AI & Taalmodellen — de Basis
Hoe een LLM denkt, en waarom dat geen denken is. Aan het einde van deze training kijkt u anders naar elk gesprek dat u met een AI voert.
Welkom
We gaan het hebben over de twee meest belangrijke onderwerpen van deze tijd, die nu en in de toekomst nog veel meer invloed op uw leven zullen hebben dan u nu vermoedt. Aan het einde van deze training kijkt u anders naar elk gesprek dat u met een AI voert — en weet u waarom dat belangrijk is.
Deze training is opgebouwd in vier hoofdstukken. We beginnen bij de motorkap: hoe komt een taalmodel technisch tot zijn output? Daarna zetten we de begrippen recht — AI, machine learning, deep learning, LLM zijn niet hetzelfde, ook al worden ze in de media vaak door elkaar gebruikt. Vervolgens kijken we naar wat een LLM in uw dagelijkse werk daadwerkelijk kan betekenen. En we sluiten af met de grenzen: waar moet u nooit blind op de output vertrouwen?
Werking van taalmodellen
Voordat we kunnen oordelen over wat een LLM wel en niet kan, moeten we onder de motorkap kijken. Geen wiskunde — wel een eerlijk beeld van wat er gebeurt tussen het moment dat u 'enter' drukt en het moment dat er een antwoord verschijnt.
De procesketen in zes stappen
Elke keer dat u een LLM iets vraagt, doorloopt het systeem onder water een vaste keten. De stappen zien er ongeveer zo uit:
- Woord — uw zin komt binnen als ruwe tekst.
- Tokens — die tekst wordt opgebroken in kleine stukjes (een woord, een woorddeel, een leesteken).
- Vectors — elke token krijgt een lange rij getallen toegewezen die zijn 'positie' in een betekenisruimte beschrijft.
- Tensors — die vectors worden gestapeld en bewerkt in grote getalsmatrices.
- Weging — het model berekent voor elk mogelijk volgend token een gewicht: hoe waarschijnlijk is dit, gegeven alles wat ervoor kwam?
- Voorspelling — het token met het hoogste gewicht wordt gekozen, en de keten begint opnieuw voor het volgende token.
Metafoor 1 — De snoepautomaat
Stelt u zich een snoepautomaat voor. U gooit er een muntje in. Er valt een snoepje uit. Het werkt — elke keer. Maar wat 'weet' die automaat eigenlijk?
Zo werkt een LLM ook. Hij herkent geen 'vraag', geen 'verdriet', geen 'urgentie'. Hij meet een patroon van tokens en bepaalt: welk volgend token past statistisch het beste?
Metafoor 2 — De bowlingbal in de doos
U krijgt een dichte doos overhandigd. U mag hem niet openmaken. Maar u mag hem optillen, schudden, kantelen. Aan het gewicht voelt u: zwaar. Aan het geluid: één hard object, geen losse onderdelen. Aan de vorm: rond. U kunt met grote zekerheid zeggen — dit is een bowlingbal. Zonder het ooit gezien te hebben.
Een LLM doet hetzelfde, maar dan met taal. Hij ziet de tokens nooit als 'inhoud'. Hij voelt alleen patronen, gewichten en context. En uit die signalen leidt hij af wát het waarschijnlijk is.
De kernconclusie
Visualisatie — vectors als richtingen in betekenis-ruimte
Een klassiek voorbeeld om te zien hoe vectors 'betekenis' kunnen vangen zonder die te begrijpen: men kan met vectors rekenen. De vector van 'Koning' min de vector van 'Man' plus de vector van 'Vrouw' komt opvallend dicht in de buurt van de vector van 'Koningin'. Niet omdat het model gender snapt — maar omdat in alle teksten waar het op getraind is, die woorden in vergelijkbare relaties voorkomen.
Denk in tweetallen na: heeft u ooit een AI-antwoord gekregen dat ogenschijnlijk perfect klopte, maar bij nader inzien volledig naast het punt zat? Wat zegt dat over wat het model wél en níét 'zag'?
Wat doet een taalmodel als u het een vraag stelt?
Welke metafoor — de snoepautomaat of de bowlingbal — helpt u persoonlijk het meest om vast te houden dat een LLM geen betekenis begrijpt? Waarom juist die?
AI versus taalmodellen
In de media en op kantoor lopen 'AI', 'algoritme', 'machine learning' en 'ChatGPT' vaak vrolijk door elkaar. Soms onschuldig, soms misleidend. Dit hoofdstuk zet de begrippen op een rij — niet om u taalpolitie te maken, maar zodat u zelf kunt zien wanneer een uitspraak meer belooft dan ze waarmaakt.
De hiërarchie — vier concentrische cirkels
Het helpt om te denken in lagen. De buitenste laag is het breedst, de binnenste het smalst. Elk binnenste begrip is een specifieke vorm van het begrip eromheen.
- AI (kunstmatige intelligentie) — paraplubegrip voor elk systeem dat taken doet die we normaal aan menselijke intelligentie toeschrijven. Een schaakcomputer uit 1985 is AI. Een navigatiesysteem is AI. ChatGPT is AI.
- Machine Learning (ML) — een subset van AI: systemen die leren uit data, zonder dat een programmeur elke regel expliciet heeft geschreven. Spam-filters, aanbevelingsalgoritmes, fraudedetectie.
- Deep Learning (DL) — een subset van ML: machine learning met neurale netwerken die veel lagen diep zijn. Beeldherkenning, spraakherkenning, vertaling.
- Large Language Model (LLM) — een specifieke toepassing van deep learning, getraind op enorme hoeveelheden tekst. ChatGPT, Claude, Gemini, Llama.
De vier veelvoorkomende verwarringen
Veel misverstanden over taalmodellen komen voort uit één denkfout: aannemen dat een LLM iets is dat hij niet is. Klik elke kaart om te zien wat er daadwerkelijk misgaat als u die aanname meeneemt naar uw werk.
Een LLM is een zoekmachine
Een zoekmachine vindt bestaande pagina's. Een LLM genereert nieuwe tekst op basis van patronen. Vraag aan ChatGPT 'wat is de openingstijd van de bibliotheek Maastricht?' en u krijgt een plausibel klinkend antwoord — dat verzonnen kan zijn.
Een LLM is een database
Een database geeft de exacte opgeslagen waarde terug. Een LLM heeft geen 'feiten' opgeslagen — hij heeft alleen patronen geleerd. Vraagt u 'wat is artikel 5 van de AVG?', dan krijgt u iets dat lijkt op artikel 5 — niet noodzakelijk de letterlijke tekst.
Een LLM is een rekenmachine
Een rekenmachine berekent. Een LLM voorspelt het meest waarschijnlijke volgende token. Bij eenvoudige sommen klopt het — maar bij langere berekeningen gaat het mis, en hij merkt het zelf niet.
Een LLM is een waarheidsmachine
Er is geen 'waarheid'-schakelaar in een LLM. Hij genereert wat statistisch waarschijnlijk is — en dat valt vaak samen met de waarheid, maar niet altijd. Een onjuist maar plausibel klinkend antwoord heet een 'hallucinatie'. Hoofdstuk 4 gaat daar dieper op in.
Wat dit voor uw oordeel betekent
Wanneer een nieuwsartikel schrijft 'AI heeft ontdekt dat…', stel uzelf dan twee vragen. Eén: welke laag uit de hiërarchie wordt hier bedoeld? Een patroonherkenner in medische scans (deep learning) is iets fundamenteel anders dan een chatbot die over de scan schrijft (LLM). Twee: gebruikt de auteur 'AI' omdat dat klopt, of omdat het indruk maakt?
Stelling: 'Elke AI is een taalmodel.'
Pak een willekeurig recent nieuwsartikel waarin het woord 'AI' voorkomt. Welke laag uit de hiërarchie wordt bedoeld? En zou het artikel evenveel impact hebben als de auteur de specifieke term had gebruikt in plaats van 'AI'?
Wat een LLM goed kan
Tot nu toe hebben we vooral gekeken naar wat een taalmodel níét is. Tijd om de andere kant op te kijken. Want ondanks alle beperkingen is een LLM op een aantal terreinen verbluffend bruikbaar. Mits u weet welke terreinen.
Vijf capaciteiten waar het verschil meetbaar is
Liever vijf goede dan vijftien oppervlakkige. Voor elke capaciteit hieronder geldt: u kunt er morgen tijd mee winnen, in werk dat u nu zelf doet.
1. Taal omzetten
Samenvatten, vertalen, herschrijven naar een ander register. Een lange beleidsnota terugbrengen tot een halve A4. Een formele brief omzetten naar B1-niveau voor laaggeletterden. Een vergaderverslag uit het Nederlands naar het Engels voor een internationale collega.
2. Structureren
Ongestructureerde tekst — losse aantekeningen, een rommelig transcript, een e-mailwisseling — omzetten naar een lijst, tabel of overzicht. Het model zoekt patronen en knipt de chaos in stukjes.
3. Genereren — eerste versie
Vanaf een wit scherm beginnen is moeilijk. Vanaf een matige eerste versie verbeteren is makkelijk. Een LLM is goed in dat eerste — een respectabele 70%-versie waar u op kunt voortborduren. Niet meer, niet minder.
4. Sparren
Een gesprekspartner die nooit moe wordt, geen oordeel heeft, en op elk moment van de dag beschikbaar is. Goed om hardop te denken, om uw eigen redenering te toetsen, om tegenargumenten te verzamelen voor een lastig gesprek dat u morgen voert.
5. Patronen herkennen in tekst
Een stapel documenten doorploegen op één terugkerend element: welke leveranciers worden in alle inkoopcontracten genoemd, welke klacht keert terug bij alle support-tickets, welke argumenten gebruiken alle critici. Saai handwerk waar de machine verbluffend snel mee klaar is.
De gemene deler
Schrijf in 4 minuten op: welke drie taken in mijn werkweek geven mij het minste plezier, kosten relatief veel tijd, en bestaan voornamelijk uit taalwerk? Bespreek daarna in tweetallen voor elke taak: zou een LLM hier kunnen verlichten? Welk van de vijf capaciteiten zou van toepassing zijn? 6 minuten gesprek, 5 minuten plenaire oogst.
Welke taak is het meest geschikt om aan een LLM uit te besteden?
Bedenk één concrete taak uit uw afgelopen werkweek waar u — als u terug kon — een LLM bij had ingezet. Welke van de vijf capaciteiten was van toepassing? En wat had u willen behouden voor uzelf?
Wat een LLM niet (of slecht) kan
Hoofdstuk 3 ging over verlichting. Dit hoofdstuk gaat over verantwoordelijkheid. Sommige beperkingen van een LLM zijn niet op te lossen met een betere prompt of een nieuwere versie — ze zijn fundamenteel. Wie ze kent, weet wanneer hij wel én wanneer hij niet op het model moet vertrouwen.
Beperking 1 — Hallucinatie
Het model verzint dingen. Niet uit kwade wil, maar omdat het 'het meest waarschijnlijke volgende token' voorspelt, ook wanneer dat token in de echte wereld niet bestaat. Het resultaat: plausibel klinkende, vakkundig geformuleerde, complete onzin — gepresenteerd met dezelfde zelfverzekerdheid als een correct antwoord.
Beperking 2 — Geen actuele kennis
Het model is getraind op data tot een bepaalde datum (zijn 'knowledge cutoff'). Gebeurtenissen daarna kent het niet, tenzij ze in het gesprek of via een aparte zoekfunctie worden toegevoegd. Vraagt u naar de huidige minister-president, dan kan het antwoord verouderd zijn — zonder dat het model dat aangeeft.
Beperking 3 — Geen begrip van betekenis
Terug naar de weegschaal uit hoofdstuk 1. Het model 'snapt' niets — het meet. Dat betekent: nuance, ironie, impliciete context, emotionele lading, culturele subtekst — het model kan erover schrijven, soms verrassend goed, maar het ervaart er niets bij. Wat ontbreekt, kan het ook niet opmerken.
Beperking 4 — Geen reken- of redeneerzekerheid
Een LLM kan stappen tonen die er logisch uitzien, en vaak zijn ze ook logisch — maar de stappen zijn voorspeld, niet berekend. Bij eenvoudige sommen klopt het meestal. Bij langere redeneringen of grotere getallen sluipen er fouten in die op het oog niet te onderscheiden zijn van correcte stappen.
Beperking 5 — Geen geheugen tussen gesprekken
Tenzij expliciet ingebouwd door de aanbieder, begint elk nieuw gesprek met een schone lei. Wat u gisteren met ChatGPT besprak, is morgen vergeten. Sommige producten bieden een 'memory'-functie aan — een database die los van het model bijhoudt wat u eerder vertelde. Maar het model zelf onthoudt niets.
Beperking 6 — Bias uit trainingsdata
Een LLM is getraind op enorme hoeveelheden tekst van het internet en uit boeken. Daarin zit alles wat de mensheid heeft opgeschreven — inclusief vooroordelen, eenzijdigheden en historische scheefheid. Het model weerspiegelt die onevenwichtigheid. Vraagt u naar 'een succesvolle ondernemer', dan krijgt u statistisch eerder een mannelijk dan een vrouwelijk profiel — niet omdat het model dat vindt, maar omdat zijn bronnen die scheefheid bevatten.
De vuistregel — wanneer wel, wanneer dubbelchecken, wanneer nooit
Niet elke LLM-output vereist dezelfde mate van wantrouwen. De onderstaande tabel helpt u onderscheid maken.
| Taaktype | Wel vertrouwen | Dubbelchecken | Nooit zonder controle |
|---|---|---|---|
| Taal omzetten (samenvatten, herschrijven, vertalen) | ✓ | — | — |
| Eerste versie genereren (brief, e-mail, concept) | ✓ | — | — |
| Sparren of brainstormen | ✓ | — | — |
| Feiten, jaartallen, namen, citaten | — | ✓ | — |
| Rekensommen of cijferanalyse | — | ✓ | — |
| Juridisch, medisch of financieel advies | — | — | ✓ |
| Beslissingen over personen (sollicitatie, beoordeling, diagnose) | — | — | ✓ |
| Bronvermelding of jurisprudentie | — | — | ✓ |
Slot — wat u meeneemt
Stel met een LLM een vraag waarvan u het juiste antwoord kent — bij voorkeur iets specifieks uit uw eigen vakgebied: een artikelnummer, een wetsregel, een procedure. Probeer het model een hallucinatie te ontlokken. Daarna 10 minuten plenaire bespreking: wie heeft er één gevangen? Hoe overtuigend was het?
Een collega-docent vraagt ChatGPT om de Citotoets-resultaten van de afgelopen vijf jaar te analyseren. Het model geeft een gedetailleerd overzicht met percentages per vakgebied. Wat is hier mis?
Stelling: 'Een LLM is nu nog onbetrouwbaar, maar over vijf jaar zijn de hallucinaties wel opgelost.' Welke beperkingen uit dit hoofdstuk zijn waarschijnlijk technisch op te lossen, en welke zijn fundamenteel?
Woordenlijst
De belangrijkste begrippen uit deze training, kort en bondig. Bedoeld als naslag — niet om uit het hoofd te leren.
Paraplubegrip voor elk systeem dat taken uitvoert die we normaal aan menselijke intelligentie toeschrijven. Een schaakcomputer is AI, een navigatiesysteem is AI, ChatGPT is AI.
Een subset van AI: systemen die leren uit data zonder dat elke regel expliciet is geprogrammeerd. Voorbeelden: spamfilters, aanbevelingsalgoritmes, fraudedetectie.
Een subset van ML: machine learning met neurale netwerken die meerdere lagen diep zijn. Voorbeelden: beeldherkenning, spraakherkenning, automatische vertaling.
Een specifieke toepassing van deep learning, getraind op enorme hoeveelheden tekst. Voorbeelden: ChatGPT, Claude, Gemini, Llama.
Het kleinste stukje tekst dat een taalmodel herkent. Vaak een woord, soms een woorddeel, soms een spatie of leesteken. Het woord 'onbegrijpelijk' kan vijf tokens zijn.
Een lange rij getallen die de 'positie' van een token in een betekenisruimte beschrijft. Maakt het mogelijk om met woorden te rekenen zonder dat het model woorden begrijpt.
Een gestapelde verzameling vectoren, bewerkt in grote getalsmatrices. De interne rekeneenheid van een neuraal netwerk.
Het proces waarin het model voor elk mogelijk volgend token een gewicht (waarschijnlijkheid) berekent, gegeven alles wat ervoor kwam.
Plausibel klinkende, vakkundig geformuleerde, maar feitelijk onjuiste output van een LLM. Het model weet niet dat het hallucineert; het is geen leugen, want een leugen vereist het besef van waarheid.
De datum tot waarop het model is getraind op data. Gebeurtenissen daarna kent het niet, tenzij toegevoegd via een aparte zoekfunctie of in het gesprek zelf.
De scheefheid die een model overneemt uit zijn trainingsdata. Niet omdat het model die vooroordelen 'heeft', maar omdat ze in de bronnen zaten waaruit het leerde.
De tekstuele instructie die u aan een LLM geeft. Goede prompts zijn specifiek, geven context, en vragen om een bepaald formaat in de uitvoer.