Gepost door Wouter van den Brink op 16 december 2025
In onze roadmap kondigden we aan dit schooljaar het keuzethema over Cognitive Computing op de schop te nemen. In deze blog vertellen we je graag meer over onze plannen over dit onderwerp.
Cognitive computing, of kunstmatige intelligentie, zoals we dat steeds meer in de volksmond noemen, is in 2019 als nieuw onderwerp geïntroduceerd in het examenprogramma informatica. Het onderwerp lijkt in de laatste jaren een ware revolutie door te gaan, met de introductie van allerlei taalmodellen, intelligente agents en indrukwekkende video-tools. Dat hoeven we je vast niet uit te leggen.
Maar vergis je niet: kunstmatige intelligentie is een van de oudste velden binnen de informatica! Al in 1956 werd de wens om intelligentie kunstmatig na te bootsen formeel gedefinieerd. Kunstmatige intelligentie is dus (veel) ouder dan bijvoorbeeld het internet en stamt uit dezelfde periode waar transistorradio's in opkomst kwamen. Het idee was – en is vandaag nog altijd – dat elk aspect van intelligentie dusdanig precies moet kunnen worden omschreven, dat we machines kunnen maken die het simuleren.
In het eerste hoofdstuk van ons nieuwe lesmateriaal over kunstmatige intelligentie vormen leerlingen aan de hand van prikkelende casussen een steeds completere definitie van kunstmatige intelligentie. Door samen na te denken over verschillende interessante toepassingen van AI krijgen we steeds betere antwoorden op de volgende vragen:
We focussen in dit hoofdstuk dus niet alleen op de zakelijke, objectieve aspecten van het onderwerp, maar vooral ook op de menselijke aspecten.
Het tweede hoofdstuk draait om zoekproblemen. Een zoekalgoritme zoekt een route van een beginsituatie naar een gewenste eindsituatie. Dat kan een letterlijke route zijn, zoals van je huis naar je vakantiebestemming. Het kan ook een figuurlijke route zijn, zoals van een dambord naar een overwinning.
In een zoekalgoritme is er sprake van een agent die vanuit een bepaalde begintoestand moet uitkomen in een eindtoestand. De agent kan acties ondernemen om naar een andere toestand te komen. De oplossing – de set van acties die leidt tot de eindtoestand – is voor zowel de agent als voor ons van tevoren niet bekend. Gelukkig hebben we in de loop der tijd veel algoritmes en systemen ontwikkeld die snel een oplossing kunnen genereren.
Zoekalgoritmen kom je natuurlijk tegen bij letterlijke zoekproblemen: routeplanners en bots in computerspellen maken gebruik van zoekalgoritmen om hun route te bepalen. Maar er zijn ook tal van andere problemen waar de route wat abstracter is, zoals puzzels en het spel boter, kaas en eieren.
In het derde hoofdstuk behandelen we verschillende machine learning-technieken. Zulke technieken kunnen worden gebruikt om een agent te trainen om bepaalde patronen in een dataset te kunnen herkennen.
Er komen ook weer ethische vraagstukken om de hoek kijken. Welke data kies je om een agent te trainen? En welke invloed heeft dat op het uiteindelijke gedrag van de agent?
In dit hoofdstuk gaan leerlingen ook praktisch aan de slag. Ze lossen een probleem op met machine learning en een eenvoudige dataset. Alle facetten van machine learning komen hierbij aan bod: traindata, testdata, entropie, informatiewinst en de confusion matrix.
Tot voor kort waren neurale netwerken dé grootste spelers in het veld van kunstmatige intelligentie. Door het menselijk brein te simuleren op het niveau van neuronen, kunnen we het leerproces en intelligentie simuleren. Dat is in ieder geval het idee. En in de praktijk blijkt het behoorlijk goed te werken. Leerlingen gaan dit in dit vierde hoofdstuk zelf ervaren, door een eenvoudig neuraal netwerk te trainen en testen.
Dit is ook een niveau van kunstmatige intelligentie waar we de controle voor het eerst lijken te kunnen verliezen. We kunnen soms niet langer verklaren waarom een neuraal netwerk een bepaalde keuze heeft gemaakt. Ook deze ethische gevolgen worden bespreekbaar gemaakt in dit hoofdstuk.
In het vijfde hoofdstuk bespreken we de werking van generatieve AI en grote taalmodellen. Deze technieken zijn dé drijvende kracht achter de meeste recente AI-innovaties, zoals Claude en Sora.
We zullen vooral kijken naar de werking van deze innovatieve technieken. Hoe kan het toch dat een taalmodel zó goed kan praten, dat het soms net lijkt of je met een ander persoon praat? Het blijkt allemaal gebaseerd te zijn op statistiek en héél veel wiskunde.
Leerlingen ontwikkelen in dit hoofdstuk hun eigen miniatuur-taalmodel. Het is niet bijster intelligent, maar kan wel zelfstandig zinnen genereren. Het bijzondere? Het grootste verschil tussen dit kleine taalmodel en populaire chatbots is de hoeveelheid data die is gebruikt om ze te trainen!
Het nieuwe lesmateriaal wordt op dit moment ontwikkeld en is naar verwachting vanaf juli 2026 beschikbaar in Fundament. Om van het nieuwe lesmateriaal gebruik te maken, is een licentie voor de keuzethema's nodig.
Nog niet in het bezit van een licentie voor de keuzethema’s, maar wel geïnteresseerd? Onze adviseurs helpen je graag verder. Neem contact op via [email protected]!
-- Share It --
16/1: Programmeerweekend voor meisjes (Informatica Olympiade)
29/1: Netwerkbijeenkomst informatica (regio oost)
7/3: Deadline aanmeldingen 3i Award
25/3: Inspiratiedag Informatica
26/3: Lerarendag van de digitale geletterdheid
