Generative AI in één minuut
Geef een systeem productgegevens en vraag om een begrijpelijke beschrijving voor klanten. Het kan van losse kenmerken een lopende tekst maken. Een controle moet vervolgens aantonen dat maten, materialen en voorwaarden overeenkomen met de bron. Het systeem helpt bij het formuleren; de organisatie bepaalt welke informatie klopt, welk doel de tekst dient en of deze gepubliceerd mag worden.
Generative AI met een eenvoudig voorbeeld
Een winkel heeft een catalogus met honderd artikelen. Een klassiek classificatiesysteem kan elk artikel indelen bij een bestaande categorie. Een voorspellend systeem kan de verwachte vraag schatten. Een generatief systeem kan daarnaast een korte productbeschrijving opstellen. Het onderscheid gaat om de taak en uitvoer; het betekent niet dat oudere AI altijd vaste regels gebruikt of dat generatieve modellen niet kunnen classificeren.
| Taak | Mogelijke uitvoer | Wat je controleert |
|---|---|---|
| Classificeren | Dit artikel hoort bij onderhoudsmiddelen. | Past de categorie bij het werkelijke gebruik? |
| Voorspellen | Een geschatte vraag voor de komende periode. | Hoe betrouwbaar is de voorspelling op ongeziene gegevens? |
| Genereren | Een nieuwe uitleg op basis van de kenmerken. | Zijn alle feitelijke claims door de bron gedekt? |
Stel dat de bron alleen vermeldt dat een doek van microvezel is gemaakt en een bepaalde afmeting heeft. Een goede opdracht vraagt om die gegevens duidelijk te beschrijven en ontbrekende eigenschappen niet aan te vullen. De tekst “gecertificeerd voor ieder oppervlak” mag niet ontstaan doordat zo’n formulering vaak in verkoopteksten voorkomt. Dat zou informatie toevoegen waarvoor de catalogus geen basis biedt.
Een bruikbare werkwijze scheidt feiten, stijl en beoordeling. Eerst selecteer je de juiste gegevens. Daarna beschrijf je doelgroep, gewenste lengte en toon. Ten slotte vergelijk je de tekst met het artikel. Zo wordt genereren een controleerbare redactiestap. Dezelfde aanpak werkt bij een vergaderverslag: besluiten moeten uit de notities volgen en niet uit wat gebruikelijk klinkt.
Een samenvatting, uitleg of programmafragment kan worden opgesteld. Code moet vervolgens worden getest op werkelijk gedrag.
Een systeem kan een afbeelding maken of bewerken. Een overtuigend productbeeld bewijst niet dat het getoonde product zo bestaat.
Spraak of muziek kan worden gegenereerd. Uitspraak, inhoud en gebruiksrechten vragen afzonderlijke aandacht.
Bewegende beelden kunnen worden opgebouwd. Continuïteit, objecten en details kunnen tussen momenten veranderen.
Technisch bekeken
Tijdens training worden instelbare getallen, de parameters, aangepast aan voorbeelden en een leerdoel. Daardoor kan een model relaties in gegevens vastleggen. Bij gebruik, ook inference genoemd, worden die geleerde instellingen ingezet om een uitvoer te berekenen. Een opdracht invoeren verandert in een gewone interactie niet automatisch de modelgewichten. Gegevensverwerking voor later trainen is een afzonderlijke product- en beleidskwestie.
Foundation model. Een model dat breed is getraind en voor uiteenlopende taken kan worden aangepast of ingezet. De term beschrijft een rol als basis, niet een garantie van kwaliteit. Een foundation model is niet per definitie een chatbot, en niet elk model is voor elke invoer of toepassing geschikt.
Een genererend LLM bouwt doorgaans tekst op door volgende tokens te voorspellen op basis van de beschikbare context en eerdere uitvoer. Een token is een verwerkingseenheid, niet noodzakelijk een woord. Herhaald voorspellen kan zo een hele uitleg, vertaling of programma opleveren. De waarschijnlijkheid van een tekstvervolg is iets anders dan de feitelijke juistheid van de uitspraak.
Niet alle generatieve AI werkt op dezelfde manier. Diffusiemodellen voor beeld kunnen bijvoorbeeld via herhaalde stappen een ruwe of verstoorde representatie naar een samenhangend beeld omvormen. Dat is geen letterlijke reeks volgende woorden. Sommige systemen combineren meerdere onderdelen. Multimodal AI gaat over werken met verschillende informatietypen, niet over één universele generatieprocedure.
Ook model, toepassing en leverancier zijn verschillende begrippen. Een toepassing kan een model combineren met zoekfuncties, documenten, een rekenmachine en een gebruikersinterface. Daardoor zegt een succesvolle demonstratie niet alleen iets over het basismodel. Voor toekomstige vergelijkingen van aanbieders is het belangrijk te weten welke onderdelen precies zijn gebruikt.
Kies een taak waarvan je de uitkomst kunt beoordelen
Begin met een afgebakende opdracht. “Vat de drie genoemde besluiten samen en vermeld bij ieder besluit de verantwoordelijke” is beter te controleren dan “maak iets goeds van deze vergadering”. Wanneer de bron geen verantwoordelijke noemt, hoort de uitkomst dat gat zichtbaar te laten. Een expliciete vraag om ontbrekende gegevens te markeren helpt, maar neemt de noodzaak van controle niet weg.
Voor recente feiten kan het systeem externe informatie nodig hebben. Met RAG worden relevante bronnen opgehaald en als context aangeboden. Daarmee kan een actuele prijslijst een rol spelen zonder het model opnieuw te trainen. Of de bron werkelijk actueel, volledig en juist verwerkt is, blijft een aparte vraag. Generatie plus een bron is geen automatische waarheidscontrole.
- Bepaal of je wilt genereren, samenvatten, classificeren of een feit opzoeken.
- Lever bruikbare bronnen en vermeld wat niet mag worden aangevuld.
- Maak onderscheid tussen creatieve voorstellen en feitelijke productclaims.
- Controleer aantallen, namen, voorwaarden en verwijzingen tegen het origineel.
- Laat een passende medewerker beslissen over publicatie of een vervolgactie.
Een hallucination is onder meer een geloofwaardig geformuleerd maar onjuist of onvoldoende onderbouwd detail. Dat kan ook voorkomen in een vloeiende samenvatting. Beoordeel daarom niet alleen hoe prettig het resultaat leest, maar hoeveel controle en herstel het vraagt. Een bescheiden, verifieerbare uitkomst kan voor een bedrijf nuttiger zijn dan een indrukwekkende tekst met verborgen fouten.