Soorten AI uitgelegd

Wat is machine learning?

Wat is machine learning? Uitleg in gewone taal: het verschil met AI en deep learning, voorbeelden en wanneer het voor je bedrijf loont.

Door Ruben de SmitLaatst bijgewerkt 19 november 20266 min lezen
Oude facturen leveren een patroon op in een paneel, waarna een medewerker de inschatting bij een nieuwe factuur beoordeelt

Een leverancier vertelt dat zijn software op machine learning draait, of je hoort dat een concurrent er zijn voorraad mee voorspelt. Ik zou er pas over nadenken als je veel eigen gegevens hebt en een terugkerende beslissing die je er beter mee neemt. Hier lees je wat machine learning is, hoe het zich verhoudt tot AI en deep learning, en wanneer het voor jouw bedrijf loont.

In het kort

  • Machine learning is software die patronen leert uit voorbeelden, in plaats van regels te volgen die iemand heeft opgeschreven. Het is een onderdeel van AI.
  • ChatGPT en een spamfilter zijn allebei machine learning. Voor je bedrijf telt wat het doet: iets herkennen, voorspellen of maken.
  • Een eigen model dat iets voorspelt, loont pas bij veel eigen gegevens en een terugkerende beslissing. Begin met de software die je al hebt.

Wat is machine learning precies?

Machine learning, in het Nederlands machinaal leren, is software die zelf patronen vindt in voorbeelden. Gewone software volgt regels die een programmeur heeft opgeschreven. Bij machine learning krijgt de software veel voorbeelden en leert ze zelf welke kenmerken ergens bij horen.

Gewone software volgt regels van een programmeur en geeft een vaste uitkomst. Machine learning leert zelf uit voorbeelden en geeft een inschatting.

Stel dat je wilt weten welke facturen te laat worden betaald. Je geeft de software de gegevens van duizenden oude facturen, met erbij of ze op tijd zijn betaald. Het resultaat heet een model: het programma dat daarna een nieuwe factuur kan beoordelen. Een model geeft een inschatting en geen zekerheid. Een model is zo goed als de voorbeelden waarmee het is getraind.

Wat is het verschil tussen AI, machine learning en deep learning?

AI (kunstmatige intelligentie) is de verzamelnaam voor software die taken doet waarvoor je normaal mensen nodig hebt. Machine learning is één manier om AI te maken: leren uit voorbeelden. Deep learning is een vorm van machine learning met neurale netwerken: modellen met veel lagen die ingewikkelde patronen herkennen in tekst, beeld en geluid.

BegripWat het isVoorbeeld
AISoftware die werk van mensen doetEen chatbot, een voorspelling
Machine learningAI die leert uit voorbeeldenEen spamfilter, een voorspelling van de vraag
Deep learningMachine learning met neurale netwerkenSpraak omzetten in tekst, foto’s herkennen
Generatieve AIDeep learning dat zelf tekst, beeld of code maaktChatGPT, Copilot en Claude

Een taalmodel, het programma dat tekst voorspelt en schrijft, is dus ook machine learning. Bij Wat is een LLM? lees je hoe zo’n model werkt. Automatisering met vaste regels, zoals RPA (software die de klikstappen van een medewerker nadoet), is geen machine learning. Het verschil staat bij RPA en AI.

Wij delen AI in vijf soorten in: chatbot, cowork, code, agent en automatisering. Machine learning is daar geen zesde soort bij, maar de techniek waarop veel van die AI draait. Meer lees je bij Soorten AI uitgelegd.

Wat zijn de drie soorten machine learning?

  • Leren met antwoorden (supervised learning). De software krijgt voorbeelden met de uitkomst erbij, zoals betaalde en te late facturen. Daarmee sorteer en voorspel je. Voor een mkb-bedrijf is dit de belangrijkste.
  • Leren zonder antwoorden (unsupervised learning). De software zoekt zelf groepen, bijvoorbeeld klanten die zich op dezelfde manier gedragen.
  • Leren door proberen (reinforcement learning). De software probeert iets uit en krijgt een beloning bij een goede uitkomst, zoals bij robots en spellen.

Waar levert AI in jouw bedrijf iets op?

Doe de gratis AI-scan. Zes vragen, de uitkomst krijg je per mail.

Wat zijn voorbeelden van machine learning in een bedrijf?

Machine learning doet drie soorten werk:

  1. Iets herkennen. Spraak omzetten in tekst, of fouten vinden op foto’s van producten in de productie.
  2. Iets voorspellen. De vraag, de voorraad, wanneer een machine uitvalt of welke klant afhaakt.
  3. Iets maken. Tekst, beeld of code, zoals een taalmodel doet.

Veel hiervan zit al in software die je gebruikt.

Hoe gangbaar machine learning als aparte techniek is, laten de CBS-cijfers zien. In 2025 gebruikte 4 procent van de bedrijven het, tegen 2 procent in 2023. Textmining (het analyseren van geschreven tekst) komt vaker voor met 12 procent, en het genereren van tekst met 8 procent. Het gaat om voorlopige cijfers (CBS, Bedrijven gebruiken AI vaakst voor marketing of verkoop).

Mijn lezing van de cijfers: bedrijven gebruiken vaker AI die tekst leest of schrijft dan machine learning als aparte techniek. Dat past bij mijn advies: begin niet met een eigen model.

Wanneer loont een eigen machine learning-model?

Een eigen model dat iets voorspelt, loont als drie dingen kloppen:

  1. Je hebt veel eigen gegevens. Een toets: kun je ze uit één systeem halen zonder ze eerst schoon te maken? Meer lees je bij AI readiness, over of je bedrijf klaar is voor AI.
  2. Er hangt een terugkerende beslissing aan. Wat je inkoopt, wanneer je onderhoud plant of welke klant je belt.
  3. Een betere voorspelling levert geld op. Je kunt uitrekenen wat een fout kost en wat een betere voorspelling scheelt.

Mist er één, dan zou ik het niet doen. Een model op rommelige gegevens voorspelt overtuigend fout, en dan beslis je slechter dan nu.

Zo zou ik het aanpakken:

  1. Gebruik eerst wat je al hebt. Kijk wat je software al kan voorspellen of herkennen. Vaak is een rapport of een formule in een spreadsheet genoeg.
  2. Begin met een kleine proef. Kloppen de drie dingen, laat dan eerst een klein model bouwen voor één beslissing. Vergelijk de uitkomst met hoe je het nu doet.

Een ontwikkelpartner bouwt het model en wij houden de regie. Wij zeggen het ook als het niet loont. Hoe wij implementatie aanpakken, lees je bij implementatie van AI.

Zo ga je verder

Veelgestelde vragen over machine learning

Wat is een voorbeeld van machine learning?

Een spamfilter. Het leert uit voorbeelden van gewone mail en spam welke nieuwe berichten spam zijn. Ook een voorspelling van welke factuur te laat wordt betaald is machine learning.

Is machine learning hetzelfde als AI?

Nee. AI is de verzamelnaam. Machine learning is een manier om AI te maken: leren uit voorbeelden. Automatisering met vaste regels, zoals RPA, is geen machine learning.

Wat is het verschil tussen machine learning en deep learning?

Deep learning is een vorm van machine learning met neurale netwerken: modellen met veel lagen. Het wordt gebruikt voor tekst, beeld en geluid. Het taalmodel achter ChatGPT is deep learning.

Is ChatGPT machine learning?

Ja. Het taalmodel achter ChatGPT is met machine learning getraind op heel veel tekst. Het is generatieve AI, omdat het zelf tekst maakt. Bij Wat is een LLM? lees je meer over dat taalmodel.

Heeft mijn bedrijf machine learning nodig?

Niet per se. Veel machine learning zit al in software die je gebruikt. Een eigen model loont pas bij veel eigen gegevens en een terugkerende beslissing die je er beter mee neemt.

Over de auteur Ruben de Smit AI-adviseur bij Artifation

Ruben de Smit is AI-adviseur bij Artifation. Hij helpt mkb-bedrijven in de regio Hardenberg en Zwolle uitzoeken in welke processen AI iets oplevert, welke tools daarbij passen en hoe hun team er het beste mee werkt.

Dit artikel hoort bijSoorten AI uitgelegd Alles over dit onderwerp

Lees ook

Verder lezen
over dit onderwerp