Teachable Machine: wat je er in de praktijk aan hebt
Teachable Machine is zo’n tool waar je na vijf minuten mee spelen denkt: waarom is dit niet eerder gemaakt. Je traint gewoon in je browser een AI-model, zonder ook maar één regel code te schrijven.
Je maakt modellen voor beelden, geluid en houdingen, en kunt ze daarna exporteren naar websites, apps of andere projecten. Handig als je AI wilt snappen, ermee wilt experimenteren of snel een prototype wilt bouwen zonder meteen een ontwikkelteam nodig te hebben.
Zie het als een soort digitale proeftuin. Je probeert een idee uit, kijkt of het werkt, en beslist daarna pas of je er tijd en geld in gaat steken om het groter aan te pakken.
Wat Teachable Machine precies is
Teachable Machine is een gratis online tool van Google waarmee je zelf machine learning-modellen traint. Dat doe je door voorbeelden te geven: foto’s, geluiden of houdingen die bij een bepaalde categorie horen.
De tool leert van die voorbeelden en bouwt daar een model van. Daarna kun je live testen of het model nieuwe input herkent, bijvoorbeeld of je webcambeeld in de juiste categorie valt of dat een stukje audio als spraak of als achtergrondgeluid wordt gezien.
Alles draait in de browser, je hoeft niets te installeren. Je hoeft ook geen programmeerkennis te hebben, je klikt vooral door stappen heen en uploadt of maakt voorbeelden met je webcam of microfoon.
De focus ligt op toegankelijkheid. Het is bedoeld voor docenten, studenten, makers, ontwerpers en eigenlijk iedereen die AI wil proberen zonder eerst een cursus programmeren of data science te volgen.
Hoe een project is opgebouwd
Elk project in Teachable Machine draait om klassen. Een klasse is gewoon een categorie, zoals “kat” en “hond”, of “goed uitgevoerd” en “fout uitgevoerd” bij een oefening.
Je kiest eerst het type project: image voor beelden, audio voor geluid en pose voor lichaamshoudingen. Daarna maak je per klasse voorbeelden aan, bijvoorbeeld foto’s van verschillende soorten afval of korte audiofragmenten van verschillende instrumenten.
Terwijl je voorbeelden toevoegt, zie je eigenlijk al hoe je dataset zich opbouwt. Hoe meer variatie je toevoegt, hoe beter je model straks met de echte wereld om kan gaan.
Als je genoeg voorbeelden hebt, klik je op trainen. De tool bouwt dan op de achtergrond een model en laat je daarna meteen zien hoe zeker het model is per klasse, in percentages, terwijl je nieuwe input aanbiedt.
Belangrijkste functies stap voor stap gebruiken
De kern van Teachable Machine is no-code modeltraining. Je maakt een nieuw project, voegt klassen toe en vult die met voorbeelden. Dat kunnen webcamfoto’s zijn, geüploade bestanden of opgenomen audio.
Bij een beeldproject kun je bijvoorbeeld je webcam gebruiken om verschillende objecten voor de camera te houden. Bij audio neem je korte stukjes geluid op, zoals klappen, praten of stilte. Bij pose laat je de webcam je houding volgen, bijvoorbeeld staan, zitten of een bepaalde oefening.
Handig is dat je tijdens het trainen direct kunt testen met nieuwe input. Je ziet in realtime hoe het model reageert. Als het model vaak twijfelt of fouten maakt, weet je dat je meer of betere voorbeelden nodig hebt.
Is je model goed genoeg, dan kun je het exporteren. Je kunt het direct in de browser gebruiken via een simpele link, of downloaden als model voor TensorFlow.js of TensorFlow Lite, zodat je het in een website, app of embedded apparaat kunt gebruiken.
Voordelen en beperkingen waar je op moet letten
Het grote voordeel is dat Teachable Machine machine learning een stuk minder mysterieus maakt. Je hoeft geen data scientist te zijn om een model te maken dat iets herkent. Dat geeft je veel vrijheid om ideeën uit te proberen die je anders nooit zou testen.
Voor onderwijs is het ideaal. Studenten zien direct wat trainingsdata doet, wat er gebeurt als je slechte voorbeelden gebruikt en waarom variatie zo belangrijk is. Je kunt in één les van nul naar een werkend model gaan, zonder ingewikkelde theorie.
Voor prototyping is het ook sterk. Je kunt in een uur een eerste versie van een model maken en kijken of een idee überhaupt haalbaar is. Daarna kun je, als het bevalt, overstappen naar een meer professionele aanpak met meer controle en maatwerk.
De keerzijde: het is niet bedoeld voor heel complexe problemen. Als je miljoenen voorbeelden nodig hebt, of ingewikkelde modellen met veel lagen en speciale instellingen, dan loop je hier snel tegen grenzen aan. Ook heb je een stabiele internetverbinding nodig, want alles draait online in je browser.
Typische gebruikers en herkenbare voorbeelden
Docenten gebruiken Teachable Machine vaak in STEM-lessen om AI-concepten uit te leggen. Denk aan een klas die een model bouwt dat verschillende soorten afval herkent, om daarna te praten over duurzaamheid en technologie.
Studenten gebruiken het voor profielwerkstukken, projecten of hackathons. Een simpel voorbeeld: een model dat handgebaren herkent en een spel aanstuurt, of een audio-model dat verschillende muziekinstrumenten uit elkaar houdt.
Ontwerpers en kunstenaars zetten het in voor interactieve installaties. Bijvoorbeeld een kunstwerk dat van kleur verandert op basis van je houding, of een projectie die reageert op bepaalde geluiden in de ruimte.
Onderzoekers en hobbyisten gebruiken Teachable Machine om ideeën snel te testen. Je kunt bijvoorbeeld checken of een simpele beeldclassificatie al genoeg is voor je experiment, zonder eerst een heel technisch traject in te gaan.
Er zijn ook wat minder voor de hand liggende toepassingen. Zo gebruiken sommige fysiotherapeuten pose-projecten om bewegingen te analyseren, en performers om live optredens te laten reageren op beweging of geluid.
Praktische workflow: van idee naar werkend model
Begin altijd met een helder doel. Wat moet je model precies herkennen, en in welke situatie ga je het gebruiken. Hoe specifieker je dat maakt, hoe beter je trainingsdata wordt.
Maak daarna je klassen aan. Houd het in het begin simpel: twee of drie categorieën is vaak genoeg om het concept te testen. Bijvoorbeeld “goed uitgevoerd” en “fout uitgevoerd” bij een oefening, of “stil” en “spraak” bij audio.
Verzamel vervolgens voorbeelden. Zorg voor variatie: verschillende achtergronden, lichtomstandigheden, stemmen, afstanden tot de camera en houdingen. Hoe gevarieerder je voorbeelden, hoe beter je model met de echte wereld omgaat.
Train het model in Teachable Machine en test het direct met nieuwe input die je niet eerder hebt gebruikt. Werkt het niet goed, kijk dan waar het misgaat en verzamel gerichte extra voorbeelden voor precies die situaties.
Dat iteratieve proces is eigenlijk de kern van goed trainen. Je herhaalt het net zo lang tot je model stabiel genoeg is voor wat jij ermee wilt doen, of tot je merkt dat je tegen de grenzen van de tool aanloopt.
Stappenplan voor je eerste Teachable Machine-project
Als je nog niet goed weet waar je moet beginnen, kun je dit simpele stappenplan volgen. Het werkt voor beeld, audio en pose, alleen de manier van voorbeelden verzamelen verschilt.
- Bedenk één duidelijke taak, bijvoorbeeld “herken of iemand staat of zit” of “herken klappen versus stilte”.
- Kies in Teachable Machine het juiste projecttype: image, audio of pose.
- Maak twee of drie klassen aan met korte, duidelijke namen.
- Verzamel per klasse minstens twintig tot dertig voorbeelden met zoveel mogelijk variatie.
- Klik op trainen en wacht tot het model klaar is.
- Test met nieuwe input en noteer wanneer het model fouten maakt.
- Voeg extra voorbeelden toe voor de situaties waar het misgaat en train opnieuw.
- Herhaal dit tot het model in de meeste gevallen doet wat je verwacht.
Als je dit een paar keer hebt gedaan, krijg je vanzelf gevoel voor wat goede trainingsdata is. Daarna kun je je projecten stap voor stap wat complexer maken, met meer klassen of lastigere scenario’s.
Dataprivacy en slim omgaan met je trainingsdata
Omdat je vaak met beelden en geluid werkt, moet je bewust omgaan met privacy. Gebruik bij voorkeur zelfgemaakte data en vraag toestemming als er mensen herkenbaar in beeld of geluid zijn.
Vermijd gevoelige informatie: geen medische dossiers, vertrouwelijke gesprekken of bedrijfsgeheimen. Houd het bij data die je zonder zorgen kunt delen of laten zien in een klas, demo of interne presentatie.
Let ook op bias in je dataset. Als je model alleen mensen met een bepaalde huidskleur, leeftijd of kledingstijl ziet, zal het daarbuiten slechter presteren. Probeer je voorbeelden zo divers mogelijk te maken als je model met mensen werkt.
Controleer tenslotte wat je met de getrainde modellen doet. Als je ze in een publieke app of website gebruikt, wees dan eerlijk over wat het model wel en niet kan, en welke data er verwerkt wordt.
Integraties, export en verder opschalen
Teachable Machine draait in de browser, wat de drempel laag houdt. Toch kun je de modellen daarna prima in serieuzere omgevingen gebruiken, zeker als je al met web of mobiele apps werkt.
De meest gebruikte route is export naar TensorFlow.js voor gebruik in webprojecten. Daarmee kun je het model in de browser laten draaien, direct bij de gebruiker, zonder dat er een server nodig is die alle beelden of geluiden verwerkt.
Voor mobiele apps of apparaten zoals een Raspberry Pi is export naar TensorFlow Lite handig. Daarmee kun je het model lokaal laten draaien, zonder constante internetverbinding, wat fijn is voor snelheid en privacy.
Omdat het een Google-tool is, sluit het goed aan bij andere Google-diensten. Je kunt bijvoorbeeld data uit Google Drive halen, of je model integreren in een webapp die je met andere Google-tools bouwt.
Wil je verder opschalen, dan kun je Teachable Machine zien als startpunt. Je valideert je idee, en als het werkt, kun je overstappen naar een eigen TensorFlow-project of een ander machine learning-platform, met meer controle over architectuur, data en performance.
Teachable Machine in lessen, workshops en teamsessies
In een klas of workshop werkt Teachable Machine vooral goed als iedereen snel iets kan proberen. Laat deelnemers in kleine groepjes een eigen model maken, bijvoorbeeld om objecten op hun bureau te herkennen.
Je kunt daar makkelijk een les omheen bouwen. Eerst kort uitleggen wat een klasse en een voorbeeld is, dan samen een model trainen, en daarna bespreken waarom het model bepaalde fouten maakt.
In een bedrijf kun je het gebruiken in een korte innovatiesessie. Laat een team in één middag een paar simpele modellen bouwen rond een eigen proces, zoals het herkennen van formulieren of het onderscheiden van producten.
Zo ontdek je snel of er potentie zit in een idee, zonder dat je meteen budget hoeft vrij te maken voor een volledig AI-traject. De drempel om mee te doen is laag, ook voor collega’s zonder technische achtergrond.
Veelgemaakte fouten en hoe je ze voorkomt
De meeste problemen met Teachable Machine komen niet door de tool, maar door de data. Te weinig voorbeelden, te weinig variatie of voorbeelden die te veel op elkaar lijken zijn klassieke valkuilen.
Een andere fout is dat je het model traint op situaties die in de praktijk nooit zo netjes zijn. Denk aan perfecte belichting, rustige achtergrond en duidelijke geluiden, terwijl de echte wereld rommelig en wisselend is.
- Zorg altijd voor minimaal tientallen voorbeelden per klasse, liever meer.
- Maak voorbeelden in verschillende omgevingen, met ander licht en andere achtergronden.
- Test met input van andere mensen dan jijzelf, bijvoorbeeld collega’s of leerlingen.
- Schrijf op wanneer en waarom het model fouten maakt, en verzamel daar extra data voor.
- Verwacht geen perfecte nauwkeurigheid, zeker niet bij lastige taken.
Als je deze punten in je achterhoofd houdt, haal je veel meer uit de tool. Je leert meteen ook hoe echte machine learning-projecten in de basis werken, zonder dat je in de techniek hoeft te duiken.
Wanneer Teachable Machine wel en niet handig is
Teachable Machine is ideaal als je snel iets werkends wilt hebben om mee te experimenteren of om een concept uit te leggen. Voor onderwijs, workshops, hackathons en creatieve projecten is het bijna een vanzelfsprekende keuze.
Ook als je in een bedrijf een eerste proof of concept wilt laten zien, kan het genoeg zijn. Je laat in een korte sessie zien dat een model een taak kan uitvoeren, zonder dat je meteen een heel ontwikkeltraject start.
Het is minder geschikt als je strenge eisen hebt aan nauwkeurigheid, schaalbaarheid of performance. Denk aan productie-omgevingen met veel gebruikers, kritieke beslissingen of grote hoeveelheden data.
Zie het vooral als een leer- en experimenteeromgeving, en als opstap naar zwaardere tools. Als je dat helder in je achterhoofd houdt, kun je er ontspannen mee spelen en toch serieuze inzichten opdoen.