We gebruiken kunstmatige intelligentie steeds vaker, maar wat gebeurt er eigenlijk onder de motorkap? Hoe kan een computer leren om patronen in beelden te herkennen en uiteindelijk zelf een voorspelling te doen? Op zaterdag 10 oktober neemt AI-onderzoeker Filip Slijkhuis je tijdens de bijeenkomst van de werkgroep AI-gebruik stap voor stap mee in de fascinerende wereld van neurale netwerken. En daarvoor hoef je beslist geen wiskundige te zijn.
Van één neuron naar een compleet netwerk
Bij traditionele software vertelt een programmeur de computer via regels wat hij moet doen. Bij een neuraal netwerk werkt dat anders. Het systeem krijgt voorbeelden voorgeschoteld en probeert daaruit zelf patronen te leren. Maar wat betekent ‘leren’ in dit geval precies?
Filip Slijkhuis begint zijn uitleg bij de basis: één kunstmatig neuron. Vervolgens bouwt hij dat stap voor stap uit tot een neuraal netwerk met meerdere lagen. Met duidelijke beelden en de vergelijking met een team van waarnemers laat hij zien hoe informatie door zo'n netwerk stroomt. Signalen krijgen verschillende gewichten, worden gecombineerd en leiden uiteindelijk tot een voorspelling.
Daarna begint het echte leren. Het netwerk vergelijkt zijn voorspelling met het juiste antwoord, bepaalt hoe groot de fout is en past vervolgens zijn instellingen aan. Door dat proces telkens opnieuw uit te voeren, kan het netwerk steeds beter worden.
Backpropagation zonder ingewikkelde formules
Wie zich al eens in AI heeft verdiept, is ongetwijfeld termen als backpropagation en gradient descent tegengekomen. Ze klinken behoorlijk technisch, maar tijdens deze lezing krijgen ze een begrijpelijke en concrete betekenis. Filip legt de principes uit zonder wiskundige formules. De presentatie is daardoor geschikt voor HCC-leden met uiteenlopende ICT-kennis. Je hoeft dus geen programmeur, datawetenschapper of AI-specialist te zijn om de uitleg te kunnen volgen.
Ook wordt duidelijk waarom goede trainingsdata zo belangrijk zijn. Een neuraal netwerk kan namelijk niet alleen nuttige patronen leren, maar ook verkeerde verbanden ontdekken. Dat kan vervolgens tot onverwachte of foutieve resultaten leiden.
Van theorie naar koeien in de praktijk
Een neuraal netwerk wordt pas echt interessant wanneer je ziet wat je ermee kunt doen. Daarom gebruikt Filip een vereenvoudigde praktijkcasus rond het herkennen van kreupelheid bij koeien. Dat voorbeeld is gebaseerd op zijn eigen werk met computer vision: AI-technologie waarmee computers informatie uit beelden halen en interpreteren. Bedrijfsspecifieke technieken blijven buiten beschouwing; het gaat vooral om het begrijpelijk maken van de achterliggende principes.
Filip weet waarover hij praat. Hij behaalde masters in Artificial Intelligence en Computing Science aan de Radboud Universiteit in Nijmegen en werkt als AI-onderzoeker op het gebied van computer vision. De presentatie duurt ongeveer een uur. Daarna is er uitgebreid gelegenheid om vragen te stellen.
Zelf aan de slag met lokale AI
Na de lezing gaat de werkgroep verder met het onderwerp van de vorige bijeenkomst: LM Studio Bionic. Daarbij draait het om lokaal werken met taalmodellen en het bouwen van AI-agents. De werkgroep AI-gebruik is er juist voor HCC-leden die niet alleen over AI willen lezen, maar ook kennis en ervaringen willen uitwisselen en zelf dingen willen uitproberen. Tijdens de maandelijkse bijeenkomsten is er ruimte om samen onderwerpen verder uit te diepen of in kleine groepjes daadwerkelijk iets te bouwen, bijvoorbeeld een eigen AI-agent.
Kom ook naar Hooglanderveen
Zaterdag 10 oktober 2026
11.00 tot 15.30 uur
De Dissel, Disselplein 6, Hooglanderveen
Ben je nieuwsgierig naar AI en wil je eindelijk eens begrijpen wat er werkelijk gebeurt wanneer een neuraal netwerk ‘leert’? Dan is dit een mooie gelegenheid om in begrijpelijke taal kennis te maken met de techniek achter veel moderne AI-toepassingen.
Kom langs, stel je vragen en ontdek hoe een verzameling kunstmatige neuronen uiteindelijk kan leren om zelf patronen te herkennen.
