Category Archives: AI Term van de Dag

Post-training is de fase na het basistraining van een AI-model waarin het model wordt verfijnd en aangeleerd voor specifieke taken en gedragingen via technieken als supervised fine-tuning, RLHF en instruct-tuning.

Terwijl pre-training (op miljarden tokens) het model leert patroonherkenning, zorgt post-training ervoor dat het model veilig, nuttig en aanstuurbaar wordt. Dit is waar modellen leren op vragen antwoord te geven in plaats van slechts woorden te voorspellen.

Quality Assurance in AI omvat het systematisch testen en verificeren dat AI-modellen en -systemen aan kwaliteitsnormen voldoen voordat ze in productie gaan. Dit bevat functionaliteit, beveiliging, bias en prestaties.

QA voor AI is complex omdat modellen gedifferentieerd gedrag kunnen vertonen op verschillende soorten input. Het gaat niet alleen om bug-testing, maar ook om het detecteren van bias, hallucinations en onverwacht gedrag.

Een Transformer is een type neurale netwerkarchitectuur dat in 2017 werd geïntroduceerd en sindsdien de basis vormt van vrijwel alle moderne grote taalmodellen. De naam verwijst naar de manier waarop het model informatie transformeert: het neemt een reeks invoertokens (zoals woorden) en zet die om in een rijke representatie vol betekenis en context.

Het sleutelingrediënt van de Transformer is het attention-mechanisme, waarmee het model bij elke stap kan bepalen welke andere woorden in de zin het meest relevant zijn. Dankzij deze aanpak kan een Transformer parallelle berekeningen uitvoeren — veel efficiënter dan eerdere architecturen zoals RNNs, die woorden strikt één voor één verwerkten.

Modellen als GPT, BERT, Claude en Gemini zijn allemaal gebouwd op de Transformer-architectuur. Ze onderscheiden zich in hoe ze getraind zijn (bijv. alleen genereren of ook begrijpen), maar de onderliggende bouwsteen is steeds dezelfde.

De Transformer heeft AI-onderzoek een enorme versnelling gegeven. Vrijwel elk taalmodel dat je vandaag gebruikt — van vertaaltools tot codeerassistenten — draait op een variant van deze architectuur.

Temperature is een instelling die bepaalt hoe “creatief” of “voorspelbaar” een AI-taalmodel reageert. De waarde ligt meestal tussen 0 en 2. Bij een lage temperature kiest het model bijna altijd het meest waarschijnlijke woord — de output is consistent en feitelijk. Bij een hoge temperature durft het model meer risico te nemen en kiest het vaker onverwachte woorden, wat leidt tot gevarieerde en creatievere tekst.

In de praktijk pas je temperature aan op basis van wat je wilt bereiken. Voor juridische samenvattingen, code of feitelijke antwoorden gebruik je een lage waarde (bijv. 0.2). Voor het schrijven van gedichten, brainstormen of storytelling werkt een hogere waarde (bijv. 0.9 of hoger) beter.

Het begrijpen van temperature helpt je om AI-tools beter af te stemmen op je doel: kies lager voor precisie en betrouwbaarheid, hoger voor creativiteit en variatie.

Het attention mechanism is een techniek die AI-modellen in staat stelt om bij het verwerken van tekst selectief aandacht te schenken aan de meest relevante woorden of zinsdelen. In plaats van alle woorden in een zin gelijk te behandelen, leert het model welke woorden het zwaarste mogen meewegen bij het genereren van een antwoord.

Dit concept werd in 2017 geïntroduceerd via het invloedrijke artikel “Attention is All You Need” en vormt de basis van de zogenoemde Transformer-architectuur — het fundament onder vrijwel alle moderne taalmodellen zoals GPT, Claude en Gemini. Dankzij het attention mechanism kunnen modellen lange teksten begrijpen en coherente, contextuele antwoorden geven.

Voor iedereen die met AI werkt, is het nuttig te weten dat het attention mechanism direct invloed heeft op hoe goed een model lange of complexe vragen begrijpt. Hoe groter het context window, hoe meer woorden het model tegelijk “in de gaten” kan houden — en des te nauwkeuriger de aandacht verdeeld kan worden.

Overfitting treedt op wanneer een AI-model tijdens de training te goed leert van de trainingsdata — zo goed dat het de specifieke patronen, ruis en uitzonderingen van die data begint te onthouden in plaats van algemene regels te leren. Het gevolg is een model dat uitstekend presteert op de data waarop het getraind is, maar slecht generaliseert naar nieuwe, onbekende data.

Een overfit model heeft in feite de trainingsdata uit het hoofd geleerd in plaats van de onderliggende structuur te begrijpen. Dit is vergelijkbaar met een student die examenvragen van vorige jaren uit het hoofd leert zonder de stof echt te begrijpen — bij een nieuw examen gaat het mis.

Overfitting wordt tegengegaan door technieken zoals regularisatie, dropout, vroeg stoppen met trainen, en het gebruik van meer diverse trainingsdata. Het is een van de klassieke uitdagingen in machine learning.

Latency is de vertraging tussen het moment waarop je een verzoek stuurt naar een AI-model en het moment waarop het eerste deel van het antwoord verschijnt. Het is een cruciale prestatie-indicator, vooral voor real-time toepassingen zoals chatbots, spraakassistenten en interactieve tools.

Bij taalmodellen wordt latency beïnvloed door meerdere factoren: de grootte van het model, de belasting op de servers, de lengte van de invoer, en de netwerkverbinding. Een groter, nauwkeuriger model heeft vaak meer rekentijd nodig en dus hogere latency dan een kleiner, sneller model.

Ontwikkelaars balanceren voortdurend tussen kwaliteit en snelheid. Voor een klantenservice-chatbot is lage latency essentieel, terwijl voor een diepgaande analyse een langere wachttijd acceptabeler is.

Chain-of-Thought (ook wel CoT) is een prompting-techniek waarbij een AI-model wordt aangemoedigd om stap voor stap te redeneren voordat het een eindantwoord geeft. In plaats van direct een antwoord te produceren, schrijft het model zijn denkproces uit — vergelijkbaar met hoe een mens een rekensom op papier uitwerkt.

Deze aanpak verbetert de nauwkeurigheid aanzienlijk bij complexe redeneertaken zoals wiskunde, logica en meerstappige probleemoplossing. Het model maakt minder fouten doordat het tussenliggende stappen expliciet maakt en zo zichzelf corrigeert.

Je kunt chain-of-thought activeren door in je prompt te schrijven: denk stap voor stap na of leg je redenering uit. Veel moderne modellen doen dit ook automatisch bij complexe vragen.

Zero-shot learning is het vermogen van een AI-model om een taak uit te voeren waarvoor het geen specifieke trainingsvoorbeelden heeft gezien. Het model gebruikt zijn algemene kennis en begrip van taal of concepten om de taak toch correct uit te voeren, puur op basis van de beschrijving die het krijgt.

Dit staat in contrast met few-shot learning, waarbij het model wel een paar voorbeelden krijgt voordat het de taak moet uitvoeren. Bij zero-shot zijn er geen voorbeelden — het model moet zelf de verbinding leggen tussen de instructie en de gewenste uitkomst.

Moderne grote taalmodellen zijn verrassend goed in zero-shot taken dankzij hun brede training op enorme hoeveelheden tekst. Dit maakt ze flexibel inzetbaar voor nieuwe taken zonder extra trainingsdata.

Multimodal AI verwijst naar AI-systemen die meerdere soorten invoer begrijpen en verwerken — niet alleen tekst, maar ook afbeeldingen, audio, video of andere datatypen. De term modaal verwijst naar een modaliteit, oftewel een type zintuiglijke of informatiekanaal.

Een multimodaal model kan bijvoorbeeld een foto analyseren en er een tekstuele beschrijving van geven, of een audiofragment omzetten naar een samenvatting. De meest geavanceerde modellen combineren al deze mogelijkheden in een enkel systeem dat naadloos tussen modaliteiten schakelt.

Multimodaliteit maakt AI veel breder inzetbaar. Denk aan medische diagnostiek waarbij beelden worden gecombineerd met patiëntgegevens, of aan toegankelijkheidssoftware die afbeeldingen beschrijft voor mensen met een visuele beperking.