Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Thompson sampling

Engels: Thompson sampling · Ook wel: posterior sampling, probability matching

In het kort

Thompson sampling is een methode die bij herhaalde keuzes een optie kiest terwijl de beloning onzeker blijft. Het systeem trekt telkens een toevallige inschatting uit wat het tot dan toe heeft geleerd en kiest de optie die volgens die inschatting de meeste beloning geeft. Zo blijft het opties gebruiken die al een hoge beloning gaven en test het tegelijk andere opties, zoals welke producten een webshop vooraan zet.

Waarom is dit belangrijk?

Onderzoekers kunnen tijdens een lopende studie meer deelnemers de behandeling geven die op dat moment het sterkst lijkt. In de zorg gebruiken onderzoekers Thompson sampling in vroege proeven met geneesmiddelen om veilige en werkzame doseringen te vinden terwijl de studie nog loopt. Patiënten hebben daardoor een grotere kans op een werkzame dosis, al ontvangt een deel van de deelnemers nog een minder sterke dosis.

Zo werkt het in de praktijk

Teams gebruiken Thompson sampling bij A/B-testen voor websites en online advertenties. Bezoekers zien verschillende versies, waarbij een klik of aankoop als resultaat telt. Microsoft en LinkedIn gebruiken de methode bij advertenties en websites.

Onderzoekers meten hoe snel de methode de beste keuze nadert. Een eerste bewijs daarvoor verscheen in 1997. In 2011 publiceerde de University of Bristol zulke resultaten voor contextuele bandieten, waarbij de situatie de keuze mee bepaalt.

Thompson sampling hoort bij A/B-testen, een werkwijze om versies met elkaar te vergelijken. De verdeling schuift naar versies met betere resultaten. Dit sluit aan op upper-confidence-bound-algoritmen, die met een bovengrens op de opbrengst extra testen wat nog de beste keuze kan zijn.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026