Kernconcepten
12 concepten
AI-hallucinatie
Wanneer een LLM met vertrouwen onjuiste of verzonnen informatie genereert
AI-inferentie
Het proces van het draaien van een getraind LLM om output te genereren vanuit input
Fine-tuning
Een voorgetraind LLM verder trainen op domeinspecifieke data om het gedrag te specialiseren
Temperature in AI
Een parameter die de willekeurigheid van LLM-output regelt — lagere waarden produceren consistente resultaten, hogere waarden verhogen creativiteit
Top-p (Nucleus) Sampling
Een decodeermethode die samplet uit de kleinste set tokens waarvan de cumulatieve kans een drempel p overschrijdt — de kandidaatpool past zich aan op basis van modelzekerheid
Contextvenster
Het maximale aantal tokens dat een LLM in één verzoek kan verwerken
Embedding
Een numerieke vector die de semantische betekenis van tekst vastlegt, waardoor zoekopdrachten op gelijkenis mogelijk worden
Large Language Model (LLM)
Een neuraal netwerk getraind op enorme hoeveelheden tekst om mensachtige taal te begrijpen en genereren
Neuraal Netwerk
Een netwerk van onderling verbonden kunstmatige neuronen dat patronen leert uit data — de fundamentele architectuur achter alle moderne AI
Prompt
De invoertekst of instructies die aan een LLM worden gegeven om een antwoord te genereren
Token in AI
De kleinste eenheid tekst die een LLM verwerkt — ongeveer 4 tekens of 0,75 woorden
Schalingswetten voor LLM's
Empirische patronen die aantonen dat LLM-capaciteiten voorspelbaar verbeteren naarmate modelgrootte, trainingsdata en compute toenemen — waardoor betrouwbare planning van AI-investeringen mogelijk wordt