AI is de overkoepelende term voor alle technologie die menselijk denkwerk nabootst; machine learning is één techniek daarbinnen, waarbij een systeem zelf leert van voorbeelden in plaats van geprogrammeerde regels te volgen. Alle machine learning is dus AI, maar niet alle AI is machine learning. In de praktijk draait vrijwel alle moderne AI, inclusief ChatGPT en Copilot, op machine learning.
De verhouding in één beeld
Zie het als matroesjka-poppen. De buitenste pop is AI: elk systeem dat iets doet wat intelligentie vraagt, van een simpele regelgebaseerde chatbot tot een zelfrijdende auto. Daarbinnen zit machine learning: systemen die hun gedrag leren uit data. En daar weer binnen zit deep learning: machine learning met grote neurale netwerken, de techniek achter de huidige generatie taalmodellen.
| Term | Wat het is | Voorbeeld |
|---|---|---|
| AI | Verzamelterm: machines die taken doen waar denkwerk voor nodig is | Een planningssysteem, een schaakcomputer, een spamfilter |
| Machine learning | Subset van AI: het systeem leert patronen uit voorbeelden | Een model dat wanbetalers voorspelt uit factuurhistorie |
| Deep learning | Subset van ML: leren met grote neurale netwerken | ChatGPT, beeldherkenning, spraakherkenning |
Het praktische verschil: regels versus voorbeelden
Klassieke AI werkt met regels die een mens bedenkt: “als de aanvraag boven €10.000 is én de klant is korter dan een jaar klant, dan handmatig beoordelen.” Dat werkt prima zolang de wereld zich aan de regels houdt.
Machine learning draait het om. Je geeft het systeem duizenden voorbeelden, bijvoorbeeld facturen mét en zonder betalingsproblemen, en het ontdekt zelf welke kenmerken voorspellend zijn. Daardoor kan het omgaan met situaties die niemand vooraf in een regel heeft gevangen. De prijs: je hebt voldoende goede data nodig, en het systeem kan minder goed uitleggen waarom het iets besluit.
Waarom dit onderscheid ertoe doet voor je bedrijf
Drie redenen waarom je het verschil wilt kennen, ook als niet-techneut:
- Je prikt door verkooppraatjes heen. “Powered by AI” kan alles betekenen, van een paar als-dan-regels tot een serieus getraind model. Vraag een leverancier waar het systeem van leert en wat er gebeurt bij afwijkende gevallen.
- Je weet wat een project nodig heeft. Een regelgebaseerde oplossing vraagt vooral procesinzicht. Een machine learning-oplossing vraagt data: voldoende, schoon en representatief. Geen data, geen ML.
- Je begrijpt de risico’s. Een ML-model is zo goed als zijn trainingsdata. Zitten daar fouten of scheve verhoudingen in, dan leert het model die mee. Daarom eist de EU AI Act dat mensen die met AI werken snappen hoe het tot stand komt.
En waar past ChatGPT in dit plaatje?
Tools zoals ChatGPT, Copilot en Gemini zijn grote taalmodellen: deep learning-systemen die getraind zijn op enorme hoeveelheden tekst. Ze vallen dus in de binnenste pop, en zijn tegelijk de reden dat “AI” sinds 2023 ineens overal is. Voor het dagelijks gebruik maakt de techniek weinig uit, voor je verwachtingen wel: een taalmodel voorspelt aannemelijke tekst, het raadpleegt geen feitendatabase. Vandaar dat het overtuigend kan formuleren én af en toe iets verzint. Controleren blijft mensenwerk.
Onthoud de vuistregel: AI is het doel, machine learning is de methode, data is de brandstof.
Conclusie
Machine learning is geen concurrent of alternatief van AI, het is de motor onder vrijwel alle AI die je vandaag gebruikt. Het verschil kennen helpt je betere vragen te stellen aan leveranciers, realistischer in te schatten wat een AI-project nodig heeft en de output van tools zoals ChatGPT op waarde te schatten. Meer techniek hoef je er als ondernemer niet voor te beheersen.
Hoe een traject daarna verloopt staat op de pagina over AI-implementatie.
Je hele organisatie AI-geletterd?
Bij elke incompany training krijgt iedereen in je organisatie toegang tot de e-learning AI Geletterdheid. In 90 tot 120 minuten leert elke medewerker wat AI is, wat je ermee kunt en hoe je er veilig mee werkt. Per rol en sector, met certificaat, zoals de EU AI Act vraagt.
Bekijk de trainingen →