Backpropagatie

Bron: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

Backpropagatie is een methode die wordt gebruikt om neurale netwerken te trainen. Het werkt door de output van het model te vergelijken met het juiste antwoord, de fout te berekenen en die fout vervolgens terug te sturen door het netwerk om de interne instellingen aan te passen. Aan de hand van vele voorbeelden verbetert het model geleidelijk. Backpropagatie is een van de belangrijkste technieken achter modern deep learning.

Bag-of-Words

Bron: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

Bag-of-words is een eenvoudige manier om tekst weer te geven voor machine learning. Het negeert grammatica en woordvolgorde en telt simpelweg welke woorden voorkomen. Zo kunnen bijvoorbeeld „AI helpt het bedrijfsleven“ en „het bedrijfsleven helpt AI“ er in een bag-of-words-model erg op elkaar lijken. Het is minder geavanceerd dan moderne taalmodellen, maar het is nog steeds nuttig bij sommige tekstclassificatietaken.

Basismodel

Bron: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

Een basismodel is een AI-model dat is getraind op een brede dataset, maar nog niet is gespecialiseerd voor een specifiek doel. Een algemeen taalmodel kan bijvoorbeeld worden getraind om tekst te voorspellen en later worden verfijnd tot een nuttige assistent, juridische samenvatter of programmeertool. Het basismodel vormt de basis waarop meer gespecialiseerde systemen worden gebouwd.

Bayesiaanse AI

Bron: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

Bayesiaanse AI maakt gebruik van waarschijnlijkheid om te redeneren over onzekerheid. In plaats van slechts één antwoord te geven, kan een Bayesiaanse benadering zijn aannames bijstellen naarmate er nieuw bewijs binnenkomt. Dit is nuttig in de geneeskunde, bij prognoses, spamdetectie en risicoanalyse. Het basisidee is bekend: wanneer er nieuwe informatie verschijnt, herzien we wat we waarschijnlijk achten.

Beam Search

Bronvermelding: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

Beam search is een techniek die wordt gebruikt wanneer AI-systemen reeksen genereren, zoals tekst of vertalingen. In plaats van telkens alleen het meest waarschijnlijke volgende woord te kiezen, houdt het model verschillende mogelijke opties open en onderzoekt deze. Dit kan de uiteindelijke output verbeteren. Het is een beetje alsof je verschillende mogelijke routes overweegt voordat je de beste reis kiest.

BERT

Bronvermelding: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

BERT is een invloedrijk taalmodel dat werd ontwikkeld vóór de huidige golf van grote conversatie-AI-tools. Het hielp computers tekst te begrijpen door woorden in hun context vanuit beide richtingen te bekijken, in plaats van ze simpelweg van links naar rechts te lezen. BERT werd op grote schaal gebruikt bij zoek-, classificatie- en taalbegripstaken. Het hielp de weg vrijmaken voor geavanceerdere taalmodellen.

Vooringenomenheid

Bron: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

In de AI kan ‘bias’ verschillende betekenissen hebben. In technische zin kan het verwijzen naar aannames die in een model zijn ingebouwd. In sociale zin verwijst het naar oneerlijke of vertekende uitkomsten die gevolgen hebben voor mensen of groepen. Beide betekenissen zijn van belang. Een bruikbaar AI-systeem heeft de juiste technische aannames nodig, maar moet schadelijke sociale vooringenomenheid vermijden.

Big data

Bronvermelding: Aangeleverde afbeelding; Auteur: Stephen Whitelaw;

Big data verwijst naar extreem grote, complexe of snel veranderende datasets die met traditionele methoden moeilijk te verwerken zijn. AI heeft enorm geprofiteerd van big data, omdat veel machine learning-systemen beter presteren naarmate ze op meer voorbeelden worden getraind. Meer data is echter niet altijd beter. Data van slechte kwaliteit, bevooroordeelde of irrelevante data kunnen nog steeds tot slechte AI leiden.