AI heeft zelden perfecte informatie. Meestal maakt het weloverwogen gokjes op basis van onvolledige data en onzekere situaties. Dit is waar kansrekening essentieel wordt—het is de manier van AI om te zeggen: "Ik ben niet helemaal zeker, maar dit is hoe zeker ik ben van mijn voorspelling."
Denk er eens over na: als je weerapp zegt dat er 70% kans op regen is, neem je dan een paraplu mee? Als je e-mailfilter denkt dat een bericht 90% spam is, moet het dan naar je ongewenste map? AI gebruikt kansrekening om dit soort beslissingen onder onzekerheid te nemen.
Kansrekening is in feite de vertrouwensmeter van AI, waarmee het onzekerheid kwantificeert en de best mogelijke beslissingen neemt met onvolledige informatie.
Wat Is Kansrekening?
Kansrekening meet hoe waarschijnlijk het is dat iets gebeurt, uitgedrukt als een getal tussen 0 en 1 (of 0% en 100%). Het wordt berekend door te kijken hoe vaak iets gebeurt vergeleken met alle mogelijke uitkomsten.
De schaal van kansen:
- betekent onmogelijk (0% kans)
- betekent gelijke kansen (50% kans, zoals bij het gooien van een munt)
- betekent zeker (100% kans)
🎲 Dobbelsteen Gooien Voorbeeld: Wanneer je een standaard 6-zijdige dobbelsteen gooit, wat is de kans op een 3?
Dit klopt—er is 1 manier om een 3 te gooien uit 6 mogelijke uitkomsten. AI gebruikt dezelfde logica maar met veel complexere data.
Wanneer een AI-systeem voorspelt of je een film leuk zult vinden, berekent het in feite: "Van alle mensen met vergelijkbare voorkeuren als deze gebruiker, hoeveel vonden films met deze kenmerken leuk?". Het antwoord wordt een kansscore.
Leren Van Eerdere Gebeurtenissen
AI-systemen berekenen vaak kansen door historische data te analyseren om toekomstige gebeurtenissen te voorspellen. Hoe meer data ze hebben, hoe beter hun kansinschattingen worden.
🌦️ Weervoorspelling Voorbeeld: Stel dat je het weer een maand lang bijhoudt en het aantal regendagen telt. Aan het eind tellen we 10 dagen regen uit 30 dagen totaal, dit betekent dat de kans op regen op een willekeurige dag is:
Een AI-weersysteem werkt op een vergelijkbare manier maar gebruikt duizenden datapunten—temperatuur, luchtvochtigheid, windpatronen, historisch weer—om veel geavanceerdere kansschattingen te maken.
🩻 Medische Diagnose Voorbeeld: Een medische AI kan duizenden patiëntendossiers analyseren en ontdekken dat 85% van de patiënten met bepaalde symptomen een specifieke aandoening heeft. Wanneer een nieuwe patiënt deze symptomen vertoont, schat de AI een kans van 85% op die diagnose in—geen zekerheid, maar een sterke aanwijzing die verder onderzoek richting geeft.
Het belangrijkste inzicht is dat kansrekening AI helpt om historische patronen om te zetten in voorspellingen voor de toekomst, zelfs wanneer de toekomst onzeker is.
Essentiële Regels Van Kansrekening
Het begrijpen van een paar basisregels van kansrekening helpt verklaren hoe AI-systemen redeneren over onzekerheid.
Regel 1: Complementaire Gebeurtenissen
Als iets 33% kans heeft om te gebeuren, heeft het 67% kans om niet te gebeuren. De kansen van alle mogelijke uitkomsten moeten optellen tot 100%.
Regel 2: Onafhankelijke Versus Afhankelijke Gebeurtenissen
Onafhankelijke Gebeurtenissen: De ene uitkomst beïnvloedt de andere niet
- Munt Gooien: Kop krijgen bij de eerste worp verandert de kans voor de tweede worp niet.
- Elke worp heeft nog steeds 50% kans, ongeacht eerdere resultaten.
Afhankelijke Gebeurtenissen: De ene uitkomst beïnvloedt de andere wel
- Weer: Regen vandaag kan de kans op regen morgen vergroten.
- Winkelen: Het kopen van een laptop kan de kans vergroten dat iemand ook een laptoptas koopt.
AI-systemen moeten deze relaties begrijpen om nauwkeurige voorspellingen te doen. Een aanbevelingssysteem weet dat het kopen van een camera de kans vergroot dat je een geheugenkaart wilt (afhankelijke gebeurtenissen), maar je camerapurchase beïnvloedt niet of je van jazzmuziek houdt (onafhankelijke gebeurtenissen).
Overtuigingen Bijwerken Met Nieuwe Informatie
Een van de krachtigste mogelijkheden van AI is het bijwerken van voorspellingen wanneer nieuwe bewijzen beschikbaar komen. Dit proces wordt geformaliseerd door de stelling van Bayes, een wiskundige regel die AI-systemen precies vertelt hoe ze hun overtuigingen moeten bijwerken wanneer ze nieuwe informatie tegenkomen. Dit vormt de basis van hoe AI-systemen leren en hun nauwkeurigheid in de loop van de tijd verbeteren.
📧 E-mail Spamdetectie Voorbeeld: Stel dat een AI-spamfilter een nieuwe e-mail tegenkomt. Aanvankelijk schat het dat 10% van alle e-mails spam is. Maar dan analyseert het de inhoud van de e-mail:
- Initiële overtuiging: (10% van de e-mails is spam).
- Nieuw bewijs: E-mail bevat "Win een gratis iPhone!".
- Bijgewerkte overtuiging: (95% kans dat het spam is).
Het vreemde symbool dat hier wordt gebruikt betekent "gegeven", dus dit zegt: "De kans op spam gegeven de tekst 'Win een gratis iPhone!' is 0.95".
De AI heeft zijn vertrouwen bijgewerkt op basis van nieuwe informatie met behulp van de stelling van Bayes. Als dezelfde zin echter afkomstig zou zijn van een vertrouwde contactpersoon, zou de kans veel lager kunnen zijn omdat de AI de reputatie van de afzender als aanvullend bewijs meeneemt.
📉 Aandelenmarkt Voorbeeld: Een AI-handelssysteem kan de kans schatten dat een aandeel stijgt op basis van historische patronen. Maar wanneer er breaking news over het bedrijf verschijnt, werkt de AI zijn kansinschatting bij op basis van deze nieuwe informatie, wat mogelijk de handelsaanbeveling verandert.
Dit vermogen om overtuigingen bij te werken met nieuw bewijs via de stelling van Bayes maakt AI-systemen adaptief en steeds nauwkeuriger in de loop van de tijd. Veel AI-systemen, zoals spamfilters en medische diagnostische tools, vertrouwen sterk op Bayesiaanse redenering om nauwkeurigere voorspellingen te doen naarmate ze nieuwe data tegenkomen.
Kansrekening In Echte AI-Systemen
Laten we bekijken hoe deze kansconcepten werken in AI-toepassingen die je regelmatig gebruikt:
🤖 Stemassistenten: Wanneer je met Siri of Alexa spreekt, kiest de AI niet gewoon één interpretatie van je woorden. Het berekent kansen voor verschillende mogelijke betekenissen en kiest de meest waarschijnlijke. Als je iets onduidelijk zegt, kan het om verduidelijking vragen omdat geen enkele interpretatie een hoge genoeg kans heeft.
🔎 Zoekmachines: Google vindt niet alleen pagina’s die overeenkomen met je zoekwoorden—het berekent de kans dat elke pagina nuttig voor je zal zijn op basis van je zoektermen, locatie, zoekgeschiedenis en miljoenen andere factoren.
🚖 Autonome Voertuigen: Zelfrijdende auto’s berekenen voortdurend kansen: Wat is de kans dat een voetganger de straat op stapt? Wat is de kans dat de auto voor me plots remt? Deze kansberekeningen helpen de AI om in een fractie van een seconde beslissingen te nemen over snelheid, sturen en remmen.
Belangrijkste Inzichten
Kansrekening is de manier van AI om met een onzekere wereld om te gaan. In plaats van overdreven zelfverzekerde voorspellingen te doen, drukken AI-systemen hun onzekerheid uit via kansscores, waardoor ze betere beslissingen kunnen nemen wanneer informatie onvolledig is. Door te leren van historische data, relaties tussen gebeurtenissen te begrijpen en overtuigingen bij te werken met nieuw bewijs, kan AI effectief met onzekerheid omgaan. Of het nu gaat om het voorspellen van weer, het filteren van spam of het aanbevelen van content—kansrekening biedt de wiskundige basis die AI in staat stelt zowel zelfverzekerd als gepast voorzichtig te zijn in zijn besluitvorming.