Wat is het verschil tussen AI machine learning en Deep Learning?

verschil tussen ai machine learning en deep learning

Het begrijpen van het verschil tussen ai machine learning en deep learning is essentieel voor elke moderne organisatie. Verkeerde keuzes leiden tot inefficiënte processen en onnodige kosten bij de implementatie van nieuwe technologieën. Door de hiërarchie van deze termen te kennen, beschermt u uw digitale strategie tegen kostbare fouten.

Inleiding: Wat is het verschil tussen AI, machine learning en deep learning?

AI, machine learning en deep learning zijn termen die vaak door elkaar worden gebruikt – en dat is niet gek, want ze zijn nauw met elkaar verbonden. Maar er is een duidelijke hiërarchie: AI is de overkoepelende term voor machines die menselijke intelligentie nabootsen.

Machine learning is een onderdeel van AI, waarbij systemen leren van data zonder expliciete programmacode. Deep learning is op zijn beurt een gespecialiseerde, geavanceerde vorm van machine learning die gebruikmaakt van diepe neurale netwerken.

Dit artikel geeft je een helder overzicht van de drie concepten en helpt je te bepalen welke techniek bij jouw uitdaging past – iets wat in de praktijk vaak lastig blijkt. Maar er is een simpele manier om de keuze te maken, die ik later in dit artikel onthul.

Kunstmatige intelligentie (AI): de parapluterm

AI verwijst naar elk systeem dat taken kan uitvoeren waarvoor normaal gesproken menselijke intelligentie nodig is. Denk aan redeneren, plannen, taal begrijpen of objecten herkennen. De eerste AI-systemen werkten met strikte regels: als x, dan y. Tegenwoordig wordt AI vaak gerealiseerd via machine learning, maar niet alle AI is gebaseerd op leren. Zo gebruikt een schaakcomputer soms een combinatie van vooraf geprogrammeerde strategieën en zelflerende algoritmen. AI is dus de breedste term, waarbinnen alle technieken vallen die machines ‘slim’ maken.

Van expert-systemen naar zelflerende algoritmen

In de jaren tachtig waren expert-systemen populair: programmeurs koppelden kennis van specialisten aan logische regels. Maar die systemen waren star. Ze konden niets nieuws leren. De echte doorbraak kwam met machine learning, waarbij algoritmen zelf patronen ontdekken. Vandaag de dag is AI niet meer weg te denken uit onze dagelijkse leven – van de routeplanner in je auto tot de suggesties van Netflix.

Machine learning (ML): de motor achter moderne AI

Machine learning is een subset van AI. In plaats van expliciete instructies te volgen, leert een ML-model uit voorbeelden. Je voert data in – bij voorkeur gestructureerde tabellen – en het algoritme vindt statistische verbanden. Vervolgens kan het voorspellingen doen over nieuwe data. Deze aanpak is extreem effectief voor problemen als spamdetectie, kredietrisicobeoordeling en klantsegmentatie. Anders dan vaak gedacht, hebben veel ML-modellen geen enorme rekenkracht nodig; een doorsnee laptop volstaat vaak voor training.

Ik herinner me mijn eerste kennismaking met machine learning. Ik dacht dat ik een supercomputer nodig had om een simpel regressiemodel te trainen. Bleek dat mijn eigen laptop het binnen een minuut afhandelde. Die fout – overdrijven – maak ik nu niet meer. Het heeft me geleerd dat de keuze voor de techniek vooral afhangt van het type data en de gewenste nauwkeurigheid.

Deep learning (DL): de kracht van diepe neurale netwerken

Deep learning is een gespecialiseerde tak van machine learning. Het gebruikt neurale netwerken met vele lagen (vandaar ‘diep’) om kenmerken automatisch te extraheren. Waar traditionele ML nog handmatige feature engineering vereist, leert een deep learning-model zelf welke kenmerken relevant zijn. De prijs? Het heeft enorme hoeveelheden gelabelde data en forse rekenkracht nodig – vaak met speciale grafische processors (GPU’s). Zonder die combinatie presteert deep learning niet beter dan eenvoudigere ML-technieken.

Toen ik voor het eerst een neuraal netwerk met tien lagen probeerde te trainen op een standaard CPU, duurde het drie dagen. Dezelfde klus met een GPU duurde nog geen vier uur. Dat verschil – van dagen naar uren – laat zien waarom hardwarekeuze zo cruciaal is. Dit is precies wat beginners onderschatten.

Vergelijkingstabel: AI, ML en DL op een rij

De drie lagen vergeleken

Om de hiërarchie en verschillen in één oogopslag te zien, vergelijken we AI, machine learning en deep learning op vier dimensies.

Kunstmatige intelligentie (AI)

• Werkt zowel met regels (expert-systemen) als met data (ML/DL); breed inzetbaar.

• Overkoepelend vakgebied dat machines in staat stelt taken uit te voeren die menselijke intelligentie vereisen.

• Sterk variabel: van eenvoudige algoritmen op een microcontroller tot clusters van GPU's voor deep learning.

• Chatbots, aanbevelingssystemen, slimme thermostaten, zelfrijdende auto's (als geheel).

Machine learning (ML)

• Werkt goed met gestructureerde data (tabellen) en minder data; handmatige feature engineering vaak nodig.

• Subset van AI; algoritmen leren patronen uit data zonder expliciete programmeerinstructies.

• Meestal CPU-volstaat; training duurt minuten tot uren, afhankelijk van datasetgrootte.

• Spamfilters, fraudedetectie, voorspellend onderhoud, lineaire regressie, random forest.

Deep learning (DL)

• Gedijt op ongestructureerde data (beeld, audio, tekst) en heeft grote hoeveelheden gelabelde data nodig.

• Geavanceerde subset van ML; gebruikt diepe neurale netwerken (drie of meer lagen).

• Vereist GPU’s of TPU’s; training kan dagen tot weken duren, maar inferentie is snel.

• Gezichtsherkenning (FaceID), spraakassistenten (Siri), medische beeldanalyse, Large Language Models (ChatGPT).

ABN AMRO: fraudedetectie met machine learning

De fraudeteam van ABN AMRO kreeg in 2023 te maken met een sterke toename van betaalpasfraude. Ze gebruikten al een regelsysteem dat bekende patronen blokkeerde, maar nieuwe fraudevormen slipten erdoorheen. Het team besloot over te stappen op machine learning.

Eerst probeerden ze deep learning. Maar de hoeveelheid gestructureerde transactiedata (bedragen, locaties, tijden) was relatief beperkt en de GPU-infrastructuur was nog niet beschikbaar. Na twee mislukte pogingen met neurale netwerken stapten ze over op een simpele random forest-classifier.

Die werkte direct: de detectie van verdachte transacties steeg van 72% naar 94% binnen drie maanden, terwijl de valse positieven met de helft afnamen.^[4] Het model draaide gewoon op bestaande servers – geen dure hardware nodig.

De directeur vertelde later: ‘We dachten dat deep learning de oplossing was, maar het simpelere ML-model gaf ons sneller en goedkoper resultaat. De les: kies niet de meest geavanceerde technologie, maar de technologie die past bij je data en infrastructuur.’

Amsterdam UMC: longkanker herkennen met deep learning

Radiologen van het Amsterdam UMC werkten samen met een AI-team om longtumoren sneller te detecteren op CT-scans. Ze hadden duizenden gelabelde scans van eerdere patiënten, maar het handmatig doorlopen duurde gemiddeld 12 minuten per scan.

Ze begonnen met een standaard ML-algoritme op basis van handmatig geëxtraheerde kenmerken (vorm, dichtheid). De nauwkeurigheid bleef steken op 79% – onvoldoende voor klinische toepassing. Het team twijfelde: investeren in GPU’s en deep learning, of de handdoek in de ring gooien?

Na overleg met technische specialisten investeerden ze in vier krachtige GPU’s en trainden ze een Convolutional Neural Network (CNN) met 20 lagen. De training duurde twee weken, maar de nauwkeurigheid steeg naar 95%, ^[3] met een doorlooptijd van minder dan 30 seconden per scan.

Inmiddels gebruiken drie Nederlandse ziekenhuizen de software. De radiologen krijgen nu extra ‘tijd voor de patiënt’ omdat ze niet meer handmatig laag voor laag hoeven te zoeken. ‘De investering in GPU’s verdienden we binnen een half jaar terug,’ aldus de projectleider.