Een taalmodel zoals ChatGPT voorspelt telkens het meest waarschijnlijke volgende stuk tekst, op basis van patronen die het heeft geleerd uit enorme hoeveelheden tekst. Het begrijpt niets in de menselijke zin: het berekent wat logischerwijs volgt en bouwt zo, stap voor stap, een antwoord op.
"AI" is een verzamelwoord
Wie het over "AI" heeft, bedoelt vrijwel altijd een taalmodel (ook wel LLM): ChatGPT, Claude, Gemini. Dat is het type achter chatbots, schrijfassistenten en programmeerhulp. Er bestaat ook AI die gezichten herkent, muziek aanraadt of spraak omzet naar tekst, maar dat valt buiten dit artikel. Hier gaat het over taalmodellen, want daar krijg je in de praktijk het vaakst mee te maken.
Het voorspelt telkens het volgende woord
Een taalmodel doet in de kern één ding: het krijgt een stuk tekst en voorspelt welk woord er het logischst op volgt. Dat woord zet het erachter, kijkt opnieuw naar het geheel, voorspelt het volgende woord, en zo bouwt het woord voor woord een antwoord op. Een chatbot is niets anders dan dit principe, keer op keer herhaald.
Het model kiest niet altijd het állerwaarschijnlijkste woord. Het laat af en toe bewust een iets minder voor de hand liggend woord toe, en juist daardoor klinkt het antwoord natuurlijker. Dat is ook waarom je op dezelfde vraag twee keer een net iets ander antwoord krijgt.
En willekeurig is die keuze niet. Na "de hoofdstad van Frankrijk is" komt vrijwel altijd "Parijs", niet omdat het model Parijs kent zoals jij dat kent, maar omdat het die combinatie ontelbare keren is tegengekomen. Het herkent het patroon, meer niet.
Onder de motorkap: een netwerk van knoppen
Waar komen die patronen vandaan? Van iets dat is afgekeken van de hersenen: een neuraal netwerk. Ons brein is een web van zenuwcellen die met elkaar verbonden zijn. Een neuraal netwerk is hetzelfde idee, maar dan in software: laagjes van punten (noden) die aan elkaar hangen, met de informatie die van de ene laag naar de volgende stroomt.
Een voorbeeld maakt het concreet. Neem een netwerk dat foto's van katten en honden uit elkaar houdt. Je voert een foto in. Die stroomt door laag na laag, en aan het eind komt er een antwoord uit: "kat" of "hond". Elke verbinding werkt als een draaiknop die bepaalt hoeveel informatie er doorstroomt naar de volgende laag. De ene laag let grofweg op de vorm van de oren, de volgende op iets anders, tot er een oordeel uitrolt.
Hoe een model leert: voorspellen en bijstellen
Een nieuw netwerk kan nog niets. Alle knoppen staan willekeurig, dus de uitkomst is willekeurig. Trainen is het proces waarin die knoppen langzaam in de goede stand komen.
Dat gaat met voorbeelden, heel veel voorbeelden. Terug naar de katten en honden: je verzamelt miljoenen foto's en zet er telkens het juiste label bij. Je laat het netwerk een voorspelling doen. Zegt het "hond" terwijl het een kat was, dan is dat een signaal dat er iets niet klopt, en de knoppen worden een fractie bijgesteld richting het juiste antwoord. Herhaal dat miljoenen keren, en de knoppen bewegen naar een stand waarin het bijna altijd klopt.
Bij een taalmodel werkt het net zo, alleen zijn de voorbeelden geen foto's maar stukken tekst. Het model krijgt een tekst te zien op het laatste woord na, voorspelt dat woord, en wordt bijgestuurd tot het steeds vaker klopt. Doe dat over een groot deel van het internet en het model leert niet alleen die exacte teksten, maar de patronen erachter. Daardoor geeft het ook zinnige antwoorden op tekst die het nog nooit heeft gezien.
De schaal hiervan is enorm. Een training vraagt zoveel berekeningen dat het met de hand niet te doen is. Daarom draait dit op gespecialiseerde chips die enorme aantallen berekeningen tegelijk uitvoeren.
Van "voltooi de tekst" naar "wees een goede assistent"
Na die eerste training kan een model tekst aanvullen, maar dat is nog iets anders dan een behulpzame assistent zijn. Een willekeurig stuk internet afmaken is niet hetzelfde als netjes antwoord geven op jouw vraag.
Daarvoor is een tweede ronde nodig, en daar komen mensen bij kijken. Mensen beoordelen antwoorden van het model: dit is behulpzaam, dit klopt niet, dit kan beter. Die beoordelingen sturen de knoppen opnieuw bij, zodat het model vaker antwoorden geeft waar mensen wat aan hebben. Dit heet reinforcement learning met menselijke feedback. Het is de stap die een ruwe tekstvoorspeller verandert in de bruikbare assistent die je kent.
Waarom transformers het verschil maakten
Tot 2017 lazen de meeste taalmodellen tekst woord voor woord, van voor naar achter. Toen introduceerde een team bij Google de transformer, en dat was een doorbraak. Een transformer leest niet stap voor stap, maar neemt de hele tekst in één keer in zich op.
De sleutel is een mechanisme dat attention heet. Kort gezegd: alle woorden wegen elkaar mee en stellen hun betekenis bij aan de hand van de context. Neem het woord "bank". Staat er verderop iets over water en een rivier, dan schuift de betekenis richting oever. Gaat het over geld en rente, dan richting geldinstelling. Door die context blijft het model op koers, en omdat het alles tegelijk verwerkt, kan het efficiënt op krachtige chips draaien.
Een belangrijke beperking: het weet niets in de menselijke zin
Een taalmodel heeft geen feitenbank die het opzoekt. Het bouwt het meest waarschijnlijke antwoord op uit patronen. Meestal klopt dat, want juiste informatie kwam nu eenmaal het vaakst voor in de trainingstekst. Maar niet altijd.
Als het model iets niet weet, geeft het dat niet aan. Het levert alsnog een vloeiend, overtuigend antwoord dat volledig verzonnen kan zijn. Dat noemen we hallucineren: het klopt van vorm, maar niet van inhoud.
Trainen en gebruiken zijn twee dingen
Het scheelt om deze twee uit elkaar te houden.
Trainen is het eenmalige, kostbare proces waarin het model zijn patronen leert. Dat duurt weken en kost enorm veel rekenkracht (daar komt CUDA om de hoek kijken, in een later artikel). Gebruiken is elke keer dat jij een vraag stelt. Dat is per keer heel goedkoop, maar het gebeurt wel miljoenen keren per dag.
Belangrijk gevolg: een getraind model staat stil op het moment van trainen. Alles wat daarna gebeurde, kent het niet. Tenzij je het die informatie zelf aanreikt.
Van model naar assistent: de harness eromheen
Een getraind model is op zichzelf niet meer dan een tekstvoorspeller. Wat je in de praktijk gebruikt, is dat model plus een laag eromheen die het bruikbaar maakt: de harness. Die zorgt voor het gesprek, bewaakt de context, geeft het model instructies mee en verbindt het met de buitenwereld. Zonder die laag is een model stuurloos; met die laag wordt het een assistent.
Omdat het model vastzit op zijn trainingsmoment en niets van jouw organisatie weet, gebruikt die harness een aantal technieken om het toch actuele en eigen kennis te geven:
- Context meegeven. De directste manier: zet de relevante tekst bij je vraag, zodat het model die kan gebruiken.
- Instructies vastleggen. Werk je met een AI-assistent die code of documenten maakt, dan kun je vaste afspraken in een bestand zetten dat de assistent automatisch meeleest. Denk aan "schrijf in het Nederlands" of "gebruik deze stijl". Zo hoef je het niet elke keer te herhalen.
- Documenten laten doorzoeken (RAG). Het systeem zoekt eerst in jouw documenten, haalt de relevante stukken eruit en geeft die aan het model mee.
- Acties laten uitvoeren. Je geeft het model gereedschap: een database bevragen, een berekening maken, een systeem aanroepen. Hoe dat op een gestandaardiseerde manier werkt, lees je in het artikel over MCP.
Dat is de basis. Een taalmodel is geen alwetend orakel, maar een patroonvoorspeller die leerde door miljoenen keren te voorspellen en bijgestuurd te worden, met een harness eromheen die het aanstuurt. Wie dat begrijpt, ziet ook waar de kracht en de grenzen liggen. In de volgende artikelen pakken we de begrippen stuk voor stuk op: wat een LLM precies is, wat MCP betekent, en hoe je er in de praktijk het meeste uithaalt.