Types of AI: A Comprehensive Guide

Als het voelt alsof Artificial Intelligence (AI) ineens overal is, dan klopt dat. Volgens recent marktonderzoek van McKinsey is de wereldwijde AI-adoptie gegroeid van circa 50–60% van de organisaties in 2020–2021 naar een verbluffende 88% in 2025.

Die explosieve groei heeft echter voor een taalkundig probleem gezorgd. "AI" is een containerbegrip geworden voor totaal verschillende technologieën. Het wordt door elkaar gebruikt voor simpele regelgebaseerde chatbots, afbeeldingsgeneratoren en futuristische sci-fi-robots.

Voor dataprofessionals is die vaagheid een hindernis. Wanneer een stakeholder om een "AI-oplossing" vraagt, moet je weten: hebben ze een simpel regressiemodel nodig, een generatieve agent of een computer­visionsysteem?

In deze uitgebreide gids bekijken we deze terminologie. We sommen niet alleen definities op; in plaats daarvan bekijken we het door vier verschillende lenzen: hoe het is gebouwd, wat het kan, hoe het beslist en hoe het past in workflows in de echte wereld.

Als je nieuw bent in dit onderwerp, raad ik de cursus Understanding Artificial Intelligence aan.

Wat is AI?

Artificial Intelligence (AI) is een deelgebied van de informatica dat zich richt op het creëren van intelligente agents die taken kunnen uitvoeren die normaal gesproken menselijke intelligentie vereisen, zoals probleemoplossing, spraakherkenning en besluitvorming.

AI is een interdisciplinaire wetenschap met vele benaderingen. Het kan regelgebaseerd zijn (werkend onder vooraf gedefinieerde voorwaarden) of gebruikmaken van machinelearning-algoritmen om van data te leren, waardoor systemen zich kunnen aanpassen aan onvoorziene scenario’s.

Toch blijkt AI precies definiëren verrassend lastig door wat onderzoekers het "AI-effect" noemen. Dit fenomeen beschrijft hoe de maatschappelijke perceptie van AI voortdurend verschuift naarmate technologieën volwassen worden. Wanneer een mogelijkheid gemeengoed wordt, stoppen mensen met het "AI" te noemen en zien ze het als gewone software. 

Door die verschuivende definitie en brede reikwijdte is één classificatie niet genoeg. We hebben meerdere lenzen nodig om het volledige beeld te krijgen:

• Technologie: De onderliggende algoritmen en architecturen. 
• Capaciteit: Het intelligentieniveau meten van smal tot superintelligent.
• Functionaliteit: Hoe systemen informatie verwerken en geheugen onderhouden.

Een zelfrijdende auto kun je bijvoorbeeld tegelijk op drie manieren classificeren:

• Smalle AI (op basis van de specifieke capaciteit).
• Deep learning (op basis van de onderliggende technologie).
• Beperkt geheugen (op basis van de functionaliteit).

In de volgende secties verkennen we deze specifieke typen.

Voor een strikt niet-technische inleiding tot de basis raad ik je onze AI-gids voor beginners aan.

Technologiegebaseerde typen AI

De meest rigoureuze manier om AI te classificeren is op basis van de onderliggende technologie, de "motor" die het systeem aandrijft. Deze classificatie onderscheidt systemen op basis van hoe ze data verwerken en leren. Laten we die verschillende typen bekijken.

Machine learning

Machine learning (ML) is een subset van AI die zich richt op systemen die leren van data en verbeteren zonder expliciet voor elke regel geprogrammeerd te zijn. In plaats van code te schrijven die zegt "als dit, dan dat", voed je het algoritme met data en laat je het patronen vinden.

Machine learning valt uiteen in drie primaire leerparadigma’s, elk geschikt voor verschillende probleemtypes:

• Supervised learning: De meest voorkomende vorm in het bedrijfsleven. Het gebruikt gelabelde data (input-outputparen) om algoritmen te trainen. Zo kun je het model bijvoorbeeld 1.000 e-mails laten zien met het label "Spam" of "Geen spam", waarna het de volgende e-mail leert classificeren. Veelgebruikte algoritmen zijn onder andere lineaire regressie, k-nearest neighbors (KNN) en beslisbomen.
• Unsupervised learning: Het algoritme krijgt ongelabelde data en moet zelf verborgen structuren of patronen vinden. Dit wordt vaak gebruikt voor klantsegmentatie (clustering). K-means-clustering en principal component analysis (PCA) behoren tot de meest gebruikte algoritmen.
• Reinforcement learning (RL): Neemt een heel andere route: RL leert agents via trial-and-error met een belonings- en strafsysteem. Een RL-agent ontvangt feedback op zijn interactie met de omgeving en leert geleidelijk welk gedrag de cumulatieve beloning in de tijd maximaliseert. Dit is de methode waarmee robots en geavanceerde spelende AI, zoals AlphaGo, worden getraind.

Wil je een goede basis in machine learning, werk dan de skill track Machine Learning Fundamentals with Python door.

Deep learning

Deep learning (DL) is een gespecialiseerde subset van ML die is geïnspireerd op de structuur van het menselijk brein. Het gebruikt kunstmatige neurale netwerken met veel lagen (vandaar "deep") om complexe, niet-lineaire relaties in enorme datasets te modelleren. Waar traditionele ML kan afvlakken bij meer data, blijft DL vaak verbeteren.

Belangrijke architecturen zijn onder meer:

• Convolutional neural networks (CNN’s): De gouden standaard voor beeldverwerking. Ze gebruiken "filters" om automatisch afbeeldingen te scannen en ruimtelijke hiërarchieën zoals randen, vormen en texturen te detecteren.
• Recurrent neural networks (RNN’s): Ontworpen voor sequentiële data zoals tijdreeksen of spraak. Ze behouden een "geheugen" van eerdere inputs om de huidige output te beïnvloeden.
• Transformers: De architectuur achter moderne Large Language Models (LLM’s), zoals GPT 5.2 en Gemini 3. Ze gebruiken een attention-mechanisme om hele reeksen data tegelijk te verwerken, waarbij de relatieve belangrijkheid van woorden wordt gewogen in plaats van ze stuk voor stuk te behandelen.
• Generative adversarial networks (GAN’s): Een framework waarin twee netwerken concurreren: een "generator" die nepdata maakt en een "discriminator" die probeert de neppe data te ontmaskeren. Deze competitie resulteert in zeer realistische synthetische outputs.
• Diffusiemodellen: De motor achter tools zoals Midjourney. Ze genereren hoogwaardige afbeeldingen door te leren willekeurige ruis systematisch terug te vertalen naar duidelijke, visueel onderscheidende beelden.

Als je deze modellen zelf wilt bouwen, begin dan met de cursus Introduction to Deep Learning with PyTorch.

Natural language processing

Natural language processing (NLP) richt zich op het in staat stellen van computers om menselijke taal op betekenisvolle wijze te begrijpen, interpreteren en genereren. NLP overbrugt de kloof tussen menselijke communicatie en machinebegrip door de ambiguïteit, contextafhankelijkheid en complexiteit van natuurlijke taal te hanteren.

Technieken omvatten het volgende: 

• Sentimentanalyse: Het sentiment achter een zin analyseren, bijvoorbeeld bepalen of een review positief of negatief is
• Named entity recognition (NER): Personen of plaatsen in tekst identificeren
• Tokenization: Tekst opdelen in kleinere eenheden, zoals woorden, lettergrepen of zelfs individuele tekens

Laten we een voorbeeld bekijken van sentimentanalyse met transformers in Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Computer vision

Computer vision stelt machines in staat betekenisvolle informatie af te leiden uit digitale afbeeldingen en video’s, waardoor computers visuele data kunnen waarnemen en begrijpen op een manier die lijkt op menselijke perceptie. Dit vakgebied houdt zich bezig met het identificeren van objecten, het meten van afstanden en zelfs het herkennen van patronen die onzichtbaar zijn voor menselijke waarnemers.

Computervisiesystemen combineren beeldverwerkingstechnieken met machine learning, met name deep learning, om steeds abstractere representaties uit ruwe visuele data te halen. Belangrijke taken zijn:

• Beeldclassificatie: Identificeren wat er op een afbeelding staat (bijv. "Dit is een kat").
• Objectdetectie: Lokaliseren waar een object is (bijv. "Er is een voetganger op coördinaten x,y").
• Gezichtsherkenning: Identiteit verifiëren op basis van gelaatskenmerken.

Medische beeldvorming is een van de meest impactvolle toepassingen van computer vision, waarbij AI-systemen tumoren detecteren in röntgenfoto’s, CT-scans en MRI-scans met nauwkeurigheidsniveaus die gelijk zijn aan of hoger liggen dan die van menselijke radiologen. Deze systemen vervangen geen medisch professionals, maar ondersteunen hen, bijvoorbeeld door mogelijke afwijkingen te markeren voor beoordeling door een expert.

Audioprocessing

Audioprocessing richt zich op het herkennen, interpreteren en synthetiseren van audiosignalen, inclusief zowel menselijke spraak als omgevingsgeluiden. Het doel is machines te laten luisteren, begrijpen en audiocontent genereren, en zo de kloof te overbruggen tussen akoestische golven en semantische betekenis. 

Automatic speech recognition (ASR) zet gesproken taal om in geschreven tekst en voedt spraakassistenten, transcriptiediensten en toegankelijkheidstools. Moderne ASR-systemen gebruiken transformer-architecturen om audiogolven direct te mappen naar tekstsequenties, met bijna-menselijke nauwkeurigheid bij schone spraak en gestaag betere prestaties onder uitdagende omstandigheden zoals achtergrondlawaai of accenten. 

Text-to-speech (TTS)-engines zoals Amazon Polly doen het omgekeerde en synthetiseren natuurlijk klinkende spraak uit geschreven tekst met neurale vocoders die realistische prosodie, intonatie en emotionele expressie genereren. Hedendaagse TTS-systemen kunnen stemmen klonen op basis van slechts enkele minuten voorbeeldaudio, wat zowel creatieve mogelijkheden als ethische zorgen oproept.

Toepassingen reiken verder dan spraakverwerking naar creatieve en praktische domeinen. Stemklonering maakt gepersonaliseerde virtuele assistenten mogelijk, audioboekvertellingen met consistente stemmen en controversiële deepfake-audio.

Robotica en belichaamde AI

Dit is het snijvlak van AI en engineering. Belichaamde AI houdt in dat je geavanceerde "breinen" (zoals vision-language-modellen) in fysieke robotlichamen plaatst. Terwijl veel AI puur digitaal bestaat, moet belichaamde AI omgaan met zwaartekracht, wrijving en de onvoorspelbare complexiteit van fysieke omgevingen. 

Die verankering in de realiteit introduceert uitdagingen die ontbreken bij puur computationele AI, maar maakt ook directe interactie met de fysieke wereld mogelijk. Traditionele robots vereisten expliciete programmering voor elke taak, waarbij ingenieurs handmatig precieze bewegingen en beslisbomen codeerden om specifieke uitkomsten te bereiken. 

Moderne belichaamde AI-systemen begrijpen natuurlijke taalcommando’s, zoals "pak de appel" of "maak die deur open", waarbij ze visuele perceptie gebruiken om objecten te identificeren en passende acties te plannen zonder taak-specifieke programmering. 

Deze vooruitgang adresseert de Paradox van Moravec: de observatie dat taken die voor mensen triviaal zijn, zoals was opvouwen, deuren openen en door rommelige ruimtes navigeren, buitengewoon moeilijk blijken voor robots, terwijl taken die mensen lastig vinden, zoals schaken of calculus, relatief gemakkelijk zijn voor AI. 

Belichaamde AI, met foundation-modellen, overbrugt eindelijk deze kloof door robots het perceptuele begrip en het adaptieve plannen te geven dat voor mensen vanzelfsprekend is. Toepassingen variëren van consumententoestellen zoals robotstofzuigers, industriële collaboratieve robots (cobots) tot geavanceerde humanoïden zoals Atlas van Boston Dynamics.

Capaciteitgebaseerde typen AI

Waar technologie bepaalt hoe AI is gebouwd, bepaalt capaciteit wat het kan in verhouding tot menselijke intelligentie. Deze classificatie fungeert als een tijdlijn van de evolutie van AI, van huidige beperkingen tot theoretische toekomsten.

Artificial narrow intelligence

Artificial Narrow Intelligence (ANI), ook wel zwakke AI genoemd, vertegenwoordigt de kunstmatige intelligentie die vandaag bestaat. Het betreft systemen die ontworpen zijn om uit te blinken in specifieke, vooraf gedefinieerde taken, maar volledig falen als ze iets buiten hun smalle trainingskaders moeten doen. Een schaakbot kan geen auto rijden en een medisch diagnostisch hulpmiddel kan geen poëzie schrijven.

Toch wordt de definitie van "smal" ruimer. De huidige state-of-the-art omvat geavanceerde multimodale Large Language Models (LLM’s). We zien de release van modellen als GPT-5.2 en Gemini 3, die tekst-, audio- en visuele input gelijktijdig kunnen verwerken. 

Hoewel ze redeneren nabootsen, missen ze nog steeds een echt begrip van de wereld. Ontwikkelaars werken met deze ANI-systemen via API’s om ze in applicaties te integreren.

De volgende stap binnen ANI is agentische AI. Dit zijn systemen die verder gaan dan passief chatten; ze kunnen autonoom meerstapsacties uitvoeren, zoals op het web zoeken om een vlucht te boeken, en fungeren zo als brug naar bredere intelligentie.

Artificial general intelligence

Artificial General Intelligence (AGI) is de heilige graal van AI-onderzoek. Het verwijst naar een theoretische fase waarin een machine het vermogen bezit om te leren, te redeneren en problemen op te lossen over volledig ongerelateerde domeinen heen, gelijk aan de cognitieve flexibiliteit van mensen.

De belangrijkste onderscheidende factor is generalisatie. Een ANI-systeem dat is getraind om Portugees te spreken, kan die kennis niet gebruiken om sneller Spaans te leren. Een AGI-systeem kan logica uit het ene veld toepassen op een ander zonder handmatige hertraining.

De tijdlijn voor AGI is onderwerp van felle discussie. Optimisten in de sector voorspellen de komst tussen 2026 en 2029. Sceptici daarentegen stellen dat we de fundamentele architectuur (met name accurate "wereldmodellen") missen om dit te bereiken en plaatsen de tijdlijn in 2040 of later.

Artificial superintelligence

Artificial superintelligence (ASI) beschrijft een hypothetische fase waarin AI de slimste menselijke geesten over vrijwel elk gebied overstijgt: wetenschappelijke creativiteit, algemene wijsheid, sociale vaardigheden en probleemoplossing. ASI zou niet alleen Einstein of Da Vinci evenaren; het zou hen net zo dramatisch voorbijstreven als zij de gemiddelde menselijke intelligentie overtroffen.

De grootste zorg rond ASI betreft recursieve zelfverbetering, waarbij een ASI zijn eigen architectuur herontwerpt om slimmer te worden en die verhoogde intelligentie vervolgens gebruikt voor verdere verbeteringen, wat een onstuitbare feedbacklus van exponentieel versnellende intelligentie creëert. 

Die intelligentie-explosie kan snel systemen opleveren die zo ver voorbij menselijk begrip liggen dat hun gedrag onvoorspelbaar wordt, wat diepgaande veiligheidsvragen oproept over alignment en controle. Als de doelen van een ASI zelfs maar licht afwijken van menselijke waarden, kan zijn superieure intelligentie die doelen nastreven op manieren die schadelijk zijn voor de mensheid.

Er bestaat geen geloofwaardige routekaart om ASI te bouwen en veel onderzoekers betwijfelen of superintelligentie überhaupt haalbaar of coherent is als concept. Desondanks motiveert de theoretische mogelijkheid van ASI serieus academisch werk aan AI-alignment om te zorgen dat steeds capabelere systemen behulpzaam en beheersbaar blijven. 

Functionaliteitgebaseerde typen AI

Waar capaciteit macht meet, meet functionaliteit hoe het systeem met de wereld interageert en data verwerkt. Deze classificatie stelt ons in staat onderscheid te maken tussen een schaakcomputer uit de jaren 90 en de sociale robots van de toekomst. Laten we elk type bekijken.

Reactieve machines

Reactieve machines vertegenwoordigen de meest basale en oudste vorm van AI. Deze systemen hebben geen besef van verleden of toekomst, maar werken strikt op basis van directe input volgens voorgeprogrammeerde regels.

Het onderscheidende kenmerk van reactieve AI is dat ze stateless en deterministisch is. Als je exact dezelfde input tien keer aan een reactieve machine geeft, produceert die exact dezelfde output tien keer. Ze kan niet van ervaring leren, omdat ze geen geheugen opslaat.

Een goed voorbeeld hiervan is IBM’s Deep Blue, de schaakcomputer die Garry Kasparov versloeg. Hij leerde Kasparovs psychologie niet; hij berekende eenvoudig de beste zet op basis van de huidige bordpositie. Standaard spamfilters die trefwoorden markeren zonder je e-mailgeschiedenis te analyseren, vallen ook in deze categorie.

AI met beperkt geheugen

AI met beperkt geheugen domineert moderne toepassingen. Door tijdelijk recente data of context op te slaan om geïnformeerde beslissingen te nemen, maken dit soort systemen dynamisch gedrag mogelijk. In tegenstelling tot reactieve machines verwijzen ze naar historische informatie binnen een beperkte contextwindow.

Vrijwel alle voorspellende AI en generatieve AI-tools die vandaag worden gebruikt, vallen in deze categorie. LLM’s zoals Claude Opus 4.5 behouden de gespreksgeschiedenis en onthouden wat je minuten geleden zei, zodat ze samenhangende antwoorden kunnen geven die voortbouwen op eerdere uitwisselingen. Het contextwindow bepaalt hoeveel historische informatie het systeem kan raadplegen. 

Zelfrijdende auto’s volgen de snelheid en het traject van nabijgelegen voertuigen gedurende enkele seconden en voorspellen hun toekomstige posities in plaats van alleen te reageren op hun huidige locatie.

Theory of Mind AI

Theory of Mind AI bevindt zich in een betwist gebied tussen onderzoeksprototype en praktische capaciteit. Systemen in deze categorie zouden menselijke mentale toestanden, overtuigingen, intenties, emoties en verlangens modelleren om gedrag accuraat te voorspellen. 

Deze capaciteit is essentieel voor natuurlijke sociale interactie, waardoor AI impliciete signalen kan interpreteren, bedrog kan detecteren of reacties kan aanpassen aan iemands stemming. 

Eerdere frontriermodellen zoals OpenAI’s GPT-4 behaalden al resultaten op menselijk niveau bij false-belief-taken, zoals het voorspellen van acties op basis van onjuiste overtuigingen, zoals aangetoond in de PNAS-studie uit 2024 van Stanford-onderzoeker Michal Kosinski. 

Toch debatteren experts of dit betekent dat moderne LLM’s al als echte Theory of Mind-systemen kunnen worden geclassificeerd of slechts patroonmatching toepassen uit taaltraining. Prototype-initiatieven zijn onder meer ToMnet van DeepMind, ontworpen om overtuigingen van andere agents af te leiden in gesimuleerde omgevingen.

Zelfbewuste AI

Zelfbewuste AI beschrijft een concept van machines met bewustzijn, sentience en een helder begrip van hun eigen bestaan los van de wereld om hen heen. 

Dit vertegenwoordigt niet alleen intelligentie, maar ook subjectieve ervaring. Zo’n machine zou niet alleen informatie over zichzelf verwerken, maar ook een gevoeld besef hebben van "ik besta" met bijbehorende gevoelens, behoeften en verlangens.

Dit niveau overstijgt computationele capaciteit en betreedt filosofisch terrein over de aard van bewustzijn zelf. Zou een zelfbewuste AI pijn, plezier of angst voor uitschakeling ervaren? Zo ja, verdient die dan morele overweging of rechten? Deze vragen verschuiven het gesprek van engineering naar ethiek.

Er zijn geen bestaande systemen die dit niveau benaderen. Fictieve voorbeelden, zoals HAL 9000 uit 2001: A Space Odyssey of Data uit Star Trek illustreren het concept, maar het blijft speculatief of dit ooit bereikt zal worden.

Belangrijke typen AI-modellen

Naast de theorie op hoofdlijnen moeten dataprofessionals de specifieke architecturen begrijpen die ze in productie tegenkomen. Grofweg kunnen de typen AI-modellen die vandaag in de industrie worden gebruikt, worden geclassificeerd als makers of analisten. Je kunt meer lezen over dit onderscheid in dit stuk over generatieve versus discriminerende modellen.

Generatieve AI: de makers

Generatieve AI-modellen zijn ontworpen om nieuwe data-instanties te genereren die lijken op je trainingsdata. Deze modellen leren de onderliggende kansverdeling van een dataset om originele tekst, afbeeldingen, code of audio te produceren. Deze verschuiving van analyse naar creatie biedt veel mogelijkheden voor schaalbare contentproductie, creatieve augmentatie en simulatie. 

Populaire voorbeelden zijn LLM’s zoals Claude voor schrijven en coderen, diffusiemodellen zoals Midjourney of Nano Banana Pro voor beeldsynthese, en videogeneratiemodellen zoals Sora die complexe scènes kunnen simuleren. Opvallend is dat niet alle afbeeldingsgeneratoren op diffusie steunen; modellen zoals GPT Image 1.5 gebruiken in plaats daarvan een autoregressieve architectuur.

Generatieve AI vormt een grote stap vooruit in agentische AI-workflows, waarin modellen niet alleen reageren, maar actief assets of plannen creëren. Later kijken we gedetailleerder naar AI-agents.

Discriminerende AI: de analisten

Hoewel generatieve AI de krantenkoppen haalt, blijft discriminerende AI, ook wel voorspellende AI genoemd, de ruggengraat van bedrijfsvoering. Deze modellen creëren geen nieuwe data; ze leren in plaats daarvan de grens tussen klassen in een dataset om inputs te classificeren of toekomstige waarden te voorspellen.

De bedrijfswaarde van discriminerende AI ligt in het vermogen om besluitvorming te informeren en risico’s te beoordelen. Organisaties gebruiken deze modellen om oordelen te automatiseren die consistente toepassing van geleerde criteria vereisen.

In tegenstelling tot generatieve modellen zijn discriminerende modellen niet gericht op creativiteit, maar geven ze prioriteit aan nauwkeurigheid en betrouwbaarheid, vaak in situaties met hoge inzet waar fouten grote consequenties hebben.

Voorbeelden zijn:

• Creditscoremodellen die het risico op wanbetaling voorspellen.
• Spamfilters die e-mails als ongewenst of legitiem classificeren.
• Medische diagnostische tools die afwijkingen op röntgenfoto’s identificeren.
• Financiële monitoringsystemen die frauduleuze transacties detecteren. 

Foundation-modellen

Foundation-modellen worden getraind op enorme, diverse datasets, waaronder tekst, afbeeldingen, code en gestructureerde data, en leren algemene patronen die toepasbaar zijn over domeinen heen. Een foundation-model leert niet alleen afbeeldingen classificeren of tekst genereren; het ontwikkelt een brede kennis van taal, redeneren en wereldkennis die overdraagbaar is naar nieuwe taken met minimale extra training.

Deze aanpak verkort de tijd en hoeveelheid data die nodig zijn om AI voor nieuwe toepassingen in te zetten drastisch. In plaats van voor elk specifiek probleem een apart model te bouwen, finetunen organisaties één foundation-model voor uiteenlopende taken, van analyse van juridische documenten tot codegeneratie en taalvertaling.

We zien momenteel een opkomst van Small Language Models (SLM’s). Dit zijn efficiënte, gedistilleerde versies van foundation-modellen die lokaal op apparaten (zoals laptops of telefoons) kunnen draaien en privacy en snelheid bieden zonder de enorme rekenkosten van cloudgebaseerde giganten.

Typen AI-agents

AI evolueert van passieve tools naar autonome agents die complexe workflows kunnen uitvoeren. Waar een standaardmodel wacht op een input om een output te produceren, kan een AI-agent zijn omgeving waarnemen, redeneren over hoe een doel te bereiken en actie ondernemen om het uit te voeren. Wil je de architectuur achter agents begrijpen en leren hoe je ze bouwt, begin dan met onze cursus Introduction to AI Agents.

Typen AI-agents worden doorgaans gecategoriseerd op hun complexiteit en autonomie. Laten we ze bekijken.

Eenvoudige reflex-agents

Reflex-agents zijn de eenvoudigste vorm van een agent. Ze werken strikt volgens een "conditie-actie"-regel, reageren alleen op hun huidige perceptie en negeren de geschiedenis. Een slimme thermostaat illustreert dit met regels als: Als de temperatuur onder 68°F zakt, zet de verwarming aan. Als deze boven 72°F komt, schakel koeling in. 

Productierobots op een assemblagelijn zijn een ander voorbeeld; ze voeren acties uit wanneer sensoren omstandigheden detecteren die aangeven dat onderdelen de aangewezen posities hebben bereikt. Reflex-agents blinken uit in repetitieve taken in stabiele omgevingen, maar hebben het moeilijk wanneer omstandigheden onverwacht veranderen, omdat ze het contextuele begrip missen om zich aan te passen.

Modelgebaseerde reflex-agents

Modelgebaseerde reflex-agents onderhouden een intern wereldmodel en volgen de toestand in de tijd om gedeeltelijk waarneembare omgevingen aan te kunnen. Ze reageren niet alleen, maar onthouden ook cruciale informatie die nodig is om correct te functioneren.

Autonome noodremsystemen illustreren dit door gegevens van radar en camera’s te fuseren om voertuigdynamiek in de tijd te volgen, in plaats van alleen op directe bedreigingen te reageren. Ze behouden nauwkeurige toestandschattingen, zelfs met onvolledige informatie, zoals het onthouden van de geschatte positie van een auto nadat die achter een vrachtwagen is verdwenen.

Doelgebaseerde agents

Doelgebaseerde agents handelen om specifieke doelstellingen te bereiken in plaats van slechts te reageren. Bij een doel als "plan een vakantie naar Italië" overwegen ze meerdere actiesequenties en evalueren ze welke tot het behalen van het doel leidt. Dit vertegenwoordigt de voorhoede van agentische AI.

Tools zoals Roo Code voor software-engineering of autonome boekingsassistenten voeren meerstapsworkflows uit zoals zoeken, vergelijken, controleren van restricties en beslissingen nemen om volledige taken te voltooien. Workflowplatforms zoals n8n maken het bouwen van complexe processen mogelijk waarin AI-agents keuzemomenten en adaptieve logica afhandelen.

Wil je een sterke basis in AI-agents opbouwen, neem dan onze track AI Agent Fundamentals.

Utility-gebaseerde agents 

Utility-gebaseerde agents gaan nog een stap verder: ze optimaliseren voor het beste pad naar doelen in plaats van zomaar een werkend pad. Ze doen dit met utilityfuncties die numerieke scores toekennen aan uitkomsten, waardoor kwantitatieve vergelijking mogelijk wordt. 

Waar een doelgebaseerde agent zomaar een vlucht naar Rome boekt, weegt een utility-gebaseerde agent factoren zoals kosten, duur, tussenstops en vertrektijden af om de totale utility te maximaliseren.

Voorbeelden zijn algoritmische handelssystemen die winst afwegen tegen risico, en navigatie-apps zoals Waze, die routes optimaliseren op basis van voorkeuren zoals snelste tijd, kortste afstand of tolwegen vermijden.

Lerende agents

Lerende agents opereren in onbekende of veranderende omgevingen en verbeteren continu door ervaring zonder menselijke tussenkomst. De architectuur omvat een criticus die prestatiefeedback geeft en een lerend element dat het beleid van de agent aanpast. 

Marsrovers leren welke terreinkenmerken veilige paden aangeven wanneer ze nieuwe geologische formaties tegenkomen. Het aanbevelingsalgoritme van Netflix is een ander voorbeeld: het verfijnt voortdurend het begrip van gebruikersvoorkeuren op basis van kijkgeschiedenis, en verbetert zo de suggesties in de tijd.

Agentische frameworks: de agents bouwen

Agentische frameworks fungeren als het besturingssysteem voor complexe agents en verbinden de redeneerkern (meestal een LLM) met geheugen, tools en multi-agentcoördinatie. Ze beheren:

• Orchestratie: Bepalen welke agent elke subtaak afhandelt en de workflow tussen componenten beheren
• Planning: Complexe doelen opdelen in uitvoerbare stappen en aanpassen wanneer omstandigheden veranderen
• Toolgebruik: Agents toegang geven tot zoekmachines, databases, API’s of code-executie
• Geheugen: Gespreksgeschiedenis en langetermijncontext behouden voorbij directe interacties

Populaire frameworks zijn onder meer:

• LangChain/LangGraph: Industriestandaard voor het verbinden van LLM’s met databronnen, met uitgebreide integraties.
• Google ADK: Open-sourceframework voor het bouwen van geavanceerde agents op Vertex AI.
• CrewAI: Orchestreert meerdere role-playing-agents die samenwerken aan complexe taken.

Voor een snel naslagwerk over deze architecturen raad ik je de cheat sheet AI Agents aan. 

Conclusie

We hebben hier veel terrein verkend; tijd om af te ronden. 

In plaats van AI te zien als één monolithische technologie, moeten we het herkennen als een divers ecosysteem van gespecialiseerde benaderingen, elk geschikt voor specifieke problemen. AI volledig begrijpen vereist dat we ernaar kijken door de drie verschillende lenzen van technologie, capaciteit en functionaliteit.

We bevinden ons momenteel in de overgang van smalle AI gericht op specifieke taken naar vroege vormen van agentische AI die autonoom complexe workflows uitvoeren, wat dit een kritisch kantelpunt maakt voor adoptie in alle sectoren.

Zet de eerste stap naar AI-expert worden door je in te schrijven voor de skill track AI Fundamentals.