Hoe LLM’s werken — van prompt tot antwoord #
Een LLM is een neuraal netwerk dat is getraind om steeds het volgende token te voorspellen; uit die ene simpele operatie ontstaat het vermogen om te schrijven, samenvatten, coderen en redeneren — geen begrip, maar geleerde statistische patronen.
Inhoud #
De kernidee: “extreem belezen autocomplete” #
Een LLM voorspelt telkens het volgende stukje tekst (token), gegeven alles wat ervóór staat. Het zoekt geen kant-en-klaar antwoord op; het reconstrueert wat een plausibel vervolg is op basis van patronen uit enorme hoeveelheden trainingstekst. Daarom is het tegelijk krachtig én soms zelfverzekerd fout ([[hallucinaties]]).
De pijplijn (wat er gebeurt bij één antwoord) #
- Tokenisatie — je prompt wordt opgeknipt in [[kernbegrippen-llm|tokens]] (woorden, woorddelen, leestekens).
- Embeddings — elke token wordt een vector (lijst getallen) die betekenis én positie codeert.
- Transformer-lagen + [[attention-en-transformers|attention]] — het model weegt welke tokens voor elkaar relevant zijn en bouwt context-bewuste representaties.
- Voorspelling — het model berekent een kansverdeling over het volgende token; [[kernbegrippen-llm|temperature/top-p]] bepalen hoe “avontuurlijk” er gekozen wordt.
- Herhalen — het gekozen token wordt toegevoegd en de lus begint opnieuw, token voor token, tot het antwoord af is.
Dit verklaart waarom een kleine wijziging in je prompt het antwoord kan veranderen: andere tokens → andere embeddings → andere kansverdeling.
Hoe een model “gemaakt” wordt (training) #
- Pre-training — het model leert algemene taalpatronen door op gigantische datasets het volgende token te voorspellen. Resultaat: een base model dat veel kan, maar nog geen behulpzame assistent is. Kennis is bevroren op de cutoff-datum.
- Fine-tuning (SFT) — verder trainen op gecurateerde voorbeelden voor gedrag, stijl of domein.
- RLHF — mensen rangschikken antwoorden; het model leert menselijke voorkeuren. Dit maakte van tekstgeneratoren echte assistenten. Varianten: Constitutional AI, DPO.
- PEFT/LoRA — goedkoop bijsturen via kleine “adapters” i.p.v. alle parameters opnieuw trainen.
Parameters ≠ geheugen, context ≠ trainingsdata #
- Parameters zijn geleerde gewichten (geen feitendatabase). Meer parameters = meer capaciteit, maar niet automatisch beter: data, training en alignment tellen net zo zwaar.
- Context = de tijdelijke werkruimte voor dít gesprek (prompt, historie, documenten). Wat buiten het [[kernbegrippen-llm|context window]] valt, bestaat niet voor het model. Iets in een chat plakken verandert de parameters niet permanent.
Waarom het soms misgaat #
Vage prompt, ontbrekende context, of een vraag die feiten vereist die het model niet betrouwbaar heeft → het model “vult plausibel in”. Vandaar: geef context, gebruik [[rag-mcp-agents|RAG/tools]] voor actuele/private feiten, en controleer output.
Sleutelinzichten #
- “Het voorspelt het volgende woord” is de krachtigste demystificerende zin voor een training — gebruik ‘m vroeg.
- Trek altijd de lijn: patronen, geen begrip; waarschijnlijk, geen waar. Dat verklaart zowel de kracht als [[hallucinaties|de fouten]].
- Cutoff-datum + context-vs-parameters verklaart waarom AI “het nieuws van vorige week niet kent” en waarom prompts ertoe doen.
Inzetbaar voor #
- Training/slide: de 5-stappen-pijplijn als kernanimatie/infographic.
- Video: “Wat gebeurt er als je op Enter drukt in ChatGPT?” (de pijplijn uitgelegd).
- Blog: “Waarom ChatGPT geen Google is: voorspellen vs. opzoeken.”
Gerelateerd #
- [[kernbegrippen-llm]] — begrippenlijst (token, embedding, context, parameter, temperature…)
- [[attention-en-transformers]] — de motor onder de motorkap
- [[hallucinaties]] — waarom plausibel ≠ waar
- [[kosten-van-llms]] — waarom tokens geld kosten
- [[llm-vs-generatieve-ai]] — LLM binnen het bredere generatieve-AI-landschap
Bronnen #
- [[RAW/Modern AI and LLM Concepts.md]] — ab1sh3k, breed praktisch overzicht (2026-05)
- [[RAW/Core LLM Concepts Tokens, Embeddings, Context, Parameters.md]] — QuarkAndCode, de 4 kernbegrippen + transformerproces
- [[RAW/How LLMs Work.md]], [[RAW/How Large Language Models work.md]] — mechanistische uitleg
- [[RAW/Why ChatGPT Feels Like Magic (But isn’t) The Real Science Inside an LLM Explained Simply.md]] — toegankelijke uitleg
- [[RAW/LLMs Explained Like a School Student Solving an Exam.md]] — eenvoudige analogie
