Kernbegrippen LLM — begrippenlijst #

Snel-naslag van het belangrijkste AI/LLM-jargon, in begrijpelijk Nederlands met een analogie per term — bedoeld als referentie tijdens trainingen en als bron voor infographics.

Inhoud #

De fundamenten #

• Token — het kleinste stukje tekst dat een model verwerkt (woord, woorddeel, leesteken, spatie). Vuistregel Engels: ~750 woorden ≈ 1.000 tokens; ~1 token ≈ 4 tekens. Code en niet-Engels gebruiken vaak méér tokens. Tokens bepalen kosten, snelheid en limieten.
• Tokenisatie — het opknippen van tekst in tokens (vaak “subword”, zodat onbekende woorden in stukjes uiteenvallen).
• Embedding — een token/tekst omgezet in een vector (lijst getallen). Vergelijkbare betekenis → vergelijkbare getallen (“GPS-coördinaten voor betekenis”). Basis voor semantisch zoeken. Let op: meet gelijkenis, niet waarheid.
• Context window — de maximale hoeveelheid (in tokens) die het model tegelijk kan “zien”: systeemprompt + historie + documenten + antwoord. Buiten het venster = onzichtbaar. Groter venster ≠ perfecte recall (“needle in a haystack”).
• Parameters — geleerde gewichten in het model (bv. 70 miljard). Capaciteitsindicatie, geen feitendatabase; meer ≠ altijd beter.

Genereren & sturen #

• Temperature — hoe “avontuurlijk” het model kiest. Laag (0–0,3) = consistent/feitelijk; hoger (0,7–1) = creatief. Temp 0 ≠ 100% deterministisch.
• Top-p / top-k — beperken de keuze tot de meest waarschijnlijke tokens; knoppen voor creativiteit vs. stabiliteit.
• Systeemprompt — verborgen instructie die rol, toon en regels van de assistent bepaalt (“de regieaanwijzingen”).
• Zero-shot / few-shot — taak vragen zónder of mét enkele voorbeelden in de prompt. In-context learning = leren uit voorbeelden zonder hertraining.
• Chain-of-thought — het model stap voor stap laten redeneren; helpt bij moeilijke taken. Zie [[prompting-technieken]].
• Structured output — antwoord forceren in een vast formaat (bv. JSON) zodat software het kan verwerken.

Kennis & acties #

• RAG — Retrieval-Augmented Generation: relevante documenten ophalen en meegeven vóór het antwoord (“open-boek-examen”). Zie [[rag-mcp-agents]].
• Vector database — slaat embeddings op en zoekt op betekenis (Pinecone, Weaviate, Chroma, pgvector…).
• Function calling / tool use — model vraagt om een externe tool aan te roepen (DB, agenda, API) en gebruikt het resultaat.
• MCP (Model Context Protocol) — open standaard om modellen aan tools/data te koppelen (“USB-C voor AI-tools”).
• Agent — systeem dat met een LLM een doel nastreeft door te plannen, tools te gebruiken en te itereren. Een chatbot antwoordt; een agent handelt.

Training & varianten #

• Pre-training / fine-tuning / RLHF — zie [[hoe-llms-werken]].
• LoRA / PEFT — goedkoop bijsturen via kleine adapters i.p.v. het hele model.
• Quantization — modelgewichten in lagere precisie (8-bit/4-bit) → kleiner, sneller, goedkoper, beetje kwaliteitsverlies.
• MoE (Mixture of Experts) — veel “experts”, maar per token activeert er maar een paar → veel capaciteit tegen lagere kosten.
• Reasoning model — denkt langer/dieper na vóór het antwoordt; beter voor harde taken, trager en duurder.
• Multimodaal (LMM) — werkt met tekst én beeld/audio/video.

Risico’s & kwaliteit #

• Hallucinatie — plausibel klinkend maar onjuist antwoord. Zie [[hallucinaties]].
• Prompt injection / jailbreak — kwaadaardige instructies in invoer/opgehaalde content, of pogingen om veiligheidsregels te omzeilen.
• Guardrails — programmatische controles rond het model (in/uit/tooluse).
• Benchmark / eval — gestandaardiseerde tests resp. eigen tests om kwaliteit te meten. Benchmarks zijn signaal, geen garantie voor jouw use case.
• Inference / latency — het draaien van het model resp. hoe lang dat duurt; hier ontmoeten kwaliteit en kosten elkaar ([[kosten-van-llms]]).

Veelgehoorde misverstanden #

• “Token = woord” → niet altijd.
• “Groter context window = perfect geheugen” → nee.
• “Meer parameters = altijd beter” → nee.
• “Het model leert van elke chat” → nee, tenzij er memory/fine-tuning is.

Sleutelinzichten #

• Deze lijst is je referentiekaart: link ernaar vanuit elk ander artikel i.p.v. begrippen te herhalen.
• De analogieën (autocomplete, bureau, GPS voor betekenis, open-boek-examen, USB-C) zijn goud voor slides/infographics.

Inzetbaar voor #

• Infographic: “AI-jargon ontrafeld” (1 term + analogie per tegel).
• Hand-out/lead magnet: AI-begrippenlijst als pdf bij een training.
• Slidereeks: 1 begrip per slide met de analogie.

Gerelateerd #

• [[hoe-llms-werken]] — hoe deze begrippen samen het antwoord vormen
• [[attention-en-transformers]] — verdieping op de motor
• [[rag-mcp-agents]] — RAG, MCP, tools en agents in detail
• [[hallucinaties]] · [[prompting-technieken]] · [[kosten-van-llms]]
• [[wiki/fundamenten/context-engineering]] — contextvenster in de praktijk: context rot, lost-in-the-middle en het aandachtsbudget

Bronnen #

• [[RAW/Modern AI and LLM Concepts.md]] — breed begrippenoverzicht met analogieën (2026-05)
• [[RAW/Core LLM Concepts Tokens, Embeddings, Context, Parameters.md]] — de 4 fundamenten
• [[RAW/10 Confusing LLM Concepts, Explained Simply.md]] — verwarrende begrippen ontrafeld
• [[RAW/7 LLM Concepts I Wish Someone Had Explained Before I Built My First App.md]] — praktijkbegrippen
• [[RAW/LLM Concepts — A Deep Dive.md]] — verdieping