Wat is een foundation model? Uitleg voor het MKB

Een foundation model is een groot AI-model dat is getraind op enorme hoeveelheden ongelabelde data (tekst, code, afbeeldingen of een combinatie daarvan) en dat daarna kan worden aangepast voor uiteenlopende taken. In plaats van voor elke toepassing een apart model te bouwen, dient één foundation model als startpunt voor meerdere AI-toepassingen tegelijk. GPT (van OpenAI), Claude (van Anthropic), Gemini (van Google) en Llama (van Meta) zijn allemaal voorbeelden van foundation models.

De term is niet toevallig gekozen. Stanford's Institute for Human-Centered Artificial Intelligence (HAI) introduceerde het begrip in 2021 om aan te geven dat deze modellen een fundament vormen waarop andere applicaties worden gebouwd, vergelijkbaar met een fundering onder een gebouw.

Hoe werkt het

Een foundation model komt in twee fasen tot stand.

Fase 1: Pretraining

In de eerste fase wordt het model getraind op een enorme, brede dataset: stukken van het internet, boeken, code, en soms afbeeldingen of audio. Dit gebeurt meestal via zelf-gesuperviseerd leren, waarbij het model patronen, taalstructuur en relaties in de data leert zonder dat mensen elk voorbeeld hoeven te labelen. De meeste moderne foundation models gebruiken een transformer-architectuur, die goed is in het herkennen van verbanden tussen woorden of concepten over lange afstanden in een tekst.

Het resultaat van deze fase is een model met brede, algemene kennis, maar zonder specialisatie in een specifieke taak.

Fase 2: Fine-tuning en aanpassing

Na de pretraining wordt het model verder aangepast (fine-tuned) voor specifieke doeleinden. Dit kan met relatief weinig extra data, omdat het model de zware basiskennis al bezit. Denk aan:

• Een model afstemmen op klantenservice-gesprekken in een specifieke branche
• Een model trainen om juridische documenten samen te vatten
• Een model instrueren via prompts, zonder de onderliggende gewichten aan te passen (dit heet prompt engineering)

Door deze tweetrapsopbouw hoeft niemand meer bij nul te beginnen. Dat scheelt enorm veel rekenkracht, tijd en geld ten opzichte van het trainen van een compleet nieuw model per taak.

Waarom relevant voor het MKB

Het belangrijkste voordeel voor kleine en middelgrote bedrijven: je hoeft nooit zelf een foundation model te trainen. Het trainen van een model als GPT-4 of Claude kost miljoenen euro's aan rekenkracht en vereist datasets die alleen grote techbedrijven kunnen verzamelen. Dat is geen optie voor een MKB-bedrijf, en dat hoeft ook niet.

In plaats daarvan gebruik je een foundation model via een API van een aanbieder zoals OpenAI, Anthropic of Google. Je betaalt per gebruik (per verwerkte hoeveelheid tekst, ook wel tokens genoemd) en krijgt toegang tot een model dat al jarenlang onderzoek en investering vertegenwoordigt.

Dit verlaagt de drempel drastisch:

Voor de meeste MKB-toepassingen is de vraag dus niet 'welk model moet ik trainen', maar 'welk bestaand foundation model past het best bij mijn taak, en hoe bouw ik daar een bruikbare toepassing omheen'.

Een concreet voorbeeld

Stel: een installatiebedrijf wil een chatbot op de website die vragen van klanten beantwoordt over garantie, planning en offertes. Het bedrijf traint geen eigen taalmodel. In plaats daarvan:

1. Het kiest een bestaand foundation model (bijvoorbeeld via de API van Anthropic of OpenAI) als taalmotor.
2. Het voedt het model met eigen bedrijfsinformatie: voorwaarden, veelgestelde vragen, prijsafspraken. Dit gebeurt vaak via een techniek genaamd retrieval augmented generation, waarbij relevante bedrijfsdocumenten aan het model worden meegegeven bij elke vraag.
3. Het model beantwoordt vragen in natuurlijke taal, gebaseerd op zowel zijn brede voorkennis als de specifieke bedrijfsdata.

Dezelfde aanpak werkt voor documentverwerking (bijvoorbeeld facturen automatisch categoriseren), het samenvatten van klantgesprekken, of het opstellen van conceptteksten voor marketing. Het foundation model is telkens de motor, de toepassing eromheen bepaalt wat er concreet gebeurt. Wil je weten hoe zoiets in de praktijk werkt voor jouw bedrijf, bekijk dan eens wat AI-agents voor jouw processen kunnen betekenen.

Wanneer wel, wanneer niet

Een foundation model is een krachtig hulpmiddel, maar niet altijd de juiste keuze.

Wel geschikt wanneer:

• De taak natuurlijke taal, tekst of ongestructureerde data betreft (vragen beantwoorden, samenvatten, schrijven, classificeren)
• Er variatie zit in de input (klanten stellen vragen op veel verschillende manieren)
• Snelheid van implementatie belangrijker is dan honderd procent voorspelbaarheid

Minder geschikt, of niet nodig, wanneer:

• Het probleem eenvoudig met vaste regels of een spreadsheet is op te lossen
• Volledige, gegarandeerde consistentie vereist is (bijvoorbeeld exacte berekeningen of wettelijk verplichte controles)
• De hoeveelheid data of het budget te klein is om de meerwaarde te rechtvaardigen

Twijfel je of jouw proces zich leent voor een foundation model? Een gratis AI-scan laat binnen enkele minuten zien waar in jouw bedrijf AI wel en niet zinvol is.

Verwante begrippen

• LLM (large language model): een foundation model dat specifiek op tekst is getraind. Alle LLM's zijn foundation models, maar niet alle foundation models zijn LLM's (denk aan modellen voor afbeeldingen of audio).
• Fine-tuning: het verder trainen van een foundation model op een kleinere, specifieke dataset om het beter te laten presteren op een bepaalde taak.
• Prompt engineering: het slim formuleren van instructies (prompts) om een foundation model het gewenste antwoord te laten geven, zonder het model zelf aan te passen.
• Inference: het moment waarop een getraind model daadwerkelijk een antwoord genereert op basis van nieuwe input, in tegenstelling tot de trainingsfase.
• Retrieval augmented generation (RAG): een techniek waarbij een foundation model tijdens het beantwoorden van een vraag ook eigen bedrijfsdocumenten raadpleegt.

Foundation models zijn ondertussen de standaardbouwsteen geworden voor vrijwel elke serieuze AI-toepassing, van chatbots tot documentverwerking. De uitdaging voor een MKB-bedrijf zit zelden in de techniek zelf, maar in de vertaalslag naar een concreet, werkend proces. Daar helpt goede AI-consultancy bij: niet het model kiezen op basis van hype, maar op basis van wat jouw bedrijf daadwerkelijk nodig heeft.

Ben je benieuwd hoe een foundation model concreet kan worden ingezet binnen jouw processen? Begin met een verkennend gesprek of test eerst met een kleine praktijkcasus voordat je groter uitrolt.