Leer AI tot het klikt

Je kunt uitleggen wat een token is, waarom tekst in tokens uiteenvalt in plaats van in woorden of letters, en hoe dat je AI-kosten, je context-limiet en een reeks 'rare' modelfouten verklaart.

Je kunt in eigen woorden uitleggen dat een taalmodel tekst maakt door stap voor stap het waarschijnlijkste volgende token te kiezen, en je begrijpt waarom dat verklaart dat AI soms zelfverzekerd onzin produceert en niet twee keer exact hetzelfde antwoord geeft.

Je kunt uitleggen waarom een taalmodel soms zelfverzekerd onzin produceert, dat dit hetzelfde next-token-mechanisme is als bij een goed antwoord, en je herkent de plekken waar hallucinaties het vaakst opduiken.

Je kunt uitleggen hoe een multimodaal model beeld, documenten, geluid en video via hun eigen encoder in tokens omzet en zo dezelfde volgende-token-truc blijft doen, inclusief wat dat aan tokens kost en waar het misgaat.

Je kunt in eigen woorden uitleggen wat een redeneermodel doet: eerst zijn stappen als tokens uitschrijven en pas daarna antwoorden, nog steeds via next-token-voorspelling, en je weet wanneer dat loont en wanneer het verspilling is.

Je kunt uitleggen waarom een AI op dezelfde vraag verschillende antwoorden geeft, en je weet wanneer je de temperatuur laag of hoog zet.

Je kunt uitleggen dat een taalmodel niets onthoudt maar elke beurt de hele gespreksgeschiedenis opnieuw als context meekrijgt, wat het contextvenster is, en waarom lange context geld, snelheid en nauwkeurigheid kost.

Na deze les kun je uitleggen wat een prompt en een system prompt zijn, hoe ze een taalmodel sturen via de tokens die het ziet, en waarom waar een instructie staat net zo telt als wat erin staat.

Je kunt uitleggen waarom netjes om JSON vragen onbetrouwbaar is, hoe gestructureerde uitvoer via constrained decoding het formaat afdwingt, en waarom dat wel de vorm maar niet de inhoud garandeert.

Je kunt uitleggen wat een embedding is: hoe een stuk tekst een punt in een betekenisruimte wordt, waarom afstand daar betekenis is, hoe je dat meet met cosine similarity, en waar het model tekortschiet.

Je kunt uitleggen wat RAG is en in drie stappen navertellen hoe het een antwoord grondt in je eigen documenten zonder het model te hertrainen, en je weet wanneer je RAG kiest boven fine-tunen en waar het alsnog misgaat.

Je kunt uitleggen waarom gewone (vector-)RAG losse gelijkende stukken tekst ophaalt terwijl GraphRAG een kennisgraaf van entiteiten en relaties bouwt en die aflopen, en je kunt bepalen wanneer vector-RAG genoeg is en wanneer een graaf loont.

Je kunt bij een concreet geval kiezen tussen prompten, RAG en fine-tunen, en uitleggen waarom kennis meestal RAG is en fine-tunen voor stijl, format en gedrag.

Je kunt in eigen woorden uitleggen wat MCP is, waarom het van N keer M naar N plus M koppelingen gaat, en hoe host, client en server samenwerken.

Je kunt in eigen woorden uitleggen dat een AI-agent hetzelfde taalmodel is als in een chatbot, in een lus gezet met gereedschap, en je herkent wanneer een taak een agent, een vaste workflow of een gewone chatbot vraagt.

Je kunt uitleggen dat een taalmodel bij function calling geen code draait maar een gestructureerd verzoek schrijft dat jouw applicatie uitvoert, en je herkent de tool-lus en de valkuilen.

Je kunt uitleggen hoe een AI-rekening is opgebouwd: per token, invoer en uitvoer apart geprijsd met uitvoer duurder, en waarom de context je grootste kostenknop is.

Je kunt uitleggen dat prompt caching het verwerkte rekenwerk over een identieke voortekst hergebruikt (geen antwoord, geen geheugen) en je kunt bepalen wanneer het loont: stabiele voortekst vooraan, verzoeken dicht op elkaar, boven de minimumlengte.

Je kunt uitleggen waarom de snelheid van AI uit twee klokken bestaat, de wachttijd tot het eerste woord en het tempo daarna, en per situatie benoemen wat de vertrager is en wat je eraan doet.

Je kunt uitleggen wat open-weight modellen zijn, hoe AI huren via een API verschilt van een model zelf draaien, en op welke drie punten (datagevoeligheid, volume, onderhoud) je die keuze maakt.

Je kunt per taak het juiste type AI-model kiezen, klein, groot of redeneermodel, op de afweging tussen kwaliteit, kosten en snelheid, en je meet die keuze op je eigen werk in plaats van op een ranglijst.

Na deze les kun je uitleggen waarom een taalmodel verstopte instructies in data opvolgt, waarom een system prompt dat niet oplost, en met welke architectuur je de schade beperkt.

Je kunt uitleggen wat een eval is, hoe hij is opgebouwd (dataset met criteria, grader, geaggregeerde score), waarom een paar keer proberen geen bewijs is, en waar een eval je toch voor de gek houdt.