Wiens AI gebruiken we eigenlijk?
06/07/2026
Modellen trainen… maar dan zonder sportschoenen
Als het woord "trainen" valt bij ons op kantoor, gaat het vaak niet over hardlopen of zwemmen, maar over het trainen van modellen. Wat bedoelen we daar eigenlijk mee?
Wat is een model eigenlijk?
Kort door de bocht is het een wiskundig systeem. Je stopt er input in, zoals sensordata, machine-instellingen of productkenmerken, en er komt iets nuttigs uit: een voorspelling, een categorie, een stukje tekst. Je voert bijvoorbeeld gegevens van een productielijn in (temperatuur, druk, snelheid), en het model voorspelt of een product binnen specificaties blijft.
Hoe het model die afweging maakt, hangt af van zijn architectuur. Die kan simpel zijn, zoals een lineaire vergelijking: kwaliteitsscore = 2 × temperatuur + 3 × druk + constante. Of veel complexer, zoals een neuraal netwerk dat tientallen sensoren tegelijk verwerkt en daar subtiele verbanden in leert herkennen.
In beide gevallen maak je aannames: welke input gebruik je? Neem je alleen temperatuur mee, of ook luchtvochtigheid en trillingen? Die keuzes bepalen hoe je model naar de wereld kijkt.
Trainen betekent de juiste waarde vinden
Zodra de structuur staat, begint het eigenlijke trainen. In essentie vul je de parameters van je model in. In y = ax + b zijn a en b de parameters. In theorie kunnen die van alles zijn, maar in de praktijk wil je specifieke waarden die goed passen bij je data, anders krijg je resultaten die niet kloppen, niet herhaalbaar zijn en al helemaal niet bruikbaar zijn in een echte productieomgeving. Het zoeken naar die waarden noemen we fitten, of trainen.
Maar wanneer past een model "goed"? Daarvoor heb je een meetlat nodig: een lossfunctie. Stel: je model voorspelt een kwaliteitswaarde van 8, terwijl de meting 7 is. Dat is een fout van 1. Na training zit je model op 7,5, objectief beter. Bereken je dit over een hele batch, dan heb je een concrete maat voor de prestatie van je model.
Gelukkig hoef je niet willekeurig te raden. Als je lossfunctie aan een paar wiskundige voorwaarden voldoet, kun je systematisch zoeken naar betere parameters. Bij eenvoudige modellen vind je de optimale waarden exact. Bij complexere modellen kom je uit op een sub-optimale oplossing die in de praktijk toch prima werkt.
Niet elk probleem is even makkelijk te definiëren
Soms weet je precies wat het goede antwoord is: je hebt historische data van producten die goedgekeurd of afgekeurd zijn. In andere gevallen weet je dat niet, bijvoorbeeld als je afwijkingen zoekt in patronen. Beide werelden kennen hun eigen aanpak en uitdagingen.
Supervised learning
Je weet precies wat het goede antwoord is, bijvoorbeeld historische data van producten die goed- of afgekeurd zijn.
Unsupervised learning
Je weet het goede antwoord niet vooraf, bijvoorbeeld wanneer je op zoek bent naar afwijkende patronen.
De balans tussen onthouden en begrijpen
Bij het trainen zoek je altijd de balans tussen twee dingen: zo goed mogelijk je trainingsdata verklaren, én goed presteren op nieuwe, onbekende situaties. Ga je te ver in het eerste, dan krijg je overfitting: het model leert de trainingsdata uit zijn hoofd, maar faalt zodra er iets nieuws langskomt. Vergelijkbaar met een student die alle examenvragen memoriseert, maar vastloopt bij een vraag die net anders is gesteld.
"Modellen trainen is niet meer dan het systematisch zoeken naar de juiste instellingen, zodat een model zo goed mogelijk aansluit op jouw data én blijft werken in nieuwe situaties."
Finetunen: kleine aanpassingen op een bestaand model
Soms hoef je niet van nul te beginnen. Als een bestaand model nieuwe of afwijkende situaties net niet goed verwerkt, kun je de parameters verder bijstellen, dat heet finetunen. In de praktijk zie je dit vooral bij taalmodellen: ze zijn breed getraind op taal, en finetunen maakt ze geschikt voor een specifieke taak of domein.
Let op: parameters in zo'n model hangen sterk met elkaar samen. Verander je er één, dan kan dat onverwachte effecten hebben op de rest.
Modellen trainen is niet meer dan het systematisch zoeken naar de juiste instellingen, parameters, zodat een model zo goed mogelijk aansluit op jouw data én blijft werken in nieuwe situaties. Geen loopband nodig. Maar net als bij hardlopen geldt: zonder goede voorbereiding en een duidelijk doel train je vooral frustratie. 😉
Benieuwd hoe wij modellen inzetten en trainen?
We schrijven regelmatig over automatiseringen, datagedreven oplossingen en AI-toepassingen. Check onze andere blogs of neem gewoon contact op, we denken graag mee.
Altijd als eerste het nieuws van Univia ontvangen?
Volg ons op social media, en houd onze blog pagina in de gaten voor de laatste updates! Of schrijf je nu in voor onze nieuwsbrief!
