Wat is In-Context Learning?

Wat is In-Context Learning?

Stel je voor: je vraagt een collega om facturen te verwerken. In plaats van een complete training te organiseren, laat je gewoon drie voorbeelden zien van hoe jij het doet. Je collega snapt het patroon en doet de rest op dezelfde manier. Dat is precies hoe In-Context Learning werkt bij grote taalmodellen.

Bij In-Context Learning leert een AI-model een nieuwe taak uit te voeren door simpelweg voorbeelden in de prompt te zien. Je hoeft het model niet opnieuw te trainen, geen parameters aan te passen, geen data te uploaden. Je typt gewoon een paar voorbeelden, en het model pikt het patroon op.

Een voorbeeld: je wilt dat een AI productbeschrijvingen omzet naar pakkende tweets. Je geeft drie voorbeelden:

Productbeschrijving: "Ergonomische bureaustoel met verstelbare armleuningen" Tweet: "Zitten zonder zeuren? Deze stoel past zich aan jou aan. 🪑"

Na drie van dit soort voorbeelden begrijpt het model de toon en structuur, en kan het nieuwe productbeschrijvingen op dezelfde manier omzetten.

Hoe werkt het eigenlijk?

Grote taalmodellen zoals GPT-4, Claude of Gemini zijn getraind op enorme hoeveelheden tekst. Daardoor hebben ze een soort algemene 'taalbegrip-motor' ontwikkeld. Ze kennen patronen, structuren, taalconventies.

Wanneer je voorbeelden in een prompt stopt, gebruikt het model die als tijdelijke instructies. Het analyseert wat de voorbeelden gemeen hebben — welke transformatie er telkens plaatsvindt — en past datzelfde patroon toe op nieuwe input. Dit gebeurt allemaal tijdens het genereren van het antwoord, niet door iets in het model zelf aan te passen.

Denk aan het verschil tussen een kookboek uit je hoofd leren (klassieke training) en een recept voorlezen terwijl je kookt (In-Context Learning). Bij dat laatste hoef je niets te onthouden — je volgt gewoon wat er staat.

Waar kom je het tegen?

Je gebruikt In-Context Learning waarschijnlijk al zonder dat je het doorhebt:

• ChatGPT, Claude, Gemini, Copilot — wanneer je schrijft "Vertaal deze zinnen naar bedrijfstaal:" gevolgd door voorbeelden

• Klantenservice-automatisering — een paar voorbeeldgesprekken laten zien hoe het bedrijf communiceert

• Data-extractie — drie voorbeelden geven van hoe een factuur omgezet moet worden naar gestructureerde data

• Content-aanpassing — laten zien hoe formele teksten informeler worden, door voorbeelden

• Prompt-engineering tools — platforms die je helpen effectieve voorbeeldsets samen te stellen

Waarom is dit handig?

Traditioneel zou je voor elke nieuwe taak een model opnieuw moeten trainen of fine-tunen. Dat kost tijd, rekenkracht en technische kennis. In-Context Learning maakt AI toegankelijk voor mensen zonder Machine Learning-achtergrond.

Je kunt binnen vijf minuten een model leren om:

• Offertes om te zetten naar contracttaal

• Klantvragen te categoriseren op urgentie

• Samenvattingen te maken in de huisstijl van je bedrijf

• Technische specs te vertalen naar marketingtaal

Allemaal zonder een regel code te schrijven of een dataset te uploaden.

De beperkingen

Het werkt niet voor alles. In-Context Learning is sterk in patroonherkenning en taalstructuur, maar zwak in:

• Zeer specialistische kennis die niet in de training zat

• Complexe redeneertaken die veel stappen vereisen

• Consistentie over lange sessies — elk nieuw gesprek begint opnieuw

• Taken die veel voorbeelden nodig hebben — de context window (het geheugen van één prompt) is beperkt

Voor dit soort situaties is Fine-tuning of Retrieval-Augmented Generation vaak een betere keuze.

Hoe zet je het slim in?

Denk aan In-Context Learning als een flexibele assistent die snel nieuwe instructies oppikt. Hoe duidelijker je voorbeelden, hoe beter het resultaat:

• Kies representatieve voorbeelden — laat verschillende variaties zien van wat je wilt

• Wees consistent — gebruik dezelfde structuur in elk voorbeeld

• Test met edge cases — kijk of het model ook met rare input omgaan kan

• Experimenteer met het aantal voorbeelden — soms werken drie voorbeelden beter dan tien

Voor veel alledaagse AI-toepassingen is In-Context Learning de snelste weg van idee naar werkend systeem. Je hebt geen AI-team nodig — alleen een helder idee van wat je wilt, en een paar goede voorbeelden.