Wat is modelleren in machine learning?

Wat is modelleren in machine learning eigenlijk? Ik heb me dat zelf ook vaak afgevraagd, hoor. Het klinkt zo… technisch. Maar stel je voor: je leert een kind fietsen. Je laat 'm zien hoe het moet, je helpt hem op gang, en beetje bij beetje leert hij het zelf. Zo ongeveer werkt het ook.

Modelleren in machine learning, dat is eigenlijk het creëren van zo'n 'fietsende kind'. Een programma, dus, maar dan eentje dat zelfstandig patronen ontdekt. En dan niet gewoon simpele patronen, nee, echt complexe dingen! Denk aan… nou ja, mijn neefje, die leert nu pas lezen. Een machine learning model kan – in theorie – de betekenis van een zin begrijpen, zelfs een zin die het nog nooit gezien heeft. Is dat niet waanzinnig? En dan vraag ik mezelf af: hoe doen ze dat toch? Magie? Nee, natuurlijk niet. Heel veel slimme wiskunde en – veel – data.

Het gaat erom dat je het model 'voert' met bergen aan informatie. Laatst las ik nog ergens dat ze voor een bepaald beeldherkenningsmodel… ach, ik weet het exacte cijfer niet meer, maar het waren miljoenen foto's! Miljoenen! Om te begrijpen wat een kat is. Toen ik dat las, moest ik even lachen. Mijn kat, Luna, die heeft mij wel honderden foto's gekost om te begrijpen. En ze is nog steeds niet getraind op het begrijpen van haar eigen speelgoed, die rare pluizige dingen. Maar goed. Het model leert dus van al die data, herkent patronen en kan dan – hoera! – beslissingen nemen op basis van nieuwe, onbekende data. Bijna alsof het zelf kan denken… of zo? Misschien moet ik daar eens meer over lezen, want ik begrijp nog niet alles helemaal. Maar het is wel ongelooflijk fascinerend, vind ik zelf.