• Activatie-functies in LLM's: SwiGLU vs GELU vs ReLUWaarom gebruiken moderne LLM's SwiGLU en GELU in plaats van ReLU? Ontdek de wiskunde, gating-mechanismen en impact op rekenkracht en geheugen.
• AI-agent engineer worden in 2026: van prompt naar productieDe vraag naar AI-agent engineers groeide in een jaar met 280%. Leer wat het beroep inhoudt, welke vaardigheden nodig zijn en hoe je agents in productie brengt
• AI- en LLM-begrippen van A tot ZOntdek de belangrijkste AI- en LLM-termen in deze complete begrippenlijst voor beginners. Van RAG en tokens tot fine-tuning, simpel en helder uitgelegd.
• Alignment uitgelegd: hoe AI-modellen worden afgestemdHoe worden ruwe LLM's veilig en behulpzaam gemaakt? Lees alles over alignment, RLHF, DPO, constitutionele AI en de balans tussen hulp en veiligheid.
• Het Attention-mechanisme in AI Begrijpelijk UitgelegdLeer hoe het attention-mechanisme in LLM's werkt. Een heldere uitleg over context, query/key/value, self-attention en kwadratische schaling zonder zware…
• Catastrofaal vergeten bij het finetunen van LLM'sBegrijp catastrofaal vergeten bij het bijtrainen van taalmodellen. Ontdek hoe het ontstaat, de signalen en praktische methoden om verlies te voorkomen.
• Chain-of-thought: Een model laten redeneren in stappenOntdek hoe je de betrouwbaarheid van AI-modellen vergroot met Chain-of-Thought (CoT) prompting. Leer de theorie, valkuilen en oefen met praktijkvoorbeelden.
• Chunking-strategieën voor RAG: documenten opknippenLeer hoe je documenten effectief opknipt voor RAG. Vergelijk vaste vensters, recursieve splitters, semantische chunking en hiërarchische documentstructuren.
• Constitutional AI en RLAIF: trainen met AI-feedbackLeer hoe Constitutional AI en RLAIF taalmodellen trainen met geautomatiseerde AI-feedback en principes in plaats van handmatige menselijke annotaties.
• Context-engineering uitgelegd: Waarom de prompt niet genoegOntdek wat context-engineering is, hoe je dynamische context (RAG, geheugen, tools) samenstelt en waarom een groter context window niet altijd beter is.
• De token-economie: wat je betaalt per token en waaromOntdek hoe de token-economie van LLM's werkt, waarom invoer en uitvoer verschillend prijzen en hoe je grip krijgt op je API-kosten.
• Modeldistillatie uitgelegd: Hoe kleine AI-modellen leren vanOntdek hoe modeldistillatie werkt: de techniek waarmee kleine AI-modellen de kennis van grote modellen overnemen voor snellere en goedkopere prestaties.
• DPO versus RLHF: twee routes naar voorkeur | llmnet.nlEen inhoudelijke vergelijking tussen RLHF en DPO voor het afstemmen van taalmodellen op menselijke voorkeuren, hun werking en praktische afwegingen.
• Leerpad voor AI-agents: van prompt naar systeemOntdek het complete leerpad voor AI-agents: van losse prompts naar deterministische systemen met state-machines, tool-calling en robuuste validatie.
• Embeddings uitgelegd: hoe machines betekenis begrijpenOntdek hoe AI tekst begrijpt via embeddings en vectorruimtes. Leer de basis van similarity, semantisch zoeken en clustering in deze compacte module.
• Evals voor agents: waarom AI-agents falen zonder testenOntdek hoe je AI-agents systematisch test met agent-evals. Voorkom oneindige lussen, foutieve API-calls en onvoorspelbaar gedrag in productie.
• Fine-tuning versus prompting: wanneer ga je trainen?Ontdek wanneer je kiest voor prompt engineering en wanneer fine-tuning noodzakelijk is. Analyseer kosten, datavereisten, latency en modelgedrag in productie.
• Fine-tuning vs prompting vs RAG: wanneer kies je wat?Ontdek wanneer je kiest voor prompting, RAG of fine-tuning. Vergelijk concepten, kosten, complexiteit en gebruik de beslisboom voor jouw AI-toepassing.
• FlashAttention ontleed: snellere GPU-berekeningOntdek hoe FlashAttention de kwadratische geheugenflessenhals van transformers oplost via GPU-geheugenhiërarchie, tiling en online softmax.
• Geheugen en context: het verschil in taalmodellenOntdek het wezenlijke verschil tussen geheugen en context bij taalmodellen. Leer hoe toepassingen gesprekken samenhangend houden en wat er misgaat.
• Geheugen in LLM-apps: wat onthoudt het model?Ontdek hoe geheugen in LLM-apps werkt. Leer het verschil tussen stateless inference en externe geheugenlagen zoals vector stores en semantische buffers.
• Geheugen in LLM-toepassingen: Hoe AI leert onthouden enOntdek hoe geheugen werkt in LLM-toepassingen. Leer het verschil tussen contextvensters, gespreksgeschiedenis, samenvattingen en hoe je gecontroleerd vergeet.
• Grouped-query attention en geheugengebruik uitgelegdEen gedetailleerde analyse van grouped-query attention (GQA). Leer hoe deze techniek het geheugengebruik van KV-caching reduceert en LLM's versnelt.
• Guardrails bij AI uitgelegd: De veiligheidsfilters vanOntdek hoe AI-guardrails werken, het verschil tussen training-alignment en runtime-filters, en waarom taalmodellen soms weigeren antwoord te geven.
• Waarom verzint AI soms dingen? Hallucinaties begrijpen enOntdek waarom taalmodellen hallucineren, hoe je onjuiste AI-antwoorden herkent en welke technieken (zoals RAG) je kunt gebruiken om dit te voorkomen.
• Hoe beoordeel je of een model goed antwoordt: evalsOntdek hoe je de kwaliteit van LLM-antwoorden meet met geautomatiseerde evaluaties, testsets, deterministische checks en LLM-as-a-judge methodes.
• Hoe een LLM werkt: de 10-minuten-basiscursusOntdek in 10 minuten hoe een Large Language Model werkt. Van tokenisatie tot gewichten en waarschijnlijkheden: de complete basis helder uitgelegd.
• Hoe leert een AI? Training uitgelegd voor beginnersOntdek intuïtief hoe kunstmatige intelligentie leert. Leer over datakwaliteit, patronen herkennen en het verschil tussen trainen, finetune en gebruiken.
• AI-antwoorden evalueren: testsets en LLM-as-judgeOntdek hoe je de kwaliteit van AI-antwoorden meet met representatieve testsets, geautomatiseerde metrieken en LLM-as-judge beoordelingen.
• In-context learning: leren zonder gewichtsupdatesHoe leert een LLM puur op basis van voorbeelden in de prompt? Ontdek de mechanismen van in-context learning, inductiekoppen en de grenzen.
• AI Inference Uitgelegd: Wat Gebeurt Er Onder De Motorkap?Ontdek wat AI inference is. Leer stap voor stap hoe een taalmodel jouw prompt verwerkt, via tokens en de forward pass, tot het genereren van een antwoord.
• RAG uitgelegd: hoe maak je je eigen documenten doorzoekbaar met AIRetrieval-Augmented Generation (RAG) laat een AI in je eigen documenten zoeken voordat het antwoordt. Hoe het stap voor stap werkt, met een praktijkoefening om je eigen pijplijn te ontwerpen.
• De opbouw van KV-caching in transformer-architecturenLeer hoe KV-caching werkt in transformer-architecturen, hoe de cache in het VRAM-geheugen wordt opgebouwd en hoe GQA en MQA het geheugengebruik verminderen.
• Kwantisatie uitgelegd: INT4, FP8 en modelcompressieOntdek hoe kwantisatie werkt bij LLM's. Leer het verschil tussen INT4, FP8, PTQ en QAT om geheugengebruik en rekentijd effectief te optimaliseren.
• Begin met LLM's: van nul naar je eerste toepassingOntdek in dit praktische leerpad hoe Large Language Models (LLM's) werken. Leer effectief prompten, de API-basis en belangrijke privacyrichtlijnen.
• LoRA en Adapters Uitgelegd: Goedkoop Finetunen | llmnet.nlOntdek hoe LoRA en adapters het finetunen van LLM's betaalbaar en toegankelijk maken. Leer de techniek, voordelen en implementatie voor efficiënte AI.
• Machine unlearning: data wissen uit netwerkgewichtenHoe wis je data uit een getraind neuraal netwerk zonder volledige hertraining? Ontdek technieken, wiskunde en verificatiemethoden voor machine unlearning.
• Mechanistische interpreteerbaarheid uitgelegd - llmnet.nlEen grondige uitleg van mechanistische interpreteerbaarheid in AI. Ontdek hoe circuits, superpositie en de residuele stroom werken.
• Mixture-of-Experts (MoE) uitgelegdOntdek hoe Mixture-of-Experts (MoE) moderne AI-modellen sneller en slimmer maakt door niet alle parameters tegelijk te gebruiken. Lees hoe het werkt.
• Model-specifiek prompten: Claude, Gemini & ChatGPTOntdek waarom Claude, Gemini en ChatGPT elk een unieke aanpak vereisen. Optimaliseer je prompts voor systeemkaarten, contextfenomenen en architectuur.
• Multimodale input: tekst, beeld en audio in één modelOntdek hoe multimodale LLM's tekst, beeld en audio verwerken in één transformer. Van patch-projectie tot cross-modale representaties en rekenkosten.
• Multimodale tokenisatie van beelden en audio uitgelegdHoe zetten multimodale AI-modellen beelden en audio om in tokens? Ontdek de mechanismen van patch-embedding, audiocodecs en contextruimte.
• Parameters en gewichten: wat zit er in een AI-model? | LerenOntdek wat parameters en gewichten in een AI-model zijn, waarom de omvang ertoe doet, en het verschil tussen training en inferentie met een duidelijke…
• Positional Encoding Uitgelegd: Volgorde in TransformersHoe begrijpen transformer-modellen woordvolgorde? Ontdek de werking van sinusoidale, geleerde en roterende positional encodings zoals RoPE.
• Prompt injection en jailbreaks: waarom instructies en data door elkaar lopenPrompt injection en jailbreaks uitgelegd: waarom een LLM instructies en data niet kan scheiden, hoe RAG het risico vergroot en wat je ertegen doet.
• Prompten voor niet-technische gebruikersOntdek hoe je als niet-technische gebruiker slimme AI-prompts schrijft. Leer helder vragen stellen, context geven en itereren voor direct resultaat zonder…
• Promptgids per model: Claude, Gemini en ChatGPTOntdek hoe je Anthropic Claude, Google Gemini en OpenAI ChatGPT verschillend aanstuurt met specifieke prompttechnieken voor elk AI-model.
• RAG uitgelegd voor beginners: je eigen documentenLeer de basis van Retrieval-Augmented Generation (RAG). Ontdek hoe embeddings en vector-databases werken en maak je eigen data doorzoekbaar met AI.
• Re-ranking uitgelegd: cross-encoders vs vector-similarityOntdek hoe re-ranking met cross-encoders zoektaken in RAG verbetert ten opzichte van bi-encoders en cosinussimilariteit op latency en precisie.
• ReAct-patronen ontleed: redeneren en actieOntleed het ReAct-patroon voor LLM-agents: ontdek hoe Thought, Action en Observation samenkomen om redeneren en externe tools te combineren.
• Redeneermodellen: wat er verandert als denken een aparte stap wordtRedeneermodellen uitgelegd: wat er verandert als denken een aparte stap wordt, hoe test-time compute werkt en wanneer je een redeneermodel inzet.
• Reinforcement learning - de basis uitgelegdOntdek hoe reinforcement learning (versterkend leren) werkt via beloning en straf. Bekijk de kernbegrippen, voorbeelden en praktijktoepassingen.
• Wat is RLHF? Reinforcement Learning from Human Feedback enOntdek hoe AI-modellen worden afgestemd met RLHF en DPO. Leer hoe menselijke feedback zorgt voor veilige, behulpzame en genuanceerde antwoorden van LLM's.
• Rotary Position Embedding en de verwerking van lange tekstenRotary Position Embedding (RoPE) codeert tokenposities als relatieve hoeken. Lees hoe het werkt en waarom lange teksten er baat bij hebben.
• Temperature, top-p en andere sampling-parameters uitgelegdOntdek hoe temperature, top-p en penalty's de output van LLM's beïnvloeden. Leer wanneer je kiest voor creativiteit of betrouwbaarheid met praktische…
• Scaling laws: rekenkracht en datagrootteHoe voorspellen scaling laws de prestaties van taalmodellen? Leer alles over rekenkracht, datagrootte, Chinchilla-verhoudingen en data walls.
• Self-attention wiskundig ontleed: dot-product tot softmaxEen wiskundige dissectie van scaled dot-product attention in transformers: van query-, key- en value-projecties tot softmax en matrixvermenigvuldiging.
• Speculatieve decoding in LLM's uitgelegd | llmnet.nlLees hoe speculatieve decoding de generatiesnelheid van taalmodellen verhoogt zonder kwaliteitsverlies door parallelle tokenverificatie.
• Synthetische data: hoe modellen leren van AI-dataOntdek hoe AI-modellen trainen op synthetische data, wat de risico's van model collapse zijn en hoe geautomatiseerde validatie kwaliteit waarborgt.
• Systeemprompts ontleed: instructies en prioriteitHoe krijgen systeemprompts prioriteit in LLM's? Lees over chat templates, role tags, attention-mechanismen en grenzen aan modelsturing.
• Temperature en Top-p Praktisch UitgelegdOntdek hoe temperature en top-p werken bij LLM's. Praktische voorbeelden, wiskundige uitleg en aanbevolen instellingen voor elke AI-toepassing.
• Tokenisatie uitgelegd: hoe een LLM tekst in stukjes haktOntdek wat tokenisatie is, hoe large language models tekst verwerken en waarom dit cruciaal is voor API-kosten en de context window van je AI-applicatie.
• Tool calling en gestructureerde uitvoer uitgelegdOntdek hoe een LLM functies aanroept en gestructureerde JSON genereert. Uitgebreide gids over JSON Schema, grammaticarestricties en tool calling.
• Interactieve KV-Cache Geheugen-CalculatorBereken exact hoeveel VRAM de Key-Value cache van je LLM gebruikt op basis van contextlengte, lagen, hidden size, GQA en precisie.
• Visuele tokenizer-simulator - hoe LLM-tekstverwerking werktOntdek hoe een groot taalmodel tekst opbreekt in kleinere stukjes of tokens met deze interactieve en visuele simulator voor Nederlandse en Engelse teksten.
• Trainingsdata en Bias bij TaalmodellenOntdek hoe bias in AI ontstaat door trainingsdata, de impact van Engels op Nederlandse output, en praktische methoden om vooroordelen te mitigeren.
• Tree-of-Thoughts en Graph-Reasoning UitgelegdOntdek hoe Tree-of-Thoughts en Graph-of-Thoughts zoekbomen, branching en backtracking toevoegen aan taalmodellen voor complexe planning en redenering.
• Van tekst naar getallen: vector-embeddings in de praktijk | LLMNet LerenOntdek hoe vector-embeddings tekst omzetten in getallen voor AI. Praktische uitleg over dimensies, cosinussimilariteit en RAG-toepassingen in zoeksystemen.
• Vector-indexering met HNSW en IVF uitgelegd | llmnetEen grondige uitleg van vector-indexering met HNSW en IVF. Ontdek hoe benaderend zoeken, recall, instellingen en compressie de zoekprestaties beïnvloeden.
• Voorwaartse vs achterwaartse pass: backpropagationOntdek het wiskundige verschil tussen de voorwaartse en achterwaartse pass bij transformers, inclusief geheugengebruik en gradient computation.
• Wat is het verschil tussen een agent en een chatbot? | leren.llmnet.nlOntdek het verschil tussen een AI-chatbot en een AI-agent. Lees hoe het lus-principe, gereedschapsgebruik en autonome stappen werken zonder ingewikkeld jargon.
• Wat is een transformer? Het brein achter moderne AIOntdek hoe het transformer-model werkt achter moderne AI. Leer over het aandacht-mechanisme, simpele analogieën en test je kennis met een praktische oefening.
• Wat kost een token? Contextlengte, invoer en uitvoerReken uit wat een token kost: invoer versus uitvoer, contextlengte en wanneer caching de rekening verlaagt. Met rekenvoorbeelden en beslisregels.