LLM’s: basiskennis en waakzaamheid

Hoe onderscheidt u een plausibel antwoord van een geverifieerd antwoord wanneer u een LLM bevraagt?

1250 € per sessie, excl. btw

Samengevat

Deze halve dag van 3 uur biedt de essentiële basis om grote taalmodellen te ontdekken. Aan de hand van een fictief dossier experimenteren de deelnemers met tekstgeneratie, observeren ze de beperkingen ervan en stellen ze een controlefiche op om een antwoord te beoordelen voordat ze het hergebruiken.

Waarom deze opleiding?

Een LLM genereert tekst op basis van aangeleerde patronen; een vlot geformuleerd antwoord bewijst niet dat het correct is. Inzicht in dit onderscheid helpt om verzonnen beweringen, kort-door-de-bochtredeneringen en verwijzingen te herkennen die geloofwaardig lijken maar niet verifieerbaar zijn. In een IT- en productcontext kan een foutieve samenvatting een hypothese omvormen tot een technische eigenschap. Deze introductie leert de deelnemers om gegenereerde resultaten te toetsen aan het beschikbare dossier, ontbrekende informatie te signaleren en menselijke validatie te behouden. Doorlopende casus: De fictieve organisatie « Veldorne Instruments » bereidt een interne nota voor over een nieuwe sensor. Het dossier bevat een technische fiche, een testverslag en een vraag over compatibiliteit waarvoor geen gedocumenteerd antwoord bestaat. De deelnemers onderzoeken een gegenereerde samenvatting en bepalen wat behouden, gecorrigeerd of voorlopig opengelaten kan worden. Toepassing op het werk: Gebruik na de sessie de controlefiche opnieuw voor een toegestaan geanonimiseerd document. Vergelijk elke gegenereerde bewering met de bron en noteer de nodige correcties voordat u het document verspreidt.

De doelstellingen van deze opleiding

  • De begrippen token, training en context eenvoudig uitleggen.
  • Onderscheid maken tussen tekstgeneratie, documentonderzoek en feitencontrole.
  • Een niet-onderbouwde bewering in een gegenereerde samenvatting herkennen.
  • Een verzoek formuleren dat de taak, bronnen en ontbrekende informatie specificeert.
  • Een antwoord beoordelen aan de hand van een expliciet controleschema.

Voor wie en met welke voorkennis?

Betrokken rollen en taken

  • IT- en productmedewerkers die kennismaken met conversationele assistenten.
  • Projectleiders en medewerkers in ondersteunende functies die gegenereerde teksten willen beoordelen.

Vereiste voorkennis

  • Geen voorkennis van AI vereist.
  • Een digitaal document kunnen raadplegen en tekst kunnen invoeren in een interface.

Waaraan u werkt

  1. Van tekst naar voorspellingen

    Doel: De werking van een LLM beschrijven zonder overmatig technisch jargon. Tokens, training, stapsgewijze generatie en contextvenster. Verschil tussen aangeleerde kennis en documenten die in een gesprek worden aangeleverd.

  2. De beperkingen observeren

    Doel: Vaststellen waarom een overtuigend antwoord onjuist kan zijn. Hallucinaties, vertekeningen, mogelijk verouderde kennis, dubbelzinnigheden en variabiliteit. De toegang tot externe bronnen hangt af van de gebruikte omgeving.

  3. Verzoeken formuleren binnen een kader

    Doel: Het effect van een nauwkeurige instructie op een samenvatting observeren. Taak, afbakening van de te gebruiken documenten, verwacht formaat en omgang met onbekende gegevens. Een betere instructie vervangt de verificatie niet.

  4. Verifiëren vóór hergebruik

    Doel: De feitelijke kwaliteit van een antwoord meten en beslissen over het gebruik ervan. Traceerbaarheid van beweringen, dekking van de verwachte elementen, vertrouwelijkheid en menselijke validatie. Beperkingen van een controle op basis van een klein dossier.

Wat u meeneemt

  • Geannoteerd schema van de vereenvoudigde werking van een LLM.
  • Geteste instructie om een technisch dossier samen te vatten.
  • Tabel met beweringen, bronnen en correcties.
  • Praktische controlefiche voor verificatie vóór hergebruik.

Methode en evaluatie

  • Korte theoretische toelichtingen, onmiddellijk gevolgd door oefeningen op de doorlopende casus.
  • Individueel werk, gevolgd door werk in duo’s, waarbij de deelnemers elkaars resultaten nalezen.
  • Begeleide gezamenlijke bespreking: wat werkt, wat gecorrigeerd moet worden en wat een menselijke beslissing blijft.
  • Voorbereiding: Voorzie toegang tot een door de organisatie toegestane generatieve AI-assistent; gebruik bij gebrek daaraan de vooraf opgestelde resultaten voor de oefening. Raadpleeg de interne vertrouwelijkheidsregels; de oefeningen gebruiken uitsluitend fictieve of geanonimiseerde gegevens.

Observeerbare criteria: De uitleg maakt onderscheid tussen de training van het model en het gebruik van de context. ; De instructie vraagt expliciet om ontbrekende informatie te signaleren. ; Elke onderzochte bewering wordt ingedeeld als onderbouwd, tegengesproken of niet gedocumenteerd. ; Het aandeel onderbouwde beweringen wordt berekend op basis van de onderzochte beweringen. ; De definitieve fiche vermeldt de correcties en de punten die menselijke validatie vereisen..

Veelgestelde vragen

Moet u kunnen programmeren?

Nee. De oefeningen werken met instructies en korte documenten.

Raadpleegt het model systematisch het internet?

Nee. U moet de mogelijkheden en toegangsrechten van de toegestane omgeving controleren.

Mag u interne documenten gebruiken?

De sessie blijft beperkt tot fictieve of geanonimiseerde casussen, binnen de toegestane tools.

Is een antwoord met bronnen betrouwbaar?

Elke verwijzing moet worden geraadpleegd: het bestaan ervan bewijst niet dat ze de bewering ondersteunt.

Laatst bijgewerkt: