Generatieve AI en soortgelijke termen: wat betekent het?

(Generatieve) AI, neurale netwerken, machine learning, deep learning en agentic AI. Het zijn stuk voor stuk termen waarvan ineens verwacht wordt dat je weet wat het betekent. Dit artikel licht deze termen stapsgewijs toe, om jou een beter basisbegrip te geven van wat AI is, wat het kan én wat het niet kan. Basisbegrip van AI is een cruciaal onderdeel van AI-geletterdheid: een wettelijke vereiste als je AI gebruikt.

Term	Uitleg
AI	Technologie die taken simuleert die normaal gesproken menselijke intelligentie vereisen, zoals leren of redeneren.
Neuraal netwerk	Een computermodel dat gebaseerd is op de verbindingen in het menselijk brein. De verbindingen worden sterker of zwakker naarmate het netwerk beter wordt in bepaalde taken.
Voorspellend neuraal netwerk	Een neuraal netwerk waarin de verbindingen zijn getraind om patronen in nieuwe input te herkennen.
Generatieve AI	Generatieve AI creëert nieuwe content, zoals tekst, afbeeldingen, muziek of code, op basis van patronen die het heeft geleerd uit bestaande data.
Machine learning	Een AI-model leert door feedback te ontvangen van een ander AI-model.
Deep learning	Een neuraal netwerk met veel verbindingen, waardoor het AI-model niet slechts één taak kan uitvoeren, maar meerdere of complexe taken.
Explainable AI	AI waarbij zo goed mogelijk is uitgelegd waarom het tot een bepaald resultaat komt. Hierdoor neemt vertrouwen en transparantie toe.
General purpose AI	AI-tools die breed inzetbaar zijn voor uiteenlopende taken, in plaats van gespecialiseerd te zijn in één specifiek probleem.
Agentic AI	AI-tools die autonoom en proactief werken, waarbij minimale menselijke inbreng nodig is.
AI Agent	AI-tools die een specifieke taak kunnen automatiseren, maar niet autonoom actief zijn.
RACE-principe	Een ezelsbruggetje om een prompt te verbeteren. Dit staat voor Role, Action, Context en Execute. Zorg dat al deze onderdelen in je prompt staan.

Waar is (generatieve) AI goed in?

AI (artificiële intelligentie) simuleert taken die normaal gesproken menselijke intelligentie vereisen, zoals leren of redeneren. Geprogrammeerde of gecodeerde technologie is hiertoe slecht in staat, omdat dit vooraf geschreven regels een-voor-een uitvoert. Het nadeel? Input moet altijd exact hetzelfde zijn, anders functioneert deze ‘oude’ software niet. Denk aan automatisering: dankzij deze technologie is het mogelijk om een productielijn van auto’s te automatiseren, de auto en onderdelen staan immers altijd op dezelfde plek. De fruitpluk is hiermee echter niet te automatiseren, omdat het fruit nooit op dezelfde plek in de boom groeit. Hiervoor is software nodig die het patroon van fruit in een boom herkent: hierdoor wordt gezien wat fruit is én waar het hangt in iedere individuele boom.

Hersenen als basis

Patroonherkennende software maken bleek ingewikkelder dan gehoopt. Experts zijn namelijk aan de slag gegaan om hetgeen na te maken dat enorm goed is in patroonherkenning: hersenen. Hersenen bestaan uit miljarden hersencellen, die als een netwerk van knooppunten met elkaar verbonden zijn. Als je een bepaalde prikkel binnenkrijgt via je zintuigen, worden knooppunten die dankzij een eerder gemaakt patroon verbonden zijn, geactiveerd. Als je bijvoorbeeld de geur van appeltaart ruikt, word je getransporteerd naar de keuken van je oma. Een geurprikkel resulteert in een visuele herinnering, omdat je de verbinding tussen appeltaart en je oma eerder in je leven hebt gemaakt. Dit netwerk van knooppunten is nagemaakt in software: een neuraal netwerk.

Verbindingen in het neurale netwerk trainen

Een ongetraind neuraal netwerk is net als de hersenen van een baby: er zijn nog geen verbindingen getraind, waardoor het geen patronen herkent. Deze verbindingen moeten eerst getraind worden, dit is een handmatige klus. Stel, je wilt een neuraal netwerk creëren dat herkent of er een hond of kat op een foto staat. Je moet dan eerst een database van foto’s verzamelen waarbij je zelf aangeeft of er een hond of kat op de foto staat. Iedere foto wordt gebruikt om verbindingen sterker of zwakker te maken, totdat er bepaalde patronen ontstaan op basis van de trainingsdata. Hiervoor zijn duizenden foto’s nodig, maar uiteindelijk is het patroon sterk genoeg om er onbekende foto’s langs te laten gaan, en te herkennen of er een hond of kat op staat. Je hebt dan een voorspellend neuraal netwerk. De kans is groot dat jij hebt bijgedragen aan het handmatig trainen van dit soort neurale netwerken, hiervoor zijn namelijk Captcha’s ingezet: herken jij waar er een motor op deze afbeelding staat?

Figuur 1: een voorspellend neuraal netwerk dat katten kan onderscheiden van andere dieren.

Van voorspellen naar genereren

De ontwikkeling is niet gestopt na voorspellende neurale netwerken: wat als we een neuraal netwerk maken dat zelf output kan genereren, bijvoorbeeld: foto’s van katten? Een ongetraind netwerk ging hiermee aan de slag, en zoals je jezelf kan voorstellen: de eerste foto’s leken niet eens op katten. De verbindingen in het netwerk zijn immers nog niet getraind. Deze verbindingen zijn getraind totdat er patronen ontstonden in het netwerk, door het voorspellende netwerk feedback te laten geven of de gegenereerde foto wel of geen kat was. Als het patroon sterk genoeg is, is het genoeg om nieuwe input langs dit patroon te halen en te voorspellen wat de meest waarschijnlijke gewenste output is. Dit genereert het vervolgens: Je spreekt dan van generatieve AI. Dankzij het bestaan van voorspellende neurale netwerken is het trainen van generatieve AI geen handmatig werk: het voorspellende netwerk geeft aan of het wel of geen kat is. De verschillende soorten neurale netwerken worden dus tegenover elkaar gezet om elkaar te versterken. Dit is machine learning. Het generatieve neurale netwerk is hierdoor veel sneller te trainen, omdat het mensenwerk uit het proces is gehaald. Hierdoor ontwikkelt generatieve AI zich zo snel.

Complexiteit van neurale netwerken

Een neuraal netwerk dat enkel bestemd is om foto’s van katten te genereren, is relatief simpel. Het proces van input tot output is duidelijk ingekaderd, waardoor er een beperkt aantal verbindingen nodig zijn om goed een kat te genereren. Een heel ander verhaal is het benodigde neurale netwerk dat de gewenste output voorspelt op basis van willekeurige input, zoals ChatGPT. Je kunt hier alles aan vragen, en negen van de tien keer is de output naar verwachting. Dit komt omdat jouw input door een neuraal netwerk gaat met oneindig veel knooppunten, verbindingen en patronen. Het is dus een erg diep neuraal netwerk, waar de term deep learning vandaan komt.

Het risico van een neuraal netwerk

Het neurale netwerk met één of enkele taken is nog te overzien, maar zodra we spreken van deep learning is het al snel niet meer te volgen welke weg jouw input aflegt door het neurale netwerk. Dit maakt direct duidelijk waarom het zo belangrijk is om bewust om te gaan met zowel input als output als je werkt met (generatieve) AI. Het is onbekend wat er in het neurale netwerk achter de AI-tool gebeurd met je input én waarom bepaalde output ontstaat, zelfs de ontwikkelaars van de tool weten het niet. In de meeste gevallen doen zij echter wel hun best om zo transparant mogelijk te zijn over het doel en de uitlegbaarheid van de AI-tool. We spreken dan van explainable AI. Hoe dan ook: gebruik geen gevoelige informatie als input én controleer altijd de feitelijkheid van de output.

Wetgeving omtrent generatieve AI

De Europese AI Act is sinds 1 augustus 2024 van kracht. Het heeft als doel om de AI-ontwikkeling en -gebruik in professionele context te reguleren. Het classificeert AI-systemen in vijf risicocategorieën:

• Onaanvaardbaar risico, deze systemen worden verboden;
• Hoog risico, deze zijn toegestaan op de Europese markt zolang het aan bepaalde eisen en verplichtingen voldoet;
• Beperkt risico, deze systemen moeten transparant zijn (explainable AI);
• Minimaal risico, deze systemen worden niet gereguleerd;
• General purpose AI (GPAI), dit zijn systemen als ChatGPT, Microsoft Copilot en Google Gemini. Het zijn AI-tools die in staat zijn om veel verschillende taken uit te voeren. Deze systemen moeten zo transparant mogelijk zijn over wat ze doen met data, en worden daarnaast aan evaluaties onderhevig.

Als gebruiker van AI-systemen in professionele context is de AI Act duidelijk. Als werkgever ben je verplicht om de AI-geletterdheid van medewerkers te bevorderen, als jouw medewerkers met AI werken. AI-geletterdheid omvat zowel praktische vaardigheden zoals prompten, alsook basisbegrip van de werking, ethiek en impact van AI.

Generatieve AI op maat

Je hoort wellicht steeds vaker de term ‘agentic AI’ voorbij komen. Dit zijn AI-systemen die autonoom en proactief werken, waarbij minimale menselijke inbreng nodig is. Een voorbeeld hiervan is het automatisch invullen van digitale formulieren met jouw persoonsgegevens of een bestelling plaatsen bij jouw favoriete webwinkel. Dit is anders dan een AI Agent: dit zijn AI-systemen die een specifieke taak kunnen automatiseren, maar niet autonoom actief zijn. Goed prompten blijft dus nodig als je een AI agent, zoals een zelfgemaakt ChatGPT-project met ‘custom instructions’, inzet.

Succesvol prompten

Maar hoe doe je dat, goed prompten? Allereerst moet je goed voor ogen hebben wat je als output verwacht. Hoe beter jij dat weet, hoe beter je een AI-tool instrueert om hieraan te voldoen. Als je weet wat je verwacht, kun je de prompt opstellen. Een handig ezelsbruggetje is het RACE-principe, zorg dat tenminste deze onderdelen in jouw prompt staan:

• Role, specificeer welke rol de AI-tool heeft. Geef bijvoorbeeld aan dat de tool jouw functie vervult, een professionele tekstschrijver is of een expert is binnen een relevant vakgebied;
• Action, in dit deel staan de werkwoorden. Specificeer wat je verwacht van de AI-tool, zoals schrijf, genereer of vat samen. Het is belangrijk om hier zo specifiek en meetbaar mogelijk te zijn.
• Context, deel belangrijke achtergrondinformatie, zoals doelgroep, medium, schrijfstijl en de maximale hoeveelheid woorden. Hoe meer relevante context je meegeeft, hoe beter de output aansluit bij jouw verwachtingen.
• Execute, specificeer hoe de output eruit moet zien. Het werkt het beste om voorbeelden toe te voegen aan je prompt of als bijlage, en erbij te vermelden dat de output op dezelfde manier vormgegeven dient te worden.

Voorbeeldprompt: Jij bent een professionele tekstschrijver. Schrijf een artikel van 600 woorden over de voordelen van AI in de financiële sector. Doelgroepen zijn managers en professionals. Het wordt gepubliceerd op een zakelijk kennisplatform, dus houdt de schrijfstijl professioneel en helder. Structureer de tekst met tussenkopjes, een korte inleiding, drie argumenten en een samenvattende conclusie in de stijl van Het Financieel Dagblad.

Vergeet ook zeker niet om AI in te zetten om je prompt te schrijven of te verbeteren. Als je het bijvoorbeeld aan ChatGPT vraagt, heb je binnen no-time een prompt van hoge kwaliteit.

Word AI-geletterd

Wil jij samen met jouw collega’s AI-geletterd worden? Neem dan contact met ons op. We stellen samen met jou een leertraject op maat samen, zodat je AI concreet leert toepassen binnen jouw of jullie processen en taken.

Ook interessant: