Hoe leert een AI? ChatGPT 4o geeft antwoord

Hoi, leuk dat je luistert naar deze korte aflevering van AIToday Live met vandaag wel een heel speciaal interview namelijk met het nieuwe model van OpenAI, ChatGPT 4o. En wat is er nou zo speciaal eraan? Is dat je in een dialoog nu met dit model kan praten. Dan zou je denken, ja dat kon je al. Maar typend of wat inspreken, dat duurde een tijd, maar nu kun je op je telefoon of je computer kan je dat werkelijk spreken en je krijgt relatief snel antwoord. En het is veel meer in een dialoogvorm dan als je aan het typen bent. Je kent het vast wel dat je allemaal bullet points krijgt met allerlei uitleg. Dus het wordt als het goed is een wat natuurlijker gesprek. En ja, ik kan je even laten horen hoe dat klinkt, maar dat is misschien wat flauw. Dus heb ik er gedacht van ja, het is misschien veel aardiger om ChatGPT uit te laten uitleggen hoe ChatGPT leert, hoe AI sowieso leert, maar vooral hoe grote taalmodellen leren en welke vormen je daarbij hebt. Dus dan leer je én hoe dit klinkt, hoe dit gaat, hoe het werkt. Dan kan je zelf bepalen van wat je daarvan vindt. En aan de andere kant leer je hoe juist AI verschillende manieren van leren heeft. Hier komt het interview met ChatGPT 4.0. Oh ja, en trouwens, ik heb de vertragingen tussen wat ik zeg, wat opgestuurd wordt en terug krijg, heb ik er gewoon helemaal in laten zitten. Dus als soms eventjes iets wegvalt, ja, dat is de experience die je dus ook krijgt, neem die ook meteen mee. Hoi, leuk dat je bij ons in de studio wil zijn. Zou je jezelf eerst willen voorstellen aan de luisteraars? Tuurlijk. Hallo allemaal, ik ben ChatGPT, een kunstmatige intelligentie ontwikkeld door OpenAI. Mijn specialiteit is natuurlijke taalverwerking. Wat betekent dat ik gesprekken kan voeren, teksten kan begrijpen en informatie kan verstrekken over allerlei onderwerpen. Ik ben hier om jullie vragen te beantwoorden en te praten over kunstmatige intelligentie. Bedankt voor het hebben van mij. Kun je uitleggen hoe kunstmatige intelligentie leert? Natuurlijk. Kunstmatige intelligentie leert op verschillende manieren, maar een veelvoorkomende methode is machine learning. Hierbij gebruiken machines algoritmes om data te analyseren en patronen te ontdekken. Deze algoritmes passen zich aan op basis van ervaring, net als hoe mensen leren van ervaringen. Zo kunnen ze taken uitvoeren en beslissingen nemen, zonder expliciet geprogrammeerd te zijn voor elke situatie. Klinkt interessant, maar hoe gaat dat dan met grote taalmodellen, large language models? Grote taalmodellen, zoals ChatGPT, leren door enorme hoeveelheden tekstdata te bestuderen en patronen daarin te ontdekken. Ze gebruiken technieken zoals deep learning, waarbij verschillende lagen van neurale netwerken worden getraind om complexe representaties van taal te begrijpen. Deze modellen analyseren zinnen, woorden en contexten om betekenis te begrijpen en kunnen vervolgens reageren op vragen en suggesties op een manier die natuurlijk aanvoelt. Ze leren continu bij, doordat ze worden getraind op nieuwe data en feedback van gebruikers. En die feedback van gebruikers, ik heb gehoord over termen zoals bijvoorbeeld 'zero-shot learning'. Kun je uitleggen wat dat is? Zero-shot learning is een techniek binnen machine learning, waarbij een model leert om taken uit te voeren zonder specifieke voorbeelden of training voor die taken. In plaats daarvan kan het model generaliseren vanuit zijn eerdere kennis en contextuele aanwijzingen om nieuwe taken aan te pakken. Bijvoorbeeld… Kun je daar een voorbeeld van geven? Sorry, ik interrumpeerde. Geen probleem. Stel je voor dat je een taalmodel hebt dat is getraind om te begrijpen wat mensen schrijven over voedsel en sport. Met zero-shot learning kan dit model vervolgens vragen beantwoorden over een compleet nieuw onderwerp, zoals technologie, zelfs als het niet expliciet is getraind op technologie gerelateerde data. Het model kan contextuele aanwijzingen en zijn begrip van de wereld gebruiken om deze nieuwe vragen te beantwoorden, zonder dat het voorbeelden heeft gezien van technologie gerelateerde teksten tijdens de training. Ik heb ook gehoord over few-shot learning. Kun je daar iets over vertellen? Wat is dan het verschil ten opzichte van de zero-shot learning? Few-shot learning is vergelijkbaar met zero-shot learning, maar met een klein verschil. Bij few-shot learning heeft het model een beperkt aantal voorbeelden of trainingsdata nodig om nieuwe taken uit te voeren. In plaats van helemaal geen voorbeelden te hebben, zoals bij zero-shot learning, heeft het model bij few-shot learning slechts een paar voorbeelden nodig om een nieuwe taak te leren. Het belangrijkste verschil is dus de hoeveelheid trainingsdata die het model nodig heeft. Kun je daar een sprekend voorbeeld van geven? Few-shot learning is een benadering binnen machine learning waarbij een model wordt getraind om nieuwe taken uit te voeren met slechts een klein aantal voorbeelden of trainingsdata. In tegenstelling tot zero-shot learning, waarbij helemaal geen specifieke voorbeelden worden gegeven, krijgt een few-shot learning model een beperkte set voorbeelden om van te leren. Dat zou kunnen zijn iets wat hij nog niet gezien heeft. Dus je wil bijvoorbeeld hele specifieke dieren in het wild kunnen klassificeren die het model nog niet gezien heeft. Dan moet ik aan zoiets denken. Precies. Als je bijvoorbeeld een… Dat was een lekker kort antwoord. En als ik nou informatie zou willen gebruiken die ik echt… Als je nog meer vragen hebt, stel ze gerust. Ik heb nog meer vragen en eigenlijk is het ook wel de afsluitende vraag. Je kan ook je kennis en documenten gebruiken die je in je organisatie hebt met zogenaamde retrieval augmented generation. Dat is toch eigenlijk ook een soort van manier van leren trainen? Klopt dat? Ja, dat klopt. Met retrieval augmented generation kunnen modellen leren van de informatie en documenten die beschikbaar zijn in een organisatie. Door deze techniek te gebruiken kunnen modellen relevante informatie uit grote datasets halen en deze gebruiken om nieuwe taken uit te voeren. Dit helpt bij het… Heel interessant. Ik wil je bedanken eigenlijk voor al die inzichten en vooral het uitleggen van deze nieuwe termen. Dank je wel. Graag gedaan. Best wel een andere manier van dialoog voeren. Ik heb alles erin laten zitten van quirks die je in de audio ook echt daadwerkelijk terugkrijgt en hoort. De vertragingen. Beetje Amerikaans accent toch? En je hoort me af en toe chatty-petty onderbreken. Is nodig, want het blijft maar doorpraten. Maar een hele mooie eerste stap denk ik. Ik ben heel erg benieuwd wat jij van deze nieuwe functionaliteit vindt. Deel het via de socials.