Een bekend risico van generatieve AI is de zogeheten hallucinatie: de AI verzint feiten of bronnen die niet kloppen, maar presenteert ze wel zelfverzekerd. In de juridische context kan zo’n hallucination erg gevaarlijk zijn – denk aan

Waar zero-shot learning geen enkel voorbeeld gebruikt, gaat few-shot learning uit van een handjevol voorbeelden om de AI op weg te helpen. Dit betekent dat je een AI-model, zoals Legal Momo, één tot enkele voorbeeldvragen mét gewenste

Zero-shot learning betekent dat een AI-model een taak kan uitvoeren of een vraag kan beantwoorden zonder dat het specifieke voorbeeldvoorvallen of trainingsvoorbeelden voor die taak heeft gekregen. Met andere woorden: de AI leert als het ware van

Een context window is de hoeveelheid tekst (gemeten in tokens) die een AI-model in één keer kan meenemen in zijn redenatie. Je kunt het zien als het geheugen van de AI op dat moment. Veel AI-taalmodellen kunnen

Embeddings zijn numerieke representaties van tekst die de betekenis en context van woorden en zinnen vastleggen. In plaats van teksten letter voor letter te vergelijken, zet Legal Momo juridische documenten om in vectoren (reeksen getallen) die de

Als jurist werkt u regelmatig met ellenlange contracten, vonnissen of dossiers. Misschien vraagt u zich af hoe een AI zo’n lange tekst kan lezen en begrijpen. Hier komt de tokenizer in beeld. Dat klinkt technisch, maar het

Als jurist heeft u wellicht gehoord dat AI-systemen steeds vaker worden bijgestuurd door menselijke input. RLHF is zo’n term die daarbij opduikt. RLHF staat voor Reinforcement Learning from Human Feedback, in het Nederlands versterkend leren met menselijke

Tokenizer voor lange juridische documenten verwijst naar technieken om zeer uitgebreide teksten op te splitsen in kleinere eenheden (tokens) zodat een AI-model ze effectief kan verwerken. Juridische documenten – denk aan vonnissen van tientallen pagina’s of complete