Grote Taalmodellen — De Motoren Achter Moderne AI

Wat Is een LLM? 🤖

Een Groot Taalmodel (LLM) is een neuraal netwerk getraind op enorme hoeveelheden tekst om menselijke taal te begrijpen en te genereren. In de kern doet een LLM één ding: het volgende token voorspellen.

---

De Transformer-Architectuur 🏗️

Elk modern LLM is gebouwd op de Transformer-architectuur. De sleutelinnovatie: zelf-aandacht — in plaats van tekst woord voor woord te lezen, kijkt het naar alle woorden tegelijk.

"De bank bij de rivier was steil"

Voor het woord "bank":
  "bank" ←→ "rivier"  = 0.45  (hoog — verduidelijkt betekenis)
  "bank" ←→ "steil"   = 0.30  (medium — ondersteunt "oever" betekenis)

Elke Transformer-laag volgt: Zelf-Aandacht → Optellen + Normaliseren → Feed-Forward → Optellen + Normaliseren. Stapel 50–100+ blokken en je hebt een modern LLM.

---

De Trainingspijplijn 🔄

Fase 1: Voortraining (taal leren)

Het model leest biljoenen tokens uit boeken, websites en code — leert grammatica, feiten en redeneerpatronen.

Fase 2: Fine-tuning (instructies leren volgen)

Getraind op vraag-antwoord paren om instructies te leren volgen.

Fase 3: RLHF (menselijke voorkeuren leren)

Reinforcement Learning from Human Feedback leert het model wat mensen als behulpzaam en veilig beschouwen.

---

Vergelijking van Grote Modellen 🏆

┌──────────────┬─────────────┬────────────────────────────────────┐
│ Modelfamilie │ Maker       │ Kenmerken                          │
├──────────────┼─────────────┼────────────────────────────────────┤
│ GPT-4/4o     │ OpenAI      │ Sterk redeneren, multimodaal       │
│ Claude       │ Anthropic   │ Veiligheidsgericht, lange context  │
│ Llama        │ Meta        │ Open gewichten, lokaal uitvoerbaar │
│ Gemini       │ Google      │ Multimodaal-natief                 │
│ Mistral      │ Mistral AI  │ Efficiënt, Europees               │
└──────────────┴─────────────┴────────────────────────────────────┘

---

Mogelijkheden en Beperkingen ⚖️

LLM's genereren vloeiende tekst, vatten samen, vertalen en schrijven code. Maar ze worstelen met hallucinaties, wiskunde, recentheid en echte redenering.

---

Token-Economie en Contextvensters 📊

LLM's lezen tokens (ongeveer ¾ van een woord). Het contextvenster is het maximum aantal tokens tegelijk. GPT-4o ondersteunt 128K tokens, Claude 200K.

input_tokens = 1000
output_tokens = 500
prijs_per_1k = 0.01

kosten = ((input_tokens + output_tokens) / 1000) * prijs_per_1k
print(f"Kosten per verzoek: ${kosten:.4f}")

---

Praktijk: Een LLM API Gebruiken 🛠️

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "Je bent een wetenschapstutor voor tieners."},
        {"role": "user", "content": "Leg fotosynthese eenvoudig uit."}
    ],
    temperature=0.7,
    max_tokens=300
)

print(response.choices[0].message.content)

---

Samenvatting 🎯

1. LLM's voorspellen het volgende token — schaal creëert intelligent gedrag
2. Transformers gebruiken zelf-aandacht om context te begrijpen
3. Trainingspijplijn: voortraining → fine-tuning → RLHF
4. Elk groot model heeft verschillende sterktes
5. LLM's zijn krachtig maar niet perfect
6. Tokens zijn de valuta van LLM's

---

Wat Volgt? 🚀

In de volgende les beheersen we prompt engineering: de kunst om de beste resultaten uit LLM's te halen. ✨