Data — de brandstof van AI: waarom data allesbepalend is

In de les over hoe een netwerk leert, kwam het principe „garbage in, garbage out” terloops voorbij. Tijd om het serieus te nemen: data is geen achtergrond, het is de brandstof waarop elke AI draait. Verander de brandstof en alles verandert.

Waarom de data beslist, niet het algoritme

Intuïtie zegt dat een sterke AI een briljant algoritme betekent. In werkelijkheid zijn trainingsalgoritmes al jaren gepubliceerd en voor iedereen beschikbaar — studenten bestuderen ze. Wat een middelmatig model van een geweldig model scheidt, is vaker de data: hoeveel, hoe schoon, hoe gevarieerd. Herinner je uit les één waarom de doorbraak in 2012 kwam: de neurale-netwerkalgoritmes waren al sinds de jaren tachtig bekend, maar ze kwamen pas tot leven toen het internet miljarden voorbeelden had verzameld. Het algoritme wachtte niet op data — de data wekte het algoritme.

Vandaar de industrieregel: investeren in de data loont meestal meer dan nog een aanpassing aan het model. Bedrijven met unieke data (zoekmachines, sociale netwerken, banken) zijn juist daardoor sterk — data is moeilijker te kopiëren dan code.

Twee soorten data: gestructureerd en ongestructureerd

Gestructureerde data is netjes ingedeeld in tabellen: rijen, kolommen, getallen, categorieën. Klantleeftijd, aankoopbedrag, datum — alles op zijn plek.

Ongestructureerde data is al het andere: de tekst van e-mails, foto's, audio, video, posts. Geen rijen, geen kolommen — gewoon een stroom. Volgens verschillende schattingen is het grootste deel van de wereldwijde data ongestructureerd, en decennialang konden bedrijven er nauwelijks iets mee. De doorbraak van neurale netwerken is precies dit: voor het eerst is er een tool die betekenis haalt uit die oceaan. Het LLM uit de vorige module is een machine om ongestructureerde tekst te verwerken.

Waar data vandaan komt

• Labelling. Mensen voegen handmatig de „antwoorden” toe: voetgangers omkaderen in beelden voor een zelfrijdende auto, e-mails markeren als spam / geen spam. De beroemde ImageNet dataset uit les één — ongeveer 14 miljoen afbeeldingen, handmatig gelabeld door een leger mensen; dat is waarop AlexNet won. Labelling is duur, traag en onvervangbaar werk.
• Gedrag observeren. Elke klik, elke like, elke video die je tot het einde bekijkt, is gratis labelling. Zonder het te merken, train jij de aanbevelingssystemen: tot het einde bekeken — „goed voorbeeld”; voorbij gescrold — „slecht voorbeeld”.
• Kant-en-klare datasets. Verzameld, opgeschoonde sets die veel mensen hergebruiken: de tekst van boeken, encyclopedieën, open fotocollecties. Snel — maar iedereen heeft dezelfde, dus ze geven geen uniek voordeel.

Jij geeft de input en de output — het netwerk bouwt de rest zelf

Een belangrijk detail dat verklaart waarom labelling „input → antwoord” voldoende is. Je beschrijft de AI nooit hoe een kat of een gezicht eruitziet. Je geeft alleen input A (een foto) en output B („kat / geen kat”) — en het netwerk assembleert de tussenliggende kenmerken zelf, laag voor laag, als legosteentjes. Bij gezichtsherkenning zie je het duidelijk: de eerste lagen vinden eenvoudige randen en vlekken, de volgende bouwen daaruit onderdelen (een oog, een neus, een omtrek), de bovenste bouwen hele gezichten.

Niemand programmeerde „een oog” handmatig — het netwerk ontwikkelde het concept zelf, puur zodat de antwoorden correct zouden zijn. Daarom won deze aanpak (herinner je de les over wat AI is): de kenmerken die een persoon niet in woorden kon vatten, leidt de machine af uit voorbeelden.

„Garbage in, garbage out”

Nu kan het principe uit de trainingsles op volle sterkte worden gehoord. Een model is niet slimmer dan zijn data: het leert wat je het hebt laten zien, inclusief fouten, hiaten en vertekeningen.

Een echt geval: in 2016 lanceerde Microsoft een chatbot op Twitter genaamd Tay, bedoeld om natuurlijke conversatie direct te leren van wat gebruikers tegen haar zeiden. Binnen een dag begroeven trolls haar onder beledigende en racistische berichten — en Tay, gehoorzaam lerend van die „brandstof”, begon dezelfde smerigheid te herhalen. Zestien uur later trok Microsoft de stekker eruit. Het algoritme werkte precies zoals ontworpen — het waren de data die erin werden gegoten die vergiftigd waren.

Drie misvattingen over data

• „Meer data is altijd beter.” Nee: een miljoen waardeloze voorbeelden zijn erger dan duizend schone. Volume zonder kwaliteit versterkt alleen de fout.
• „Data is objectief, het zijn cijfers.” Data is een afdruk van de werkelijkheid, vastgelegd door mensen, met hun keuzes en hun blinde vlekken. Een cijfer is geen garantie voor de waarheid: herinner je de kennisafkap en de verouderde prijzen uit de trainingsles.
• „We hebben niet veel data — AI is niets voor ons.” Een beetje is vaak genoeg, als het schoon en relevant is; en je kunt altijd een kant-en-klaar model nemen en de training een beetje aanvullen (dat was aan het einde van de trainingsles).

Doe dit nu

Een oefening van vijf minuten, geen tools — alleen je hoofd. Kies een AI-dienst die je kent (een aanbevelingsfeed, een spamfilter, een stemassistent) en beantwoord drie vragen op papier: (1) op welke data is het waarschijnlijk getraind? (2) waar kwam die data vandaan — labelling, gedrag observeren, of een kant-en-klare dataset? (3) welke vertekening zou erin geslopen kunnen zijn? De gewoonte om de data achter het resultaat te zien, scheidt een professional van een consument. In de volgende les kijken we naar wat AI, met zulke data, echt kan — en wat daarbuiten valt.