Machine learning uitgelegd: wat het is en wanneer je het nodig hebt
Machine learning, deep learning, generatieve AI, taalmodellen. De termen lopen door elkaar, en leveranciers gebruiken ze niet altijd correct. In dit artikel lees je in gewone taal wat machine learning is, hoe het zich verhoudt tot de AI die je vandaag in ChatGPT of Claude ziet, en wanneer het voor een KMO zinvol is.
In dit artikel
Wat machine learning is
Bij gewone software schrijft een programmeur de regels uit. "Als het bedrag hoger is dan dit, stuur dan een melding." Bij machine learning werkt het omgekeerd. Je geeft het systeem voorbeelden, en het leert zelf de patronen herkennen die uit die voorbeelden volgen.
Stel: je wil weten welke offertes waarschijnlijk getekend worden. Met klassieke software moet iemand de regels bedenken. Met machine learning geef je honderden oude offertes met het resultaat, getekend of niet, samen met kenmerken zoals sector, bedrag, doorlooptijd en bron van de aanvraag. Het model leert welke combinaties samengaan met een getekende offerte en kan dat inschatten voor nieuwe offertes.
Het resultaat is geen zekerheid, maar een waarschijnlijkheid. Dat is belangrijk om te onthouden bij elke toepassing.
De begrippen op een rij
| Begrip | Wat het betekent |
|---|---|
| Artificiële intelligentie | De overkoepelende term voor systemen die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is |
| Machine learning | Een deel van AI waarbij systemen leren uit data in plaats van uitgeschreven regels te volgen |
| Deep learning | Een vorm van machine learning met grote neurale netwerken, sterk in beeld, spraak en taal |
| Generatieve AI | Modellen die nieuwe tekst, beelden of geluid maken, gebouwd met deep learning |
| Groot taalmodel | Een generatief model getraind op enorme hoeveelheden tekst, zoals de modellen achter ChatGPT, Claude, Mistral en Gemini |
Het belangrijkste praktische onderscheid voor een KMO: bij generatieve AI gebruik je meestal een bestaand model dat al getraind is, en geef je het instructies en je eigen informatie. Bij klassieke machine learning train je vaak een model op je eigen data voor één specifieke voorspelling. Dat vraagt andere voorwaarden.
Soorten taken
Machine learning wordt vooral gebruikt voor vier soorten taken:
- Classificeren: iets in een categorie indelen. Is deze mail een klacht, een bestelling of een vraag? Is deze transactie normaal of afwijkend?
- Voorspellen van een getal: hoeveel stuks verkopen we volgende maand, hoe lang duurt deze interventie?
- Groeperen: klanten met gelijkaardig gedrag samenbrengen, zonder vooraf te zeggen welke groepen er zijn.
- Afwijkingen opsporen: een factuur, meting of bestelling die niet in het normale patroon past.
Interessant is dat een deel van die taken vandaag ook met een groot taalmodel kan, zonder eigen training. Een mail indelen als klacht of bestelling bijvoorbeeld, doet een taalmodel met goede instructies vaak prima. Dat is sneller op te zetten en makkelijker aan te passen. Een eigen model trainen loont vooral als je veel gestructureerde historische data hebt en een precieze numerieke voorspelling wil.
Wat je nodig hebt
Voor een eigen machine learning-model heb je meer nodig dan een goed idee:
- Voldoende historische data. Genoeg voorbeelden, inclusief het resultaat dat je wil voorspellen.
- Betrouwbare data. Consistent geregistreerd, zonder grote gaten of dubbels.
- Een duidelijke vraag. Wat wil je precies voorspellen, en wat doe je met de uitkomst?
- Een manier om te meten. Hoe vaak zit het model juist, en is dat beter dan de huidige inschatting?
- Onderhoud. Patronen veranderen. Een model dat getraind is op de situatie van enkele jaren geleden, kan vandaag minder goed werken.
Eerlijk advies: veel KMO's hebben niet genoeg gestructureerde data voor een eigen model, of hebben er geen nood aan. De meeste tijdswinst zit vandaag in het automatiseren van processen met bestaande AI-modellen en koppelingen, niet in eigen voorspellende modellen.
Wanneer het voor een KMO zinvol is
Machine learning in eigen beheer is zinvol als drie dingen samenvallen: je hebt jarenlange, propere data over het onderwerp, de beslissing komt vaak terug, en een betere inschatting heeft duidelijke waarde. Voorbeelden:
- Een groothandel met jaren verkoopdata die de voorraad beter wil afstemmen op de vraag.
- Een dienstverlener die op basis van historische interventies wil inschatten hoeveel tijd een opdracht vraagt, voor een betere planning.
- Een bedrijf met veel inkomende facturen dat afwijkingen wil opsporen die met vaste regels ontsnappen.
In veel andere gevallen kom je verder met een combinatie van een taalmodel, heldere regels en goede koppelingen. Denk aan het indelen en routeren van inkomende vragen bij klantcontact, het uitlezen van documenten bij documentverwerking of het samenvatten van cijfers bij rapportering.
Welke aanpak het best past, hangt af van je vraag en je data. Als onafhankelijke integrator kiezen we de technologie per taak. Een vergelijking van de mogelijkheden lees je in AI-tools kiezen.
Valkuilen
- Starten bij de techniek. "We willen iets met machine learning" zonder concrete beslissing die beter moet.
- Data overschatten. Pas bij de start blijken velden leeg, inconsistent of anders gebruikt door verschillende medewerkers.
- Blind vertrouwen. Een voorspelling behandelen als zekerheid. Laat de uitkomst een mens ondersteunen, niet vervangen.
- Vooroordelen in data. Een model leert ook de scheve patronen uit het verleden. Bij beslissingen over personen is dat een ernstig risico, met extra regels onder de GDPR en de AI Act. Zie AI en GDPR voor KMO's.
- Geen onderhoud. Een model dat niemand opvolgt, wordt stilaan slechter zonder dat iemand het merkt.
Twijfel je of machine learning, een taalmodel of een eenvoudige automatisatie het beste antwoord is op je vraag? Dat is precies wat we in een AI-procesaudit bekijken. Voor de algemene aanpak, zie de gids AI integreren in je bedrijf.
Veelgestelde vragen
Is ChatGPT machine learning?
Ja, in de brede zin. De taalmodellen achter ChatGPT zijn gebouwd met deep learning, een vorm van machine learning. Maar als gebruiker train je dat model niet zelf: je gebruikt het met instructies en je eigen informatie.
Hoeveel data heb ik nodig voor machine learning?
Dat hangt sterk af van de vraag en de complexiteit. Een vast getal is niet te geven. Belangrijker dan de hoeveelheid is dat de data betrouwbaar is en het resultaat bevat dat je wil voorspellen.
Moet ik een data scientist aannemen?
Voor de meeste KMO's niet. Wie een eigen model nodig heeft, werkt beter met een externe partner. Voor procesautomatisering met bestaande AI-modellen is geen data scientist nodig.
Kan machine learning mijn verkoop voorspellen?
Met voldoende historische data kan een model een inschatting maken. Het blijft een waarschijnlijkheid, en onverwachte gebeurtenissen zitten niet in het verleden. Gebruik het als hulpmiddel, niet als zekerheid.
Welk proces pak je als eerste aan?
Plan een kennismaking van 30 minuten. We luisteren naar hoe je vandaag werkt en zeggen eerlijk waar AI iets oplevert, en waar niet.