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. Betrouwbaarheid is bovendien geen vast label. De prestaties hangen af van de taak, gebruikte data, modelversie, gebruikscontext, omstandigheden en evaluatiemethode. Op deze themapagina staan kernbegrippen die uitleggen waar fouten en beperkingen vandaan komen en hoe prestaties worden gemeten, gevalideerd en gevolgd.
Wat deze pagina bundelt
De termen op deze pagina beschrijven hoe AI kan misleiden, vertekenen of fouten maken en hoe die risico’s worden onderzocht en beperkt. Betrouwbaarheid is daarbij breder dan nauwkeurigheid alleen. Ook veiligheid, beveiliging, transparantie, uitlegbaarheid, privacy, schadelijke bias en menselijke controle spelen een rol. Welke eigenschappen het zwaarst wegen, hangt af van het beoogde gebruik en de mogelijke gevolgen van fouten.
Hieronder vallen onder andere
- Bias door data, meetmethoden, ontwerpkeuzes en gebruikscontext
- Black Box en controleerbaarheid bij ondoorzichtige besluitvorming
- Explainable AI om uitkomsten begrijpelijker te maken, zonder daarmee automatisch juistheid te bewijzen
- Overfitting en Underfitting als leer- en generalisatieproblemen
- Evaluatie, benchmarks en modelvalidatie om prestaties voor een bepaalde taak te meten
- Praktijktests en monitoring na ingebruikname om veranderingen, uitzonderingen en nieuwe risico’s te signaleren
Alle begrippen in dit thema
- AI-veiligheid
Het voorkomen van risico’s en fouten bij het gebruik van AI. - Beperkingen van AI
Wat AI niet goed kan, zoals begrijpen, redeneren of omgaan met nieuwe situaties. - Bias (vooroordeel)
Vertekende uitkomsten doordat AI leert van onvolledige of scheve data. - Black Box
AI waarvan niet duidelijk is hoe het tot een beslissing of uitkomst komt. - Botsitting
Het werk waarbij mensen AI-output controleren, corrigeren en aanvullen. - Controleerbaarheid van AI
De mate waarin je kunt nagaan en begrijpen hoe AI tot een uitkomst komt. - Evaluatie van modellen
Het testen en beoordelen van hoe goed een AI-model presteert. - Explainable AI (XAI)
AI die zo is ontworpen dat je kunt begrijpen hoe het tot een uitkomst komt. - Modelvalidatie
Het controleren of een AI-model goed werkt op nieuwe, onbekende data. - Overfitting
Wanneer een model te veel leert van trainingsdata en daardoor slechter presteert op nieuwe data. - Underfitting
Wanneer een model te weinig leert uit data en daardoor slecht presteert.
Bronnen en controle
Voor de uitleg over betrouwbaarheid, bias, uitlegbaarheid en modelvalidatie zijn het NIST AI Risk Management Framework 1.0 en aanvullende NIST-publicaties geraadpleegd. AI ondersteunde het structureren; de definities en formuleringen zijn handmatig gecontroleerd.
Bronnen: NIST AI RMF 1.0, NIST SP 1270 en NISTIR 8312
Laatst inhoudelijk gecontroleerd: 16 augustus 2026
Lees meer over de redactionele werkwijze.
Verder in de AI-woordenlijst
Deze themapagina is één 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 de themapagina’s binnen de woordenlijst.
Volgende logische stap
Wie wil begrijpen welke rol mensen spelen bij het controleren van AI en het maken van verantwoorde keuzes, gaat verder naar de themapagina Ethiek en mens.