Campai AI Uitleg

Hoofdstuk 1

De simpelste uitleg: een taalmodel voorspelt steeds het volgende stukje tekst.

Een LLM is geen bewust wezen dat begrijpt wat jij bedoelt. Het kijkt naar wat jij schrijft, zet dat om in kleine stukjes tekst zoals en berekent welk volgend woord of zinsdeel het meest waarschijnlijk past.

Dat klinkt simpel, maar omdat het model dat heel snel en over enorm veel doet, voelt de output vaak slim, menselijk en overtuigend. Dat gevoel van slimheid komt dus vooral uit patroonherkenning en taalnabootsing.

Voorbeeld: zo kijkt een model naar tekst

Reset het VPN-wachtwoord voor klant Delta

Reset het VPN wacht woord voor klant Delta

Onthoud dit

Een taalmodel kiest geen woorden omdat het iets 'bedoelt'. Het kiest woorden omdat die statistisch het best passen bij wat eraan voorafging.

Handige analogie

Je kunt een LLM zien als autocomplete op steroïden: niet één volgend woord, maar een hele tekststroom op basis van waarschijnlijkheid.

Waarom dit relevant is

Als een model geen echte betekenis begrijpt, begrijpt het ook niet vanzelf wat vertrouwelijk of gevaarlijk is.

Hoofdstuk 2

Hoe wordt een LLM getraind?

Lees dit als een eenvoudig leerproces: het model ziet heel veel voorbeelden, ontdekt en stelt zichzelf telkens een beetje bij.

1

Tekst verzamelen

Het model leest grote hoeveelheden tekst uit boeken, artikelen, websites en andere bronnen. Niet om alles letterlijk te onthouden, maar om te zien hoe taal zich gedraagt.

Net zoals een kind eerst vooral veel taal hoort en leest voordat het zelf goed leert formuleren.

2

Patronen herkennen

Tijdens die training leert het model dat sommige woorden en zinsdelen vaak samen voorkomen. Daardoor wordt duidelijk welke combinaties logisch, gebruikelijk of zijn.

Denk aan patronen zoals 'regen' met 'paraplu', of 'factuur' met 'bedrag' en 'vervaldatum'.

3

Gewichten aanpassen

Na elke oefenzin controleert het model of zijn voorspelling klopte. Was het volgende woord een goede gok, dan worden bepaalde interne instellingen een beetje versterkt. Was de voorspelling fout, dan worden die instellingen wat teruggedraaid.

Zie het als een mengpaneel met miljoenen schuifjes. Goede voorspelling: een paar schuifjes iets omhoog. Foute voorspelling: een paar schuifjes weer iets omlaag.

4

Herhalen op enorme schaal

Dit proces herhaalt zich niet honderden keren, maar miljarden keren. Daardoor wordt het model steeds beter in het inschatten welk volgend woord waarschijnlijk is.

Wat betekent dit praktisch?

Het model leert dus niet via één magisch inzicht, maar door ontelbaar vaak te vergelijken: wat dacht ik dat er kwam, en wat kwam er echt?

Wat het níet betekent

Training betekent niet automatisch dat elk stukje tekst letterlijk wordt onthouden. Maar het betekent wel dat patronen uit grote hoeveelheden tekst invloed krijgen op het modelgedrag.

Een LLM heeft geen begrip of bewustzijn. Het is een extreem geavanceerde patroonmachine.

Hoofdstuk 3

Hoe werkt een AI-voorspelling?

Als jij een typt zoals 'De kat zit in de...' dan kijkt het model niet naar één juist antwoord. Het berekent voor veel mogelijke woorden een . Daarna kiest het meestal het woord dat op dat moment het beste past.

Dit voelt slim omdat de uitkomst vaak logisch klinkt. Maar onder de motorkap is het vooral een machine die op basis van eerder geleerde patronen kansberekeningen maakt.

De kat zit in de ___

Kans op het volgende woord

Waarom dit overtuigend voelt

Omdat het model keer op keer een aannemelijk volgend woord kiest, krijg je zinnen die vloeiend en zeker klinken. Die vloeiendheid is niet hetzelfde als waarheid, begrip of beleid.

Hoofdstuk 4

Waarom is dit belangrijk voor dataveiligheid?

Een taalmodel begrijpt niet zelf wat geheim, gevoelig of bedrijfsvertrouwelijk is. Het ziet alleen tekst, en . Als jij een klantdossier, API key of wachtwoord invoert, ziet het model dus niet “stop, dit is gevoelig”, maar gewoon nog meer input om mee te rekenen.

Daarom ligt verantwoordelijkheid altijd bij de mens en de organisatie. Jij bepaalt wat je wel of niet deelt. Jouw organisatie bepaalt welke tools goedgekeurd zijn, welke zones gelden en wanneer incidenten gemeld moeten worden.

Praktische vertaling

Als een model in eerdere context patronen heeft gezien over klant X, budget Y of een specifieke technische situatie, dan kan het later juist díe details waarschijnlijk vinden en aanvullen. Niet omdat het snapt dat die informatie gevoelig is, maar omdat statistiek geen geheimhouding kent.

Voor medewerkers

Vraag jezelf altijd af: zou ik deze tekst ook zonder schaamte of risico in een ticketsysteem, mailbox of gedeelde notitie zetten?

Voor klanten

Het grootste risico zit vaak niet in kwaadwillend gedrag, maar in gemak. Mensen plakken te veel context omdat het snel werkt.