15 AI-termen die iedereen moet kennen

In vergaderingen merk ik dat mensen met AI-termen strooien zonder te weten wat ze betekenen. Dat stoort me. Niet omdat ik verwacht dat iedereen een technische achtergrond heeft — maar omdat oppervlakkig jargon-gebruik leidt tot oppervlakkige beslissingen. Ik zat vorig jaar in een strategiesessie waar iemand voorstelde om "een LLM te fine-tunen op onze data." Klinkt slim. Maar toen ik doorvroeg — welke data? Hoeveel? In welk formaat? Wat is het doel? — bleek dat niemand aan tafel wist wat fine-tuning daadwerkelijk inhoudt. Er werd een term gebruikt als toverstaf, terwijl het een schroevendraaier is.

Je bent absoluut niet de enige die niet alles snapt. Sinds AI mainstream is geworden — en zeker nu Claude 3.5 Sonnet net is gelanceerd en iedereen het over de nieuwste modellen heeft — vliegen de termen je om de oren. Het probleem is niet dat je dom bent. Het probleem is dat de AI-wereld een eigen taal heeft ontwikkeld. En niemand heeft je een woordenboek gegeven.

Tot nu.

In dit artikel geef ik je vijftien AI-termen die je echt moet kennen. Niet omdat je er een tentamen over krijgt, maar omdat je ze overal tegenkomt. In nieuwsartikelen, in vergaderingen, in podcasts, op LinkedIn. En zodra je ze snapt, verandert er iets. Dan lees je die artikelen ineens met begrip in plaats van met een glazige blik.

Ik heb ze gegroepeerd in drie categorieën: de basis, de taalwereld, en de gevorderde termen. We beginnen simpel en bouwen op. En bij elke term krijg je niet alleen een uitleg, maar ook een metafoor. Want metaforen zijn hoe mensen dingen onthouden — ik gebruik ze zelf dagelijks als ik technologie uitleg aan klanten.

Als je helemaal nieuw bent in de wereld van AI, raad ik je aan om eerst mijn introductie over wat AI eigenlijk is te lezen. Dat geeft je het fundament waarop deze termen landen.

De basis: termen 1-5

1. AI (Artificial Intelligence)

In een zin: Software die taken uitvoert waarvoor normaal menselijke intelligentie nodig is.

De term "AI" is een paraplu. Een hele grote paraplu. Alles wat we in dit artikel bespreken valt eronder. Gezichtsherkenning op je telefoon? AI. De spamfilter in je email? AI. ChatGPT die je een recept voor pasta carbonara geeft? AI.

De metafoor: Denk aan AI als de term "sport". Sport kan van alles zijn — voetbal, zwemmen, schaken, darten. Ze zijn allemaal heel anders, maar ze vallen allemaal onder dezelfde noemer. Net als bij sport is het nuttig om specifieker te zijn. Want "ik doe aan sport" zegt net zo weinig als "wij gebruiken AI." En toch is dat precies wat de meeste bedrijven zeggen.

2. Machine Learning (ML)

In een zin: Een tak van AI waarbij computers leren van data in plaats van expliciet geprogrammeerd te worden.

Bij klassiek programmeren schrijf je regels: "Als de temperatuur boven de 30 graden komt, zet de airco aan." Bij machine learning geef je het systeem duizenden voorbeelden van wanneer de airco aanging, en het ontdekt zelf de patronen. Geen handgeschreven regels, maar geleerde patronen.

De metafoor: Stel je voor dat je een kind leert wat een hond is. Je programmeert geen regels ("vier poten, staart, blaft"). Je laat het kind honderd honden zien. Op een gegeven moment wijst het kind naar een hond die het nog nooit heeft gezien en zegt: "Hond!" Het kind heeft geleerd van voorbeelden. Dat is machine learning.

3. Deep Learning

In een zin: Een geavanceerde vorm van machine learning die gebruikmaakt van kunstmatige neurale netwerken met veel lagen.

Deep learning is machine learning op steroiden. Het "deep" verwijst niet naar diep nadenken, maar naar de diepte van het netwerk — het aantal lagen dat de data doorloopt. Hoe meer lagen, hoe complexer de patronen die het systeem kan herkennen.

De metafoor: Als machine learning een verrekijker is, dan is deep learning de Hubble-telescoop. Beide kijken naar patronen, maar deep learning ziet dingen die voor gewone machine learning onzichtbaar zijn. De gezichtsherkenning op je iPhone? Deep learning. De spraakherkenning van Siri? Deep learning. De aanbevelingen op Netflix? Je raadt het al.

4. NLP (Natural Language Processing)

In een zin: Het deelgebied van AI dat zich bezighoudt met het begrijpen en genereren van menselijke taal.

NLP is de reden dat je tegen je telefoon kunt praten en dat hij je begrijpt. Het is de reden dat ChatGPT een coherent verhaal kan schrijven. Het is de technologie achter vertalingen, sentimentanalyse ("is deze review positief of negatief?"), en chatbots.

De metafoor: NLP is de tolk tussen mens en machine. Zonder NLP zou je met computers moeten praten in hun taal — nullen en enen. NLP vertaalt jouw warrige, dubbelzinnige, sarcastische mensentaal naar iets waar een computer mee uit de voeten kan. En andersom.

5. LLM (Large Language Model)

In een zin: Een enorm groot taalmodel dat is getraind op gigantische hoeveelheden tekst om taal te begrijpen en te genereren.

Dit is de term van het moment. GPT-4, Claude, Gemini, Llama — het zijn allemaal LLM's. "Large" verwijst naar de omvang: deze modellen hebben miljarden parameters (denk: afstelknoppen) en zijn getraind op een aanzienlijk deel van het internet.

De metafoor: Een LLM is als iemand die elke boek in de bibliotheek heeft gelezen. Niet woord voor woord onthouden, maar de essentie geabsorbeerd. Het weet hoe taal werkt, welke woorden bij elkaar horen, hoe een argument is opgebouwd. Het heeft geen mening, geen bewustzijn — maar het kan ongelooflijk goed doen alsof.

De taalwereld: termen 6-10

6. Prompt

In een zin: De instructie of vraag die je aan een AI-model geeft om een antwoord te krijgen.

Elke keer dat je iets typt in ChatGPT of Claude, schrijf je een prompt. De kwaliteit van je prompt bepaalt grotendeels de kwaliteit van het antwoord. "Schrijf iets over marketing" geeft je iets vaags. "Schrijf een LinkedIn-post van 200 woorden over waarom MKB-bedrijven in email marketing moeten investeren, met een concreet voorbeeld" geeft je iets bruikbaars.

De metafoor: Een prompt is als een bestelling in een restaurant. "Ik wil eten" levert je een willekeurig gerecht op. "Ik wil een medium-rare biefstuk met pepersaus en gebakken aardappelen, geen sla" levert je precies op wat je wilt. Hoe specifieker je bestelt, hoe beter het resultaat.

Dit is precies waarom prompt engineering zo belangrijk is. De manier waarop je vraagt, bepaalt wat je krijgt.

7. Token

In een zin: De kleinste eenheid waarin een AI-model tekst verwerkt — meestal een woord of deel van een woord.

Wanneer een LLM je tekst leest, breekt het die op in tokens. Het woord "ongelofelijk" wordt misschien opgesplitst in "on", "gelo", "felijk". Het woord "kat" is waarschijnlijk een token. Modellen hebben een tokenlimiet — het maximale aantal tokens dat ze in een keer kunnen verwerken.

De metafoor: Tokens zijn als legostenen. Een LLM bouwt zinnen door steentje voor steentje te plaatsen. Het kiest telkens het volgende steentje op basis van welk steentje het meest logisch past bij wat er al staat. Sommige woorden zijn een steentje, andere zijn er drie. En het model heeft een beperkte tafel om op te bouwen — dat is de tokenlimiet.

8. Hallucination (Hallucinatie)

In een zin: Wanneer een AI-model met overtuiging iets zegt dat feitelijk onjuist is.

Dit is een van de belangrijkste termen om te kennen. En eerlijk gezegd een van mijn grootste ergernissen. LLM's liegen niet — ze hebben geen intentie. Maar ze verzinnen wel dingen. Ze produceren tekst die statistisch waarschijnlijk klinkt, maar feitelijk onzin kan zijn. Een model kan met volle overtuiging een wetenschappelijk paper citeren dat niet bestaat. Het kan je vertellen dat een historische gebeurtenis op de verkeerde datum plaatsvond. En het doet dit met hetzelfde zelfvertrouwen als wanneer het iets correct zegt.

Ik heb het zelf meegemaakt: een AI die een klantrapport genereerde met statistieken die er overtuigend uitzagen maar compleet verzonnen waren. Daarom controleer ik altijd de output. Altijd.

De metafoor: Een hallucinatie is als die ene vriend die altijd een antwoord heeft. Vraag hem waar de Eiffeltoren staat en hij zegt correct "Parijs." Vraag hem in welk jaar het Verdrag van Tordesillas werd getekend en hij zegt met evenveel zelfvertrouwen "1497." (Het was 1494.) Hij weet niet wat hij niet weet — en dat maakt hem gevaarlijk betrouwbaar.

9. Chatbot

In een zin: Een softwareprogramma dat gesprekken kan voeren met mensen, meestal via tekst.

Chatbots bestaan al veel langer dan de huidige AI-hype. De eenvoudigste chatbots werken met vooraf geprogrammeerde antwoorden: "Zeg je 'openingstijden', dan stuur ik dit antwoord." Maar de nieuwe generatie chatbots — aangedreven door LLM's — kan daadwerkelijk converseren. Ze begrijpen context, onthouden wat je eerder zei, en passen hun antwoorden aan.

De metafoor: Een oude chatbot is een automaat: je drukt op een knop en er valt een vast product uit. Een moderne AI-chatbot is een barista: je zegt "iets met koffie maar niet te sterk en een beetje zoet" en hij maakt precies het juiste drankje. Althans, meestal.

10. Neural Network (Neuraal Netwerk)

In een zin: Een computersysteem dat geinspireerd is op de structuur van het menselijk brein, opgebouwd uit lagen van onderling verbonden knooppunten.

Een neuraal netwerk bestaat uit "neuronen" — niet van vlees en bloed, maar wiskundige functies die informatie verwerken en doorgeven. Data gaat erin, wordt door lagen neuronen verwerkt, en er komt een resultaat uit. Door te trainen — het netwerk keer op keer data te voeren en de verbindingen aan te passen — wordt het steeds beter in zijn taak.

De metafoor: Stel je een bedrijf voor met drie afdelingen. De eerste afdeling ontvangt ruwe informatie. De tweede afdeling verwerkt het. De derde afdeling levert het eindproduct. Elke afdeling bestaat uit medewerkers die samenwerken. Als het eindproduct niet goed is, krijgen alle afdelingen feedback en passen ze hun werkwijze aan. Na duizenden iteraties levert het bedrijf consistent goede resultaten. Dat is hoe een neuraal netwerk leert.

Gevorderd: termen 11-15

11. Training Data (Trainingsdata)

In een zin: De verzameling data waarop een AI-model wordt getraind om patronen te leren herkennen.

Een AI-model is zo goed als zijn trainingsdata. Als je een model traint op alleen Engelse teksten, zal het slecht presteren in het Nederlands. Als je het traint op bevooroordeelde data, zal het bevooroordeelde antwoorden geven. De keuze van trainingsdata is een van de meest cruciale beslissingen in AI-ontwikkeling.

De metafoor: Trainingsdata is het dieet van een AI. Voer het gezond en gevarieerd en het groeit sterk op. Voer het eenzijdig en het ontwikkelt tekorten. Voer het rommel en het produceert rommel. "Garbage in, garbage out" is niet voor niets een gevleugelde uitspraak in de IT. En het is precies de reden waarom ik bij elk project begin met de data, niet met de technologie. Eerst het fundament. Dan pas de bouw.

12. Fine-tuning

In een zin: Het verder trainen van een bestaand AI-model op een specifieke dataset om het te specialiseren voor een bepaalde taak.

Een LLM als GPT-4 of Claude is een generalist — het weet van alles een beetje. Fine-tuning is het proces waarbij je zo'n generalist specialiseert. Je neemt het basismodel en traint het verder met jouw specifieke data. Een ziekenhuis kan een model fine-tunen op medische dossiers. Een juridisch kantoor op jurisprudentie.

Dit is trouwens de term die het vaakst verkeerd wordt gebruikt. Ik hoor regelmatig "we moeten ons model fine-tunen" als mensen eigenlijk bedoelen "we moeten betere prompts schrijven." Dat is een wereld van verschil — en het scheelt je tienduizenden euro's.

De metafoor: Fine-tuning is als het verschil tussen een huisarts en een cardioloog. De huisarts (het basismodel) weet van alles wat. De cardioloog (het gefinetuned model) heeft dezelfde basisopleiding gehad, maar is daarna jaren verder opgeleid in een specialisme. Het resultaat: betere antwoorden op hartvragen, maar dezelfde fundamenten.

13. API (Application Programming Interface)

In een zin: Een technische koppeling waarmee software met andere software kan communiceren.

Een API is hoe je AI-modellen integreert in je eigen producten. Als je een app wilt bouwen die ChatGPT-achtige antwoorden geeft, gebruik je de API van OpenAI. Je stuurt een vraag via de API, het model verwerkt die, en je krijgt een antwoord terug. Geen eigen model nodig — je huurt als het ware de intelligentie van iemand anders.

De metafoor: Een API is als een loket. Je hoeft niet te weten hoe de fabriek erachter werkt. Je gaat naar het loket, doet je bestelling, en krijgt je product. De API is dat loket: een gestandaardiseerde plek waar je iets kunt vragen en iets terugkrijgt, zonder dat je hoeft te snappen wat er achter de schermen gebeurt.

14. Generative AI (Generatieve AI)

In een zin: AI die nieuwe content kan creeren — tekst, afbeeldingen, muziek, code, video — op basis van geleerde patronen.

Dit is de categorie waar alle hype omheen zit. ChatGPT die artikelen schrijft? Generatieve AI. DALL-E dat afbeeldingen maakt? Generatieve AI. GitHub Copilot dat code suggereert? Generatieve AI. Het bijzondere is dat deze systemen niet kopieren — ze genereren iets nieuws op basis van patronen die ze hebben geleerd.

De metafoor: Generatieve AI is als een jazzmusikant. Een klassieke muzikant (traditionele software) speelt exact wat er op de bladmuziek staat. Een jazzmusikant heeft duizenden nummers gehoord, de patronen geabsorbeerd, en improviseert nu iets nieuws. Het klinkt als muziek, het volgt regels, maar het is nooit eerder exact zo gespeeld. Ik maak zelf muziek met AI-tools — en het is fascinerend om te zien hoe een systeem patronen combineert tot iets dat echt als muziek klinkt, terwijl het geen idee heeft wat muziek IS.

15. Computer Vision

In een zin: Het deelgebied van AI dat computers in staat stelt om visuele informatie te begrijpen en te interpreteren.

Computer vision is hoe je telefoon je gezicht herkent. Het is hoe zelfrijdende auto's verkeersborden lezen. Het is hoe fabrieken automatisch producten met defecten eruit pikken. In essentie: het is AI die kan "zien."

De metafoor: Computer vision is alsof je een blinde computer een bril geeft — maar dan geen gewone bril. Een bril die niet alleen laat zien, maar ook begrijpt. "Dat is een kat. Dat is een stopteken. Dat is een gezicht dat ik herken." Het gaat niet om pixels zien, maar om betekenis geven aan wat die pixels voorstellen.

Waarom deze termen kennen ertoe doet

Je hoeft geen AI-expert te worden. Dat is niet het punt. Het punt is dat AI-termen steeds vaker opduiken in contexten die helemaal niet technisch zijn. In sollicitatiegesprekken. In boardrooms. In marketingstrategieen. In de krant.

Als je deze vijftien termen kent, kun je:

• Meepraten zonder te bluffen
• Kritisch zijn als iemand AI-buzzwords gebruikt zonder inhoud
• Beter inschatten welke AI-oplossingen relevant zijn voor jouw werk
• Doorvragen in plaats van knikken

En dat laatste is misschien wel het belangrijkste. De mensen die het beste met AI omgaan, zijn niet per se de meest technische mensen. Het zijn de mensen die de juiste vragen stellen. En om de juiste vragen te stellen, moet je de taal spreken.

Ik merk het in mijn eigen werk: het verschil tussen een goed en een slecht AI-project zit zelden in de technologie. Het zit in de vragen die aan het begin worden gesteld. En die vragen kun je alleen stellen als je de basisconcepten snapt. Niet de code — de concepten. Dat is het fundament.

De wereld van AI-termen stopt hier niet

Deze vijftien termen zijn je basis. Je fundament. Maar de AI-wereld is groot en groeit elke dag. Er zijn termen die ik bewust niet heb behandeld omdat ze een eigen artikel verdienen: RAG, embeddings, reinforcement learning, guardrails. Die komen aan bod in een volgend deel van deze serie.

Wat ik je wel wil meegeven: wees niet bang voor jargon. Elke term die je nu niet kent, was ooit nieuw voor iedereen. De experts van vandaag zijn begonnen op exact het punt waar jij nu bent — bij het eerste artikel dat ze lazen en de eerste term die ze opzochten.

En als iemand de volgende keer in een vergadering zegt: "We moeten onze LLM fine-tunen op onze eigen trainingsdata en via de API beschikbaar stellen" — dan knik je niet meer uit beleefdheid. Dan knik je omdat je snapt wat er wordt bedoeld. En misschien stel je zelfs de vraag die niemand anders durft te stellen: "Waarom fine-tunen? Hebben we betere prompts al geprobeerd?"

Dat is het echte voordeel van de taal kennen. Niet dat je slim overkomt — maar dat je mee kunt doen. En de juiste beslissingen kunt nemen.

Dit is deel 6 van de serie "Reis door AI". In het volgende deel duiken we dieper in de wereld van AI-afkortingen voor gevorderden: RAG, fine-tuning in de praktijk, embeddings en meer.