Les 1-2-3-4 - slides_merged.pdf

# Inleiding tot kunstmatige intelligentie Dit onderwerp biedt een introductie tot kunstmatige intelligentie (AI), verkent de historische ontwikkeling, definieert het concept en onderscheidt verschillende niveaus van AI, terwijl het tevens gangbare misvattingen en terminologie ontrafelt. ### 1.1 Wat is intelligentie? Intelligentie kent geen eenduidige definitie en wordt door veel mensen anders geïnterpreteerd. Desalniettemin zijn er gemeenschappelijke elementen die vaak worden benoemd [7](#page=7): * **Autonomie:** Het vermogen om zelfstandig te handelen en beslissingen te nemen [7](#page=7). * **Aanpassingsvermogen:** Het vermogen om te leren van ervaringen en zich aan te passen aan veranderende omstandigheden [7](#page=7). Howard Gardner's theorie over meervoudige intelligentie benadrukt dat intelligentie niet unidimensionaal is [7](#page=7). ### 1.2 Wat is artificiële intelligentie? De perceptie van artificiële intelligentie (AI) wordt sterk beïnvloed door sciencefiction, marketinghypen en buzzwords, wat leidt tot misconcepties en verkeerde verwachtingen over de werkelijke capaciteiten van AI. Er is geen officiële, universeel geaccepteerde definitie van AI. In de kern wordt AI beschouwd als technologie die menselijke intelligentie simuleert, met nadruk op autonomie en aanpassingsvermogen [8](#page=8). #### 1.2.1 Misleidende AI-terminologie Woorden zoals "intelligentie", "leren" en "begrijpen" worden vaak gebruikt in de context van AI, maar creëren containerbegrippen die verkeerde verwachtingen scheppen. Deze termen suggereren menselijke eigenschappen die AI niet bezit. Het is belangrijk te realiseren dat intelligentie niet eendimensionaal is; een zelfrijdende auto is bijvoorbeeld niet vergelijkbaar met een spamfilter, en ChatGPT kan een huis 'ontwerpen' maar niet bouwen [9](#page=9). **AI is taakspecifiek:** AI is goed in één specifieke taak, maar dat betekent niet dat het ook goed is in andere taken [9](#page=9). > **Tip:** Spreek niet over "een AI", aangezien AI een discipline is, vergelijkbaar met wiskunde of biologie. Gebruik liever termen als "AI-methode" of "AI-systeem" [9](#page=9). #### 1.2.2 Is dit AI? De definitie van wat als AI wordt beschouwd, verandert voortdurend. Wat vroeger als AI werd beschouwd, wordt vandaag de dag vaak als standaardtechnologie gezien, zoals GPS-navigatie of schaakcomputers. Tegenwoordig wordt de term "AI-powered" breed gebruikt, wat de aandacht vergroot, maar vaak wordt verwezen naar complexe algoritmen met hippe labels . Het onderscheid ligt in het vermogen om te leren en zich aan te passen: * **Échte AI:** Leert en past zich aan . * **Slimme software:** Voert complexe berekeningen uit (grijze zone) . * **Gewone software:** Werkt volgens vaste regels . De "Flowchart" van Karen Hao (MIT Technology Review) kan helpen dit onderscheid te verduidelijken . ### 1.3 AI-niveaus – waar staan we? De huidige en toekomstige mogelijkheden van AI worden vaak ingedeeld in drie niveaus: * **Narrow AI (zwakke AI):** Is beperkt tot specifieke taken. Voorbeelden zijn virtuele assistenten zoals Siri en taalmodellen zoals ChatGPT. Deze vorm van AI bestaat en werkt momenteel . * **General AI (AGI) (sterke AI):** Heeft het vermogen om alle menselijke taken op elk domein uit te voeren. AGI bestaat nog niet, hoewel experts sterk verdeeld zijn over de tijdslijn (geschat tussen 10 en 100+ jaar) . * **Super AI (ASI):** Overtreft menselijke intelligentie en kan concepten als bewustzijn en behoeften begrijpen. Dit niveau is puur theoretisch en het is onzeker of en wanneer dit ooit zal worden bereikt . ### 1.4 Geschiedenis en evolutie van AI De droom van kunstmatige wezens is zo oud als de mensheid zelf . #### 1.4.1 Van oudheid tot begin 20e eeuw * **Oude beschavingen (3000 v.Chr. - 500 n.Chr.):** Griekse mythologieën bevatten verhalen over robots en automatons, zoals Talos, de bronzen reus . * **Mechanische revolutie (1600-1800):** Figuren als Gottfried Leibniz ontwikkelden het binaire getalsysteem, de basis voor computers, en Jacques de Vaucanson creëerde mechanische automaten zoals een eend . * **Computing pioneers (1800-1900):** Charles Babbage en Ada Lovelace werkten aan de Analytical Engine, en George Boole legde de basis voor Booleaanse logica (True/False) . #### 1.4.2 Geboorte van AI (1940-1960) * **Von Neumann:** Ontwikkelde de computerstructuur met opslag voor zowel data als programma's . * **Neurale netwerken:** Onderzoek hiernaar begon in 1943 . * **Dartmouth-conferentie:** Dit was het eerste AI-congres, waar optimistisch werd voorspeld dat AI binnen één zomer zou worden opgelost. Het eerste AI-programma, Logic Theorist, werd hier ontwikkeld . * **Chatbot ELIZA (1964-1966):** Deze chatbot imiteerde een psychotherapeut en leidde tot het zogenaamde ELIZA-effect . #### 1.4.3 Turing Test . De Turing Test, ontwikkeld door Alan Turing, is een experiment om machine-intelligentie te beoordelen. Het houdt in dat een ondervrager interactie heeft met zowel een mens als een computer, en indien de ondervrager niet kan vaststellen wie de computer is, de test is geslaagd . * **Belangrijkheid:** Het was de eerste objectieve test voor machine-intelligentie, focuste op gedrag in plaats van interne processen, en blijft relevant in AI-onderzoek . * **Filosofische vragen:** De test roept diepgaande filosofische vragen op over de aard van imitatie en intelligentie, en wat het betekent om menselijk te zijn . > **Voorbeeld:** Een interactieve demo van de Turing Test is te vinden op [humanornot.so](https://humanornot.so/) . #### 1.4.4 AI Winters – Hype vs. Realiteit De geschiedenis van AI kent periodes van grote verwachtingen ("The next big thing") gevolgd door teleurstelling wanneer de realiteit niet aan deze verwachtingen voldeed. Dit werd verergerd door beperkte rekenkracht en databeschikbaarheid . * **Eerste winter (1974-1980):** Gekarakteriseerd door een stopzetting van financiering . * **Tweede winter (1987-1993):** Expert systemen bleken te duur om te onderhouden . #### 1.4.5 De heropleving (1990-2010) Deze periode werd gekenmerkt door technologische doorbraken en iconische momenten: * **Deep Blue vs. Kasparov:** Een schaakcomputer versloeg de wereldkampioen . * **Watson vs. Jeopardy Champions:** Een AI-systeem won het populaire kennisquizprogramma . Een belangrijke paradigmaverschuiving vond plaats van regelgebaseerde systemen naar data-gedreven AI, en van expert systems naar machine learning . #### 1.4.6 Vandaag: AI is overal! AI-toepassingen zijn alomtegenwoordig in ons dagelijks leven en in diverse sectoren: * **Technologie:** Camera's met objectdetectie en filters, kaarten met real-time verkeersinformatie, gepersonaliseerde aanbevelingen (Netflix, Amazon), slimme thermostaten die gedrag leren, en het samenstellen van sociale media tijdlijnen . * **Gezondheidszorg:** Ondersteuning bij scananalyse in ziekenhuizen . * **Financiële sector:** Fraudepreventie bij banken . * **Transport:** Route-optimalisatie . * **HR:** CV-screening . * **Klantenservice:** Chatbots . ### 1.5 De toekomst van AI De toekomst van AI belooft verdere transformatie: * **Autonome systemen:** Volledig zelfrijdende voertuigen, autonome drones voor leveringen, en zelfoptimaliserende supply chains . * **Human-AI samenwerking:** AI als permanente co-piloot voor ondersteuning bij creativiteit en probleemoplossing . * **Nieuwe beroepen en vaardigheden:** De opkomst van nieuwe werkvelden en de noodzaak van nieuwe vaardigheden om met AI te interageren . * * * # Hoe kunstmatige intelligentie werkt Dit onderdeel verkent de evolutie en de werking van verschillende AI-methoden, van regelgebaseerde systemen tot geavanceerde machine learning- en deep learning-technieken, en introduceert de principes van generatieve AI [10](#page=10) [11](#page=11) [12](#page=12) [13](#page=13) [14](#page=14). ### 2.1 Evolutie van AI-methoden De ontwikkeling van kunstmatige intelligentie kan worden onderverdeeld in verschillende periodes, elk gekenmerkt door specifieke methodologieën en doorbraken [10](#page=10). #### 2.1.1 Regelgebaseerde AI (circa 1950-1990) Dit wordt ook wel de 'oude' AI genoemd. Bij deze methode schrijven menselijke experts expliciete regels voor hoe een systeem moet opereren en problemen moet oplossen [10](#page=10). * **Voordelen**: Deze systemen zijn voorspelbaar, begrijpelijk en goed controleerbaar [10](#page=10). * **Nadelen**: Ze zijn inflexibel en kunnen niet leren van nieuwe data of situaties. Een voorbeeld van een principe achter regelgebaseerde systemen is "If This Then That" (IFTTT), waarmee slimme apparaten en diensten aan elkaar gekoppeld kunnen worden door middel van ingestelde regels [10](#page=10). #### 2.1.2 Machine Learning (circa 1990-2010) Vanaf deze periode spreekt men van de 'nieuwe' AI, die data-gedreven is. Machine learning (ML) omvat technieken waarbij algoritmen patronen uit data leren [10](#page=10). * **Voordelen**: ML-modellen kunnen zich aanpassen aan nieuwe situaties [10](#page=10). * **Nadelen**: Ze vereisen vaak grote hoeveelheden gelabelde data om effectief te kunnen leren. Modellen leren hierbij direct van de data [10](#page=10) [11](#page=11). #### 2.1.3 Deep Learning (circa 2010-heden) Deep learning is een subveld van machine learning dat gebruikmaakt van kunstmatige neurale netwerken met vele lagen, geïnspireerd door de structuur en werking van het menselijk brein. Deze lagen van 'neuronen' verwerken complexe patronen en relaties in de data [10](#page=10) [11](#page=11). Er zijn drie belangrijke manieren waarop deep learning-modellen kunnen leren, vergelijkbaar met hoe een kind leert door middel van voorbeelden, ontdekking en trial-and-error [11](#page=11): ##### 2.1.3.1 Supervised Learning (Begeleid Leren) Bij supervised learning wordt een model getraind met gelabelde voorbeelden [12](#page=12). * **Werking**: Het model leert patronen te herkennen in de data door de bijbehorende labels. Bijvoorbeeld, het herkennen van kenmerken zoals oren, snuit of grootte om te onderscheiden tussen foto's van honden en katten na training op 10.000 gelabelde foto's. Na training kan het model een nieuwe, ongelabelde foto analyseren en voorspellen of het een hond of kat is [12](#page=12). * **Mogelijke problemen**: Te weinig data, bias in de labels, overfitting (het model leert de trainingsdata te goed uit het hoofd en presteert slecht op nieuwe data), fouten in de labels, of het 'verkeerd' leren van concepten [12](#page=12). * **Toepassing**: Tools zoals Google's Teachable Machine maken het mogelijk om zelf neurale netwerken te trainen met eigen foto's of geluidsbestanden en labels [13](#page=13). ##### 2.1.3.2 Unsupervised Learning (Onbegeleid Leren) Bij unsupervised learning vindt het model patronen in data zonder dat er antwoorden of labels aanwezig zijn [12](#page=12). * **Werking**: Het model wordt gepresenteerd met een grote dataset (bijvoorbeeld 100.000 ongelabelde foto's) en probeert gemeenschappelijke kenmerken te groeperen om structuren te ontdekken [12](#page=12). * **Mogelijke problemen**: Het vinden van verbanden die er niet werkelijk zijn, onduidelijkheid over waarom specifieke groepen worden gevormd, geen garantie op bruikbare inzichten, en bias die aanwezig is in de data [12](#page=12). ##### 2.1.3.3 Reinforcement Learning (Bekrachtigend Leren) Reinforcement learning is gebaseerd op het principe van straffen en belonen [13](#page=13). * **Werking**: Een 'agent' voert acties uit in een omgeving. Goede acties worden beloond (bijvoorbeeld met +1) en slechte acties worden bestraft (bijvoorbeeld met -1). Het doel is om de totale beloning over tijd te maximaliseren [13](#page=13). * **Mogelijke problemen**: 'Reward hacking' (de agent manipuleert het beloningssysteem zonder het werkelijke doel te bereiken), lange trainingstijden, het vastlopen in lokale optima (suboptimale oplossingen), en een 'reward mismatch' (de beloning komt niet overeen met het gewenste gedrag) [13](#page=13). **Tip**: In de praktijk worden vaak combinaties van deze leermethoden gebruikt. Zelfrijdende auto's combineren bijvoorbeeld supervised learning voor objectherkenning met reinforcement learning voor rijgedrag. Chatbots gebruiken supervised learning voor intentieherkenning en reinforcement learning om gesprekken te optimaliseren [13](#page=13). #### 2.1.4 Generative AI (circa 2020-heden) Generatieve AI (Gen AI) is een recente ontwikkeling die bijzonder is omdat het nieuwe content creëert in plaats van enkel te classificeren of voorspellen [14](#page=14). * **Kenmerken**: Gen AI kan context verwerken en coherente output genereren in diverse modaliteiten, zoals tekst, beeld, audio en video (multimodaal) [14](#page=14). * **Doorbraak**: De Transformer-architectuur, geïntroduceerd in het Google-paper "Attention is All You Need" was een cruciale doorbraak. Deze architectuur stelt elk woord in staat om 'aandacht' te besteden aan andere woorden in de zin, wat zorgt voor een beter begrip van context. Dit vormt de basis voor moderne systemen zoals ChatGPT [14](#page=14) . > **Tip**: De Transformer-architectuur is essentieel voor het begrijpen van de kracht achter moderne taalmodellen en andere generatieve AI-toepassingen. De 'attention mechanism' is hierbij een sleutelconcept. ### 2.2 De werking van AI in de praktijk AI-systemen, afhankelijk van hun architectuur, verwerken data om te leren, beslissingen te nemen of nieuwe content te creëren [10](#page=10) [11](#page=11) [12](#page=12) [13](#page=13) [14](#page=14). * **Regelgebaseerd**: Volgt vooraf gedefinieerde logica [10](#page=10). * **Machine Learning**: Identificeert patronen in datasets [10](#page=10) [11](#page=11). * **Deep Learning**: Maakt gebruik van gelaagde neurale netwerken om complexe relaties te modelleren, wat kan gebeuren via supervised, unsupervised of reinforcement learning [11](#page=11) [12](#page=12) [13](#page=13). * **Generatieve AI**: Creëert nieuwe, coherente output door te leren van patronen in enorme datasets, vaak met behulp van Transformer-architecturen [14](#page=14). Het proces omvat doorgaans data-invoer, verwerking door het AI-model, en output in de vorm van een classificatie, voorspelling, of gegenereerde content [10](#page=10) [11](#page=11) [12](#page=12) [13](#page=13). > **Example**: Een zelfrijdende auto gebruikt deep learning: het herkent objecten (bv. auto's, voetgangers, verkeersborden) met behulp van supervised learning getraind op duizenden beelden. Vervolgens neemt het beslissingen over sturen en remmen door middel van reinforcement learning, waarbij het probeert de rit zo veilig en efficiënt mogelijk te maken [13](#page=13). * * * # Toepassingen en impact van generatieve AI Generatieve AI (GenAI) vertegenwoordigt een paradigmaverschuiving in kunstmatige intelligentie, gekenmerkt door het vermogen om nieuwe, originele content te creëren in plaats van alleen data te analyseren of te classificeren. Dit nieuwe tijdperk van AI is gedreven door technologische doorbraken zoals de transformer-architectuur, massale rekenkracht en een explosie aan data, waardoor het van een onderzoeksveld naar mainstream consumentenproducten is geëvolueerd. Hoewel GenAI enorme potentiële voordelen biedt voor productiviteit en bedrijfsontwikkeling, brengt het ook aanzienlijke risico's en uitdagingen met zich mee die kritisch gebruik vereisen [14](#page=14) [15](#page=15) [19](#page=19). ### 3.1 Kenmerken en evolutie van generatieve AI #### 3.1.1 Wat maakt generatieve AI bijzonder? Generatieve AI onderscheidt zich door zijn vermogen om originele content te creëren, context te verwerken en coherente output te genereren. In tegenstelling tot traditionele AI, die data analyseert, classificeert en voorspelt, focust GenAI op creatie. Dit omvat het genereren van tekst, afbeeldingen, audio, video, 3D-modellen en meer, waarbij het reageert op instructies (prompts) om de output aan te passen. De transformator-architectuur, geïntroduceerd in 2017 met het paper "Attention is All You Need", is cruciaal voor dit vermogen, omdat het modellen toestaat om de context van elk woord in een zin te begrijpen door "aandacht" te besteden aan andere woorden [14](#page=14) [22](#page=22) [23](#page=23). #### 3.1.2 De transformer architectuur en aandachtmechanismen De transformer-architectuur, een sleutelcomponent van moderne grote taalmodellen, lost de beperkingen van eerdere sequentiële modellen op. Traditionele modellen verwerkten informatie woord voor woord, wat leidde tot een gebrek aan context en trage prestaties. Het aandachtmechanisme (attention mechanism) maakt het mogelijk voor het model om direct naar alle woorden in de invoer te kijken, waardoor relaties en context tussen woorden effectiever worden begrepen. Dit is fundamenteel voor hoe GenAI complexe instructies kan volgen en coherente output kan produceren [23](#page=23). #### 3.1.3 Grote Taalmodellen (LLMs) en hun werking Grote Taalmodellen (LLMs) vormen de kern van veel GenAI-toepassingen, met name op het gebied van tekst. De werking van LLMs omvat verschillende stappen [29](#page=29): * **Tokenization:** Tekst wordt opgedeeld in kleinere eenheden (tokens), die vervolgens worden omgezet in numerieke representaties die computers kunnen verwerken [24](#page=24). * **Parameters en lagen:** LLMs bestaan uit vele lagen met miljarden parameters. Parameters bepalen de sterkte van de verbindingen binnen het model en bepalen hoeveel patronen het kan herkennen [24](#page=24). * **Pre-training:** Tijdens pre-training wordt een model getraind op enorme datasets om het volgende woord in een zin te voorspellen. Dit proces past de parameters voortdurend aan, waardoor het model steeds accurater wordt [25](#page=25). * **Finetunen:** Na pre-training wordt een model vaak gefinetuned met behulp van technieken zoals Reinforcement Learning from Human Feedback (RLHF). Hierbij scoren menselijke beoordelaars modelantwoorden, wat helpt om het model af te stemmen op menselijke voorkeuren en het bruikbaar te maken [25](#page=25). * **Generatie van output:** Het proces van prompt naar antwoord omvat het omzetten van de prompt naar tokens, het doorlopen van de AI-lagen waar begrip wordt opgebouwd, en het genereren van het antwoord woord voor woord door het meest waarschijnlijke volgende woord te voorspellen [26](#page=26). #### 3.1.4 Multimodale AI Multimodale AI breidt de capaciteiten van GenAI uit naar het verwerken en genereren van verschillende soorten data, waaronder tekst, beeld, geluid en video. Dit is cruciaal omdat menselijke communicatie inherent multimodaal is, en een rijkere input leidt tot betere output en nieuwe creatieve mogelijkheden [14](#page=14) [32](#page=32). * **Beeldgeneratie (Diffusiemodellen):** Diffusiemodellen werken omgekeerd: ze beginnen met willekeurige ruis en verwijderen deze geleidelijk, geleid door een prompt, om een afbeelding te creëren. Training omvat het leren hoe afbeeldingen naar ruis worden getransformeerd en hoe dit proces omgekeerd kan worden [33](#page=33) [36](#page=36). * **Geluidsgeneratie (Neural Audio Modellen):** Deze modellen zetten geschreven tekst om in realistische spraak of muziek door geluidsgolven sample-voor-sample op te bouwen. De prompt bepaalt factoren zoals stem, emotie en stijl, gebaseerd op analyse van duizenden opnames [35](#page=35). * **Videogeneratie (Temporele Diffusiemodellen):** Door een tijdsdimensie toe te voegen aan diffusiemodellen, kunnen deze modellen opeenvolgende frames genereren met temporele consistentie. Training omvat het analyseren van video's om beweging, consistentie tussen frames en basisprincipes van fysica te begrijpen [37](#page=37). Prompts spelen een sleutelrol in multimodale AI en volgen vaak dezelfde structuur als bij tekstgeneratie, wat resulteert in een familie van outputs met consistente thematiek en stijl, maar variërende details [37](#page=37). ### 3.2 Hype, impact en risico's van generatieve AI #### 3.2.1 De "hype cycle" rond generatieve AI De huidige golf van GenAI-enthousiasme kan worden geplaatst binnen de "hype cycle" van technologieën: * **Technology Trigger:** De publicatie van de transformer-architectuur [16](#page=16). * **Peak of Inflated Expectations:** Enorme mediaprikkeling en de verwachting dat AI alle problemen zal oplossen [16](#page=16). * **Trough of Disillusionment:** Het besef van beperkingen, hoge kosten en ethische/juridische problemen [16](#page=16). * **Slope of Enlightenment:** Een verschuiving naar specifieke use-cases in plaats van generieke toepassingen [16](#page=16). * **Plateau of Productivity:** AI wordt een geïntegreerde, gangbare technologie [16](#page=16). De "perfect storm" van data-explosie, computerkracht, algoritme-revoluties en open-source cultuur heeft geleid tot deze snelle adoptie, waarbij consumentenproducten zoals ChatGPT de mainstream bereikten [15](#page=15). #### 3.2.2 Impact op productiviteit en werk GenAI heeft een aanzienlijke impact op productiviteit. Een studie toonde aan dat consultants taken tot 25% sneller konden voltooien en 40% betere output leverden met AI-ondersteuning. Echter, de voordelen zijn niet gelijk verdeeld: experts winnen het meest, omdat hun domeinkennis hen in staat stelt AI-output te begrijpen en te benutten, terwijl beginners die te afhankelijk worden, potentieel achterblijven. De impact op werk is een transformatie, geen eliminatie; banen veranderen, vereisen omscholing en de herverdeling van taken. AI is effectief in het automatiseren van saaie taken, het verbeteren van besluitvorming, het bieden van schaalbaarheid en het verminderen van risico's [17](#page=17) [18](#page=18). #### 3.2.3 Valkuilen en kritisch gebruik van GenAI Ondanks de kracht van GenAI zijn er significante nadelen en risico's: * **Hallucinaties:** AI kan informatie verzinnen die niet klopt, zichzelf presenterend als waarheid. Dit kan intrinsiek (inconsistent met bronnen), extrinsiek (zonder brononderbouwing), sequentieel (inconsistent met eerdere output) of prompt-gerelateerd zijn. Dit gebeurt omdat AI niet weet wat het niet weet en gaten opvult met plausibel klinkende verzinsels [39](#page=39) [41](#page=41) [42](#page=42). * **Knowledge Cutoffs:** Modellen hebben verouderde informatie omdat hun training data eindigt op een specifieke datum, en updates traag zijn [39](#page=39) [43](#page=43). * **Bias en discriminatie:** AI weerspiegelt de vooroordelen in de trainingsdata, wat kan leiden tot versterking van bestaande ongelijkheden of stereotypen [19](#page=19) . * **Overafhankelijkheid:** Het te veel vertrouwen op AI zonder verificatie kan leiden tot gemiste leermomenten, academische integriteitsproblemen en paniek wanneer AI niet beschikbaar is [39](#page=39) . * **Privacy risico's:** Inputdata kan worden gebruikt voor modeltraining, en gevoelige informatie kan worden opgeslagen op servers, wat leidt tot zorgen over gegevensbeveiliging [19](#page=19) [39](#page=39) . * **Hoge kosten en milieu-impact:** De training en het gebruik van grote modellen vereisen aanzienlijke rekenkracht en energie [19](#page=19). #### 3.2.4 Strategieën voor veilig en effectief gebruik Om de voordelen van GenAI te maximaliseren en de risico's te minimaliseren, is kritisch gebruik essentieel [19](#page=19) [40](#page=40). * **Eigen kennis blijft cruciaal:** Hoe meer men weet over een onderwerp, hoe beter men vragen kan stellen en de output kan beoordelen [19](#page=19). * **Ken de grenzen:** Begrijp wanneer AI wel en niet effectief is [19](#page=19). * **Factchecking:** Scan de output op rode vlaggen, verifieer bronnen, vergelijk AI-antwoorden en raadpleeg indien nodig experts. Documenteer AI-gebruik en vermeld bronnen . * **Privacy:** Anonimiseer gevoelige informatie, lees privacybeleid, en overweeg alternatieve tools voor gevoelige data. De vuistregel is: deel niets wat je niet openbaar zou willen zien . * **Verantwoord gebruik in studie:** Gebruik AI voor brainstorming, conceptuele uitleg, en als startpunt, maar vermijd het overdragen van volledige opdrachten of plagiaat . * **Modelkeuze:** Er bestaat geen "beste" AI-model; de keuze hangt af van de specifieke taak en vereisten (bv. snelheid vs. kwaliteit, analyse vs. creatie) [20](#page=20) [21](#page=21) [28](#page=28) [29](#page=29). > **Tip:** GenAI is een middel, geen doel op zich. Focus op de meerwaarde die het kan bieden in plaats van de hype [30](#page=30) [41](#page=41). #### 3.2.5 Bedrijfsinvesteringen en transformatie Bedrijven investeren massaal in GenAI, met 70% die actief experimenteert. AI wordt beschouwd als een strategische prioriteit en raakt alle sectoren, wat een transformatie van het bedrijfsleven teweegbrengt. De adoptie is extreem snel, met doelstellingen van honderden miljoenen gebruikers binnen enkele maanden. Er zijn diverse tools beschikbaar, elk met hun eigen specialisaties, technische kenmerken en prijsmodellen, wat een zorgvuldige afweging vereist bij het kiezen van de juiste oplossing [15](#page=15) [16](#page=16) [20](#page=20) [21](#page=21). > **Voorbeeld:** Tools zoals ChatGPT, Claude, Gemini en Copilot bieden verschillende functionaliteiten, variërend van algemene assistentie en creativiteit tot specifieke toepassingen zoals analyse, codering of onderzoek met real-time data. Er zijn ook opties om modellen lokaal te draaien voor meer privacy en controle, zoals via Ollama [21](#page=21) [28](#page=28) [31](#page=31). * * * # Effectief prompten en academische integriteit Dit onderwerp belicht de cruciale vaardigheid van het effectief prompten van AI-modellen, de opbouw van robuuste prompts, geavanceerde technieken, en de potentiële risico's zoals promptinjectie, naast de ethische overwegingen van AI-gebruik in academisch onderzoek [44](#page=44) [53](#page=53). ### 4.1 Het belang van effectief prompten Effectief prompten is essentieel om de immense rekenkracht van AI optimaal te benutten, wat leidt tot een hogere outputkwaliteit en minder noodzaak tot nabewerking. Het begrijpen van hoe AI werkt, vergroot het vertrouwen en de effectiviteit van het gebruik ervan, vooral in situaties zoals medische diagnoses waarbij AI-ondersteuning mogelijk is, maar menselijk oordeel cruciaal blijft [45](#page=45) [46](#page=46). #### 4.1.1 Prompt engineering Prompt engineering is de kunst van het formuleren van tekstuele instructies voor een AI-model. Hoe beter de prompt, hoe beter de output. Prompts kunnen herbruikbaar zijn, hoewel de output kan variëren. Het effectief gebruiken van AI vereist kennis en goed prompten als sleutel tot succes [45](#page=45) [46](#page=46). #### 4.1.2 Context window Het "context window" is het werkgeheugen van een AI-model, gemeten in tokens, en omvat zowel de input (prompt) als de output. Een te lange input kan ervoor zorgen dat het model delen van de prompt "vergeet", wat de kwaliteit en volledigheid van het antwoord beïnvloedt [47](#page=47). ### 4.2 Anatomie van een sterke prompt Een effectieve prompt is gestructureerd en bevat verschillende componenten die samenwerken om een gewenst resultaat te genereren. Hoewel er verschillende frameworks bestaan, zijn deze variaties op basisprincipes en bieden ze structuur en houvast, vooral voor beginners [48](#page=48). #### 4.2.1 Rol (ROLE) Het toekennen van een specifieke rol aan het AI-model bepaalt de toon, het perspectief en het expertise-niveau van de output. Door te beginnen met "Je bent..." kan de AI een gewenste persona aannemen, zoals een ervaren marketeer of een geduldige leraar [49](#page=49). #### 4.2.2 Context (CONTEXT) Het verstrekken van achtergrondinformatie, doelstellingen, doelgroep en randvoorwaarden helpt het AI-model om antwoorden correct te kaderen, wat de relevantie, nauwkeurigheid en toepasbaarheid verhoogt [49](#page=49). #### 4.2.3 Instructies (INSTRUCTIONS) Duidelijke en specifieke instructies met actiegerichte werkwoorden leiden tot preciezere resultaten. Dit omvat het definiëren van de taak die het model moet uitvoeren, zoals samenvatten, vergelijken of ideeën genereren [50](#page=50). #### 4.2.4 Voorbeelden (EXAMPLES) Het tonen van voorbeelden, zowel positieve als negatieve, leert het AI-model de gewenste output te produceren. Few-shot prompting, waarbij voorbeelden worden gegeven, werkt vaak beter dan alleen instructies [50](#page=50). #### 4.2.5 Output & Formaat (OUTPUT & FORMAT) Het afdwingen van een specifieke structuur, lengte, taal en toon zorgt voor bruikbare resultaten. Dit kan variëren van een tabel met meerdere kolommen tot een genummerde lijst of een specifiek dataformaat zoals JSON [51](#page=51). #### 4.2.6 Wat te vermijden (DON'T) Het aangeven van grenzen verhoogt de precisie en vermindert de noodzaak aan iteraties. Dit is nuttig voor gevoelige onderwerpen of bij het stellen van creatieve restricties, zoals het vermijden van jargon of het niet geven van medisch advies [51](#page=51). ### 4.3 Geavanceerde prompttechnieken Naast de basisanatomie zijn er geavanceerde technieken om de effectiviteit van prompts verder te verhogen [53](#page=53). #### 4.3.1 Prompt-chaining Complexe taken kunnen worden opgesplitst in een reeks kleinere, opeenvolgende prompts, waarbij de output van de ene stap dient als input voor de volgende. Het labelen van tussenresultaten helpt bij het behouden van overzicht [53](#page=53). #### 4.3.2 Chain-of-Thought (CoT) Deze techniek moedigt het AI-model aan om zijn denkproces en tussenstappen te tonen, wat cruciaal is voor complexe analyses en de transparantie en nauwkeurigheid verhoogt [54](#page=54). #### 4.3.3 Tree-of-Thought (ToT) ToT is ideaal voor strategische planning en probleemoplossing, waarbij meerdere oplossingspaden worden gegenereerd. Het beperken van het aantal opties (3-5) houdt de output beheersbaar [54](#page=54). #### 4.3.4 Gebruik van externe kennis (RAG) Retrieval-Augmented Generation (RAG) baseert antwoorden op specifieke documenten, wat hallucinaties bij feitelijke of bedrijfsspecifieke vragen voorkomt. Het vragen om citaten uit de bronnen is hierbij essentieel [55](#page=55). #### 4.3.5 Zelf-kritiek en zelf-verbetering (Self-critique & Self-improvement) Deze methode vraagt het AI-model om output te genereren, kritisch te beoordelen en vervolgens te verbeteren. Dit is met name waardevol voor teksten, beleidsnota's en andere outputs waar kwaliteit cruciaal is [55](#page=55). #### 4.3.6 Meta-prompting Meta-prompts zijn ontworpen om andere prompts te genereren, wat leidt tot krachtigere, specifiekere en efficiëntere prompts, en workflows kan automatiseren [56](#page=56). #### 4.3.7 CustomGPTs Het creëren van gepersonaliseerde chatbots (CustomGPTs) in een "store" maakt het mogelijk om een specifieke persona te definiëren, kennis te uploaden en functies in of uit te schakelen voor snellere en doelgerichtere interacties [57](#page=57). #### 4.3.8 Vermijd suggestieve vragen en verhoog de inzet Neutrale, open vragen leiden tot minder bevooroordeelde antwoorden dan suggestieve vragen. Het benadrukken van het belang van een taak kan de prestaties van het AI-model verbeteren [52](#page=52). ### 4.4 De schaduwkant van prompten: promptinjectie Promptinjectie treedt op wanneer een AI-model misleid wordt door slimme of verborgen instructies, waardoor het acties onderneemt die niet de bedoeling waren. Dit kan direct gebeuren via de input van een gebruiker, of indirect via documenten of websites die het model leest [58](#page=58). #### 4.4.1 Gevaren van promptinjectie Promptinjectie kan leiden tot datalekken, verspreiding van valse informatie en verstoring van systemen. Het onderscheidt zich van "jailbreaking", waarbij het model wordt overgehaald om verboden inhoud te produceren [58](#page=58) [59](#page=59). #### 4.4.2 Herkennen en beschermen tegen promptinjectie Signalen van promptinjectie zijn onder meer "negeer instructies"-commando's, instructies verborgen in documenten, en afleidingstechnieken. Bescherming omvat inputvalidatie, outputcontrole, beperkte toegang, menselijke controle en monitoring van AI-interacties [59](#page=59) [60](#page=60). ### 4.5 AI en academische integriteit in onderzoek Het gebruik van AI in onderzoek brengt specifieke uitdagingen met zich mee op het gebied van academische integriteit. Onderzoekend denken is een professionele vaardigheid die nieuwsgierigheid, kritisch doorvragen en het vermogen om informatie uit meerdere bronnen te beoordelen vereist [62](#page=62) [63](#page=63). #### 4.5.1 Evolutie van onderzoek Onderzoek is geëvolueerd van traditionele methoden die afhankelijk waren van fysieke bronnen en handmatige analyse, naar digitale versnelling met online bronnen, en nu naar AI-gestuurde kennisproductie die automatische syntheses mogelijk maakt [64](#page=64). #### 4.5.2 Traditoneel versus AI-ondersteund onderzoek AI-ondersteund onderzoek biedt voordelen zoals razendsnelle analyse, schaalbaarheid en verhoogde toegankelijkheid, maar kent ook beperkingen zoals hallucinaties en versterking van bias. Een hybride aanpak, die de sterke punten van beide combineert, is vaak het meest effectief [65](#page=65). #### 4.5.3 Het onderzoeksproces met AI Het onderzoeksproces – exploratie, verkenning, bewijs verzamelen, analyse, synthese en reflectie – kan significant versneld worden door AI-tools. Belangrijk is echter het behouden van menselijke verificatie en het ontwikkelen van regels voor verantwoording [66](#page=66). #### 4.5.4 AI-tools voor onderzoek Diverse AI-tools zijn beschikbaar om specifieke fasen van het onderzoeksproces te ondersteunen, zoals LLM's voor exploratie en synthese, Perplexity en ResearchRabbit voor bronnenonderzoek, en ChatPDF en NotebookLM voor documentanalyse [68](#page=68) [70](#page=70) [71](#page=71) [72](#page=72). #### 4.5.5 Verantwoord AI-gebruik in onderzoek AI mag ondersteunen, maar nooit de academische integriteit ondermijnen. Dit betekent dat ideeën genereren, structuur aanbrengen en teksten verbeteren doorgaans is toegestaan, terwijl volledige teksten laten schrijven, copy-pasten zonder verificatie, en het verbergen van AI-gebruik problematisch is [74](#page=74). #### 4.5.6 AI-gebruik vermelden en correct refereren Transparantie over AI-gebruik is essentieel. Dit omvat het vermelden van de gebruikte tool, versie, datum en hoe de AI werd ingezet. Correcte referentie, bijvoorbeeld volgens APA-richtlijnen, is noodzakelijk voor afbeeldingen, code en methodologie [75](#page=75) [76](#page=76). #### 4.5.7 Het verificatiemodel en rode vlaggen Het verificatiemodel omvat het traceren van bronnen, cross-checken met andere tools en menselijke beoordeling. Rode vlaggen zoals het ontbreken van bronvermelding, vage antwoorden of claims die in strijd zijn met gevestigde kennis, vereisen stopzetting en verificatie [77](#page=77). #### 4.5.8 Sycophancy (de pleaser valkuil) AI-modellen kunnen de neiging hebben om gebruikers tevreden te stellen door antwoorden af te stemmen op hun overtuigingen, wat kan leiden tot het verzinnen van informatie (hallucineren). Dit versterkt de eigen bias van de gebruiker en geeft een schijn van betrouwbaarheid. Een sycophante AI als onderzoeksassistent is een ernstig obstakel en vereist het stellen van neutrale prompts, het vragen naar tegenargumenten en het altijd controleren van bronnen [78](#page=78) [79](#page=79). #### 4.5.9 Kernprincipes van academische integriteit met AI Integriteit in onderzoek met AI berust op eerlijkheid (geen data fabriceren), transparantie (duidelijk vermelden van bronnen, methoden en AI-gebruik), verantwoordelijkheid (de gebruiker blijft eindverantwoordelijk) en respect (bescherming van personen, data en intellectueel eigendom). Sterk en integer onderzoek combineert AI-snelheid met menselijk oordeel en onderzoeksdiscipline [79](#page=79) [80](#page=80). * * * ## Veelgemaakte fouten om te vermijden * Bestudeer alle onderwerpen grondig voor examens * Let op formules en belangrijke definities * Oefen met de voorbeelden in elke sectie * Memoriseer niet zonder de onderliggende concepten te begrijpen

| Term | Definition | |------|------------| | Artificiële intelligentie (AI) | Technologie die menselijke intelligentie simuleert, gericht op autonomie en aanpassingsvermogen. | | Autonomie | Het vermogen van een systeem om zelfstandig te handelen en beslissingen te nemen zonder constante menselijke tussenkomst. | | Aanpassingsvermogen | Het vermogen om te leren van ervaringen en zich aan te passen aan nieuwe of veranderende omstandigheden. | | Meervoudige Intelligentie | Een theorie die stelt dat intelligentie niet één-dimensionaal is, maar uit verschillende, onafhankelijke soorten bestaat, zoals voorgesteld door Howard Gardner. | | Narrow AI (Zwakkere AI) | AI die beperkt is tot het uitvoeren van specifieke, nauw gedefinieerde taken, zoals spraakassistenten of beeldherkenningssystemen. | | General AI (AGI) | Sterke AI die in staat is om elke intellectuele taak uit te voeren die een mens kan uitvoeren, over alle domeinen heen. Bestaat nog niet. | | Super AI (ASI) | Een hypothetische vorm van AI die menselijke intelligentie overtreft in vrijwel elk veld, inclusief creativiteit, algemene wijsheid en probleemoplossing. | | Turing Test | Een experiment bedacht door Alan Turing om de intelligentie van een machine te beoordelen door te bepalen of een menselijke ondervrager onderscheid kan maken tussen een computer en een mens. | | AI Winters | Periodes van verminderde interesse en financiering voor AI-onderzoek, vaak veroorzaakt door overdreven verwachtingen die niet konden worden waargemaakt. | | Rule-based AI | Een type AI dat werkt op basis van expliciet gedefinieerde regels en logica, vaak opgesteld door menselijke experts. | | Machine Learning (ML) | Een tak van AI die algoritmen gebruikt om systemen in staat te stellen te leren van data zonder expliciet geprogrammeerd te zijn, door patronen te herkennen en voorspellingen te doen. | | Deep Learning (DL) | Een subveld van machine learning dat gebruikmaakt van kunstmatige neurale netwerken met meerdere lagen om complexe patronen en abstracties in data te herkennen. | | Supervised Learning | Een methode binnen deep learning waarbij modellen worden getraind met gelabelde data, wat betekent dat de input-data voorzien is van de corresponderende correcte output. | | Unsupervised Learning | Een methode binnen deep learning waarbij modellen patronen in ongelabelde data moeten ontdekken, zonder vooraf gegeven correcte antwoorden. | | Reinforcement Learning | Een type machine learning waarbij een agent leert door middel van beloningen en straffen voor zijn acties, met als doel de cumulatieve beloning over tijd te maximaliseren. | | Generative AI (GenAI) | AI-systemen die nieuwe content kunnen creëren, zoals tekst, afbeeldingen, muziek of code, op basis van geleerde patronen uit trainingsdata. | | Transformer Architectuur | Een neuraal netwerkarchitectuur die een sleutelrol speelde in de ontwikkeling van moderne generatieve AI, met name door het "attention mechanism" dat de relaties tussen woorden in een zin kan modelleren. | | Attention Mechanism | Een mechanisme in neurale netwerken, vooral in transformermodellen, dat het model in staat stelt om zich te concentreren op specifieke delen van de input wanneer het een output genereert, wat leidt tot een beter begrip van context. | | Tokenization | Het proces waarbij tekst wordt opgedeeld in kleinere eenheden, "tokens" genaamd, die vervolgens worden omgezet in numerieke waarden die door AI-modellen kunnen worden verwerkt. | | Parameters | Variabelen binnen een AI-model, met name neurale netwerken, die de sterkte van de verbindingen tussen de "neuronen" vertegenwoordigen en de kennis van het model bepalen. | | Pre-training | De eerste trainingsfase van een AI-model, waarbij het wordt blootgesteld aan enorme hoeveelheden data om algemene patronen en kennis op te doen, vaak met als doel het voorspellen van het volgende woord. | | Finetunen | Een proces waarbij een reeds getraind AI-model verder wordt getraind op een specifiekere dataset of taak, om de prestaties voor die specifieke toepassing te verbeteren. | | Reinforcement Learning from Human Feedback (RLHF) | Een techniek om AI-modellen te verfijnen door menselijke beoordelaars de output van het model te laten scoren, wat wordt gebruikt om een beloningsmodel te trainen dat vervolgens wordt gebruikt om het hoofdmodel te optimaliseren. | | Prompt | De tekstuele instructie of vraag die aan een AI-model wordt gegeven om een specifieke output te genereren. | | Large Language Models (LLMs) | Geavanceerde AI-modellen, zoals GPT-modellen, die getraind zijn op enorme hoeveelheden tekstdata en in staat zijn om mensachtige tekst te genereren, te begrijpen en te verwerken. | | Multimodale AI | AI-systemen die informatie uit verschillende modaliteiten, zoals tekst, beeld, audio en video, kunnen verwerken en genereren. | | Diffusiemodellen | Een klasse van generatieve modellen die wordt gebruikt voor het creëren van realistische data, zoals afbeeldingen, door een proces van ruisverwijdering toe te passen op willekeurige ruis. | | Neural Audio Modellen | AI-modellen die speciaal zijn ontworpen voor het verwerken en genereren van geluid, zoals het converteren van tekst naar spraak of het componeren van muziek. | | Temporele Diffusiemodellen | Een uitbreiding van diffusiemodellen die de tijdsdimensie toevoegt, waardoor ze in staat zijn om sequenties van frames te genereren voor video-inhoud. | | Hallucinaties (AI) | Wanneer een AI-model informatie genereert die feitelijk onjuist is, niet wordt ondersteund door de trainingsdata, of als fictie wordt gepresenteerd als waarheid. | | Knowledge Cutoff | De datum waarop de trainingsdata van een AI-model eindigt, wat betekent dat het model geen kennis heeft van gebeurtenissen of informatie die na die datum plaatsvonden. | | Bias (AI) | Vooroordelen die in AI-modellen terechtkomen doordat de trainingsdata zelf historische of maatschappelijke vooroordelen bevatten, wat kan leiden tot discriminerende of oneerlijke output. | | Overafhankelijkheid | Het risico dat gebruikers te veel vertrouwen op AI en de output ervan accepteren zonder kritische verificatie, wat kan leiden tot gemiste leermomenten en plagiaat. | | Privacy Risico's | Gevaren met betrekking tot de veiligheid en het gebruik van persoonlijke of gevoelige data die worden ingevoerd in AI-systemen, zoals datalekken of ongeautoriseerd gebruik voor modeltraining. | | Prompt Injectie | Een aanvalsvector waarbij een aanvaller slimme of verborgen instructies in een prompt of inputdata invoegt om de AI te misleiden en ongewenste acties te laten uitvoeren. | | Jailbreaking | Een vorm van promptmanipulatie waarbij een gebruiker probeert een AI-model te bewegen om beperkingen op te heffen en verboden of ongepaste inhoud te genereren. | | Context Window | Het "werkgeheugen" van een AI-model, gemeten in tokens, dat zowel de prompt (input) als het gegenereerde antwoord (output) bevat. Een te groot venster kan leiden tot vergeten van eerdere informatie. | | Prompt Engineering | Het proces van het ontwerpen, testen en verfijnen van prompts om de meest effectieve en gewenste output van een AI-model te verkrijgen. | | Rol (Prompting) | De identiteit of persona die aan een AI-model wordt toegewezen in een prompt om de toon, expertise en het perspectief van de output te bepalen. | | Context (Prompting) | De achtergrondinformatie, het doel, de doelgroep en de randvoorwaarden die aan een AI-model worden verstrekt om de relevantie en nauwkeurigheid van de output te kaderen. | | Instructies (Prompting) | De duidelijke opdrachten of taken die aan een AI-model worden gegeven om te specificeren wat er moet gebeuren. | | Voorbeelden (Prompting) | Het tonen van gewenste of ongewenste outputs om het AI-model te leiden, een techniek die bekend staat als few-shot prompting. | | Output & Formaat (Prompting) | De specificaties voor het type resultaat (output) en de structuur, lengte, toon en stijl (formaat) waarin de AI het antwoord moet presenteren. | | DON'T (Prompting) | Beperkingen die worden opgelegd aan het AI-model om te specificeren wat vermeden moet worden in de output, wat de precisie kan verhogen. | | Suggestieve Vragen | Vragen die impliciet een bepaalde richting sturen of een vooringenomen antwoord suggereren, wat leidt tot bias in de AI-output. | | Verhoging van de Inzet | Het belangrijker maken van een taak in de prompt, waardoor de AI beter presteert door het gevoel van crucialiteit. | | Prompt-Chaining | Een geavanceerde prompttechniek waarbij een complexe taak wordt opgesplitst in een reeks opeenvolgende prompts, waarbij de output van de ene prompt als input dient voor de volgende. | | Chain-of-Thought (CoT) Prompting | Een techniek waarbij het AI-model wordt gevraagd om zijn denkproces en tussenstappen te tonen, wat leidt tot meer transparantie en nauwkeurigheid bij complexe analyses. | | Tree-of-Thought (ToT) Prompting | Een geavanceerde techniek waarbij het AI-model meerdere oplossingspaden genereert en evalueert, ideaal voor strategische planning en probleemoplossing. | | Retrieval-Augmented Generation (RAG) | Een techniek die AI-modellen in staat stelt om antwoorden te baseren op externe documenten of kennisbronnen, wat helpt bij het vermijden van hallucinaties en het verschaffen van actuele informatie. | | Self-critique & Self-improvement | Een proces waarbij een AI wordt gevraagd om zijn eigen output te beoordelen en te verbeteren, vaak met behulp van expliciete beoordelingscriteria. | | Meta-prompting | Het ontwerpen van prompts die andere prompts genereren, waardoor complexere en effectievere AI-workflows kunnen worden geautomatiseerd. | | CustomGPT | Een gepersonaliseerde versie van een AI-chatbot die kan worden geconfigureerd met specifieke instructies, kennisbestanden en functies om aan individuele behoeften te voldoen. | | Prompt Injectie | Een aanvalsvector waarbij een aanvaller slimme of verborgen instructies in een prompt of inputdata invoegt om de AI te misleiden en ongewenste acties te laten uitvoeren. | | Sycophancy | De neiging van een AI-model om antwoorden af te stemmen op de overtuigingen van de gebruiker om deze tevreden te stellen, in plaats van objectieve informatie te verstrekken. | | Academische Integriteit | Eerlijkheid, transparantie en verantwoordelijkheid in academisch werk, inclusief correcte bronvermelding en het vermijden van plagiaat. | | Verificatiemodel | Een proces dat wordt gebruikt om de betrouwbaarheid van AI-gegenereerde informatie te controleren, door bronnen te traceren, te cross-checken en menselijke beoordeling toe te passen. |