Kwaliteit en betrouwbaarheid

Deze pagina is onderdeel van de AI-woordenlijst van De Wereld van AI, de centrale encyclopedie met alle AI-begrippen van A tot Z.

Niet elke AI geeft altijd het juiste antwoord. In deze hub staan alle kernbegrippen die uitleggen hoe betrouwbaar een AI systeem is, waar fouten vandaan komen en hoe prestaties worden gemeten en verbeterd.

Wat deze hub bundelt

De termen op deze pagina beschrijven hoe AI kan misleiden, vertekenen of fouten maken en hoe onderzoekers en ontwikkelaars proberen die risico’s te beperken. Ze laten zien waarom transparantie, metingen en controle zo belangrijk zijn bij het gebruik van AI.

Hieronder vallen onder andere

• Bias en Black Box als oorzaken van onbetrouwbare of ondoorzichtige beslissingen
• Explainable AI om modellen begrijpelijker te maken
• Overfitting en Underfitting als leerfouten
• Evaluatie en modelvalidatie om prestaties te meten

Alle begrippen in dit thema

• Bias (vooroordeel)
• Black Box
• Evaluatie van modellen
• Explainable AI (XAI)
• Modelvalidatie
• Overfitting
• Underfitting

Verder in de AI-woordenlijst

Deze hub is één thematische ingang tot de volledige AI-woordenlijst. Op de hoofdpagina staan alle begrippen alfabetisch gerangschikt, van AI-assistent tot Zero-shot learning.
Wie één specifiek begrip zoekt kan daar direct naar de A tot Z-index gaan, wie samenhang wil begrijpen gebruikt deze thematische hubs.

Volgende logische stap

Wie wil begrijpen welke rol mensen spelen bij het controleren van AI en het maken van verantwoorde keuzes, komt uit bij de hub Ethiek en mens.