Een Large Language Model (LLM) is een type AI-model dat is getraind op enorme hoeveelheden tekst. Hierdoor leert het patronen in taal herkennen, zoals zinsopbouw, betekenis en context. Bekende voorbeelden zijn ChatGPT, Gemini en Claude.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Hoe een Large Language Model werkt
LLM’s gebruiken neurale netwerken, vaak met miljarden parameters, om te voorspellen welk woord of welke zin logisch volgt op eerdere tekst. Het model kijkt naar de woorden in een prompt en berekent welke vervolgtekst het meest waarschijnlijk is. Daardoor kunnen Large Language Models teksten genereren, samenvattingen maken, vertalen, vragen beantwoorden en code schrijven.
Dat gebeurt niet omdat het model taal begrijpt zoals mensen dat doen, maar omdat het tijdens training enorme hoeveelheden voorbeelden heeft gezien. Zo leert het statistische patronen herkennen.
Na de basistraining kan een Large Language Model verder worden afgestemd op specifieke taken, zoals klantenservice, analyse of juridisch werk.
Voorbeeld
Prompt
Schrijf een vriendelijke afmelding voor een vergadering omdat ik ziek ben.
Mogelijk antwoord
Bedankt voor de uitnodiging. Helaas kan ik vandaag niet deelnemen omdat ik ziek ben. Kun je de belangrijkste punten achteraf met mij delen?
Het LLM gebruikt de woorden en context uit de prompt om een waarschijnlijk passend antwoord te maken. Het antwoord kan per keer verschillen en moet altijd worden gecontroleerd.
Wat een Large Language Model kan
Een Large Language Model wordt gebruikt voor veel verschillende taken. Denk aan:
- gesprekken voeren met gebruikers
- teksten schrijven of herschrijven
- samenvattingen maken
- vertalen naar andere talen
- vragen beantwoorden
- code genereren of verbeteren
Daardoor zijn LLM’s breed inzetbaar in werk, onderwijs en dagelijks gebruik.
Beperkingen en risico’s
Een Large Language Model voorspelt taal, maar denkt niet zoals een mens. Daardoor:
- kunnen antwoorden fout of verzonnen zijn (hallucinaties)
- kunnen vooroordelen in trainingsdata terugkomen
- kan vertrouwelijke informatie uitlekken als die wordt ingevoerd
Daarnaast is het verstandig om geen vertrouwelijke informatie in publieke AI-tools in te voeren.
Daarom blijft menselijke controle belangrijk. Hoe veilig en verantwoord AI gebruikt moet worden, lees je op mijn pagina Ethiek in AI. Bekijk ook eens mijn post “Inleiding tot Large Language Models voor Beginners“, of de bijbehorende YouTube-video.
Verder leren
Wil je AI stap voor stap begrijpen, dan is de Gratis Basiscursus AI een goed startpunt. Daar leer je in gewone taal hoe AI werkt en hoe de belangrijkste begrippen met elkaar samenhangen.
Kijk je liever dan je leest, dan vind je op het YouTube kanaal De Wereld van AI duidelijke video’s zonder technisch jargon.
Wil je begrijpen hoe dit verschilt van AI die toestanden en gevolgen probeert te voorspellen? Lees dan over het verschil tussen taalmodellen en wereldmodellen.
Gerelateerde termen
- Dataset
- Deep learning
- Grondmodel (Foundation Model)
- Inferentie (voorspelling)
- Kunstmatige Intelligentie (AI)
- Neurale netwerken
- Prompt engineering
- Training Data
- Transformer-model
Redactionele informatie
Deze pagina is geschreven en inhoudelijk gecontroleerd door Marcel, onafhankelijk AI-auteur en oprichter van De Wereld van AI. Hij maakt complexe AI begrijpelijk en beoordeelt toepassingen op bruikbaarheid, risico’s en verantwoord gebruik.
Bij de totstandkoming is AI gebruikt als ondersteunend hulpmiddel voor structurering en redactionele werkzaamheden. De bronselectie, inhoudelijke keuzes en eindredactie zijn door Marcel gecontroleerd.
Lees meer over de redactionele werkwijze.
