Welke soorten AI bestaan er?

welke soorten AI bestaan er? Indeling op basis van output

Veel mensen vinden het lastig om te bepalen welke soorten AI er precies bestaan door een gebrek aan een duidelijke indeling. Dit leidt vaak tot misvattingen over de verschillen tussen machine learning en deep learning. Inzicht in de juiste classificatie helpt bedrijven om AI effectiever te integreren en kostbare fouten te voorkomen.

Welke soorten AI bestaan er eigenlijk?

Kunstmatige intelligentie wordt primair ingedeeld in Narrow AI (gespecialiseerd in een taak), de theoretische General AI (menselijk denkniveau) en Super AI. Binnen deze niveaus vinden we praktische technieken zoals machine learning, deep learning en generatieve AI.

Ongeveer 73 procent van de bedrijven in Nederland integreert tegenwoordig een vorm van AI in hun processen.^[1] Laten we eerlijk zijn - de meeste mensen gooien alle technische termen zomaar op een hoop. Ik deed dat vroeger ook. Dat is verwarrend. Maar er is een veelgemaakte denkfout die 90 procent van de beginners maakt over hoe machines leren - ik onthul deze in de sectie over Deep Learning hieronder.

De drie niveaus van intelligentie: Van ANI tot ASI

Om AI echt te begrijpen, moeten we eerst kijken naar de capaciteit van het systeem. De wetenschap deelt kunstmatige intelligentie doorgaans in drie hoofdcategorieën in, gebaseerd op hoe breed de intelligentie kan worden toegepast.

1. Narrow AI (Zwakke AI)

Dit is de AI die we vandaag de dag gebruiken. Narrow AI is ontworpen om exact een specifieke taak uit te voeren. Denk aan de aanbevelingen van Netflix, de spraakherkenning van Siri, of het algoritme dat schaakt. Heel simpel.

Mensen denken vaak dat deze systemen breed intelligent zijn omdat ze menselijke taal produceren. Dat is onjuist. Een schaakcomputer kan de wereldkampioen verslaan, maar hij kan je niet vertellen wat het weer morgen wordt. Hij is een absolute specialist. Typische efficiëntieverbeteringen door zulke gerichte voorspellende AI variëren vaak van 20 tot 35 procent in zakelijke toepassingen,^[2] afhankelijk van de sector en implementatie.

2. General AI (AGI - Sterke AI)

Artificial General Intelligence is het concept van een machine die elke intellectuele taak kan begrijpen en leren die een mens ook kan. Dit is het niveau dat we vaak in sciencefictionfilms zien.

In werkelijkheid bestaat AGI nog niet. Onderzoekers zijn het er niet over eens wanneer - of zelfs of - we dit punt zullen bereiken. De uitdaging (en dit verbaast veel mensen) is niet zozeer rekenkracht, maar het nabootsen van menselijk redeneervermogen en gezond verstand.

3. Super AI (ASI)

Superintelligentie is het theoretische stadium waarin machines de menselijke intelligentie op alle gebieden overtreffen. Van creativiteit en wetenschap tot sociale vaardigheden. Zelden is een concept zo fascinerend en tegelijkertijd zo controversieel onder wetenschappers.

Hoe leert AI? Machine Learning vs. Deep Learning

Als we voorbij de theoretische niveaus kijken, komen we bij de daadwerkelijke technologie. Hoe zorgen we ervoor dat een computer leert zonder expliciet geprogrammeerd te zijn voor elke stap?

Machine Learning: Leren van data

Bij machine learning voeden we een algoritme met enorme hoeveelheden data. Het systeem zoekt zelf naar patronen. Wereldwijd wordt verwacht dat de adoptie van dergelijke AI-tools significant zal stijgen in de komende jaren. ^[3]

Iedereen zegt dat je moet beginnen met de meest geavanceerde AI. Maar op basis van mijn ervaring met IT-implementaties, is dat vaak een grote fout. Een simpeler machine learning model voor voorraadbeheer is vaak betrouwbaarder dan een peperduur neuraal netwerk. Complexe technologie is niet altijd de beste oplossing.

Deep Learning: De neurale netwerken

Deep learning is een geavanceerde subcategorie van machine learning, geïnspireerd op het menselijk brein. Het gebruikt kunstmatige neurale netwerken met meerdere lagen om complexe data zoals beelden of spraak te verwerken.

Hier is de veelgemaakte denkfout die ik eerder noemde: veel mensen denken dat deep learning-modellen de wereld begrijpen zoals wij dat doen. In werkelijkheid herkennen ze puur statistische patronen zonder enige vorm van bewustzijn.

Wanneer je maandenlang bezig bent met het trainen van een algoritme en de output blijft vol fouten zitten omdat je trainingsdata niet goed was gestructureerd en je leidinggevende vraagt waarom het project vertraging oploopt terwijl je letterlijk elke parameter al hebt aangepast... dan besef je pas dat AI voornamelijk data-opschoning is. Hard werken.

Categorisering op basis van output (GenAI en Predictive)

Tot slot kunnen we AI indelen op basis van wat het daadwerkelijk produceert. Tegenwoordig geeft ongeveer 65 procent van de softwareontwikkelaars aan wekelijks generatieve AI te gebruiken om hun werk te versnellen. ^[4]

Generatieve AI creëert geheel nieuwe content - teksten, afbeeldingen, code - op basis van prompts. Denk aan ChatGPT. Voorspellende AI, daarentegen, kijkt naar historische data om toekomstige trends in te schatten. Beide zijn vormen van Narrow AI, maar ze bedienen compleet andere zakelijke behoeften.

Technologieën Vergeleken: Welke AI heeft u nodig?

Het kiezen van de juiste AI-technologie is cruciaal voor het succes van uw project. Hier is een overzicht van de meest gebruikte benaderingen in de praktijk.

Regelgebaseerde AI (Expert Systemen)

• Volgt strikte 'als dit, dan dat'-regels geprogrammeerd door mensen
• Simpele klantenservice chatbots en geautomatiseerde administratie
• Laag - zeer transparant en makkelijk te debuggen
• Kan niet leren van nieuwe data zonder menselijke aanpassing

Machine Learning ⭐ (Aanbevolen voor data-analyse)

• Leert patronen herkennen uit gestructureerde historische data
• Verkoopprognoses, fraude-detectie en productaanbevelingen
• Gemiddeld - vereist grote hoeveelheden schone trainingsdata
• Presteert slecht als de ingevoerde data kwalitatief ondermaats is

Deep Learning / Generatieve AI

• Gebruikt complexe neurale netwerken om ongestructureerde data te verwerken
• Beeldherkenning, tekstanalyse en het genereren van nieuwe content
• Zeer hoog - fungeert vaak als een 'black box' waarbij beslissingen lastig te herleiden zijn
• Vereist enorme rekenkracht en is gevoelig voor hallucinaties (fictieve antwoorden)

De klantenservice-struggle van een Rotterdamse webshop

Sander, een 34-jarige IT-manager bij een logistiek bedrijf in Rotterdam, wilde klantvragen automatiseren. Het team ontving wekelijks 800 e-mails met de simpele vraag: 'Waar is mijn pakket?'

Eerste poging: Hij installeerde een dure, geavanceerde generatieve AI-chatbot. Het resultaat was een ramp. De bot ging urenlange creatieve gesprekken aan met klanten over het weer, maar kon de interne database niet uitlezen om de orderstatus te controleren. Frustratie alom.

Na twee weken hoofdpijn besefte Sander dat hij de verkeerde soort AI gebruikte. Hij verving de complexe tool door een simpele regelgebaseerde AI die alleen ordernummers herkende en direct koppelde aan de verzenddatabase.

Binnen een maand daalde het aantal openstaande e-mails met 72 procent en bespaarde het bedrijf ruim 40 uur aan handmatig werk per week. Sander leerde dat de 'slimste' AI niet altijd de juiste oplossing is voor een afgebakend probleem.