Zoek op de website

DZHF-2-1024x307

AI, meer dan ChatGPT

Artificial Intelligence is meer dan Large Language Models zoals CoPilot en ChatGPT. Wat is het dan eigenlijk? Hoe werkt het? Wat kun je er wel en niet van verwachten? En wat zijn de kansen en bedreigingen? In de EduTalk ging Wiek Wijnands van Kensan dieper in op deze vragen. 

Als je het over  AI hebt, dan gaat het al snel over toepassingen als CoPilot en ChatGPT. Maar deze ‘Large Language Modellen’ zijn slechts één toepassing van kunstmatige intelligentie. AI kom je overal tegen, zelfs vaak zonder het te merken: spamfilters houden je inbox schoon, navigatie-apps berekenen routes, Netflix en Spotify doen slimme aanbevelingen, webshops voorspellen je voorkeuren, je telefoon ontgrendelt via gezichtsherkenning en vertaalapps helpen je wereldwijd communiceren. AI werkt stilletjes achter de schermen en omvat dus ook beeldherkenning, spraakverwerking, autonome systemen en voorspellende algoritmen. De gemene deler is dat het gaat om het leren van patronen in data om beslissingen te nemen of acties uit te voeren. LLM’s focussen op taal, maar AI reikt dus veel verder dan tekst.

Hoe werken Large Language Modellen?

We gaan iets dieper in op de Large Language Modellen, omdat vrijwel iedereen er tegenwoordig gebruik van maakt om informatie te vergaren en te produceren. En dat brengt risico’s met zich mee. Om dat te begrijpen, is het belangrijk om te snappen hoe deze modellen werken:

Stel je voor dat je een zin schrijft: “De auto rijdt op…”. Wat komt daarna? Waarschijnlijk “straat”. Een Large Language Model (LLM) doet iets vergelijkbaars, maar dan op enorme schaal. Het breekt tekst op in kleine stukjes, tokens genoemd, en berekent voor elk volgend token de kans dat het logisch volgt op de vorige. Die kansberekening is gebaseerd op correlaties: verbanden die het model heeft ontdekt in miljarden teksten. Bijvoorbeeld: woorden als “auto” en “straat” komen vaak samen voor, dus de kans dat “straat” volgt is groot. Maar het zou ook “de snelweg” kunnen zijn. Het model “begrijpt” dus niet echt, maar voorspelt statistisch wat waarschijnlijk klopt. Hierdoor zul je ook nooit twee keer exact hetzelfde antwoord krijgen als je ChatGPT of CoPilot een vraag stelt.

‘Meest waarschijnlijk’ is niet altijd juist

Deze aanpak maakt antwoorden vloeiend en overtuigend, maar niet altijd neutraal of volledig betrouwbaar. Als de trainingsdata vooroordelen of fouten bevat, kan het model die herhalen. Bovendien kiest het voor de meest waarschijnlijke formulering, niet per se voor de meest juiste. Daarnaast kan het model ook ‘sentiment’ herkennen en heeft het de neiging om met je mee te praten. Zelf kritisch blijven en bronnen checken blijft daarom belangrijk.

RAG en causale AI

Er zijn wel ontwikkelingen die hier verbetering in brengen. Retrieval-Augmented Generation (RAG) is bijvoorbeeld een techniek die LLM’s slimmer maakt. Waar een standaard LLM antwoorden geeft op basis van wat het heeft geleerd tijdens training met miljarden openbare bronnen, wordt daar bij RAG een extra stap aan toegevoegd: het model haalt eerst relevante informatie op uit een (eigen) betrouwbare bron (bijvoorbeeld een database of documenten) en gebruikt die om een beter, actueler antwoord te genereren.
Een andere ontwikkeling is ‘causale AI’. Causale AI gaat verder dan correlaties: het probeert oorzakelijke verbanden te begrijpen. In plaats van alleen te voorspellen wat waarschijnlijk samen voorkomt, onderzoekt het waaróm iets gebeurt. Dit maakt AI beter in het nemen van beslissingen, het simuleren van scenario’s en het verklaren van uitkomsten. Dat zou bijvoorbeeld grote impact maken  

in de gezondheidszorg, waar inzicht in oorzaak-gevolg cruciaal is. Het belooft meer transparantie en betrouwbaarheid dan puur statistische modellen zoals LLM’s. Causale AI is er nog niet op grote schaal omdat het veel complexer is dan correlaties leren. Het vereist modellen die niet alleen patronen herkennen, maar ook oorzaak-gevolg kunnen vaststellen, wat diepere wiskunde, meer data en vaak experimenten vraagt. Experts verwachten dat causale AI de komende 5–10 jaar langzaam doorbreekt. Het is een veelbelovende stap, maar vraagt om nieuwe algoritmen, betere datasets en rekenkracht.

Je gegevens op straat

Naast het risico van ‘valse informatie’, brengt het gebruik van toepassingen als CoPilot en ChatGPT (maar ook andere AI-toepassingen) meer veiligheidsrisico’s met zich mee. Alle gegevens die je invoert in dergelijke apps, komen terecht in de cloud en worden weer gebruikt om de algoritmes mee te trainen. Je gooit je gegevens dus bijna letterlijk ‘op straat’ en AI komt steeds meer over jou en/of je organisatie te weten. Daarmee kan die informatie ook snel in verkeerde handen vallen. Wat daarbij speelt is dat veel van de populairste apps vallen onder bijvoorbeeld Amerikaanse of Chinese wet- en regelgeving. En in die landen nemen ze het minder nauw met je privacy. Dat is een van de redenen dat er in Europa hard gewerkt wordt aan ‘eigen’ apps, zoals ‘Mistral’.

Leren omgaan met AI

AI is geen hype. Het is al zeer aanwezig in veel aspecten van ons leven. Dat brengt risico’s met zich mee. Het kost ook veel rekenkracht en het gebruik ervan is dus niet per se duurzaam. Tegelijk levert het ook enorm veel op voor de samenleving. Om die kansen op een goede manier in te zetten is het wel essentieel dat iedereen, van jong tot oud, begrijpt wat het is, wat het doet en hoe je er verstandig mee kunt omgaan.

Terug naar overzicht