A hallucinatie in AI verwijst naar een fenomeen waarbij een model vanGeneratieve AI (zoals LLM) produceert informatie die onjuist, onsamenhangend of volledig verzonnen is, terwijl hij deze als feitelijk presenteert.
Deze fouten komen voort uit de aard van LLM's, die zijn ontworpen om statistisch plausibele in plaats van geverifieerde reacties te voorspellen.
AI hallucinatie illustratie @Alexandre SALQUE
Soorten hallucinaties bij AI
- Uitgevonden informatie 📖: AI kan onjuiste feiten, fictieve referenties of niet-bestaande bronnen genereren.
👉 In 2023 verzon ChatGPT bijvoorbeeld rechtszaken die in een echte rechtszaak werden gebruikt, wat een schandaal veroorzaakte. - Gebrek aan logische samenhang 🔄: Sommige antwoorden kunnen plausibel lijken, maar bevatten fouten in de redenering of interne tegenstrijdigheden.
👉 Bijvoorbeeld een chatbot kan beweren dat de James Webb-telescoop de eerste afbeelding van een exoplaneet heeft gemaakt, terwijl de Very Large Telescope verantwoordelijk is voor deze prestatie. - Schijnbare veroordeling 🎭: de AI wijst niet altijd op zijn fouten, waardoor het moeilijk is om onderscheid te maken tussen een correct antwoord en een hallucinatie. AI's presenteren hun antwoorden zelfverzekerd, zelfs als ze dingen verzinnen.
👉 Een onderzoek van Stanford (2024) toont aan dat modellen de neiging hebben om "het eens te zijn met de gebruiker, zelfs als ze het mis hebben". - Vertekening en contextuele fouten ⚠️: AI kan een vraag verkeerd interpreteren en een irrelevant of onjuist antwoord genereren.
👉 Als een gebruiker bijvoorbeeld een onjuiste premisse noemt ("Helium is het meest voorkomende element"), zal de AI de fout bevestigen in plaats van deze te corrigeren.
Voorbeelden van hallucinaties
- Gevaarlijk advies Een chatbot stelde voor om lijm aan een pizza toe te voegen om de kaas te repareren, gebaseerd op een sarcastische opmerking op Reddit.
- 🔍 Vals citaat Verwijzingen verzinnen naar artikelen of studies die niet bestaan. In 2023 genereerde ChatGPT verwijzingen naar niet-bestaande juridische artikelen die werden gebruikt door een advocaat in een echte zaak.
- 📅 Historische fout Claimen dat een gebeurtenis op de verkeerde datum plaatsvond.
- 🏢 Dummy bedrijf Informatie verstrekken over een bedrijf dat niet bestaat.
- 👥 Denkbeeldig personage Prestaties toeschrijven aan iemand die ze nooit heeft gedaan.
- Wetenschappelijke fouten Google Bard schreef de eerste afbeelding van een exoplaneet ten onrechte toe aan de James Webb Telescoop (2023)
📊 Statistieken
- 30-90% fouten in wetenschappelijke referenties gegenereerd door chatbots (onderzoek 2024) 3.
- 3,5% → 1,8% Percentage hallucinaties verminderd tussen GPT-3.5 (2023) en GPT-4 (2025)
Oorzaken van AI-hallucinaties
- Gebrek aan nauwkeurige gegevens 📉
AI genereert antwoorden op basis van statistische modellen in plaats van op een enkele daadwerkelijk begrip. - Gegevenscompressie
LLM's comprimeren miljarden gegevens in parameterssoms belangrijke informatie kwijtraken (bijv. 2% antwoorden zijn verzonnen) - Ruis of vertekening in trainingsgegevens 🔊
Modellen kunnen leren van vertekeningen of fouten in hun trainingsgegevens (bijvoorbeeld sarcastische Reddit-posts). - Gebrek aan toegang tot realtime bronnen ⏳
Een AI-model heeft mogelijk geen toegang tot de laatste updates, wat leidt tot fouten over recente feiten. - Vloeiendheid en volledigheid optimaliseren 🏃♂️
Modellen geven liever een volledig antwoord dan onzekerheid toe te geven, aangemoedigd door menselijk leren.
Hoe kunnen hallucinaties worden verminderd?
✔ Bronnen controleren Vergelijk de informatie van AI altijd met betrouwbare bronnen.
✔ Toegang tot externe databases AI verbinden met up-to-date kennisbanken.
✔ Verbeterde modeltraining Verfijn de trainingsgegevens om vertekening te minimaliseren.
✔ Gebruik van filters en nabewerking inconsistenties detecteren en corrigeren voordat een reactie wordt weergegeven.
Hier zijn enkele andere manieren:
- Augmented Opwekking door Terugwinning (AGR)
LLM's verbinden met externe databases (bijv. Gemini van Google controleert reacties via realtime zoekopdrachten). Dit vermindert 30% in document samenvattingen - Zelfcontrole en introspectie
Modellen dwingen om in verschillende fasen te denken ("chain of thought") verbetert de consistentie. Voorbeeld: OpenAI test modellen die onzekerheid kunnen uitdrukken ("Ik weet dit niet zeker"). - Menselijke validatie en filters
96% van AI-gegenereerde inhoud menselijke proeflezing vereist, volgens een marketingstudie (2025). Tools zoals Vectara meten hallucinaties met behulp van indices van kwetsbaarheid. - Training over gerichte gegevens
Gespecialiseerde modellen (bijv. juridisch, medisch) verminderen fouten door zich te baseren op gecontroleerde corpora
🔮 Outlook toekomst
Ondanks de vooruitgang blijven hallucinaties een structurele uitdaging. Jensen Huang (CEO van Nvidia) gelooft dat het probleem "nog enkele jaren" zal blijven bestaan. Innovaties zoals RAG en "metacognitieve" AI (zelfbeoordeling van geloofwaardigheid) zouden de risico's echter kunnen beperken, met name op kritieke gebieden (medisch, juridisch).
