fix: update slide 9 lesson 1

Les01-Introductie-AI/Les01-Slide-Overzicht.md

@@ -141,26 +141,40 @@
 
 ---
 
-### Slide 9: Next-Token Prediction
-*(3 minuten)*
+### Slide 9: Tokens & Next-Token Prediction
+*(4 minuten)*
 
 **Titel:** Hoe "denkt" een LLM?
 
 **Inhoud:**
 
-**Voorbeeld:** "De kat zat op de ___"
+**Stap 1: Tekst → Tokens (nummers)**
+```
+"Ik drink koffie" → [1847, 5621, 8934]
+```
+Elk woord (of woorddeel) krijgt een nummer.
 
+**Stap 2: Betekenis in getallen**
+Woorden met vergelijkbare betekenis liggen dicht bij elkaar:
+- "koffie" en "thee" → dichtbij
+- "staal" en "metaal" → dichtbij
+- "koffie" en "fiets" → ver uit elkaar
+
+**Stap 3: Voorspel het volgende token**
+```
+"Ik drink koffie met ___"
+```
 Het model berekent kansen:
-- "mat" → 65%
-- "stoel" → 15%
-- "bank" → 10%
+- "melk" → 45%
+- "suiker" → 30%
+- "een" → 15%
 
-→ Kiest waarschijnlijk "mat" (maar niet altijd!)
+→ Kiest waarschijnlijk "melk" (maar niet altijd!)
 
 **Dit verklaart:**
-- Waarom het soms briljant is
-- Waarom het soms onzin produceert
-- Waarom dezelfde vraag verschillende antwoorden geeft
+- Waarom het soms briljant is (patronen herkend)
+- Waarom het soms onzin produceert (verkeerde voorspelling)
+- Waarom dezelfde vraag verschillende antwoorden geeft (kans, niet zekerheid)
 
 ---