Wat is Artificiële Intelligentie?

Inhoudstafel

Definitie

Artificiële Intelligentie (AI) is een verzamelnaam voor computersystemen die intelligent gedrag vertonen door de data te analyseren - en in zekere mate zelfstandig - actie te ondernemen om op die manier specifieke doelstellingen te verwezenlijken. Of anders gezegd: slimme systemen die op basis van algoritmes kunnen leren, redeneren, patronen herkennen, problemen oplossen of taal verwerken.

Evolutie

Sinds de introductie van de term AI in 1956 is de technologie enorm geëvolueerd. Aanvankelijk werden expert systemen met eenvoudige – en later meer complexe – algoritmes gebruikt om aan hand van een reeks regels gegevens automatisch te verwerken. Die vaste regels maakten resultaten steeds uitlegbaar. Echter was het zeer tijdsintensief om een dergelijk regelsysteem op te stellen en alle nodige data in te voeren. Daarenboven liep men destijds vaak tegen de limieten van de toenmalige rekenkracht. Met de komst van Machine Learning in de jaren ’80 met zelflerende modellen (ipv expliciet geprogrammeerd), werd AI aanzienlijk geavanceerder. Rond 2000 volgde Deep Learning, gebaseerd op neurale netwerken, waarmee het mogelijk werd om complexe patronen te herkennen. Vanaf 2020 werd Generative AI bekend bij een breed publiek, een vorm van AI die zelf nieuwe inhoud kan genereren, zoals tekst, afbeeldingen, audio en video.

Verschillende AI-types

Doorheen de jaren zijn meerdere types van AI ontstaan met elk hun specifieke eigenschappen, toepassingsmogelijkheden en beperkingen. Hieronder bespreken we de verschillende types in meer detail.

Machine Learning (ML)
Machine Learning is een vorm van AI waarbij systemen leren door voorbeelden te analyseren. Op basis van een grote hoeveelheid data leert het systeem zelf patronen te herkennen en voorspellingen te doen in plaats van zich te baseren op expliciet geprogrammeerde regels. De kwaliteit van de output hangt daardoor sterk af van de kwaliteit van de data waarop het model getraind is. Het model kan zichzelf ook voortdurend verbeteren wanneer nieuwe data beschikbaar komt. Machine Learning is de basis van veel AI‑toepassingen.	Voorbeelden in de zorg: Een systeem dat leert welke types van consulten gemiddeld langer duren om op die manier de agenda efficiënter te helpen plannen.
Natural Language Processing (NLP)
Natural Language Processing is een vorm van Machine Learning die zich richt op het begrijpen van menselijke taal. Het stelt computers in staat om tekst of spraak te analyseren, te interpreteren en te verwerken. Natural Language Processing houdt rekening met context, woordvolgorde en betekenis. Het vormt de brug tussen ongestructureerde taal en gestructureerde data. Veel taalgebaseerde AI‑toepassingen steunen hierop.	Voorbeelden in de zorg: Een systeem dat automatisch symptomen en/of behandelingen leert herkennen in consultnotities met vrije tekst.
Deep Learning (DL)
Deep Learning is een gespecialiseerde vorm van Machine Learning die het menselijk brein nabootst. Het maakt gebruik van neurale netwerken om in grote en diverse datasets zeer complexe patronen te herkennen. Deze techniek vereist veel data en rekenkracht. Veel moderne AI toepassingen zijn hierop gebaseerd. Onder Deep Learning vallen ook Computer Vision, Generative AI en Large Language Models.	Voorbeelden in de zorg: Een systeem dat huidafwijkingen kan beoordelen op mogelijke maligniteit. Een systeem dat spraak tijdens een consultatie automatisch omzet naar tekst in het EMD.
Computer Vision
Computer Vision is een AI-type dat gericht is op het analyseren en interpreteren van beeldmateriaal. Het wordt ingezet om op grote schaal snel en automatisch afbeeldingen en video te bekijken en bepaalde vormen, structuren en patronen te herkennen. De technologie is vaak gebaseerd op Deep Learning, en fungeert als een extra analysekracht.	Voorbeelden in de zorg: Een systeem dat gescande documenten kan classificeren als brief, verslag, attest, etc. Een systeem dat medisch beeldmateriaal kan beoordelen op technische kwaliteit, of bepaalde afwijkingen kan opsporen en herkennen.
Generative AI
Generative AI is gericht op het creëren van nieuwe inhoud op basis van aanwijzingen of prompts van een gebruiker. Het kan teksten, beelden, audio of andere output genereren. Op basis van patronen geleerd vanuit bestaande data, voorspelt het systeem wat logisch zou zijn. De resultaten moeten erg kritisch bekeken worden, want dergelijke systemen kunnen soms hallucinaties (foutieve verzinsels) produceren.	Voorbeelden in de zorg: Een systeem dat op basis van kernwoorden een eerste versie van een verwijsbrief genereert. Een systeem dat op basis van een omschrijving een nieuw logo voor de praktijk of een ludieke affiche voor in de wachtkamer genereert.
Large Language Models (LLM’s)
Large Language Models zijn een AI-type gespecialiseerd in taal. Ze zijn getraind op enorme hoeveelheden tekst, waardoor ze context begrijpen en zelf vloeiend teksten kunnen formuleren. Via aanwijzingen of prompts van een gebruiker kunnen Large Language Models vragen beantwoorden, teksten samenvatten, herschrijven en zelfs vertalen. Large Language Models zijn de motor achter veel generatieve AI toepassingen.	Voorbeelden in de zorg: Een systeem dat lange consultnotities samenvat tot een overzichtelijk verslag voor de huisarts of een makkelijk begrijpbare patiëntenbrief. Een systeem in de vorm van chatbot die vragen van medewerkers kan beantwoorden over interne procedures of wetenschappelijke richtlijnen.
Explainable AI (XAI)
Explainable AI legt uit hoe een AI systeem tot bepaalde resultaten komt. In tegenstelling tot de voornamelijk ‘black box’-modellen, maakt dit type AI de redenering achter beslissingen inzichtelijk. Transparantie verhoogt het vertrouwen en de controleerbaarheid, waardoor de gebruikers een gefundeerde afweging kunnen maken om al dan niet met het resultaat aan de slag te gaan. Explainable AI is vooral belangrijk bij toepassingen op basis waarvan impactvolle beslissingen worden genomen.	Voorbeelden in de zorg: Een systeem voor beslisondersteuning dat toont welke factoren in rekening worden gebracht bij het maken van een risico inschatting.

Automatisatie

De hierboven beschreven AI‑types focussen vooral op wat AI kan: herkennen, begrijpen, genereren en verklaren. Ze vormen de bouwstenen die bepalen hoe een systeem met data, taal of beelden omgaat. Automatisatie gaat een stap verder en beschrijft hoe AI wordt ingezet om processen effectief uit te voeren. Hierbij draait het niet om intelligentie op zich, maar om het overnemen, ondersteunen of coördineren van taken. In het volgende overzicht maken we onderscheid tussen Robotic Process Automation en meer autonome vormen zoals AI‑agents en multi‑agent AI-systemen.

Robotic Process Automation (RPA)
Robotic Process Automation of klassieke automatisatie automatiseert repetitieve, regelgebaseerde taken. Het volgt vaste stappen zonder te leren. Robotic Process Automation is daardoor voorspelbaar en stabiel. Het is geen AI, maar kan wel zeer sterk ondersteunend zijn.	Voorbeelden in de zorg: Een systeem dat binnenkomende formulieren automatisch doorstuurt naar de juiste arts of koppelt aan het juiste patiëntendossier.
AI-agents
AI agents zijn systemen die op zelfstandige manier een doel nastreven. Ze bepalen zelf welke acties nodig zijn om dit doel te bereiken, zijn zelflerend en kunnen zich aanpassen aan nieuwe situaties. AI agents combineren vaak meerdere AI technieken. Ze zijn flexibeler dan klassieke automatisatie.	Voorbeelden in de zorg: Een systeem dat fungeert als digitale assistent die automatisch afspraken verplaatst, bevestigingen verstuurt en wijzigingen opvolgt.
Multi-agent AI
Bij een multi agent systeem werken meerdere AI agents samen in tegenstelling tot conventionele AI-systemen die voor het oplossen van een probleem op slechts één model vertrouwen. Elke agent heeft een specifieke rol of expertise. Een centrale component coördineert deze samenwerking. Zo kunnen complexe taken worden opgesplitst. Dit kan de schaalbaarheid en flexibiliteit verhogen.	Voorbeelden in de zorg: Een systeem waarin tientallen agents gezamenlijk instaan voor het analyseren van diverse en zeer uitgebreide gegevensbronnen om vervolgens tot een samenhangende hypothese te komen bij de diagnose en fenotypering van zeldzame ziekten.

Publicatie datum

01-04-2026

Revisiedatum

07-05-2026