AI en machinaal leren: hoe AI leert van voorbeelden

Misschien gebruik je kunstmatige intelligentie, of AI, zonder dat je die ziet. AI kan werken in een telefoon, website, auto of spel. Kijk naar de taak die een hulpmiddel uitvoert om AI te leren herkennen.

Luisteren, lezen en voorstellen

Een spraakassistent gebruikt AI om een gesproken vraag te begrijpen. Je kunt bijvoorbeeld vragen: “Wat voor weer wordt het vandaag?” Spraak naar tekst zet spraak om in geschreven tekst. Je spreekt en er verschijnen woorden op het scherm.

Tekstvoorspelling, ook wel automatisch aanvullen genoemd, stelt woorden voor terwijl je typt. Een vertaalhulpmiddel zet woorden om in een andere taal. Zo wordt “Waar is de bibliotheek?” in het Spaans “¿Dónde está la biblioteca?”

Een aanbevelingssysteem stelt iets voor wat je misschien leuk vindt. Na een paar programma’s over haaien krijg je misschien een ander programma over zeedieren voorgesteld. Deze hulpmiddelen gebruiken patronen in voorbeelden om suggesties te doen.

Herkennen en maken

Een foto-app kan met AI je strandfoto’s vinden. Een telefoon kan het gezicht van zijn eigenaar herkennen. Een tekenspel kan raden wat je tekent voordat je klaar bent.

Andere AI-hulpmiddelen maken iets nieuws. Een chatbot schrijft antwoorden op je vragen. Een afbeeldingsgenerator kan een afbeelding maken van “een kat met een ruimtehelm op”. Dit is generatieve AI: AI die tekst, afbeeldingen of geluiden maakt.

Gebruikt een robot altijd AI?

Een robotlichaam vertelt je heel weinig over hoe de robot werkt. Speelgoed dat “2 stappen vooruit, draai naar rechts” volgt, volgt geprogrammeerde bewegingen. Een stofzuiger die met zijn camera sokken herkent, gebruikt AI. Een vertaalapp heeft helemaal geen robotlichaam.

Een gewone rekenmachine volgt voor elke stap precieze regels. Hij geeft 56 als uitkomst van 7 keer 8; dat heeft hij niet geleerd van voorbeeldplaatjes of berichten.

Herkenning, suggesties en nieuwe creaties zijn nuttige aanwijzingen als je AI zoekt. Maar een programma dat regels volgt, kan sommige van deze taken ook uitvoeren. Een spellingcontrole vergelijkt woorden misschien gewoon met een lijst. Wil je weten hoe een hulpmiddel werkt, bekijk dan samen met een volwassene de beschrijving van de makers.

Kunstmatige intelligentie is een computersysteem dat taken uitvoert waarvoor meestal menselijk denkvermogen nodig is. Een gezicht herkennen en spraak begrijpen zijn voorbeelden. AI bootst delen van de menselijke intelligentie na. Het woord kunstmatig betekent dat iets door mensen is gemaakt.

Mensen bepalen wat een AI-hulpmiddel moet doen. Ze bouwen en testen het. Ook kiezen ze de voorbeelden waarvan het leert. AI is technologie die mensen maken, ook als de antwoorden verrassend lijken.

Leren van voorbeelden

De meeste alledaagse AI-hulpmiddelen worden gemaakt met machinaal leren. Mensen geven een computer veel voorbeelden. Een lerend programma vindt patronen, ofwel details die zich herhalen. Mensen schrijven niet voor elk geval een aparte regel om iets in te delen.

Stel je veel plaatjes voor met het label “banaan”. De computer vindt daarin misschien lange, kromme vormen. Hij gebruikt die patronen als hij een nieuw plaatje te zien krijgt. Hij kan nog steeds een fout maken, vooral als dat plaatje niet op zijn voorbeelden lijkt.

Twee soorten taken

Een groep raden en een nieuw verhaal schrijven leveren verschillende soorten uitvoer op. Beide kunnen voortkomen uit patronen die tijdens de training zijn geleerd.

Vriendelijke woorden blijven woorden

Jij begrijpt dingen door wat je zelf meemaakt. Je hebt gevoelens, wensen en ervaringen. AI denkt of voelt niet zoals jij. Het werkt met geleerde patronen, zonder een hond te begrijpen zoals jij dat doet.

Een spraakassistent zegt misschien: “Ik help je graag!” De woorden klinken vriendelijk. Ze beschrijven geen gevoel in de computer.

Snelle antwoorden kunnen fout zijn. Een chatbot kan zeker klinken terwijl hij een verzonnen feit geeft. Aan de snelheid en toon van een antwoord kun je niet zien of het waar is. Belangrijke feiten moet je controleren met betrouwbare bronnen, zoals een bibliotheekboek of een officiële website.

Een AI-systeem heeft verschillende onderdelen nodig die samenwerken. Gegevens leveren informatie. Een lerend programma vindt patronen. Het model bevat de geleerde patronen. Hardware is de computerapparatuur waarop het systeem werkt.

Maak eerst het model

Gegevens kunnen afbeeldingen, geluiden, woorden of getallen zijn. Voorbeelden die worden gebruikt om te leren, heten trainingsgegevens. Een spraakhulpmiddel kan bijvoorbeeld leren van opnames die zijn gekoppeld aan geschreven woorden.

Het lerende programma volgt een algoritme, een reeks stappen. Het doorloopt de voorbeelden tijdens de training. De training levert een model op. Het programma doet het leerwerk; het model is het resultaat dat je daarna gebruikt.

Denk aan het maken van een model voor spraak naar tekst. Veel opnames laten zien hoe gesproken klanken bij geschreven woorden passen. Het programma vindt patronen in die combinaties. Het voltooide model kan dan woorden in een nieuwe opname raden.

Gebruik daarna het model

Als je een getraind model gebruikt, volg je drie onderdelen:

1. Invoer: informatie gaat het model in.
2. Model: geleerde patronen worden gebruikt.
3. Uitvoer: het model geeft een resultaat.

Stel dat je zegt: “Herinner me eraan de vissen te voeren.”

• Je opgenomen stem is de invoer.
• Het model koppelt geluidspatronen aan woorden.
• De geschreven herinnering op het scherm is de uitvoer.

Een aanbevelingshulpmiddel volgt dezelfde weg. Je eerdere videokeuzes gaan erin. Het model gebruikt patronen in wat kijkers kozen. Er komt een lijst met voorgestelde video’s uit. Die lijst is een schatting van wat je misschien leuk vindt.

De rol van de apparatuur

Een microfoon vangt geluid op. Een camera verzamelt beelden. Computerchips laten het model werken. Een scherm toont tekst of afbeeldingen en een luidspreker laat geluid horen.

De camera is niet het model. Als je een foto maakt, verzamel je informatie; iets op die foto herkennen is een andere taak.

Sommige modellen werken op het apparaat dat je vasthoudt. Andere werken op grote computers ver weg. Je apparaat verstuurt informatie via internet en ontvangt het resultaat. In beide gevallen gaat de invoer door een model voordat je de uitvoer ontvangt.

Stel je voor dat je een computer helpt fruitplaatjes in te delen. Elk plaatje is een voorbeeld. De hele verzameling is een gegevensverzameling. Een label noemt de groep waartoe een voorbeeld behoort, zoals “appel” of “banaan”. Voorbeelden die aan labels zijn gekoppeld, zijn gelabelde gegevens.

Kijk naar de details

Een kenmerk, ook wel eigenschap genoemd, is een detail dat je kunt opmerken. Kleur, vorm, grootte, hoe iets aanvoelt en geluid kunnen kenmerken zijn. Welke kenmerken helpen, hangt af van wat je wilt indelen.

Bekijk deze zes fruitplaatjes op volgorde:

Tel eerst de labels. Er zijn drie appels en drie bananen.

Probeer daarna de kleur. Geel komt in beide groepen voor. Groen komt ook in beide groepen voor. Met alleen kleur kun je deze plaatjes niet scheiden.

Probeer nu de vorm. Elke appel hier is rond. Elke banaan hier is lang. Met de vorm kun je deze zes voorbeelden scheiden. Het kenmerk “is fruit” zou niet helpen: alle zes hebben ze dat gemeen.

Geef elk voorbeeld één duidelijke plek

Labels moeten kloppen. Een banaan met het label “appel” leert het verkeerde patroon aan. De computer leert van het label dat hij krijgt; hij kan die fout van degene die de labels gaf niet voor je ontdekken.

Voor deze taak moeten labels elkaar ook uitsluiten. “Appel” en “rood fruit” overlappen, omdat een rode appel bij allebei past. Met “appel” en “banaan” heeft elk van deze plaatjes één duidelijke plek.

Hoe dit verschilt van zelf indelen

Je kunt knopen indelen met vragen zoals “Is het rond?” Een vertakkende databank volgt de vragen die iemand heeft geschreven. Bij machinaal leren geef je gelabelde voorbeelden. Het lerende programma leidt daaruit patronen af om ze in te delen. Jij kiest de groepen en voorbeelden, zonder elke vraag te schrijven die het model zal gebruiken.

Je kunt een training naspelen met kaartjes met afbeeldingen. Je kunt ook een trainingshulpmiddel zonder programmeercode gebruiken dat een volwassene voor je heeft gekozen. Een model dat voorbeelden in groepen indeelt, is een classificatiemodel.

Kies de taak en de labels

Stel dat je handplaatjes wilt indelen. Kies “duim omhoog” en “duim omlaag” als je twee labels. De labels bepalen welke antwoorden het model kan geven.

Verzamel voorbeelden en geef ze labels

Verzamel 30 plaatjes van een duim omhoog en 30 plaatjes van een duim omlaag. Dat zijn in totaal 60 plaatjes. Zet elk plaatje onder het juiste label.

Zorg voor afwisseling in de voorbeelden. Gebruik verschillende handen, linker- en rechterhanden, beelden van dichtbij en veraf, en fel en zwak licht. Door veel verschillende beelden te zien, leert het model handvormen kennen en niet alleen één precies plaatje.

Train

Het lerende programma van het hulpmiddel bekijkt de voorbeelden. Het vindt patronen voor elk label en bouwt een model. Je geeft het niet de regel “de duim wijst omhoog”. Tijdens de training worden patronen uit de plaatjes gevonden.

Probeer iets nieuws

Laat een handplaatje zien waarvan het model nog nooit heeft geleerd. Kijk welk label het kiest. Probeer verschillende nieuwe plaatjes uit, ook van de hand van iemand anders.

Sommige hulpmiddelen laten zien hoe zeker het model is van een keuze. Ook een resultaat dat heel zeker lijkt, kan fout zijn. Vergelijk zelf het label met het plaatje.

Leer van een fout

Een duim opzij krijgt misschien “duim omhoog”. Kijk naar de labels: op geen van beide staat “opzij”. Het model moet kiezen uit de labels die het heeft.

Je kunt een label “opzij” toevoegen en daarvoor voorbeelden verzamelen. Train opnieuw en probeer dan nieuwe plaatjes met een duim opzij. Zo krijgt het model een ander mogelijk antwoord. Blijf uitproberen en verbeteren als je problemen vindt.

Laat je het oorspronkelijke model met twee labels een kat zien, dan kiest het nog steeds een duimlabel. In de antwoordenlijst staat geen “kat” of “geen van beide”. Een label op het scherm betekent niet dat het plaatje bij die groep hoort.

Je kunt deze stappen ook voor andere gegevens volgen. Een geluidsclassificatiemodel kan klappen en fluittonen indelen. Een houdingsclassificatiemodel kan staan en zitten indelen. Andere modellen doen voorspellingen, zoals het volgende woord raden.

Na de training gebruikt een model patronen om een voorspelling te doen. Dat is zijn beste schatting over iets nieuws. Het kan een label raden, een gesproken woord of een boek dat je leuk zult vinden.

Waarom één woord als eerste komt

Tekstvoorspelling leert welke woorden vaak samen voorkomen. Na “Fijne” stelt het misschien “verjaardag” voor. Die twee woorden komen vaak samen voor in teksten.

Stel je tien berichten voor die beginnen met “Tot”. Zes gaan verder met “snel”, drie met “morgen” en één met “later”. In dit eenvoudige voorbeeld is “snel” de eerste suggestie, omdat dat woord het vaakst volgde.

Het model kent je plannen niet. Als je je vriend morgen ziet, is “snel” misschien minder bruikbaar. Je kunt de suggestie veranderen of negeren.

Ook de toon is belangrijk. “Geachte heer” klinkt vreemd in een vriendelijk bericht aan je beste vriend. Een suggestie kan een patroon volgen en toch verkeerd zijn voor jouw bericht.

Hoe aanbevelingen werken

Een aanbevelingssysteem zoekt naar patronen in keuzes. Veel mensen die boek A leuk vonden, vonden misschien ook boek B leuk. Als jij boek A leuk vond, stelt het systeem misschien boek B voor.

Die suggestie kan handig zijn. Je kunt er ook steeds soortgelijke dingen door voorgesteld krijgen. Daardoor mis je misschien een ander soort boek dat je geweldig zou vinden. Je kunt zelf naar iets nieuws zoeken.

Tekeningen en gesproken woorden raden

Een tekenspel heeft geleerd van veel gelabelde tekeningen. Het vergelijkt de lijnen die je tekent met patronen voor labels zoals “kat”. Als genoeg lijnen overeenkomen, kan het spel misschien al raden wat het is voordat je klaar bent.

Spraak naar tekst voorspelt welke woorden passen bij de geluiden die het ontvangt. Sommige klanken zijn moeilijk uit elkaar te houden. Het schrijft misschien “leiden” terwijl je “lijden” bedoelde. Ook snelle spraak en ongebruikelijke namen kunnen het in de war brengen. Lees de woorden op het scherm en verbeter ze als dat nodig is.

Wat een model herkent, hangt af van zijn trainingsvoorbeelden. In een eenvoudig trainingshulpmiddel verandert het model door toegevoegde voorbeelden pas nadat je opnieuw traint. Daarna heb je nieuwe voorbeelden nodig om te ontdekken wat er is verbeterd.

Vul een ontbrekend deel aan

Een fruitmodel leerde van 20 plaatjes van rode appels en 20 plaatjes van gele bananen. Het herkent een groene appel misschien verkeerd, omdat het nooit van groene appels heeft geleerd.

Voeg tien plaatjes van groene appels toe onder “appel”. Er zijn nu 30 appelvoorbeelden. Train opnieuw met de aangepaste verzameling. Laat daarna andere plaatjes van groene appels zien die niet voor de training zijn gebruikt. Met de antwoorden daarop kun je controleren of het model is verbeterd.

Meer helpt; variatie is ook belangrijk

Twee plaatjes per label geven een model weinig om van te leren. Meer voorbeelden helpen meestal. Maar als je bijna hetzelfde plaatje herhaalt, blijven veel dingen ongezien.

Vijftig foto’s van één appel op één bord laten weinig variatie zien. Twintig foto’s van verschillende appels, kanten en lichtomstandigheden laten meer variatie zien. Kies voorbeelden die lijken op de dingen die het model later tegenkomt.

Controleer de labels

Stel dat vijf bananenplaatjes ten onrechte het label “appel” kregen. Als je veel plaatjes toevoegt, verbeter je die vijf labels niet. Verbeter de labels en train opnieuw. Anders blijft het model van de verwarde informatie leren.

Let op onbedoelde patronen

Stel je voor dat op alle hondenplaatjes gras te zien is. Op alle kattenplaatjes zijn kamers te zien. Het model leert misschien “groene achtergrond betekent hond”. Een kat op een grasveld kan dan het label “hond” krijgen.

Voeg katten buiten en honden binnen toe om het patroon te ontwarren. Train opnieuw. Probeer nieuwe plaatjes van beide dieren op beide plekken uit. Controleer of de achtergrond het model nog steeds in de war lijkt te brengen.

Als één soort voorbeeld steeds verkeerd gaat, zoek die dan op in de trainingsverzameling. Ontbreekt die soort? Is er maar één kant te zien? Klopt het label? De fouten helpen je kiezen wat je hierna verandert.

Sommige hulpmiddelen, waaronder aanbevelingssystemen, blijven leren van waar mensen op klikken. Hun suggesties kunnen na verloop van tijd veranderen. Het eenvoudige model dat jij traint, blijft hetzelfde totdat je het opnieuw traint.

Een model heeft voorbeelden nodig van de mensen en dingen die het zal tegenkomen. Ontbrekende groepen kunnen leiden tot meer fouten voor die groepen. Als een hulpmiddel voor sommige mensen slechter werkt of hen slechter behandelt, is het oneerlijk. Oneerlijke resultaten die samenhangen met de gegevens of het ontwerp heten vooringenomenheid.

Tel de groepen

Trainingsgegevens zijn evenwichtig als labels ongeveer evenveel voorbeelden hebben. Ze zijn onevenwichtig als sommige labels veel meer voorbeelden hebben of als een groep ontbreekt.

Een huisdierenmodel leert van 40 kattenplaatjes en vier konijnenplaatjes. Er zijn in totaal 44 plaatjes. Het ziet tien keer zoveel katten als konijnen. Het maakt waarschijnlijk meer fouten bij konijnen, omdat het zo weinig konijnenvoorbeelden heeft.

Door konijnenvoorbeelden toe te voegen, vul je dat gat aan. Je moet ook de variatie controleren. Veel plaatjes van hetzelfde konijn zouden andere konijnen nog steeds onbekend laten.

Kijk binnen elke groep

Zelfs als de aantallen gelijk zijn, kunnen er voorbeelden ontbreken. Een spraakhulpmiddel kan veel opnames hebben, maar vooral van stemmen van volwassenen. Kinderstemmen klinken anders, dus het hulpmiddel verstaat kinderen misschien minder goed.

Door veel opnames van kinderen toe te voegen, krijgt het hulpmiddel meer voorbeelden van die stemmen. Zorg ook voor verschillende sprekers en manieren van spreken. Probeer het daarna uit met nieuwe sprekers.

Een afbeeldingsgenerator kan ook eenzijdige patronen herhalen. Als op zijn plaatjes van wetenschappers vooral mannen in witte jassen staan, blijft hij misschien dat soort wetenschappers tekenen. Echte wetenschappers zijn mensen van verschillende genders en achtergronden, met verschillende kleding en werkplekken.

Trainingsvoorbeelden kunnen ook oneerlijke keuzes vastleggen die mensen in het verleden maakten. Een model kan die patronen leren en de oneerlijkheid herhalen.

Maak een eerlijker plan

Mensen zijn verantwoordelijk voor de voorbeelden en het hulpmiddel dat ze bouwen. Een AI-hulpmiddel is niet van plan om gemeen te zijn. Het kan toch oneerlijke resultaten veroorzaken door patronen in zijn gegevens te herhalen.

Vraag welke mensen of dingen ontbreken. Voeg juiste, gevarieerde voorbeelden toe waarin zij voorkomen. Houd de aantallen van de verschillende labels redelijk in evenwicht. Train opnieuw en probeer dan nieuwe voorbeelden uit verschillende groepen. Controleer of er bij één groep nog steeds meer fouten worden gemaakt.

Als een hulpmiddel de woorden van een kind niet goed opvangt, mag je het kind niet de schuld geven van hoe het praat. De mensen die het hulpmiddel bouwen, moeten de gegevens en het ontwerp verbeteren.

Jij en een systeem voor machinaal leren leren allebei van voorbeelden. Oefening en feedback kunnen jullie allebei helpen beter te worden. Zowel mensen als machines maken fouten. Door deze overeenkomsten kan AI op een mens lijken.

Wat leren voor jou betekent

Je probeert je ervaringen te begrijpen. Je stelt vragen, legt verbanden en probeert dingen uit. Je kunt uitleggen waarom je denkt dat iets is gebeurd.

Nadat je een paar honden hebt ontmoet, herken je misschien een heel andere hond. Je verbindt wat je ziet met blaffen, vacht, beweging en herinneringen aan spelen. Je kunt ook een tekenfilmhond herkennen zonder er ooit één in het echt te hebben ontmoet.

Een afbeeldingsmodel leert patronen uit de plaatjes die het krijgt. Het heeft geen vacht aangeraakt of met een hond gespeeld. Het heeft vaak veel voorbeelden nodig. Een model dat alleen op foto’s is getraind, kan moeite hebben met een tekenfilm.

Herken een vraag die niet past

Stel dat iemand een broodrooster omhooghoudt en vraagt: “Kat of hond?” Jij kunt zeggen: “Geen van beide!” Je begrijpt dat de twee keuzes van de vraag niet passen.

Een eenvoudig model dat alleen op katten en honden is getraind, kiest nog steeds één label. Het kan niet zelf een nieuw antwoord toevoegen. Daardoor is jouw oordeel belangrijk als het antwoord vreemd lijkt.

Verschillende sterke punten

Machines kunnen heel snel enorme aantallen voorbeelden doorlopen. Ze raken niet moe of verveeld zoals mensen. Mensen brengen betekenis, gevoelens en oordeel mee in situaties.

Wat je hebt gezien, is ook belangrijk. Een kind dat alleen bruine honden heeft ontmoet, kan verbaasd zijn over een witte hond. Eén nieuwe ervaring kan het idee van het kind veranderen. Een eenvoudig model heeft nieuwe voorbeelden en nog een training nodig om zijn geleerde patronen te veranderen.

AI kan helpen bij snelle taken met duidelijke patronen. Het kan spraak omzetten in tekst of strandfoto’s vinden. Mensen moeten de leiding nemen bij taken waarbij zorg, eerlijkheid en verantwoordelijkheid een rol spelen.

Stel vier vragen

Denk na over de taak voordat je AI kiest:

• Zou AI helpen, of kan ik dit zelf goed?
• Kan een fout iemand pijn doen of problemen veroorzaken?
• Zijn hiervoor gevoelens, eerlijkheid of het oordeel van een mens nodig?
• Zou ik vertrouwelijke informatie moeten delen?

Deze vragen helpen je een nuttige rol voor het hulpmiddel te kiezen.

Bekijk twee keuzes

Je klas heeft een titel nodig voor een poster over recycling. Een goedgekeurd AI-hulpmiddel kan ideeën voorstellen. Jullie bespreken de ideeën en kiezen samen. AI geeft mogelijkheden; mensen beoordelen welke titel past.

Nu moet je klas een winnaar van een kunstprijs kiezen. Dit raakt de gevoelens van mensen en vraagt om een eerlijke beslissing. Mensen moeten het werk bespreken en de keuze maken. Een snel antwoord van een computer kan geen verantwoordelijkheid nemen voor die keuze.

Blijf oefenen om te leren

Als je opdracht is om het schrijven van een verhaal te oefenen en je laat AI het schrijven, dan mis je de oefening. Schrijf het verhaal zelf. Een spellingcontrole achteraf kan helpen als je leraar dat toestaat.

Vraag jezelf af welke vaardigheid je met de taak oefent. Een kant-en-klaar antwoord krijgen en leren hoe je er zelf een maakt, zijn verschillende dingen.

Mensen nemen verantwoordelijkheid

Bij belangrijke beslissingen over gezondheid, veiligheid, plekken en prijzen moet een mens controleren en beslissen. Een mens kan een beslissing uitleggen en verantwoordelijkheid nemen. Een AI-hulpmiddel kan dat niet.

AI laten werken kost ook iets. Grote systemen werken in datacentra, gebouwen vol computers. Die gebruiken elektriciteit en vaak water voor de koeling. Als je AI kiest wanneer het echt helpt, gebruik je het niet voor taken die je gemakkelijk zelf kunt doen.

Een chatbot is een programma waarmee je praat door te typen of te spreken. Een AI-chatbot gebruikt een taalmodel dat is getraind met enorme hoeveelheden tekst. Het bouwt een antwoord stukje voor stukje op door woorden te voorspellen die bij geleerde patronen passen.

Een chatbot leest niet één gecontroleerd antwoord uit een betrouwbaar boek. Hij kan soepel lopende tekst met verzonnen feiten maken. Een afbeeldingsgenerator leert van afbeeldingen die aan beschrijvingen zijn gekoppeld. Hij maakt een nieuwe afbeelding met patronen die bij jouw woorden horen.

Geef een duidelijke prompt

Een prompt is je vraag of instructie aan een AI-hulpmiddel. Het hulpmiddel gebruikt ook zijn training, eerdere chatberichten en instructies die de makers hebben ingebouwd. De prompt is het deel dat jij kunt veranderen.

Vergelijk deze twee prompts voor afbeeldingen:

• “Teken een hond.”
• “Teken een kleine bruine tekenfilmhond met hangoren die een rode bal vangt in een zonnig park.”

De eerste laat veel keuzes open. De tweede noemt een stijl, grootte, kleur, actie en plek. Elk detail helpt het hulpmiddel iets te maken wat dichter bij jouw idee komt.

Verbeter het resultaat stap voor stap

Lees of bekijk het resultaat. Bepaal wat er moet veranderen. Verander dan de prompt of vraag om een duidelijker resultaat.

Stel dat een verhaal te lang is voor een jonger kind. Je kunt vragen: “Maak het korter, ongeveer 5 zinnen, voor een kind van 7 jaar.” Zo vertel je de chatbot zowel de lengte als voor wie het verhaal is. Als één detail fout is, noem dat detail dan in je volgende verzoek.

Opnieuw vragen hoort gewoon bij iets maken met AI. Het garandeert nog steeds niet dat elk detail klopt. Je moet elk resultaat bekijken.

Wat echt lijkt, hoeft niet echt te zijn

Gegenereerde afbeeldingen kunnen gebeurtenissen laten zien die nooit zijn gebeurd. Chatbots kunnen citaten en boektitels verzinnen. Bekijk deze creaties kritisch voordat je ze gebruikt.

Dezelfde prompt kan bij verschillende pogingen verschillende antwoorden opleveren. Generatieve AI maakt elke keer iets op basis van geleerde patronen; het haalt niet gewoon één vast antwoord op.

Een antwoord van AI is een beginpunt om te controleren. Het kan soepel klinken en toch fouten bevatten. Let goed op precieze namen, datums en getallen.

Zoek een feit terug bij een betrouwbare bron

Stel dat een chatbot zegt dat de burgemeester van je woonplaats in 2019 begon. Op de officiële website van de gemeente staat 2021. Gebruik de officiële datum en verbeter je werk. Controleer ook de andere feiten in het antwoord van de chatbot.

Vergelijk belangrijke feiten met minstens twee betrouwbare bronnen. Een officiële website, een bibliotheekboek, een encyclopedie of een leraar die er verstand van heeft, kan helpen. Lees wat elke bron echt zegt. Dezelfde chatbot opnieuw vragen levert je geen onafhankelijke bron op.

Vraag je ook af of de bewering past bij wat je weet. Een verrassend detail is een reden om zorgvuldig onderzoek te doen.

Zoek naar oneerlijke patronen

Feiten zijn maar één onderdeel van het controleren. Kijk wie er in tekst of afbeeldingen voorkomen. Laat een afbeelding van wetenschappers maar één soort mensen zien? Laat een antwoord mensen weg die erbij horen? De uitvoer herhaalt misschien een eenzijdig patroon uit de trainingsgegevens.

Kun je zien of een afbeelding door AI is gemaakt?

Sommige afbeeldingen hebben aanwijzingen: door elkaar gehusselde tekst, vreemde vingers, rare spiegelbeelden of voorwerpen die in elkaar overlopen. Daardoor kun je je afvragen waar een afbeelding vandaan komt.

Maar AI-afbeeldingen kunnen er ook glad en gewoon uitzien. Als er geen zichtbare aanwijzingen zijn, kun je daaruit niet afleiden dat een afbeelding echt is. Controleer wie de afbeelding heeft gedeeld, of er een AI-label bij staat en of betrouwbare nieuwsbronnen over de gebeurtenis berichten.

Als je niet kunt zien of iets echt is, deel het dan niet terwijl je het controleert.

Past het bij je lezer?

Een antwoord kan feitelijk kloppen en toch ongeschikt zijn. Een jonger kind heeft misschien eenvoudigere woorden nodig. Een poster heeft misschien een kortere uitleg nodig. Je kunt het resultaat zelf aanpassen of om een duidelijkere versie vragen. Controleer daarna ook de aangepaste versie.

Begin met de AI-hulpmiddelen die je school of gezin heeft gekozen. Vraag een ouder, verzorger of leraar om toestemming voordat je er een gebruikt. Veel chatbots hebben leeftijdsregels; sommige eisen dat gebruikers minstens 13 zijn. Een volwassene kan controleren welke hulpmiddelen geschikt zijn voor jou.

Bescherm vertrouwelijke informatie

Houd je volledige naam, adres, telefoonnummer, schoolnaam en wachtwoorden uit AI-chats. Upload geen foto’s van jezelf of anderen. Een bedrijf kan de informatie die je verstuurt opslaan.

Je kunt een verzonnen personage beschrijven zonder de gegevens van een echt kind te gebruiken. In een prompt voor een verhaal kun je “een nieuwsgierig kind” schrijven zonder je school of huis te noemen.

Wees eerlijk over hulp

Volg de regels van je leraar over AI. Als AI heeft geholpen bij werk waarbij dat mocht, vertel dan hoe. Bijvoorbeeld: “Ik heb een AI-hulpmiddel gebruikt om ideeën voor mijn titel te krijgen.”

Blijf zelf de belangrijkste maker. Denk, schrijf en teken zelf. Zorg dat je het werk dat je inlevert, begrijpt. Als je een volledig AI-antwoord kopieert, kun je het misschien niet uitleggen.

Denk aan de persoon die je pijn kunt doen

Gebruik AI nooit om nepafbeeldingen, -stemmen of -berichten over echte mensen te maken. Gebruik het niet om iemand te misleiden of gemeen te zijn. Iets neps over een klasgenoot kan pijn doen, ook als de maker het een grap noemt.

Zoek steun bij mensen

Een chatbot kan vriendelijk klinken, maar is geen mens of vriend. Hij heeft geen gevoelens en kan niet voor je zorgen zoals mensen dat doen. Praat met een volwassene die je vertrouwt over zorgen, sterke gevoelens of problemen.

Als een hulpmiddel nare, enge of onbeleefde inhoud laat zien, stop dan en sluit het. Vertel het aan een volwassene die je vertrouwt. Je hebt niets verkeerd gedaan door om hulp te vragen.