Kennisbank / Algemeen

Wat is deep learning? Kunstmatige intelligentie die zelf leert


Deep learning is een vorm van AI die zelf patronen leert uit grote hoeveelheden data en zit achter toepassingen als ChatGPT en beeldherkenning. Je leest hoe het werkt en hoe je het als ondernemer kunt gebruiken zonder zelf een model te trainen.

Als je ChatGPT gebruikt, een gezicht ontgrendelt met je telefoon, of Netflix je de perfecte serie aanbeveelt, gebruik je deep learning. Het is de technologie achter de meeste AI-toepassingen die je vandaag tegenkomt.

Maar wat is deep learning precies? En hoe verschilt het van “gewone” AI of machine learning? Voor de meeste ondernemers voelt het als black box-technologie: je stopt er data in, er komt iets magisch uit, en niemand kan uitleggen hoe.

De waarheid is minder mysterieus. Deep learning is een specifieke aanpak binnen machine learning waarbij een systeem zelf patronen leert uit data, geïnspireerd op hoe hersenen werken. Het “deep” slaat op de vele lagen kunstmatige neuronen die samen complexe patronen kunnen herkennen. In dit artikel lees je hoe deep learning werkt, waar het voor wordt gebruikt en wat het voor MKB-bedrijven betekent, zonder te verdrinken in wiskunde. Zelf een model trainen is voor weinig bedrijven zinnig; slim gebruiken wat er al is wel. Zie AI-automatisering.

Wat is deep learning precies?

Deep learning is een vorm van machine learning die gebruikmaakt van kunstmatige neurale netwerken met meerdere lagen (vandaar “deep”). Deze netwerken leren automatisch welke kenmerken belangrijk zijn, zonder dat een mens dit hoeft te programmeren.

Laten we beginnen met de hiërarchie:

  • Artificial Intelligence (AI): het brede veld van computers die “slimme” taken uitvoeren
  • Machine Learning: een deelgebied van AI waarbij computers leren uit data in plaats van expliciete programmering
  • Deep Learning: een deelgebied van machine learning dat neurale netwerken met vele lagen gebruikt

Het verschil zit in hoe het systeem leert.

Bij traditionele programmering schrijf je regels: “Als de klant meer dan 100 euro bestelt, geef 10% korting.” Bij machine learning geef je het systeem voorbeelden en het leert zelf de regels. Bij deep learning doe je hetzelfde, maar het systeem leert ook zelf welke kenmerken belangrijk zijn.

Een voorbeeld. Stel je wilt een systeem dat katten en honden herkent op foto’s.

Traditionele programmering: je programmeert regels zoals “als het oren heeft die rechtop staan en een korte snuit, dan is het een kat.” Dit werkt slecht omdat er te veel variatie is.

Machine learning: je geeft het systeem kenmerken (orenlengte, snuitvorm, kleur) en duizenden gelabelde foto’s. Het systeem leert welke kenmerken het beste voorspellen of het een kat of hond is.

Deep learning: je geeft alleen de foto’s. Het systeem leert zelf welke kenmerken relevant zijn. Het ontdekt bijvoorbeeld dat de vorm van de ogen, de textuur van de vacht en de houding belangrijke signalen zijn, zonder dat je dat zelf hoeft te specificeren.

Hoe werkt deep learning?

Deep learning is geïnspireerd op hoe hersenen werken. Je hersenen bestaan uit miljarden neuronen die met elkaar verbonden zijn. Elke neuron ontvangt signalen van andere neuronen, verwerkt die, en stuurt een signaal door naar weer andere neuronen.

Deep learning neurale netwerken illustratie

Een kunstmatig neuraal netwerk bootst dit na, maar dan veel simpeler. Een netwerk bestaat uit:

1. Input layer (invoerlaag)

Dit is waar de data binnenkomt. Bij een kat-of-hond detector zijn dit de pixels van de afbeelding. Een zwart-witfoto van 200×200 pixels heeft 40.000 invoer-neuronen (één per pixel).

2. Hidden layers (verborgen lagen)

Dit zijn de lagen tussen invoer en uitvoer. Hier gebeurt de magie. Elke laag detecteert steeds complexere patronen:

  • Laag 1 herkent eenvoudige vormen (lijnen, randen, hoeken)
  • Laag 2 combineert die tot complexere patronen (ogen, oren, neuzen)
  • Laag 3 herkent nog grotere structuren (gezichten, lichamen)
  • En zo verder…

Een “deep” netwerk heeft veel van deze lagen. Het taalmodel GPT-3, waarover OpenAI in mei 2020 een onderzoeksartikel publiceerde, had er bijvoorbeeld 96. Over de opbouw van nieuwere modellen, zoals GPT-4 in maart 2023, gaf OpenAI zulke details niet meer prijs.

3. Output layer (uitvoerlaag)

Dit geeft het antwoord. Bij kat-of-hond detectie: twee neuronen, één voor “kat” en één voor “hond”. Degene met het hoogste signaal wint.

Hoe leert het?

Het leerproces heet “training” en werkt via trial-and-error:

  1. Je stopt een foto in het netwerk
  2. Het netwerk geeft een gok (“80% zeker dat het een hond is”)
  3. Je vertelt of het klopt (“nee, het was een kat”)
  4. Het netwerk past de verbindingen tussen neuronen iets aan om de fout te verkleinen
  5. Herhaal dit miljoenen keren met verschillende foto’s

Elke keer worden de verbindingen een beetje beter afgesteld. Na genoeg herhalingen kan het netwerk patronen herkennen die het nog nooit eerder heeft gezien.

Dit proces vereist:

  • Veel data: vaak miljoenen voorbeelden
  • Rekenkracht: training kan dagen tot weken duren op krachtige GPU’s
  • Juiste architectuur: het ontwerp van het netwerk moet passen bij het probleem

Waarom is deep learning belangrijk voor bedrijven?

Deep learning heeft drie voordelen die het geschikt maken voor problemen waar traditionele AI vaak tekortschiet.

1. Leert zelf kenmerken

Bij traditionele machine learning moet een expert bepalen welke kenmerken belangrijk zijn. Wil je spam detecteren? Dan specificeer je kenmerken zoals “bevat het woord ‘gratis'”, “afzender onbekend”, “veel hoofdletters”.

Bij deep learning specificeert niemand deze kenmerken. Je geeft duizenden voorbeelden van spam en niet-spam, en het systeem leert zelf welke patronen spam verraden. Soms ontdekt het patronen waar een mens niet snel op zou komen.

2. Schaalt met data

Traditionele machine learning presteert beter met meer data, maar tot een limiet. Deep learning wordt doorgaans nog lang beter naarmate je meer data hebt: onderzoek uit 2020 liet zien dat taalmodellen voorspelbaar beter presteren met meer data, grotere modellen en meer rekenkracht. Dat verklaart deels waarom vooral grote techbedrijven als Google, Meta en OpenAI de grootste modellen bouwen: zij hebben toegang tot enorme datasets en veel rekenkracht.

Voor MKB-bedrijven is dit een uitdaging. Een model helemaal zelf trainen vraagt grote hoeveelheden data. Met kant-en-klare hulpmiddelen kom je vaak met minder uit: Google raadt voor het trainen van een eigen beeldherkenningsmodel met AutoML ongeveer 1.000 foto’s per label aan, met een minimum van 10.

3. Werkt met ongestructureerde data

Traditionele software werkt goed met gestructureerde data (tabellen, databases). Deep learning werkt ook met ongestructureerde data: afbeeldingen, tekst, audio, video.

Dit opent toepassingen die voorheen lastig te automatiseren waren:

  • Automatische transcriptie van klantenservice-gesprekken
  • Beeldherkenning om productfoto’s te labelen
  • Tekst genereren voor productbeschrijvingen
  • Sentimentanalyse van klantreviews

Deep learning in de praktijk: voorbeelden

Laten we kijken naar concrete toepassingen die je waarschijnlijk al gebruikt.

generatieve AI: ChatGPT, Claude, Gemini

Deze tools gebruiken een specifieke deep learning architectuur genaamd “transformers”. Deze netwerken zijn getraind op enorme hoeveelheden tekst (boeken, websites, artikelen) en hebben geleerd hoe taal werkt.

Voor bedrijven betekent dit:

  • Klantenservice-chatbots die genuanceerd kunnen antwoorden
  • Automatische samenvatting van lange documenten
  • Concept-teksten schrijven voor marketing
  • Code genereren voor standaardtaken

Een kanttekening: deze modellen “begrijpen” niets. Ze voorspellen welk woord statistisch gezien het meest waarschijnlijk is. Daarom maken ze soms bizarre fouten (hallucinaties).

Beeldherkenning: van productlabels tot medische diagnose

Deep learning is de standaard geworden voor beeldherkenning. Toepassingen:

  • Webshops: automatisch productkenmerken detecteren uit foto’s (“rode jurk, maat M, mouwloos”)
  • Productie: kwaliteitscontrole via camera’s die defecten detecteren
  • Retail: zoeken met een foto, waarbij een klant een foto maakt en vergelijkbare producten te zien krijgt
  • Beveiliging: gezichtsherkenning voor toegangscontrole. In Nederland is dat volgens de Autoriteit Persoonsgegevens vrijwel altijd verboden; het mag alleen als het echt noodzakelijk is, zoals bij de beveiliging van een kerncentrale.

Denk bijvoorbeeld aan een webshop met duizenden producten die elke dag nieuwe leveranciersfoto’s binnenkrijgt. In plaats van elke foto met de hand te labelen, kan een getraind model kenmerken als kleur en type voorstellen, zodat een medewerker alleen nog hoeft te controleren. Hoe nauwkeurig dat werkt, hangt af van je foto’s en van hoeveel gelabelde voorbeelden je hebt.

Spraakherkenning: van Siri tot transcriptiediensten

Elke keer dat je “Hey Siri” of “OK Google” zegt, gebruik je deep learning. Ook transcriptiediensten zoals Otter.ai en de live ondertiteling in Microsoft Teams gebruiken deze technologie. Let wel: Otter transcribeert Engels, Spaans, Frans, Duits, Japans en Chinees, maar geen Nederlands. De live ondertiteling in Teams ondersteunt wel Nederlands.

Voor bedrijven:

  • Automatische notulen van vergaderingen
  • Transcriptie van klantenservice-gesprekken voor kwaliteitsanalyse
  • Voice-commerce (“bestel 5 kilo bananen”)

Aanbevelingssystemen: Netflix, Spotify, webshops

Hoe weet Netflix wat je waarschijnlijk wilt kijken? Daar zitten algoritmes achter, en Netflix zet er inmiddels ook een eigen groot AI-model voor in, een zogeheten foundation model. Volgens het helpcentrum van Netflix kijkt het systeem onder meer naar:

  • Wat je hebt gekeken
  • Hoelang je een titel hebt gekeken
  • Wat vergelijkbare gebruikers kijken
  • Kenmerken van de titels (genre, categorieën, acteurs, releasejaar)

Voor webshops:

  • Productaanbevelingen (“klanten die dit kochten, kochten ook…”)
  • Gepersonaliseerde homepage per bezoeker
  • Dynamische prijzen op basis van vraag en voorraad

Voorspellend onderhoud in productie

Fabrieken gebruiken deep learning om storingen te voorspellen voordat ze gebeuren. Sensoren verzamelen data (trillingen, temperatuur, geluid) van machines. Het model leert welke patronen duiden op dreigende problemen.

Dat kan onverwachte stilstand schelen. In plaats van reactief repareren (machine kapot = productie stil) of preventief onderhouden (volgens schema, vaak te vroeg), onderhoud je zo dicht mogelijk bij het moment dat het nodig is.

Plaatje van raket

Beginnen met AI is makkelijker dan je denkt

Benieuwd wat AI concreet voor jouw bedrijf kan betekenen?

Deep learning voor MKB: waar begin je?

Voor de meeste MKB-bedrijven is het niet realistisch om zelf deep learning modellen te trainen. Dat vereist specialisten, data en rekenkracht die te duur zijn. Maar je kunt wél profiteren van bestaande oplossingen.

Optie 1: Gebruik kant-en-klare AI-diensten

Grote techbedrijven bieden AI-diensten aan die draaien op deep learning, zonder dat je zelf hoeft te trainen:

  • Google Cloud Vision: beeldherkenning, objectdetectie, OCR (tekst uit afbeeldingen halen)
  • Amazon Rekognition: gezichtsherkenning, contentmoderatie
  • Microsoft Foundry Tools (voorheen Azure AI Services of Azure Cognitive Services): spraak-naar-tekst, vertaling, sentimentanalyse
  • OpenAI API: toegang tot GPT-modellen voor tekstgeneratie

Deze diensten zijn betaalbaar. Google Cloud Vision rekent voor het herkennen van labels bijvoorbeeld 1,50 dollar per 1.000 afbeeldingen, waarbij de eerste 1.000 per maand gratis zijn. Voor een webshop die 10.000 productfoto’s per maand laat labelen, is dat zo’n 13,50 dollar per maand. Elke extra functie, zoals tekstherkenning, wordt apart geteld (prijzen oktober 2026).

Optie 2: Gebruik AI-gedreven software

Veel bedrijfssoftware heeft AI ingebouwd, zonder dat je het ziet:

  • CRM-systemen met AI-gedreven lead scoring (voorspellen welke leads het meest kansrijk zijn)
  • E-mailmarketingtools met AI-optimalisatie van onderwerpsregels en verzendtijden
  • Chatbots zoals Intercom of Zendesk die met grote taalmodellen klantvragen beantwoorden (Intercom gebruikt daarvoor eigen modellen, Zendesk onder meer die van OpenAI). Klanten moeten dan wel weten dat ze met AI praten, tenzij dat al duidelijk is; dat vraagt de AI-verordening sinds 2 augustus 2026 (artikel 50).
  • Accounting software met AI-gedreven factuurverwerking

Je hoeft geen AI-expert te zijn. Je gebruikt het als feature van software die je toch al nodig hebt.

Optie 3: Laat maatwerk bouwen (alleen bij voldoende ROI)

Als je een uniek probleem hebt en genoeg data, kun je een maatwerk deep learning model laten ontwikkelen. Dit is alleen rendabel als:

  • De taak veel tijd kost (anders verdien je de investering niet terug)
  • Je duizenden tot miljoenen voorbeelden hebt (anders werkt deep learning niet goed)
  • De nauwkeurigheid van het model direct impact heeft op omzet of kosten

Een voorbeeld ter illustratie. Denk aan een groothandel die elke dag honderden inkoopfacturen met de hand verwerkt. Een AI-systeem dat deep learning combineert met OCR (tekstherkenning) kan een groot deel daarvan automatisch inlezen en klaarzetten, zodat een medewerker alleen de twijfelgevallen hoeft te controleren. Of het zich terugverdient, reken je uit door de bespaarde uren af te zetten tegen de kosten van bouw en onderhoud.

Wat kost deep learning?

Voor gebruik van bestaande diensten betaal je meestal per gebruik. Bij Google Cloud Vision is dat een fractie van een cent per afbeelding (zie hierboven); bij andere diensten hangt het af van wat je laat doen.

Laat je iets op maat bouwen, dan hangt de prijs af van de complexiteit. Bij Red Factory:

  • Kleinere automatisering, bijvoorbeeld een workflow in n8n: vanaf ongeveer € 1.000
  • Groter proces: eerst doen we zelf de procesanalyse, daarna begint een implementatie vanaf € 5.000. Hoeveel het uiteindelijk wordt, hangt af van de complexiteit en de staat van je data

Rekening houden met:

  • Data moet eerst worden verzameld en gelabeld (vaak arbeidsintensief)
  • Training vereist GPU’s (vaak gehuurde rekenkracht in de cloud, die per gebruikte tijd wordt afgerekend; de prijs hangt sterk af van het type GPU)
  • Onderhoud: modellen moeten regelmatig opnieuw getraind worden als data verandert

Veelgestelde vragen over deep learning

Wat is het verschil tussen deep learning en machine learning?

Deep learning is een deelgebied van machine learning. Het belangrijkste verschil: bij machine learning moet je zelf kenmerken specificeren, bij deep learning leert het systeem zelf welke kenmerken belangrijk zijn. Deep learning werkt beter bij grote datasets en ongestructureerde data (afbeeldingen, tekst), maar vereist meer data en rekenkracht.

Hoeveel data heb je nodig voor deep learning?

Dat hangt sterk af van het probleem, en van de vraag of je een model helemaal zelf traint of kant-en-klare hulpmiddelen gebruikt. Voor een eigen beeldherkenningsmodel met AutoML raadt Google ongeveer 1.000 foto’s per label aan, met een minimum van 10. Taalmodellen zoals die achter ChatGPT zijn juist getraind op enorme hoeveelheden tekst: GPT-3 (2020) al op 300 miljard tokens (woorden en woorddelen). Heb je weinig voorbeelden, dan is traditionele machine learning of een kant-en-klare dienst vaak een betere keuze.

Kun je zien hoe een deep learning model beslissingen neemt?

Vaak niet. Dit heet het “black box” probleem. Een model met miljoenen of zelfs miljarden parameters is niet door mensen te interpreteren. Er bestaan “explainable AI” technieken die inzicht geven (bijvoorbeeld: “het model focust op de ogen bij het herkennen van emoties”), maar perfecte transparantie bestaat niet.

Is deep learning hetzelfde als een neuraal netwerk?

Niet helemaal. Neurale netwerken zijn de technologie, deep learning is de toepassing van diepe (vele lagen) neurale netwerken. Er bestaan ook ondiepe neurale netwerken, met maar één verborgen laag tussen invoer en uitvoer, en die noem je geen deep learning. IBM spreekt van deep learning bij netwerken met minstens vier lagen, invoer en uitvoer meegeteld.

Kan deep learning menselijke intelligentie evenaren?

Voorlopig niet. Deep learning is heel goed in specifieke taken (kat-of-hond herkennen, tekst genereren), maar heeft geen gezond verstand zoals mensen en kan met grote stelligheid fouten maken. Of en wanneer AI algemene menselijke intelligentie evenaart, daarover verschillen onderzoekers sterk van mening.

Wat zijn de risico’s van deep learning?

Er zijn drie grote risico’s:

  1. Bias: als trainingsdata bevooroordeeld is, leert het model die bias. Voorbeeld: een sollicitatie-AI die vrouwen benadeelt omdat het getraind is op historische data waarin vooral mannen werden aangenomen.
  2. Overfitting: het model leert de trainingsdata uit het hoofd in plaats van algemene patronen, en presteert slecht op nieuwe data.
  3. Black box: je weet niet waarom het model een beslissing neemt, wat problematisch is in kritieke toepassingen (medische diagnose, kredietbeoordeling).

Meer informatie vind je bij IBM over deep learning.

Lees ook onze uitleg over automatisering voor meer achtergrond.

Kortom: wat is deep learning? Het is een vorm van machine learning waarbij een netwerk met vele lagen zelf leert welke kenmerken in data ertoe doen. Of je er als bedrijf iets mee kunt, hangt vooral af van de kant-en-klare tools die je kunt inzetten en van hoeveel data je hebt.

Conclusie

Deep learning zit achter de meeste geavanceerde AI-toepassingen van dit moment: van ChatGPT tot zelfrijdende auto’s, van medische diagnose tot Netflix-aanbevelingen.

Voor MKB-bedrijven is de boodschap simpel: je hoeft geen deep learning expert te worden, maar je kunt wél profiteren van bestaande tools. Gebruik GPT-modellen via ChatGPT of API’s. Gebruik beeldherkenning via Google Cloud. Kies software met ingebouwde AI.

Denk alleen aan maatwerk deep learning als je een probleem hebt dat:

  1. Veel tijd kost (hoge ROI-potentie)
  2. Veel data heeft (duizenden tot miljoenen voorbeelden)
  3. Niet oplosbaar is met bestaande tools

En onthoud: deep learning is geen magische oplossing. Het is een gereedschap. De waarde zit niet in de technologie zelf, maar in wat je ermee doet voor je klanten en je bedrijf.

Bij Red Factory helpen we MKB-bedrijven met slimme AI-automatiseringen. Niet omdat het cool is, maar omdat het praktische problemen oplost. Wil je verkennen waar AI jouw bedrijf kan helpen? We denken graag met je mee, zonder buzzwords en met concrete voorbeelden.

Klaar voor een mega start?
Wij wel!

Stel al je vragen over onze producten, prijzen, implementaties, of iets anders. Wij zijn hier om jou te helpen!

Raketlancering