoudigere machine learning-algoritmen, waardoor de ontwikkelingskosten doorgaans hoger zijn.
(Zie: Neuraal netwerk)
Verspreiding
Diffusie is de technologie die de kern vormt van veel kunst-, muziek- en tekstgenererende AI-modellen. Geïnspireerd door de natuurkunde ‘vernietigen’ diffusiesystemen langzaam de structuur van gegevens (bijvoorbeeld foto’s, liedjes, enzovoort) door er ruis aan toe te voegen totdat er niets meer over is. In de natuurkunde is diffusie spontaan en onomkeerbaar; suiker die in koffie wordt verspreid, kan niet in kubusvorm worden hersteld. Maar diffusiesystemen in AI streven ernaar een soort ‘omgekeerd diffusieproces’ te leren om de vernietigde gegevens te herstellen, waardoor ze de mogelijkheid krijgen om de gegevens uit ruis te herstellen.
Distillatie
Distillatie is een techniek die wordt gebruikt om kennis te extraheren uit een groot AI-model met een ‘leraar-leerling’-model. Ontwikkelaars sturen verzoeken naar een docentenmodel en leggen de resultaten vast. Antwoorden worden soms vergeleken met een dataset om te zien hoe nauwkeurig ze zijn. Deze resultaten worden vervolgens gebruikt om het leerlingmodel te trainen, dat is getraind om het gedrag van de leraar te benaderen.
Destillatie kan worden gebruikt om een kleiner, efficiënter model te creëren op basis van een groter model met minimaal destillatieverlies. Dit is waarschijnlijk hoe OpenAI GPT-4 Turbo heeft ontwikkeld, een snellere versie van GPT-4.
Hoewel alle AI-bedrijven intern gebruik maken van distillatie, kan het ook door sommige AI-bedrijven zijn gebruikt om grensmodellen in te halen. Distillatie van een concurrent is meestal in strijd met de servicevoorwaarden van AI API en chatassistenten.
Fijnafstemming
Dit verwijst naar de verdere training van een AI-model om de prestaties voor een specifiekere taak of gebied te optimaliseren dan voorheen een centraal punt van de training was – meestal door nieuwe, gespecialiseerde (dat wil zeggen taakgerichte) gegevens in te voeren.
Veel AI-startups nemen grote taalmodellen als uitgangspunt om een commercieel product te bouwen, maar proberen de bruikbaarheid voor een doelsector of taak te vergroten door eerdere trainingscycli aan te vullen met verfijning op basis van hun eigen domeinspecifieke kennis en expertise.
(Zie: Groottaalmodel [LLM])
GAN
Een GAN, of Generative Adversarial Network, is een soort machine learning-framework dat enkele belangrijke ontwikkelingen in generatieve AI ondersteunt als het gaat om het produceren van realistische gegevens – inclusief (maar niet alleen) deepfake-tools. GAN's omvatten het gebruik van een paar neurale netwerken, waarvan er één gebruik maakt van zijn trainingsgegevens om een output te genereren die ter evaluatie aan het andere model wordt doorgegeven.
De twee modellen zijn in wezen geprogrammeerd om elkaar te overtreffen. De generator probeert zijn output voorbij de discriminator te krijgen, terwijl de discriminator werkt aan het opsporen van kunstmatig gegenereerde gegevens. Deze gestructureerde wedstrijd kan de AI-output optimaliseren om realistischer te zijn zonder de noodzaak van extra menselijke tussenkomst. Hoewel GAN's het beste werken voor beperktere toepassingen (zoals het produceren van realistische foto's of video's), in plaats van AI voor algemene doeleinden.
Hallucinatie
Hallucinatie is de voorkeursterm van de AI-industrie voor AI-modellen die dingen verzinnen – letterlijk informatie genereren die onjuist is. Het is duidelijk dat dit een groot probleem is voor de AI-kwaliteit.
Hallucinaties produceren GenAI-resultaten die misleidend kunnen zijn en zelfs kunnen leiden tot risico's in het echte leven – met potentieel gevaarlijke gevolgen (denk aan een gezondheidsvraag die schadelijk medisch advies oplevert).
Er wordt gedacht dat het probleem van AI’s die informatie fabriceren ontstaat als gevolg van lacunes in trainingsgegevens. Hallucinaties dragen bij aan een drang naar steeds meer gespecialiseerde en/of verticale AI-modellen – d.w.z. domeinspecifieke AI’s die een beperktere expertise vereisen – als een manier om de kans op kennislacunes te verkleinen en de desinformatierisico’s te verkleinen.
Gevolgtrekking
Inferentie is het proces waarbij een AI-model wordt uitgevoerd. Het zet een model los om voorspellingen te doen of conclusies te trekken uit eerder geziene gegevens. Voor alle duidelijkheid: gevolgtrekkingen kunnen niet plaatsvinden zonder training; een model moet patronen in een set gegevens leren voordat het effectief uit deze trainingsgegevens kan extrapoleren.
Veel soorten hardware kunnen gevolgtrekkingen uitvoeren, variërend van smartphoneprocessors tot krachtige GPU's tot op maat ontworpen AI-versnellers. Maar ze kunnen niet allemaal even goed modellen uitvoeren. Bij zeer grote modellen zou het eeuwen duren om voorspellingen te doen op bijvoorbeeld een laptop versus een cloudserver met geavanceerde AI-chips.
[Zie: Training]
Groot taalmodel (LLM)
Grote taalmodellen, of LLM's, zijn de AI-modellen die worden gebruikt door populaire AI-assistenten, zoals ChatGPT, Claude, Google's Gemini, Meta's AI Llama, Microsoft Copilot of Mistral's Le Chat. Wanneer u met een AI-assistent chat, communiceert u met een groot taalmodel dat uw verzoek rechtstreeks verwerkt of met behulp van verschillende beschikbare tools, zoals surfen op het web of codetolken.
LLM's zijn diepe neurale netwerken gemaakt van miljarden numerieke parameters (of gewichten, zie hieronder) die de relaties tussen woorden en zinsdelen leren en een representatie van taal creëren, een soort multidimensionale kaart van woorden.
Deze modellen zijn gemaakt door de patronen te coderen die ze vinden in miljarden boeken, artikelen en transcripties. Wanneer u om een LLM vraagt, genereert het model het meest waarschijnlijke patroon dat bij de prompt past.
(Zie: Neuraal netwerk)
Geheugencache
Geheugencache verwijst naar een belangrijk proces dat de gevolgtrekking versterkt (het proces waarmee AI een antwoord op de vraag van een gebruiker genereert). In wezen is caching een optimalisatietechniek, ontworpen om gevolgtrekkingen efficiënter te maken. AI wordt uiteraard aangestuurd door wiskundige berekeningen met een hoog octaangehalte, en elke keer dat die berekeningen worden gemaakt, verbruiken ze meer energie. Caching is ontworpen om het aantal berekeningen dat een model moet uitvoeren te verminderen door bepaalde berekeningen op te slaan voor toekomstige gebruikersquery's en -bewerkingen. Er zijn verschillende soorten geheugencaching, hoewel een van de bekendere KV-caching (of sleutelwaardecaching) is. KV-caching werkt in op transformatoren gebaseerde modellen en verhoogt de efficiëntie, waardoor snellere resultaten worden behaald door de hoeveelheid tijd (en algoritmische arbeid) die nodig is om antwoorden op gebruikersvragen te genereren, te verminderen.
(Zie: gevolgtrekking)
Neuraal netwerk
Een neuraal netwerk verwijst naar de meerlagige algoritmische structuur die ten grondslag ligt aan deep learning – en, breder, aan de hele hausse aan generatieve AI-tools na de opkomst van grote taalmodellen.
Hoewel het idee om inspiratie te halen uit de nauw met elkaar verbonden paden van het menselijk brein als ontwerpstructuur voor algoritmen voor gegevensverwerking al dateert uit de jaren veertig, was het de veel recentere opkomst van grafische verwerkingshardware (GPU's) – via de videogame-industrie – die de kracht van deze theorie echt ontketende. Deze chips bleken zeer geschikt voor het trainen van algoritmen met veel meer lagen dan in eerdere tijdperken mogelijk was, waardoor op neurale netwerken gebaseerde AI-systemen veel betere prestaties konden bereiken op veel gebieden, waaronder stemherkenning, autonome navigatie en het ontdekken van medicijnen.
(Zie: Groottaalmodel [LLM])
Open-source
Open source verwijst naar software – of, in toenemende mate, AI-modellen – waarbij de onderliggende code publiekelijk beschikbaar wordt gemaakt zodat iedereen deze kan gebruiken, inspecteren of wijzigen. In de AI-wereld is Meta’s Llama-modellenfamilie een prominent voorbeeld; Linux is de beroemde historische parallel in besturingssystemen. Open source-benaderingen stellen onderzoekers, ontwikkelaars en bedrijven over de hele wereld in staat om op elkaars werk voort te bouwen, waardoor de vooruitgang wordt versneld en onafhankelijke veiligheidsaudits mogelijk worden gemaakt die gesloten systemen niet gemakkelijk kunnen bieden. Gesloten bron betekent dat de code privé is – je kunt het product gebruiken maar niet zien hoe het werkt, zoals het geval is met de GPT-modellen van OpenAI – een onderscheid dat een van de bepalende debatten in de AI-industrie is geworden.
Parallellisatie
Parallellisatie betekent dat je veel dingen tegelijkertijd doet in plaats van de een na de ander, zoals tien werknemers tegelijkertijd aan verschillende delen van een project laten werken in plaats van dat één werknemer alles opeenvolgend doet. Bij AI is parallellisatie van fundamenteel belang voor zowel training als gevolgtrekking: moderne GPU's zijn specifiek ontworpen om duizenden berekeningen parallel uit te voeren, wat een belangrijke reden is waarom ze de hardware-ruggengraat van de industrie zijn geworden. Naarmate AI-systemen complexer worden en modellen groter worden, is de mogelijkheid om werk over veel chips en veel machines te parallelliseren een van de belangrijkste factoren geworden bij het bepalen hoe snel en kosteneffectief modellen kunnen worden gebouwd en ingezet. Onderzoek naar betere parallellisatiestrategieën is nu een vakgebied op zich.
RAMageddon
RAMageddon is de leuke nieuwe term voor een niet zo leuke trend die de technologie-industrie overspoelt: een steeds groter wordend tekort aan Random Access Memory, oftewel RAM-chips, die vrijwel alle technische producten aandrijven die we in ons dagelijks leven gebruiken. Terwijl de AI-industrie tot bloei is gekomen, kopen de grootste technologiebedrijven en AI-laboratoria – die allemaal strijden om de krachtigste en meest efficiënte AI – zoveel RAM om hun datacenters van stroom te voorzien dat er voor de rest van ons niet veel meer over is. En dat knelpunt in het aanbod betekent dat wat er overblijft steeds duurder wordt.
Dat omvat sectoren als gaming (waar grote bedrijven de prijzen voor consoles hebben moeten verhogen omdat het moeilijker is om geheugenchips voor hun apparaten te vinden), consumentenelektronica (waar geheugentekort de grootste daling in het aantal verkochte smartphones in meer dan tien jaar zou kunnen veroorzaken) en algemene bedrijfscomputers (omdat die bedrijven niet genoeg RAM kunnen krijgen voor hun eigen datacenters). De prijsstijging zal naar verwachting pas stoppen nadat het gevreesde tekort is geëindigd, maar helaas zijn er niet echt tekenen dat dit binnenkort zal gebeuren.
Recursieve zelfverbetering
Net als AGI is recursieve zelfverbetering een drempel voor hoe slim AI kan worden, en hoe weinig deze afhankelijk kan zijn van mensen. In het RSI-scenario beginnen AI-modellen zichzelf te verbeteren zonder menselijke tussenkomst, wat leidt tot een enorme versnelling in capaciteiten en autonomie. In sommige verhalen zou dit een cataclysmisch moment zijn, vergelijkbaar met de singulariteit, een moment waarop AI-modellen immuun worden voor interventies van buitenaf. Maar RSI beschrijft ook een basismogelijkheid: kan een AI-model zijn eigen opvolger ontwerpen? – waardoor het voor ingenieurs veel gemakkelijker wordt om het te bouwen. Een aantal recente AI-startups zijn van plan om recursief zelfverbeterende modellen te bouwen, maar de meeste van hen verwerpen de apocalyptische implicaties en presenteren RSI simpelweg als de volgende grens voor onderzoek.
Versterkend leren
Reinforcement learning is een manier om AI te trainen waarbij een systeem leert door dingen uit te proberen en beloningen te ontvangen voor de juiste antwoorden – zoals het trainen van je geliefde huisdier met lekkers, behalve dat het ‘huisdier’ in dit scenario een neuraal netwerk is en de ‘traktatie’ een wiskundig signaal is dat succes aangeeft. In tegenstelling tot leren onder toezicht, waarbij een model wordt getraind op een vaste dataset van gelabelde voorbeelden, laat versterkend leren een model zijn omgeving verkennen, acties ondernemen en zijn gedrag voortdurend bijwerken op basis van de feedback die het ontvangt. Deze aanpak is bijzonder krachtig gebleken voor het trainen van AI om games te spelen, robots te besturen en, meer recentelijk, het redeneervermogen van grote taalmodellen aan te scherpen. Technieken zoals versterkend leren van menselijke feedback, of RLHF, staan nu centraal in de manier waarop toonaangevende AI-laboratoria hun modellen verfijnen om nuttiger, nauwkeuriger en veiliger te zijn.
Token
Als het gaat om de communicatie tussen mens en machine, zijn er enkele voor de hand liggende uitdagingen: mensen communiceren met behulp van menselijke taal, terwijl AI-programma's taken uitvoeren via complexe algoritmische processen op basis van gegevens. Tokens overbruggen die kloof: ze zijn de basisbouwstenen van mens-AI-communicatie en vertegenwoordigen afzonderlijke gegevenssegmenten die zijn verwerkt of geproduceerd door een LLM. Ze worden gemaakt via een proces dat tokenisatie wordt genoemd en dat ruwe tekst opsplitst in hapklare eenheden die een taalmodel kan verwerken, vergelijkbaar met hoe een compiler menselijke taal vertaalt naar binaire code die een computer kan begrijpen. In bedrijfsomgevingen bepalen tokens ook de kosten: de meeste AI-bedrijven brengen LLM-gebruik per token in rekening, wat betekent dat hoe meer een bedrijf gebruikt, hoe meer het betaalt.
Tokendoorvoer
Dus nogmaals, tokens zijn de kleine stukjes tekst – vaak delen van woorden in plaats van hele woorden – waarin AI-taalmodellen de taal opsplitsen voordat ze deze verwerken; ze zijn grofweg analoog aan ‘woorden’ met het oog op het begrijpen van AI-werklasten. Doorvoer verwijst naar hoeveel er in een bepaalde periode kan worden verwerkt, dus tokendoorvoer is in wezen een maatstaf voor hoeveel AI-werk een systeem in één keer aankan. Een hoge tokendoorvoer is een belangrijk doel voor AI-infrastructuurteams, omdat het bepaalt hoeveel gebruikers een model tegelijkertijd kan bedienen en hoe snel elk van hen een reactie ontvangt. AI-onderzoeker Andrej Karpathy heeft beschreven dat hij zich ongerust voelde als zijn AI-abonnementen niet actief waren – in navolging van het gevoel dat hij had als afgestudeerde student toen dure computerhardware niet volledig werd benut – een gevoel dat weergeeft waarom het maximaliseren van de tokendoorvoer een soort obsessie is geworden in het veld.
Opleiding
Het ontwikkelen van machine learning AI’s omvat een proces dat bekend staat als training. In eenvoudige bewoordingen verwijst dit naar gegevens die worden ingevoerd, zodat het model van patronen kan leren en nuttige resultaten kan genereren. In wezen is het het proces waarbij het systeem reageert op kenmerken in de gegevens waardoor het de output kan aanpassen aan een nagestreefd doel – of dat nu het identificeren van afbeeldingen van katten is of het op verzoek produceren van een haiku.
Training kan duur zijn omdat er veel input voor nodig is, en de benodigde volumes stijgen steeds meer. Daarom kunnen hybride benaderingen, zoals het verfijnen van een op regels gebaseerde AI met gerichte data, helpen de kosten te beheersen zonder helemaal vanaf nul te beginnen.
[Zie: gevolgtrekking]
Breng het leren over
Een techniek waarbij een eerder getraind AI-model wordt gebruikt als uitgangspunt voor het ontwikkelen van een nieuw model voor een andere, maar typisch gerelateerde taak, waardoor kennis die is opgedaan in eerdere trainingscycli opnieuw kan worden toegepast.
Transfer learning kan efficiëntiebesparingen opleveren door de modelontwikkeling te verkorten. Het kan ook nuttig zijn als de gegevens voor de taak waarvoor het model wordt ontwikkeld enigszins beperkt zijn. Maar het is belangrijk op te merken dat de aanpak beperkingen kent. Modellen die afhankelijk zijn van transfer learning om algemene vaardigheden te verwerven, zullen waarschijnlijk training met aanvullende gegevens nodig hebben om goed te kunnen presteren in hun aandachtsgebied
(Zie: Fijnafstemming)
Validatieverlies
Validatieverlies is een getal dat aangeeft hoe goed een AI-model leert tijdens de training – en lager is beter. Onderzoekers houden het nauwlettend in de gaten als een soort real-time rapportkaart, en gebruiken het om te beslissen wanneer ze moeten stoppen met trainen, wanneer hyperparameters moeten worden aangepast of of ze een potentieel probleem moeten onderzoeken. Een van de belangrijkste problemen die het helpt signaleren is overfitting, een toestand waarin een model zijn trainingsgegevens onthoudt in plaats van echt patronen te leren die het kan generaliseren naar nieuwe situaties. Zie het als het verschil tussen een student die de stof echt begrijpt en iemand die het examen van vorig jaar eenvoudigweg uit zijn hoofd heeft geleerd; validatieverlies helpt onthullen welk model jouw model wordt.
Gewichten
Gewichten vormen de kern van AI-training, omdat ze bepalen hoeveel belang (of gewicht) wordt gegeven aan verschillende kenmerken (of invoervariabelen) in de gegevens die worden gebruikt voor het trainen van het systeem – en daarmee de output van het AI-model vormgeven.
Met andere woorden: gewichten zijn numerieke parameters die bepalen wat het meest opvallend is in een dataset voor de gegeven trainingstaak. Ze bereiken hun functie door vermenigvuldiging toe te passen op invoer. Modeltraining begint doorgaans met gewichten die willekeurig worden toegewezen, maar naarmate het proces vordert, passen de gewichten zich aan naarmate het model probeert een resultaat te bereiken dat beter aansluit bij het doel.
Een AI-model voor het voorspellen van huizenprijzen dat is getraind op basis van historische vastgoedgegevens voor een doellocatie kan bijvoorbeeld gewichten bevatten voor kenmerken zoals het aantal slaapkamers en badkamers, of een woning vrijstaand of halfvrijstaand is, of er parkeergelegenheid is, een garage, enzovoort.
Uiteindelijk weerspiegelen de gewichten die het model aan elk van deze inputs toekent, hoeveel ze de waarde van een eigendom beïnvloeden, op basis van de gegeven dataset.
Dit artikel wordt regelmatig bijgewerkt met nieuwe informatie.