Hoofdstuk 4: Modelontwikkeling en validatie

Van meetgegevens naar een zelflerend systeem

Wanneer er voldoende betrouwbare, gelabelde gegevens beschikbaar zijn, kan de ontwikkeling van het AI-model van start gaan. Dit model vormt het 'denkvermogen' achter het systeem voor vroege lameness-detectie. Het leert om afwijkingen in het bewegingspatroon van paarden te herkennen, door herhaaldelijk verbanden te leggen tussen meetgegevens en klinische beoordeling. Dit is geen automatisch proces, maar een zorgvuldig opgebouwd leertraject, waarbij het systeem steeds beter leert voorspellen op basis van ervaring – net als een jonge dierenarts die met elke casus wijzer wordt.

Het leerproces van het AI-model wordt meestal uitgevoerd via supervised learning – oftewel ‘leren onder toezicht’. Het systeem krijgt datasets te zien van bewegingen van paarden, waarbij al bekend is of deze als gezond, asymmetrisch of kreupel zijn beoordeeld. Zo leert het model stap voor stap welk patroon bij welke classificatie hoort. Vergelijk het met een leerling die telkens na het maken van een opgave het juiste antwoord te zien krijgt, en zo zijn inschattingsvermogen verfijnt.

Keuze van algoritmes: eenvoudig of geavanceerd?

Afhankelijk van de omvang van de dataset, de complexiteit van de bewegingsgegevens en het beoogde gebruik van het systeem, wordt gekozen welk type algoritme het meest geschikt is. Sommige modellen zijn relatief eenvoudig en goed uitlegbaar, terwijl andere dieper en krachtiger zijn, maar ook moeilijker te interpreteren.

Een aantal veelgebruikte AI-technieken:

• Beslisbomen en random forests zijn eenvoudig te begrijpen modellen die goed werken bij overzichtelijke datasets. Ze zijn geschikt voor situaties waarin duidelijke onderscheidende kenmerken (features) aanwezig zijn.
• Support Vector Machines (SVM) bieden goede prestaties bij kleinere datasets, vooral wanneer er een duidelijke scheiding is tussen de categorieën (‘wel of geen kreupelheid’).
• Neurale netwerken, en met name diepe neurale netwerken zoals LSTM (Long Short-Term Memory) of CNN (Convolutional Neural Networks), zijn krachtiger. Deze systemen kunnen complexe temporele patronen herkennen, zoals kleine veranderingen in pasritme of asymmetrie in verschillende gangen. Ze zijn echter ook gevoeliger voor fouten als de dataset niet divers genoeg is.

Belangrijk is dat het gekozen model niet alleen kijkt naar de ruwe beweging, maar ook context begrijpt: variaties in snelheid, ondergrond, rijstijl of trainingssituatie. Pas dan ontstaat een systeem dat zich aanpast aan de realiteit van de stal.

“Validatie is de brug tussen theorie en praktijk.”

Validatie: hoe weet je of het model werkt?

Na de trainingsfase moet het model worden gevalideerd – gecontroleerd op hoe goed het functioneert buiten de trainingsgegevens. Dit gebeurt door de originele dataset op te splitsen in drie delen:

• De trainingsset: gebruikt om het model de patronen aan te leren.
• De validatieset: om het model bij te sturen tijdens het leren.
• De testset: volledig nieuwe data waarop wordt getoetst hoe goed het model presteert.

Belangrijke kwaliteitsmaten in dit proces zijn onder andere:

• Nauwkeurigheid (accuracy): hoe vaak voorspelt het model het juiste label?
• Sensitiviteit: hoe goed herkent het systeem daadwerkelijk kreupele paarden?
• Specificiteit: hoe goed herkent het systeem gezonde paarden als zodanig?
• Foutmarge: het aantal keren dat het systeem zich vergist – zowel fout-positieven als fout-negatieven.

Goed uitgevoerde validatie maakt duidelijk of het model generaliseerbaar is: werkt het ook op andere paarden, op een andere locatie, op een andere dag?

Voorkomen van overfitting: trainen op variatie

Een veelvoorkomende valkuil in modelontwikkeling is overfitting: het model leert de trainingsdata zó goed uit het hoofd, dat het slecht presteert op nieuwe situaties. Dit gebeurt bijvoorbeeld als het model alleen jonge sportpaarden heeft gezien, en vervolgens moeite heeft met het interpreteren van bewegingen van oudere of recreatiepaarden.

De sleutel om dit te voorkomen is diversiteit: het systeem moet worden getraind met gegevens van verschillende paardenrassen, leeftijden, gangen, rijstijlen en omstandigheden. Ook cross-validation, waarbij het model herhaaldelijk op verschillende combinaties van data wordt getraind en getest, helpt om de robuustheid te vergroten.

Een robuust model is niet alleen accuraat onder ideale omstandigheden, maar ook betrouwbaar in de variatie van de praktijk.

Reflectie: combineer technologie met deskundigheid

Een goed werkend AI-model is nooit af. Het moet periodiek worden geëvalueerd, hertraind en aangepast wanneer het wordt ingezet in nieuwe contexten. Het is daarom belangrijk dat dierenartsen betrokken blijven bij dit proces. Zij kunnen afwijkingen herkennen die niet onder kreupelheid vallen – zoals neurologische aandoeningen of gedragsproblemen – en het systeem helpen bijsturen als het buiten zijn reikwijdte treedt.

AI levert een schat aan informatie, maar geen kant-en-klaar antwoord. Het systeem ondersteunt, maar vervangt niet. De interpretatie van de resultaten vraagt altijd om deskundig oordeel, praktijkervaring en kennis van het individuele paard.

Door technologie te combineren met vakmanschap ontstaat een krachtig geheel. AI helpt ons beter kijken, sneller reageren en doelgerichter handelen – maar alleen als we begrijpen hoe het leert, wanneer het faalt en wat het ons werkelijk vertelt.

Liever zonder onderbrekingen lezen?

Download deze gids nu voor een aanbiedingsprijs – reclamevrij en altijd bij de hand!