Trends op het gebied van machine learning 2026: technologische veranderingen en de gevolgen voor het bedrijfsleven

Een van de oudste problemen op het gebied van machine learning speelt nog steeds een grote rol: train een model in de ene omgeving, pas het toe in een iets andere omgeving, en zie hoe de prestaties achteruitgaan.

Domein-generalisatie heeft tot doel modellen in staat te stellen goed te presteren op gegevensverdelingen die ze nog niet eerder hebben gezien. Een onderzoek uit 2026 naar patroonclassificatie in onbekende omgevingen beschrijft precies dit probleem: veranderingen in sensoren, acquisitieomstandigheden of andere domeinkenmerken kunnen al voldoende zijn om een model ernstig te verstoren.

De praktische toepassing is gemakkelijk voor te stellen. Een visiemodel dat in de ene fabriek is getraind, moet in een andere fabriek met andere camera’s functioneren. Een medisch model wordt in een ander ziekenhuis ingezet. Een fraudemodel krijgt te maken met een nieuwe klantengroep.

Ik vermoed dat dit minder een onderzoeksspecialisme zal worden en meer een basisvereiste voor de implementatie.

De meeste productiemodellen leren nog steeds in stappen: nieuwe gegevens verzamelen, opnieuw trainen, valideren en opnieuw implementeren.

Bij continu leren wordt gestreefd naar een soepeler proces. Het model blijft leren naarmate er nieuwe gegevens binnenkomen, zonder te vergeten wat het eerder wist.

Dat laatste is het addertje onder het gras.

Een systematische review uit 2026 van 189 peer-reviewed artikelen over continu leren identificeert catastrofaal vergeten nog steeds als een van de centrale problemen binnen het vakgebied: het leren van iets nieuws kan de prestaties bij oudere taken negatief beïnvloeden.

Ik zou geplande bijscholing dus niet vervangen door continu leren, alleen maar omdat die naam beter klinkt. Maar voor fraudedetectie, industriële systemen, aanbevelingen en andere omgevingen die voortdurend veranderen, ligt de aantrekkingskracht voor de hand.

Het heeft wel iets grappigs dat we jarenlang hebben geprobeerd om neurale netwerken alles uit gegevens te laten leren, om er vervolgens achter te komen dat de bekende natuurkundige wetten toch nog van nut kunnen zijn.

Google’s NeuralGCM is een goed voorbeeld. Het combineert machine learning met een op fysica gebaseerde atmosferische solver, in plaats van één van beide het hele werk te laten doen. In onderzoek dat is gepubliceerd in Nature, leverde het model concurrerende weer- en klimaatvoorspellingen op, terwijl het drie tot vijf ordes van grootte minder rekenkracht gebruikte dan vergelijkbare conventionele modellen.

Dat idee reikt veel verder dan alleen het weer.

Als we de fysische beperkingen, technische regels of andere domeinrelaties al kennen, kan het zinvoller zijn om deze in het model in te voeren dan een neuraal netwerk te vragen om de zwaartekracht opnieuw te ontdekken aan de hand van een spreadsheet.

Voorspellingen geven antwoord op vragen als:

Wie loopt het risico om weg te gaan?

Bedrijven willen meestal weten wat de volgende vraag is:

Wie blijft er als we korting geven?

Dat is een causale vraag.

Causale ML combineert machine learning met causale inferentie om in te schatten wat er bij verschillende interventies kan gebeuren. Deze methode wordt in de geneeskunde al gebruikt om de effecten van individuele behandelingen in te schatten, hoewel onderzoekers nog steeds waarschuwen dat onjuiste aannames en verstorende factoren tot overtuigende maar verkeerde conclusies kunnen leiden.

Ik denk dat dit een van de interessantere invalshoeken is, omdat het de doelstelling van het model verandert. Voorspelling beschrijft een waarschijnlijke toekomst. Causale machine learning probeert je te vertellen of een bepaalde handeling die toekomst zal veranderen.

Een veel moeilijker probleem.

Een veel nuttiger exemplaar.

Een model dat aangeeft dat het “92% betrouwbaar” is, geeft een geruststellend gevoel.

Het kan ook onzin zijn.

Bij onzekerheidskalibratie wordt getracht de betrouwbaarheid in overeenstemming te brengen met de werkelijke voorspellende nauwkeurigheid. In een in 2026 gepubliceerd onderzoek in Nature Machine Intelligence in 2026 beschrijft kalibratie als essentieel voor een betrouwbare implementatie van machine learning, juist omdat moderne modellen een hoge mate van zekerheid kunnen uitstralen terwijl ze toch onjuist zijn.

De verschuiving in de distributie maakt dit nog erger. Uit een studie uit 2026 Scientific Reports bleek dat voorspellende modellen zowel aan prestaties als aan kalibratie kunnen inboeten wanneer ze worden toegepast op heterogene datasets uit de praktijk.

Voor bedrijven is het nuttige resultaat niet een model dat altijd een antwoord geeft. Soms is het betere model juist het model dat in feite zegt: Ik weet het hier niet zo zeker over, geef het maar aan een mens.

Daar zou ik graag veel meer van zien.