S05E74 - Uitleg: De Bouwstenen van Generatieve AI

In deze korte aflevering uitleg over machine learning, deep learning en reinforcement learning en hoe deze de bouwstenen vormen voor Generatieve AI. Als laatste vertelt Joop over de game-changer die er aan komt om taalmodellen beter te maken.

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:00,000 --> 00:00:10,000
Vandaag bij AIToday Live. Wat is machine learning en deep learning en hoe vormen deze de basis

2
00:00:10,000 --> 00:00:17,000
voor generatieve AI? En er is een game changer op komst, maar daar hoor je later meer over in

3
00:00:17,000 --> 00:00:23,160
deze aflevering. Laten we beginnen bij machine learning de basis. Machine learning is de kern

4
00:00:23,160 --> 00:00:29,040
van veel AI systemen. Het is een methode waarbij computers leren van data om taken te verrichten

5
00:00:29,040 --> 00:00:35,360
zonder expliciet geprogrammeerd te zijn voor specifieke situaties. Dit leren gebeurt door

6
00:00:35,360 --> 00:00:42,240
algoritme die patronen en regelmatigheden in de data herkennen. Denk bijvoorbeeld aan spam filters

7
00:00:42,240 --> 00:00:48,600
in e-mail. Een machine learning model wordt getraind met voorbeelden van zowel spam als

8
00:00:48,600 --> 00:00:54,120
niet spam e-mails en het leert onderscheid te maken op basis van kenmerken zoals bijvoorbeeld

9
00:00:54,120 --> 00:00:59,760
sleutelwoorden afzenden opmaak. Zodra het model getraind is kan het nieuwe e-mails beoordelen

10
00:00:59,760 --> 00:01:09,120
en spam effectief filteren. Eentje verder hebben we deep learning. Deep learning is een subset van

11
00:01:09,120 --> 00:01:15,360
machine learning maar met een diepere en complexe benadering. Het maakt gebruik van normale netwerken

12
00:01:15,360 --> 00:01:21,640
met vele lagen en daarmee ook diep om nog complexere patronen in grote datasets te herkennen.

13
00:01:21,640 --> 00:01:26,680
Een bekend voorbeeld van deep learning is beeldherkenning. Systemen kunnen afbeeldingen

14
00:01:26,680 --> 00:01:32,720
analyseren en objecten identificeren van gezicht tot landschappen. Deze technologie

15
00:01:32,720 --> 00:01:38,600
wordt gebruikt in zelfrijdende auto's bijvoorbeeld waar het essentieel is dat het voetgangers en

16
00:01:38,600 --> 00:01:46,240
andere voertuigen en verkeersborden herkent. Een andere techniek in de ER is reinforcement

17
00:01:46,240 --> 00:01:50,840
learning. In tegenstelling tot de eerdere benaderingen waarbij je een model leert van

18
00:01:50,840 --> 00:01:56,520
een bestaande dataset leert reinforcement door interactie met zijn omgeving. Het is

19
00:01:56,520 --> 00:02:01,960
gebaseerd op het principe van trial and error waarbij het model beloningen ontvangt voor

20
00:02:01,960 --> 00:02:07,640
juiste beslissingen en soms straffen voor fouten. Dit is bijvoorbeeld gebruikt om

21
00:02:07,640 --> 00:02:14,400
ChatGPT te trainen. Dus voor goede antwoorden bij een vraag wordt een beloning gegeven,

22
00:02:14,400 --> 00:02:24,560
bij een slecht antwoord wordt een straf uitgedeeld. En dan komen we op de generatieve AI. Want

23
00:02:24,560 --> 00:02:31,000
die verbindt eigenlijk al deze technieken. Het is generatieve AI gaat nog een stap verder.

24
00:02:31,000 --> 00:02:36,720
In plaats van alleen data te analyseren en te classificeren met machine learning genereert

25
00:02:36,720 --> 00:02:43,640
deze vorm van AI nieuwe content. Denk aan kunstwerken, muziek of tekst die niet van

26
00:02:43,640 --> 00:02:51,520
menselijk werk te onderscheiden is. Het bekendste voorbeeld is GPT-4 van OpenAI. Een large

27
00:02:51,520 --> 00:02:57,760
language model, een taalmodel dat in staat is om overtuigende teksten te genereren. Daarmee

28
00:02:57,760 --> 00:03:04,480
hebben we eigenlijk een heel breed spectrum van AI technieken te pakken. Van het analyseren

29
00:03:04,480 --> 00:03:09,800
van data, machine learning, naar het herkennen van complexe patronen, deep learning, tot

30
00:03:09,800 --> 00:03:16,440
het leren van interactieve acties in een omgeving met reinforcement learning. En die spelen

31
00:03:16,440 --> 00:03:21,440
allemaal een cruciale rol in de ontwikkeling van generatieve AI.

32
00:03:21,440 --> 00:03:28,820
Maar, de game changer, er is een volgende stap die vooral large language models beter

33
00:03:28,820 --> 00:03:35,280
gaat maken. En het grootste probleem nu is dat je geen bronvermelding krijgt bij GPT

34
00:03:35,280 --> 00:03:41,280
of welk ander large language model dan ook. Maar daar gaat verandering in komen met een

35
00:03:41,280 --> 00:03:48,120
nieuwe techniek en die heet Retrieval Augmented Generation. In gewoon Nederlands zou je zeggen

36
00:03:48,120 --> 00:03:53,960
het genereren van tekst aangevuld met kennis uit de bron. Deze techniek is ontwikkeld

37
00:03:53,960 --> 00:03:59,040
voor het verbeteren van de kwaliteit van gegenererde antwoorden. De techniek werkt door feiten

38
00:03:59,040 --> 00:04:06,640
uit een externe database te halen. Deze feiten helpen om juist die grote taalmodellen, zodat

39
00:04:06,640 --> 00:04:12,560
ze gebruik kunnen maken van de nieuwste en meest correcte informatie. Dit maakt het mogelijk

40
00:04:12,560 --> 00:04:17,840
voor gebruikers om beter te begrijpen hoe deze taalmodellen hun antwoorden genereren.

41
00:04:17,840 --> 00:04:26,760
Hierdoor vermindert de kans dat het taalmodel gevoelige data lekt of misleidende informatie,

42
00:04:26,760 --> 00:04:30,600
tussen aanhalingstekens, hallucineert, oftewel fouten maakt.

43
00:04:30,600 --> 00:04:36,760
Het is die Retrieval Augmented Generation vormt dus een belangrijke toevoeging aan de basis

44
00:04:36,760 --> 00:04:42,200
van generatieve AI door een extra laag van betrouwbaarheid en relevantie toe te voegen

45
00:04:42,200 --> 00:04:47,880
aan de informatie die wordt gegenereerd. Deze technologie staat aan de vooravond van de

46
00:04:47,880 --> 00:04:54,260
nieuwe fase in de evolutie van generatieve AI, waarbij, denk ik, de betrouwbaarheid en

47
00:04:54,260 --> 00:04:58,440
nauwkeurigheid van gegenereerde inhoud aanzienlijk wordt verbeterd.

48
00:04:58,440 --> 00:05:05,440
Bedankt voor het luisteren, vergeet je niet te abonneren via je favoriete podcast app,

49
00:05:05,440 --> 00:05:06,880
en tot de volgende keer!

50
00:05:07,020 --> 00:05:07,520
Tot ziens!

51
00:05:07,520 --> 00:05:19,640
[Muziek]

52
00:05:19,640 --> 00:05:22,040