Wat is generatieve AI? Hoe werkt het?

Greg Pavlik | senior vicepresident, Oracle Cloud Infrastructure | 15 september 2023

Generatieve kunstmatige intelligentie is een relatief nieuwe vorm van AI die, in tegenstelling tot eerdere vormen, nieuwe content kan creëren door de trainingsgegevens te extrapoleren. Sinds de eerste op generatieve AI gebaseerde chatbot voor consumenten op de markt werd gebracht in de herfst van 2022, is de wereld in de ban geraakt van de buitengewone capaciteiten van deze chatbot om menselijk geschreven teksten, afbeeldingen, audio en video te produceren. In een rapport van McKinsey & Company uit juni 2023 wordt geschat dat met generatieve AI jaarlijks tussen 6,1 en 7,9 biljoen dollar kan worden toegevoegd aan de wereldeconomie door de productiviteit van werknemers te verhogen. Om dat in context te plaatsen: in hetzelfde onderzoek wordt het jaarlijkse economische potentieel voor een verhoogde productiviteit van alle AI-technologieën samen vastgesteld op 17,1 tot 25,6 biljoen dollar. Dus hoewel generatieve AI medio 2023 een serieuze 'hap' vormt, is het nog steeds slechts een deel van de hele 'AI-taart'.

Maar bij elke actie hoort een gelijke en een tegengestelde reactie. Generatieve AI biedt niet alleen opmerkelijke perspectieven voor de productiviteit, maar brengt ook nieuwe potentiële bedrijfsrisico's met zich mee, zoals onnauwkeurigheid, privacyschendingen en onthulling van intellectueel eigendom, maar ook de mogelijkheid om een grootschalige economische en maatschappelijke ontwrichting te veroorzaken. De beoogde voordelen van generatieve AI wat betreft productiviteit kunnen bijvoorbeeld waarschijnlijk niet worden gerealiseerd zonder dat er aanzienlijke inspanningen worden verricht om werknemers om te scholen, met als gevolg dat velen van hen hun huidige baan niet kunnen aanhouden. Daarom pleiten beleidsmakers van overheden over de hele wereld en zelfs sommige leidinggevenden uit de technologiesector ervoor om snel voorschriften op te stellen voor AI.

In dit artikel wordt uitgebreid ingegaan op de belofte en het gevaar van generatieve AI: hoe het werkt; de meest voor de hand liggende toepassingen, gebruiksscenario's en voorbeelden; de beperkingen; de mogelijke zakelijke voordelen en risico's; best practices voor het gebruik ervan; en een kleine blik op de toekomst.

Wat is generatieve AI?

Generatieve AI (GAI) is de naam voor een subset van AI-technologieën voor machine learning waarmee onlangs de mogelijkheid is ontwikkeld om snel content te maken als respons op tekstprompts, die kunnen variëren van kort en eenvoudig tot zeer lang en complex. Met verschillende tools voor generatieve AI kan nieuwe content in de vorm van audio, video en afbeeldingen worden geproduceerd, maar het is vooral de tekstgerichte conversationele AI die tot de verbeelding spreekt. Eigenlijk kunnen mensen op vrijwel dezelfde manier communiceren met (en leren van) tekst-getrainde generatieve AI-modellen als met echte mensen.

Op 30 november 2022 werd ChatGPT uitgebracht, een chatbot op basis van het neurale netwerkmodel GPT-3.5 van OpenAI, en in de maanden daarna heeft generatieve AI stormenderhand de wereld veroverd. GPT staat voor Generative Pretrained Transformer, woorden die voornamelijk de onderliggende neurale netwerkarchitectuur van het model beschrijven.

Sinds het Massachusetts Institute of Technology halverwege de jaren 1960 ELIZA uitbracht, zijn er diverse conversationele chatbots gelanceerd. Maar de meeste van deze chatbots, waaronder ELIZA, waren geheel of grotendeels gebaseerd op regels, en beschikten dus niet over contextueel inzicht. Hun responsen waren beperkt tot een set vooraf gedefinieerde regels en sjablonen. De generatieve AI-modellen die nu in opkomst zijn, bevatten echter geen vooraf gedefinieerde regels of sjablonen. Metaforisch gezien zijn het primitieve, blanco hersenen (neurale netwerken) die aan de wereld worden blootgesteld via training op basis van echte gegevens. Vervolgens ontwikkelen ze onafhankelijk intelligentie, een representatief model van hoe die wereld werkt, die ze gebruiken om nieuwe content te genereren als reactie op prompts. Zelfs experts in AI weten niet precies hoe ze dit doen, omdat de algoritmen door het systeem zelf worden ontwikkeld en verfijnd terwijl het systeem wordt getraind.

Zowel grote als kleine bedrijven kunnen niet anders dan enthousiast zijn over de mogelijkheden die generatieve AI biedt om technologieautomatisering te gebruiken voor kenniswerk, iets waar tot nu toe veel weerstand tegen is geweest. Met tools voor generatieve AI wordt de automatiseringsmethode van kenniswerk veranderd. Doordat met deze tools menselijk geschreven teksten, afbeeldingen, audio en video kunnen worden geproduceerd als reactie op tekstprompts in gewoon Engels, kunnen ze samenwerken met menselijke partners om content te genereren die praktisch werk vervangt.

"De komende jaren gaan veel bedrijven hun eigen gespecialiseerde large language models trainen", aldus Larry Ellison, voorzitter en Chief Technology Officer bij Oracle, tijdens de earnings call van het bedrijf in juni 2023.

Generatieve AI versus AI

Kunstmatige intelligentie is een uitgestrekt gebied binnen de informatica, waar generatieve AI op dit moment een klein onderdeel van uitmaakt. Het spreekt voor zich dat generatieve AI en traditionele AI veel kenmerken met elkaar gemeen hebben. Maar er zijn ook enkele belangrijke verschillen.

  • Gemeenschappelijke kenmerken: ze zijn allebei afhankelijk van grote hoeveelheden gegevens voor training en besluitvorming (hoewel de trainingsgegevens voor generatieve AI ordes van grootte omvangrijker kunnen zijn). Bij beide systemen worden patronen geleerd uit de gegevens en wordt die 'kennis' vervolgens gebruikt om voorspellingen te doen en hun eigen gedrag aan te passen. Ook kunnen beide systemen in de loop van de tijd worden verbeterd door hun parameters aan te passen op basis van feedback of nieuwe informatie.
  • Verschillen: traditionele AI-systemen worden meestal ontworpen om een specifieke taak beter of goedkoper uit te voeren dan een mens, zoals het detecteren van creditcardfraude, het bepalen van een route of, misschien binnenkort al, het besturen van een auto. Generatieve AI is breder: hiermee wordt nieuwe en originele content gecreëerd die lijkt op maar niet te vinden is in de trainingsgegevens. Bovendien worden traditionele AI-systemen, zoals systemen met machine learning, voornamelijk getraind met gegevens die specifiek zijn voor de beoogde functie, terwijl generatieve AI-modellen worden getraind met grote, diverse gegevenssets (en dan soms worden verfijnd op basis van veel kleinere gegevensvolumes die zijn gekoppeld aan een specifieke functie). Ten slotte wordt traditionele AI bijna altijd getraind met gelabelde/gecategoriseerde gegevens aan de hand van technieken voor supervised learning, terwijl generatieve AI in eerste instantie altijd moet worden getraind aan de hand van unsupervised learning (dat wil zeggen dat de gegevens niet worden gelabeld en de AI-software geen expliciete begeleiding krijgt).

Een ander noemenswaardig verschil is dat de training van basismodellen voor generatieve AI 'idioot duur' is, om de woorden van een AI-onderzoeker te gebruiken. Zeg dat er alleen al voor de hardware 100 miljoen dollar nodig is, en nog eens dat bedrag voor cloudservices, want daar wordt de meeste AI-ontwikkeling gedaan. En dan zijn er nog de kosten van de enorm grote gegevensvolumes die nodig zijn.

Voornaamste conclusies

  • Generatieve AI werd een wereldwijde hit in november 2022 en zal naar verwachting binnenkort miljarden dollars toevoegen aan de wereldeconomie, en dat elk jaar opnieuw.
  • AI is een vorm van op neurale netwerken gebaseerde machine learning die is getraind aan de hand van enorme gegevenssets waarmee nieuwe content met tekst, afbeeldingen, audio en video kan worden gemaakt als respons op prompts van gebruikers in gewone taal.
  • Marktonderzoekers voorspellen dat de technologie een economische impuls teweeg zal brengen door een drastische verhoging van de productiviteit op het gebied van kenniswerk, waar automatisering tot nu geen voet aan de grond heeft gekregen.
  • Generatieve AI brengt risico's en beperkingen met zich mee die ondernemingen moeten beheersen, zoals de verspreiding van onjuiste informatie ('hallucineren') en onbedoelde schending van auteursrechten.
  • Er wordt ook verwacht dat de aard van werkzaamheden aanzienlijk zal veranderen, waarbij mogelijk verlies van banen en herstructurering van rollen niet kunnen worden voorkomen.

Generatieve AI: uitleg

De schijnbaar magische belofte van generatieve AI voor zowel grote als kleine bedrijven is dat daarmee de voordelen van technologische automatisering kunnen worden toegepast op kenniswerk. Of, zoals wordt beschreven in een rapport van McKinsey, 'activiteiten met betrekking tot besluitvorming en samenwerking, waarvoor automatisering voorheen niet goed mogelijk was'.

Historisch gezien is technologie het meest effectief geweest in het automatiseren van routinematige of repetitieve taken waarvoor al beslissingen zijn genomen of betrouwbaar kunnen worden bepaald op basis van specifieke, duidelijke regels. Denk bijvoorbeeld aan de productie, met een nauwkeurige herhaling van de assemblagelijn, of de boekhouding, met gereguleerde principes die door sectororganisaties zijn opgesteld. Maar met generatieve AI is het mogelijk om veel geavanceerder cognitief werk te doen. Om een extreem voorbeeld te noemen: generatieve AI kan helpen bij de strategievorming van een organisatie door te reageren op vragen naar alternatieve ideeën en scenario's van de managers van een bedrijf dat zich midden in een disruptie in de sector bevindt.

In het rapport van McKinsey worden 63 gebruiksscenario's voor 16 bedrijfsfuncties beoordeeld, met als conclusie dat 75% van de biljoenen dollars aan potentiële waarde die kunnen worden gerealiseerd met generatieve AI, afkomstig is van een subset van gebruiksscenario's in slechts vier van die functies: klantactiviteiten, marketing en verkoop, software-engineering en onderzoek en ontwikkeling. De vooruitzichten voor omzetverhoging waren wat gelijkmatiger verdeeld over de sectoren, met enkele opvallende uitschieters: hightech stond boven aan de lijst van mogelijke toenamen als percentage van de inkomsten uit de sector, gevolgd door banken, farmaceutische en medische producten, onderwijs, telecommunicatie en gezondheidszorg.

Een onafhankelijke analyse van Gartner vertoonde een correlatie met de voorspellingen van McKinsey: bijvoorbeeld dat tegen 2025 meer dan 30% van de nieuwe geneesmiddelen en materialen zullen worden ontdekt met behulp van generatieve AI-technieken, vergeleken met nul vandaag, en dat 30% van de uitgaande marketingberichten van grote organisaties in 2025 kunstmatig zal worden gegenereerd, vergeleken met 2% in 2022. En uit een online enquête van Gartner bleek dat klantervaring en behoud van klanten de belangrijkste antwoorden waren (bij 38%) van 2.500 leidinggevenden op de vraag op welk gebied hun organisatie investeerde in generatieve AI.

Dit kan allemaal zo snel gebeuren, omdat generatieve AI in tegenstelling tot traditionele AI, waarmee al tientallen jaren stilletjes commerciële processen worden geautomatiseerd en opgewaardeerd, dankzij het talent van ChatGPT voor mensachtige gesprekken in één klap de wereld heeft veroverd. Daardoor werd ook de belangstelling gewekt voor generatieve AI-technologie die op andere modaliteiten is gericht: iedereen lijkt te experimenteren met het schrijven van tekst, of het maken van muziek, foto's en video's met behulp van een of meer van de verschillende modellen die gespecialiseerd zijn in de betreffende gebieden. Veel organisaties experimenteren dus al met generatieve AI. De impact daarvan op het bedrijfsleven en de samenleving gaat waarschijnlijk enorm zijn, en zal ongelooflijk snel gebeuren.

Een duidelijk nadeel daarvan is dat kenniswerk zal veranderen. Individuele rollen zullen veranderen, en soms behoorlijk veel, waardoor werknemers nieuwe vaardigheden zullen moeten leren. Er zullen banen verloren gaan. Maar de geschiedenis leert ons dat er met grote technologische veranderingen, zoals generatieve AI, altijd meer (en waardevollere) banen bijkomen dan verdwijnen. Maar daar hebben degenen die hun baan kwijtraken niet veel aan.

Hoe werkt generatieve AI?

Er zijn twee antwoorden op de vraag hoe generatieve AI-modellen werken. Empirisch gezien weten we in detail hoe deze modellen werken, omdat mensen hun verschillende implementaties van neurale netwerken zo hebben ontworpen dat deze precies doen wat ze doen, en die ontwerpen decennialang hebben herhaald om ze steeds beter te maken. AI-ontwikkelaars weten precies hoe de neuronen zijn verbonden, ze hebben het trainingsproces van alle modellen ontwikkeld. Toch weet niemand precies hoe generatieve AI-modellen doen wat ze doen, en dat is de pijnlijke waarheid.

"We weten niet hoe ze de creatieve taak daadwerkelijk uitvoeren, omdat datgene wat er in de neurale netwerklagen gebeurt, veel te complex voor ons is om te ontcijferen, tot nu toe tenminste", zegt Dean Thompson, voormalig Chief Technology Officer van meerdere AI-startups die door de jaren heen zijn overgenomen door andere bedrijven, waaronder LinkedIn en Yelp, waar hij als senior software-engineer werkt aan large language models (LLM's). Het vermogen van generatieve AI's om nieuwe originele content te produceren, lijkt een eigenschap te zijn die voortkomt uit datgene wat bekend is, dat wil zeggen, hun structuur en training. Er is dus genoeg wat we weten en kunnen uitleggen, maar wat een model zoals GPT-3.5 nou eigenlijk intern doet, wat het denkt zo te zeggen, dat moet nog worden uitgevogeld. Sommige AI-onderzoekers zijn ervan overtuigd dat dit in de komende 5 tot 10 jaar duidelijk zal worden. Anderen betwijfelen of het ooit volledig zal worden begrepen.

Hier volgt een overzicht van wat we wel weten over hoe generatieve AI werkt:

  • Begin met de hersenen. Als we generatieve AI-modellen willen begrijpen, is het menselijk brein een goede plek om te beginnen, zegt Jeff Hawkins in zijn boek "On Intelligence" uit 2004. Hawkins is een computerwetenschapper, hersenwetenschapper en ondernemer en presenteerde zijn werk in 2005 tijdens een sessie op PC Forum, een jaarlijkse conferentie van toonaangevende technologiemanagers onder leiding van tech-investeerder Esther Dyson. Hawkins veronderstelde dat de hersenen op neuronniveau werken door continu te voorspellen wat er daarna gaat gebeuren en vervolgens te leren van de verschillen tussen de voorspellingen en de daaropvolgende werkelijkheid. Om het eigen voorspellende vermogen te verbeteren, bouwen de hersenen een interne weergave van de wereld. Volgens zijn theorie komt de menselijke intelligentie uit dat proces voort. Of het nu door Hawkins komt of niet, generatieve AI werkt precies op deze manier. En verrassend genoeg gedraagt generatieve AI zich alsof het intelligent is.

  • Bouw een kunstmatig neuraal netwerk. Alle generatieve AI-modellen beginnen met een kunstmatig neuraal netwerk dat is gecodeerd in software. Volgens Thompson is een goede visuele metafoor voor een neuraal netwerk de bekende spreadsheet maar dan in drie dimensies, omdat de kunstmatige neuronen in lagen worden gestapeld, vergelijkbaar met hoe echte neuronen in de hersenen worden gestapeld. AI-onderzoekers noemen een neuron zelfs een 'cel', merkt Thompson op, en elke cel bevat een formule waarmee de cel wordt gekoppeld aan andere cellen in het netwerk, net zoals de verbindingen tussen hersenneuronen ook verschillend van sterkte zijn.

    Elke laag kan tientallen, honderden of zelfs duizenden kunstmatige neuronen bevatten, maar het aantal neuronen is niet waar de aandacht van AI-onderzoekers naartoe gaat. In plaats daarvan meten ze de modellen aan de hand van het aantal verbindingen tussen de neuronen. De sterkte van deze verbindingen varieert op basis van de coëfficiënten van de celvergelijkingen, die meer algemeen 'gewichtsfactoren' of 'parameters' worden genoemd. Het zijn deze coëfficiënten, die bepalend zijn voor de verbinding, waarnaar wordt verwezen wanneer er bijvoorbeeld wordt geschreven dat het GPT-3-model 175 miljard parameters heeft. De nieuwste versie, GPT-4, heeft naar verluidt biljoenen parameters, maar dat is nog niet officieel bevestigd. Een aantal neurale netwerkarchitecturen met verschillende kenmerken is geschikt om content te produceren in een bepaalde modaliteit. Zo lijkt de transformatorarchitectuur bijvoorbeeld het beste te zijn voor large language models.

  • Train het nieuwe neurale netwerkmodel. Large language models krijgen enorme hoeveelheden tekst te verwerken en moeten eenvoudige voorspellingen doen, zoals het volgende woord in een reeks of de juiste volgorde van een reeks zinnen. In de praktijk werken neurale netwerkmodellen echter in eenheden die tokens worden genoemd, niet in woorden.

    "Een woord dat vaak gebruikt wordt, kan zijn eigen token hebben, minder vaak voorkomende woorden zouden zeker uit meerdere tokens bestaan, en sommige tokens kunnen gewoon een spatie zijn gevolgd door 'th', omdat die reeks van drie tekens zo gebruikelijk is", aldus Thompson. Om een voorspelling te creëren, voert het model een token in de onderste laag van een bepaalde stapel kunstmatige neuronen in. Deze laag verwerkt het token en geeft de output door aan de volgende laag, die de output weer verwerkt en aan de volgende laag doorgeeft, enzovoort. Dit gaat door totdat de uiteindelijke output uit de bovenkant van de stapel komt. De grootte van de stapel kan aanzienlijk variëren, maar ligt meestal in de orde van tientallen lagen, niet duizenden of miljoenen.

    In de vroege fasen van de training zijn de voorspellingen van het model niet echt goed. Maar steeds als het model een token voorspelt, wordt aan de hand van de trainingsgegevens gecontroleerd of dit correct is. Ongeacht de uitkomst daarvan worden door middel van een 'backpropagation'-algoritme de parameters, dus de coëfficiënten van de formules, aangepast in alle cellen van de stapel waarin de voorspelling werd gecreëerd. Het doel van de aanpassingen is om de juiste voorspelling waarschijnlijker te maken.

    "Ook voor de correcte antwoorden wordt dit gedaan, want die correcte voorspelling had misschien slechts een zekerheid van 30%, maar die 30% was wel hoger dan alle andere mogelijke antwoorden", zegt Thompson. "Dus met backpropagation wordt die 30% bijvoorbeeld omgezet in 30,001%."

    Nadat het model dit proces voor triljoenen teksttokens heeft herhaald, wordt het zeer goed in het voorspellen van het volgende token, of woord. Na de eerste training kunnen generatieve AI-modellen worden verfijnd via een supervised-learning-techniek, zoals RHLF (reinforcement learning from human feedback). Bij RLHF wordt de output van het model aan menselijke beoordelaars gegeven. Zij geven een binaire positieve of negatieve beoordeling (duim omhoog of duim omlaag) die vervolgens wordt teruggevoerd naar het model. RLHF werd gebruikt om het GPT 3.5-model van OpenAI te verfijnen en de ChatGPT-chatbot te maken die wereldwijd een groot succes is geworden.

  • Maar hoe heeft het model mijn vraag beantwoord? Dat blijft een mysterie. Thompson beschrijft de huidige staat van begrip als volgt: "Er zit een groot stuk 'we weten het gewoon niet' in mijn uitleg. Wat we wel weten is dat de hele vraag als een reeks tokens wordt gezien die in de eerste laag allemaal tegelijkertijd worden verwerkt. En we weten dat de output van die eerste laag daarna in de volgende laag wordt verwerkt, en dat zo de hele stapel wordt doorlopen. We weten ook dat die bovenste laag wordt gebruikt om een voorspelling te doen. Er wordt dus een eerste token geproduceerd en dat eerste token wordt voorgesteld als een gegeven in dat hele systeem om het volgende token te produceren, enzovoort.

    "De logische volgende vraag is: waar heeft het systeem tijdens die gehele verwerking over nagedacht, en hoe? Wat hebben al die lagen gedaan? Het antwoord is helaas dat we het niet weten. We … weten … het … niet. Het kan worden bestudeerd. Het kan worden geobserveerd. Maar het is te complex voor ons om te analyseren. Het is net als een F-MRI (functionele MRI) van de hersenen van de mens. Het is een grove schets van wat het model eigenlijk deed. We weten het niet.”

    Hoewel het controversieel is, concludeerde een groep van tien tot twintig onderzoekers die in het najaar van 2022 al toegang kreeg tot GPT-4, dat de intelligentie waarmee het model reageert op complexe uitdagingen waaraan het werd blootgesteld, en de omvang van de expertise die het model vertoont, aangeven dat GPT-4 een vorm van algemene intelligentie heeft bereikt. Met andere woorden, het heeft een intern model opgebouwd van hoe de wereld werkt, net als het menselijk brein, en het gebruikt dat model om te redeneren aan de hand van de vragen die aan het model worden gesteld. Een van de onderzoekers vertelde in de podcast "This American Life" dat hij gewoon perplex was toen hij GPT-4 vroeg: "Geef me een recept voor chocoladekoekjes, maar dan geschreven in de stijl van een zeer depressieve persoon" en het model antwoordde: "Ingrediënten: 1 kopje zachte boter, als je tenminste de energie kunt vinden om de boter zacht te maken; 1 theelepel vanille-extract, de kunstmatige nepsmaak van geluk; 1 kopje halfzoete chocoladestukjes, piepkleine stukjes vreugde die uiteindelijk gewoon wegsmelten".

Waarom is generatieve AI belangrijk?

Het belang van generatieve AI kan eenvoudig worden begrepen door dit te beschouwen als een rekenmachine voor creatieve content met een open einde. Net zoals met een rekenmachine routinematige en alledaagse wiskundetaken kunnen worden geautomatiseerd, waardoor de gebruiker zich kan concentreren op belangrijkere taken, kunnen met generatieve AI de meer routinematige en alledaagse subtaken waaruit veel kenniswerk is opgebouwd, worden geautomatiseerd, waardoor de betreffende werknemers zich kunnen concentreren op de belangrijkere taken van hun functie.

Denk bijvoorbeeld aan de uitdagingen waarmee marketeers worden geconfronteerd als ze bruikbare inzichten willen verkrijgen uit de ongestructureerde, inconsistente en niet-verbonden gegevens waarmee ze vaak worden geconfronteerd. Traditioneel moeten die gegevens eerst worden samengevoegd, waarvoor een redelijke hoeveelheid aangepaste software-engineering nodig is om een gemeenschappelijke structuur te geven aan ongelijksoortige gegevensbronnen, zoals sociale media, nieuws en feedback van klanten.

"Maar met LLM's kan informatie uit verschillende bronnen eenvoudig rechtstreeks in de prompt worden ingevoerd en vervolgens worden gevraagd naar belangrijke inzichten, een sentimentanalyse of welke feedback de hoogste prioriteit moet krijgen, en dat zal gewoon werken", zegt Basim Baig, een senior engineeringmanager gespecialiseerd in AI en beveiliging bij Duolingo. “De kracht van het LLM is dat die grote en dure technische stap kan worden overgeslagen.”

Thompson stelt verder voor dat productmarketeers LLM's kunnen gebruiken om vrije tekst te taggen voor analyse. Stel bijvoorbeeld dat u een enorme database hebt met vermeldingen van uw product op sociale media. U kunt software schrijven voor een LLM en andere technologieën om:

  • de hoofdthema's van de berichten op sociale media te extraheren;
  • de karakteristieke thema's uit de individuele berichten te groeperen in terugkerende thema's;
  • te bepalen welke berichten welk terugkerend thema ondersteunen.

Vervolgens kunt u de resultaten gebruiken om:

  • door de voorbeelden te bladeren en de meest voorkomende terugkerende thema's te bestuderen;
  • het ontstaan en verdwijnen van terugkerende thema's te volgen;
  • een LLM te vragen om verder te zoeken in een terugkerend thema naar terugkerende vermeldingen van productkenmerken.

Modellen voor generatieve AI

Generatieve AI vertegenwoordigt een ruime categorie toepassingen op basis van een steeds groter wordende set variaties op neurale netwerken. Hoewel de algemene beschrijving in het gedeelte "Hoe werkt generatieve AI?" van toepassing is op alle vormen van generatieve AI, zijn er verschillen in implementatietechnieken om verschillende media te ondersteunen, zoals afbeeldingen en tekst, en om nieuwe bevindingen uit onderzoek en de bedrijfstak op te nemen als deze naar boven komen.

Neurale netwerkmodellen maken gebruik van repetitieve patronen van kunstmatige neuronen en hun onderlinge verbindingen. In een ontwerp van een neuraal netwerk, voor een willekeurige toepassing zoals bijvoorbeeld generatieve AI, wordt vaak honderden of duizenden keren hetzelfde patroon van neuronen herhaald, waarbij meestal steeds opnieuw dezelfde parameters worden gebruikt. Dit is een essentieel onderdeel van wat een 'neurale netwerkarchitectuur' wordt genoemd. De ontdekking van nieuwe architecturen is al sinds de jaren 1980 een belangrijk gebied van AI-innovatie, vaak met als doel het ondersteunen van een nieuw medium. Maar zodra een nieuwe architectuur is uitgevonden, wordt er vaak verder vooruitgang geboekt door dit op onverwachte manieren te gebruiken. De verdere innovatie komt voort uit het combineren van elementen van verschillende architecturen.

Twee van de oudste en meest gebruikte architecturen zijn:

  • Recurrente neurale netwerken (RNN's) ontstonden halverwege de jaren 1980 en worden nog steeds gebruikt. Met RNN's is aangetoond hoe AI sequentiële gegevens, dat wil zeggen informatie waarvan de volgorde betekenis heeft, zoals taal, het gedrag van de aandelenmarkt en klikstromen op het internet, kon leren en kan worden gebruikt om taken te automatiseren die afhankelijk zijn van deze gegevens. RNN's vormen de kern van veel AI-modellen voor audio, zoals apps die muziek genereren. Denk bijvoorbeeld aan de sequentiële aard van muziek en de op tijd gebaseerde afhankelijkheden. Maar deze neurale netwerken zijn ook goed in het verwerken van gewone taal (natural language processing, NLP). RNN's worden ook gebruikt in traditionele AI-functies, zoals spraakherkenning, handschriftanalyse, financiële en weersvoorspellingen, voorspelling van variaties in de energievraag en vele andere toepassingen.
  • Convolutionele neurale netwerken (CNN's) werden ongeveer 10 jaar later ontwikkeld. Deze netwerken zijn gericht op rasterachtige gegevens en daarom zeer geschikt voor het weergeven van ruimtelijke gegevens en het genereren van afbeeldingen. Populaire generatieve AI-apps voor het omzetten van tekst naar afbeeldingen, zoals Midjourney en DALL-E, maken gebruik van CNN's om de uiteindelijke afbeelding te genereren.

Hoewel RNN's nog steeds vaak worden gebruikt, hebben continue inspanningen om RNN's te verbeteren geleid tot een doorbraak:

  • Transformermodellen zijn uitgegroeid tot een veel flexibelere en krachtigere manier om reeksen weer te geven dan RNN's. Deze modellen hebben verschillende kenmerken waarmee sequentiële gegevens, zoals tekst, massaal parallel kunnen worden verwerkt zonder dat het begrip van de reeksen verloren gaat. Die parallelle verwerking van sequentiële gegevens is een van de belangrijkste kenmerken waardoor ChatGPT zo snel en goed kan reageren op prompts in spreektaal.

Dankzij onderzoek en inspanningen in de particuliere sector en op het gebied van open source zijn impactvolle modellen gecreëerd die op een hoger niveau van de architectuur en toepassingen van neurale netwerken innoveren. Er zijn bijvoorbeeld cruciale innovaties geweest in het trainingsproces, in hoe feedback van de training wordt opgenomen om het model te verbeteren en in hoe meerdere modellen kunnen worden gecombineerd tot generatieve AI-toepassingen. Hieronder wordt een overzicht gegeven van de belangrijkste innovaties op het gebied van generatieve AI-modellen:

  • Variationele auto-encoders (VAE's) maken gebruik van innovaties in neurale netwerkarchitectuur en trainingsprocessen en worden vaak toegepast in applicaties waarmee afbeeldingen worden gegenereerd. Ze bestaan uit encoder- en decodernetwerken, die weer gebaseerd kunnen zijn op een andere onderliggende architectuur, zoals RNN, CNN of een transformer. De encoder leert de belangrijke kenmerken van een afbeelding, comprimeert die informatie en slaat deze op als een weergave in het geheugen. De decoder gebruikt die gecomprimeerde informatie vervolgens om te proberen het origineel opnieuw te maken. Uiteindelijk leert de VAE nieuwe afbeeldingen te genereren die vergelijkbaar zijn met de trainingsgegevens.
  • Generatieve adversaire netwerken (GAN's) worden voor verschillende modaliteiten gebruikt, maar lijken een voorkeur te hebben voor videoapplicaties en andere aan afbeeldingen gerelateerde toepassingen. Wat GAN's onderscheidt van andere modellen, is dat ze bestaan uit twee neurale netten die tegen elkaar concurreren terwijl ze worden getraind. In het geval van afbeeldingen bijvoorbeeld, creëert de 'generator' een afbeelding en beslist de 'discriminator' of de afbeelding echt of gegenereerd is. De generator probeert voortdurend de discriminator voor de gek te houden, die op zijn beurt steeds weer probeert om de generator te slim af te zijn. In de meeste gevallen worden de twee concurrerende neurale netten gebaseerd op een CNN-architectuur, maar ook varianten van RNN's of transformermodellen zijn mogelijk.
  • Diffusiemodellen integreren meerdere neurale netwerken in een algemeen framework, waarbij soms verschillende architecturen worden geïntegreerd, zoals CNN's, transformermodellen en VAE's. Diffusiemodellen leren door gegevens te comprimeren, ruis toe te voegen (noising) en te verwijderen (denoising), en te proberen het origineel opnieuw te genereren. De populaire tool Stable Diffusion maakt gebruik van een VAE-encoder en -decoder voor respectievelijk de eerste en laatste stap, en twee CNN-variaties voor noising/denoising.

Wat zijn de toepassingen van generatieve AI?

Hoewel de wereld nog maar net is begonnen met het ontdekken van de mogelijke toepassingen van generatieve AI, is nu al duidelijk hoe bedrijven hiervan kunnen profiteren door generatieve AI toe te passen op hun activiteiten. Laten we eens kijken welke veranderingen generatieve AI teweeg kan brengen in de belangrijkste aspecten van interacties met klanten, verkoop en marketing, software-engineering en onderzoek en ontwikkeling.

In de klantenservice werden eerder al processen geautomatiseerd en selfservicefuncties geïntroduceerd met AI-technologie, maar dit veroorzaakte ook nieuwe frustraties bij klanten. Van generatieve AI wordt verwacht dat dit zowel voor klanten als servicemedewerkers voordelen biedt, met chatbots die kunnen worden aangepast aan verschillende talen en regio's, waardoor een meer gepersonaliseerde en toegankelijke klantervaring wordt gecreëerd. Als er tussenkomst van mensen nodig is om het probleem van een klant op te lossen, kunnen medewerkers van de klantenservice in realtime tools voor generatieve AI gebruiken om uitvoerbare strategieën te vinden, waardoor de snelheid en nauwkeurigheid van de interacties worden verbeterd. Dankzij de snelheid waarmee generatieve AI de gehele kennisbank van een grote onderneming kan doorzoeken en nieuwe oplossingen voor klachten van klanten kan vinden, kunnen servicemedewerkers veel beter specifieke problemen van klanten effectief oplossen, dan wanneer er gewerkt moet worden volgens verouderde gespreksscenario's en het doorschakelen van telefoongesprekken totdat er een antwoord is gevonden, of de klant geen geduld meer heeft.

Op het gebied van marketing kunnen met generatieve AI gegevens uit verschillende bronnen automatisch worden geïntegreerd en geanalyseerd, waardoor er veel sneller inzichten worden verkregen, direct beter geïnformeerde beslissingen kunnen worden genomen en sneller marktstrategieën kunnen worden ontwikkeld. Marketeers kunnen deze informatie gebruiken in combinatie met andere door AI gegenereerde inzichten om nieuwe, gerichtere advertentiecampagnes op te zetten. Hierdoor hoeven de medewerkers minder tijd te besteden aan het verzamelen van demografische gegevens en gegevens over koopgedrag en hebben ze meer tijd om resultaten te analyseren en over nieuwe ideeën te brainstormen.

Tom Stein is voorzitter en Chief Brand Officer bij b2b-marketingbureau Stein IAS en zegt dat elk marketingbureau, ook dat van hem, volop bezig is dergelijke mogelijkheden te onderzoeken. Maar, merkt Stein op, er zijn ook eenvoudigere opties voor de backendprocessen van een marketingbureau die sneller resultaat opleveren.

"Als we een informatieaanvraag krijgen, wordt in die informatieaanvraag voor 70% tot 80% dezelfde informatie opgevraagd als in andere informatieaanvragen, misschien met enkele contextuele verschillen die specifiek zijn voor de situatie van dat bedrijf", zegt Stein, die ook juryvoorzitter was van de Cannes Lions Creative B2B Awards in 2023. "Het is niet zo moeilijk om onze processen zo in te richten dat een deel van ons werk met AI-tools kan worden gedaan... Dus als we die 80% van onze tijd kunnen besparen en kunnen besteden aan het toevoegen van waarde aan de informatieaanvraag en het verbeteren van de kwaliteit, is dat in alle opzichten een winstgevende situatie. En dat geldt voor nog een aantal processen.”

Softwareontwikkelaars die met generatieve AI werken, kunnen processen in alle fasen, van planning tot onderhoud, stroomlijnen en versnellen. Tijdens de eerste creatiefase kunnen met behulp van tools voor generatieve AI grote hoeveelheden gegevens worden geanalyseerd en georganiseerd en meerdere programmaconfiguraties worden voorgesteld. Zodra wordt begonnen met de codering, kan AI de code testen en problemen met de code oplossen, fouten identificeren, diagnoses uitvoeren en oplossingen voorstellen, zowel voor als na de lancering. Thompson merkt op dat omdat zoveel zakelijke softwareprojecten meerdere programmeertalen en disciplines omvatten, hij en andere software-engineers AI hebben gebruikt om zichzelf te trainen in onbekende gebieden, en dat dat veel sneller ging dan voorheen. Hij heeft ook tools voor generatieve AI gebruikt om onbekende code te ontrafelen en specifieke problemen te identificeren.

Op het gebied van onderzoek en ontwikkeling kunnen met generatieve AI de snelheid en grondigheid van marktonderzoek worden verhoogd tijdens de eerste fasen van het productontwerp. Vervolgens kunnen met AI-programma's, en dan met name de programma's waarmee afbeeldingen kunnen worden gegenereerd, gedetailleerde ontwerpen van mogelijke producten worden gemaakt, gesimuleerd en getest, en kunnen medewerkers met deze tools snel en effectief aanpassingen doen tijdens de onderzoeks- en ontwikkelingsfase.

Ellison, de oprichter van Oracle, wees er tijdens de earnings call in juni op dat er 'met gespecialiseerde LLM's sneller nieuwe levensreddende geneesmiddelen kunnen worden ontdekt'. Het ontdekken van geneesmiddelen is een toepassing op het gebied van onderzoek en ontwikkeling waarbij gebruik kan worden gemaakt van de neiging van generatieve modellen om onjuiste of niet-verifieerbare informatie te verspreiden, maar dan op een goede manier: om nieuwe moleculen en eiwitsequenties te identificeren als ondersteuning van de zoektocht naar nieuwe behandelingen in de gezondheidszorg. Onafhankelijk daarvan heeft Cerner Enviza, een dochtermaatschappij van Oracle, samengewerkt met de Amerikaanse Food and Drug Administration (FDA) en John Snow Labs om AI-tools in te zetten om 'inzicht te krijgen in de effecten van geneesmiddelen op grote populaties'. Het is de AI-strategie van Oracle om kunstmatige intelligentie overal op te nemen in cloudapplicaties en cloudinfrastructuur.

Gebruiksscenario's van generatieve AI

Generatieve AI biedt uitgebreide mogelijkheden om diverse taken te versnellen of volledig te automatiseren. Bedrijven moeten weloverwogen en specifieke plannen maken om maximaal te kunnen profiteren van de voordelen van generatieve AI voor hun activiteiten. Hieronder worden enkele specifieke gebruiksscenario's genoemd:

  • Ontbrekende kennis aanvullen: met de eenvoudige, op chat gebaseerde gebruikersinterfaces kunnen tools voor generatieve AI worden gebruikt om algemene of specifieke vragen van medewerkers te beantwoorden en hen zo in de juiste richting te wijzen wanneer ze ergens mee vastlopen, van de eenvoudigste query's tot complexe bewerkingen. Verkopers kunnen bijvoorbeeld inzichten opvragen met betrekking tot een bepaalde account, en programmeurs kunnen een nieuwe programmeertaal leren.
  • Controleren op fouten: met tools voor generatieve AI kunnen teksten worden gecontroleerd op fouten, van informele e-mails tot professionele schrijfvoorbeelden. Deze tools kunnen zelfs meer doen dan fouten corrigeren: ze kunnen uitleg geven om gebruikers te leren hun werk te verbeteren.
  • Communicatie verbeteren: met tools voor generatieve AI kan tekst worden vertaald naar verschillende talen, kan de toon worden aangepast, kunnen unieke berichten worden gemaakt op basis van verschillende gegevenssets, en nog veel meer. Marketingteams kunnen tools voor generatieve AI gebruiken om relevantere advertentiecampagnes op te zetten, terwijl interne medewerkers hiermee in eerdere communicatie kunnen zoeken en snel relevante informatie en antwoorden op vragen kunnen vinden zonder andere medewerkers lastig te moeten vallen. Thompson gelooft dat deze mogelijkheid om institutionele kennis samen te voegen met betrekking tot elke vraag en elk idee van een medewerker, de manier waarop mensen communiceren binnen grote organisaties fundamenteel zal veranderen, waardoor de ontwikkeling van kennis een enorme boost zal krijgen.
  • Administratieve lasten verlichten: bedrijven waarin veel administratief werk wordt verricht, zoals medische codering/facturering, kunnen generatieve AI gebruiken om complexe taken te automatiseren, zoals het op de juiste manier indienen van documenten en het analyseren van aantekeningen van artsen. Hierdoor krijgen medewerkers meer tijd om zich te focussen op praktijkwerk, zoals de zorg voor patiënten of taken met betrekking tot klantenservice.
  • Medische beelden controleren op afwijkingen: medische zorgverleners kunnen generatieve AI gebruiken om medische dossiers en beelden te controleren op opmerkelijke afwijkingen en artsen aanbevelingen te geven voor medicatie, inclusief de mogelijke bijwerkingen gezien de medische voorgeschiedenis van de patiënt.
  • Problemen met code oplossen: software-engineers kunnen generatieve AI-modellen gebruiken om problemen met code op te lossen en de code te verfijnen op een manier die sneller en betrouwbaarder is dan de code regel voor regel doorlopen. Vervolgens kunnen ze de tool vragen om diepgaande uitleg te geven, om toekomstige coderingen en hun processen te verbeteren.

De voordelen van generatieve AI

De voordelen van generatieve AI voor een bedrijf zijn vooral te danken aan drie overkoepelende kenmerken: kennissynthese, samenwerking tussen mensen en AI, en snelheid. Hoewel veel van de hieronder vermelde voordelen vergelijkbaar zijn met de voordelen die in het verleden zijn beloofd voor eerdere AI-modellen en automatiseringstools, kan de aanwezigheid van een of meer van deze drie kenmerken bedrijven helpen sneller, eenvoudiger en effectiever van deze voordelen te profiteren.

Met generatieve AI kunnen organisaties aangepaste modellen bouwen die zijn getraind met hun eigen institutionele kennis en intellectueel eigendom, waarna kenniswerkers de software kunnen vragen om samen te werken aan een taak in dezelfde taal waarin ze ook met collega's praten. Een dergelijk gespecialiseerd generatief AI-model kan reageren door informatie uit de gehele kennisbank van het bedrijf met verbazingwekkende snelheid te combineren. Met deze benadering is er geen complexe, vaak minder effectieve en duurdere expertise in software-engineering meer nodig om specifieke programma's voor deze taken te ontwikkelen, en komen er waarschijnlijk ook ideeën en verbindingen aan het licht die bij eerdere benaderingen buiten beschouwing bleven.

  • Verhoogde productiviteit: kenniswerkers kunnen generatieve AI gebruiken om minder tijd te moeten besteden aan routinematige dagelijkse taken, zoals zichzelf trainen in een nieuwe discipline die plotseling nodig is voor een aankomend project, het organiseren of categoriseren van gegevens, het internet doorzoeken naar relevant onderzoek of het opstellen van e-mails. Door gebruik te maken van generatieve AI, kunnen taken waar voorheen grote teams of vele uren werk voor nodig waren, nu door minder werknemers en in een fractie van de tijd worden uitgevoerd. Een team van programmeurs kan bijvoorbeeld uren spenderen aan het controleren van gebrekkige code om te achterhalen wat er misging, terwijl met een tool voor generatieve AI de fouten binnen enkele momenten kunnen worden gevonden en samen met voorgestelde oplossingen kunnen worden gerapporteerd. Omdat sommige generatieve AI-modellen over vaardigheden beschikken die ruwweg gemiddeld of beter zijn op het gebied van vele verschillende kenniswerkcompetenties, kan de samenwerking met een generatief AI-systeem ook de productiviteit van de menselijke partner flink verhogen. Een junior productmanager kan bijvoorbeeld ook minstens een gemiddelde projectmanager zijn met een AI-coach aan zijn of haar zijde. Al deze mogelijkheden zorgen ervoor dat kenniswerkers projecten veel sneller kunnen voltooien.

  • Verminderde kosten: omdat taken veel sneller kunnen worden uitgevoerd met tools voor generatieve AI, zijn de kosten voor het voltooien van processen lager. Want als een taak in de helft van de tijd kan worden uitgevoerd, worden ook de kosten van de taak gehalveerd. Bovendien kan generatieve AI ervoor zorgen dat het aantal fouten wordt geminimaliseerd, dat er geen uitvaltijd meer is en dat redundanties en andere kostbare inefficiënties worden opgespoord. Er is echter één nadeel: vanwege de neiging van generatieve AI om te 'hallucineren', zijn er nog steeds menselijk toezicht en kwaliteitscontroles nodig. Er wordt echter verwacht dat door de samenwerking tussen mensen en AI veel meer werk in minder tijd kan worden gedaan dan met alleen mensen, en beter en nauwkeuriger dan met alleen AI-tools, waardoor de kosten naar beneden gaan. Bij het testen van nieuwe producten kan generatieve AI bijvoorbeeld helpen om geavanceerdere en gedetailleerdere simulaties te maken dan met oudere tools mogelijk was. Hierdoor nemen de tijd en kosten van het testen van nieuwe producten uiteindelijk af.

  • Verbeterde klanttevredenheid: klanten kunnen een superieure en meer gepersonaliseerde ervaring krijgen dankzij selfservice op basis van generatieve AI en tools voor generatieve AI die klantenservicemedewerkers 'informatie toefluisteren', waardoor deze in realtime over kennis beschikken. Hoewel de chatbots op basis van AI die tegenwoordig overal in de klantenservice worden gebruikt, soms frustrerend beperkt overkomen, hebben de huidige mogelijkheden van ChatGPT-gesprekken wel duidelijk gemaakt dat er een veel betere klantervaring mogelijk is, aangestuurd door een speciaal getraind generatief AI-model van een bedrijf.

  • Beter onderbouwde besluitvorming: speciaal getrainde, bedrijfsspecifieke generatieve AI-modellen kunnen gedetailleerde inzichten bieden door middel van scenariomodellering, risicobeoordeling en andere geavanceerde benaderingen voor predictive analytics. Besluitvormers kunnen deze tools gebruiken om een beter inzicht te krijgen in hun sector en de positie van hun bedrijf daarin via gepersonaliseerde aanbevelingen en bruikbare strategieën op basis van uitgebreidere gegevens en snellere analyses dan mogelijk zijn met alleen menselijke analisten of oudere technologie.

    Besluitvormers kunnen bijvoorbeeld de voorraadtoewijzing voor een druk seizoen beter beheren via nauwkeurigere vraagprognoses die mogelijk zijn gemaakt door een combinatie van interne gegevens verzameld door hun ERP-systeem (enterprise resource planning) en uitgebreid extern marktonderzoek, en die vervolgens worden geanalyseerd door een gespecialiseerd generatief AI-model. In dit geval zorgt een betere toewijzing voor minder overvoorraad en ondervoorraad en een maximale verkoop.

  • Snellere productlanceringen: met generatieve AI kunnen snel prototypen van producten en eerste concepten worden geproduceerd, werkzaamheden worden verfijnd en bestaande projecten worden getest en aangepast, zodat er veel sneller verbeteringen kunnen worden doorgevoerd dan voorheen mogelijk was.

  • Kwaliteitscontrole: met een bedrijfsspecifiek, gespecialiseerd generatief AI-model kunnen hiaten en inconsistenties worden ontdekt in gebruikershandleidingen, video's en andere content die een bedrijf openbaar maakt.

Een voorbeeld van specifieke voordelen van generatieve AI
  Kennissynthese Samenwerking tussen mensen en AI Snel
Hogere productiviteit Gegevens organiseren, onderzoek versnellen, eerste productontwerpen. Medewerkers trainen in nieuwe disciplines, nieuwe manieren voor probleemoplossing voorstellen. Kenniswerkers in staat stellen om een nieuw project sneller te voltooien.
Verlaagde kosten Redundanties en inefficiënties opsporen om workflows te verbeteren. Menselijke fouten minimaliseren, uitvaltijd verminderen door gezamenlijk toezicht. Taken sneller voltooien (als een taak de helft van de tijd in beslag neemt, worden de kosten ook gehalveerd).
Verbeterde klanttevredenheid Gegevens van klantaccounts organiseren en snel ophalen om problemen sneller op te lossen. Verbeterde chatbots om eenvoudige interacties te automatiseren en betere informatie voor verkopers wanneer de hulp van mensen wordt gevraagd. Realtime accountupdates en informatie geven aan zowel klanten als servicemedewerkers.
Beter onderbouwde besluitvorming Sneller inzichten krijgen door middel van predictive analytics, zoals scenariomodellering en risicobeoordeling. Besluitvormers gepersonaliseerde aanbevelingen en uitvoerbare strategieën geven. Snellere analyses genereren op basis van uitgebreidere gegevens dan met menselijke analisten of oudere technologie.
Snellere productlanceringen Prototypen en 'minimal viable products' (MVP's) produceren. Bestaande projecten testen en aanpassen om verbeteringen te vinden. De snelheid verhogen waarmee aanpassingen kunnen worden doorgevoerd.

De beperkingen van generatieve AI

Iedereen die tools voor generatieve AI heeft gebruikt voor onderwijs en/of onderzoek, is waarschijnlijk tegen de bekendste beperking daarvan aangelopen: ze verzinnen dingen. Omdat het model alleen het volgende woord voorspelt, kan het uit de trainingsgegevens met evenveel overtuiging onwaarheden extrapoleren als de waarheden die het rapporteert. Dit is wat AI-onderzoekers bedoelen met 'hallucineren', en het is een belangrijke reden waarom er nog steeds menselijke tussenkomst nodig is bij de huidige tools voor generatieve AI. Bedrijven moeten zorgen dat ze voorbereid zijn op en kunnen omgaan met deze en andere beperkingen als ze generatieve AI implementeren. Als een bedrijf onrealistische verwachtingen stelt of de technologie niet effectief genoeg beheert, kunnen de gevolgen schadelijk zijn voor de prestaties en reputatie van het bedrijf.

  • Toezicht nodig: generatieve AI-modellen kunnen foutieve of misleidende informatie introduceren, vaak zo gedetailleerd en met zo veel overtuiging dat zelfs experts voor de gek kunnen worden gehouden. Evenzo kan de output bevooroordeelde of beledigende taal bevatten die is geleerd uit de gegevensset waarop het model is getraind. Mensen blijven een cruciaal onderdeel uitmaken van de workflow, om te voorkomen dat deze verkeerde output wordt verspreid en bij de klanten terechtkomt of het beleid van het bedrijf beïnvloedt.
  • Rekenkracht en initiële investering: zowel voor het trainen als voor het gebruiken van generatieve AI-modellen is enorm veel rekenkracht nodig. Veel bedrijven beschikken niet over de nodige middelen en expertise om deze systemen zelf te bouwen en te onderhouden. Dit is een van de redenen waarom veel ontwikkeling op het gebied van generatieve AI wordt gedaan met behulp van een cloudinfrastructuur.
  • Kans op convergeren in plaats van divergeren: organisaties die niet hun eigen gespecialiseerde modellen bouwen, maar in plaats daarvan gebruikmaken van algemeen beschikbare tools voor generatieve AI, bereiken mogelijk slechts middelmatige resultaten. Ze zullen merken dat hun conclusies exact hetzelfde zijn als die van anderen, omdat ze gebaseerd zijn op dezelfde trainingsgegevens. Deze bedrijven kunnen effectief te werk gaan volgens de huidige best practices, maar kunnen zich niet echt onderscheiden van de concurrentie, tenzij ze op alle gebieden menselijke innovatie inzetten.
  • Weerstand van personeel en klanten: vooral oudere medewerkers die gewend zijn aan bestaande procedures en methoden, kunnen moeite hebben om zich aan te passen aan generatieve AI, waardoor de productiviteit afneemt terwijl ze bezig zijn met het aanpassingsproces. Medewerkers kunnen ook weerstand bieden tegen de technologie omdat ze bang zijn hun baan te verliezen. Managers en bedrijfsleiders moeten deze angsten wegnemen en open en transparant zijn over hoe de technologie de structuur van het bedrijf wel of niet zal veranderen.

Risico's en problemen van generatieve AI

Generatieve AI heeft aan beide zijden van het risicospectrum extreme reacties teweeggebracht. Sommige groepen zijn bezorgd dat generatieve AI zal leiden tot het uitsterven van de mens, terwijl anderen ervan overtuigd zijn dat het de wereld zal redden. Die extreme opvattingen vallen buiten de scope van dit artikel. Hieronder worden echter enkele belangrijke risico's en problemen genoemd waar zakelijk leiders die AI-technologie willen implementeren, rekening mee moeten houden, zodat ze actie kunnen ondernemen om eventuele negatieve gevolgen te beperken.

  • Vertrouwen en betrouwbaarheid: generatieve AI-modellen genereren onnauwkeurige antwoorden en verspreiden soms volledig verzonnen informatie (hallucinaties). Veel modellen worden getraind op basis van verouderde gegevens, meestal alleen met informatie die tot aan een bepaalde datum is gepubliceerd, dus wat van toepassing was op de markt van vorig jaar, is mogelijk niet langer relevant of nuttig. Bedrijven die hun supplychainprocessen willen verbeteren, kunnen er bijvoorbeeld achterkomen dat de suggesties van hun modellen verouderd en niet relevant meer zijn in de steeds veranderende wereldeconomie. Gebruikers moeten alle output controleren voordat ze naar aanleiding hiervan gaan handelen, om er zeker van te zijn dat deze nauwkeurig en relevant is.

  • Privacy/intellectueel eigendom: generatieve AI-modellen blijven vaak leren van informatie die als onderdeel van prompts wordt ingevoerd. Met name bedrijven die gevoelige persoonsgegevens van hun klanten verzamelen, zoals medische instellingen, moeten erop letten dat er geen beschermd intellectueel eigendom of vertrouwelijke gegevens worden onthuld. Als het model toegang heeft tot deze gegevens, is de kans op onthulling van deze gegevens groter.

  • Geavanceerdere social engineering: bedreigingsactoren maken al gebruik van generatieve AI om social engineering en andere cyberaanvallen meer te personaliseren door deze authentiek te maken.

    "Het is nu al heel moeilijk om te bepalen of je online met een bot of met een mens praat", zegt Baig, AI- en beveiligingsengineer bij Duolingo. “Het wordt steeds gemakkelijker voor criminelen die geld willen verdienen, om een heleboel content te genereren die mensen voor de gek kan houden.”

  • Afname in kwaliteit en originaliteit van de output: met generatieve AI kunnen sneller en eenvoudiger producten en content worden ontwikkeld, maar er is geen garantie dat het resultaat van hogere kwaliteit zal zijn. Vertrouwen op AI-modellen zonder toevoeging van een aanzienlijke menselijke factor, kan tot gevolg hebben dat de creativiteit verdwijnt en producten gestandaardiseerd worden.

  • Vooroordelen: als een generatief AI-model wordt getraind op basis van gegevens die vooroordelen bevatten, variërend van hiaten in perspectieven tot schadelijke en nadelige content, komen deze vooroordelen terug in de output van het model. Als een bedrijf bijvoorbeeld in het verleden slechts één soort werknemer heeft aangesteld, kan het model nieuwe sollicitanten selecteren volgens het beeld van de 'ideale werknemer' en gekwalificeerde kandidaten overslaan omdat ze niet aan dat ideaalbeeld voldoen, zelfs als de organisatie van plan was dat beeld te verwijderen.

  • Schaduw-AI: als generatieve AI wordt gebruikt door werknemers zonder officiële goedkeuring of voldoende kennis van de organisatie, kan dit tot gevolg hebben dat het bedrijf per ongeluk onjuiste informatie verspreidt of het copyright van een andere organisatie schendt.

  • Instorting van het model: AI-onderzoekers hebben een fenomeen geïdentificeerd dat het instorten van modellen wordt genoemd en waardoor generatieve AI-modellen in de loop van de tijd minder nuttig kunnen worden. Naarmate door AI gegenereerde content zich verspreidt, zullen modellen die zijn getraind op basis van die samengevoegde gegevens, die onvermijdelijk fouten bevatten, uiteindelijk de kenmerken van de door mensen gegenereerde gegevens op basis waarvan ze oorspronkelijk werden getraind, 'vergeten'. Dit probleem kan een keerpunt bereiken als het internet meer en meer met AI-content wordt gevuld, waardoor er een feedbacklus ontstaat die het model slechter maakt.

  • Regelgeving omtrent AI: omdat generatieve AI zo nieuw is, is er nog weinig regelgeving op dat vlak. Toch zijn overheden over de hele wereld al aan het onderzoeken hoe ze dit kunnen aanpakken. Sommige landen, zoals China, hebben al wetgevende maatregelen voorgesteld met betrekking tot het trainen van modellen en wat deze mogen produceren. Naarmate meer landen regelgeving opleggen, moeten bedrijven, en dan met name internationale bedrijven, steeds nagaan of er nieuwe of veranderde wetten zijn, om er zeker van te zijn dat deze worden nageleefd en te voorkomen dat ze met boetes of strafrechtelijke aanklachten voor misbruik van de technologie te maken krijgen.

Generatieve AI en ethiek

De opkomst van big data analytics meer dan tien jaar geleden bracht nieuwe ethische vragen en discussies met zich mee, omdat het met de nieuwe tools mogelijk was om gevoelige of privégegevens te achterhalen van mensen die deze niet hadden onthuld of hadden willen onthullen. Hoe moeten bedrijven omgaan met het feit dat ze over dergelijke gegevens kunnen beschikken?

Omdat met generatieve AI veel sterkere gegevensanalyses mogelijk zijn, roept dit nieuwe ethische vragen op en worden ook oudere kwesties opnieuw aangewakkerd.

  • Welke invloed heeft generatieve AI op medewerkers? Generatieve AI zorgt er nu al voor dat veel medewerkers zich, terecht, ongemakkelijk voelen wat betreft hun loopbaanvooruitzichten op de lange termijn. Hoewel de geschiedenis ons leert dat er met technologische vooruitgang altijd meer en waardevollere banen bijkomen dan verdwijnen, worden er door AI mogelijk rollen overbodig gemaakt die er op dit moment voor zorgen dat mensen hun rekeningen kunnen betalen.
  • Hoe kunnen we het verspreiden van mogelijke vooroordelen voorkomen? We weten dat bij alle AI-modellen de kans bestaat dat deze bevooroordeelde resultaten produceren. Organisaties moeten proactief bepalen hoe ze deze uitdaging gaan aanpakken, met het oog op de risico's voor de onderneming maar ook vanwege ethische overwegingen.
  • Hoe kunnen slechte actoren generatieve AI-modellen gebruiken om problemen en chaos te veroorzaken bij het grote publiek? Er zijn vele mogelijke toepassingen van generatieve AI, waaronder helaas ook criminele en schadelijke handelingen. Nu generatieve modellen steeds toegankelijker worden voor het publiek, wordt dit steeds vaker een probleem. Deepfakes die gebruikmaken van iemands stem en uiterlijk, hacktools om cyberaanvallen te verbeteren, wijdverspreide desinformatie en campagnes voor social engineering zijn slechts enkele voorbeelden van mogelijke manieren waarop kwaadwillenden generatieve AI kunnen gebruiken. Bij veel modellen zijn momenteel wel veiligheidsmaatregelen ingebouwd, maar deze zijn bij lange na niet perfect. Bedrijven die hun eigen modellen implementeren, moeten begrijpen wat er mogelijk is met het systeem en maatregelen nemen om er zeker van te zijn dat dit verantwoord wordt gebruikt.
  • Wie is de eigenaar van het werk dat door AI wordt gegenereerd? Zelfs als een bedrijf een model afstemt op zijn eigen gegevens, worden er voor het trainen van generatieve AI-modellen enorme hoeveelheden externe gegevens gebruikt. De output van een model kan dan elementen van het werk van andere organisaties bevatten, wat leidt tot mogelijke ethische en juridische kwesties, zoals plagiaat en schending van copyright. Dit geldt met name voor AI-modellen die afbeeldingen genereren. Daarom onderzoeken kunstenaars uit alle creatieve disciplines op welke manier kan worden voorkomen dat hun werk in deze programma's wordt ingevoerd. Regelgevende instanties kunnen in de loop van de tijd nieuwe regels opstellen, dus iedereen die generatieve AI gebruikt, moet nagaan waar de content vandaan komt en hoe deze wordt gebruikt voordat deze als eigen content mag worden gepubliceerd.

Voorbeelden van generatieve AI

Grote en kleine ondernemingen in alle sectoren, van het Amerikaanse leger tot Coca-Cola, voeren verbazingwekkende experimenten uit met generatieve AI. Om te laten zien wat er mogelijk is met de technologie en de snelle inburgering daarvan, worden hieronder enkele voorbeelden genoemd.

Snap Inc., het bedrijf achter Snapchat, heeft een chatbot genaamd "My AI" uitgerold, op basis van een versie van de GPT-technologie van OpenAI. My AI is aangepast aan de toon en stijl van Snapchat en geprogrammeerd om vriendelijk en persoonlijk te zijn. Gebruikers kunnen de weergave aanpassen met avatars, wallpapers en namen en kunnen de chatbot gebruiken om met één of meerdere andere gebruikers te chatten, waarbij de typische manier waarop Snapchat-gebruikers met hun vrienden communiceren, wordt gesimuleerd. Gebruikers kunnen persoonlijk advies vragen of informele gesprekken voeren over onderwerpen zoals eten, hobby's en muziek. De bot kan zelfs grappen maken. Snapchat gebruikt My AI om gebruikers te helpen functies van de app te verkennen, zoals de augmentedrealitylenzen, en om gebruikers te helpen informatie te krijgen die ze normaal niet via Snapchat zouden zoeken, zoals aanbevelingen voor lokale ondernemingen.

Bloomberg heeft BloombergGPT gepresenteerd, een chatbot die voor ongeveer de helft is getraind met algemene gegevens over de wereld en voor de andere helft met eigen gegevens van Bloomberg of opgeschoonde financiële gegevens. Deze bot kan eenvoudige taken uitvoeren, zoals goede artikelkoppen schrijven, en specifieke handelingen verrichten, zoals eenvoudige Engelstalige prompts omzetten in de Bloomberg Query Language voor de dataterminals van het bedrijf, die voor veel financiële bedrijven zeer belangrijk zijn.

Oracle is een samenwerking aangegaan met AI-ontwikkelaar Cohere om bedrijven te helpen interne modellen te bouwen die zijn afgestemd op privégegevens van bedrijven, om zo het gebruik van gespecialiseerde bedrijfsspecifieke tools voor generatieve AI verder uit te breiden.

"Cohere en Oracle werken samen om het voor zakelijke klanten heel eenvoudig te maken hun eigen gespecialiseerde large language models te trainen en tegelijkertijd de privacy van hun trainingsgegevens te beschermen," vertelde Ellison van Oracle aan financiële analisten tijdens de earnings call van juni 2023. Oracle is van plan services op het gebied van generatieve AI te integreren in bedrijfsplatformen om de productiviteit en efficiëntie in alle bestaande processen van een bedrijf te verhogen, waardoor het voor veel bedrijven niet meer nodig is eigen modellen van de grond af op te bouwen en te trainen. Daartoe heeft het bedrijf onlangs ook aangekondigd mogelijkheden voor generatieve AI in de HR-software, te weten Oracle Fusion Cloud Human Capital Management (HCM), te integreren.

En verder:

  • Coca-Cola gebruikt tekst- en afbeeldingsgeneratoren om advertentieteksten te personaliseren en klantervaringen op maat te ontwikkelen.
  • American Express is al geruime tijd toonaangevend in het toepassen van AI bij het detecteren van creditcardfraude en laat nu dochteronderneming Amex Digital Labs mogelijkheden voor consumenten en b2b ontwikkelen.
  • Het kantoor voor digitale en AI-toepassingen van het Pentagon experimenteert met vijf generatieve AI-modellen, voert geclassificeerde gegevens in en voert tests uit om te onderzoeken hoe deze modellen kunnen worden gebruikt om creatieve opties voor te stellen die nooit in menselijke militaire leiders zijn opgekomen.
  • Duolingo gebruikt een bot op basis van ChatGPT om gebruikers te helpen een vreemde taal te leren. De bot geeft gedetailleerde uitleg over waarom een antwoord in een praktijktest goed of fout is, waarbij de manier waarop gebruikers met een menselijke leerkracht zouden communiceren, wordt nagebootst.
  • Slack heeft een chatbot uitgebracht waarmee werknemers van klanten inzichten en advies kunnen verzamelen uit het corpus van institutionele kennis dat zich in de Slack-kanalen van elke klant bevindt.

Tools voor generatieve AI

ChatGPT is de tool die over de hele wereld bekend werd, maar er zijn vele tools voor generatieve AI beschikbaar voor alle modaliteiten. Alleen al voor schrijven zijn er bijvoorbeeld Jasper, Lex, AI-Writer, Writer en vele andere tools. Voor het genereren van afbeeldingen lijken Midjourney, Stable Diffusion en Dall-E momenteel het populairst te zijn.

AIVA, Soundful, Boomy, Amper, Dadabots en MuseNet zijn slechts enkele van de tientallen muziekgeneratoren. Hoewel bekend is dat softwareprogrammeurs samenwerken met ChatGPT, zijn er ook tal van gespecialiseerde tools voor het genereren van code, waaronder Codex, codeStarter, Tabnine, PolyCoder, Cogram en CodeT5.

De geschiedenis van generatieve AI

Het komt misschien als een verrassing, maar de eerste stap op weg naar de generatieve AI-modellen die vandaag worden gebruikt, werd gezet in 1943, het jaar waarin de eerste elektrische programmeerbare computer, de Colossus, werd gedemonstreerd. Deze computer werd vervolgens door Groot-Brittannië gebruikt om gecodeerde berichten te decoderen tijdens de Tweede Wereldoorlog. De eerste hint naar AI was een onderzoeksartikel met de titel "A Logical Calculus of Ideas Immanent in Nervous Activity" van Warren McCulloch, psychiater en professor aan de University of Illinois College of Medicine, en Walter Pitts, een autodidact in computationele neurowetenschappen.

Pitts, die waarschijnlijk een wonderkind was op het gebied van wiskunde, liep op 15-jarige leeftijd van huis weg en was dakloos tot hij McCulloch ontmoette, die Pitts meenam en bij zijn gezin thuis liet wonen. Het enige diploma dat Pitts ooit haalde was een Associate of Arts, toegekend door de University of Chicago na de publicatie van de baanbrekende paper waarin de basiswiskunde werd beschreven op basis waarvan een kunstmatig neuron 'beslist' of het een één of een nul moet produceren.

Voor de tweede stap in de ontwikkeling van AI moeten we meer naar het noordoosten gaan, naar Buffalo, NY, en een onderzoekspsycholoog genaamd Frank Rosenblatt in het Cornell Aeronautical Laboratory. Rosenblatt werkte in het kader van een subsidie uit juli 1957 van het Office of Naval Research binnen het United States Department of the Navy aan het project PARA (Perceiving and Recognizing Automaton) van Cornell en gebruikte de wiskunde van McCulloch en Pitts als basis voor de ontwikkeling van het perceptron, een neuraal netwerk met één 'verborgen' laag tussen de input- en outputlaag. Vóór de bouw van het Mark I Perceptron, dat nu te zien is in het Smithsonian Institution, voerden Rosenblatt en de marine een simulatie uit op een IBM 704-mainframecomputer voor een demonstratie aan het publiek in juli 1958. Het perceptron was echter een zeer eenvoudig neuraal netwerk en er kwam al snel kritiek uit de hoek van computerwetenschapper Marvin Minsky van het Massachusetts Institute of Technology, medeoprichter van het AI-laboratorium van het MIT. Minsky en Rosenblatt discussieerden naar verluidt op openbare forums over de vooruitzichten op de lange termijn van het perceptron, wat uiteindelijk tot gevolg had dat de AI-gemeenschap het onderzoek naar neurale netwerken stopzette, van de jaren 1960 tot de jaren 1980.

Deze periode is de geschiedenis ingegaan als de 'AI-winter'.

Het landschap voor onderzoek naar neurale netwerken ontdooide in de jaren 1980 dankzij de bijdragen van verschillende onderzoekers, waaronder Paul Werbos, die in zijn eerste werk het perceptron herontdekte, Geoffrey Hinton, Yoshua Bengio en Yann LeCun. Hun werk toonde de levensvatbaarheid van grote neurale netwerken met meerdere lagen aan en liet zien hoe dergelijke netwerken konden leren van hun correcte en incorrect antwoorden door feedback via een backpropagation-algoritme. En zo ontstonden RNN's en CNN's. Maar de beperkingen van deze vroege neurale netwerken, in combinatie met te hoge verwachtingen die als gevolg van die beperkingen en het stadium van de rekenkracht op dat moment niet konden worden waargemaakt, leidden in de jaren 1990 en de beginjaren 2000 tot een tweede AI-winter.

Deze keer bleven veel onderzoekers zich echter bezighouden met neurale netwerken, waaronder Hinton, Bengio en LeCun. Dit trio, dat ook wel de 'peetvaders van AI' wordt genoemd, kreeg samen de Turing Award van 2018 toegekend voor hun werk uit de jaren 1980, hun doorzettingsvermogen en hun voortdurende bijdragen. Halverwege de jaren 2010 ontstonden er snel diverse nieuwe varianten van neurale netwerken, zoals wordt beschreven in het gedeelte "Generatieve AI-modellen" hierboven.

De toekomst van generatieve AI

Welke impact generatieve AI heeft op bedrijven en hoe mensen werken, moet nog worden afgewacht. Maar dit is wel al duidelijk: er wordt enorm veel geïnvesteerd in generatieve AI op allerlei vlakken van menselijke prestaties. Risicokapitalisten, gevestigde bedrijven en ongeveer alle bedrijven daartussenin investeren in een razendsnel tempo in startups op het gebied van generatieve AI. De alomvattende 'magie' van LLM's is een mysterieus vermogen om te bemiddelen in de menselijke interactie met big data, om mensen te helpen informatie te begrijpen door deze eenvoudig, duidelijk en verbazingwekkend snel uit te leggen. Dit betekent dat generatieve AI waarschijnlijk zal worden opgenomen in veel bestaande toepassingen en de ontwikkeling van een tweede golf van nieuwe toepassingen zal veroorzaken.

Gartner voorspelt bijvoorbeeld dat 40% van de bedrijfsapplicaties tegen 2024 conversationele AI zal bevatten, dat 30% van de ondernemingen tegen 2025 AI zal hebben opgenomen in de strategieën voor ontwikkeling en testen, en dat meer dan 100 miljoen werknemers tegen 2026 zullen samenwerken met 'robocollega's'.

Het is natuurlijk mogelijk dat deze innovatietrein zal ontsporen door de risico's en beperkingen van generatieve AI. Het verfijnen van generatieve modellen en ze de nuances aanleren van wat een bedrijf uniek maakt, zal misschien te moeilijk blijken. Het uitvoeren van dergelijke rekenintensieve modellen is wellicht te duur. En als er onbedoeld bedrijfsgeheimen worden onthuld, kan dit bedrijven afschrikken.

Of het gebeurt allemaal veel langzamer dan gedacht. Weet u nog hoe het zat met de opkomst van het internet? Die belofte werd uiteindelijk waargemaakt. Maar het duurde tien jaar langer dan de eerste generatie enthousiastelingen verwachtte om de benodigde infrastructuur uit te vinden en te bouwen en mensen hun gedrag te laten aanpassen aan de mogelijkheden van dit nieuwe medium. Generatieve AI is in veel opzichten een nieuw medium.

Influencers denken uitgebreid na over de toekomst van generatieve AI in het bedrijfsleven.

"Het kan betekenen dat we in de toekomst bedrijven anders moeten gaan inrichten", zegt Sean Ammirati, risicokapitalist, vooraanstaand professor in ondernemerschap aan de Tepper School of Business van de Carnegie Mellon University en medeoprichter van het Corporate Startup Lab van CMU. Net zoals 'digitaal natieve' bedrijven beter konden profiteren van de opkomst van het internet, denkt Ammirati dat toekomstige bedrijven die van de grond af zijn opgebouwd met automatisering op basis van generatieve AI, een leidende positie zullen innemen.

"Deze bedrijven zijn gebaseerd op automatisering en hoeven dus niet eerst te leren hoe ze handmatige activiteiten kunnen vervangen door geautomatiseerde processen", zegt hij. “Dit kan tot een heel ander type bedrijf leiden.”

Eenvoudig generatieve AI gebruiken met Oracle

Oracle heeft niet alleen een lange geschiedenis in het toepassen van mogelijkheden van kunstmatige intelligentie en deze integreren in producten, maar is ook koploper wat betreft ontwikkeling en activiteiten op het gebied van generatieve AI. Oracle Cloud Infrastructure wordt gebruikt door toonaangevende bedrijven in generatieve AI. Deze geavanceerde cloud kan ondernemingen het perfecte platform bieden voor het bouwen en implementeren van gespecialiseerde generatieve AI-modellen die specifiek zijn voor hun organisatie en afzonderlijke bedrijfstakken. Zoals Ellison van Oracle het uitlegt: "Alle clouddatacenters van Oracle hebben een RDMA-netwerk (remote direct memory access) met grote bandbreedte en een lage latentie dat perfect is geoptimaliseerd voor het bouwen van de grootschalige GPU-clusters die worden gebruikt om generatieve large language models te trainen. Vanwege de extreem hoge prestaties en bijbehorende kostenbesparingen bij het uitvoeren van generatieve AI-workloads in onze Gen 2-cloud, is Oracle de beste keuze van alle bedrijven die zich bezighouden met de ontwikkeling van geavanceerde AI.”

Uit de samenwerking tussen Oracle en Cohere is een nieuwe set cloudserviceproducten op basis van generatieve AI voortgekomen. "Met deze nieuwe service wordt de privacy van de trainingsgegevens van onze zakelijke klanten beschermd, waardoor die klanten hun eigen privégegevens veilig kunnen gebruiken voor het trainen van hun eigen gespecialiseerde large language models", aldus Ellison.

Het verhaal van generatieve AI begon 80 jaar geleden met de wiskunde van een van huis weggelopen tiener en werd vorig jaar een wereldhit met de release van ChatGPT. De innovatie op het gebied van generatieve AI gaat steeds sneller nu grote en kleine bedrijven in allerlei bedrijfstakken experimenteren met en investeren in de mogelijkheden van generatieve AI. Maar de mogelijkheden van generatieve AI om werk en leven sterk te verbeteren, brengen ook grote risico's met zich mee, variërend van het verdwijnen van banen tot, als je de doemdenkers moet geloven, mogelijk het uitsterven van de mens. Wat we in ieder geval zeker weten is dat de geest uit de fles is en er niet meer terug ingaat.

Waarom is Oracle zo geschikt voor generatieve AI?

Oracle biedt een modern gegevensplatform en een goedkope, krachtige AI-infrastructuur. En aanvullende factoren, zoals krachtige, hoogwaardige modellen, ongeëvenaarde databeveiliging en geïntegreerde AI-services, maken duidelijk waarom het AI-aanbod van Oracle echt is ontwikkeld voor ondernemingen.

Veelgestelde vragen over generatieve AI

Wat is generatieve AI-technologie?

Generatieve AI-technologie wordt gebouwd op de softwarearchitectuur van neurale netwerken die het menselijk brein nabootst, of althans de manier waarop wordt aangenomen dat dit werkt. Deze neurale netwerken worden getraind door er grote hoeveelheden gegevens in relatief kleine steekproeven in te voeren en vervolgens de AI te vragen om eenvoudige voorspellingen te doen, bijvoorbeeld het volgende woord in een reeks of de juiste volgorde van een reeks zinnen. Het neurale netwerk krijgt een positieve of negatieve feedback voor correcte en incorrecte antwoorden, waardoor het kan leren van het proces totdat het in staat is om goede voorspellingen te doen. Uiteindelijk maakt de technologie gebruik van de trainingsgegevens en het leerproces om op een menselijke manier te reageren op vragen en andere prompts.

Wat is een voorbeeld van generatieve AI?

Het bekendste hedendaagse voorbeeld van generatieve AI is ChatGPT, die 'menselijke' gesprekken kan voeren en teksten kan schrijven over vele verschillende onderwerpen. Andere voorbeelden zijn Midjourney en Dall-E, waarmee afbeeldingen kunnen worden gemaakt, en verscheidene andere tools waarmee tekst, afbeeldingen, video en audio kunnen worden gegenereerd.

Wat is het verschil tussen AI en generatieve AI?

Het is belangrijk om te weten dat generatieve AI niet echt een fundamenteel andere technologie is dan traditionele AI, maar op een andere manier wordt gebruikt. Met traditionele AI-systemen wordt vaak een specifieke taak uitgevoerd, zoals het opsporen van creditcardfraude. Generatieve AI is meestal uitgebreider en kan nieuwe content creëren. Dit komt deels doordat tools voor generatieve AI met grotere en meer uiteenlopende gegevenssets worden getraind dan traditionele AI. Bovendien wordt traditionele AI doorgaans getraind aan de hand van technieken voor supervised learning (leren met toezicht), terwijl generatieve AI wordt getraind met behulp van unsupervised learning (leren zonder toezicht).

Wat is het gevaar van generatieve AI?

Er is een grote discussie gaande in de samenleving over de mogelijke risico's van generatieve AI. De uiterste voor- en tegenstanders in de discussie denken dat de technologie uiteindelijk de wereld kan redden of juist kan leiden tot het uitsterven van de mens. Het is echter waarschijnlijker dat er door AI veel banen zullen verdwijnen. Ondernemingen moeten zich bewust worden van de manieren waarop generatieve AI veranderingen in werkprocessen en functierollen teweegbrengt en erop letten dat er niet per ongeluk gevoelige of privégegevens worden onthuld of auteursrechten worden geschonden.

Waar kan generatieve AI voor worden gebruikt?

Generatieve AI kan heel goed worden gebruikt in combinatie met menselijke medewerkers als hulpmiddel bij het brainstormen over nieuwe ideeën en het aanleren van nieuwe vaardigheden aan medewerkers. Het is ook een geweldig hulpmiddel om sneller ongestructureerde gegevens te analyseren. Meer in het algemeen kunnen bedrijven generatieve AI gebruiken om de productiviteit te verhogen, kosten te verlagen, de klanttevredenheid te verbeteren, beter onderbouwde beslissingen te nemen en de productontwikkeling te versnellen.

Waar kan generatieve AI niet voor worden gebruikt?

Generatieve AI kan geen volledig nieuwe ideeën opperen die niet al eerder tot uitdrukking zijn gekomen in de trainingsgegevens of op zijn minst uit die gegevens kunnen worden geëxtrapoleerd. Een generatief AI-systeem mag ook niet aan zijn lot worden overgelaten. Generatieve AI moet onder menselijk toezicht staan en levert de beste prestaties bij een samenwerking tussen mens en AI.

In welke sectoren wordt generatieve AI gebruikt?

Omdat generatieve AI bijzonder breed kan worden toegepast, kan vrijwel elke sector ervan profiteren.

Welke invloed heeft generatieve AI op werk in de toekomst?

Generatieve AI zal waarschijnlijk een grote impact hebben op kenniswerk, activiteiten waarbij mensen samenwerken en/of zakelijke beslissingen nemen. Daardoor zullen in ieder geval de rollen van kenniswerkers moeten worden aangepast aan werken in combinatie met tools voor generatieve AI, en sommige banen zullen verloren gaan. De geschiedenis leert ons echter dat er met technologische veranderingen, zoals nu naar verwachting zullen optreden met generatieve AI, altijd meer banen bijkomen dan verdwijnen.