AI Ontsleutelen: Een Gids om de Jargon en Basisprincipes te Begrijpen
Janna Ehrenberg
De term "artificial intelligence’’, of in het Nederland kunstmatige intelligentie, werd voor het eerst genoemd de jaren 50. Het beschrijft het gebied van de computerwetenschap dat erop gericht is systemen te creëren die niet te onderscheiden zijn van menselijke prestaties. Toepassingsgebieden zijn onder meer:
De eerste systemen waren gebaseerd op expliciete modellen van kennis en gebruikten logica om te redeneren. Moderne systemen passen technieken toe die zijn geïnspireerd door de neurowetenschap, waardoor ze kennis kunnen leren en transformeren, en daarmee de noodzaak om kennis expliciet te modelleren overslaan.
Houd er rekening mee dat generatieve AI, met de mogelijkheid om content te creëren en toonaangevende tools zoals ChatGPT (NLP) en Midjourney (beelden), slechts de nieuwste subtype is in een lange reeks innovaties op dit gebied.
Generatieve AI, of Gen AI, is een type kunstmatige intelligentie. In vergelijking met andere typen AI heeft het de mogelijkheid om zaken te creëren zoals e-mails, softwarecode, ontwerpen, afbeeldingen, en muziekvideo's. Het type output hangt af van de training die het Gen AI-model met diepe neurale netwerken heeft gekregen. Gen AI verwijst niet naar een specifiek stuk software, maar beschrijft software die op een mensachtige manier kan begrijpen en produceren.
Fundamentele modellen vormen de basis voor generatieve AI. Dit zijn leermodellen die getraind zijn op enorme hoeveelheden gegevens en uitgebreide netwerken van relaties tussen woorden en attributen creëren. Het trainen van een fundamenteel model is zeer tijd- en kostbaar, en er bestaan slechts een paar in de wereld. Gelukkig kan één fundamenteel model worden gebruikt als basis voor veel verschillende AI-toepassingen. Bijvoorbeeld: Een fundamenteel model kan worden omgezet in een Large Language Model (LLM) of een tekst-naar-afbeelding generator door het model te verfijnen met toepassingsspecifieke gegevens.
“Nieuwe ontwikkelingen zijn zelden een revolutie, maar eerder een evolutie gebaseerd op bestaande ideeën.”
LLM’s, of Large Language Models, zijn fundamentele modellen die specifiek zijn verfijnd voor taalgerelateerde taken zoals schrijven, vertalen of samenvatten. Ze zijn getraind om het statistisch meest waarschijnlijke volgende woord in een zinsstructuur te herkennen. Ze vormen de basis van tools zoals ChatGPT en Copilot.
Tekst-naar-afbeelding generators zoals DALL-E of Midjourney kunnen afbeeldingen maken op basis van tekstinstructies. Ze combineren meerdere AI-technologieën, waarvan sommige al in de vroege jaren 2010 zijn ontwikkeld. Afhankelijk van de gekozen generator kunnen de gemaakte beelden sterk variëren, omdat het gebruikte fundamentele model en de trainingsbeelden een grote invloed hebben op het eindresultaat.
Voorbeeld: Met de prompt: “Genereer een afbeelding van een witte stoel in een rode kamer, zacht licht, van Gogh, postimpressionisme”, kunnen verschillende resultaten worden gecreëerd, afhankelijk van de generator.
Source: Copilot
Source: www.deepai.org
Zodra een fundamenteel model is getraind, kan het worden aangevuld met extra (kleinere hoeveelheden) gegevens om het toe te spitsen op specifieke toepassingen. Dit proces wordt fine-tuning genoemd. Hier zijn drie voorbeelden:
Fine-tuning vereist trainings- en testgegevens, en de kwaliteit van deze gegevens beïnvloedt de resultaten rechtstreeks. Aangezien AI-modellen complexe problemen aanpakken en gegevens slechts een deel van de realiteit vertegenwoordigen, is een 100% succespercentage onmogelijk. De persoon die verantwoordelijk is voor fine-tuning moet een balans vinden tussen goede prestaties en de tijd, kosten en inspanning die eraan worden besteed.
Prompting verwijst naar het geven van aanwijzingen of stimuli om een reactie of actie uit te lokken. In de context van AI houdt dit in dat je specifieke instructies of input geeft aan een AI-model om een gewenst resultaat te genereren. Bijvoorbeeld: “Geef me de link naar de Infodation-website”. Dit kan het stellen van vragen, het geven van scenario’s of het geven van opdrachten omvatten om de reacties van de AI te sturen.
Werken met generatieve AI is zo toegankelijk als het aanmaken van een account bij OpenAI en het typen van een zin in een tekstveld. Toch voelt het begrijpen ervan alsof je meerdere PhD’s nodig hebt en een wekelijkse afspraak in je agenda om de nieuwste ontwikkelingen bij te houden. Voor de meesten van ons is dat niet haalbaar.
Gelukkig, zoals bij veel IT-ontwikkelingen, is generatieve AI sterk gebaseerd op fundamentele concepten. Nieuwe ontwikkelingen zijn zelden een revolutie, maar eerder een evolutie gebaseerd op bestaande ideeën. Tijd besteden aan het leren van de basisprincipes geeft je inzicht in de voordelen en valkuilen van huidige en toekomstige ontwikkelingen. Dit zal op de lange termijn leiden tot een productievere relatie met generatieve AI. Het is een technologie die de investering van je tijd waard is.
Volg ons op LinkedIn