Alles wat je moet weten over AI, Machine Learning en LLM’s

De wereld van AI ontrafeld

Laten we beginnen bij de breedste laag: Kunstmatige Intelligentie. Vaak denken we bij AI direct aan pratende robots of computers die de wereld overnemen, maar de werkelijkheid is zowel subtieler als indrukwekkender. AI is in de basis een tak van de informatica die zich bezighoudt met het bouwen van systemen die taken uitvoeren waarvoor normaal gesproken menselijke intelligentie nodig is.

In de begindagen, rond de Dartmouth-conferentie in 1956, dachten pioniers zoals John McCarthy dat ze het probleem van intelligentie wel even in een zomer zouden oplossen. Hun aanpak was wat we nu ‘Symbolische AI‘ noemen. Ze probeerden de wereld te vangen in logische regels. Als een computer maar genoeg “als-dan” regels kende, zou hij vanzelf intelligent worden. Dit werkte prima voor een potje boter-kaas-en-eieren, maar de echte wereld bleek veel te rommelig voor strikte logica. Een kind van drie kan een kopje herkennen, of het nu op zijn kop staat, kapot is of een andere kleur heeft. Voor de vroege AI was dit een onoplosbaar raadsel.

Vandaag de dag maken we daarom het cruciale onderscheid tussen ‘Narrow AI‘ en ‘General AI’. Bijna alles wat we nu AI noemen, is ‘Narrow’. Het is een specialist. Je navigatiesysteem is een genie in het vinden van de snelste route naar de camping in Frankrijk, maar het heeft geen flauw benul wat een file eigenlijk is in menselijke termen. Het begrijpt alleen data. De droom van ‘General AI’ (AGI) (een machine die kan leren, redeneren en zich aanpassen aan elke situatie zoals een mens dat doet) is nog steeds het onderwerp van verhitte debatten. Sommigen zeggen dat we er bijna zijn, anderen geloven dat we nog fundamentele wetenschappelijke doorbraken missen.

Hoe Machine Learning de regels herschrijft

Als AI de auto is, dan is Machine Learning (ML) de motor die alles in beweging zet. De grote doorbraak kwam toen we stopten met het programmeren van regels en begonnen met het programmeren van leerprocessen. In plaats van een machine te vertellen hoe een kat eruitziet, geven we de machine miljoenen foto’s van katten en zeggen we: “Zoek zelf maar uit wat de gemene deler is.”

Dit proces noemen we ’training’. Het algoritme kijkt naar patronen die voor het menselijk oog vaak onzichtbaar zijn. Misschien is het de specifieke afstand tussen de ogen of de textuur van de snorharen. Door statistische kansberekening bouwt de machine een model op. Wanneer je dan een nieuwe foto laat zien, zegt de machine niet “Ik zie een kat”, maar “Er is een kans van 98,7% dat dit een kat is.”

Binnen Machine Learning hebben we verschillende smaken die elk hun eigen revolutie hebben ontketend. Er is ‘Supervised Learning‘, waarbij we de data labelen (dit is een kat, dit is een hond). Dit is de basis voor bijna alle commerciële AI van nu. Maar er is ook ‘Unsupervised Learning‘, waarbij de machine patronen vindt in data waar wij zelf geen orde in zagen. Dit wordt veel gebruikt in de wetenschap, bijvoorbeeld om nieuwe medicijnen te ontdekken door enorme hoeveelheden moleculaire data te scannen op verbanden die mensen over het hoofd zien. En dan is er nog ‘Reinforcement Learning‘, het digitale equivalent van een hond trainen met koekjes. De AI probeert iets, krijgt een digitale beloning bij succes en een straf bij falen.

Een kijkje in het digitale brein

Nu we begrijpen hoe machines leren, moeten we kijken naar de architectuur waarin dat gebeurt. Deep Learning is een specifieke vorm van Machine Learning die de afgelopen tien jaar voor een explosieve groei heeft gezorgd. De naam komt van de ‘diepe’ lagen in de kunstmatige neurale netwerken. Deze netwerken zijn losjes geïnspireerd op de werking van onze eigen hersenen.

In een neuraal netwerk stroomt informatie door verschillende lagen van digitale “neuronen”. Elke laag filtert de informatie en geeft een abstracte versie door aan de volgende laag. In de context van beeldherkenning ziet de eerste laag misschien alleen contrasten en randen. De tweede laag herkent cirkels en hoeken. De derde laag ziet ogen en neuzen, en de uiteindelijke laag concludeert dat het om een gezicht gaat.

De kracht van Deep Learning zit in de schaal. Hoe meer lagen (hoe ‘dieper’ het model) en hoe meer data je erdoorheen jaagt, hoe nauwkeuriger het wordt. Dit heeft geleid tot doorbraken in spraakherkenning, medische diagnoses en zelfs autonome voertuigen. Maar er zit een schaduwkant aan: deze modellen zijn ‘black boxes’. Zelfs de makers weten vaak niet precies waarom een Deep Learning-model tot een bepaalde beslissing komt. Het heeft miljoenen verbindingen gelegd die voor ons brein te complex zijn om te volgen. Dit roept belangrijke ethische vragen op, zeker wanneer deze systemen beslissingen nemen over wie een lening krijgt of wie in aanmerking komt voor een bepaalde behandeling.

De taalrevolutie: Het tijdperk van de LLM

En dan komen we bij de meest recente en meest zichtbare laag: de Large Language Models (LLM’s). Als je ChatGPT, Claude of Gemini gebruikt, praat je met een LLM. Maar laat je niet foppen door de menselijke toon; een LLM is in essentie een hyperintelligente tekst-voorspeller.

De “Large” in LLM is geen understatement. Deze modellen worden getraind op nagenoeg alles wat we als mensheid ooit digitaal hebben opgeschreven: van de volledige Wikipedia-database en miljoenen boeken tot Reddit-discussies en de code van bijna alle software op aarde. Door al deze tekst te verwerken, leert het model niet alleen grammatica, maar ook context, stijl en zelfs een vorm van logica.

Het geheim van de moderne LLM zit in de ‘Transformer’-architectuur (de ‘T’ in GPT). Voor de uitvinding van Transformers lazen computers tekst woord voor woord, van links naar rechts, maar dat is niet hoe taal werkt. De betekenis van een woord hangt vaak af van een woord dat tien zinnen terugstaat. Transformers kunnen de hele tekst tegelijkertijd bekijken en bepalen welke woorden het belangrijkst zijn voor de context. Dit noemen we ‘attention’. Hierdoor kan een LLM begrijpen dat als je het hebt over “de bank”, je in een tekst over vissen waarschijnlijk een zandbank bedoeld en in een tekst over geld een financiële instelling.

De impact van LLM’s is gigantisch, omdat ze de barrière tussen mens en machine hebben doorbroken. Je hoeft geen programmeur te zijn om een computer complexe taken te laten uitvoeren; je hoeft alleen maar een vraag te stellen in je eigen taal. Dit noemen we ‘Prompt Engineering‘. We komen uit een tijdperk waarin we de taal van de computer moesten leren (code), maar zijn inmiddels verhuisd naar een tijdperk waarin de computer onze taal heeft geleerd.

De verschillen in één oogopslag

Omdat de grens tussen deze technologieën in de praktijk vaak vervaagt, helpt het om de kenmerken naast elkaar te zetten. In de onderstaande tabel zie je precies hoe de verhoudingen liggen tussen de brede visie van kunstmatige intelligentie, de zelflerende kracht van machine learning en de tekstuele hoogstandjes van een Large Language Model (LLM).

Hoe de lagen samenwerken

Het is verleidelijk om te denken dat de ene techniek de andere vervangt, maar het tegendeel is waar. In de praktijk werken ze samen in een ingenieuze dans. Neem een moderne smartphone. Wanneer je een foto maakt, gebruikt de camera AI om de belichting te optimaliseren. Machine Learning-algoritmes hebben geleerd hoe een mooie zonsondergang eruitziet. Deep Learning herkent de gezichten van je vrienden en groepeert ze in je album. En als je vervolgens die foto wilt delen met een grappige tekst, kan een LLM je helpen die tekst te schrijven.

Dit ecosysteem zorgt voor een versnelling die we nooit eerder hebben gezien. Omdat AI nu zelf code kan schrijven (via LLM’s), kan het helpen bij het bouwen van nog betere Machine Learning-modellen. Daardoor zitten we inmiddels in een feedbackloop van innovatie.

Als de AI begint te dromen

Natuurlijk is het niet alleen maar rozengeur en maneschijn. Elke laag in onze digitale hiërarchie brengt unieke problemen met zich mee. Bij Machine Learning is het grootste gevaar ‘bias‘. Omdat een algoritme leert van data uit het verleden, zal het de vooroordelen uit dat verleden overnemen. Als een bedrijf in het verleden vooral mannen aannam voor technische functies, zal een ML-algoritme dat getraind is op die data concluderen dat mannen “betere” kandidaten zijn.

Bij LLM’s zien we een ander fenomeen: ‘hallucinaties‘. Omdat een LLM getraind is om het meest waarschijnlijke volgende woord te voorspellen, en niet om de waarheid te checken, kan het met volledige overtuiging onzin verkopen. Het klinkt autoritair, het gebruikt de juiste bronvermelding-stijl, maar de feiten kloppen van geen kant. Dit is een fundamenteel probleem: een LLM heeft geen besef van de werkelijkheid buiten de tekst waarop het getraind is.

Daarnaast is er de ecologische voetafdruk. Het trainen van een modern LLM kost evenveel energie als honderden huishoudens in een jaar verbruiken. De rekenkracht die nodig is om al die parameters te berekenen, vereist enorme datacenters die gekoeld moeten worden met miljoenen liters water. De vraag voor de toekomst is niet alleen hoe we AI slimmer maken, maar ook hoe we het duurzamer maken.

Hoe je deze kennis vertaalt naar een concrete strategie

Als we naar de horizon kijken, zien we dat de grenzen tussen AI, ML en LLM’s steeds verder vervagen. We gaan naar een wereld van ‘Multimodale AI‘, waarbij modellen niet alleen tekst begrijpen, maar tegelijkertijd kunnen zien, horen en handelen in de fysieke wereld. De robotica zal samensmelten met de taalmodellen, waardoor we machines krijgen die niet alleen opdrachten uitvoeren, maar ook begrijpen waarom ze die uitvoeren.

De belangrijkste les voor nu is dat we niet bang hoeven te zijn voor de termen. AI is de droom, Machine Learning is de methode, Deep Learning is de structuur en LLM’s zijn de stem. Samen vormen ze het krachtigste gereedschap dat de mensheid ooit heeft gebouwd. Het is aan ons om de hiërarchie te begrijpen, zodat we de technologie kunnen sturen in plaats van dat we erdoor gestuurd worden. Of je nu een ondernemer bent die efficiënter wil werken, of een student die de toekomst probeert te begrijpen: kennis van deze lagen is je belangrijkste bezit in de 21e eeuw.

Begrijp je de hiërarchie, maar mis je de uitvoering? Wij helpen ondernemers om AI, ML en LLM’s tastbaar te maken. Benieuwd wat we voor jou kunnen betekenen? Laten we een kopje koffie drinken en jouw AI-strategie uitstippelen!