Kunstmatige intelligentie (AI) is een breed onderzoeksveld, vergelijkbaar met natuurkunde, dat verschillende deelgebieden omvat zoals machine learning. Machine learning is een deelgebied van AI, net zoals thermodynamica een deelgebied is van natuurkunde.

Binnen machine learning zijn er verdere indelingen zoals supervised en unsupervised learning. Supervised learning gebruikt gelabelde gegevens om modellen te trainen die voorspellingen kunnen doen op nieuwe gegevens, terwijl unsupervised learning patronen identificeert in ongelabelde gegevens.

Diep leren, een type machine learning, maakt gebruik van kunstmatige neurale netwerken geïnspireerd op het menselijke brein. Diepe leermodellen kunnen ofwel discriminatief zijn, waarbij gegevens worden geclassificeerd op basis van labels, ofwel generatief, waarbij nieuwe gegevensmonsters kunnen worden gemaakt op basis van patronen in de trainingsgegevens.

Grote taalmodellen (LLM's) zijn een specifiek type diep leermodel dat vooraf is getraind op enorme hoeveelheden tekstgegevens en vervolgens wordt verfijnd voor specifieke taken. Hierdoor kunnen ze uitmunten in toepassingen gerelateerd aan taal, zoals tekstgeneratie, samenvatting en vraagbeantwoording.

Samenvattend, AI is een breed veld, machine learning is een deelgebied van AI, diep leren is een type machine learning, en LLM's zijn een specifiek type diep leermodel met unieke mogelijkheden.

Machine learning is een deelgebied van kunstmatige intelligentie dat het trainen van computerprogramma's omvat om te leren van gegevens en voorspellingen of beslissingen te maken zonder expliciet te worden geprogrammeerd. De belangrijkste aspecten van machine learning zijn:

• Invoergegevens: Machine learning-modellen worden getraind op invoergegevens, die gelabeld kunnen zijn (supervised learning) of ongelabeld (unsupervised learning).
• Training: Het model leert patronen en relaties in de invoergegevens door het trainingsproces.
• Voorspelling: Het getrainde model kan vervolgens voorspellingen of beslissingen maken op nieuwe, ongeziene gegevens.

Er zijn twee hoofdtypen machine learning-modellen:

1. Supervised Learning: Deze modellen worden getraind op gelabelde gegevens, waarbij de invoergegevens zijn gekoppeld aan de verwachte uitvoer. Het model leert om de invoer aan de uitvoer toe te wijzen en kan vervolgens voorspellingen doen op nieuwe gegevens.

2. Unsupervised Learning: Deze modellen worden getraind op ongelabelde gegevens, en het algoritme ontdekt patronen en groeperingen binnen de gegevens op eigen houtje, zonder vooraf bepaalde labels.

Machine learning-modellen kunnen verder worden onderverdeeld in discriminatieve en generatieve modellen:

• Discriminatieve Modellen: Deze modellen leren de relatie tussen de invoergegevens en de labels, en kunnen nieuwe gegevens classificeren in de geleerde categorieën.
• Generatieve Modellen: Deze modellen leren de onderliggende patronen en verdelingen in de trainingsgegevens, en kunnen nieuwe monsters genereren die lijken op de oorspronkelijke gegevens.

Overal is machine learning een krachtig hulpmiddel voor het extraheren van inzichten en het maken van voorspellingen op basis van gegevens, en is het een fundamenteel onderdeel van moderne kunstmatige intelligentiesystemen.

Diep leren is een type machine learning dat gebruik maakt van kunstmatige neurale netwerken om te leren van gegevens. Deze neurale netwerken zijn geïnspireerd op de structuur en functie van het menselijke brein, met lagen van onderling verbonden knooppunten die complexe patronen in gegevens kunnen verwerken en leren.

De belangrijkste aspecten van diep leren zijn:

1. Kunstmatige Neurale Netwerken: Diepe leermodellen zijn opgebouwd uit kunstmatige neurale netwerken, die bestaan uit meerdere lagen van knooppunten en verbindingen die de structuur van het menselijke brein nabootsen.

2. Hiërarchisch Leren: Diepe leermodellen kunnen hiërarchische representaties van gegevens leren, waarbij de lagere lagen eenvoudige kenmerken leren en de hogere lagen complexere, abstractere kenmerken.

3. Ongesuperviseerd en Semi-gesuperviseerd Leren: Diepe leermodellen kunnen leren van zowel gelabelde als ongelabelde gegevens, waardoor ze betekenisvolle patronen kunnen extraheren uit grote, ongestructureerde datasets.

4. Discriminatieve en Generatieve Modellen: Diep leren kan worden gebruikt om zowel discriminatieve modellen op te bouwen, die gegevens classificeren, als generatieve modellen, die nieuwe gegevensmonsters kunnen genereren.

5. Toepassingen: Diep leren is met succes toegepast op een breed scala aan taken, waaronder beeldherkenning, natuurlijke taalverwerking, spraakherkenning en voorspellende analyse.

De kracht van diep leren ligt in het vermogen om automatisch kenmerken uit gegevens te leren, zonder de noodzaak van handmatige kenmerkengeneratie. Dit maakt diepe leermodellen zeer aanpasbaar en in staat om complexe problemen op een breed scala aan domeinen op te lossen.

Generatieve AI-modellen zijn een krachtig deelgebied van diep leren dat nieuwe inhoud kan genereren, zoals tekst, afbeeldingen en zelfs video's, op basis van de patronen die ze leren uit trainingsgegevens. Deze modellen zijn onderverdeeld in twee hoofdtypen: discriminatief en generatief.

Discriminatieve modellen leren de relatie tussen invoergegevens en labels, en kunnen alleen bestaande gegevens classificeren. Daarentegen leren generatieve modellen de onderliggende patronen in de trainingsgegevens en kunnen ze vervolgens volledig nieuwe monsters genereren die lijken op de oorspronkelijke gegevens.

Sommige veel voorkomende typen generatieve AI-modellen zijn:

1. Tekst-naar-Tekst Modellen: Deze modellen, zoals ChatGPT en Google Bard, kunnen mensachtige tekst genereren op basis van invoerprompts.

2. Tekst-naar-Afbeelding Modellen: Voorbeelden zijn DALL-E, Midjourney en Stable Diffusion, die afbeeldingen kunnen maken op basis van tekstbeschrijvingen.

3. Tekst-naar-Video Modellen: Modellen zoals Cogito en Make-A-Video kunnen videomateriaal genereren op basis van tekstprompts.

4. Tekst-naar-3D Modellen: Deze modellen, zoals Shaper, kunnen 3D-activa en gameobjecten maken op basis van tekstinvoer.

5. Tekst-naar-Taak Modellen: Deze modellen zijn getraind om specifieke taken uit te voeren, zoals het samenvatten van e-mails of het beantwoorden van vragen, op basis van tekstinvoer.

Grote taalmodellen (LLM's) zijn een subset van diep leren die vooraf zijn getraind op enorme hoeveelheden gegevens en vervolgens worden verfijnd voor specifieke toepassingen. Hierdoor kunnen kleinere organisaties de kracht van deze modellen benutten zonder zelf van de grond af aan te hoeven ontwikkelen.

Het belangrijkste onderscheid tussen generatieve AI en LLM's is dat generatieve modellen nieuwe inhoud kunnen creëren, terwijl LLM's voornamelijk worden gebruikt voor taken zoals classificatie, vraagbeantwoording en tekstgeneratie.

Grote taalmodellen (LLM's) zijn een subset van diep leren, dat op zijn beurt een type machine learning is. LLM's worden vooraf getraind op een enorme hoeveelheid gegevens, meestal tekst, om veel voorkomende taalproblemen op te lossen, zoals tekstclassificatie, vraagbeantwoording, documentsamenvattingen en tekstgeneratie.

Na deze initiële voorafgaande training kunnen LLM's worden verfijnd op kleinere, domeinspecifieke datasets om meer gespecialiseerde problemen op te lossen. Een ziekenhuis zou bijvoorbeeld een vooraf getraind LLM kunnen verfijnen met zijn eigen medische gegevens om de diagnostische nauwkeurigheid van röntgenfoto's en andere tests te verbeteren.

Deze aanpak is voordelig omdat het kleinere instellingen, zoals detailhandelsbedrijven, banken en ziekenhuizen, in staat stelt om gebruik te maken van de krachtige mogelijkheden van LLM's zonder zelf modellen van de grond af aan te hoeven ontwikkelen, wat resource-intensief kan zijn.

Het belangrijkste onderscheid tussen LLM's en generatieve AI is dat LLM's over het algemeen vooraf worden getraind om veel voorkomende taal taken op te lossen, terwijl generatieve AI-modellen worden getraind om nieuwe, originele inhoud te genereren zoals tekst, afbeeldingen of audio.

Samenvattend zijn LLM's een krachtig hulpmiddel dat kan worden verfijnd voor een breed scala aan toepassingen, waardoor ze een waardevolle asset zijn voor organisaties die niet de middelen hebben om hun eigen taalmodellen te ontwikkelen.

In dit beknopte overzicht hebben we de belangrijkste concepten en relaties binnen het veld van kunstmatige intelligentie behandeld. We zijn begonnen met de brede definitie van AI als onderzoeksveld, en zijn vervolgens ingegaan op de deelgebieden machine learning, diep leren en grote taalmodellen.

We hebben de verschillen tussen supervised en unsupervised learning verkend, evenals de kracht van semi-gesuperviseerd leren met behulp van diepe neurale netwerken. We hebben ook het onderscheid besproken tussen discriminatieve en generatieve modellen, en hoe laatstgenoemde nieuwe inhoud kunnen creëren zoals tekst, afbeeldingen en video's.

Tot slot hebben we de belangrijkheid van grote taalmodellen (LLM's) benadrukt en hoe ze vooraf worden getraind op enorme datasets en vervolgens worden verfijnd voor specifieke toepassingen, waardoor kleinere organisaties gebruik kunnen maken van krachtige AI-mogelijkheden.

Dit overzicht zou een solide basis moeten bieden voor het begrijpen van de kerncomponenten van kunstmatige intelligentie en hoe ze zich verhouden tot praktische toepassingen zoals ChatGPT en Google Bard. Onthoud dat de volledige Google AI-cursus gratis beschikbaar is, en je gemakkelijk terug kunt navigeren naar specifieke secties met behulp van de video-timestamps.