AI-woordenlijst: 40 begrippen helder uitgelegd (2026)

Deze AI-woordenlijst geeft de kernbetekenis van 40 veelgebruikte begrippen en maakt belangrijke verschillen zichtbaar. Definities kunnen per technisch, juridisch of productdocument anders worden afgebakend, dus controleer bij een belangrijke keuze altijd de oorspronkelijke bron en concrete werking.

De 40 AI-begrippen

A

1. Agent Software die voor een doel een reeks stappen kan plannen en uitvoeren, vaak met externe tools. Agent zegt niets over onbeperkte autonomie: rechten, goedkeuringsmomenten en stopregels horen bij het systeemontwerp.

2. AGI, Artificial General Intelligence Een term voor veronderstelde AI met brede, algemene vermogens over veel taken. Er is geen universeel geaccepteerde operationele grens waarmee je een huidig product simpelweg als AGI kunt vaststellen.

3. AI, artificial intelligence Kunstmatige intelligentie, de brede verzamelnaam voor machinegebaseerde systemen die uit invoer afleiden hoe zij uitvoer maken voor expliciete of impliciete doelen. Lees de uitgebreide uitleg bij wat is AI.

4. AI-systeem Een machinegebaseerd systeem dat voor expliciete of impliciete doelen uit ontvangen invoer afleidt hoe het uitvoer maakt, zoals voorspellingen, inhoud, aanbevelingen of beslissingen. De EU AI Act geeft de juridische definitie binnen die verordening; data, productsoftware, tools en menselijke processen vormen daarnaast de bredere inzetcontext die je ook moet beoordelen.

5. Algoritme Een vastgelegde procedure voor het uitvoeren van een berekening of taak. Een trainingsalgoritme kan modelparameters aanpassen, terwijl een ander algoritme bijvoorbeeld data sorteert zonder machine learning.

6. Annotatie Het toevoegen van labels of andere kenmerken aan data, bijvoorbeeld objecten markeren in een afbeelding of een bericht als categorie indelen. Annotatiekwaliteit beïnvloedt wat een supervised model kan leren.

B

7. Bias Een term met meerdere betekenissen. In modellen kan bias een technische parameter of systematische fout zijn; in verantwoord AI-gebruik gaat het vaak om patronen die groepen onterecht benadelen. Benoem daarom welke bias, meetmethode en gevolg je bedoelt.

C

8. Chatbot Een productinterface waarmee een gebruiker via berichten communiceert. Een moderne chatbot kan een of meer taalmodellen, zoeken, geheugen, bestanden en externe tools combineren.

9. Computer vision Het vakgebied waarin systemen informatie uit afbeeldingen of video verwerken, bijvoorbeeld voor classificatie, detectie, segmentatie of tekstherkenning.

10. Context window, contextvenster De hoeveelheid actieve invoer en uitvoer die een taalmodel in een verwerking kan meenemen, uitgedrukt in tokens. Het is een werkruimte, niet hetzelfde als de trainingsdata of automatisch permanent geheugen.

D

11. Dataset Een verzameling voorbeelden die wordt gebruikt voor training, validatie, testen of monitoring. Herkomst, representatie, labels, tijdsperiode en gebruiksrechten zijn belangrijker dan alleen omvang.

12. Deep learning Machine learning met neurale netwerken met meerdere lagen. Deep verwijst naar de gelaagde architectuur, niet naar bewustzijn of gegarandeerd diep begrip.

13. Diffusiemodel Een generatief model dat leert een stapsgewijs ruisproces om te keren. Diffusiemodellen worden onder meer gebruikt voor beeldgeneratie, maar de term beschrijft de modelmethode en niet automatisch een specifiek product.

E

14. Embedding Een numerieke vectorrepresentatie van bijvoorbeeld tekst, beeld of een item, gemaakt zodat relevante relaties in een vectorruimte kunnen worden vergeleken. Nabijheid is model- en taakafhankelijk, geen universele betekenisafstand.

15. Evaluatie, eval Een test om model- of systeemgedrag tegen criteria te meten. Goede evals gebruiken representatieve voorbeelden, bekende referenties en relevante foutcategorieën, en testen zo nodig ook tools en menselijke overdracht.

F

16. Feature, kenmerk Een invoervariabele die een model gebruikt, zoals meetwaarde, categorie of afgeleide eigenschap. Een feature kan ongeschikt zijn wanneer die toekomstige informatie lekt of als ongewenste proxy werkt.

17. Fine-tuning Een aanvullende trainingsfase waarin parameters van een vooraf getraind model met taakgerichte voorbeelden worden aangepast. Fine-tuning verschilt van prompting en RAG, die bij gebruik context toevoegen zonder daardoor direct alle modelparameters te wijzigen.

18. Foundation model Een breed vooraf getraind model dat als basis kan dienen voor meerdere toepassingen. Het product rond zo'n model voegt doorgaans instructies, beveiliging, tools en een interface toe.

G

19. Generatieve AI AI die nieuwe uitvoer maakt, zoals tekst, beeld, audio, video of code, op basis van geleerde patronen en invoer. Genereren is niet hetzelfde als een feit uit een gecontroleerde database ophalen.

20. Grounding Het baseren van modeluitvoer op aangeleverde of opgehaalde bronnen. Grounding kan controle makkelijker maken, maar een verkeerde bron of onjuiste synthese blijft mogelijk.

H

21. Hallucinatie of confabulatie Zelfverzekerd gepresenteerde uitvoer die feitelijk onjuist is. Een niet-bestaande bron is daar een voorbeeld van; een mogelijk juiste claim die niet door de opgegeven bron wordt gedragen is eerst een aparte bronafwijking of citatiefout. De gids AI-hallucinaties herkennen gebruikt zulke precieze foutlabels en een onafhankelijke controle.

I

22. Inference Het gebruiken van een getraind model om voor nieuwe invoer een voorspelling of gegenereerde uitvoer te maken. Inference verandert de parameters van veel modellen niet automatisch.

L

23. Label Het gewenste doel dat bij een supervised trainingsvoorbeeld hoort, zoals een categorie of numerieke uitkomst. Een label kan door mensen, metingen of een ander proces zijn gemaakt en dus ook fouten bevatten.

24. LLM, Large Language Model Een groot taalmodel dat tokens of tokenreeksen verwerkt en voorspelt met geleerde taalpatronen. Een generatief decoder-LLM maakt nieuwe tekst met vervolgtokenvoorspelling. Lees wat LLM's zijn voor training, Transformers, context en tools.

25. Latency De tijd tussen een aanvraag en een bruikbaar resultaat. Invoer- en uitvoerlengte, model, infrastructuur, tools en netwerk kunnen de latency beïnvloeden.

M

26. Machine learning Een aanpak waarbij software, een model, met data wordt getraind om voorspellingen te doen of inhoud te genereren. Wat is machine learning legt training, inference en evaluatie uit.

27. Model De geleerde wiskundige relatie die invoer omzet in een voorspelling of andere uitvoer. Een model is één onderdeel van het volledige AI-systeem.

28. Multimodaal Geschikt om meer dan één soort invoer of uitvoer te verwerken, bijvoorbeeld tekst met beeld of audio. Controleer per product en model welke combinaties werkelijk beschikbaar zijn.

N

29. Neuraal netwerk Een model met verbonden lagen van berekende eenheden en leerbare parameters. De inspiratie uit biologische neuronen betekent niet dat het netwerk een menselijk brein nabootst of bewust is.

O

30. Overfitting Een situatie waarin een model de trainingsvoorbeelden en hun ruis te specifiek volgt en daardoor minder goed generaliseert naar nieuwe data. Een aparte testset en relevante praktijkmonitoring helpen dit zichtbaar maken.

P

31. Parameter Een interne numerieke waarde die tijdens training wordt geleerd. Meer parameters alleen bewijzen niet dat een model voor iedere taak beter, veiliger of geschikter is.

32. Prompt De actuele invoer of instructie die je aan een generatief model geeft. Een prompt kan doel, bron, voorbeelden, formaat en grenzen bevatten, maar is geen garantie voor een juiste uitkomst.

R

33. RAG, retrieval-augmented generation Een patroon waarbij een systeem na de modeltraining relevante informatie ophaalt en die als context gebruikt voor generatie. RAG kan actualiteit en brontrouw verbeteren, maar bronselectie en synthese moeten nog worden gecontroleerd.

34. Reinforcement learning Een leervorm waarbij een agent acties in een omgeving kiest en een beleid leert op basis van een beloningssignaal. Een onvolledige beloning kan ander gedrag stimuleren dan de ontwerper bedoelde.

S

35. Supervised learning Machine learning met voorbeelden die invoerkenmerken en een gewenst label of doel bevatten. Het model leert een relatie die daarna op niet-gebruikte data moet worden getest.

36. Synthetische data Kunstmatig gemaakte data die echte data kan aanvullen of een testscenario kan nabootsen. Synthetisch betekent niet automatisch anoniem, representatief, foutloos of vrij van gebruiksbeperkingen.

T

37. Token Een basiseenheid die een model verwerkt, bijvoorbeeld een woord, woorddeel, teken of multimodale invoereenheid. Een token is dus niet altijd gelijk aan één woord.

38. Transformer Een neurale netwerkarchitectuur die attention gebruikt om relaties tussen tokens in context te wegen. De Google-uitleg over Transformers onderscheidt encoder-, decoder- en gecombineerde varianten.

U

39. Unsupervised learning Machine learning waarbij een methode zonder vooraf gegeven doellabel structuur in data zoekt, bijvoorbeeld clusters of representaties. De gevonden structuur heeft niet automatisch een bruikbare menselijke betekenis.

V

40. Vector database Een gegevensopslag die is ingericht voor het bewaren en doorzoeken van vectorrepresentaties, zoals embeddings. Een vector database kan retrieval ondersteunen, maar bepaalt niet vanzelf welke bron betrouwbaar of actueel is.

Verschillen die je niet moet overslaan

Begrippen	Verschil
AI en machine learning	AI is het brede vakgebied; machine learning is een aanpak binnen AI
Model, AI-systeem en inzetcontext	Het model maakt modeluitvoer; het machinegebaseerde AI-systeem verwerkt invoer voor een doel; data, tools en mensen horen ook bij de bredere inzetcontext
Training en inference	Training past parameters aan; inference gebruikt een getraind model
Prompt en fine-tuning	Een prompt geeft context bij gebruik; fine-tuning is aanvullende training
Context en geheugen	Context is actief in de verwerking; geheugen is een productfunctie die informatie later opnieuw kan aanbieden
Grounding en waarheid	Grounding koppelt uitvoer aan bronnen; bron en synthese kunnen nog onjuist zijn
LLM en chatbot	Een LLM is een modeltype; een chatbot is een productinterface met aanvullende functies
Autonomie en toestemming	Een agent kan stappen plannen, maar rechten en goedkeuring blijven externe systeemgrenzen

De Google Machine Learning Glossary en Generative AI Glossary geven technische definities. NIST benadrukt met The Language of Trustworthy AI dat veel termen meerdere betekenissen hebben in verschillende disciplines.

Stappenplan: controleer een onbekende AI-term

Stap 1: lees de zin rond de term

Bepaal of de schrijver het heeft over een model, volledig product, juridisch begrip, trainingsmethode of marketingnaam. Dezelfde term kan in iedere context een andere reikwijdte hebben.

Stap 2: zoek de oorspronkelijke definitie

Gebruik technische documentatie voor productwerking en de officiële wetstekst voor juridische begrippen. Een leverancierspagina kan het eigen product uitleggen, maar is geen onafhankelijke vergelijking.

Stap 3: noteer wat de term niet bewijst

Agent bewijst geen onbeperkte autonomie, grounded bewijst geen waarheid en multimodaal bewijst niet dat iedere combinatie van media beschikbaar is. Schrijf de concrete beperking erbij.

Stap 4: leg product, versie en datum vast

Modelnamen, functies en wettelijke tijdlijnen veranderen. Noteer waarop je definitie is toegepast en wanneer je de bron hebt gecontroleerd.

Stap 5: toets de werking

Controleer bij een belangrijke keuze de daadwerkelijke invoer, uitvoer, rechten en foutgevallen. Een label in de interface is geen vervanging voor een reproduceerbare test.

Veelgemaakte fouten

Een marketingnaam als technische categorie gebruiken. Controleer model, productlaag en concrete functies.
AI, machine learning en generatieve AI gelijkstellen. Ze hebben een andere reikwijdte.
Contextvenster en geheugen verwarren. Actieve context is niet automatisch blijvende opslag.
Grounding als feitengarantie zien. Open de oorspronkelijke bron en controleer de synthese.
Prompting training noemen. Een prompt past modelparameters niet direct aan.
AGI presenteren als behaalde, universeel gemeten status. Criteria en definities verschillen.
Een term zonder datum overnemen. Product- en juridische definities kunnen wijzigen.
Alleen naar modelgedrag kijken. Tools, data, interface en menselijke processen horen bij de bredere inzetcontext.

Veelgestelde vragen

Wat betekent AI?

AI staat voor artificial intelligence, in het Nederlands kunstmatige intelligentie. Het is de verzamelnaam voor machinegebaseerde systemen die uit invoer afleiden hoe zij uitvoer maken, zoals voorspellingen, inhoud, aanbevelingen of beslissingen.

Wat is het verschil tussen AI, machine learning en deep learning?

AI is het brede vakgebied. Machine learning is een aanpak binnen AI waarbij een model patronen uit data leert, en deep learning is machine learning met neurale netwerken met meerdere lagen.

Wat betekent LLM?

LLM staat voor Large Language Model, of groot taalmodel. Zo'n model verwerkt en voorspelt tokens of tokenreeksen. Een generatief decoder-LLM maakt tekst door waarschijnlijke vervolgtokens te voorspellen.

Wat is het verschil tussen een prompt, context en geheugen?

Een prompt is de actuele invoer of opdracht. Context is alle informatie die het model in die verwerking kan meenemen, terwijl geheugen een productfunctie is die informatie kan bewaren en later opnieuw als context kan aanbieden.

Wat is het verschil tussen RAG en fine-tuning?

RAG haalt na de training relevante informatie op en geeft die als context aan het model. Fine-tuning past modelparameters met taakgerichte trainingsvoorbeelden aan; een prompt of opgehaald document doet dat niet.

Zijn AI-termen overal exact hetzelfde gedefinieerd?

Nee. Technische, juridische en productdocumentatie kan dezelfde term anders afbakenen. Controleer daarom de bron, context, datum en concrete productwerking voordat je uit een term rechten, mogelijkheden of risico's afleidt.