![]()
Selected tweets/X-messages – X
Wil je hierop reflecteren dan nodig ik je uit om deze bijdrage te lezen van een fringe blogger.
![]()
Selected tweets/X-messages – X
Wil je hierop reflecteren dan nodig ik je uit om deze bijdrage te lezen van een fringe blogger.
And I also want to be clear about something: The Hugging Face attack was dangerous, reckless and somebody should go to prison for it. If a regular person used massive amounts of compute capacity to hack something, they’d be arrested. While I’m not a lawyer, the numerous cybersecurity experts I’ve discussed this with are stunned by the complete lack of any legal action against OpenAI, which appears to have committed a crime that gets you anywhere from a year to a decade in the slammer. The fact that LLMs from both Anthropic and Meta have been involved in similar incidents is a sign that we need to arrest more people
Aan een LLM (Large Language Model) wordt door belanghebbenden eigenschappen toegekend waarmee het in een AGI (Artificial General Intelligence) of ASI (Artifical SuperIntelligence) zou kunnen evolueren. Klinkt concreet maar is boterzacht, want er is geen eenduidige definitie van een AGI/ASI… Maar los van de definitie; wie enigszins bekend is met de interne werking van LLM kan niet anders constateren dan dat er geen sprake is van enige intelligentie maar uitsluitend van brute force1. Omdat ik er niet vanuit ga dat alle lezertjes van RecruitmentMatters met de werking van een LLM bekend zijn, hier een korte (!) uitleg (don’t shoot the messenger).
Het begint allemaal met een prompt van een gebruiker via de chatbot van een LLM. Om een antwoord te kunnen geven gaat een LLM door de volgende stappen: (meer…)

Voorbeeldje van wat in de logs van RecruitmentMatters verschijnt:
je bent een productonderzoeker die online klachten en frustraties van nederlanders analyseert. opdracht: zoek op internet naar 5 veelvoorkomende klachten of frustraties die nederlanders nu uiten op forums, reviews, social media of klachtenplatforms. regels: – zoek op platforms zoals reddit, tweakers, klacht.nl, trustpilot nl, twitter/x nl – focus op klachten waar meerdere mensen over klagen (niet één individu) – het probleem moet oplosbaar zijn met een digitaal product (app, tool, platform, extensie) – zoek naar klachten over: slechte software, ontbrekende diensten, kapotte processen, tijdverspilling – een solopreneur moet de oplossing in 2-4 weken kunnen bouwen – geen klachten over systemen die je niet kunt veranderen (overheid, ns) – houd antwoorden kort (max 2 zinnen per veld) geef je antwoord als json array: [{“niche”:”frustratiegebied”,”icon”:”emoji”,”problem”:”de specifieke klacht (1-2 zinnen)”,”why_now”:”waarom dit nu speelt (1 zin)”,”evidence”:”platform + type klachten (1 zin)”,”product_idea”:”wat je bouwt om dit op te lossen (1 zin)”,”growth”:”stijgend”,”source”:”klachtenplatform”}] geef alleen de json array, geen andere tekst.
Ik weet niet wie je bent, maar stop ermee. Je app gaat niet werken! Je gebruikt de verkeerde tool.
(meer…)Kamerleden gebruiken LLM’s. Dat komt omdat ze te be#$@*d zijn om hun werk zelf te doen.
https://nos.nl/artikel/2630963-kwart-gestelde-kamervragen-bevat-ai-sporen-aantal-neemt-toe
Hiermee nemen ze, per definitie, onverantwoorde risico’s.
(meer…)De hype cycle werd in 1995 geïntroduceerd door analist Jackie Fenn van onderzoeksbureau Gartner. Zij bedacht de cyclus om het patroon van overspannen verwachtingen, desillusie en uiteindelijke volwassenheid in de tijd bij nieuwe technologieën in kaart te brengen. De Gartner hype cycle beschrijft de vijf opeenvolgende fasen die een nieuwe technologie doorloopt qua verwachtingen, adoptie en zakelijke rijpheid:
![]()
Technologie hype cycle – Gartner

Een LLM bevat veel kennis. LLM’s kunnen die kennis op allerlei manieren combineren.
Hoe de grote LLM’s dat doen blijft een klein beetje geheim.
Wat een LLM precies belangrijk vindt blijft verborgen.
Een LLM kan kennis op zoveel manieren combineren, dat het onmogelijk wordt alles wat een LLM zegt te controleren. Vaak blijken dingen te kloppen, soms niet.
Cool
Als je een LLM gebruikt dan veroorzaak je twee problemen.
Ten eerste (de theorie)
Een oplossing die je niet kunt controleren is in beginsel duurder dan geen oplossing.
(meer…)
Voor de anderhalve RecruitmentMatters bezoeker die gek is op long-form content, heb ik een absoluut juweeltje (althans, volgens mijn eigen kwaliteitsstandaard): Amazon achieves enshittification inception. Het is een verwoestende take-down van Amazon door niemand minder dan Cory Doctorow; de auteur van memorabele boeken zoals Enshittification en, in mindere mate, The Reverse Centaur’s Guide to Life After AI. De take-down is geen boek of novelle maar een blog posting op zijn site Pluralistic. De subtitel van de take-down is: Cheating on your fraud is a hell of a thing. Nuff said. Lees dat stuk.
Full-disclosure: ik ben al decennia een klant van Amazon en heb ondertussen voor een vermogen boeken bij het bedrijf gekocht. Overstappen vind ik geen optie.
Voor diegenen die de term people aggregator voor de eerste keer horen; een people aggregator is een scraper (of laat in haar opdracht andere partijen scrapen) van persoonsgegevens om deze vervolgens achter een zoekmachine (en achter een API) commercieel aan te bieden. Voor de hand liggende klantgroepen zijn verkoop- en recruitment-afdelingen. De personen wiens gegevens op deze manier worden verhandeld zijn in principe onwetend van dit feit. Dit alles is volstrekt illegaal als het om persoonsgegevens van EU-inzittenden gaat. En volstrekt legaal als je in de VS woont.
Op basis van eigen onderzoek zijn er behoorlijk wat bedrijven die (ook) als people aggregator hun diensten aanbieden:
8vance, Adept ID, AmazingHiring, Apollo.io, Ashby, Beamery, BeenVerified, Better Match, Braintrust, CheckPeople, Clearbit, ClearView, CocoFinder, Covey, Crosschq, Draup, Eightfold, Entelo, Fastr.ai, Fetcher.ai, Findem, Gem, GoPerfect, Hackajob, HeroHunt, Hi People, Hireflow, Hirefly, hireEZ, Humanly, Instant Checkmate, Intelius, Juicebox, Jumpers, Kula, Lightcast, Lusha, Micro1, Moonhub, MyLife, Nebula, NIXZ, Noon, Nuwber, Palantir, PeekYou, PeopleFinders, PeopleLooker, Pipl, Popp, Radaris, Retrain.ai, Rival, SeekOut, SociallyRecruited, Solostar, Sourcegeek, Sourcewhale, Spokeo, Talentblum, TalentNeuron, Talentwunder, Techwolf, Tezi, The White Pages, Tofu, TruthFinder, US Search, Verispy, Vettery, Wellfound, Whitebridge, Yasni, ZabaSearch, Zoominfo