AI-woordenlijst

AGI (artificial general intelligence) is een begrip op het snijvlak van wetenschap en futurologie: een systeem dat elke intellectuele taak net zo goed zou aankunnen als een mens, en niet slechts een smalle specialisatie. Huidige modellen, hoe indrukwekkend ook, blijven gespecialiseerd en hebben geen zelfstandige doelen of begrip van de wereld op menselijk niveau.

Onder onderzoekers is er geen consensus wanneer en of AGI zal ontstaan - prognoses verschillen zelfs tientallen jaren. De discussie over AGI hangt samen met vragen over veiligheid en controle over zo'n krachtige technologie.

Kunstmatige intelligentie is een breed vakgebied binnen de informatica, waarin computers handelingen uitvoeren die normaal menselijk denken vereisen: spraak herkennen, talen vertalen, gesprekken voeren of beelden creëren. Hedendaagse AI-systemen zijn voornamelijk gebaseerd op machine learning, oftewel ze leren van data in plaats van te werken volgens strikt vastgelegde regels.

Hoe het werkt: een model analyseert enorme verzamelingen voorbeelden en herkent daarin patronen, die het vervolgens toepast op nieuwe situaties.

Voorbeeld: een assistent die in het Nederlands een lang document samenvat of een afbeelding genereert uit een korte beschrijving, is een praktische toepassing van AI.

Een API (application programming interface) is een set regels waarmee het ene programma gebruik kan maken van het andere. In AI-context is het het kanaal waardoor jouw applicatie een prompt naar het model stuurt en een antwoord ontvangt, zonder dat je zelf een model op je eigen hardware hoeft te draaien.

Hoe het werkt: je stuurt een verzoek met tekst en parameters (bijv. temperatuur), en de service stuurt gegenereerde content terug, meestal afgerekend per aantal tokens.

Voorbeeld: een mobiele app die via API het model vraagt om een artikel samen te vatten.

Een AI-agent is een systeem dat rond een taalmodel een actielus bouwt: het splitst zelf een doel op in stappen, kiest tools, voert ze uit en beoordeelt het resultaat, totdat de taak klaar is. In plaats van één antwoord krijg je een reeks acties die naar het doel leiden.

Hoe het werkt: het model krijgt een beschrijving van beschikbare tools (function calling) en beslist vervolgens in opeenvolgende beurten welke het aanroept en met welke gegevens.

Voorbeeld: een agent die zelfstandig internet doorzoekt, gegevens verzamelt en een kant-en-klaar rapport opslaat.

Alignment (afstemming op waarden) is een onderzoeks- en praktijkgebied dat ervoor moet zorgen dat het model doet wat we echt willen, en niet alleen de opdracht letterlijk op schadelijke wijze uitvoert. Het omvat veiligheid, eerlijkheid en voorspelbaarheid van gedrag.

Tools: o.a. RLHF, guardrails en zorgvuldig testen van het model voor implementatie.

Een benchmark is een gestandaardiseerde set taken met vastgestelde scores, waarmee je verschillende modellen onder dezelfde omstandigheden kunt vergelijken. Zo kun je redelijk objectief beoordelen welk model beter presteert bij bijvoorbeeld wiskundige taken, programmeren of algemene kennisvragen.

Benchmarkresultaten moet je voorzichtig lezen: een model wordt soms onbewust getraind op gegevens die op de test lijken, wat het resultaat vertekent. Daarom is praktische werking op echte taken net zo belangrijk.

Bias is de neiging van een model om bepaalde antwoorden of groepen te bevoordelen, voortvloeiend uit onevenwichtigheden en vooroordelen in de data waarop het getraind is. Dit kan leiden tot oneerlijke of schadelijke resultaten.

Hoe te beperken: zorgvuldige dataselectie, tests op verschillende groepen en controlemechanismen voor antwoorden. Volledige verwijdering van bias is moeilijk.

Chain-of-thought (gedachteketen) is een manier om het model te vragen om vóór het geven van een antwoord de redenatiestappen uit te schrijven. Het opsplitsen van een probleem in fasen verbetert de nauwkeurigheid bij logische, wiskundige en meertrapsopgaven duidelijk.

Hoe het werkt: in de prompt vraag je om een stap-voor-stap oplossing, of het model genereert zelf tussenstappen voordat het het eindantwoord formuleert.

Voorbeeld: bij een wiskundig tekstprobleem schrijft het model eerst de bewerkingen uit en geeft pas aan het eind het resultaat.

Een chatbot is een programma dat een gesprek met de gebruiker simuleert. Vroeger werkten ze met starre regels en trefwoorden; hedendaagse chatbots gebruiken grote taalmodellen, waardoor ze vrije vragen begrijpen en in vloeiend Nederlands antwoorden.

Voorbeeld: een assistent op een webshop die vragen over levering beantwoordt, of ChatGPT als universele gesprekspartner voor schrijven en analyses.

Context caching is een mechanisme waarbij een eenmaal berekend deel van de prompt (bijv. een lange instructie of document) wordt onthouden, zodat het bij volgende verzoeken niet opnieuw berekend hoeft te worden. Dit verlaagt de kosten en latentie van herhaalde gesprekken.

Voorbeeld: een assistent met een uitgebreide systeemprompt kan de verwerkte versie ervan bufferen tussen verzoeken door.

Een dataset is een geordende verzameling data - teksten, afbeeldingen, opnames - gebruikt voor het trainen of evalueren van een model. Het principe "garbage in, garbage out" geldt: foutieve of bevooroordeelde data bederven het model.

Goede praktijk: data wordt opgesplitst in trainings-, validatie- en testdelen om de effectiviteit van het model eerlijk te beoordelen.

Een deepfake is een gemanipuleerde of volledig gegenereerde opname waarop iemand iets lijkt te zeggen of doen wat hij nooit heeft gedaan. De techniek is gebaseerd op modellen die gezichten en stemmen leren van samples en ze vervolgens in een nieuwe context reproduceren.

Waarom dit belangrijk is: deepfakes worden gebruikt voor desinformatie en oplichting (bijv. zich voordoen als de stem van je baas). Verifieer altijd de bron en zoek naar inconsistenties in belichting of mimiek.

Diffusiemodellen genereren een afbeelding door te beginnen met pure ruis en deze stapsgewijs te 'ontruisen' richting een coherente scène zoals beschreven in de prompt. Tijdens training leert het model het proces van ruis toevoegen aan echte afbeeldingen om te keren.

Hoe het werkt: in tientallen stappen raadt het model steeds nauwkeuriger hoe de afbeelding eruit moet zien, totdat de definitieve grafiek ontstaat.

Voorbeeld: je typt een scènebeschrijving en Stable Diffusion of Midjourney levert een kant-en-klare afbeelding.

Distillatie (knowledge distillation) is een techniek waarbij een groot, krachtig model (leraar) een kleiner model (leerling) leert zijn antwoorden na te bootsen. Het resultaat is een lichter model, goedkoper en sneller in gebruik, met behoud van een groot deel van de kwaliteit van het origineel.

Toepassing: modelversies voor telefoons en goedkope implementaties ontstaan vaak juist door distillatie.

Een embedding is een representatie van tekst (of beeld) in de vorm van een vector van getallen, waarin begrippen die qua betekenis dicht bij elkaar liggen ook dichte waarden hebben. Zo kan de computer de gelijkenis van content meten, zelfs als er andere woorden zijn gebruikt.

Hoe het werkt: het model zet een tekstfragment om in enkele honderden of duizenden getallen; door vectoren te vergelijken vindt het systeem de best passende fragmenten.

Voorbeeld: een semantische zoekmachine die bij de vraag 'hoe verlaag ik mijn energierekening' een alinea over energiebesparing vindt, ook al staan er niet dezelfde woorden in.

Few-shot is een techniek waarbij je in de prompt zelf een paar voorbeeldparen vraag-antwoord plaatst voordat je de eigenlijke vraag stelt. Het model pikt daaruit het gewenste formaat en de stijl op, zonder dat bijtrainen nodig is.

Voorbeeld: je toont twee voorbeelden van hoe je een review omzet in de beoordeling 'positief/negatief', en het model past hetzelfde schema toe op volgende reviews.

Fine-tuning (verfijnen) is verder trainen van een al getraind model op een smallere, gespecialiseerde dataset. Het model behoudt algemene kennis, maar past zich beter aan aan een specifieke stijl, vakgebied of antwoordformaat.

Wanneer toepassen: als een prompt alleen niet voldoende is en je veel voorbeelden hebt die het gewenste gedrag tonen. Voor veel toepassingen is RAG of een goede prompt een goedkoper alternatief.

Function calling stelt het model in staat om niet alleen tekst te schrijven, maar ook te beslissen dat een specifieke tool nodig is, en gestructureerde invoergegevens terug te geven om deze uit te voeren. Het programma voert de functie uit en geeft het resultaat terug aan het model.

Hoe het werkt: je geeft het model een beschrijving van beschikbare functies; het model antwoordt met een structuur (bijv. functienaam en argumenten) die jouw code veilig kan uitvoeren.

Voorbeeld: bij een vraag over het weer roept het model een functie aan die de voorspelling controleert in plaats van te gokken.

GPU's (grafische processors) en TPU's (Google-chips voor AI) zijn hardware geoptimaliseerd voor massaal parallelle berekeningen die nodig zijn voor het trainen en draaien van neurale netwerken. Hierdoor rekenen modellen veel sneller dan op een gewone processor (CPU).

Waarom belangrijk: beschikbaarheid en kosten van GPU's zijn tegenwoordig een van de belangrijkste factoren die de ontwikkeling en implementatie van AI beperken.

Generatieve AI zijn modellen die tot taak hebben nieuwe content te produceren op basis van patronen die uit data zijn geleerd. In tegenstelling tot classificatie, die alleen labels toekent, produceert generatie originele tekst, beeld, geluid of video.

Voorbeeld: een gedicht schrijven, een illustratie genereren uit een beschrijving of een melodie componeren zijn typische generatieve taken.

Guardrails (veiligheidshekken) zijn een set regels en filters die ervoor zorgen dat het model geen schadelijke, onwettige of gevaarlijke content genereert. Ze kunnen werken bij invoer (blokkeren van slechte verzoeken) en bij uitvoer (controle van antwoorden).

Waarom: ze beschermen gebruikers en het bedrijf dat het model implementeert tegen misbruik, hoewel ze vaak doelwit zijn van pogingen tot omzeiling (jailbreak, prompt injection).

Een hallucinatie is een antwoord dat geloofwaardig klinkt maar onwaar is: het model verzint een feit, citaat, voetnoot of naam. Dit komt doordat het model een waarschijnlijke woordreeks voorspelt, maar de waarheid niet controleert in een database.

Hoe beperken: vraag om bronnen, gebruik RAG (koppeling aan een betrouwbare database) en verifieer altijd cijfers, data en citaten voor publicatie.

Inference (gevolgtrekking) is de fase waarin je het voltooide model gebruikt: je geeft een prompt en het model berekent een antwoord. Dit verschilt van training, het kostbare proces van het model leren op data, dat eerder en slechts één keer gebeurt.

Waarom dit belangrijk is: de kosten en snelheid van inference bepalen de prijs van de dienst en de latentie die de gebruiker ervaart.

Jailbreak is het opzettelijk manipuleren van de prompt om het model zijn eigen regels te laten overtreden, bijvoorbeeld door het een rol zonder beperkingen te geven of het verzoek te verbergen in een onschuldig scenario. Dit is een van de belangrijkste veiligheidsproblemen van modellen.

Het verschil: jailbreak richt zich op de regels van het model zelf, terwijl prompt injection andermans instructies vermomt als data die het model verwerkt.

Kwantisatie is het opslaan van modelgewichten met lagere precisie (bijv. 8 of 4 bits in plaats van 16), waardoor het model minder geheugen gebruikt en sneller rekent. Dit maakt het mogelijk om grote modellen op zwakkere hardware te draaien, ook lokaal.

Compromis: te agressieve kwantisatie kan de kwaliteit van antwoorden licht verlagen, daarom wordt het afgestemd op de toepassing.

Een LLM (large language model) is een neuraal netwerk getraind op gigantische hoeveelheden tekst, dat heeft geleerd volgende woorden te voorspellen. Daardoor kan het schrijven, vertalen, samenvatten, programmeren en gesprekken voeren.

Hoe het werkt: het model zet tekst om in tokens en voorspelt op basis van context de meest waarschijnlijke volgende token, herhalend tot een volledig antwoord.

Voorbeeld: ChatGPT, Claude en Gemini zijn interfaces voor grote taalmodellen.

Latentie is de vertraging: hoelang je moet wachten voordat het model begint en klaar is met antwoorden. Het hangt af van de grootte van het model, de lengte van het antwoord, de serverbelasting en de netwerkafstand.

Waarom belangrijk: in live-applicaties (chat, spraak) bepaalt lage latentie het comfort; vaak wordt het verbeterd door het antwoord token voor token te streamen.

Machine learning is een deelgebied van AI waarbij je in plaats van starre regels te schrijven, het programma veel voorbeelden toont waaruit het zelf patronen haalt. Hoe beter en talrijker de data, hoe nauwkeuriger de voorspellingen.

Voorbeeld: een spamfilter leert uit duizenden gelabelde e-mails wat spam is en past die kennis toe op nieuwe berichten.

MoE (mixture of experts) is een modelstructuur met veel gespecialiseerde subnetwerken („experts"), waarvan er voor een bepaald token slechts enkele worden geactiveerd. Hierdoor kan het model heel veel parameters hebben, maar toch relatief goedkoop een antwoord berekenen.

Hoe het werkt: een gating-mechanisme bepaalt welke experts een bepaald fragment verwerken, dus slechts een deel van het hele netwerk is actief.

Een basismodel (foundation model) is een model vooraf getraind op enorme, algemene data, dat vervolgens dient als fundament voor specifieke toepassingen - via prompts, RAG of fine-tuning. In plaats van vanaf nul te trainen, bouw je er gespecialiseerde oplossingen op.

Voorbeeld: één basismodel kan een chat, bedrijfszoekmachine en code-assistent aansturen.

Een open model is er een waarvan de weights (geleerde parameters) publiek beschikbaar zijn, zodat je het kunt downloaden, op eigen hardware draaien, fine-tunen en implementeren zonder afhankelijkheid van één aanbieder. Het tegenovergestelde zijn gesloten modellen, alleen toegankelijk via API.

Voordelen: dataprivacy, controle en geen kosten per query. Nadeel: je hebt eigen hardware en kennis nodig voor onderhoud.

Een multimodaal model begrijpt en combineert verschillende datatypes op één plek: het kan bijvoorbeeld een foto bekijken en in woorden beschrijven of een opname beluisteren en samenvatten. Het is een stap dichter bij de manier waarop mensen de wereld met meerdere zintuigen waarnemen.

Voorbeeld: je uploadt een foto van een whiteboard met notities en het model transcribeert en ordent de inhoud, terwijl het vragen erover beantwoordt.

NLP (natural language processing) is het AI-vakgebied dat zich bezighoudt met het begrijpen en genereren van menselijke taal: vertalen, sentimentanalyse, informatie zoeken of intentieherkenning. Grote taalmodellen zijn vandaag het krachtigste NLP-gereedschap.

Voorbeeld: automatisch detecteren dat een klantreview negatief is en deze doorsturen naar de klantenservice.

Een neuraal netwerk is een model opgebouwd uit lagen van eenvoudige eenheden (neuronen) verbonden door weights. Tijdens training worden de weights bijgesteld zodat het netwerk steeds beter input op gewenste output mapt, bijvoorbeeld een afbeelding op een label.

Hoe het werkt: data gaat door opeenvolgende lagen, waarvan elk steeds complexere patronen detecteert. Diepe netwerken vormen de basis van deep learning en moderne AI.

Het contextvenster is de maximale hoeveelheid tekst (gemeten in tokens) die het model in één gesprek kan verwerken: jouw prompt, eerdere berichten en het gegenereerde antwoord moeten erin passen. Bij overschrijding worden de oudste fragmenten weggelaten.

Voorbeeld: een groter venster stelt je in staat een heel contract te plakken en vragen te stellen zonder het op te delen.

Overfitting is een situatie waarin een model zich te nauwkeurig aanpast aan de trainingsdata, zelfs willekeurige kenmerken oppikt, waardoor het slechter presteert op nieuwe, eerder ongeziene voorbeelden. Dit is een van de belangrijkste problemen in machine learning.

Hoe tegen te gaan: meer gevarieerde data, eenvoudigere architectuur en het model testen op een aparte testset.

Parameters zijn interne waarden die het model tijdens training bijstelt; daarin zit zijn "kennis" opgeslagen. Het aantal parameters wordt uitgedrukt in miljarden (B) en geldt als ruwe maat voor de grootte van het model.

Let op: meer parameters geven meestal meer mogelijkheden, maar ook hogere kosten. Goede trainingsdata en architectuur wegen vaak zwaarder dan alleen het aantal parameters.

Een prompt is jouw input voor het model: een vraag, opdracht of context op basis waarvan het antwoord wordt gegenereerd. Hoe helderder je het doel, format en beperkingen beschrijft, hoe beter het resultaat.

Goede praktijk: geef een rol, context, concrete taak en verwacht formaat, en indien nodig één voorbeeld.

Prompt engineering is de praktijk van het formuleren van queries zodat het model betere, herhaalbare resultaten geeft. Het omvat het kiezen van context, precieze opdrachten, voorbeelden (few-shot) en geleidelijk verbeteren van de prompt op basis van antwoorden.

Voorbeeld: in plaats van "schrijf over gezondheid" vraag je "schrijf 5 slaaptips voor ouders van een peuter, in bullets, in het Nederlands".

Prompt injection is een kwetsbaarheid waarbij tekst die door het model wordt verwerkt (bijv. website-inhoud, e-mail, document) een verborgen instructie bevat, en het model deze behandelt als een gebruikersopdracht. Dit kan leiden tot het lekken van gegevens of het uitvoeren van ongewenste acties.

Hoe het werkt: de aanvaller plaatst in de data een zin als „negeer eerdere opdrachten en doe X"; een model zonder beveiliging kan dit uitvoeren.

Verdediging: instructies scheiden van data, rechten van tools beperken en content van het web als onbetrouwbaar behandelen.

RAG (retrieval-augmented generation) is een aanpak waarbij het model voor het antwoord passende fragmenten uit een externe kennisbank opzoekt en daarop voortbouwt. Daardoor zijn antwoorden actueler en bevatten ze minder verzonnen feiten.

Hoe het werkt: de vraag wordt omgezet in een embedding, het systeem vindt de meest vergelijkbare documenten en het model formuleert een antwoord op basis daarvan.

Voorbeeld: een bedrijfsassistent die vragen beantwoordt op basis van interne reglementen.

RLHF (reinforcement learning from human feedback) is een trainingsfase waarin mensen de antwoorden van het model beoordelen, en deze beoordelingen worden gebruikt om het bij te stellen. Hierdoor antwoordt het model vaker behulpzaam, beleefd en volgens verwachtingen.

Hoe het werkt: op basis van menselijke voorkeuren wordt een beloningsmodel getraind, dat vervolgens het verdere leren van het hoofdmodel stuurt.

Reasoning (redeneren) is het aanpakken van taken die meerdere logische stappen vereisen, niet alleen het reproduceren van een feit. Redenaerende modellen besteden meer rekenkracht aan het intern uitwerken van het probleem voordat ze het resultaat geven.

Hoe het werkt: het model genereert tussenstappen (vergelijkbaar met chain-of-thought), controleert ze en formuleert pas daarna het antwoord, wat de nauwkeurigheid bij wiskunde, logica en programmeren verbetert.

Kosten: langer redeneren betekent meer tokens en hogere latentie.

Sora (OpenAI) en Veo (Google) zijn modellen die een tekstuele beschrijving omzetten in korte video's. Ze behoren tot generatieve AI en breiden uit naar beweging wat text-to-image modellen doen voor stilstaande beelden.

Toepassing: snelle prototypes van scènes, conceptmateriaal en visualisaties, met voorbehoud voor auteursrechten en betrouwbaarheid van content.

Een system prompt is een instructie op hoog niveau, ingesteld door de maker van de applicatie, die het model een rol, toon en grenzen geeft voor het hele gesprek. De gebruiker ziet deze meestal niet, maar hij beïnvloedt elk antwoord.

Voorbeeld: "Je bent een vriendelijke belastingadviseur, je antwoordt in het Nederlands en geeft geen juridisch advies" is een typische system prompt.

TTS (text-to-speech) zet geschreven tekst om in natuurlijk klinkende spraak, en STT (speech-to-text) doet het omgekeerde - het transcribeert een opname naar tekst. Dit is de basis van spraakassistenten, voorleessoftware en automatische transcripties.

Voorbeeld: STT maakt ondertitels van een vergaderopname, en TTS leest een artikel hardop voor in een app.

Temperatuur is een parameter die de willekeur van antwoorden stuurt. Bij een lage waarde kiest het model de meest waarschijnlijke woorden, dus is het consistent en herhaalbaar; bij een hoge waarde grijpt het vaker naar minder voor de hand liggende opties, wat creatiever maar minder voorspelbaar is.

Wanneer wat: voor feiten en code stel je een lage temperatuur in, voor brainstormen of creatieve teksten een hogere.

Text-to-image is het omzetten van een tekstuele beschrijving in een afbeelding. Het model, meestal diffusie-gebaseerd, vertaalt woorden naar visuele kenmerken van de scène: objecten, stijl, kleuren en compositie.

Goede praktijk: hoe specifieker de beschrijving (onderwerp, stijl, kader, licht), hoe beter de afbeelding. Het loont om te itereren en de prompt aan te scherpen.

Een token is de kleinste teksteenheid die het model verwerkt - meestal een kort woord of een fragment ervan. Het model ziet geen letters of zinnen direct, maar een reeks tokens, en in tokens meet je de lengte van de prompt, het contextvenster en de kosten.

Grofweg: voor Nederlands is één token vaak enkele tekens, en één woord wordt soms in meerdere tokens opgedeeld.

Tokenisatie is de eerste stap bij tekstverwerking: het omzetten van een reeks tekens in een lijst tokens volgens het woordenboek van het model. Hiervan hangt af hoeveel tokens een tekst inneemt, en dus ook de kosten en het gebruik van het contextvenster.

Weetje: talen met rijke verbuiging, zoals Nederlands, worden soms in meer tokens opgesplitst dan Engels, wat de kosten van dezelfde inhoud verhoogt.

Transformer is een neurale netwerkarchitectuur die dankzij het attention-mechanisme ver uit elkaar liggende tekstfragmenten met elkaar kan verbinden en de reeks parallel kan verwerken. Dit maakte de kwaliteitssprong in taalmodellen mogelijk.

Waarom een doorbraak: het attention-mechanisme stelt het model in staat om de hele context in één keer te „bekijken", wat het begrip van verbanden in lange teksten verbetert.

Vibe coding is een werkstijl waarbij je het model beschrijft wat er moet ontstaan, en het genereert en verbetert de code, terwijl jij vooral stuurt en het resultaat test. Het versnelt prototyping en verlaagt de drempel voor programmeren.

Let op: bij grotere projecten is nog steeds menselijke verificatie van beveiliging en codekwaliteit nodig.

Watermark (watermerk) in AI-content is een verborgen patroon dat in tekst, beeld of geluid wordt verweven, waarmee je later kunt herkennen dat het materiaal machinaal is gemaakt. Het moet helpen bij de strijd tegen desinformatie en het markeren van synthetische content.

Beperking: watermerken zijn soms verwijderbaar of niet altijd detecteerbaar, dus op zichzelf geven ze geen volledige zekerheid over de herkomst.

Zero-shot is een situatie waarin het model een taak uitvoert puur op basis van de instructie, zonder dat je het een voorbeeld laat zien. Grote modellen presteren vaak verrassend goed dankzij de kennis die ze tijdens training hebben opgedaan.

Wanneer voorbeelden toevoegen: als het format of de stijl ongebruikelijk is, kun je beter overstappen op few-shot en een patroon laten zien.