Artificial Intelligence

Artificial Intelligence ontwikkelt zich razendsnel en beïnvloedt vrijwel alle domeinen: strategie, bestuur, beleid, technologie, recht en organisatieontwikkeling. Tegelijkertijd wordt het debat over AI vaak vertroebeld door modewoorden, marketingtaal en onduidelijke begripsvorming.

Onderstaand daarom een begrippenlijst van op dit moment dominante begrippen. De geselecteerde begrippen vormen de minimale gezamenlijke taal die nodig is om AI verantwoord te begrijpen, toe te passen en te besturen. 

Zoekt u verdieping op dit onderwerp? Bekijk ons opleidingsaanbod!

Utrecht Business School is de business school voor management executives en business leaders in Nederland. Wij leiden onze deelnemers op tot zwaardere professionals en bereiden ze, middels post-initieel onderwijs en certificering, voor op een volgende carrièrestap. Lees meer →

I. Fundamenten van AI

1. Artificial Intelligence (AI) – Systemen die taken uitvoeren die normaal menselijke intelligentie vereisen.
2. Machine Learning (ML) – AI waarbij systemen leren van data zonder expliciete regels.
3. Deep Learning (DL) – ML met diepe neurale netwerken die complexe patronen leren.
4. Neuraal netwerk – Model opgebouwd uit lagen met met elkaar verbonden neuronen.
5. Parameters / weights – Interne waarden die het gedrag van een model bepalen.
6. Features – Invoervariabelen waarop het model leert.
7. Labels / targets – Gewenste uitkomst die het model moet voorspellen.
8. Training data – Data waarmee het model wordt getraind.
9. Validatie data – Data om modelinstellingen te optimaliseren.
10. Test data – Onafhankelijke data om prestaties te beoordelen.
11. Generalization – Vermogen van een model om goed te presteren op nieuwe data.
12. Overfitting – Model leert ruis in plaats van onderliggende patronen.
13. Underfitting – Model is te simpel om het probleem te leren.
14. Bias-variance trade-off – Afweging tussen stabiliteit en flexibiliteit van het model.
15. Loss function – Functie die meet hoe fout een voorspelling is.
16. Optimizer – Algoritme dat parameters aanpast om de fout te verkleinen.
17. Learning rate – Snelheid waarmee parameters worden aangepast.
18. Backpropagation – Methode om fouten door het netwerk terug te rekenen.
19. Epoch – Een volledige trainingsronde over de dataset.
20. Batch / minibatch – Deel van data dat tegelijk wordt verwerkt.

II. Leervormen

1. Supervised learning – Leren met gelabelde voorbeelden.
2. Unsupervised learning – Leren zonder vooraf bekende labels.
3. Self-supervised learning – Leren door labels uit data zelf te genereren.
4. Semi-supervised learning – Combinatie van weinig gelabelde en veel ongelabelde data.
5. Reinforcement Learning – Leren via beloningen en straffen.
6. Reward function – Definitie van gewenst gedrag voor een agent.
7. Policy – Strategie die bepaalt welke actie wordt genomen.
8. Environment – De omgeving waarin de agent opereert.
9. Exploration vs exploitation – Afweging tussen verkennen en benutten.
10. Transfer learning – Hergebruik van kennis uit een eerder getraind model.
11. Fine-tuning – Doortrainen van een bestaand model op specifieke data.
12. Few-shot learning – Leren met zeer weinig voorbeelden.
13. Zero-shot learning – Presteren zonder taak-specifieke voorbeelden.

III. Klassieke ML-modellen

1. Lineaire regressie – Voorspelt continue waarden via lineaire relaties.
2. Logistische regressie – Classificeert op basis van waarschijnlijkheden.
3. Decision tree – Model met beslissingsregels in boomstructuur.
4. Random forest – Ensemble van beslisbomen voor robuustheid.
5. Gradient boosting – Modellen die sequentieel fouten corrigeren.
6. Support Vector Machine – Classificeert via maximale scheidingsmarges.
7. k-Nearest Neighbors – Voorspelt op basis van nabije voorbeelden.
8. Naive Bayes – Probabilistisch model met onafhankelijkheidsaanname.
9. Principal Component Analysis – Dimensiereductie met behoud van variantie.
10. Clustering – Groeperen van data zonder labels.
11. k-means – Clustering op basis van afstand tot centroiden.
12. DBSCAN – Clustering op basis van dichtheid.

IV. Deep-learning architecturen

1. Convolutional Neural Network – Neuraal netwerk voor beeldverwerking.
2. Recurrent Neural Network – Netwerk voor sequentiele data.
3. LSTM – RNN met expliciet geheugenmechanisme.
4. GRU – Vereenvoudigde variant van LSTM.
5. Transformer – Architectuur gebaseerd op attention.
6. Attention mechanism – Weegt het belang van inputelementen.
7. Self-attention – Tokens letten op elkaar binnen dezelfde sequentie.
8. Encoder-decoder – Structuur voor input naar output transformatie.
9. Autoregressief model – Genereert output stap voor stap.
10. Diffusion model – Genereert data door ruis geleidelijk te verwijderen.
11. Generative Adversarial Network – Generator en discriminator trainen elkaar.
12. Autoencoder – Comprimeert en reconstrueert data.
13. Variational Autoencoder – Probabilistische autoencoder.

V. Large Language Models

1. Large Language Model – Groot taalmodel getraind op tekst.
2. Token – Kleinste teksteenheid voor het model.
3. Tokenization – Omzetten van tekst naar tokens.
4. Context window – Maximaal aantal tokens dat het model kan verwerken.
5. Prompt – Instructie of vraag aan het model.
6. Prompt engineering – Ontwerpen van effectieve prompts.
7. System prompt – Overkoepelende gedragsinstructies voor het model.
8. Few-shot prompting – Prompten met voorbeelden.
9. Chain-of-thought – Redeneringsstappen richting een antwoord.
10. Tool use / function calling – Model roept externe functies aan.
11. Hallucination – Overtuigende maar onjuiste output.
12. Grounding – Verankeren van output in betrouwbare bronnen.
13. Instruction tuning – Trainen op instructie-antwoord paren.
14. Reinforcement Learning from Human Feedback – Afstemming via menselijke voorkeuren.
15. Alignment – Overeenstemming met menselijke waarden en doelen.
16. Temperature – Mate van willekeur in output.
17. Top-k sampling – Keuze uit de k meest waarschijnlijke tokens.
18. Top-p sampling – Keuze uit tokens tot een waarschijnlijkheidsdrempel.

VI. Retrieval en RAG

1. Embeddings – Vectorrepresentaties van betekenis.
2. Vector representation – Numerieke weergave van data.
3. Vector database – Opslag en zoekmachine voor embeddings.
4. Semantic search – Zoeken op betekenis in plaats van trefwoorden.
5. Retrieval-Augmented Generation – Generatie met externe kennisbronnen.
6. Chunking – Opsplitsen van documenten in delen.
7. Chunk overlap – Overlap tussen chunks voor contextbehoud.
8. Re-ranking – Hersorteren van zoekresultaten op relevantie.
9. Hybrid search – Combinatie van keyword en semantisch zoeken.
10. Knowledge base – Gecureerde kennisbron.
11. Source-of-truth – Leidende en gezaghebbende databron.

VII. Multimodaal

1. Multimodal model – Verwerkt meerdere datatypen tegelijk.
2. Computer vision – AI voor beeldinterpretatie.
3. Object detection – Herkennen en lokaliseren van objecten.
4. Image segmentation – Indelen van beelden per pixel.
5. Optical Character Recognition – Tekst herkennen in afbeeldingen.
6. Text-to-image – Beelden genereren uit tekst.
7. Text-to-video – Video genereren uit tekst.
8. Audio transcription – Spraak omzetten naar tekst.
9. Speech-to-text – Gesproken taal herkennen.
10. Text-to-speech – Tekst omzetten naar spraak.

VIII. Evaluatie en kwaliteit

1. Accuracy – Percentage correcte voorspellingen.
2. Precision – Juistheid van positieve voorspellingen.
3. Recall – Mate waarin alle relevante gevallen worden gevonden.
4. F1-score – Balans tussen precision en recall.
5. Confusion matrix – Overzicht van voorspelfouten.
6. ROC-AUC – Scheidingsvermogen van een classifier.
7. Log loss – Straf voor foutieve waarschijnlijkheden.
8. Calibration – Overeenstemming tussen kans en werkelijkheid.
9. Cross-validation – Meervoudige train-test splits.
10. Data leakage – Onbedoeld gebruik van testinformatie.
11. Concept drift – Verandering in relatie tussen input en output.
12. Data drift – Verandering in inputverdeling.

IX. MLOps en productie

1. MLOps – Beheer van ML-modellen in productie.
2. Pipeline – Geautomatiseerde ML-workflow.
3. Feature store – Centrale opslag van features.
4. Model registry – Versiebeheer van modellen.
5. Inference – Voorspelling maken met een getraind model.
6. Batch inference – Voorspellen in grote hoeveelheden.
7. Online inference – Realtime voorspellingen.
8. Latency – Reactietijd van het systeem.
9. Throughput – Aantal verzoeken per tijdseenheid.
10. Monitoring – Bewaken van prestaties en gedrag.
11. Observability – Inzicht in interne systeemtoestand.
12. Canary release – Gefaseerde uitrol van een nieuw model.
13. Rollback – Teruggaan naar een vorige versie.

X. Veiligheid en ethiek

1. Algorithmic bias – Systematische vertekening in output.
2. Fairness – Gelijke behandeling van groepen.
3. Explainable AI – Uitlegbaar maken van beslissingen.
4. Interpretability – Inherente begrijpelijkheid van het model.
5. SHAP – Methode om bijdrage van features te verklaren.
6. Adversarial attacks – Misleiding via gemanipuleerde input.
7. Prompt injection – Kwaadaardige instructies in input.
8. Jailbreak – Omzeilen van veiligheidsbeperkingen.
9. Data poisoning – Manipulatie van trainingsdata.
10. Robustness – Weerstand tegen fouten en aanvallen.
11. Human-in-the-loop – Mens blijft beslissend betrokken.

XI. Governance en recht

1. Data governance – Beleid voor datagebruik en -beheer.
2. Privacy by design – Privacy geïntegreerd vanaf het ontwerp.
3. Personally Identifiable Information – Gegevens die personen identificeren.
4. Anonymization – Onomkeerbaar verwijderen van identiteit.
5. Differential privacy – Wiskundige privacygarantie.
6. Audit trail – Traceerbare log van beslissingen.
7. Accountability – Duidelijke verantwoordelijkheid.
8. Transparency – Inzichtelijkheid van AI-gebruik.
9. EU AI Act – Europees regelgevingskader voor AI.

XII. Organisatie en strategie

1. Use-case discovery – Identificeren van waardevolle AI-toepassingen.
2. Value hypothesis – Verwachte businesswaarde van een AI-toepassing.
3. Pilot – Beperkte testimplementatie.
4. Scaling – Opschalen naar organisatiebreed gebruik.
5. Change management – Begeleiden van adoptie en gedragsverandering.
6. AI literacy – Basisbegrip van AI binnen de organisatie.
7. AI policy – Interne regels voor AI-gebruik.
8. Return on Investment – Rendement van AI-investeringen.

Winstgevendheid verhogen en uw bedrijf in waarde laten toenemen?

UBS Business Value Creation Services ondersteunt organisaties bij het verhogen van winst- en bedrijfswaarde. Ons team focust zich hierbij op domeinen die de grootste impact hebben op het bedrijfsresultaat. Lees meer →