Het tijdperk van generatieve AI: wat verandert er?

De overvloed en diversiteit aan reacties op ChatGPT en andere generatieve AI’s – of die nu sceptisch of enthousiast zijn – tonen aan welke veranderingen deze technologieën teweegbrengen en welke impact ze hebben, ver buiten de gebruikelijke technologische kringen. Dit staat in schril contrast met eerdere generaties AI, die voornamelijk voorspellend waren en doorgaans het onderwerp vormden van artikelen of scripties die beperkt bleven tot de wereld van onderzoek en innovatie.

Voor bedrijven AI generatieve AI ook van eerdere vormen van kunstmatige intelligentie. Als we deze technologie vergelijken met de meest vergelijkbare technologieën, zoals natuurlijke taalverwerking (NLP) voor tekstcorpora of computervisie voor audiovisuele data, brengt generatieve AI vier belangrijke veranderingen met zich mee waarvan bedrijven zich steeds meer bewust worden naarmate ze ermee experimenteren.

Ten eerste versnelt generatieve AI , in vergelijking met eerdere AI, de implementatie van use cases AI , in die zin dat het de proof of concept versnelt. Ten tweede openen ze een nieuw scala aan mogelijkheden, waardoor ongestructureerde data eenvoudiger, efficiënter en goedkoper kunnen worden verwerkt. Bovendien AI de resultaten die met generatieve AI worden behaald nieuw in termen van kwaliteit, kwantiteit en diversiteit in vergelijking met de modellen die voorheen werden gebruikt. Al deze factoren betekenen dat we moeten inspelen op de verhoogde verwachtingen van eindgebruikers, aangewakkerd door de hype rond deze technologie. We werken deze vier punten hieronder uit.

Op het gebied van generatieve AI verloopt de implementatie van use cases vaak sneller en minder arbeidsintensief dan bij eerdere AI-systemen. De aanpak bij generatieve AI vaak vergeleken met het bouwen met Lego, waarbij bestaande onderdelen kunnen worden gecombineerd om nieuwe resultaten te creëren. Dit gemak bij het experimenteren en implementeren kan leiden tot kortere ontwikkelingscycli. Daarnaast versnelt een conversatiegerichte interactiemodus met gebruikers ook de acceptatie.

Een data case data kan worden teruggebracht tot een bedrijfsprobleem, data, een model en een prompt. Van oudsher vormen het maken en optimaliseren van het model het meest complexe en tijdrovende deel van het proces. Met generatieve AI wordt deze stap eenvoudiger. Generatieve AI vooraf getrainde, gebruiksklare modellen, waardoor bedrijven kunnen profiteren van geavanceerde expertise zonder veel tijd te hoeven investeren in het ontwikkelen en verfijnen van modellen. In de praktijk zijn modellen (zoals Azure's GPT 4.0) 'on-demand' toegankelijk of kunnen ze via API's worden geïmplementeerd (zoals Google's Gemini Pro BARD). Sommige aanbieders bieden zelfs speciaal afgestemde modellen voor specifieke domeinen, zoals het genereren van juridische, medische of financiële teksten.

Zodra het model is geïmplementeerd, blijft er nog maar één taak over: het generatieve AI ‘verankeren’, dat wil zeggen de door het model gegenereerde resultaten koppelen aan informatie uit de echte wereld, zodat het model binnen bepaalde grenzen blijft. Dit houdt vaak in dat er beperkingen of aanvullende informatie worden toegevoegd om het model te sturen in de richting van resultaten die coherent en relevant zijn binnen een specifieke context. Dit staat echter in schril contrast met de tijd die nodig is om de AI te trainen die we tot nu toe hebben gebruikt.

Laten we het voorbeeld van een use case voor de letterlijke analyse van callcentergegevens nemen om ons punt te illustreren. Volgens een Artefact duurde het bij de ontwikkeling van dit soort use cases met modellen op basis van eerdere AI doorgaans drie tot vier weken vanaf het moment data de data verzameld en bruikbaar gemaakt. Tegenwoordig duurt dit proces dankzij generatieve AI slechts één week, wat neerkomt op een versnelling van meer dan drie keer. De grootste uitdaging is het kiezen van de juiste bedrijfsclassificatie om het model aan te passen.

Sommige olievelden zijn alleen winstgevend als de olieprijzen omhoogschieten. Hetzelfde principe geldt voor data. Dankzij generatieve AI data bepaalde ongestructureerde data nu worden ontgonnen, waardoor een geheel nieuw gebied aan bruikbare data wordt ontsloten data het trainen of verfijnen van modellen, en talrijke mogelijkheden ontstaan voor toepassingen die zich op specifieke domeinen richten.

En er is een nieuwe belofte in opkomst: die van generatieve AI’s die in staat zijn om data hun trainingsprocessen elk type data te verwerken en te combineren, waardoor het tijdrovende en moeizame werk van het structureren en verbeteren van de kwaliteit vandata deze bruikbaar te maken, wordt omzeild. Een belofte die, op basis van de huidige bevindingen, nog niet is waargemaakt.

Generatieve AI niet alleen geprofiteerd van een echte doorbraak op het gebied van aandachtsmechanismen. Ze heeft ook geprofiteerd van de steeds grotere – en noodzakelijke – rekenkracht van machines.

Aandachtsmechanismen werken een beetje zoals het vermogen van een mens om zich te concentreren op een belangrijk deel van een afbeelding of tekst wanneer hij iets probeert te begrijpen of te creëren. Stel je voor dat je een landschap probeert te tekenen aan de hand van een foto. In plaats van in één keer naar de hele afbeelding te kijken, concentreer je je op bepaalde delen die belangrijk lijken, zoals bergen of bomen. Dit helpt je om belangrijke details beter te begrijpen en een nauwkeurigere tekening te maken. Op dezelfde manier stellen aandachtsmechanismen het model in staat om zich te concentreren op specifieke delen van een afbeelding of tekst bij het genereren van inhoud. In plaats van alle input in één keer te verwerken, kan het model zich richten op de meest relevante en belangrijke delen om nauwkeurigere en zinvollere resultaten te produceren. Hierdoor kan het leren hoe het afbeeldingen, tekst of andere soorten inhoud efficiënter en realistischer kan creëren.

Aandachtsmechanismen lenen zich uitstekend voor parallellisatie. Het gebruik van meerdere aandachtsmechanismen zorgt voor een rijkere en robuustere weergave van data, wat leidt tot betere prestaties bij diverse taken, zoals machinevertaling, tekstgeneratie, spraaksynthese, beeldgeneratie en nog veel meer.

Daardoor zijn toepassingen die nog niet zo lang geleden onmogelijk leken, nu volledig binnen handbereik gekomen. Dit geldt bijvoorbeeld voor het berekenen van de spreektijd in de media tijdens presidentscampagnes. Nog maar twee jaar geleden was het nauwkeurig berekenen van de spreektijd van elke kandidaat een moeizaam karwei. Tegenwoordig is dit dankzij het gebruik van generatieve AI mogelijk.

Wat rekenkracht betreft, publiceerde OpenAI zes jaar geleden een analyse waaruit bleek dat de hoeveelheid rekenkracht die wordt gebruikt bij de belangrijkste AI sinds 2012 exponentieel is toegenomen, met een verdubbelingstijd van 3,4 maanden (ter vergelijking: de wet van Moore kende een verdubbelingstijd van twee jaar). Sinds 2012 is deze maatstaf meer dan 300.000 keer toegenomen (een verdubbelingsperiode van twee jaar zou slechts een zevenvoudige toename opleveren).

Generatieve AI vereisen vaak enorme hoeveelheden rekenkracht voor het trainen, vooral omdat de modellen zijn ontworpen als generalisten en voor hun training enorme hoeveelheden content nodig hebben. Er zijn krachtige rekenmiddelen nodig, zoals high-end GPU’s of TPU’s, om grote datasets te verwerken en complexe optimalisatiealgoritmen uit te voeren. De nieuwe NVIDIA A100 Tensor Core GPU lijkt een ongekende versnelling te bieden. Volgens Nvidia services de A100 tot 20 keer betere services dan de vorige generatie en kan hij worden opgedeeld in zeven GPU-instanties om zich dynamisch aan te passen aan veranderende eisen. Hij beschikt naar verluidt ook over 's werelds snelste geheugenbandbreedte, met meer dan twee terabyte per seconde (TB/s) voor het draaien van de grootste modellen en datasets.

Opgemerkt moet worden dat de vooruitgang op het gebied van artificial intelligence grotendeels te danken is aan verbeteringen in de computertechnologie. Zolang deze trend zich voortzet, moeten we ons voorbereiden op de gevolgen van systemen die de huidige mogelijkheden ver overstijgen en die de grenzen verder zullen verleggen, waarbij we de voordelen van deze systemen moeten afwegen tegen de kosten die ze met zich meebrengen, met name op het gebied van energie en het milieu. We zullen deze punten in een volgend artikel bespreken.

Generatieve AI onderscheidt zich AI van eerdere AI de impact die zij heeft op de resultaten die haar modellen genereren. Niet alleen is de hoeveelheid gegenereerde resultaten toegenomen, maar ook de kwaliteit en diversiteit ervan. Al deze positieve aspecten moeten echter worden getemperd door de lagere reproduceerbaarheid van generatieve AI .

Als we het beeld van een legpuzzel nemen, kan data worden vergeleken met het in elkaar zetten ervan, waarbij elk stukje data een puzzelstukje data dat moet worden geplaatst om een samenhangend beeld te onthullen. AI een cruciale rol bij het invullen van de ontbrekende data de beschikbare informatie te gebruiken om die ontbrekende stukjes af te leiden en te reconstrueren. Generatieve AI dan het simpelweg aanvullen van bestaande data nieuwe data te creëren data op wat er al is. Dit proces breidt de analysemogelijkheden uit en maakt het mogelijk om nieuwe informatie te ontdekken uit bestaande data, waardoor het generatieve aspect op de voorgrond treedt.

In tegenstelling tot eerdere generaties AI, die vaak vergelijkbare resultaten opleveren, zijn generatieve AI in staat om een grotere verscheidenheid aan resultaten te genereren door verschillende variaties en alternatieven te verkennen. Deze grotere diversiteit maakt het mogelijk om rijkere, meer gevarieerde inhoud te genereren, waarbij de focus verschuift van kwantiteit naar kwaliteit en een breder scala aan behoeften en voorkeuren wordt gedekt.

OpenAI was onlangs in Hollywood om zijn nieuwste model, genaamd „Sora“, te presenteren, dat video’s kan genereren op basis van tekst. „Het is één ding om te horen dat het al deze dingen kan, maar het was verbazingwekkend om de mogelijkheden daadwerkelijk te zien“, aldus Hollywood-producent Mike Perry, die de diversiteit en kwaliteit van de mogelijkheden van generatieve AI benadrukte.

Omdat generatieve AI echter een breder scala aan mogelijkheden kunnen verkennen, zijn ze vaak minder reproduceerbaar dan eerdere AI-systemen, waardoor de nauwkeurigheid van de resultaten in het gedrang komt. Concreet betekent dit dat het moeilijker is om bij elke uitvoering van het model exact dezelfde resultaten te verkrijgen, wat in bepaalde bedrijfskritische toepassingen problemen kan opleveren op het gebied van betrouwbaarheid en voorspelbaarheid.

Deze beperking vormt een grote uitdaging voor toepassingen van generatieve AI nauwkeurige antwoorden vereisen. Het is een gebied waar bedrijven zich in hun huidige ontwikkelingen op richten: modellen beter specialiseren in zeer specifieke domeinen om de nauwkeurigheid van de antwoorden te verbeteren, en de robuustheid van op regels gebaseerde modellen of zoekopdrachten op gestructureerde data combineren data het gebruiksgemak en de interactie met gebruikers van generatieve AI, door deze laatste te koppelen aan de output van de eerstgenoemde.

Als het gaat om het managen van verwachtingen en de relatie van eindgebruikers met technologie, AI generatieve AI een aantal specifieke uitdagingen AI . Omdat generatieve AI in staat is om snel resultaten te leveren, AI bijzonder hoge verwachtingen wekken. Omgekeerd kunnen het optreden van hallucinaties en ongewenste resultaten het vertrouwen van gebruikers in deze oplossingen ernstig ondermijnen.

Generatieve AI snel en geautomatiseerd resultaten opleveren, waardoor eindgebruikers de indruk kunnen krijgen dat de technologie al hun problemen direct en efficiënt kan oplossen. Dit kan leiden tot onevenredig hoge verwachtingen ten aanzien van de daadwerkelijke mogelijkheden van generatieve AI, en tot teleurstelling als de resultaten niet volledig aan deze hoge verwachtingen voldoen.

Generatieve AI natuurlijk niet perfect en kan soms onverwachte of ongewenste resultaten opleveren, zoals inconsistente, onjuiste of ongepaste inhoud. Het optreden van dergelijke ongewenste resultaten kan leiden tot een verlies van vertrouwen bij de eindgebruiker in de technologie, waardoor de betrouwbaarheid en het nut ervan in twijfel worden getrokken. Het kan ook zorgen oproepen over data en privacy wanneer onverwachte resultaten de integriteit van door generatieve AI gegenereerde informatie in gevaar brengen.

In februari 2023 gaf de chatbot Bard van Google (omgedoopt tot Gemini) onjuiste informatie toen hem werd gevraagd naar de ontdekkingen van de James Webb-ruimtetelescoop van NASA. Hij beweerde ten onrechte dat de telescoop de eerste foto’s van een exoplaneet had gemaakt. Deze bewering is onjuist, aangezien de eerste foto's van een exoplaneet dateren uit 2004, terwijl de James Webb-telescoop pas in 2021 werd gelanceerd (bron: CNET France-team, 2024).

Het is dan ook van cruciaal belang dat eindgebruikers van generatieve AI zich bewust zijn van de beperkingen ervan. Daarom streven de meeste bedrijven die deze oplossingen implementeren ernaar om gebruikers bij het gebruik ervan te ondersteunen: door hen te trainen in het opstellen van prompts, de beperkingen van deze systemen uit te leggen, duidelijk te maken aan welke verwachtingen wel of niet kan worden voldaan, en hen te wijzen op de geldende regels op het gebied van data .

Ruim een jaar na de lancering van ChatGPT zijn de verwachtingen ten aanzien van deze nieuwe technologie nog steeds even hooggespannen. De toegevoegde waarde ervan moet zich echter nog in concrete toepassingen manifesteren. In ons volgende artikel gaan we in op onderwerpen die verband houden met de implementatie van deze technologie binnen bedrijven en de manier waarop deze zich door de organisatie verspreidt.

Onder leiding van: