Een feedback-loop binnen kunstmatige intelligentie is een proces waarbij de uitvoer van een systeem terugvloeit naar het systeem zelf, waardoor het model leert van eerdere resultaten.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Hoe een feedback-loop werkt
Een feedback-loop bestaat uit een terugkerend proces. Eerst maakt het model een voorspelling. Vervolgens reageert een gebruiker of systeem op die voorspelling. Daarna gebruikt het model die reactie om zich aan te passen.
Bijvoorbeeld, een aanbevelingssysteem toont een video. Klik je erop of kijk je deze af, dan gebruikt het systeem dat gedrag als signaal. Op basis daarvan worden volgende aanbevelingen aangepast.
Daardoor ontstaat een continue cyclus waarin het model leert van gedrag.
Effecten van een feedback-loop
Een feedback-loop kan systemen beter maken. Modellen leren sneller en aanbevelingen sluiten beter aan op gebruikers.
Daarnaast kunnen fouten soms automatisch worden gecorrigeerd. Het systeem past zich immers continu aan op nieuwe informatie.
Tegelijkertijd kunnen feedback-loops ook problemen versterken. Als de input scheef is, neemt het model die vertekening over.
Risico’s van een feedback-loop
Een feedback-loop kan ongewenste effecten veroorzaken:
- Bias wordt versterkt doordat het model steeds dezelfde patronen herhaalt
- Tunnelvisie ontstaat wanneer gebruikers alleen vergelijkbare content blijven zien
- Fouten kunnen groter worden doordat ze steeds opnieuw worden gebruikt
- Verkeerde data kan het model blijven beïnvloeden
Daarom is het belangrijk om feedback-loops actief te monitoren.
Voorbeelden van feedback-loops
Feedback-loops komen veel voor in de praktijk:
- Aanbevelingssystemen op streamingdiensten en social media
- Fraudedetectie waarbij eerdere signalen nieuwe beslissingen beïnvloeden
- Zelfrijdende auto’s die continu leren van sensordata
Deze voorbeelden laten zien hoe breed dit principe wordt toegepast.
Waarom feedback-loops aandacht vragen
Feedback-loops ontstaan automatisch in systemen die leren van gedrag. Daarom moet je bewust omgaan met de effecten.
Je controleert regelmatig de data, gebruikt verschillende bronnen en evalueert modellen periodiek. Zo voorkom je dat fouten zich opstapelen.
Daarnaast helpt dit om AI eerlijk en betrouwbaar te houden.
Verder leren
Wil je de basis van AI stap voor stap leren? Start dan met mijn Gratis Basiscursus AI. Kijk je liever dan je leest, dan vind je op het YouTube kanaal De Wereld van AI video’s die je helpen AI beter te begrijpen.