.svg)
Kronehoefstraat 85
5612 HL Eindhoven
BTW NL863902509B01
Wat is het?
Een foundation model is een groot AI-model dat getraind is op enorme hoeveelheden tekst, code en andere data. Het legt brede taalbegrip en redeneervaardigheden vast die vervolgens als basis dienen voor specifieke toepassingen.
Bekende voorbeelden zijn GPT-4 van OpenAI en Gemini van Google. In plaats van zelf een model van de grond af te bouwen, bouw je voort op zo'n bestaand fundament: je past het aan via prompts, fine-tuning of RAG.
Waarom het ertoe doet voor het MKB
Voor het MKB zijn foundation models de reden dat AI-tools nu bereikbaar zijn zonder een eigen onderzoeksteam. Je hoeft geen model te trainen; je hoeft het alleen gericht in te zetten voor jouw processen.
- De meeste AI-tools die je dagelijks gebruikt, van ChatGPT tot een klantenservice-assistent, draaien op een foundation model: de technologie is al aanwezig, jij richt het in.
- Aanpassen gaat via prompts of eigen data, wat het bereikbaar maakt voor bedrijven zonder ML-engineers.
- Het maakt schaalbaar automatiseren mogelijk: dezelfde basis ondersteunt zowel e-mailverwerking als documentanalyse en klantvragen.
De keuze van foundation model bepaalt mede de kwaliteit, snelheid en kosten van je AI-oplossing. Dat maakt het de moeite waard om te begrijpen welk model waaronder draait.
Hoe het werkt
Een foundation model leert patronen uit een enorme hoeveelheid data tijdens een kostbare pre-trainingsfase. Daarna is het model inzetbaar als vertrekpunt. Aanbieders stellen het beschikbaar via een API, waarna jij het kunt sturen met instructies of aanpassen met eigen data.
- Pre-training: het model leert taal, redeneren en samenhang uit miljarden voorbeelden.
- Aanbieding via API: je roept het model aan vanuit je applicatie zonder lokale installatie.
- Sturing via prompts: je geeft instructies die het model sturen naar de gewenste taak.
- Optioneel: fine-tuning op eigen data voor specifiekere, consistentere output.
- Integratie in workflows: het model werkt samen met andere tools via function calling of RAG.
Voor de meeste MKB-toepassingen hoef je de pre-training niet te begrijpen; wat telt is hoe je het model aanstuurt en welke grenzen het heeft, zoals de contextlengte en de trainingsknip.
Voorbeeld uit de praktijk
Stel, een administratiekantoor wil inkomende e-mails van klanten automatisch categoriseren en prioriteren. In plaats van zelf een classificatiemodel te bouwen, sluit het kantoor via een API aan op een foundation model als GPT-4. Met een goed ontworpen prompt leert het systeem aanvragen van klachten te onderscheiden, urgentie te herkennen en de juiste medewerker te notificeren. De investering zit in de inrichting, niet in het bouwen van het model zelf.
Vergelijking en misvattingen
Een foundation model is het basismodel met algemene capaciteiten; een fine-tuned model is een foundation model dat met gerichte data is bijgeschoold voor een specifieke taak. RAG voegt actuele of bedrijfsspecifieke kennis toe zonder het model zelf te wijzigen.
.svg){kind=icon}