Veertig jaar symbolische AI leverde één fundamenteel inzicht op: je kunt intelligentie niet opschrijven. De regels werden te complex, te broos en te talrijk. De oplossing lag in een radicaal andere aanpak. Wat als een systeem zelf patronen kon ontdekken in data, zonder dat een mens de regels schreef? Die verschuiving van regels naar patronen is de kern van machine learning, en het is de belangrijkste koerswijziging uit de hele AI-geschiedenis. Na deze pagina begrijp je hoe dat leren er concreet uitziet, waarom het na decennia van theorie ineens wél werkte, en waar ook deze aanpak uiteindelijk vastliep.
Roland Bieleveldt
De eerste generatie AI ging uit van een logische veronderstelling: als je een probleem kunt analyseren, kun je er regels voor schrijven. Een mens dacht na over de oplossing en codeerde die stap voor stap in het systeem. De intelligentie zat in de regels, en dus in de programmeur.
Machine learning draait die logica om. De programmeur schrijft geen regels meer. De programmeur levert voorbeelden aan. Uit die voorbeelden ontdekt het systeem zelf welke patronen er zijn.
Machine learning is een verzameling technieken waarbij een systeem patronen leert herkennen in data, zonder dat die patronen vooraf door een mens zijn gespecificeerd.
Concreet ziet dat er zo uit. Een bank wil creditcardfraude detecteren. Bij de regelgebaseerde aanpak schrijft een programmeur: “als het bedrag hoger is dan duizend euro én de transactie in het buitenland plaatsvindt én er binnen een uur een tweede transactie volgt, markeer dan als verdacht.” Dat werkt zolang fraudeurs zich aan die patronen houden. Zodra ze iets anders proberen, glipt het door de regels.
Bij machine learning krijgt het systeem geen regels. Het krijgt miljoenen historische transacties, waarvan bij elke transactie is vastgelegd of het fraude was of niet. Na het verwerken van al die voorbeelden legt het systeem vast welke combinaties van kenmerken samenhangen met fraude. Duizenden patronen tegelijk: combinaties van bedragen, tijdstippen, locaties, koopgedrag en afwijkingen van het normale patroon van deze specifieke kaarthouder.
Het resultaat: een systeem dat nieuwe transacties kan beoordelen op basis van patronen die geen mens ooit expliciet heeft benoemd. Patronen die te subtiel zijn, te talrijk, of te verweven om in regels op te schrijven.
Het woord “training” is zo ingeburgerd dat de betekenis ervan vaak over het hoofd wordt gezien. Training is het proces waarbij een machine-learning-systeem herhaaldelijk voorbeelden doorloopt, bij elk voorbeeld controleert of de uitkomst klopt, en bij elke fout de interne parameters bijstelt.
Die bijstelling werkt via een methode die backpropagation heet. Backpropagation berekent na elke fout precies welke parameters in het systeem moeten verschuiven, en hoeveel, om de fout kleiner te maken. Het is alsof een schieter na elk schot hoort dat hij mis was, en ook precies hoeveel centimeter te hoog en te ver naar links. Na duizend schoten raakt hij het doel zonder dat iemand hem de schiethouding hoefde voor te doen.
De wiskundige basis van backpropagation bestond al langer, maar werd in 1986 door David Rumelhart, Geoffrey Hinton en Ronald Williams zodanig verfijnd dat de methode voor het eerst stabiel genoeg was voor praktische toepassingen. Die publicatie wordt in het vakgebied gezien als een van de belangrijkste doorbraken van de twintigste eeuw.
Backpropagation bestond vanaf 1986. Maar het duurde nog bijna tien jaar voordat machine learning de praktijk bereikte op een manier die symbolische AI structureel overtrof. Dat had niets te maken met het algoritme zelf. Het had te maken met twee randvoorwaarden die pas in de jaren negentig op hun plaats vielen.
Machine learning heeft gelabelde voorbeelden nodig: situaties waarbij een mens heeft vastgesteld wat de juiste uitkomst is. Een fraudemodel heeft transacties nodig die als fraude zijn gemarkeerd. Een spamfilter heeft e-mails nodig die als spam zijn geclassificeerd. Een aanbevelingssysteem heeft aankoopgeschiedenissen nodig.
In de jaren tachtig bestonden die datasets niet op de schaal die machine learning vereist. Duizenden tot miljoenen voorbeelden. Het internet veranderde dat. E-mailverkeer, digitale transacties, webbrowsegedrag, klantregistraties: voor het eerst produceerden organisaties data op een schaal die machine learning kon voeden. Een e-mailprovider als Hotmail had halverwege de jaren negentig miljoenen geclassificeerde e-mails. Een creditcardmaatschappij had miljoenen transacties met bekende uitkomsten. Die massa aan voorbeelden was de grondstof die machine learning nodig had.
Het herhaaldelijk doorlopen van miljoenen voorbeelden, bij elk voorbeeld duizenden parameters bijstellen, dat proces honderden of duizenden keren herhalen: dat vergt enorme hoeveelheden rekenkracht. De computers van de jaren tachtig waren daar niet voor gebouwd. De processors die in de jaren negentig beschikbaar kwamen, waren dat wel. Wat in 1985 maanden zou hebben geduurd, kon in 1998 in dagen.
De combinatie was beslissend. Geen van de twee randvoorwaarden was op zichzelf voldoende. Data zonder rekenkracht kun je niet verwerken. Rekenkracht zonder data levert niets om van te leren. Pas toen beide samenvielen met het stabiele algoritme dat er al lag, werd machine learning het gereedschap dat de belofte van decennia eindelijk waarmaakte.
Vanaf de late jaren negentig begon machine learning de praktijk te bereiken. En in één specifiek domein was het effect direct zichtbaar: gestructureerde data.
Gestructureerde data is informatie die al in kolommen en rijen staat: transactiebedragen, tijdstippen, klantnummers, klikgedrag, sensorwaarden, testresultaten. Machine learning bleek buitengewoon geschikt voor het ontdekken van patronen in dit type data. Geschikter dan welke menselijke analist ook, en geschikter dan welk regelgebaseerd systeem ook.
Fraudedetectie was een van de eerste domeinen waar het effect zichtbaar werd. Banken en creditcardmaatschappijen zetten machine-learning-modellen in die verdachte transacties herkenden aan combinaties van kenmerken die te subtiel waren voor handmatige regels. De resultaten waren meetbaar: minder fraude, minder onterechte blokkeringen, lagere schadelast.
Spamfiltering volgde snel. Vroege spamfilters werkten met lijsten van verboden woorden, die spammers moeiteloos omzeilden door woorden te vervormen of afbeeldingen te gebruiken. Machine-learning-spamfilters leerden van miljoenen geclassificeerde e-mails en herkenden spam aan combinaties van kenmerken die steeds meebewogen met nieuwe trucs.
Hetzelfde patroon verscheen in aanbevelingssystemen en kredietbeoordeling. Het principe achter “klanten die dit kochten, kochten ook” was patroonherkenning in aankoopgedrag van miljoenen gebruikers. Kredietbeoordelingen verschoven van vaste scoringsformules naar modellen die tientallen variabelen tegelijk wogen, met nauwkeurigere risico-inschattingen als resultaat.
De rode lijn in al deze toepassingen: machine learning vond verbanden in grote hoeveelheden gestructureerde data die met geen enkele handmatige aanpak te vinden waren.
Machine learning ontdekte patronen zelf, maar het was geen plug-and-play. Er was substantieel menselijk vakmanschap voor nodig, en dat vakmanschap heette feature engineering: het proces waarbij een mens bepaalt welke kenmerken uit de ruwe data als input voor het model dienen. Bij een fraudemodel: het bedrag, het tijdstip, de afstand tot de vorige transactie, de verhouding met het maandgemiddelde. Elke keuze is een hypothese over welke informatie ertoe doet.
Vergelijk het met een selectiecommissie die drieduizend cv’s moet beoordelen. De commissie bepaalt eerst de criteria: werkervaring, opleiding, relevante vaardigheden, stabiliteit van loopbaan. Die criteria zijn de features. De kwaliteit van de selectie hangt af van de kwaliteit van de criteria, nog voordat het eigenlijke beoordelingsproces begint. Bij machine learning gold hetzelfde. Goede features leverden sterke modellen. Verkeerde features leverden modellen die patronen vonden in ruis.
Machine learning presteerde sterk op gestructureerde data. Maar er was een heel domein waar het niet bij kon: ongestructureerde data.
Ongestructureerde data is alles wat niet in kolommen en rijen past: foto’s, video, gesproken taal, geschreven tekst. Voor een mens zijn dat de makkelijkste taken ter wereld. Een gezicht herkennen, een gesproken zin verstaan, de betekenis van een alinea vatten. Maar voor een machine is een foto niets meer dan een raster van miljoenen pixels met elk een kleurwaarde. De vraag “is dit een kat?” vertaalt zich naar: welk patroon in die miljoenen getallen wijst op een kat?
Feature engineering helpt hier niet meer. Bij gestructureerde data kan een mens de relevante kenmerken bedenken: bedrag, tijdstip, frequentie. Maar bij een foto: welke features definieer je? Pixelwaarden? Kleurtinten? Randen? De combinaties zijn te talrijk, te gelaagd en te verweven voor een mens om te selecteren. De patronen in beelden, spraak en tekst bestaan op meerdere niveaus tegelijk: van randen en contrasten via vormen en onderdelen naar complete objecten en betekenissen.
Hier liep machine learning tegen een muur. Het kon patronen ontdekken in data die een mens al had voorbewerkt en in kenmerken had vertaald. Maar het kon niet zelf bepalen welke kenmerken er in de ruwe data zaten.
Die stap, het automatisch ontdekken van de juiste kenmerken op meerdere niveaus van abstractie, vereiste een fundamenteel andere architectuur.
Die architectuur zou komen. Ze heette deep learning: neurale netwerken met meerdere lagen die patronen herkennen én zelf leren welke patronen er te herkennen zijn. Van de eerste laag die randen detecteert tot de hoogste laag die complete objecten herkent. Elk niveau bouwt voort op het vorige. Dat is het verhaal van de volgende fase.
Het verschil tussen regels en patronen wordt het helderst in een concreet voorbeeld uit de zorg.
[KADER — voorbeeld: Medische kliniek
Een ziekenhuis wil voorspellen welke patiënten na ontslag binnen dertig dagen opnieuw worden opgenomen. De regelgebaseerde aanpak zou zijn: als de patiënt ouder is dan 75, een chronische aandoening heeft en langer dan tien dagen is opgenomen, markeer dan als risicopatiënt. Drie regels, helder en uitvoerbaar.
Het machine-learning-model krijgt geen regels. Het krijgt de gegevens van vijftigduizend eerdere ontslagen: leeftijd, diagnose, opnameduur, medicatie, laboratoriumwaarden, aantal eerdere opnames, postcode, en tientallen andere kenmerken. Bij elk geval staat het resultaat: wel of niet heropgenomen.
Na training blijkt het model patronen te vinden die geen arts had voorzien. Een specifieke combinatie van twee medicijnen verhoogt het risico met veertig procent. Patiënten die op donderdag worden ontslagen, worden vaker heropgenomen dan patiënten die op dinsdag worden ontslagen, vermoedelijk door beperktere nazorg in het weekend. De postcode blijkt een sterke voorspeller, door de afstand tot de huisarts.
Geen van die patronen had een programmeur kunnen bedenken. Het model ontdekte ze door vijftigduizend gevallen te verwerken en combinaties te vinden die voor menselijke analyse onzichtbaar waren. Dat is machine learning op zijn sterkst: verbanden vinden in gestructureerde data die te subtiel, te talrijk en te verweven zijn voor regels. ]
[KADER — voorbeeld: B2B-dienstverlener
Een middelgroot adviesbureau laat een machine-learning-model bouwen op de CRM-data van drie jaar: welke leads werden klant, welke niet? Het doel: automatisch voorspellen welke nieuwe leads de meeste kans hebben om te converteren, zodat de commerciële afdeling haar tijd richt op de meest kansrijke gesprekken.
Het model werkt. Maar de grootste tijdsinvestering zit niet waar het bureau had verwacht. De bottleneck was de feature engineering. Welke variabelen tellen mee? Bedrijfsgrootte, sector, aantal contactmomenten? En hoe meet je “kwaliteit van het eerste gesprek”? Dat bleek niet in het CRM te staan. De datawetenschapper besteedde weken aan het vertalen van ruwe CRM-velden naar bruikbare features. Pas daarna kon het model leren.
Het resultaat is meetbaar: de hit rate van het commerciële team steeg van veertien naar drieëntwintig procent. Maar het bureau leerde ook iets over machine learning dat in geen enkele verkooppresentatie stond: de kwaliteit van het model hangt af van de kwaliteit van de data die erin gaat. En die kwaliteit kost mensenwerk. ]
[KADER — voorbeeld: Zelfstandig professional
Een freelance tekstschrijver die begin jaren 2000 overstapte op Gmail merkte iets vreemds. Haar spamfilter werkte ineens goed. Structureel beter dan alles wat ze eerder had gebruikt. De oude filters blokkeerden e-mails met het woord “gratis” en lieten spam door die “gr@tis” schreef. Het nieuwe filter leek te leren. Spam die vorige week nog doorglipte, werd deze week gevangen.
Wat ze niet wist: achter de interface draaide een machine-learning-model dat werd getraind op de spammarkeringen van miljoenen gebruikers. Elke keer dat iemand een e-mail als spam markeerde, werd dat een nieuw voorbeeld. Het model vond patronen in combinaties van afzenders, onderwerpregels, tekststructuren en metadata die geen programmeur ooit als regel had kunnen opschrijven.
Voor de tekstschrijver was het praktisch: minder rommel, meer tijd voor werk. Maar voor de AI-geschiedenis is het een kantelpunt. Dit was een van de eerste momenten waarop miljoenen gewone gebruikers dagelijks profiteerden van machine learning zonder het woord ooit gehoord te hebben. ]
Wie wil begrijpen hoe deep learning de grens van machine learning doorbrak en waarom 2012 als kanteljaar geldt, leest verder bij Deep learning: de doorbraak die alles veranderde.
Wie wil zien waar machine learning past in het complete overzicht van alle vijf fases, keert terug naar De geschiedenis van AI (cluster 1.2).
Wie wil begrijpen hoe de regelgebaseerde aanpak die aan machine learning voorafging eruitzag en waarom die vastliep, vindt dat bij Van symbolische AI naar machine learning: de eerste fase.