Ongesuperviseerd leren: hoe machines zelf patronen ontdekken in data

Bijgewerkt: 12 augustus 2026 · 6 min leestijd

Stel je voor dat iemand je een doos met duizend foto's geeft, zonder bijschriften, en vraagt om ze te sorteren in groepen die bij elkaar horen. Je weet niet vooraf hoeveel groepen er moeten zijn of waar ze precies over gaan. Toch zul je al snel patronen zien: sommige foto's zijn genomen op het strand, andere in de sneeuw, sommige tonen honden, andere katten. Je ontdekt de indeling zelf, puur op basis van gelijkenissen in de foto's.

Dat is in essentie wat ongesuperviseerd leren (unsupervised learning) is: een tak van machine learning waarbij een computerprogramma patronen, groepen of structuren ontdekt in data zonder dat iemand van tevoren heeft aangegeven wat de "juiste" antwoorden zijn. Dit staat tegenover supervised learning (gesuperviseerd leren), waarbij elk voorbeeld in de trainingsdata al een label heeft — bijvoorbeeld duizenden foto's die stuk voor stuk zijn voorzien van het woord "kat" of "hond". Bij ongesuperviseerd leren ontbreekt die hulp: het systeem moet het zelf uitzoeken.

Wat is het precies?

In machine learning wordt meestal onderscheid gemaakt tussen drie hoofdvormen van leren. Bij supervised learning krijgt een model gelabelde voorbeelden (input plus het juiste antwoord) en leert het de relatie daartussen. Bij reinforcement learning (leren via beloning) leert een systeem door te experimenteren en feedback te krijgen in de vorm van een beloning of straf, zoals een computer die leert schaken door te winnen of verliezen. Bij ongesuperviseerd leren krijgt het systeem alleen ruwe, ongelabelde data en moet het zelf structuur vinden.

Een veelgebruikte techniek is clustering (groepering): data-punten worden ingedeeld in groepen op basis van onderlinge gelijkenis, zonder dat vooraf is vastgelegd wat die groepen betekenen. Een bekend en eenvoudig algoritme hiervoor is k-means, dat data verdeelt in een vooraf gekozen aantal clusters door steeds punten toe te wijzen aan het dichtstbijzijnde "zwaartepunt" van een groep.

Een andere veelgebruikte techniek is dimensiereductie: het samenvatten van veel variabelen tot een klein aantal hoofdpatronen, zodat data overzichtelijker wordt en makkelijker te visualiseren of verder te verwerken is. De bekendste methode hiervoor is PCA (principal component analysis, ofwel hoofdcomponentenanalyse), een wiskundige techniek die al sinds het begin van de twintigste eeuw bestaat in de statistiek.

Een derde toepassing is anomaliedetectie: het opsporen van data-punten die sterk afwijken van de rest, zonder dat vooraf is gedefinieerd wat "afwijkend" precies betekent. Het systeem leert eerst wat normaal is, en markeert vervolgens alles wat daar sterk van afwijkt.

Belangrijk om te weten: bij moderne grote taalmodellen (zoals de systemen achter chatbots) wordt vaak losjes gesproken over "ongesuperviseerd" trainen op enorme hoeveelheden tekst. Technisch gezien is dit meestal self-supervised learning (zelfsupervisie): het model genereert zelf labels uit de data, bijvoorbeeld door telkens het volgende woord in een zin te voorspellen en zichzelf te corrigeren als het fout zit. Dat is niet hetzelfde als klassieke clustering of PCA, maar het gebruikt wel ongelabelde data als grondstof, wat de termen in de praktijk vaak door elkaar laat lopen.

Wat wil men ermee bereiken?

De belangrijkste reden om ongesuperviseerd te leren is praktisch: het labelen van data door mensen is duur, traag en foutgevoelig. Er is wereldwijd enorm veel ongelabelde data beschikbaar — teksten, foto's, sensordata, transactiegegevens — maar slechts een fractie daarvan is ooit met de hand voorzien van labels. Technieken die zonder labels kunnen werken, benutten dus een veel grotere hoeveelheid data.

Daarnaast kan ongesuperviseerd leren structuur blootleggen die mensen zelf niet hadden verwacht of gezien. Omdat er geen vooraf bepaalde categorieën worden opgelegd, kan een algoritme onverwachte groepen of verbanden ontdekken in bijvoorbeeld klantgedrag, genetische data of financiële transacties.

Tot slot wordt ongesuperviseerd (en self-supervised) leren steeds vaker gebruikt als eerste stap, een soort voorbereidende training, waarna een model met relatief weinig gelabelde data verder wordt afgesteld voor een specifieke taak. Dit maakt het bouwen van AI-systemen goedkoper en toegankelijker, omdat niet alles vanaf nul met gelabelde data hoeft te worden getraind.

Voorbeelden uit de praktijk

Een van de bekendste vroege demonstraties is het zogeheten Google Brain-kattenexperiment uit 2012, uitgevoerd door onderzoekers waaronder Quoc Le, Jeff Dean en Andrew Ng. Zij trainden een groot neuraal netwerk op miljoenen ongelabelde, willekeurige beelden uit YouTube-video's, zonder ooit aan te geven wat er op de beelden te zien was. Het netwerk ontwikkelde vanzelf een interne "neuron" dat sterk reageerde op afbeeldingen van katten — een concept dat het systeem dus zelf had afgeleid uit patronen in de data, zonder ooit het woord "kat" te hebben gezien.

Een ander invloedrijk voorbeeld is Word2Vec, een techniek die onderzoekers bij Google in 2013 publiceerden. Word2Vec leert de betekenis van woorden af uit grote hoeveelheden ongelabelde tekst, door te kijken welke woorden vaak in dezelfde context voorkomen. Het resultaat is dat woorden met een vergelijkbare betekenis (bijvoorbeeld "koning" en "koningin") wiskundig dicht bij elkaar komen te liggen, puur op basis van patronen in tekst, zonder dat iemand de betekenis van die woorden heeft ingevoerd.

In de biologie wordt clustering veel gebruikt bij single-cell RNA-sequencing, een techniek waarmee onderzoekers de genactiviteit van individuele cellen meten. Met ongesuperviseerde clusteringmethoden, vaak toegepast via softwarepakketten zoals Scanpy of Seurat, worden cellen ingedeeld in celtypes op basis van overeenkomsten in genexpressie, zonder dat vooraf vaststaat hoeveel celtypes er zijn of hoe ze heten.

Ook in de financiële sector wordt de techniek toegepast: banken gebruiken anomaliedetectie om ongebruikelijke transactiepatronen te signaleren die kunnen wijzen op fraude, zonder dat elk denkbaar fraudegeval vooraf gelabeld hoeft te zijn. Zulke systemen leren wat "normaal" betaalgedrag is en slaan alarm bij afwijkingen.

Hoe ver is de techniek?

Klassieke ongesuperviseerde methoden zoals clustering en PCA zijn geen nieuwe uitvinding: ze zijn al tientallen jaren gevestigde, veelgebruikte technieken in statistiek en data-analyse, ruim voordat de term "machine learning" populair werd. Op dat vlak is de techniek volwassen en betrouwbaar.

Wat wél sterk in ontwikkeling is, is het gebruik van grootschalige (self-)supervised voortraining op enorme hoeveelheden ongelabelde tekst, beeld of geluid als basis voor krachtige AI-modellen. Deze aanpak is sinds ongeveer 2018 in een stroomversnelling geraakt en vormt de basis onder de grote taalmodellen die de afgelopen jaren veel aandacht kregen.

Er zijn ook duidelijke obstakels. Omdat er bij ongesuperviseerd leren geen "juist antwoord" is om tegen af te zetten, is het vaak lastig om objectief te beoordelen of de gevonden patronen daadwerkelijk nuttig of correct zijn — twee verschillende clusteringen van dezelfde data kunnen allebei "geldig" lijken. Resultaten zijn bovendien soms moeilijk te interpreteren: een algoritme kan een cluster vormen zonder dat duidelijk is waaróm die punten bij elkaar horen. Tot slot kan onzichtbare vertekening (bias) in de brondata ongemerkt doorwerken in de gevonden patronen, omdat er geen menselijke labels zijn die als controle dienen.

Wie werken eraan?

Onderzoek naar ongesuperviseerd en self-supervised leren wordt wereldwijd gedaan, met een aantal spelers die er nadrukkelijk op inzetten. Meta AI (het onderzoekslab van Meta, voorheen FAIR) profileert zich sterk op dit terrein; hoofdwetenschapper Yann LeCun pleit al jaren publiekelijk voor meer onderzoek naar self-supervised en ongesuperviseerd leren als weg naar robuustere, mensachtigere AI. Ook Google DeepMind en OpenAI gebruiken grootschalige ongelabelde datasets als basis voor hun modellen.

Academisch gezien geldt de University of Toronto, met onder meer Geoffrey Hinton (een van de grondleggers van het moderne deep learning-onderzoek), als een belangrijk centrum. In Nederland doet onder andere de onderzoeksgroep AMLab van de Universiteit van Amsterdam, met hoogleraar Max Welling, gerenommeerd onderzoek naar machine learning-technieken, waaronder methoden die met weinig of geen gelabelde data werken.

Daarnaast wordt de techniek breed toegepast door bedrijven en instellingen buiten de kern-AI-industrie, van biotechbedrijven die genomica-clustering gebruiken tot banken en verzekeraars die anomaliedetectie inzetten — vaak zonder dat dit expliciet als "AI-onderzoek" wordt gepresenteerd, maar simpelweg als standaard data-analyse.