Wat is generatieve AI? Modellen, toepassingen en impact op het werk

Wat is generatieve AI?

Generatieve AI is het vakgebied binnen artificial intelligence dat zelfstandig op maat gemaakte content genereert. Het aapt de voorbeelden na die het heeft gezien en maakt een imitatie: tekst, beeld, geluid of video. Het bekendste voorbeeld is ChatGPT van OpenAI. Zulke systemen hebben een enorm deel van het internet geanalyseerd, alle woorden, leestekens, zinnen, afbeeldingen en hun context, en daar zo van geleerd dat ze zelf teksten of programmacode kunnen schrijven en illustraties kunnen maken.

Generatieve AI is het vakgebied dat met machine learning technieken zoals neurale netwerken zelfstandig unieke content genereert, op basis van heel veel voorbeelden en een vraag (prompt) van een gebruiker.

Generatieve AI gebruikt zowel unsupervised als semi-supervised machine learning technieken. Het is dus niet iets totaal nieuws: het combineert meerdere typen algoritmes. Het doel is om op basis van een vraag van een gebruiker, of een opdracht van een systeem, artefacten te genereren die nauwelijks van echt te onderscheiden zijn. Generatieve AI maakt imitaties van de originelen. Het is een heel goede na-aper.

AI-modellen voor generatieve AI

Twee veelgebruikte typen generatieve AI-modellen zijn op transformers gebaseerde modellen, zoals generative pre-trained (GPT) taalmodellen, en generative adversarial networks (GAN’s).

1. Op transformers gebaseerde modellen

Op transformers gebaseerde modellen zijn zeer krachtige neurale netwerken met een astronomisch aantal parameters. Ze leren context en betekenis door relaties in sequentiële gegevens te volgen, zoals de woorden in een zin, paragraaf of hoofdstuk. GPT-modellen zijn large language models (LLM’s). Bij het formuleren van een antwoord voorspellen ze telkens het best passende volgende woord of leesteken.

Het lijkt erg simpel, maar onder de motorkap zit een astronomische hoeveelheid gestolde, zeer gecomprimeerde kennis.

Vergelijk het met een foto in zeer hoge resolutie (alle kennis op het internet) die je maximaal comprimeert (het taalmodel). Op het eerste gezicht lijkt de gecomprimeerde versie sterk op het origineel, maar als je inzoomt, zie je het verlies aan kwaliteit. Alles wat je uit een algemeen taalmodel krijgt, is daarom een hoofdlijn, een benadering, tenzij je het model verder traint voor een specifiek domein.

Die domeinspecifieke training kan verrassend goed werken. Een taalmodel dat was getraind op de ongestructureerde medische notities in patiëntendossiers voorspelde onder meer overlijden in het ziekenhuis en heropname binnen 30 dagen, en deed dat nauwkeuriger dan traditionele modellen op basis van gestructureerde data (Jiang et al., Nature, 2023).

2. Generative adversarial networks (GAN’s)

GAN’s zijn algoritmes die twee neurale netwerken, een generator en een discriminator, tegen elkaar laten strijden in een zero-sum game. De generator maakt nepvoorbeelden, terwijl de discriminator probeert onderscheid te maken tussen echte en nepvoorbeelden. Als de discriminator een nepvoorbeeld juist detecteert, wint hij punten en verliest de generator punten. GAN’s worden vaak gebruikt voor het genereren van afbeeldingen en multimedia.

Transformer-modellen versus GAN’s

In de tabel hieronder zie je de verschillen tussen de twee belangrijkste typen generatieve AI-modellen.

Toepassingen van generatieve AI

Generatieve AI heeft toepassingen in veel domeinen, zoals:

• tekst schrijven, samenvatten en vertalen
• beeldgeneratie en beeld-naar-beeldvertaling
• tekst-naar-beeld en tekst-naar-spraak
• audio- en videogeneratie
• beeld- en videoverbetering
• programmacode genereren
• synthetische data genereren

Generatieve AI heeft veel potentie en kan indrukwekkende resultaten opleveren, maar het brengt ook grote uitdagingen met zich mee: de opkomst van deepfakes, het auteursrecht, de angst voor baanverlies en de moeite die het kost om gegenereerde output te controleren op juistheid of echtheid.

De impact van generatieve AI op beroepen en sectoren

Generatieve AI maakt het mogelijk om niet alleen automatisch te beslissen, maar ook automatisch te reageren. Daarmee trek je AI door tot het einde van de cyclus. Het is opnieuw een aanwijzing dat AI een systeemtechnologie is en niet zomaar een speeltje van techbedrijven. McKinsey schatte in 2023 dat generatieve AI de arbeidsproductiviteit tot 2040 met 0,1 tot 0,6% per jaar kan verhogen, en jaarlijks 2,6 tot 4,4 biljoen dollar aan waarde kan toevoegen in de onderzochte toepassingen (McKinsey, 2023).

Overal waar een creatief, generatief proces aan te pas komt, gaat generatieve AI een belangrijke rol spelen. Denk aan beroepen zoals:

• beleidsmedewerkers en managers
• consultants en financieel adviseurs
• marketeers, reclamemakers, sales- en accountmanagers
• schrijvers, docenten, musici, filmmakers en acteurs
• advocaten, makelaars en notarissen
• SEO-specialisten en webredacteuren
• programmeurs, data engineers en data-analisten
• accountants en auditors

De lijst kun je zo lang maken als je wilt, want creatieve processen komen in elk beroep en elke sector voor. De vraag voor jouw organisatie is dus niet of generatieve AI het werk gaat raken, maar waar het mensen helpt betere beslissingen te nemen en waar een mens de regie moet houden.

Bronnen

• McKinsey & Company (juni 2023): The economic potential of generative AI: The next productivity frontier.
• Jiang, L.Y., Liu, X.C., Nejatian, N.P. et al. (2023): Health system-scale language models are all-purpose prediction engines. Nature 619.

Over de auteur

Daan van Beek

Daan is medeoprichter van Diamond Decisions en leidt de verdere groei. Hij helpt organisaties strategie te vertalen naar de dagelijkse praktijk met een mensgerichte benadering van datagedreven werken, en leert in elke sector waarin hij werkt iets nieuws.

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.