
Is zoeken naar het woord ‘gratis’ genoeg?
Stel je een fictieve inbox voor. Een mens kan de regel schrijven: classificeer berichten met het woord ‘gratis’ als reclame. Eenvoudig, maar ook een persoonlijk bericht als ‘ik help je gratis’ kan onterecht worden gefilterd, terwijl reclame zonder dat woord wordt gemist. Wanneer mensen de voorwaarden rechtstreeks kiezen, kunnen nieuwe uitdrukkingen en contexten aanvullingen op de regels vragen.
AI is een breder gebied dan de naam van zo'n functie. Het omvat ook voorwerpen in beelden vinden, routes plannen en problemen oplossen met kennis en regels. Niet alle AI leert dus uit data, en één eenvoudige voorwaarde maakt niet elk programma AI. Belangrijker dan de naam zijn de taak en de manier waarop die wordt uitgevoerd.
Wanneer voorbeelden de classifier veranderen
Een andere aanpak is een model trainen met berichten die als reclame of niet-reclame zijn gelabeld. Machine learning traint modellen met data om voorspellingen of andere uitvoer te maken. Mensen bepalen nog steeds welk materiaal en welk doel worden gebruikt. Voorbeelden garanderen niet dat elke onbekende uitdrukking goed wordt verwerkt. Deze inbox is een fictieve scène om principes te vergelijken, geen experiment dat de nauwkeurigheid van een echte dienst meet.
Tijdens training worden de interne waarden van een model aangepast aan data en doel. Daarna een nieuw bericht invoeren en een classificatie krijgen is inferentie: het getrainde model gebruiken. Nieuwe invoer betekent niet dat die waarden elke keer opnieuw worden geleerd. Ook gespreksinhoud als context gebruiken verschilt van de modelwaarden opnieuw aanpassen. Het bouwen met voorbeelden en het gebruiken van het gemaakte model zijn verbonden, maar verschillende fases.
Voorbeelden verzamelen
Bepalen wat met welk materiaal geleerd moet worden.
Het model maken
Tijdens training de interne waarden aanpassen.
Een nieuw bericht proberen
Via inferentie een classificatie krijgen en met het echte bericht vergelijken.
Reclame selecteren en antwoorden schrijven
Een model dat bepaalt of een bericht reclame is en een model dat nieuwe antwoordzinnen maakt hebben verschillende uitvoerdoelen. Generatieve AI verwijst naar systemen die inhoud maken, zoals zinnen, beelden en geluid; moderne generatieve AI gebruikt meestal modellen die met machine learning zijn getraind. Machine learning is één aanpak binnen AI. Een model dat alleen berichten classificeert en geen tekst schrijft kan dus ook machine learning zijn.
Deze verschillen zijn geen elkaar uitsluitende vakjes. Eén dienst kan berichten kiezen met een classifier, antwoordconcepten schrijven met een generatief model en resultaten verder behandelen met menselijke regels. Een gespreksinterface bewijst niet dat er maar één model achter zit. Ook als classificatie, generatie en regels op één scherm samenkomen, kun je hun taken apart bekijken.
Goed klinken en gelijk hebben
Een vloeiend, zelfverzekerd antwoord of uitleg kan feitelijk onjuist zijn. Zoals een classifier verkeerd kan kiezen, kan een generatief model aannemelijke fouten maken. Of resultaten kloppen moet worden gecontroleerd met materiaal en beoordeling die bij het doel passen. Controleer berekeningen zelf en ga na of genoemde titels en links echt bestaan en de bewering ondersteunen. Vloeiendheid alleen bewijst geen nauwkeurigheid.
Controleer antwoordconcepten ook op verzonnen feiten en onnodige persoonlijke informatie. Bekijk vóór het invoeren van persoonlijke gegevens of niet-openbaar materiaal het verwerkingsbeleid van de dienst. Verschillende aanpakken combineren garandeert op zichzelf geen juiste resultaten of veilige gegevensverwerking. Ook bij een handige functie helpt het om invoer, uitvoer en de manier van controleren samen te bekijken, zodat AI concreter wordt.
Eén bericht volgen onthult verschillende taken binnen de brede naam AI. Kijk bij de volgende knop ‘AI-functie’ eerst of die selecteert of iets maakt.