AI begrippen uitgelegd: LLM, RAG, AI agent en deep search in gewone taal
Inhoudsopgave
- Wat is AI en hoe verhoudt het zich tot Machine Learning en Deep Learning?
- Wat is een LLM?
- Open en gesloten LLM’s
- Wat is hallucineren?
- Wat is RAG?
- Deep search
- Wat is het verschil tussen chatbots, AI-assistenten en workflow automation?
- Wat is een AI agent en wat bedoelen we met autonomie?
- Voorbeelden uit het dagelijks leven.
Je gebruikt waarschijnlijk al een tool als ChatGPT, Gemini of Copilot. Handig voor een snelle samenvatting, een eerste opzet van een mail of een brainstorm. Maar zodra je iets verder kijkt, vliegen de termen je om de oren: LLM, RAG, agents, deep search, open source, hallucinaties. Je snapt dat het allemaal met AI te maken heeft, maar wat is nu precies wat, en hoe hangt het samen?
In deze blog leggen we de belangrijkste AI-begrippen uit in gewone taal, zodat je ze in het vervolg beter kunt plaatsen.
Wat is AI en hoe verhoudt het zich tot Machine Learning en Deep Learning?
AI
AI, voluit Artificial Intelligence, is de overkoepelende term voor software die niet alleen vaste regels volgt, maar patronen leert uit data en op basis daarvan ‘slimme dingen doet‘. AI is dus software die kan herkennen, voorspellen, adviseren en soms ook daadwerkelijk stappen uitvoert in een proces. In tegenstelling tot traditionele software is AI minder hard gecodeerd en meer lerend: het kan zich binnen afgesproken kaders aanpassen aan nieuwe input en situaties.
Machine Learning
Machine Learning is een belangrijk bouwblok binnen AI. Het is de verzamelnaam voor technieken waarmee een systeem leert van voorbeelden in plaats van uitgeschreven regels. Je vertelt het systeem niet exact wat het moet doen, maar je geeft het veel data, waaruit het model zelf patronen ontdekt en deze vervolgens gebruikt om nieuwe gevallen te verwerken. Daardoor kan het ook goed overweg met ongestructureerde data, zoals tekst, afbeeldingen en audio.
Deep Learning
Deep Learning is een speciaal soort Machine Learningen gebruikt neurale netwerken met meerdere lagen. Hierdoor is het in staat om erg complexe patronen te herkennen. Het is de basis van veel moderne AI-toepassingen waar je dagelijks mee te maken hebt, zoals automatische ondertiteling bij video’s, spraakherkenning op je telefoon, beeldherkenning in foto’s en ook de grote taalmodellen zoals GPT. Deep Learning is dus een vorm van Machine Learning en Machine Learning is weer een onderdeel van AI.
Wat is een LLM
(Large Language Model)?
Wat is een LLMEen LLM, een Large Language Model, is een specifiek type Deep Learning model dat gespecialiseerd is in taal. Het is een taalmotor die tekst kan lezen, begrijpen, samenvatten, vertalen, redeneren en nieuwe tekst kan genereren. Jij geeft een opdracht, een prompt, en het LLM produceert een antwoord.
Voorbeelden van LLM’s zijn GPT van OpenAI, Claude van Anthropic, Gemini van Google, Llama van Meta, Mistral van Mistral AI en Command van Cohere. Ze lijken op elkaar, maar zijn niet identiek. Ze verschillen in trainingsdata, schaal, architectuur, veiligheidslagen en de tools en integraties waarmee ze samen kunnen werken. Daardoor merk je in de praktijk verschillen in stijl, feitelijke kennis, redenatie en snelheid. Het ene model is beter in creatief schrijven, een ander blinkt uit in code en een derde is weer handig voor zakelijke samenvattingen.
Open en
gesloten LLM’s
Je komt vaak de tegenstelling tussen open en gesloten modellen tegen. Een open source LLM is een model waarvan de onderliggende technologie beschikbaar is. Modellen zoals Llama en Mistral kun je zelf draaien, bijvoorbeeld in je eigen omgeving. Dat geeft meer controle en de mogelijkheid om het model aan te passen of te combineren met je eigen systemen. Gesloten of proprietary LLM’s, zoals GPT, Claude en Gemini, draaien in de cloud van de leverancier. Dat maakt het gebruik laagdrempelig en de kwaliteit vaak hoog, maar je hebt minder zicht en controle op wat er precies in het model gebeurt
Wat is
hallucineren?
Rond LLM’s hoor je ook vaak het begrip hallucineren. Een LLM hallucineert wanneer het een antwoord geeft dat heel overtuigend klinkt, maar niet klopt.
Het verzint bijvoorbeeld een bron, een wet of een feit dat niet bestaat. Dat kan gebeuren als het model te weinig context heeft, als de vraag onduidelijk is, als de trainingsdata verouderd of incompleet is of simpelweg omdat het model altijd een antwoord wil geven.
LLM’s zijn probabilistische systemen: ze kiezen het meest waarschijnlijke volgende woord, niet per definitie de absolute waarheid. Recent onderzoek gaf ook aan dat LLM’s soms zelfs het antwoord dat plausibel is de voorkeur geven over ‘weet ik niet’. Daarom is “AI zegt het, dus het is waar” nooit een goede strategie. Je wilt nadenken over hoe je antwoorden controleerbaar maakt en waar je extra waarborgen inbouwt.
Wat is
RAG?
RAG, voluit Retrieval-Augmented Generation, is geen los product maar een architectuurpatroon om een LLM slimmer en betrouwbaarder te maken. RAG is een manier om eerst in jouw eigen informatie te zoeken en pas daarna een antwoord te laten formuleren door een LLM. In de praktijk betekent RAG daarom: eerst opzoeken, dan antwoorden.
In een RAG-opzet stel jij een vraag. Het systeem zoekt vervolgens in jouw bronnen naar relevante stukjes tekst, bijvoorbeeld in policies, handleidingen, kennisbanken, tickets of notulen. Die gevonden passages worden als extra context meegestuurd naar het LLM. Daarna genereert het LLM een antwoord, waarbij het die passages gebruikt als onderbouwing. Zo krijg je antwoorden die aansluiten op de meest recente versie van jouw beleid of documentatie, in plaats van alleen op wat het model ooit tijdens zijn training heeft gezien.
Deep
search
Deep search kan verbanden leggen, synoniemen herkennen en ook ongestructureerde bronnen zoals PDF’s, e-mails of notulen doorzoeken. Waar een klassieke zoekfunctie vaak alleen resultaten teruggeeft op basis van trefwoorden, probeert deep search te begrijpen wat je bedoelt en welke stukken informatie inhoudelijk relevant zijn.
In veel moderne oplossingen wordt deep search gebruikt als de laag die de juiste stukken informatie vindt, waarna RAG en het LLM die informatie gebruiken om een goed geformuleerd antwoord te geven. Deep search versterkt RAG, en RAG maakt het LLM praktischer en betrouwbaarder voor jouw organisatie.
Wat is het verschil tussen chatbots, AI-assistenten en workflow automation?
Alle begrippen tot nu toe gaan vooral over denken en antwoorden. In je dagelijkse werk wil je echter dat er ook echt iets gebeurt. Daar komen chatbots, AI-assistenten en verschillende vormen van automation in beeld, die zullen hieronder worden toegelicht.
Een chatbot
is in essentie de gesprekslaag. Een chatbot is een systeem waarmee je in natuurlijke taal een vraag kunt stellen en een antwoord terugkrijgt, meestal binnen één site of applicatie. Traditioneel waren chatbots vaak ‘regelgebaseerd’ en vooral geschikt voor eenvoudige FAQ’s of triage. Tegenwoordig worden ze vaak aangestuurd door een LLM, waardoor het gesprek natuurlijker en flexibeler wordt. Toch blijft een chatbot in de kern gericht op het geven van antwoorden binnen een beperkt domein.
Een AI-assistent
gaat verder dan dat. Een AI-assistent is een chatbot die niet alleen met je praat, maar ook met je tools werkt. De assistent kan bijvoorbeeld een document lezen, de kernpunten samenvatten, een eerste opzet van een e-mail maken, een ticket aanmaken in JIRA, een afspraak in je agenda plannen of iets opzoeken in je CRM. De AI-assistent is daarmee zowel gesprekspartner als digitale collega die met je mee klikt in je applicatielandschap.
Los van AI bestaat al veel langer het domein workflow automation. Workflow automation is het automatiseren van vaste stappen tussen systemen. Denk aan een digitaal formulier dat wordt ingevuld, waarna automatisch een ticket wordt gemaakt, een taak wordt aangemaakt en een bevestigingsmail wordt verstuurd. Dit soort automatisering bestond al lang voordat AI populair werd en is vooral regel-gebaseerd: als dit gebeurt, doe dan dat.
AI Automation
Wanneer je AI in die keten gaat gebruiken om beslissingen te nemen of tekst te interpreteren, spreken we vaak over AI Automation. AI Automation is workflow automation waarin één of meerdere stappen door AI worden gedaan. Een denkbeeldig voorbeeld: AI leest een PDF-offerte, haalt de relevante gegevens uit de tekst, vult die velden in in een CRM-systeem en maakt alvast een conceptmail naar de klant. Een medewerker controleert het resultaat en verstuurt de mail. AI Automation combineert dus workflow automation met AI-stappen, vaak een LLM en eventueel RAG voor actuele context.
Wat is een AI agent en
wat bedoelen we met autonomie?
AI agent
Een AI agent is software die niet alleen losse vragen beantwoordt, maar ook een doel krijgt. Denk aan een opdracht als: onboard deze nieuwe medewerker, los dit issue op of maak een conceptrapportage op basis van deze data.
Een AI agent krijgt zo’n doel en maakt op basis daarvan zelf een plan. De agent bepaalt welke stappen nodig zijn, welke tools gebruikt moeten worden, welke data of documenten moeten worden geraadpleegd en in welke volgorde dat gebeurt. De agent kan gebruikmaken van RAG en deep search om informatie op te halen, van API’s om acties in systemen uit te voeren en van een LLM om beslissingen toe te lichten, samenvattingen te maken of met de gebruiker te communiceren.
Onder de motorkap bouwt een AI agent voort op alles wat eerder voorbijkwam. Het LLM levert het denk- en gespreksvermogen. RAG en deep search zorgen voor kennis uit jouw omgeving. Workflow automation en integraties maken het mogelijk om daadwerkelijk stappen in systemen te zetten. Guardrails bewaken tenslotte wat wel en niet mag. Guardrails zijn de regels, limieten en logging die bepalen binnen welke grenzen de agent mag bewegen.
Autonomie
Dat brengt ons bij autonomie. De agent mag dan zelf bepaalde acties uitvoeren, zolang hij binnen afgesproken limieten blijft, bijvoorbeeld qua kosten, tijd, datatoegang of risico. Als er iets buiten die kaders valt, moet de agent een mens om hulp vragen. Helemaal aan de ambitieuze kant van de schaal ligt een mission mode, waarin een agent langere, complexere taken uitvoert met meerdere beslismomenten en variabele paden. Zelfs daar zie je in de praktijk nog steeds monitoring en menselijke interventie op belangrijke checkpoints.
Volledig autonoom, zonder ‘human in the loop’, is op dit moment nauwelijks wenselijk in organisaties. Zeker in kritieke processen, bij juridische of financiële beslissingen of bij impact op medewerkers en klanten, wil je vrijwel altijd dat er ergens een mens meekijkt en eindverantwoordelijk blijft.
Hoe ziet al het bovenstaande er concreet uit?
Voorbeelden uit het dagelijks leven.
Stel dat een medewerker vraagt wat het verlofbeleid is. Een eenvoudige chatbot kan dan een antwoord geven op basis van de HR-FAQ op intranet. Dat is vooral praten. Vraag je aan een AI-assistent om van een chatgesprek een samenvatting en een JIRA-ticket te maken, dan lees je al dat er meer gebeurt. De assistent leest het gesprek, vat de kernpunten samen en maakt er direct een ticket van in je systeem. Dat is praten én handelen in je tools.
Een klassiek voorbeeld van workflow automation is een digitaal formulier voor incidentenregistratie. Iemand vult het formulier in, het systeem maakt automatisch een ticket aan, koppelt het aan de juiste afdeling en stuurt een bevestiging naar de indiener. Daar komt nog geen AI aan te pas. Voeg je AI toe, dan kan het systeem bijvoorbeeld een binnenkomende offerte in PDF lezen, de relevante gegevens uit de tekst halen, die direct invullen in het CRM en alvast een conceptmail schrijven naar de klant. De medewerker controleert de gegevens en de toon van de mail en verstuurt vervolgens zelf. Dat is AI Automation: een geautomatiseerde keten met AI als slimme tussenstap.
RAG speelt bijvoorbeeld een rol wanneer een HR-assistent vragen krijgt over nieuw beleid. Een medewerker stelt een vraag, de AI zoekt in de meest recente versie van het HR-handboek en citeert de relevante passages in het antwoord. Zo weet je waar de informatie vandaan komt en kun je er makkelijker op vertrouwen, omdat het direct terug te voeren is op jouw eigen documenten.
Een AI agent tenslotte kan een volledige onboarding van een nieuwe collega voorbereiden. De agent haalt de benodigde gegevens op uit het HR-systeem, maakt accounts aan via API’s, plant een intake bij de leidinggevende, stuurt een welkomstmail, reserveert een werkplek en vraagt om bevestiging bij dingen die niet standaard zijn. Jij hoeft dan niet elke losse stap meer uit te voeren, maar blijft wel in control op de momenten die er echt toe doen.