Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Kernconcepten van Generatieve AI

Les 12 van 16 Bijgewerkt op 2 november 2026 Beginner
Op deze pagina
  1. De essentiële woordenschat onder de knie krijgen
  2. RAG — Retrieval-Augmented Generation
  3. Embeddings — Vectorrepresentaties
  4. Fine-tuning — Maatwerkaanpassing
  5. Temperatuur — De creativiteitsregelaar
  6. Hallucinaties — Wanneer het model dingen verzint
  7. Grounding — Verankering in de realiteit
  8. Prompt — De instructie aan het model
  9. Belangrijkste punten

Bijgewerkt op 2 november 2026 — Le Chat wordt Vibe. Sinds 28 mei 2026 is Le Chat nu Vibe (nog steeds op chat.mistral.ai): een enkele agent voor werk en code, die uw gesprekken, instellingen en abonnementen overneemt. De legacy Le Chat-ervaring blijft toegankelijk in de modus Chat; in de modus Work zijn agents nu vaardigheden (aangeroepen met @), zijn herinneringen de kennisbank geworden en is diep zoeken de vaardigheid Deep Research geworden. Abonnementen heten nu Mistral Free, Pro, Team en Enterprise. Deze les gebruikt nu de naam Vibe; sommige hier beschreven menu’s kunnen van naam of locatie zijn veranderd.

De essentiële woordenschat onder de knie krijgen

Er zijn een handvol termen die u tegenkomt in elke vergadering, elk stuk documentatie en elk gesprek met een technisch team over generatieve AI: RAG, embeddings, fine-tuning, temperatuur, hallucinaties, grounding. Deze les legt ze stuk voor stuk uit, niet als woordenboekdefinities, maar als instrumenten die u weet te plaatsen in een echt gesprek. Wanneer een leverancier “een RAG-chatbot met Mistral embeddings” voorstelt, weet u precies wat hij u verkoopt – en welke vragen u moet stellen.

RAG — Retrieval-Augmented Generation

RAG (retrieval-augmented generation) is een van de meest gebruikte technieken om de kwaliteit van de antwoorden van een LLM te verbeteren. Het principe vertrekt van een simpele observatie: in plaats van uitsluitend te vertrouwen op de interne kennis van het model, voorziet u het op het moment van de vraag van relevante informatie die is gehaald uit een externe database.

Het mechanisme ontvouwt zich in vier stappen:

  1. De gebruiker stelt een vraag
  2. Een zoeksysteem identificeert relevante documenten in een kennisbank
  3. Deze documenten worden in de context van het model geïnjecteerd
  4. Het model genereert zijn antwoord op basis van deze verse informatie

Waarom is dit zo belangrijk? Omdat RAG een fundamenteel probleem van LLM’s oplost: hun kennis staat vast op de datum van hun training. Een model dat vorig jaar is getraind, weet niets van uw nieuwe productcatalogus, de reorganisatie van uw afdeling of de regelgeving die vorige maand is gepubliceerd. Met RAG kan het vragen beantwoorden over recente gebeurtenissen, over gegevens die intern zijn voor uw bedrijf, of over documenten die u aanlevert. Stel u een HR-afdeling voor die elke week dezelfde vragen ontvangt over de collectieve arbeidsovereenkomst: een RAG-assistent die verbonden is met de bedrijfsovereenkomsten, antwoordt door het juiste artikel te citeren, in plaats van uit het geheugen te improviseren. Dit is de techniek die de webzoekfunctie van Vibe en de meeste enterprise-chatbots aandrijft.

Embeddings — Vectorrepresentaties

Embeddings zijn numerieke representaties van tekst in de vorm van vectoren, oftewel lijsten met getallen. Elk woord, elke zin of elk document wordt omgezet in een punt in een wiskundige ruimte met hoge dimensies. Het kernidee past in één zin: twee semantisch close teksten zullen embeddings hebben die close zijn in deze ruimte. “Hond” en “canine” zullen buren zijn; “hond” en “spreadsheet” zullen zeer ver uit elkaar liggen, ook al delen geen van deze paren significante gemeenschappelijke letters.

Deze eigenschap verandert alles voor informatieophaal. Een traditionele zoekopdracht op trefwoorden vindt geen document over “onderlinge beëindiging” als u zoekt op “minnelijke contractbeëindiging”; een semantische zoekopdracht via embeddings wel, omdat beide formuleringen naar hetzelfde gebied van de vectorruimte wijzen. Naast zoeken worden embeddings gebruikt om teksten automatisch op thema te classificeren, duplicaten of vergelijkbare inhoud te detecteren en – zoals we in de vorige les van deze sectie zagen – om relevante documenten te selecteren in een RAG-pipeline. Mistral biedt toegewijde embedding-modellen, Mistral Embed en Codestral Embed, die uw tekst omzetten in bruikbare vectoren.

Fine-tuning — Maatwerkaanpassing

Fine-tuning bestaat uit het voortzetten van de training van een vooraf getraind model met uw eigen gegevens, om het aan te passen aan een specifieke behoefte. Het meest accurate beeld is dat van een huisarts die is opgeleid tot specialist: de algemene kennis is er al, u voegt gerichte expertise toe.

U doet er een beroep op in verschillende situaties. Een merk dat wil dat al zijn klantantwoorden een specifieke toon en stijl respecteren, kan een model fine-tunen op zijn beste eerdere uitwisselingen. Een advocatenkantoor of medische afdeling kan branchespecifiek vocabulaire bijbrengen dat het generalistische model slechts ruw behandelt. Een team dat duizenden e-mails per dag verwerkt, kan een model specialiseren in een specifieke taak zoals classificatie of entity-extractie, met betere resultaten dan een generieke prompt. Tot slot bestaat distillatie uit het overdragen van kennis van een groot model naar een klein model, om vergelijkbare prestaties te bereiken tegen veel lagere kosten. Bij Mistral is het platform Forge waarmee u Open-modellen kunt fine-tunen: u bereidt een dataset van vraag-antwoordparen voor, start de training en krijgt een aangepast model dat via de API kan worden ingezet.

Temperatuur — De creativiteitsregelaar

Temperatuur is een parameter die de mate van “creativiteit” – technisch gezien: willekeur – in de antwoorden van het model regelt. Bij een lage temperatuur (0 tot 0,3) kiest het model systematisch de meest waarschijnlijke antwoorden: het resultaat is voorspelbaar, nauwkeurig en reproduceerbaar, wat past bij feitelijke taken, data-extractie en code. Bij een gemiddelde temperatuur (0,4 tot 0,7) krijgt u een balans tussen coherentie en variatie die past bij de meeste conversationele toepassingen. Bij een hoge temperatuur (0,8 tot 1,0) verkent het model minder voor de hand liggende formuleringen: meer creativiteit, maar ook meer risico op fouten – een instelling die u reserveert voor brainstormsessies en creatief schrijven.

Op Vibe wordt de temperatuur automatisch beheerd; u hoeft er niet over na te denken. Via de API kunt u deze echter voor elk verzoek nauwkeurig definiëren, en het is een krachtige hefboom: dezelfde vraag gesteld op 0,1 en op 0,9 zal in het ene geval het antwoord van een accountant opleveren, in het andere geval dat van een copywriter.

Hallucinaties — Wanneer het model dingen verzint

Hallucinaties zijn antwoorden die aannemelijk lijken maar feitelijk onjuist zijn. Het model “verzint” informatie en – hier schuilt het gevaar – doet dit met dezelfde zelfverzekerde toon als wanneer het de waarheid spreekt. De oorzaak is structureel: een LLM voorspelt waarschijnlijke tokens, geen geverifieerde feiten. Het kan dus tekst produceren die linguïstisch onberispelijk is maar feitelijk onjuist. Risicogebieden zijn goed geïdentificeerd: precieze data, cijfers en statistieken, citaten toegeschreven aan echte personen, verwijzingen naar studies of artikelen, en specifieke technische details. Vraag een model naar de bibliografie van een weinig bekende auteur: het zal u graag boektitels geven die perfect geloofwaardig zijn… maar niet bestaan.

U elimineert hallucinaties niet, u beperkt ze. RAG verankert antwoorden in geverifieerde bronnen; een lage temperatuur begunstigt de meest waarschijnlijke antwoorden; het model om bronnen vragen – en deze vervolgens zelf verifiëren – onthult verzinsels; grounding, dat we zo direct zien, verbindt het model met echte gegevens. En bij elk kritisch onderwerp blijft de regel absoluut: vertrouw nooit blindelings op een antwoord.

Grounding — Verankering in de realiteit

Grounding verwijst naar alle technieken die een model verbinden met betrouwbare en actuele informatiebronnen. RAG is één vorm, maar het concept is breder. Webzoekopdrachten laten het model feiten op internet verifiëren in plaats van putten uit zijn bevroren geheugen. Verbinding met databases geeft het toegang tot uw interne gegevens – uw werkelijke voorraad, uw werkelijke klanten. Function calling laat het tot slot externe API’s aanroepen om realtime gegevens op te halen: het weer, een beurskoers, de status van een systeem. Het verschil is doorslaggevend: grounding verschuift van een assistent die “dingen weet” naar een assistent die “dingen kan verifiëren”.

Prompt — De instructie aan het model

De prompt is de tekst die u naar het model stuurt: uw instructie, uw vraag, uw verzoek. De kwaliteit ervan bepaalt grotendeels die van het antwoord – dit is het onderwerp van een volledige les later in deze cursus. Houd nu drie begrippen in gedachten. De system prompt groepeert de algemene instructies die vooraf aan het model worden gegeven (toon, rol, beperkingen), configureerbaar via de API. De user prompt is uw eigenlijke bericht, de vraag of taak ter hand. En few-shot prompting bestaat uit het bieden van voorbeelden van verwachte antwoorden om het model te sturen: laten zien is vaak beter dan uitleggen.

Belangrijkste punten

  • RAG verrijkt de antwoorden van het model met verse externe gegevens
  • Embeddings zetten tekst om in vectoren voor semantisch zoeken
  • Fine-tuning past een model aan uw specifieke behoeften aan via Forge
  • Temperatuur regelt de balans tussen precisie en creativiteit
  • Hallucinaties zijn aannemelijke maar valse antwoorden; grounding verankert het model in verifieerbare gegevens om ze te beperken