Gratis AI-kennistest — hoe goed ken jij AI?

Vraag 1 / 10

Wat doet een taalmodel eigenlijk als het een zin afmaakt?

Het zoekt het juiste antwoord op in een grote database.
Het berekent welk woord (of woorddeel) het meest waarschijnlijk hierna komt.
Het begrijpt de betekenis van de vraag en redeneert naar een antwoord.
Het kopieert zinnen uit teksten die het tijdens training heeft gezien.

Een taalmodel voorspelt telkens het volgende token op basis van patronen uit de training — het slaat geen antwoorden op en zoekt niets op. Dat het tóch zo nuttig is, is juist wat verrassend en de moeite waard om te begrijpen.

Vraag 2 / 10

Wat leert een neuraal netwerk tijdens de training?

Een set regels die door de programmeurs zijn opgeschreven.
De exacte zinnen uit het trainingsmateriaal, woord voor woord.
De gewichten van miljoenen verbindingen, afgesteld op basis van fouten.
Een woordenboek van begrippen met hun definities.

Training is een proces van fouten maken en bijsturen: de gewichten (de sterkte van verbindingen tussen kunstmatige neuronen) worden keer op keer een klein beetje aangepast totdat het netwerk betere voorspellingen maakt. Er worden geen regels ingeprogrammeerd.

Vraag 3 / 10

Waarom kan een AI-taalmodel iets met zekerheid beweren dat feitelijk onjuist is — ook wel "hallucineren" genoemd?

Omdat de internetverbinding tijdens het antwoorden soms wegvalt.
Omdat het model bewust informatie verzint om de gebruiker te pleasen.
Omdat het model op het genereren van waarschijnlijke tekst is getraind, niet op het controleren van feiten.
Omdat de trainingsdata te oud is en het model dat niet weet.

Het model heeft geen ingebouwde feitendatabase die het "nakijkt". Het produceert tekst die in zijn patroonwereld klopt — en die kan overtuigend klinken terwijl hij fout is. Verouderde data speelt soms mee, maar is niet de kern van het probleem.

Vraag 4 / 10

Wat is een "token" in de context van een taalmodel?

Een beveiligingssleutel waarmee je toegang krijgt tot de API.
Een los woord uit de trainingstekst.
Een stukje tekst — vaak een woord of woorddeel — als kleinste eenheid die het model verwerkt.
Een maat voor hoe zeker het model is van zijn antwoord.

Taalmodellen lezen en schrijven geen letters of hele woorden, maar tokens: stukjes tekst die liggen tussen een letter en een woord in. Het woord "onbegrijpelijk" kan al meerdere tokens zijn. Hoe het model de wereld "ziet", wordt bepaald door die tokenisering.

Vraag 5 / 10

Wat maakt het attention-mechanisme in een transformer bijzonder?

Het laat het model bepaalde woorden overslaan om sneller te werken.
Het stelt het model in staat om bij elk woord te "kijken" welke andere woorden in de tekst er het meest toe doen.
Het zorgt ervoor dat het model altijd het langste antwoord geeft.
Het controleert of de output grammaticaal correct is.

Attention berekent voor elk token een "gewicht" ten opzichte van alle andere tokens in de context — het model leert zo dat "bank" in "hij zat op de bank" iets anders betekent dan in "hij had geld op de bank". Dat is waarom transformers zo goed zijn in langere, samenhangende tekst.

Vraag 6 / 10

Embeddings zijn een manier om woorden en zinnen op te slaan als getallen. Wat zegt die getallenrij over een woord?

Hoe vaak het woord voorkomt in de trainingstekst.
De alfabetische positie van het woord in het woordenboek.
De positie van het woord in een ruimte waar betekenisverwante woorden dicht bij elkaar liggen.
De gemiddelde zinslengte waarin het woord voorkomt.

Een embedding plaatst een woord in een wiskundige ruimte op basis van hoe het wordt gebruikt. "Hond" en "kat" liggen daarin dichter bij elkaar dan "hond" en "hypotheek". Zo "begrijpt" het model dat begrippen verwant zijn — niet omdat het dat is verteld, maar omdat ze in vergelijkbare contexten voorkomen.

Vraag 7 / 10

Wat is het verschil tussen pretraining en de instructie-afstemming (zoals RLHF) die van GPT een ChatGPT maakt?

Pretraining gebruikt meer data; RLHF minder — er is verder geen inhoudelijk verschil.
Pretraining leert het model patronen in taal op enorme schaal; RLHF stuurt daarna bij zodat het model nuttige, veilige antwoorden geeft in een gesprek.
Pretraining is het werk van onderzoekers; RLHF is wat gebruikers doen door te chatten.
Pretraining werkt met tekst; RLHF werkt uitsluitend met afbeeldingen.

Na pretraining heeft een model enorme taalvaardigheid maar geen "instelling" om behulpzaam te zijn. RLHF (Reinforcement Learning from Human Feedback) traint het model vervolgens om antwoorden te geven die mensen als goed en veilig beoordelen — een soort fijnafstemming van karakter bovenop de taalvaardigheid.

Vraag 8 / 10

Waarom kan dezelfde prompt bij een taalmodel soms tot verschillende antwoorden leiden?

Omdat het model een willekeurig antwoord kiest uit zijn trainingsdata.
Omdat de servers soms overbelast zijn en dan andere code draaien.
Omdat er bij het kiezen van het volgende token doorgaans een temperatuurparameter is die gecontroleerde willekeur inbrengt.
Omdat het model de vraag elke keer opnieuw vertaalt naar een andere taal.

Een taalmodel kiest niet altijd het meest waarschijnlijke token — er zit bewust variatie in (geregeld via de "temperatuur"). Dat maakt antwoorden gevarieerder en creatiever, maar ook minder voorspelbaar. Op temperatuur 0 is het model deterministisch; hoger geeft meer verrassing.

Vraag 9 / 10

Een AI-model traint op tekst van het internet en leert daarin taal- en denkpatronen. Waarom is dat een bron van bias (vertekening)?

Omdat het internet alleen Engelstalige tekst bevat.
Omdat de programmeurs bewust vooroordelen in het model stoppen.
Omdat de trainingsdata de opvattingen, blinde vlekken en ongelijkheden weerspiegelt van de mensen die die tekst schreven.
Omdat het model te weinig data heeft gezien om eerlijk te kunnen zijn.

Bias in AI komt niet uit het niets: het model leert wat in de data zit. Als bepaalde groepen over- of ondervertegenwoordigd zijn, of als teksten systemtische vooroordelen bevatten, neemt het model die over. Meer data lost dit niet automatisch op — het vergroot soms het probleem.

Vraag 10 / 10

Welk type taak is principieel buiten het bereik van een huidig taalmodel, ongeacht hoe groot het is?

Een gedicht schrijven in de stijl van een 17e-eeuwse dichter.
Een redenering stap voor stap uitwerken in een wiskundig probleem.
Betrouwbaar redeneren over gebeurtenissen die ná zijn trainingsdata plaatsvonden zonder externe tools.
Een samenvatting maken van een lang juridisch document.

Een taalmodel heeft een kennisgrens op zijn trainingsdatum. Wat daarna is gebeurd, staat niet in zijn gewichten — het kan er niet over redeneren zonder externe informatie (zoals zoektools of RAG). Dit is geen bug maar een fundamentele eigenschap van hoe het model is gebouwd.