Artificial Intelligence – Machine Learning – Deep Learning

AI – Artificial Intelligence

AI (Artificial Intelligence) is een technologie die menselijke capaciteiten aanvult maar niet direct vervangt. AI helpt experts om sneller en beter beslissingen te nemen door grote hoeveelheden (vaak ongestructureerde) data om te zetten in bruikbare inzichten.

Machines leren door machine learning, waarbij algoritmes patronen herkennen op basis van data. AI is een samensmelting van meerdere disciplines: informatica, statistiek, psychologie, linguïstiek en filosofie. Hoewel de sciencefictionvorm van AI nog toekomstmuziek is, beïnvloedt AI ons dagelijks leven al aanzienlijk — vooral in hoe we data analyseren, processen automatiseren en beslissingen nemen.

AI is een krachtig hulpmiddel waarmee computers zelfstandig patronen leren herkennen in data om zo intelligent te handelen.

Verschil tussen AI (Artificial Intelligence) en Machine Learning (ML)

De termen AI en ML worden vaak door elkaar gebruikt, maar er zit wel degelijk een verschil tussen.

Artificial Intelligence (AI)

AI is het overkoepelende concept: het idee dat machines “intelligent” gedrag kunnen vertonen, zoals redeneren, leren, beslissen en problemen oplossen.

Het doel van AI is om systemen te bouwen die menselijke intelligentie nabootsen. Machine Learning is een onderdeel van AI.

ML is een onderdeel van AI dat zich specifiek richt op het leren uit data.

In plaats van expliciet te programmeren (zoals wij voorheen deden), leert een ML-model patronen en voorspellingen op basis van data. ML gebruikt daarvoor wiskundige algoritmes om zichzelf te verbeteren.

ML is een van de tools om AI te realiseren.

Voorbeeld om het verschil duidelijk te maken:

Deep Learning

Deep Learning is weer een onderdeel van Machine Learning:

Artificial Intelligence

└── Machine Learning

└── Deep Learning (neurale netwerken, zoals ChatGPT)

Het verschil tussen Machine Learning (ML) en Deep Learning (DL) zit hem in de complexiteit, werking en toepassing.

Machine Learning (ML)

ML is een subset van AI waarbij machines leren van data, zonder expliciet geprogrammeerd te worden. De algoritmes in ML proberen patronen te herkennen en voorspellingen te doen. De kenmerken zijn:

1. Werkt vaak met gestructureerde data;
2. Vereist soms handmatig gekozen kenmerken (“feature engineering”);

Feature engineering is het proces waarbij je relevante kenmerken (features) uit ruwe data selecteert, transformeert of creëert om machine learning modellen slimmer en effectiever te maken. Bijvoorbeeld, in een dataset met huizenprijzen zijn features; “Vierkante meters”, “Aantal slaapkamers”, “Bouwjaar”, “Ligging” waarmee een ML-model de waarde van het huis kan voorspellen.

3. Werkt met bestaande algoritmes: Decision Trees, Random Forest, Support Vector Machines (SVM), k-Nearest Neighbors (kNN).

Voorbeeld:
Een ML-model leert om e-mails te classificeren als spam of niet-spam op basis van woorden in het onderwerp en de afzender.

Deep Learning (DL)

DL is een subset van Machine Learning, gebaseerd op kunstmatige neurale netwerken, geïnspireerd door het menselijk brein. Kenmerken zijn:

1. Werkt goed met grote hoeveelheden data;
2. Geschikt voor complexe en ongestructureerde data zoals afbeeldingen, video, audio, tekst;
3. Neurale netwerken leren automatisch welke kenmerken belangrijk zijn;
4. Heeft vaak veel rekenkracht nodig.

Voorbeeld:
Een deep learning-model zoals ChatGPT of een zelfrijdende auto die objecten in beeld herkent en beslissingen neemt.

Kort overzicht in een vergelijkingstabel: