# Hoe vind ik een taakspecifiek model in plaats van een algemene chatbot te gebruiken?

> Een klein model vinden dat voor één taak is gebouwd, zoals classificeren, extraheren of vertalen, en controleren of het een chatbot evenaart met minder energie.

Source: https://greenai.guide/nl/hoe/hoe-vind-ik-een-taakspecifiek-model-in-plaats-van-een-algemene/  
Updated: 2026-11-19

## In het kort

Benoem de taak precies, doorzoek dan een modelhub zoals Hugging Face op taaktype en test twee of drie kleine kandidaten op uw eigen voorbeelden. Een model dat voor één taak is gebouwd, kan ordes van grootte goedkoper zijn om te draaien dan een algemeen generatief model dat dezelfde taak doet, dus een middag testen is de moeite waard voordat u voor een chatbot kiest.

## Steps

1. Beschrijf de taak in één regel, zoals "sorteer supportmails in zes categorieën".
2. Doorzoek een modelhub gefilterd op dat taaktype, bijvoorbeeld tekstclassificatie of vertaling.
3. Selecteer twee of drie kleine modellen en controleer hun licenties en talen.
4. Test elk model op 50 tot 100 van uw eigen echte voorbeelden met een vooraf bepaalde norm.
5. Vergelijk het energieverbruik per verzoek waar een beoordeling bestaat, en houd een algemeen model alleen voor de gevallen die mislukken.

**Voor goed afgebakende taken is een model dat voor die taak is getraind meestal goedkoper en vaak net zo goed.** Een
algemene chatbot betaalt bij elk verzoek voor vaardigheden die uw taak nooit gebruikt.

## Waarom is dit belangrijk? {#why-does-it-matter}

Luccioni, Jernite en Strubell vergeleken veel modellen op gangbare taken en ontdekten dat generatieve modellen voor
algemeen gebruik ordes van grootte duurder waren om te draaien dan taakspecifieke systemen voor dezelfde taken.
UNESCO en University College London melden dat kleine taakspecifieke modellen het energieverbruik met tot 90% kunnen
verlagen.

## Waar moet ik zoeken? {#where-do-i-look}

**Begin bij een openbare modelhub en zoek op taak, niet op merk.** Bij Hugging Face kunt u modellen bijvoorbeeld
filteren op taak, zoals tekstclassificatie, herkenning van benoemde entiteiten, samenvatten, vertalen of
spraakherkenning. Let op:

- modellen die zijn gefinetuned op data die op de uwe lijkt (dezelfde taal, hetzelfde soort tekst);
- een duidelijke modelkaart die zegt waarop het model is getraind en hoe het is geëvalueerd;
- een omvang die u zich kunt veroorloven om te draaien, gemeten in [parameters](/nl/woordenlijst/#parameters).

Om het energieverbruik te vergelijken, beoordeelt de AI Energy Score modellen op GPU-energie voor tien gangbare
taken, met een tot vijf sterren.

## Veelgemaakte fouten {#common-mistakes}

- **Alleen op openbare benchmarks oordelen.** Test op uw eigen voorbeelden; dat is de enige score die voor u telt.
- **Een chatbot grootschalig laten classificeren.** Als u duizenden items labelt, is een kleine classifier sneller en
  goedkoper.
- **De terugvaloptie vergeten.** Houd een groter model voor de moeilijke gevallen, en zie
  [hoe u verzoeken naar kleinere modellen routeert](/nl/hoe/hoe-stuur-ik-verzoeken-door-naar-kleinere-ai-modellen/).

Lees voor de volledige methode [kies het juiste model](/nl/goede-praktijk/kies-het-juiste-model-voor-de-taak/).

## Bronnen

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
