Loading…
Een LLM (large language model) is een AI-taalmodel dat getraind is op enorme hoeveelheden tekst om te voorspellen welk woord er waarschijnlijk volgt. Het knipt tekst op in tokens, weegt hoe die met elkaar samenhangen en bouwt zo woord voor woord een antwoord op. Een LLM begrijpt niet wat het zegt en controleert geen feiten, waardoor het overtuigend kan klinken terwijl het fout zit. ChatGPT, Claude en Gemini zijn voorbeelden van tools die op een LLM draaien.
Een LLM denkt niet, het voorspelt. Je gebruikt ChatGPT, Claude of Gemini waarschijnlijk al. Het voelt alsof er iets aan de andere kant zit dat je begrijpt. Dat is niet zo. In deze blog leggen we uit hoe een LLM werkt, zonder formules of jargon, zodat je er daarna slimmer mee werkt.
LLM staat voor large language model, in het Nederlands een groot taalmodel. Het is een computerprogramma dat getraind is op enorme hoeveelheden tekst, met één doel: voorspellen welk woord er waarschijnlijk komt.
ChatGPT, Claude en Gemini zijn allemaal producten die op zo'n model draaien. Het model is de motor, de chat-app is de auto eromheen.
Het woord "groot" slaat op twee dingen. De hoeveelheid tekst waarop het model getraind is, en het aantal instellingen (parameters) in het model zelf. Dat zijn er bij moderne modellen honderden miljarden.
Een LLM leest geen woorden zoals jij. Het knipt tekst eerst op in kleine stukjes, tokens. Een token is soms een heel woord, soms een deel ervan. "Ondernemer" kan bijvoorbeeld worden opgeknipt in "onder" en "nemer".
Elk token krijgt een nummer, en het model rekent alleen met die nummers. Daarom heeft een LLM soms moeite met dingen die voor jou simpel zijn, zoals letters tellen in een woord. Het ziet die letters namelijk niet los.
Tokens bepalen ook wat je betaalt bij de meeste AI-tools voor bedrijven, en hoeveel tekst een model in één keer kan verwerken.
Een LLM leert door miljarden zinnen te lezen: websites, boeken, artikelen, code. Bij elke zin krijgt het model een simpele opdracht. Raad het volgende stukje. Fout? Dan worden de instellingen een klein beetje bijgesteld. Dat herhaal je ontelbaar vaak.
Niemand vertelt het model wat grammatica is of dat Rotterdam in Nederland ligt. Het pikt die patronen op omdat ze steeds terugkomen in de tekst. Zo ontstaat iets dat lijkt op kennis, maar eigenlijk een enorm netwerk van verbanden is.
Daarna volgt nog een tweede fase. Mensen beoordelen antwoorden van het model, zodat het leert behulpzaam te zijn en vragen te beantwoorden in plaats van alleen maar zinnen af te maken.
Als je een vraag stelt, gebeurt er dit:
1. Je vraag wordt opgeknipt in tokens.
2. Het model kijkt naar alle tokens tegelijk en weegt welke belangrijk zijn voor elkaar. Dit heet attention, en het is de reden dat moderne modellen context zo goed snappen.
3. Het berekent voor elk mogelijk volgend token hoe waarschijnlijk het is.
4. Het kiest er een, plakt die achter de tekst, en begint opnieuw bij stap 2.
Dat is ook waarom je het antwoord ziet verschijnen alsof iemand typt. Het model weet aan het begin van een zin nog niet hoe die eindigt.
En waarom krijg je op dezelfde vraag niet altijd hetzelfde antwoord? Het model kiest niet altijd het meest waarschijnlijke token, maar laat een beetje ruimte voor variatie. Anders zou elke tekst klinken als een gebruiksaanwijzing.
Een LLM is gebouwd om een tekst te maken die klopt als tekst. Niet om te checken of die waar is. Meestal valt dat samen, want de trainingsdata bevat veel correcte informatie. Maar soms niet.
Vraag je naar iets wat weinig voorkomt in de data, zoals de omzet van een lokale aannemer of een specifiek wetsartikel, dan vult het model het gat met iets wat aannemelijk klinkt. Dat heet een hallucinatie. Het model liegt niet, het weet simpelweg niet dat het het niet weet.
Daarnaast heeft elk model een kennisgrens: het weet niets van wat er na de training gebeurde, tenzij het tool zelf het internet op mag of jij de informatie aanlevert.
Als je weet dat een LLM voorspelt in plaats van weet, ga je er anders mee om. Een paar dingen die direct verschil maken:
• Geef context mee. Hoe meer relevante informatie in je vraag, hoe minder het model hoeft te gokken. Plak je eigen prijslijst erbij in plaats van te vragen wat iets ongeveer kost.
• Controleer feiten, cijfers en bronnen. Vooral bij juridische, financiële of medische onderwerpen.
• Gebruik het voor taal, niet als orakel. Samenvatten, herschrijven, structureren en brainstormen gaan uitstekend. Daar is het model voor gebouwd.
• Let op wat je deelt. Wat je in een gratis AI-tool plakt, kan buiten je bedrijf terechtkomen. Check de instellingen of kies een zakelijke versie.
Wil je weten waar AI in jouw bedrijf echt tijd bespaart? Daar helpen we MKB-bedrijven dagelijks mee bij Generation C.
Vond je dit artikel waardevol? Deel het.
