Self-supervised learning is een manier waarop kunstmatige intelligentie leert zonder handmatig gelabelde data. Het systeem maakt zijn eigen leerdoelen op basis van de beschikbare data en leert zo onderliggende patronen herkennen.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Hoe self-supervised learning werkt
Bij self-supervised learning krijgt een AI-model geen vooraf gegeven juiste antwoorden van mensen. In plaats daarvan haalt het systeem die antwoorden uit de data zelf. Het model leert bijvoorbeeld ontbrekende delen voorspellen of verbanden herkennen, waardoor het toch kennis opbouwt zonder expliciete labels.
Het systeem zet de data om in een leerprobleem. Een deel van de informatie wordt verborgen of aangepast en het model probeert vervolgens te voorspellen wat ontbreekt. Door dit proces vaak te herhalen leert het model algemene structuren en patronen herkennen.
Deze aanpak is belangrijk geworden omdat enorme hoeveelheden tekst, afbeeldingen en audio beschikbaar zijn, terwijl handmatig labelen veel tijd en geld kost. Daardoor kunnen ontwikkelaars AI-modellen eerst zelfstandig laten leren voordat ze verder worden verfijnd met kleinere hoeveelheden gelabelde data.
Toepassingen van self-supervised learning
Self-supervised learning speelt een grote rol bij moderne AI-systemen. Grote taalmodellen gebruiken deze techniek bijvoorbeeld om woorden te voorspellen op basis van omliggende tekst. Hierdoor leren modellen grammatica, context en taalstructuren begrijpen.
Bij beeldherkenning kan een model leren door ontbrekende delen van afbeeldingen te reconstrueren. Daarnaast gebruiken ontwikkelaars self-supervised learning ook bij audio, video en sensordata.
Deze techniek vormt tegenwoordig vaak de basis van pre-training. Vervolgens verfijnen ontwikkelaars het model verder voor specifieke taken, zoals chatbottechnologie, beeldanalyse of spraakherkenning.
Waarom self-supervised learning belangrijk is
Deze techniek maakt het mogelijk om veel grotere datasets te gebruiken dan bij traditionele supervised learning. Daardoor kunnen AI-modellen bredere kennis opbouwen en beter omgaan met nieuwe situaties.
Bovendien vermindert deze aanpak de afhankelijkheid van handmatig labelwerk. Dat versnelt de ontwikkeling van AI-systemen en verlaagt de kosten van training.
Verder leren
Wil je AI stap voor stap begrijpen, dan is de Gratis Basiscursus AI op De Wereld van AI een goed startpunt. Daar leer je in gewone taal hoe AI werkt en hoe belangrijke begrippen met elkaar samenhangen.
Leer je liever via video, dan vind je op het YouTube kanaal De Wereld van AI heldere uitlegvideo’s in gewone taal, zonder technisch jargon.