Naslagwerk
AI-lexicon
Een alfabetische begrippenlijst van veelgebruikte AI-termen — handig als je net begint (zoals bij AI Essentials) of als je snel iets wilt opzoeken zonder een heel artikel te lezen.
A
AI-governance
Het geheel van beleid, processen en verantwoordelijkheden waarmee een organisatie zorgt dat AI-systemen verantwoord, veilig en aantoonbaar eerlijk worden ontwikkeld en ingezet.
AIMS (AI Management System)
Een AI-managementsysteem conform ISO/IEC 42001 — een organisatorisch raamwerk van beleid, processen en controles voor verantwoorde AI-inzet.
Algorithmic bias
Systematische, oneerlijke uitkomsten voor bepaalde groepen, meestal veroorzaakt door scheve trainingsdata of ontwerpkeuzes.
AI Act (EU AI-verordening)
De eerste brede, wettelijk bindende AI-wetgeving ter wereld (Verordening (EU) 2024/1689), met een risicogebaseerde aanpak.
B
Bias
Vooringenomenheid: een systematische afwijking in modeloutput die leidt tot oneerlijke of ongelijke uitkomsten voor specifieke groepen.
Bias-variance trade-off
De balans tussen een model dat te simpel is (hoge bias, underfitting) en een model dat te gevoelig is voor ruis in de trainingsdata (hoge variance, overfitting).
C
Confusion matrix
Een tabel die true positives, true negatives, false positives en false negatives naast elkaar toont — de basis voor metrics als precision, recall en accuracy.
Cross-validatie
Een techniek om modelprestaties robuuster te schatten door de data in meerdere delen (folds) te splitsen en steeds een ander deel als validatieset te gebruiken.
D
Data leakage
Wanneer informatie uit de test- of validatieset ongewild meesijpelt in de training, waardoor het model tijdens evaluatie beter lijkt te presteren dan het in productie zal doen.
Deep learning
Een subset van machine learning die gebruikmaakt van neurale netwerken met meerdere ("diepe") lagen — de techniek achter de meeste recente AI-doorbraken.
Deployer
In de EU AI-verordening: de partij die een AI-systeem inzet binnen een organisatie (in tegenstelling tot de provider, die het systeem ontwikkelt/levert).
Drift (model-/datadrift)
De geleidelijke verslechtering van modelprestaties doordat de statistische eigenschappen van productiedata in de tijd afwijken van de trainingsdata.
E
Explainability
Het vermogen om een specifieke AI-voorspelling achteraf te kunnen uitleggen — ook bij modellen die intern een "black box" zijn, bijvoorbeeld met technieken als SHAP of LIME.
F
F1-score
Het harmonisch gemiddelde van precision en recall — één getal dat beide balanceert bij de evaluatie van een classificatiemodel.
Feature engineering
Het transformeren en construeren van inputvariabelen om de prestaties van een machine learning-model te verbeteren.
Fine-tuning
Het verder trainen van een bestaand (vaak open source) model op specifieke, aanvullende data om het beter te laten presteren op een specifieke taak.
G
Generatieve AI
AI die op basis van geleerde patronen nieuwe content genereert, zoals tekst, beelden of code — in tegenstelling tot AI die alleen bestaande data classificeert of doorzoekt.
H
Hallucinatie
Wanneer een AI-model zelfverzonnen, feitelijk onjuiste informatie presenteert alsof die correct is — een bekend risico bij large language models.
Human-in-the-loop
Een ontwerpkeuze waarbij een mens de AI-uitkomst kan beoordelen, corrigeren of overrulen vóórdat deze effect heeft, met name bij hoog-risico beslissingen.
I
Interpretability
Hoe inzichtelijk de werking van een model zélf is — een lineair model is bijvoorbeeld intrinsiek interpretabel, in tegenstelling tot een complex neuraal netwerk.
L
LLM (large language model)
Een AI-model getraind op enorme hoeveelheden tekst, waardoor het samenhangende, contextbewuste taal kan genereren — de technologie achter ChatGPT, Claude, Gemini en vergelijkbare assistenten.
M
Machine learning (ML)
Een subset van AI waarbij het systeem patronen leert uit data, in plaats van dat elke regel expliciet wordt geprogrammeerd.
Model serving
Het beschikbaar maken van een getraind model als een aanroepbaar endpoint voor voorspellingen/inferentie in productie.
N
Narrow AI
AI die gespecialiseerd is in één specifieke taak, zonder algemeen begripsvermogen buiten dat domein — vrijwel alle bestaande AI is narrow AI.
Neuraal netwerk
Een deep learning-architectuur met lagen van onderling verbonden knooppunten, losjes geïnspireerd op hoe hersenen neuronen gebruiken.
O
Overfitting
Wanneer een model de trainingsdata — inclusief ruis — te specifiek heeft geleerd, waardoor het slecht presteert op nieuwe, ongeziene data.
P
Precision
Van alle gevallen die een model als "positief" bestempelde, welk deel daadwerkelijk positief was (TP / (TP + FP)).
Prompt engineering
Het doelgericht formuleren van instructies aan een AI-assistent om betere, relevantere output te krijgen.
Provider
In de EU AI-verordening: de partij die een AI-systeem ontwikkelt of levert (in tegenstelling tot de deployer, die het systeem inzet).
R
RAG (retrieval-augmented generation)
Een aanpak waarbij een LLM eerst relevante documenten opzoekt in een externe kennisbron en die als context gebruikt, om hallucinatie te beperken.
Recall
Van alle daadwerkelijk positieve gevallen, welk deel een model heeft gevonden (TP / (TP + FN)).
Reinforcement learning
Een vorm van machine learning waarbij een agent leert door interactie met een omgeving, gestuurd door beloning en straf.
S
Supervised learning
Een vorm van machine learning waarbij een model traint op gelabelde voorbeelden (input + bekende, juiste output).
T
Transformer
De architectuur achter vrijwel alle moderne large language models, gebaseerd op het "attention"-mechanisme dat relevante woorden in een tekst met elkaar verbindt.
U
Underfitting
Wanneer een model te simpel is om het onderliggende patroon in de data te leren, met matige prestaties op zowel trainings- als testdata tot gevolg.
Unsupervised learning
Een vorm van machine learning waarbij het model zelf structuur of patronen zoekt in ongelabelde data, bijvoorbeeld door clustering.
Liever de diepte in dan losse definities?
Bekijk de Kennisbank voor volledige artikelen over deze onderwerpen.