Knowledge

Wat je zult leren

Geschatte tijd: 30 minuten

Aan het einde van deze les kun je:

• Uitleggen hoe de kennis van een AI-model tijdens training wordt gevormd en waarom het een vaste cutoff heeft
• Voorspellen welke onderwerpen in de capabiliteitszone liggen (frequent, recent-in-training, consistent) versus aan de rand (zeldzaam, post-cutoff, niche, omstreden)
• Veroudering, ongelijke dekking, overgeërfde bias en bronamnesia identificeren als karakteristieke kennisfouten
• Websearch, retrieval/RAG en tool use herkennen als productfuncties die deze beperking aanpakken

Kennishiaten in AI-modellen begrijpen

(5 minuten)

Het model kent wat het tijdens training is blootgesteld, en alleen dat. Geen real-time browsen standaard, geen persoonlijke ervaring, en een hard stop bij de knowledge cutoff. De praktische vraag is niet "weet de AI dit? " maar "hoe goed werd dit vertegenwoordigd in wat het las? "

Wat het model las, en wanneer het stopte met lezen

Voordat je leest

Je vraagt AI om een nieuwsgebeurtenis van vorige week uit te leggen. Hoe nauwkeurig moet je het resultaat controleren? Kies een plek op het continuüm en vergrendel je gok.

Next Token Prediction Knowledge Working Memory Steerability

##

Capabiliteit Beperking

Vertrouw het Spot-check Controleer details Verifieer zorgvuldig Hoog risico

Je gok

Typisch

Wat dit mogelijk maakt

Waar het karakteristiek faalt

Productfuncties die de rand verschuiven

Kies een plek en vergrendel je gok. De les opent zodra je dat doet.

Vergrendel mijn gok

Controleer je intuïtie

Vergrendel je gok hierboven om te vergelijken met de typische plaatsing.

Aanpassen

Balhoogte

Pictogramgrootte

Palet Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Belangrijkste inzichten

• Wat generatieve AI kent komt volledig uit trainingsgegevens en is bevroren op de knowledge cutoff. Zonder tools heeft het geen toegang tot informatie na die datum.
• Capabiliteitszone: onderwerpen die frequent, recent (binnen training) en consistent in trainingsgegevens voorkwamen.
• Beperkingszone: zeldzame, post-cutoff, niche, lokale of omstreden onderwerpen.
• Karakteristieke fouten: veroudering, ongelijke dekking, overgeërfde bias in wat als "standaard" of "normaal" telt, en onvermogen om aan te geven waar kennis vandaan komt.
• Websearch, retrieval (RAG/MCPs) en tool use bestaan specifiek om deze hiaten op te vullen door het model toegang te geven tot informatie waarop het nooit is getraind.
• 4D-verbinding: Kennisongelijkheid is kernachtig voor Delegation. Begrijpen waar het model goed voorzien is versus dun vertelt je wanneer je moet overdragen, wanneer je zelf context moet leveren, en wanneer je ergens anders heen moet gaan.

Oefeningen

Oefening: The Outsider Test

Waarom? Je weet dat de kennis van het model breed maar bevroren is, gevormd door wat in zijn trainingsgegevens zat. Nu ga je precies in kaart brengen waar het goed voorzien is en waar het dun is in jouw specifieke domein.

Ga terug naar je takenlijst en selecteer één taak. Schrijf op met betrekking tot die taak:

• Twee onderwerpen die mainstream, goed gedocumenteerd en stabiel zijn. Het soort dingen dat elke geïnformeerde collega zou weten.
• Twee onderwerpen die niche, lokaal, recent of snel evoluerend zijn. Branchespecifieke jargon, regionale regelgeving, iets dat het afgelopen jaar is veranderd.
• Één "standaardaanname" die buitenstaanders van jouw vakgebied vaak verkeerd begrijpen. (Wie de typische klant is. Wat een "standaard" geval is. Welk hulpmiddel mensen eigenlijk gebruiken versus degene die in de pers verschijnt. )

Voer nu drie tests uit:

• **Test 1: Dekking. ** Vraag naar één mainstream onderwerp en één niche onderwerp van je lijst. Vergelijk de diepte en nauwkeurigheid. Let op of de AI onzekerheid anders aangeeft tussen de twee, of beide antwoorden met dezelfde zelfverzekerde toon komen.
• **Test 2: Veroudering. ** Vraag naar iets wat je weet dat recent in jouw vakgebied is veranderd: een regelupdate, een tool-release, een leiderschapsverandering, een herziene standaard. Erkent de AI de cutoff? Presenteert het verouderde informatie als actueel? Weigert het te antwoorden? Noteer wat er gebeurt.
• **Test 3: Standaardaannames. ** Stel zonder je aanname direct te noemen een vraag die zou onthullen of de AI naar het buitenstaanders-perspectief neigt. Als bijvoorbeeld de "standaard" klant in jouw vakgebied anders is dan wat de meeste mensen aannemen, vraag de AI de typische klant te beschrijven. Noteer wat het als normaal behandelt.

Ga terug naar je takenlijst en voeg een tweede annotatie toe: voor elke taak, markeer of je op de kennis van het model kunt vertrouwen, of je de kennis zelf moet meebrengen via context, documenten of search.

Stretch goal: Voer de verouderingtest opnieuw uit met websearch ingeschakeld. Vergelijk wat verandert. Dit is retrieval in actie.

Lesreflectie

• Wat is één gebied van je werk waar je nu beseft dat je context moet leveren in plaats van aan te nemen dat het model het heeft?
• Heeft de standaardaanname-test iets aan het licht gebracht dat je verraste?

Wat komt volgende

Knowledge behandelt wat het model tijdens training heeft opgenomen. Working Memory behandelt waar het nu op let: je prompt, je documenten, je gesprek. Deze eigenschap heeft de hardste rand van alle vier.

Feedback

Terwijl je door de cursus vordert, horen we graag van je hoe je concepten uit de cursus in je werk gebruikt, plus eventuele feedback die je hebt. Deel je feedback hier.

Dankbetuigingen en licentie

Copyright 2026 Anthropic. Origineel werk voortbouwend op het AI Fluency Framework ontwikkeld door Prof. Rick Dakan (Ringling College of Art and Design) en Prof. Joseph Feller (University College Cork). Uitgebracht onder de CC BY-NC-SA 4. 0-licentie.