Startpunt

Wat bedoel je met ‘het model kent ons bedrijf’?

Een ondernemer wil meestal dat AI juiste antwoorden geeft over actuele producten, beleid of dossiers. Dat is iets anders dan het gedrag van een model veranderen. Een taalmodel kan informatie in een prompt krijgen, relevante documenten ophalen of met voorbeelden worden aangepast. Alleen de laatste route verandert modelparameters. Begin dus met de vraag welke informatie ontbreekt en hoe vaak die verandert. Een prijslijst die maandelijks wijzigt, hoort doorgaans in een beheerde bron die je kunt bijwerken, niet in een eenmalig trainingsbestand.

De vier routes zijn: een betere opdracht met beperkte context; zoeken in goedgekeurde documenten en de gevonden passages meegeven; fine-tuning van een bestaand model met voorbeeldparen; of een nieuw model vanaf nul trainen. Google beschrijft fine-tuning als het veranderen van modelgedrag voor een specifieke taak. Hugging Face documenteert efficiënte aanpassingen zoals adapters. Geen van beide routes geeft automatisch actuele of juridisch toegestane bedrijfskennis.

Lichte routes

Wanneer volstaan instructies of documentzoeking?

Voor een voorspelbaar uitvoerformaat kun je eerst een duidelijke opdracht en enkele goede voorbeelden proberen. Beschrijf het doel, de toegestane bron, de gewenste structuur en wanneer het systeem onzekerheid moet melden. Test op een vaste set vragen, waaronder één die niet beantwoord kan worden. Als het probleem vooral is dat informatie verspreid staat, bouw dan een zoekroute over geselecteerde documenten met bronvermelding en toegangscontrole. De modelgewichten blijven daarbij gelijk.

Documentzoeken vraagt wel degelijk werk: opschonen, versies beheren, toegangsrechten behouden, verouderde stukken verwijderen en fouten evalueren. Een zoekantwoord kan anders verwijzen naar het verkeerde dossier of een oude procedure. OpenAI retrieval beschrijft de technische zoekroute; jouw organisatie moet zelf toetsen of de gebruikte documenten, fragmenten en antwoorden voor de taak kloppen. Gebruik geen vertrouwelijk dossier als testmateriaal voordat verwerking en rechten geregeld zijn.

Aanpassen

Wanneer wordt fine-tuning zinvol?

Fine-tuning kan passen wanneer een model op veel herhaalde, gelabelde voorbeelden steeds dezelfde specifieke uitvoer moet leren en een goede prompt of documentzoeking onvoldoende presteert. Denk aan een strikt classificatieformaat of specialistische terminologie die aantoonbaar verkeerd wordt toegepast. Verzamel eerst representatieve invoer en gewenste uitvoer. Houd een aparte, ongeziene testset buiten de training. Vergelijk het aangepaste model met het basismodel op exact dezelfde gevallen.

Controleer vóór de keuze: mag je de data voor training gebruiken, blijft verwijdering mogelijk, wat kost voorbereiding en evaluatie, welke modelversie ondersteunt de dienst, en kun je de aangepaste versie later nog inzetten? Een adapter volgens PEFT kan minder trainbare parameters gebruiken dan volledige aanpassing, maar vereist nog altijd geschikte hardware, expertise en beheer. Fine-tuning is geen oplossing voor ontbrekende bronrechten of hallucinaties uit verouderde documenten.

Besliskaart

Hoe kies je de lichtste werkende route?

Maak tien tot twintig representatieve, zo mogelijk fictieve of openbare vragen met gewenste antwoorden en duidelijke beoordelingsregels. Test achtereenvolgens: huidig proces; betere prompt; prompt plus documentzoeking; en alleen bij aantoonbaar resterend probleem een fine-tuningproef. Meet juistheid, brongebruik, correctiewerk, wachttijd en kosten per bruikbaar antwoord. Leg de uitkomst vast zonder de testvragen achteraf stilzwijgend te veranderen. Training vanaf nul is een afzonderlijk investeringsbesluit met data-, hardware- en beheerlast.

Kies de eerste route die de vooraf afgesproken kwaliteit en gegevensgrenzen haalt. Als geen route slaagt, verbeter dan de taak of bronset voordat je meer rekencapaciteit koopt. De gids over AI-systemen plaatsen helpt de volledige route van gegevens naar gecontroleerde uitkomst te tekenen. Dit artikel geeft een beslismethode en claimt geen uitkomst voor jouw bedrijf.

Verantwoording

Bronnen en controle

Auteur
Jesse Dekkers, Redactioneel verantwoordelijke, Palisade. Verantwoordelijk voor de inhoud en actualisering van deze Palisade Kennisgids.
Inhoudelijke controle
Jesse Dekkers op 25 oktober 2026
Werkwijze
Redactionele besliskaart op basis van officiële Google-, Hugging Face- en OpenAI-documentatie, gecontroleerd op 25 oktober 2026. Geen model of bedrijfsdataset is in deze publicatie getest.