greenai.guide

Home › Hoe doe ik…? › Hoe bepaal ik of klassieke machine learning volstaat in plaats van een LLM?

Hoe doe ik…?

Hoe bepaal ik of klassieke machine learning volstaat in plaats van een LLM?

Bijgewerkt · 1 min. leestijd

In het kort

Als uw invoer gestructureerde data of korte gelabelde tekst is en de uitvoer een getal, een categorie of een rangschikking, probeer dan eerst een klassiek model: een lineair model, gradient-boosted trees of een kleine classifier. Die zijn veel goedkoper om te draaien, sneller, makkelijker uit te leggen en vaak even nauwkeurig. Grijp naar een groot taalmodel wanneer de taak echt open taal vraagt.

Stappen

  1. Schrijf het type invoer, het type uitvoer en de kwaliteitseis op.
  2. Bouw eerst een eenvoudige basislijn, zoals een regel, een lineair model of gradient-boosted trees.
  3. Probeer een kleine gefinetunede classifier als de invoer vrije tekst is.
  4. Test een LLM alleen als de basislijnen de eis niet halen, en dan op dezelfde evaluatieset.
  5. Vergelijk kwaliteit, latentie en energie per voorspelling voordat u kiest.

Gebruik het eenvoudigste model dat aan uw kwaliteitseis voldoet. Voor gestructureerde data en smalle labeltaken is dat meestal een klassiek machine-learningmodel, geen groot taalmodel.

Waarom is dit belangrijk?

Luccioni, Jernite en Strubell maten de energie van het draaien van modellen voor veel verschillende taken. Tekst classificeren was een van de goedkoopste taken, met ongeveer 0,002 kWh per 1.000 inferenties, terwijl algemene generatieve modellen voor dezelfde taak ordes van grootte meer kostten dan taakspecifieke modellen. Ook de Web Sustainability Guidelines van het W3C vragen teams de noodzaak van AI te beoordelen voordat ze het invoeren.

Een Britse green AI-sandpit (een verkennende werksessie) uit 2026 met wiskundigen, informatici en mensen uit het bedrijfsleven maakte hetzelfde punt vanuit een andere hoek: mensen grijpen vaak naar AI terwijl een goed begrepen statistische of numerieke methode het werk al doet.

Een snelle test

Uw taak Probeer eerst
Een getal voorspellen uit tabeldata Lineair model of gradient-boosted trees
Een van een paar labels toekennen Kleine gefinetunede classifier
Vergelijkbare items vinden Embeddings plus een nearest-neighbour-index
Een tijdreeks voorspellen Gevestigde statistische voorspellingsmethoden
Schrijven, uitleggen of een gesprek voeren Hier verdient een LLM zijn kosten terug

Veelgemaakte fouten

  • De basislijn overslaan. Zonder basislijn kunt u niet zien of de LLM iets toevoegt.
  • Een LLM data laten labelen waarop u daarna nooit traint. Gebruik hem één keer om labels te maken en train dan een klein model.
  • Alleen op nauwkeurigheid vergelijken. Neem ook latentie, energie per voorspelling en de uitlegbaarheid van fouten mee.

Lees meer in het juiste model kiezen en wiskunde voor efficiënte AI.

Bronnen

  1. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  2. Web Sustainability Guidelines, W3C (2025)

Doe mee

Help de impact van AI op de planeet te verkleinen

Ontvang ongeveer eens per maand nieuwe gidsen, financieringsoproepen en vermeldingen per e-mail. Of voeg uw product, cursus, promotieplaats of onderzoek toe aan de gidsen.

Geen tracking. Met één klik afmelden. Andere manieren om mee te doen · Privacy