Definitie: Een foundation model, in het Nederlands ook basismodel genoemd, is een groot AI-model dat op enorme hoeveelheden brede, grotendeels ongelabelde data is getraind en daarna voor veel verschillende taken kan worden ingezet of aangepast. Het vormt de basis waarop toepassingen zoals chatbots, beeldgeneratoren en codeassistenten worden gebouwd.
In het kort
- De term werd in 2021 bedacht door onderzoekers van Stanford University, al bestonden modellen van dit type al eerder.
- Kenmerken zijn schaal, algemene inzetbaarheid en aanpasbaarheid: één model, veel toepassingen.
- Grote taalmodellen zoals GPT en Claude zijn foundation models, maar ook beeldmodellen zoals DALL-E en Stable Diffusion vallen eronder.
- Bedrijven trainen zelden een eigen foundation model. Ze passen een bestaand model aan met instructies, eigen bronnen of fine-tuning.
Wat is een foundation model?
Een foundation model is een AI-model dat niet voor één taak is gemaakt, maar als fundament dient voor veel taken. Vroeger trainde je een apart model voor elke toepassing: één voor het herkennen van spam, één voor het vertalen van tekst, één voor het classificeren van foto’s. Elk model had een eigen, gelabelde dataset nodig.
Een foundation model werkt anders. Het wordt eerst getraind op een zeer grote en brede verzameling gegevens, zoals tekst van het internet, boeken, code of afbeeldingen. Daarbij leert het algemene patronen en verbanden. Dat gebeurt grotendeels met self-supervised learning: het model leert van de structuur van de data zelf, bijvoorbeeld door steeds het volgende woord te voorspellen, zonder dat mensen elk voorbeeld hoeven te labelen.
Daarna kan het model met relatief weinig extra moeite voor een specifieke taak worden ingezet. Soms is een goede instructie genoeg. Soms wordt het model bijgetraind met een kleinere, gerichte dataset. TDWI vat het samen: het trainen is duur, maar hoeft maar één keer te gebeuren.
Waar komt de term foundation model vandaan?
Volgens TDWI introduceerden onderzoekers van Stanford University de term in 2021. Ze zochten een woord voor een nieuwe categorie modellen die steeds vaker als basis voor andere toepassingen dienden. Het woord “foundation” benadrukt die rol: het model is niet het eindproduct, maar het fundament waarop gebouwd wordt.
De technische basis is ouder. OVHcloud wijst op de transformer-architectuur uit 2017 als belangrijke stap. Die architectuur maakte het mogelijk om modellen op veel grotere schaal te trainen dan daarvoor.
Foundation model, LLM en generatieve AI: wat is het verschil?
| Begrip | Betekenis | Voorbeeld |
|---|---|---|
| Foundation model | Breed getraind model dat als basis dient voor veel taken, in elke modaliteit | GPT, Claude, Stable Diffusion |
| Large language model | Foundation model dat specifiek op taal is getraind | GPT, Claude, Llama |
| Generatieve AI | AI die nieuwe inhoud maakt, zoals tekst, beeld of geluid | ChatGPT, DALL-E |
| Multimodaal model | Model dat meerdere soorten invoer of uitvoer aankan, zoals tekst en beeld | Taalmodellen die ook afbeeldingen lezen |
| Toepassing | Product dat een foundation model gebruikt, met eigen interface en instructies | Een chatbot op een website, een codeassistent |
Elk groot taalmodel is dus een foundation model, maar niet elk foundation model is een taalmodel. Er zijn ook foundation models voor beeld, spraak, code en zelfs eiwitstructuren.
Voorbeelden van foundation models
- Taalmodellen: de GPT-reeks van OpenAI, Claude van Anthropic, Gemini van Google en Llama van Meta.
- Beeldmodellen: DALL-E, Imagen en Stable Diffusion, die afbeeldingen maken op basis van een beschrijving.
- Codemodellen: modellen die code schrijven en uitleggen, zoals gebruikt in GitHub Copilot.
- Wetenschappelijke modellen: volgens TDWI ook modellen voor bijvoorbeeld eiwitsequenties.
Sommige foundation models zijn gesloten en alleen via een dienst of API te gebruiken. Andere hebben open gewichten, zodat je ze zelf kunt draaien en aanpassen.
Hoe wordt een foundation model gebouwd?
Unite.AI beschrijft het proces in vijf stappen:
- Brede trainingsdata verzamelen. Grote hoeveelheden tekst, code, beeld of andere gegevens.
- Algemene representaties leren. Het model leert patronen door een eenvoudige taak heel vaak te herhalen, zoals het volgende stukje tekst voorspellen.
- Basisvaardigheden en risico’s evalueren. Wat kan het model, en waar gaat het mis?
- Aanpassen voor een taak of domein. Met extra training, voorbeelden of instructies.
- Implementeren in een gecontroleerde applicatie. Met grenzen, controles en toezicht.
De eerste twee stappen vragen enorme rekenkracht en budget. Die doen alleen grote AI-bedrijven en onderzoeksinstellingen. De laatste drie stappen zijn waar de meeste organisaties mee te maken krijgen.
Hoe pas je een foundation model aan voor je eigen toepassing?
Er zijn verschillende manieren, van eenvoudig naar ingrijpend:
| Aanpak | Wat je doet | Wanneer passend |
|---|---|---|
| Prompting | Duidelijke instructies en voorbeelden meegeven | Altijd het startpunt; vaak al voldoende |
| RAG | Relevante eigen documenten opzoeken en meesturen | Als antwoorden op eigen, actuele informatie moeten steunen |
| Tools en koppelingen | Het model functies laten aanroepen, zoals een klant opzoeken | Als het model acties moet uitvoeren in je systemen |
| Fine-tuning | Het model bijtrainen met eigen voorbeelden | Bij een vaste stijl, indeling of gespecialiseerde taak |
| Lichtgewicht fine-tuning | Alleen een klein deel van het model aanpassen, bijvoorbeeld met LoRA | Als volledig bijtrainen te duur of niet nodig is |
Begin altijd bij de eenvoudigste aanpak die werkt. Een goede instructie met eigen bronnen lost veel meer op dan vaak wordt gedacht.
Open of gesloten foundation model?
| Gesloten model | Model met open gewichten | |
|---|---|---|
| Toegang | Via een dienst of API van de aanbieder | Te downloaden en zelf te draaien |
| Kwaliteit | Vaak de krachtigste modellen | Steeds dichter bij gesloten modellen, vooral voor afgebakende taken |
| Gegevens | Verwerking bij de aanbieder, volgens diens voorwaarden | Kan volledig in eigen beheer of bij een Europese hostingpartij |
| Kosten | Betalen per gebruik | Kosten voor hardware of hosting en beheer |
| Aanpassen | Beperkt tot wat de aanbieder toestaat | Vrij bij te trainen |
| Onderhoud | Door de aanbieder | Zelf bijhouden |
Voor veel toepassingen is een gesloten model via een API de snelste start. Een open model wordt interessant als gegevens de eigen omgeving niet mogen verlaten, als het volume zo groot is dat kosten per gebruik oplopen, of als je het model diepgaand wilt aanpassen.
Een voorbeeld: van foundation model naar toepassing
Neem een bedrijf dat binnenkomende offerteaanvragen sneller wil verwerken. Het foundation model zelf weet niets van dat bedrijf. De toepassing eromheen maakt het bruikbaar:
- Een aanvraag komt binnen via een formulier of e-mail.
- De applicatie stuurt de tekst naar het model met een vaste instructie: haal product, aantal, leverdatum en contactgegevens eruit.
- Het model geeft die gegevens gestructureerd terug.
- De applicatie controleert of verplichte velden zijn gevuld en zoekt de klant op.
- Een medewerker ziet de aanvraag met de herkende gegevens en vult aan of corrigeert.
Het model doet één afgebakende stap. De rest is gewone software. Zo blijft het proces controleerbaar, en is het model later te vervangen door een beter of goedkoper alternatief.
Wat zijn de voordelen?
- Snel starten. Je hoeft geen model vanaf nul te trainen.
- Breed inzetbaar. Hetzelfde model kan samenvatten, classificeren, schrijven en vertalen.
- Weinig eigen data nodig. Een paar goede voorbeelden zijn vaak genoeg.
- Lagere ontwikkelkosten dan een eigen model per taak.
Wat zijn de risico’s en beperkingen?
- Vooringenomenheid. OVHcloud wijst erop dat modellen vooroordelen uit ongefilterde internetdata kunnen overnemen.
- Fouten met overtuiging. Een model kan feiten verzinnen die geloofwaardig klinken.
- Afhankelijkheid van een aanbieder. Prijzen, voorwaarden en modelversies kunnen veranderen.
- Ondoorzichtigheid. Vaak is niet bekend op welke data een model precies is getraind.
- Gegevens en privacy. Wat je naar een externe dienst stuurt, verlaat je eigen omgeving.
Daarnaast geldt de Europese AI-verordening, die aparte regels stelt aan AI-modellen voor algemene doeleinden en aan de toepassingen die erop gebouwd worden. Voor de meeste bedrijven die een bestaand model gebruiken, gaat het vooral om de eisen aan hun eigen toepassing.
Hoe kies je een foundation model?
Unite.AI raadt aan om vóór adoptie een eigen evaluatieplan te maken. Praktische vragen:
- Haalt het model de gewenste kwaliteit op jouw eigen voorbeelden?
- Hoe snel en hoe duur is het per taak?
- Waar worden de gegevens verwerkt, en worden ze gebruikt voor training?
- Kun je later wisselen van model zonder alles om te bouwen?
- Is er een open variant als je de gegevens in eigen beheer wilt houden?
Wat betekent dit voor jouw project?
Een foundation model is een bouwsteen, geen oplossing. De waarde ontstaat pas in de applicatie eromheen: welke invoer gaat erin, wie controleert de uitkomst en wat gebeurt er daarna.
Bij Contentooo zie je die opbouw terug in een workflow van intake, klantprofiel en onderzoek, via conceptgeneratie naar controle, vrijgave en klantakkoord. De bouwles: goede invoer bepaalt wat een volgende stap kan opleveren. Dat geldt voor elk gebruik van een foundation model.
Bij een nieuw idee onderzoek ik daarom eerst of een bestaand pakket, een koppeling of maatwerk het beste past. Is een AI-model nuttig, dan begint het bij de vraag: wie gaat het gebruiken, en welke taak moet die persoon als eerste kunnen afronden?
Vraag? Stuur me welke terugkerende taak je met AI wilt ondersteunen en wie ermee werkt. Dan bepalen we samen of een bestaand model past en wat de eerste stap is.
Veelgestelde vragen over foundation models
Wat is een foundation model?
Een foundation model is een groot AI-model dat op brede, grotendeels ongelabelde data is getraind en als basis dient voor veel verschillende taken. Het kan met instructies, eigen bronnen of extra training worden aangepast voor een specifieke toepassing.
Is een LLM een foundation model?
Ja. Een large language model is een foundation model dat specifiek op taal is getraind. Foundation models omvatten daarnaast ook modellen voor beeld, spraak, code en andere soorten gegevens.
Wat is een basismodel in AI?
Basismodel is de Nederlandse term voor foundation model. Het gaat om een breed getraind AI-model dat niet voor één taak is gemaakt, maar als fundament dient waarop toepassingen zoals chatbots en beeldgeneratoren worden gebouwd.
Verwante termen
Large Language Model · Fine-tuning · RAG · Prompt engineering · Lokale LLM · Embeddings · AI-hallucinatie · Multimodale AI
← Terug naar de kennisbank