AIGP Zelfstudie
Overzicht › Domein 1 · Foundations › Les 2

AI-systeemcategorieën & classificatie

Domein 1 · Foundations Les 2 De taxonomie als governance-tool: classificeer eerst, governeer dan.
Kerngedachte
Om een AI-systeem te besturen, moet je het eerst classificeren. ML, deep learning, generative AI en LLM's zijn niet uitwisselbaar — ze hebben andere risicoprofielen en control-eisen. "AI-powered" zegt niets; je eerste governance-vraag is: welke laag is dit?
Het kernschema

De geneste hiërarchie

Elke laag bevat en breidt de vorige uit. Elke generative AI is óók deep learning, en elke deep learning is óók ML — maar andersom niet. Dit nesten telt, want controls per laag zijn cumulatief.

🟦 MACHINE LEARNING

Leert patronen uit data i.p.v. geschreven regels. Omvat o.a. decision trees, regressie, neurale netwerken.

🟦 DEEP LEARNING

Subset met meerlaagse neurale netwerken → hiërarchische representaties. Vergt veel data + compute. Fundament van moderne GenAI.

🟩 GENERATIVE AI

Subset die nieuwe content produceert: leert statistische structuur uit data en sampelt daaruit bij inference.

🟧 LARGE LANGUAGE MODELS (LLM)

Specifiek type generative AI, gericht op natuurlijke taal.

Let op — niet alles is "deep" of "generative"
Traditionele ML bevat eenvoudiger modellen (logistische regressie, gradient boosted trees) die géén deep learning en géén generative zijn. Een decision tree en een LLM verwarren = mispriced risk.
Binnen traditionele ML

De drie leertypes

TypeLeert vanGebruikt voorGovernance-relevantie
SupervisedGelabelde data (input-output paren door mensen)Classificatie & regressieGedrag voorspelbaar binnen de trainingsdistributie → validatie haalbaar
UnsupervisedOngelabelde dataClustering & anomaly detectionRisk officers leunen op anomaly detection bij fraude & insider threat → ken de limieten
ReinforcementTrial & error met een reward-signaalAgent die beloning maximaliseertFundament van RLHF — hoe LLM's worden uitgelijnd ná pre-training. Die alignment-stap is zélf een control.
Verband
RLHF (Reinforcement Learning from Human Feedback) linkt reinforcement learning rechtstreeks aan LLM's: het is de governance-control die een ruw, voorgetraind LLM uitlijnt op menselijke voorkeuren.
Waarom LLM's de scope vergroten

Drie eigenschappen die traditionele modellen niet hebben

1

General purpose

Eén LLM doet drafting, samenvatten, classificeren, vertalen, coderen — zónder hertrainen. Eén deployment dekt méér governance-oppervlak.

2

Probabilistische output

Zelfde input → andere output (afhankelijk van sampling). Validatie voor deterministische modellen transfereert niet.

3

Prompt-driven

Gedrag deels gestuurd door gebruikersinput (de prompt), niet alleen door ontwikkelaars → breder & dynamischer.

🔗 Gevolg

Een LLM classificeren is een bredere, dynamischere uitdaging dan een supervised classifier met een vast inputschema.

Bepaalt je control-framework

Discriminative vs. generative

Discriminatieve modellenGeneratieve modellen
Wat ze doenLeren de grens tussen categorieën; classificeren in bestaande labelsLeren statistische structuur; produceren nieuwe content
VoorbeeldSpam/niet, fraude/niet, hoog/laag kredietrisicoTekst, beeld, code, audio
OutputBegrensd (bounded)Open-ended, bijna onbegrensd
ValidatieHoldout-set → schoon accuracy-cijfer; interpretability-tools bestaanMoeilijker: vergt human review, red teaming, continue monitoring
Daarom
Omdat de output-ruimte van generative models bijna onbegrensd is, vragen ze een fundamenteel andere control-structuur dan discriminative models.
Het classificatie-framework

Drie assen voor élk systeem in je inventory

Deze drie assen samen vormen het fundament van je AI risk register.

AS 1 · TYPE

Type

Traditionele ML, deep learning of generative? → zet het baseline control-framework.

→
AS 2 · APPLICATION

Toepassing

Welke taak, voor wie? Affected parties bepalen juridische exposure, explainability-eisen en incident-scope.

→
AS 3 · CONSEQUENCE

Consequence-niveau

Hoog / midden / laag — op basis van schade-omvang én omkeerbaarheid.

Voorbeeld van samenhang
Generatief + customer-facing + high-stakes → de zwaarste governance-overlay. Supervised + intern + low-stakes → aanzienlijk minder.
Proportionaliteit

Controls stapelen per laag

Hetzelfde control-set op álle AI plakken kent twee faalmodi:

⬆️ Over-governance

Simpele tools te zwaar reguleren → verspilt resources en ondermijnt buy-in van business partners.

⬇️ Under-governance

High-risk generative deployments te licht → juridische, reputationele en operationele exposure.

LaagControls (cumulatief — elke laag voegt toe)
Traditionele MLData-kwaliteit · modeldocumentatie · output-validatie
Deep learning+ explainability-eisen · robustness testing
Generatieve AI+ content governance · output monitoring · misuse controls (hoe gebruikers interacteren, welke outputs toegestaan zijn)
Voor je governance-programma

Drie extra classificaties

Basis

Foundation models

Grote, breed voorgetrainde modellen als herbruikbare basis voor veel downstream-apps. Een fout (bias, beveiligingslek, data-poisoning) propageert naar élke app erop → systemic risk.

Aangepast

Fine-tuned models

Foundation model aangepast met domeinspecifieke training. Erven de capabilities én het risicoprofiel van de basis → due diligence strekt zich uit tot het basismodel.

Extern

Third-party models

Benaderd via API → vereisen je volledige third-party risk management-framework bovenóp de AI-specifieke controls.

🔗 Rode draad

Bij een gedeelde basis concentreert risico zich: één zwakte raakt veel systemen tegelijk. Volgende les gaat dieper op foundation models & systemic risk.

Begrippen uit deze les

Glossarium

Machine learning (ML)
Brede categorie: leert patronen uit data i.p.v. geschreven regels.
Deep learning
ML-subset met meerlaagse neurale netwerken; vergt veel data + compute.
Generative AI
Deep-learning-subset die nieuwe content genereert door te sampelen uit geleerde structuur.
Large Language Model (LLM)
Type generative AI gericht op natuurlijke taal.
Supervised learning
Trainen op gelabelde input-output paren; classificatie & regressie.
Unsupervised learning
Structuur vinden in ongelabelde data; clustering & anomaly detection.
Reinforcement learning
Agent maximaliseert een reward via trial & error.
RLHF
Reinforcement Learning from Human Feedback — alignment van LLM's op menselijke voorkeuren ná pre-training.
Discriminative model
Leert de grens tussen categorieën; begrensde output.
Generatief model
Produceert nieuwe, open-ended content; moeilijker te valideren.
Foundation model
Breed voorgetraind basismodel voor veel apps; bron van systemic risk.
Fine-tuned model
Foundation model aangepast aan een taak; erft het basisrisico.
Third-party model
Via API benaderd; vereist third-party risk management bovenop AI-controls.
Systemic risk
Eén fout in een gedeelde basis propageert naar alle afgeleide systemen.
Checkpoint

Quiz

Klik op je antwoord voor directe feedback.

VRAAG 1
Welke uitspraak over de AI-hiërarchie klopt?
Elke machine learning is ook generative AI
Deep learning en machine learning zijn synoniemen
Elke generative AI is deep learning, en elke deep learning is machine learning — maar niet omgekeerd
LLM's vallen buiten generative AI
Juist. De hiërarchie is genest: GenAI ⊂ Deep Learning ⊂ ML. Andersom geldt niet — traditionele ML (bv. logistische regressie) is géén deep learning en géén generative. LLM's zijn een type generative AI.
VRAAG 2
Waarom vraagt een generative model een andere control-structuur dan een discriminative model?
Het is altijd goedkoper om te trainen
De output is open-ended/bijna onbegrensd, dus validatie vraagt human review, red teaming en continue monitoring i.p.v. een holdout-accuracy
Discriminatieve modellen produceren nieuwe content
Generatieve modellen zijn altijd deterministisch
Juist. Een discriminative model test je op een holdout-set → schoon accuracy-cijfer. Bij een generative model is de output-ruimte bijna onbegrensd, dus evaluatie vergt human review, red teaming en doorlopende monitoring.
← Terug naar overzicht