AI verandert snel en met die verandering groeit een eigen woordenboek. Dit artikel legt op een eenvoudige manier de belangrijkste termen uit die je tegenkomt in nieuws, presentaties of bij leveranciers van AI-oplossingen.

Belangrijke termen

• AGI (kunstmatige algemene intelligentie) – AI die in veel taken minstens zo goed is als een gemiddelde mens.

• AI-agent – Een slim programma dat zelfstandig meerdere stappen uitvoert, zoals boeken van een afspraak of het bijwerken van gegevens.

• API-endpoints (API = programmeerinterface) – verborgen knoppen in software die andere programma’s kunnen gebruiken om taken te laten uitvoeren.

• Chain-of-thought (denkstappen) – Het opschrijven van tussenstappen door een model om ingewikkelde problemen beter op te lossen.

• Coding agents – AI-agents speciaal voor programmeren: ze schrijven, testen en verbeteren code grotendeels zelf.

• Compute – De rekenkracht (zoals chips en servers) die nodig is om AI te trainen en te laten werken.

• Deep learning – Een techniek die werkt met lagen in een kunstmatig neuraal netwerk om complexe patronen te leren.

• Diffusion – Een techniek die beelden of geluid stap voor stap verstoort en leert die ruis weer weg te halen om creatieve inhoud te maken.

• Distillation – Een manier om kennis van een groot model over te zetten naar een kleiner, sneller model.

• Fine-tuning – Extra training van een model om het beter te laten werken voor één taak of sector.

• GAN (Generative Adversarial Network) – Twee modellen die elkaar uitdagen: één maakt beelden, de ander probeert te herkennen of ze echt zijn.

• Hallucinatie – Wanneer een AI feitelijke onjuistheden verzint. Dit kan riskant zijn bij medische of juridische informatie.

• Inference – Het gebruiken van een getraind model om een antwoord of voorspelling te geven.

• LLM (large language model) – Grote tekstmodellen zoals ChatGPT; ze voorspellen welk woord het beste past bij wat jij vraagt.

• Memory cache – Een snelle opslag die herhaalde berekeningen bewaart zodat een model sneller kan antwoorden.

• MCP (Model Context Protocol) – Een standaard waarmee modellen zonder maatwerk verbinding kunnen maken met je bestanden of apps.

• Mixture of Experts (MoE) – Een modelstructuur met veel gespecialiseerde onderdelen; bij elke taak worden alleen de relevante onderdelen geactiveerd.

• Neuraal netwerk – De technische bouwsteen achter deep learning: lagen die samen patronen in data herkennen.

• Neuralese – Een hypothetische situatie waarin een model alleen nog in interne getallen 'denkt' en niet meer in menselijke taal uitlegbaar is.

• Opaque recurrence (ondoorzichtige herhaling) – Een techniek waarbij een model intern hetzelfde stukje meermaals doorrekent; efficiënter, maar minder goed te volgen.

• Open source (openlijk beschikbare code) – Software of modellen waarvan de broncode openbaar is, zodat iedereen kan kijken en controleren.

• Parallelization – Werk tegelijk laten uitvoeren op veel chips of machines om modellen sneller te trainen of te gebruiken.

• RAMageddon – Tekort aan geheugenchips (RAM) doordat grote partijen veel kopen, met hogere prijzen en schaarste tot gevolg.

• Recurrent depth – Technische naam voor het herhaaldelijk doorrekenen van een model; verwant aan opaque recurrence.

• Recursive self-improvement – Idee dat een AI zichzelf steeds beter kan maken zonder menselijke hulp.

• Reinforcement learning – Leren door beloning: een model probeert acties en past zich aan op basis van feedback.

• Token – Een klein stukje tekst (vaak een deel van een woord) waarmee taalmodellen rekenen; kosten en snelheid worden vaak per token gemeten.

• Token throughput – Hoeveel tokens een systeem in korte tijd kan verwerken; bepaalt snelheid en schaalbaarheid.

• Training – Het leerproces waarbij een model patronen uit grote hoeveelheden data opneemt.

• Transfer learning – Kennis van een eerder model hergebruiken om sneller een nieuwe taak te leren.

• Validation loss – Een getal dat aangeeft hoe goed een model leert; lager is beter.

• Weights (gewichten) – De getallen in een model die bepalen hoe belangrijk bepaalde signalen zijn voor het uiteindelijke antwoord.

Hoe hangen deze termen samen?

Grotere modellen (LLM’s) zijn gebouwd op neurale netwerken en leren tijdens training welke patronen wél en niet werken. Tijdens gebruik noemt men dat inference; de snelheid daarvan hangt af van compute, token throughput en caching.

Sommige technieken, zoals chain-of-thought, maken het redeneerproces voor mensen beter zichtbaar. Andere technieken, zoals opaque recurrence of recurrent depth, laten meer interne stappen zien die minder begrijpelijk zijn. Dat schept efficiency, maar ook zorgen over controle en veiligheid.

Bedrijven gebruiken fine-tuning, distillation en transfer learning om grote modellen passend en goedkoper te maken voor specifieke taken. Tegelijk ontstaan nieuwe standaarden zoals MCP om modellen veilig te koppelen aan bestanden en bedrijfssoftware.

Wat betekent dit voor jou?

• Nieuwe AI-tools kunnen veel werk automatiseren, maar ze maken soms fouten (hallucinaties). Blijf kritisch op feiten.

• Open source modellen bieden inzicht en controle; gesloten modellen verbergen vaker hoe ze beslissen.

• Tekort aan geheugen (RAMageddon) en hoge rekenkosten (compute) kunnen invloed hebben op prijzen en beschikbaarheid van diensten.

Conclusie

AI heeft een snelgroeiende woordenschat. Door een paar kernbegrippen te kennen — zoals LLM, chain-of-thought, opaque recurrence en fine-tuning — snap jij beter wat leveranciers beloven en welke risico’s er zijn. Deze kennis helpt bij het beoordelen van nieuwe AI-toepassingen zonder dat je technische achtergrond nodig hebt.