Machine learning uitleg: hoe computers leren van voorbeelden

Machine learning uitleg: wat is het?

Machine learning, in het Nederlands machinaal leren, is een onderdeel van kunstmatige intelligentie waarbij een computer uit voorbeelden leert hoe hij een taak moet doen. De term is oud. Arthur Samuel van IBM gebruikte hem in 1959 in zijn artikel over een computer die leerde dammen.

Bij gewone software schrijft een programmeur de regels. Bij machine learning komen ze uit de data. Wat dat leerproces oplevert, heet een model: een wiskundige beschrijving van de patronen die in de voorbeelden zaten.

Een model weet dus niets van een hond of een spammail. Het kent alleen de patronen in de getallen die het kreeg, zoals pixels, woorden en bedragen. Daarom werkt het soms verrassend goed en faalt het soms op een manier die niemand zag aankomen.

Vergelijk het met een kind dat leert wat een hond is. Dat gaat met foto's, niet met een lijst eigenschappen, en na genoeg voorbeelden herkent het kind ook een hond die het nooit eerder zag. Een machine-learningmodel doet iets vergelijkbaars met getallen.

Waarom machine learning nu telt

Er is nu veel data, veel rekenkracht en er zijn betere methoden. Daardoor zit machine learning in dagelijkse producten. Het CBS meldt dat in 2025 ongeveer 17 procent van de Nederlandse bedrijven met twee of meer werkzame personen AI gebruikte, tegen 13 procent in 2024. Machine learning als aparte technologie stond op 4 procent, tegen 3 procent in 2024. De cijfers over 2025 zijn voorlopig.

Dat lage percentage gaat over bedrijven die het als aparte technologie noemen. Veel meer bedrijven gebruiken machine learning zonder het te weten, omdat het in boekhoudpakketten, advertentieplatforms en klantenservicetools zit.

Ook je zichtbaarheid hangt ervan af. Zoekmachines gebruiken al jaren machine learning: Google meldde in 2019 dat het taalmodel BERT in Search werd ingezet om zoekopdrachten beter te begrijpen. AI-zoekmachines schrijven inmiddels zelf het antwoord. Hoe dat uitpakt voor bedrijven, lees je in Wat is GEO?

Machine learning uitleg in vier stappen

Hoe verschillend de toepassingen ook zijn, het leerproces volgt meestal dezelfde lijn.

1. Data verzamelen. Voorbeelden, zoals mails, foto's, boekingen of verkopen. Bij leren met een antwoord erbij heeft elk voorbeeld ook een label, zoals „spam”.
2. Trainen. Het model doet een voorspelling, vergelijkt die met het juiste antwoord en past zichzelf een klein beetje aan. Dat gebeurt duizenden tot miljarden keren.
3. Testen. Je laat het model voorbeelden zien die het nog nooit zag. Zo meet je of het iets geleerd heeft of alleen de voorbeelden uit het hoofd kent.
4. Gebruiken en bijhouden. In de praktijk verandert de wereld, dus een model moet je blijven controleren en soms opnieuw trainen.

Leert een model de trainingsvoorbeelden uit het hoofd en beoordeelt het nieuwe gevallen slecht, dan heet dat overfitting. Het is een van de meest voorkomende oorzaken van teleurstellende resultaten. Wat er in de trainingsdata zit, lees je bij trainingsdata in de begrippenlijst.

Welke soorten machine learning zijn er?

Er zijn grofweg drie manieren van leren, en ze verschillen in de hulp die het systeem krijgt.

Taalmodellen gebruiken een mengvorm. Ze halen eerst zelf patronen uit enorme hoeveelheden tekst en worden daarna bijgestuurd met menselijke feedback. Hoe dat werkt, lees je in Hoe werkt een LLM?

Zo gebruik je machine learning in je bedrijf

Zelf een model bouwen hoeft niet. Het gaat erom dat je goed kiest.

1. Begin met een vraag. Welk werk kost veel tijd of is lastig te voorspellen, zoals offertes, planning of klantvragen?
2. Kijk eerst naar wat je al hebt. Je boekhoudpakket, webshop of e-mailtool heeft vaak al slimme functies.
3. Maak je data schoon. Een model is zo goed als de gegevens die het krijgt, en dubbele klanten en oude adressen geven slechte uitkomsten.
4. Test klein. Laat de eerste maanden een mens meekijken en vergelijk de uitkomsten met wat jij zelf zou doen.
5. Leg vast wie verantwoordelijk is. De uitkomst van een model ontslaat niemand van zelf nadenken.

Een verzonnen voorbeeld. Een fietsenwinkel laat een tool voorspellen welke banden in het voorjaar opraken, op basis van de verkopen van drie jaar. De eigenaar controleert de lijst en bestelt zelf. De tool bespaart hem telwerk, terwijl hij zelf blijft beslissen over zijn winkel en zijn klanten.

Veelgemaakte fouten

Dit gaat het vaakst mis.

• Slechte data. Fouten en gaten in de voorbeelden komen terug in de uitkomst. Lees meer over vooroordelen in AI.
• Te veel vertrouwen. Een model geeft een uitkomst met zekerheid, ook als die fout is.
• Persoonsgegevens vergeten. Zodra je klantdata gebruikt, geldt de AVG, en de Autoriteit Persoonsgegevens wijst op de risico's van algoritmes die met zulke gegevens werken.
• Beslissen over mensen zonder toezicht. De Europese AI-verordening stelt eisen aan systemen met een hoog risico, zoals bij werving en selectie.
• Nooit controleren. Een model dat vorig jaar werkte, kan nu ernaast zitten.

Wat dit betekent voor jou

Machine learning werkt al in veel van je dagelijkse software. Vraag leveranciers waarvoor ze het gebruiken en welke gegevens ze daarvoor nodig hebben. Houd je eigen gegevens op orde: klantlijst, openingstijden, diensten en contactgegevens, want zoekmachines en AI-assistenten gebruiken diezelfde gegevens om te beslissen of en hoe ze je noemen. Sorteren en voorspellen mag de software doen. Beslissingen die klanten raken, blijven bij een mens.

Conclusie

Machine learning is leren uit voorbeelden. Zo kunnen computers taken doen waar geen vaste regels voor te schrijven zijn, van spamfilters tot taalmodellen. Alles staat of valt met de data. Scheve of verouderde gegevens leiden tot foute uitkomsten. Bouwen hoeft een ondernemer het niet, begrijpen wat het doet wel. Wil je zien hoe AI jouw bedrijf nu beschrijft? Probeer de vermeldingscheck of de GEO-scan.

Veelgestelde vragen

Wat is het verschil tussen AI en machine learning?

AI is het brede vakgebied van systemen die slimme taken uitvoeren. Machine learning is één manier om dat te bereiken: het systeem haalt zijn regels uit data in plaats van uit wat een programmeur opschrijft. Er bestaat ook AI zonder machine learning, zoals een systeem dat alleen vaste regels volgt.

Wat is deep learning?

Deep learning is een vorm van machine learning met kunstmatige neurale netwerken die uit veel lagen bestaan. Het is de techniek achter beeldherkenning, spraakherkenning en moderne taalmodellen zoals die achter ChatGPT. Het werkt goed als er veel data en veel rekenkracht beschikbaar zijn, en dat heeft een kleine ondernemer zelf zelden.

Heb ik veel data nodig om machine learning te gebruiken?

Een eigen model trainen vraagt meestal veel goede data. Als ondernemer gebruik je vaker kant-en-klare diensten waarvan de leverancier het model al heeft getraind. Dan telt vooral dat jouw eigen gegevens, zoals klantlijsten of boekingen, schoon en actueel zijn, zonder dubbele klanten of oude adressen.

Kan machine learning fouten of vooroordelen bevatten?

Ja. Een model leert van de data die het krijgt, en zijn die scheef of onvolledig, dan is de uitkomst dat ook. Laat daarom een mens meekijken, zeker bij besluiten over mensen zoals sollicitanten of klanten. Voor werving en selectie stelt de Europese AI-verordening ook eisen.

Gebruikt mijn bedrijf al machine learning?

Waarschijnlijk wel. Het zit in spamfilters, boekhoudsoftware, advertentieplatforms, vertaaldiensten en zoekmachines. Volgens het CBS gebruikte in 2025 ongeveer 4 procent van de bedrijven machine learning als aparte technologie, maar veel gebruik zit onzichtbaar in producten van leveranciers.

Bronnen

• CBS, Bedrijven gebruiken AI vaakst voor marketing of verkoop, 2025
• Samuel, Some Studies in Machine Learning Using the Game of Checkers, IBM Journal, 1959
• Google, Understanding searches better than ever before (BERT in Search), 2019
• Autoriteit Persoonsgegevens, Risico's van algoritmes en AI
• Europese Commissie, AI Act: risicogebaseerde aanpak voor AI-systemen
• Stanford HAI, AI Index Report 2025
• Google Search Central, AI features and your website