LLM, GPT, RAG… Wat betekenen AI-acroniemen? | AI in business #91

Waarover praten specialisten in kunstmatige intelligentie? Het ontcijferen van AI-acroniemen

AI-specialisten gebruiken vaak acroniemen om complexe technologieën en processen te beschrijven. Het is de moeite waard om te begrijpen wat er achter deze termen schuilgaat om de kansen die AI biedt bewust te kunnen benutten. Bijvoorbeeld, wanneer je “RAG” of “XAI” hoort, ben je misschien niet zeker wat dat betekent. RAG, Retrieval-Augmented Generation, is een technologie die taalgeneratie verrijkt met informatieophaling, terwijl XAI, Explainable AI, zich richt op de transparantie en begrijpelijkheid van beslissingen die door AI-systemen worden genomen. We hoeven vandaag niet uit te leggen wat AI is, maar acroniemen zoals deze vereisen uitleg. Laten we dus beginnen met een van de meest voorkomende acroniemen – de algemene naam van de technologie achter ChatGPT.

LLM (Large Language Model)

LLM, of Large Language Model, is de basis voor systemen zoals chatbots, die tekst, code kunnen genereren of talen kunnen vertalen. Het is een kunstmatige intelligentie die is getraind om de waarschijnlijkheid van woordsequenties te schatten, met behulp van een neuraal netwerk met meer dan 175 miljard parameters.

De training van LLM omvat het tonen van voorbeelden en het aanpassen van gewichten om fouten te verminderen. In LLM wordt elke tekst weergegeven door vectoren met veel getallen, die de positie en relaties in de “taal” ruimte van het model bepalen. Voortzetting van tekst betekent het volgen van paden in deze ruimte.

Stel je ze voor als “superlezers” met een enorme kennis en het vermogen om informatie te verwerken en te reageren op een manier die vergelijkbaar is met mensen. Populaire voorbeelden van LLM’s zijn:

• Gemini Pro (Google),
• GPT-4 (OpenAI), en
• Llama 2 (Meta).

In het bedrijfsleven kan LLM de communicatie en informatiestroom binnen een bedrijf stroomlijnen, bijvoorbeeld door automatisch rapporten te genereren, documenten te vertalen en vragen van werknemers te beantwoorden. Het gebruik van LLM via chat, speciale software of API’s kan ook de creatie van nieuwe bedrijfsmodellen en strategieën ondersteunen door grote hoeveelheden gegevens te analyseren en trends te identificeren die voorheen niet zichtbaar waren.

RAG (Retrieval-Augmented Generation)

Retrieval-Augmented Generation (RAG) is een techniek die semantische informatieophaling combineert met tekstgeneratie. Dit stelt het model in staat om relevante documenten te vinden, zoals die van Wikipedia, en biedt context die de tekstgenerator helpt om nauwkeurigere, rijkere en minder foutgevoelige resultaten te produceren. RAG kan worden aangepast, en de interne kennis kan effectief worden gewijzigd zonder dat het hele model opnieuw moet worden getraind, wat kostbaar en tijdrovend is. Dit is bijzonder nuttig in situaties waarin feiten in de loop van de tijd kunnen evolueren, waardoor de noodzaak voor hertraining om toegang te krijgen tot de nieuwste informatie wordt geëlimineerd.

Bron: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

GPT (Generative Pre-trained Transformer)

We kennen allemaal het acroniem GPT omdat het deel uitmaakt van de naam van de meest populaire AI-chatbot. Maar wat betekent het precies? Generative Pre-trained Transformer, GPT, is een AI-model dat tekst genereert die lijkt op door mensen gemaakte tekst door het volgende woord in een sequentie te voorspellen. In het leerproces verwerft het kennis van miljarden pagina’s tekst geschreven door mensen om later de waarschijnlijkheid van het volgende woord te bepalen.

GPT-modellen zijn gebaseerd op neurale netwerkarchitecturen die transformers worden genoemd, die tekst kunnen genereren en op vragen kunnen reageren op een conversatiemanier. Ze worden gebruikt voor een breed scala aan taken, waaronder:

• het vertalen van talen,
• het samenvatten van documenten,
• het genereren van inhoud,
• het schrijven van code, en vele andere taken.

GPT-modellen kunnen zonder verdere training worden gebruikt in een techniek die Zero-shot learning wordt genoemd, of worden aangepast aan een specifieke taak door te leren van een paar voorbeelden (Few-shot learning).

NLP (Natural Language Processing)

NLP, of Natural Language Processing, is het vakgebied dat zich bezighoudt met technieken en technologieën die machines in staat stellen menselijke taal te begrijpen en te verwerken.

Dit vormt de basis voor de genoemde LLM, RAG en GPT, waardoor ze woorden, zinnen en hun betekenissen kunnen begrijpen. Zo kan NLP tekstgegevens omzetten in nuttige zakelijke inzichten. NLP-toepassingen hebben een breed gebruik, dat verder gaat dan AI-assistenten en chatbots, tot taken zoals:

• sentimentanalyse – stelt in staat te bepalen welke emoties aanwezig zijn in de tekst, bijvoorbeeld of een mening die op sociale media is geuit positief, negatief of neutraal is,
• het samenvatten van documenten – automatisch samenvattingen maken van lange teksten, wat gebruikers tijd bespaart,
• machinevertaling – maakt snelle en efficiënte vertaling van teksten tussen verschillende talen mogelijk. Bijvoorbeeld, het SeamlessM4T-model van Meta is in staat om tekst en spraak tussen 100 talen te vertalen.

ML (Machine Learning)

ML, of Machine Learning, is de fundamentele tak van AI. Het is een overkoepelend veld dat zich bezighoudt met het trainen van computers om te leren van gegevens zonder ze direct te programmeren. AI gebruikt gegevens en algoritmen om de manier waarop mensen leren na te bootsen, en verwerft in de loop van de tijd ervaring.

De term “machine learning” werd in 1959 bedacht door Arthur Samuel, in de context van zijn onderzoek naar het spelen van dammen. Technologische vooruitgang heeft de creatie van innovatieve producten op basis van ML mogelijk gemaakt, zoals aanbevelingssystemen en autonome voertuigen.

Machine learning is een belangrijk onderdeel van Data Science, waarbij statistische methoden worden gebruikt om voorspellingen te doen en beslissingen te nemen in veel bedrijven. De vraag naar Data Scientists groeit samen met de uitbreiding van big data. Dit geldt vooral voor experts die in staat zijn om belangrijke zakelijke vragen te identificeren en gegevens te analyseren. ML-algoritmen worden gemaakt met behulp van programmeerkaders zoals TensorFlow en PyTorch.

Bron: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Robotic Process Automation (RPA)

RPA, of Robotic Process Automation, is een technologie voor automatisering waarbij computers menselijke acties nabootsen die in specifieke programma’s en toepassingen worden uitgevoerd. RPA is een praktische toepassing van AI die directe invloed heeft op de operationele efficiëntie. Het automatiseert routinetaken, zoals gegevensinvoer of klantenservice, waardoor bedrijven zich kunnen concentreren op meer strategische activiteiten.

Deep Learning (DL)

Deep Learning (DL) is een geavanceerde tak van ML die is gebaseerd op neurale netwerken geïnspireerd door de structuur van de menselijke hersenen. Deze netwerken leren van enorme hoeveelheden gegevens om patronen en relaties te herkennen, en gebruiken deze kennis vervolgens om voorspellingen en beslissingen te nemen. DL maakt de uitvoering van de meest complexe taken mogelijk, zoals beeldherkenning, objectidentificatie en classificatie in foto’s en video’s.

Als gevolg hiervan is DL cruciaal voor de ontwikkeling van technologieën zoals:

• het voorspellen en optimaliseren van energieverbruik,
• het besturen van autonome voertuigen,
• het voorkomen van financiële fraude door anomalieën in transacties te detecteren, of
• het personaliseren van aanbiedingen en inhoud op basis van individuele gebruikersvoorkeuren.

Reinforcement Learning (RL)

Reinforcement Learning (RL) is een type machine learning (ML) waarin het AI-model “op zijn eigen” leert door middel van trial-and-error, in plaats van getraind te worden met voorbereide gegevens. Met andere woorden, AI past zich aan door interacties met de omgeving, waarbij het beloningen ontvangt voor wenselijke acties en straffen voor ineffectieve.

Reinforcement Learning is nuttig in taken waarbij we precies weten welk resultaat we willen bereiken, maar het optimale pad om dit te bereiken onbekend of te moeilijk te programmeren is. Bijvoorbeeld, het trainen van robots om zich te navigeren in complexe omgevingen.

Generative Adversarial Networks (GANs)

Generative Adversarial Networks (GANs) is een systeem dat bestaat uit twee concurrerende neurale netwerken:

• Generator, die nieuwe gegevens creëert, zoals afbeeldingen of tekst,
• Discriminator, die probeert echte gegevens van gegenereerde gegevens te onderscheiden.

Deze competitie motiveert beide netwerken om te verbeteren, wat leidt tot steeds realistischere en creatievere resultaten.

Explainable AI (XAI)

Explainable AI (XAI) is een iets minder bekend maar zeer belangrijk acroniem op het gebied van kunstmatige intelligentie. Het is een benadering van AI die zich richt op het bieden van duidelijke en begrijpelijke uitleg voor de acties of beslissingen die door AI-systemen worden genomen. XAI is cruciaal voor verantwoordelijke AI-ontwikkeling: transparantie, naleving van wettelijke voorschriften, veiligheid en ondersteuning van innovatie.

AI-acroniemen. Samenvatting

AI-acroniemen zoals LLM, RAG, GPT en XAI vertegenwoordigen geavanceerde technologieën die de manier waarop bedrijven opereren veranderen. Van procesautomatisering tot een beter begrip van klantbehoeften – AI opent nieuwe mogelijkheden. Bekendheid met deze termen is de sleutel tot het navigeren in het veld van kunstmatige intelligentie en het benutten van het potentieel in jouw bedrijf. Kennis van deze technologieën stelt niet alleen in staat om bestaande processen te optimaliseren, maar ook om nieuwe gebieden voor innovatie en groei te verkennen.

Als je onze inhoud leuk vindt, sluit je dan aan bij onze drukke bijencommunity op Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.