Samenvattingen · InformaticaNL · VWO

Keuze I: Cognitive computing

Cognitive computing gaat over systemen die taken uitvoeren die we met menselijke intelligentie associëren: leren van data, herkennen van patronen in beeld en taal, en beslissen onder onzekerheid. Dit keuzethema behandelt wat kunstmatige intelligentie is, hoe machine learning uit voorbeelden leert (supervised en unsupervised, trainen en testen), hoe neurale netwerken werken, en de mogelijkheden, beperkingen en ethische kanten ervan. Het is verdieping binnen het schoolexamen — met een sterke, eerlijke nadruk op wat AI wél en niet kan.

4 Onderdelen~14 min leestijd4 VaardighedenNiveau Basis 1 · Standaard 2 · Verdieping 1

T·141414 / 18

Examenprofiel

I · Kunstmatige intelligentie en machine learning plaatsen: leren van data in plaats van vaste regelsI · Supervised en unsupervised leren onderscheiden; trainen, testen en overfittingI · De werking van een neuraal netwerk op hoofdlijnen uitleggenI · Toepassingen, beperkingen (bias, verklaarbaarheid) en ethiek van AI beoordelen

Operatoren:leg uitbeoordeelberekenvergelijkverklaar

basisniveau

Het onderscheid tussen ‘geprogrammeerde regels’ en ‘leren uit data’, en supervised leren, vormen de kern.

verhoogd niveau

Neurale netwerken, overfitting en het kritisch beoordelen van AI-kwaliteit (bias, confusion matrix) horen bij de verdieping.

Diepte

Tekst

Inhoud · 4 onderdelen

Keuze I: Cognitive computing

Wat is cognitive computing en AI#

Basisexamenblad-informatica-I

Kunstmatige intelligentie (AI) is de tak van de informatica die systemen bouwt voor taken die menselijke intelligentie lijken te vereisen: waarnemen, redeneren, leren, taal begrijpen. Het beslissende verschil met klassiek programmeren (domein D) is de aanpak. Bij een klassiek programma schrijft de programmeur expliciete regels die de computer volgt. Bij het moderne machine learning geef je het systeem juist veel voorbeelden en laat je het zélf de regels (het patroon) eruit afleiden. Afb. 1 toont die pijplijn: uit data worden kenmerken gehaald, daarop wordt een model getraind, en dat model doet vervolgens voorspellingen op nieuwe gevallen.

De machine-learning-pijplijn

Afb. 1Afb. 1 — Machine learning leidt uit data een model af dat daarna nieuwe gevallen voorspelt.

Deze verschuiving verklaart waarom AI juist nu doorbreekt bij taken die met vaste regels onbegonnen zijn. Probeer maar eens in regels te vatten wanneer een foto een kat toont: elke regel (‘puntige oren’) kent uitzonderingen. Een lerend systeem dat duizenden gelabelde kattenfoto’s heeft gezien, leidt het patroon zelf af. Machine learning bloeit dan ook op door drie factoren samen: veel data, veel rekenkracht (domein E) en betere algoritmen. Waar regels tekortschieten en er genoeg voorbeelden zijn, is leren uit data superieur.

De begrippen zijn genest. AI is het brede veld; machine learning (ML) is de belangrijkste hedendaagse aanpak daarbinnen (leren uit data); deep learning is weer een deelgebied van ML dat diepe neurale netwerken gebruikt (sectie 3). Niet alle AI is machine learning: een schaakprogramma dat vooruit rekent of een expertsysteem met door mensen ingevoerde regels is óók AI, maar leert niet. Dit onderscheid helpt je door de hype heen te kijken en per systeem te vragen: leert dit uit data, of volgt het vaste regels?

Belangrijk is het begrip smalle versus algemene AI. Alle bestaande AI is smal: uitzonderlijk goed in één afgebakende taak (schaken, gezichten herkennen, tekst voorspellen), maar zonder begrip of gezond verstand daarbuiten. Algemene AI — een systeem dat als een mens elk willekeurig probleem aankan — bestaat niet en is speculatief. Deze nuchtere afbakening is essentieel om de mogelijkheden én de grenzen van AI eerlijk in te schatten, en om marketingtaal (‘het systeem denkt’) te onderscheiden van wat er werkelijk gebeurt: statistische patroonherkenning, hoe indrukwekkend ook.

Uitgewerkt voorbeeld

Regels of leren?

Moet je een spamfilter met vaste regels of met machine learning bouwen? Motiveer.

Analyseer de taak
Spam is grillig en verandert voortdurend; vaste regels (‘bevat het woord gratis’) worden snel omzeild en kennen veel uitzonderingen.
Beschikbaarheid van data
Er zijn enorme hoeveelheden gelabelde e-mails (spam / geen spam) beschikbaar om van te leren.
Conclusie
Een lerend model dat het patroon uit voorbeelden afleidt, past zich aan en presteert beter dan een vaste regelset.

Resultaat: Machine learning past hier beter: de taak is grillig en er is veel gelabelde data om uit te leren.

Veelgemaakte fouten

Alle AI gelijkstellen aan machine learning; ook regelgebaseerde systemen (expertsystemen, zoekalgoritmen) zijn AI, maar ze leren niet uit data.
De prestaties van smalle AI op één taak verwarren met algemeen ‘begrip’; een systeem dat katten herkent, ‘snapt’ niets van katten.

Actieve herhaling

Bepaal voor elk systeem of je het het best met vaste regels of met machine learning zou bouwen, en motiveer: (a) het omrekenen van euro’s naar dollars; (b) het herkennen van handgeschreven cijfers; (c) het bepalen of een jaartal een schrikkeljaar is.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze I (kunstmatige intelligentie) (CvTE / Examenblad)

Machine learning: leren van data#

Standaardexamenblad-informatica-I

Supervised leren: een verband uit meetpunten

Afb. 2Afb. 1 — Regressie: het model leert uit gelabelde punten de best passende lijn en voorspelt daarmee nieuwe waarden.

Machine learning kent twee hoofdvormen. Bij supervised (begeleid) leren krijgt het model gelabelde voorbeelden: invoer mét het gewenste antwoord (foto’s mét het label ‘kat’ of ‘hond’, huizen mét hun verkoopprijs). Het leert de relatie tussen invoer en antwoord, om die daarna op nieuwe, ongelabelde gevallen toe te passen. Afb. 1 toont dit voor regressie: uit meetpunten leert het model een verband (de lijn) waarmee het voor een nieuwe invoer een waarde voorspelt. De andere supervised taak is classificatie: het voorspelde antwoord is een categorie in plaats van een getal.

Bij unsupervised (onbegeleid) leren zijn er géén labels; het model zoekt zélf structuur in de data. De klassieke taak is clustering: gelijkende gevallen groeperen (klanten met vergelijkbaar koopgedrag, foto’s met vergelijkbare inhoud) zonder dat vooraf iemand de groepen benoemde. Waar supervised leren een bekend antwoord reproduceert, ontdekt unsupervised leren onbekende patronen. Het onderscheid — is er een gewenst antwoord meegegeven of niet? — bepaalt welke aanpak past bij een probleem en is een veelgetoetst punt.

De kern van ‘leren’ is het bijstellen van de parameters van het model om de fout op de trainingsvoorbeelden te verkleinen. Bij de lijn van Afb. 1 zoekt het algoritme de helling en het snijpunt die de punten het best benaderen (de kleinste totale afwijking). Dit ‘optimaliseren om de fout te minimaliseren’ is wiskundig gestuurd en herhaalt zich in kleine stapjes tot de fout niet verder daalt. Belangrijk besef: het model rekent een patroon uit dat de data het best past — het ‘begrijpt’ niets, het minimaliseert een foutmaat.

De valkuil van machine learning is overfitting: het model leert de trainingsdata (inclusief de ruis en toevalligheden) zó nauwkeurig ‘van buiten’ dat het slecht generaliseert naar nieuwe gevallen — als een leerling die antwoorden stampt zonder de stof te snappen. Het tegenovergestelde is underfitting: het model is te simpel om het patroon te vangen. Om overfitting op te sporen splits je de data: je traint op één deel en test op een apart, ongezien deel. Presteert het model goed op de trainingsdata maar slecht op de testdata, dan is het overfit. Die scheiding van trainen en testen is de gouden regel — precies de eerlijke, controleerbare aanpak uit domein A.

Uitgewerkt voorbeeld

Voorspellen met een geleerd model

Het model uit Afb. 1 heeft het verband y = 0,8·x + 1 geleerd. Voorspel de uitvoer voor een nieuwe invoer x = 6 en leg uit waarom dit een schatting is.

Vul in
y = 0,8 · 6 + 1.
$y = 0{,}8 \cdot 6 + 1 = 5{,}8$
Interpreteer
Het model voorspelt y ≈ 5,8 voor deze nieuwe invoer.
Nuanceer
Het is een schatting: het model volgt het geleerde patroon, maar de echte punten liggen niet exact op de lijn (er is altijd ruis).

Resultaat: De voorspelling is y ≈ 5,8 — een schatting op basis van het uit de data geleerde verband, niet een exacte waarde.

Veelgemaakte fouten

Het model beoordelen op de data waarop het getraind is; alleen prestaties op ongeziene testdata zeggen iets over generalisatie.
Denken dat een model dat de trainingsdata perfect leert het beste is; perfecte trainingsprestaties wijzen juist vaak op overfitting.

Actieve herhaling

Een model voorspelt huizenprijzen. Op de trainingsdata is de fout bijna nul, maar op nieuwe huizen zit het er flink naast. Benoem het verschijnsel, leg uit hoe je het ontdekte en noem één manier om het tegen te gaan.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze I (machine learning) (CvTE / Examenblad)

Neurale netwerken#

Verdiepingexamenblad-informatica-I

Een neuraal netwerk

Afb. 3Afb. 1 — Invoerlaag, verborgen laag en uitvoerlaag; de gewichten op de verbindingen worden geleerd.

Een neuraal netwerk is een populair machine-learning-model, losjes geïnspireerd op de hersenen. Het bestaat uit lagen van neuronen (knopen), verbonden door gewogen verbindingen. Afb. 1 toont de opbouw: een invoerlaag die de kenmerken opneemt, een of meer verborgen lagen die de informatie verwerken, en een uitvoerlaag die het resultaat geeft. Elke verbinding heeft een gewicht, en juist die gewichten zijn wat het netwerk leert: het zijn de parameters die tijdens het trainen worden bijgesteld.

Eén neuron rekent eenvoudig. Het neemt de uitvoer van de neuronen ervóór, vermenigvuldigt elk met het gewicht van de verbinding, telt die producten op (een gewogen som), en stuurt die door een activatiefunctie die bepaalt hoe sterk het neuron ‘vuurt’. Die activatiefunctie is bewust niet-lineair (bijvoorbeeld een S-vormige curve): daardoor kan het netwerk ook kromme, ingewikkelde verbanden leren die een enkele rechte lijn (Afb. 1 van sectie 2) niet aankan. Zonder niet-lineaire activatie zou een stapel lagen niet meer kunnen dan één laag.

Het netwerk leert door zijn gewichten bij te stellen. Bij een voorspelling stroomt de invoer voorwaarts door de lagen naar een uitvoer (forward pass). Die uitvoer wordt vergeleken met het gewenste antwoord; de fout wordt vervolgens teruggestuurd door het netwerk (backpropagation), waarbij elk gewicht een beetje wordt aangepast in de richting die de fout verkleint. Over duizenden voorbeelden en herhalingen kruipen de gewichten naar waarden waarmee het netwerk de gewenste patronen reproduceert. Het is het optimaliseren-om-de-fout-te-minimaliseren uit sectie 2, nu over vele lagen tegelijk.

Deep learning is simpelweg neurale netwerken met véél verborgen lagen. Die diepte laat het netwerk hiërarchische kenmerken leren: bij beeld herkennen vroege lagen randjes, latere lagen vormen, en de laatste lagen hele objecten — het netwerk bouwt zelf abstractielagen op (domein A). Dit maakt deep learning ongeëvenaard bij beeld, spraak en taal. De keerzijde is dat een groot netwerk een ondoorzichtige ‘black box’ is: het werkt, maar wáárom het een bepaalde beslissing neemt, is nauwelijks na te gaan. Die beperkte verklaarbaarheid is een serieus probleem bij toepassingen waar je beslissingen moet kunnen verantwoorden — het onderwerp van de volgende sectie.

Uitgewerkt voorbeeld

De gewogen som van een neuron

Een neuron ontvangt invoeren 0,5 en 1,0 met gewichten 2 en −1 en bias 0. Bereken de gewogen som die door de activatiefunctie gaat.

Vermenigvuldig met de gewichten
0,5 · 2 = 1,0 en 1,0 · (−1) = −1,0.
Tel op met de bias
1,0 + (−1,0) + 0 = 0.
$z = 0{,}5\cdot 2 + 1{,}0\cdot(-1) + 0 = 0$
Activatie
Deze som z = 0 gaat door de activatiefunctie, die bepaalt hoe sterk het neuron doorgeeft.

Resultaat: De gewogen som is 0; de activatiefunctie zet die om in de uitvoer van het neuron.

Veelgemaakte fouten

Denken dat de programmeur de gewichten instelt; de gewichten worden juist automatisch geleerd tijdens het trainen op data.
De activatiefunctie voor overbodig houden; zonder niet-lineaire activatie kan een diep netwerk niet méér dan een enkele lineaire laag.

Actieve herhaling

Een neuron krijgt twee invoeren, 0,5 en 1,0, met gewichten 2 en −1 en drempel (bias) 0. Bereken de gewogen som. Leg daarnaast in één zin uit waarom een netwerk zonder niet-lineaire activatie beperkt is.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze I (neurale netwerken) (CvTE / Examenblad)

Toepassingen, beperkingen en ethiek#

Standaardexamenblad-informatica-I

Confusion matrix van een medische test

Afb. 4Afb. 1 — De diagonaal telt de correcte voorspellingen; de andere cellen de fout-positieven en fout-negatieven.

AI zit inmiddels overal: beeldherkenning (medische scans, gezichtsherkenning, zelfrijdende auto’s), taalverwerking (vertalen, spraakassistenten, tekstgeneratie), aanbevelingssystemen (video, muziek, winkelen) en voorspelling (weer, fraude, onderhoud). De kracht ligt in patronen vinden in enorme hoeveelheden data, sneller en op grotere schaal dan mensen kunnen. Maar diezelfde eigenschap — het reproduceren van patronen uit data — is ook de bron van de beperkingen: een model is nooit beter dan de data waarmee het geleerd is.

De prestaties van een classificatiemodel beoordeel je niet op een gevoel maar met cijfers uit een confusion matrix. Afb. 1 toont zo’n matrix voor een medische test: de rijen zijn de werkelijke toestand, de kolommen de voorspelling. De diagonaal bevat de correcte gevallen (terecht ziek, terecht gezond); de andere cellen de fouten (fout-positief: gezond maar als ziek bestempeld; fout-negatief: ziek maar gemist). De nauwkeurigheid (accuracy) is het aandeel correcte voorspellingen — maar let op: bij zeldzame gevallen kan een hoge nauwkeurigheid misleiden (‘iedereen gezond’ scoort 99% als 1% ziek is, en mist elke zieke).

De ernstigste beperking is bias (vertekening): leert een model van scheve of onvolledige data, dan neemt het die scheefheid over en kan het discrimineren. Een wervingssysteem dat leert van historische aannames neemt bestaande vooroordelen over; gezichtsherkenning die vooral op lichte gezichten is getraind, presteert slechter op andere. Bias is geen randgeval maar een structureel risico, en het is vaak onzichtbaar tot er schade is. Daarom horen bij elke AI-toepassing de vragen: op welke data is het getraind, voor wie werkt het slechter, en wie draagt de gevolgen?

Deze risico’s maken AI een ethisch onderwerp, met een directe brug naar keuze Q (maatschappelijke invloed). Naast bias spelen verklaarbaarheid (kun je uitleggen waarom het model besliste? — cruciaal bij een medische of juridische beslissing), verantwoordelijkheid (wie is aansprakelijk als een zelfrijdende auto een fout maakt?), privacy (AI vraagt veel persoonlijke data) en het risico van misbruik (deepfakes, desinformatie). De informaticus die AI inzet, moet niet alleen ‘werkt het?’ vragen maar ook ‘is het eerlijk, controleerbaar en veilig?’ — precies de verantwoorde beroepshouding uit domein A. Kritisch en eerlijk oordelen over wat AI wél en niet aankan, is de kern van dit keuzethema.

Uitgewerkt voorbeeld

Nauwkeurigheid uit een confusion matrix

Bereken uit de confusion matrix van Afb. 1 (40 / 10 / 5 / 45) de nauwkeurigheid van de test.

Tel de correcte gevallen
Op de diagonaal: 40 terecht ziek + 45 terecht gezond = 85.
Tel het totaal
40 + 10 + 5 + 45 = 100 gevallen.
Deel
Nauwkeurigheid = 85 / 100.
$\text{nauwkeurigheid} = \frac{40+45}{100} = 0{,}85 = 85\%$

Resultaat: De nauwkeurigheid is 85%. De 10 fout-negatieven (gemiste zieken) zijn bij een ernstige ziekte het gevaarlijkst, want die patiënten krijgen ten onrechte geen behandeling.

Veelgemaakte fouten

Een model met hoge nauwkeurigheid automatisch goed noemen; bij sterk ongelijke klassen (weinig zieken) kan een model dat de zeldzame gevallen volledig mist toch hoog scoren.
Bias als een programmeerfout zien; vertekening zit meestal in de trainingsdata en wordt door het model overgenomen, ook zonder fout in de code.

Actieve herhaling

Uit de confusion matrix in Afb. 1: bereken de nauwkeurigheid van de test. Leg uit welke fout (fout-positief of fout-negatief) bij een ernstige ziekte het gevaarlijkst is en waarom.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze I (toepassingen en ethiek van AI) (CvTE / Examenblad)

Referenties en bronnen

Bronnen

CvTE / Examenblad

Examenprogramma informatica vwo — keuze I (kunstmatige intelligentie)

Keuze I: Cognitive computing

Kernpunten

Regels of leren?

Kernpunten

Voorspellen met een geleerd model

Kernpunten

De gewogen som van een neuron

Kernpunten

Nauwkeurigheid uit een confusion matrix

Bronnen

Keuze I: Cognitive computing

Kernpunten

Regels of leren?

Kernpunten

Voorspellen met een geleerd model

Kernpunten

De gewogen som van een neuron

Kernpunten

Nauwkeurigheid uit een confusion matrix

Bronnen