Bayesian Networks

Wat zijn Bayesian networks?

Een Bayesian network (Bayesiaans netwerk) is een grafisch model dat laat zien hoe verschillende factoren elkaar beïnvloeden en met welke waarschijnlijkheid. Het bestaat uit knooppunten (de factoren, zoals “machine oververhit” of “klant zegt op”) en pijlen die de afhankelijkheden aangeven. Het model combineert grafentheorie met Bayesiaanse kansrekening en is daarmee goed in redeneren onder onzekerheid.

Hoe werkt het?

Elke pijl in het netwerk zegt: deze factor beïnvloedt die andere. Bij elk knooppunt hoort een kansentabel die vastlegt hoe groot de kans op een uitkomst is, gegeven de toestand van de factoren die erop wijzen. Komt er nieuwe informatie binnen (een sensor geeft een hoge temperatuur door), dan rekent het netwerk de kansen voor alle verbonden factoren opnieuw uit. Zo kun je vragen beantwoorden als: gegeven deze symptomen, hoe groot is de kans op die storing? Anders dan veel moderne AI is de redenering volledig na te volgen: je ziet precies welke factoren de uitkomst bepalen.

Wat heb je eraan als bedrijf?

Bayesian networks worden gebruikt in risicoanalyse, medische diagnostiek, fraudedetectie en voorspellend onderhoud. Ze zijn vooral interessant wanneer je weinig data hebt maar wel expertkennis, en wanneer uitlegbaarheid telt, bijvoorbeeld omdat een toezichthouder of de EU AI Act vraagt waarom een systeem tot een besluit kwam. Voor de meeste MKB-bedrijven blijft het achtergrondkennis: je komt het tegen in gespecialiseerde software, niet als doe-het-zelftool.

Gerelateerde begrippen

Bayesian networks zijn een klassieke vorm van machine learning en een schoolvoorbeeld van explainable AI. Verwante grafische benaderingen zijn decision trees en graph neural networks.