Hoe werkt AI eigenlijk onder de motorkap? In dit artikel leggen we Large Language Models zoals Gemini simpel uit, zonder dat je een technische achtergrond nodig hebt. Met deze basiskennis snap je waarom AI zo goed is in taal en waarom het soms toch de plank misslaat.
Wat een Large Language Model doet
Een Large Language Model, afgekort LLM, is een AI-systeem dat is getraind om taal te begrijpen en te genereren. De kern is verrassend eenvoudig: het model voorspelt steeds welk stukje tekst het meest waarschijnlijk volgt op wat er al staat.
Stel je typt de zin "de kat zit op de". Een mens vult moeiteloos "mat" aan. Een LLM doet hetzelfde, maar op enorme schaal en met miljarden voorbeelden in zijn geheugen. Het kiest niet zomaar een woord, maar berekent voor elk mogelijk volgend stukje een waarschijnlijkheid en kiest daaruit.
Tokens in plaats van woorden
Een LLM werkt niet met hele woorden maar met tokens. Een token is een stukje tekst, soms een heel woord, soms een deel ervan. Het woord "onwaarschijnlijk" kan bijvoorbeeld uit meerdere tokens bestaan. Dit maakt het model flexibeler met taal die het nog niet eerder zag.
Hoe een model leert
Een LLM wordt getraind op een gigantische hoeveelheid tekst: boeken, artikelen, websites en code. Tijdens die training krijgt het model telkens een stuk tekst te zien waarvan het volgende stukje is weggehaald. Het probeert dat te voorspellen, vergelijkt met het echte antwoord en past zichzelf een heel klein beetje aan.
Dit gebeurt miljarden keren. Geleidelijk leert het model patronen herkennen: grammatica, feiten, schrijfstijlen en zelfs redeneerstappen. Het resultaat is een netwerk van miljarden parameters, een soort instelknoppen, die samen bepalen welk antwoord eruit komt.
De training verloopt grofweg in vier stappen:
- Verzamelen. Enorme hoeveelheden tekst worden bijeengebracht als trainingsdata.
- Voorspellen. Het model voorspelt steeds het volgende stukje tekst.
- Corrigeren. De fouten worden gemeten en de parameters worden bijgesteld.
- Verfijnen. Mensen geven feedback om het model behulpzamer en veiliger te maken.
Na de basistraining volgt die laatste fase waarin mensen het model bijsturen. Ze beoordelen antwoorden en leren het model nuttig, eerlijk en veilig te reageren. Deze stap maakt het verschil tussen een ruwe tekstvoorspeller en een bruikbare assistent.
Waarom AI soms onzin produceert
Omdat een LLM patronen voorspelt en geen echte feitenkennis raadpleegt, kan het zelfverzekerd onjuiste informatie geven. Dit heet een hallucinatie. Het model genereert iets dat statistisch plausibel klinkt, maar feitelijk niet klopt.
Plausibel is niet hetzelfde als waar
Een AI-antwoord dat vloeiend en overtuigend klinkt, kan toch volledig verzonnen zijn. Het model optimaliseert op waarschijnlijke taal, niet op waarheid. Controleer belangrijke feiten daarom altijd zelf.
Dit verklaart ook waarom prompts werken. Door je vraag goed te formuleren stuur je het model richting de patronen die je nodig hebt. Geef je context en een duidelijke opdracht, dan wordt het waarschijnlijke antwoord ook het juiste antwoord.
Wat dit betekent voor jou
Met deze kennis gebruik je AI slimmer. Je begrijpt dat een model geen database is maar een patroonherkenner. Je weet dat heldere instructies betere resultaten geven en dat controle nodig blijft. Lees het PTCF-framework om dit in praktijk te brengen.
Denk in patronen
Vraag jezelf bij een prompt af: heeft het model genoeg context om het juiste patroon te kiezen? Vaak los je een teleurstellend antwoord op door simpelweg meer achtergrond mee te geven.
Denkt AI echt na?
Nee, niet zoals mensen. Een LLM herkent en reproduceert patronen in taal. Het lijkt op nadenken, maar er zit geen bewustzijn of begrip achter zoals wij dat kennen.
Onthoudt Gemini wat ik typ?
Binnen een gesprek houdt het model de context vast. Of het over gesprekken heen onthoudt, hangt af van de instellingen en het product. In de zakelijke Workspace-omgeving wordt jouw inhoud niet gebruikt om de modellen te trainen.
Waarom geeft AI soms een ander antwoord op dezelfde vraag?
Het model kiest uit waarschijnlijke opties met een zekere mate van variatie. Daardoor kan hetzelfde verzoek verschillende, maar vergelijkbare antwoorden opleveren.
Heb ik technische kennis nodig om AI te gebruiken?
Nee. Je hebt geen programmeerkennis nodig. Een goede formulering van je vraag is veel belangrijker dan technische achtergrond.
Wat is een token precies?
Een token is een stukje tekst waarmee het model rekent, soms een heel woord en soms een deel ervan. Modellen lezen en genereren tekst token voor token in plaats van letter voor letter of woord voor woord.
Wat kan ik doen tegen hallucinaties?
Geef duidelijke context, vraag om bronnen of een onderbouwing en controleer belangrijke feiten zelf. Hoe concreter je opdracht, hoe kleiner de kans dat het model iets aannemelijks maar onjuist verzint.
Nu je begrijpt hoe AI werkt, kun je bewuster met Gemini aan de slag. Bekijk de verschillende Gemini-modellen om te zien welk model bij welke taak past.