Zowel nu als in de toekomst
Kunstmatige intelligentie is al een integraal onderdeel van veel toepassingen. Onderzoekers en ontwikkelaars werken nu hard aan betere manieren om meer uit foundation models te halen.

Is kunstmatige intelligentie (AI) een technologie van de verre toekomst? Het antwoord is zowel ja als nee. Nee, omdat AI-toepassingen allang deel uitmaken van ons dagelijks leven. Denk aan gezichtsherkenning, dat veel mensen gebruiken om hun smartphone te ontgrendelen. Of vertaaldiensten die zinnen en zelfs volledige documenten in enkele seconden accuraat omzetten naar tal van andere talen. En dan zijn er nog chatbotsystemen zoals ChatGPT en Copilot, die huidige scholieren en studenten een compleet nieuwe manier bieden om werkstukken te schrijven.
Dit zijn drie voorbeelden van IT-toepassingen die niet gebaseerd zijn op traditionele ‘if-then-programmering’. In plaats daarvan maken ze gebruik van enorme hoeveelheden trainingsdata, geavanceerde leermethoden zoals supervised of reinforcement learning en algoritmes die vaak gebruik maken van zeer complexe neurale netwerken. Een AI-algoritme zal nooit ‘0’ of ‘1’ als resultaat geven. In plaats daarvan geeft de AI altijd de waarschijnlijkheid dat een wiskundig berekende voorspelling correct is, en dit zal nooit 100 procent zijn. Beweringen van kunstmatige intelligentie zitten er altijd op zijn minst een beetje naast. En het is precies deze eigenschap die vereist dat resultaten kritisch worden bekeken - hoewel dit op geen enkele manier het enorme potentieel van de technologie tenietdoet. Sterker nog, AI is de enige manier om uitvoerbare oplossingen te berekenen voor de meest complexe verbanden. AI-toepassingen zijn te vergelijken met een slimme collega die veel kennis heeft, maar zich af en toe vergist.
AI heeft ook zijn intrede gedaan in de logistiek. Meer dan zes jaar geleden begon het team van het DACHSER Enterprise Lab bij Fraunhofer IML algoritmes te ontwikkelen om de tonnagevolumes voor het groupagenetwerk van DACHSER 25 weken van tevoren te voorspellen. Ze ontwikkelden ook een beeldherkenningsoplossing om pakketten in groupage warehouses in realtime te identificeren, lokaliseren en meten. Het fundament van de AI-implementatiestrategie van DACHSER is al jaren dat de logistieke specialisten en procesexperts samenwerken met wiskundigen en softwareontwikkelaars.
Nieuwe, onverwachte mogelijkheden
Toch kan kunstmatige intelligentie ook nog steeds worden beschouwd als een technologie van de toekomst. Nieuwe modellen blijven onverwachte mogelijkheden bieden. Op de voorgrond staan hier de foundation models voor generatieve AI, die geavanceerde algoritmen gebruiken, getraind op massa's gegevens afkomstig van het internet, om teksten en beelden te begrijpen en te creëren. Vooral ChatGPT en andere large language models (LLM's) wekken de indruk ‘intelligentie’ te bezitten. Dit is echter alleen gebaseerd op een wiskundige functie die een samenhangende woordvolgorde voorspelt.
Foundation models in AI: Op het gebied van kunstmatige intelligentie (AI) is een foundation model een groot, voorgetraind model dat gebaseerd is op enorme datasets dat geschikt is voor een breed scala aan toepassingen. Er zijn verschillende soorten foundation models, waaronder large language models (LLM's) en visuele verwerkingsmodellen. LLM's zoals GPT-4 van OpenAI, Gemini (voorheen ‘Bard’) en Bert van Google, en Llama3 van Meta zijn gespecialiseerd in het begrijpen en genereren van natuurlijke taal. Visuele modellen zoals Sora en DALL-E van OpenAI zijn ontworpen om video's en afbeeldingen te genereren met behulp van vrije tekstinvoer (prompts). Zoals de naam al aangeeft, dienen foundation models vaak als basis voor gespecialiseerde toepassingen, waarbij ze worden aangepast aan specifieke taken of datasets.
Toch valt niet te ontkennen dat deze modellen indrukwekkende resultaten opleveren en we zijn nog maar net begonnen hun enorme potentieel te benutten. In de robotica experimenteren experts bijvoorbeeld met foundation models als middel om te communiceren met autonome voertuigen en ze te besturen. Dit zou robots beter in staat stellen om complexe taken uit te voeren, zoals natuurlijke taalverwerking, beeld- en objectherkenning en autonome navigatie. Met deze modellen kunnen robots leren van enorme hoeveelheden gegevens en zich aanpassen aan nieuwe omgevingen en taken. En het zal niet lang meer duren voordat we zullen zien of de autonome voertuigen die in magazijnen worden gebruikt intuïtiever en efficiënter kunnen worden bestuurd. Er wordt wereldwijd intensief onderzoek gedaan.

RAG: een betere basis voor AI-ondersteund onderzoek
Veel ontwikkelingen in AI richten zich op retrieval-augmented generation (RAG), wat belooft de kwaliteit van de resultaten van grote foundation models te verbeteren. RAG voorziet LLM's in gegevens- en kennisbronnen van hogere kwaliteit voor de gegeven use case. Dit voorkomt dat de LLM resultaten fabriceert als het niet geen oplossing kan vinden met een grote kans op juistheid. Dergelijk afwijkend gedrag in LLM-tools wordt een ‘hallucinatie’ genoemd en kan het vertrouwen van gebruikers in kunstmatige intelligentie vaak ondermijnen.
Verder onderzoek naar kunstmatige intelligentie zal een heel nieuw scala aan mogelijke toepassingen opleveren. Bedrijven zoals DACHSER moeten de juiste mix vinden tussen het gebruik van gestandaardiseerde AI-toepassingen en eigen ontwikkelingen. AI-modellen moeten worden getraind met specifieke interne bedrijfsgegevens, vooral voor speciale logistieke processen en oplossingen. De algemene informatie die beschikbaar is op internet is niet voldoende als basis voor training. Tegelijkertijd moet er rekening worden gehouden met de kosten, vooral van AI-modellen die veel rekenkracht vereisen, en met de naleving van het nieuwe wettelijke kader van de EU voor AI-toepassingen, zoals vastgelegd in de AI-wet. Zowel de industrie als de maatschappij beginnen zich nu pas te verdiepen in het gebruik van kunstmatige intelligentie - een reis die zeker de nodige uitdagingen met zich mee zal brengen.