AI-model

Wat is het verschil tussen een AI-model en een algoritme?

Een algoritme is een procedure, een vaste wiskundige logica, die op data wordt toegepast. Een AI-model is de output van dat algoritme nadat het op data is getraind. Dit onderscheid is de kern van het begrip: hetzelfde algoritme kan tot twee heel verschillende modellen leiden, simpelweg omdat de modellen op andere data zijn getraind.

Een vergelijking maakt dit concreet: het algoritme is het recept, het model is het specifieke gerecht dat ontstaat nadat je dat recept met specifieke ingrediënten hebt uitgevoerd. Verander de ingrediënten (de trainingsdata), en je krijgt een ander resultaat, ook al gebruik je exact hetzelfde recept.

Hoe werkt een AI-model?

Tijdens de training ziet een AI-model duizenden tot miljarden voorbeelden en leert het verbanden herkennen, zoals "als dit, dan volgt meestal dat". Die kennis slaat het model op in parameters en gewichten, interne instellingen die bepalen hoe het model reageert op nieuwe input. Een AI-model bevat dus geen lijst met vaste regels, maar bouwt patroonherkenning op basis van waarschijnlijkheid.

Het inzetten van een getraind model om een uitkomst te voorspellen voor een echte taak heet inference. Training is met andere woorden het leren, inference is het toepassen van dat geleerde op nieuwe, ongeziene input.

Welke soorten AI-modellen zijn er?

Vijf hoofdcategorieën AI-modellen komen het meest voor, elk gespecialiseerd in een ander type taak:

• Taalmodellen, zoals GPT, gespecialiseerd in het begrijpen en genereren van tekst.
• Beeldmodellen, gericht op het herkennen, classificeren of genereren van afbeeldingen.
• Spraakmodellen, die gesproken taal herkennen of omzetten naar tekst en omgekeerd.
• Aanbevelingsmodellen, die voorspellen welke content of producten relevant zijn voor een gebruiker.
• Voorspellende modellen, die toekomstige waarden inschatten op basis van historische patronen.

Sommige AI-modellen blinken uit in één specifieke taak, zoals gezichtsherkenning, terwijl andere breed inzetbaar zijn voor uiteenlopende toepassingen.

Hoe verhoudt een AI-model zich tot machine learning?

Machine learning maakt AI-modellen door een algoritme op data te trainen: het is het proces, het AI-model is het resultaat daarvan. Deep learning, waarbij modellen zijn opgebouwd als neurale netwerken met veel lagen, is de moderne standaardarchitectuur binnen machine learning. Een AI-model kan dus in de praktijk een klassiek machine learning-model, een deep-learning-model, of een large language model (LLM) zijn, afhankelijk van de gebruikte techniek en het beoogde doel. Een AI-model vormt zo de motor achter kunstmatige intelligentie als geheel: zonder getrainde modellen bestaat er geen werkende AI-toepassing.

Onderstaande tabel plaatst deze begrippen ten opzichte van elkaar.

Wat is een foundation model?

Een foundation model (basismodel) is een deep-learning-model dat vooraf is getraind op enorme, brede datasets, waardoor het breed inzetbaar is voor uiteenlopende taken. Zo'n foundation model dient als basis die vervolgens fijn wordt afgestemd (fine-tunen) voor specifieke toepassingen, in plaats van dat elke toepassing een eigen model vanaf nul nodig heeft.

De term foundation model werd in augustus 2021 gemunt door onderzoekers van het Center for Research on Foundation Models aan Stanford University, in het paper "On the Opportunities and Risks of Foundation Models". Zij definieerden het als elk model dat getraind is op brede data, doorgaans met zelfsupervisie op schaal, en dat aangepast kan worden voor een breed scala aan vervolgtaken.

Waarom bepaalt data de kwaliteit van een AI-model?

De kwaliteit van een AI-model hangt rechtstreeks af van de kwaliteit van de trainingsdata: hoe beter en diverser die data is, hoe nauwkeuriger het uiteindelijke model presteert. Slechte of scheve trainingsdata leidt tot bias en zwakke output, kort samengevat als "garbage in, garbage out". AI-modellen blijven bovendien vaak doorleren met nieuwe data, een proces dat retraining heet, waardoor de prestaties in de loop van de tijd kunnen verbeteren of juist verschuiven.

Voor een MKB-ondernemer betekent dit concreet: een AI-model is nooit beter dan de data waarop het is gebouwd, ongeacht hoe geavanceerd het onderliggende algoritme is.

Wil je weten welk AI-model het beste past bij een specifieke taak binnen jouw bedrijf? Bekijk onze AI-automatiseringsoplossingen.