Generatieve AI in bedrijfsprocessen: wat je moet weten - met Peter van der Putten

In deze aflevering hoor je Peter van de Putten, hoofd van het AI-lab bij Pegasystems, over hoe AI en automatisering steeds meer samensmelten in customer service en bedrijfsprocessen. Peter deelt unieke inzichten over de opkomst van generatieve AI en agent-based systemen en hoe deze technologieën de interactie tussen mens en machine fundamenteel veranderen. Hoi, leuk dat je luistert naar een nieuwe aflevering van AIToday Live, we zitten al in seizoen 7. Dit gaat hard, hè? Zeker. We zeiden net eigenlijk al, het wordt een gezellig gesprek over kunstmatige intelligentie. En daar hebben we een gast voor uitgenodigd, Peter van der Putten. We zijn heel erg benieuwd naar zijn ervaringen. Echt een expert op het gebied van kunstmatige intelligentie. Mijn naam, Joop Snijder, CTO bij Aigency. Mijn naam, Niels Naglé, Area Lead Data & AI bij Info Support. Peter, dank je wel dat je bij ons in de studio wil zijn. Zou je je als willen voorstellen aan de luisteraars? Absoluut. Ik ben Peter van der Putten. Ik draag een aantal verschillende petten. Allereerst ben ik baas van het AI Lab van een Amerikaans softwarebedrijf. Dat heet Pegasystems, waar we AI en automation gebruiken in Customer Service en Customer Business Operations. Een bedrijf van ongeveer 6-7 duizend werknemers. En ik mag daar leuk spelen met AI innovatie. Daarnaast ben ik ook nog één dag in de week onderzoeker aan de Universiteit Leiden. Daar ben ik ook al een aantal ION's aan verbonden, sinds 1998 ongeveer. En als ik dan nog tijd over heb, dan vind ik het ook nog wel leuk om te spelen met AI een beetje in het creatieve, artistieke domein. Leuk. Ja, over dat artistieke domein, daar wil ik straks wel inderdaad wel wat van weten. Daar had ik wat over gelezen. Maar ik wil eigenlijk beginnen bij dat AI Lab. Wat is een AI Lab en wat doen jullie daarin? Ja, dus zoals ik al zei, Pega is een bedrijf waarbij in die kern wat we doen is AI en automation met elkaar verbinden. Een beetje vanuit de gedachte dat intelligence of AI leuk is, maar als je het niet aan actie kan verbinden, dan is het pretty useless. En ik rapporteer aan onze CTO, dus ik ben verantwoordelijk. Ja, ik kan nog heel lang verhalen houden, maar uiteindelijk ben ik zijn AI man. Daar komt het een beetje op neer. En ik vind het zelf altijd leuk om me op het hele spectrum tussen business en technologie te begeven. Dus als mensen me niet kunnen plaatsen op dat commerciële technische spectrum, zeggen we dat klopt. Want ik bevind me een beetje bij de uiteinden. Ja, dus dat betekent dat ik zowel kijk naar van, ja, wat zijn nu nieuwe markten, nieuwe gebieden waar we ons op kunnen begeven met de hulp van AI. Ik praat ook veel met C-level van onze klanten die overal ter wereld zitten. Over dat soort onderwerpen. Maar we doen ook productief aan de marketingkant. We doen market research om te kijken wat gaat er om in het hoofd van de business decision makers. Dat is rondom AI. Dus dat is misschien heel erg naar de business kant. Maar ik kijk ook naar, ja, wat zijn bijvoorbeeld, ja, als ik zeg maar onze klanten adviseer over AI, moet ik dat ook op onszelf betrekken? Dus wat zijn dan nieuwe go-to-market kanten die we op kunnen met de AI. Tot en met, ja, omdat ik ook dus nog met een voet buiten ben en sta in de academische wereld, kan ik, ben ik ook redelijk up-to-date met wat zijn een beetje technisch gezien de laatste ontwikkelingen. We hebben natuurlijk een hele productclub met heel veel slimme mensen die bezig zijn met de volgende wezen van het product. Maar af en toe kom ik van buitenaf invliegen en zeg ik van, goh, dat was, weet ik veel, half jaar voordat Chatship die uitkwam, van, goh, zouden we niet wat met Generative AI willen doen? Ja, precies. En dan vervolgens heb je honderden productontwikkelaars die vooral ik twee jaar lang alleen met Generative AI gaan lopen bouwen. En het laboratorium of AI lab, met name onderzoek, proef concepts of ook verder dat jullie ermee bezig houden of gaat het dan naar product teams? Ja, nee, dat gaat absoluut direct, het is dus geen lab, het is een hoogste virtuele aangelegenheid. Nee, het gaat juist direct naar, bijvoorbeeld direct naar de productontwikkelteams toe. Dus inderdaad, een half jaar voordat Chatship die uitkwam, ik had mijn, weet ik veel, mijn kwartaal catch-up met onze CEO en zijn direct reports, een mooie presentatie gemaakt over kunstmatige intelligentie en waar moeten we naartoe. En het voelde niet helemaal goed, dus een half uur voor die meeting gooide ik mijn hele presentatie weg. En heb ik helemaal gefocust van, nou, we moeten echt de Generative AI in. En natuurlijk zei iedereen, Generative wat? Ja. Want Dall-E was nog niet eens uit, zeg maar. Maar ik speelde wel al een aantal jaar met die technologie. Ik had heel vroeg toegang tot GPT-3 bijvoorbeeld. En, nou, toen weet ik veel, binnen een paar weken kwam Dali uit en dan kwamen er wel andere dingen uit. Een paar maanden later kwam ChatGPT-3 uit. We hadden al lang beslist toen om, ja, in 2023 al vol in te zetten op allerlei, ja, Gen AI ontwikkelingen in het product. Dus die worden dan direct ook in het product gebouwd. Ja, de meerderheid van de engineering uren in de laatste, in de releases in 2023, 2024, die waren op Gen AI gefocust. Wat heeft je nou het meest verbaasd? Want ik moet zeggen, ik was ook een van de gelukkigen die al hier een hele tijd mee bezig was. Wat heeft je nou het meest verbaasd in deze omwenteling met Generative AI? Dus we hadden eerst natuurlijk het machine learning waar de mensen mee bezig waren. En nu is bijna alles, Gen AI is een soort van bijna paraplu die over alles heen zit. Wat heeft je daarin het meest verbaasd? Ja, wat, nou, ja, verbaasd. Het is, ik ben eigenlijk in 1989 AI gaan studeren. Helemaal niet met het oog van, oh, dat wordt de toekomst of dat zijn belangrijke business toepassingen. Meer aan omdat ik puur geïnteresseerd was in het onderwerp. Dus ik had al het een en ander aan AI gezien. Ja, dan moet je ook opletten dat je niet zo'n beetje zo'n zure oude man wordt. Dit hebben we al gezien. Precies, dat kennen we al. Gedeeltelijk, ja, het is natuurlijk wel zo dat al die modellen, het neurale netwerk of deep learning of zelfs generative AI. Ik heb studenten al, ja, 2016 of zo die met generative AI bezig waren. Dat was er allemaal. En wat me dan toch nog steeds verbaasde, en dat is wel eigenlijk een belangrijke bekende les in de adoptie van technologie. Dat het niet zozeer gaat om, ja, zijn die ideeën er, zijn de algoritme er, maar hoe beschikbaar is die technologie. Ik denk dat dat zelfs OpenAI verbaasd heeft, want ze hebben toen in... November 2022? Ja, precies. November 2020 is ChatGPT. Maar ze hebben eigenlijk in mei 2020 al de paper uitgebracht. En ik had juli 2020 had ik toegang tot 3.5. Grotendeels eigenlijk dezelfde kwaliteit van wat de eerste versie van ChatGPT was. Maar het was nog steeds heel erg, toch heel erg nice. En du moment dat je er een gezicht op zette, dus dat je... Dat ze zeiden van nee, we gaan niet alleen maar die API hebben, we maken een soort mooie chatbot. We maken het even weer gratis, beschikbaar, iedereen kan erbij. Zodat je, hè, en dat je tante gedichten voor Sinterklaas kan maken. Of je moeder koekjes receptjes. Dat leidde uiteindelijk tot, zeg maar, die explosie van aandacht voor generative AI. Dus, ja, dat blijft een hele belangrijke les in de technologie of technologieadoptie. Hoe bereikbaar en hoe beschikbaar is het eigenlijk? En dat heeft zelfs OpenAI verbaasd. Ja, het is toch wel duidelijk tussen de regels door dat ze dachten van ja, we moeten even snel een demootje hebben. Laten we een gezicht bouwen bovenop onze GPT-modellen met zo'n chatbotje. Maar het is een soort pre-sales demo. We zijn allemaal bezig met het ontwikkelen van GPT-4. Wat toen in maart daarna pas uitkwam. Dus ik denk dat het ook OpenAI zelfs verbaasd heeft wat voor impact dat had. Ja, vooral die toegankelijkheid eigenlijk. Ik ben wel nieuwsgierig, hoe heb je dat vertaald naar de organisatie waar je actief bent? Met het zicht op hoe bruikbaar is het, hoe beschikbaar is het? Wat heb je daarvan meegenomen en hoe heb je daarin de mensen meegekregen? Ja, dat is een goed punt. Nou, het begon natuurlijk een klein beetje vanaf de top. Dat was toen ook nog voordat de ChatGPT uitkwam, een half jaar daarvoor. Dus dan warm je mensen daar alvast op van, hé, er zit iets aan te komen. Ja, en die zijn natuurlijk ook gezond kritisch, maar dan zien ze ook dingen gebeuren. En dan begint het wel vrij snel te klikken van, nou, hier moeten we wat mee. En om het een beetje te plaatsen, ja, wij hebben altijd in juni ons grote event, Pega World. En dan hebben we ook al een beetje onze release die daar vlak achteraan hobbelt. Dus toen hebben we eigenlijk, ja, nou, een maand nadat ChatGPT echt uitkwam, toen zijn we ook vol allerlei use cases gaan bouwen. Maar het was natuurlijk voor veel mensen iets nieuws. Dus om ook een beetje community hier te kweken, zijn we gelijk hackathons gaan doen bijvoorbeeld. We hebben direct ook interne communities opgericht. Nou, daar zaten in no time duizend mensen op die community. En alleen maar dingen te delen die ze, of dingen die ze gebouwd hadden, of dingen die ze interessant vonden. Ja, en toen was in juni 2003, zit er ons Pega World event. En ja, als je dan ons Tech Pavilion inloopt met de demos, dan zie je gewoon dat drie kwart van de demos natuurlijk helemaal vol zit met allerlei interessante manieren om Gen AI toe te passen. Zou je er eentje uit kunnen lichten waarvan je zegt van, hé, dat was eigenlijk wel een aparte manier om er zo naar te kijken? Ja, dat is een moeilijke vraag, omdat we zoveel verschillende dingen gestaan hebben. Ja, er zitten kleine originele ideeën bij, die misschien niet zo impactvol zijn. En dingen die best veel impact kunnen hebben. Dus als ik even wat voorbeelden geef, dan mix ik een beetje die categorieën. Maar, nou weet ik veel, aan de customer service kant, dat is nou echt zo'n domein wat toch wel heel erg zal veranderen onder invloed van de Gen AI. Nou, daar kun je je allerlei dingen bij voorstellen, samenvatten van een customer service call. Klinkt niet zo spannend, maar is een enorme business case. Als jij dertig minuten bespaart op el belletje, omdat je een betere wrap-up doet en een sneller wrap-up, dan is dat direct door. Gigantisch. Maar er zijn ook leukere, nou leuk hè, misschien speelsere voorbeelden die ook nuttig zijn. Dus zo gebruikt bijvoorbeeld dan in het customer service domein ook Gen AI om agents te trainen. Agents zijn dit dan call agents of AI agents? Ja, we hebben natuurlijk, dat zijn call agents. AI agents komen we ook nog wel, misschien. Ja, dus dit gaat om mensen hè? Dit gaat om mensen, mensen. Ja. Ik bedoel, ik ben ook een grote gelover van AI is augmented intelligence, right? Dus waar de intelligence samenwerkt met de mens. Maar in ieder geval, dan maak je een verhaaltje van, nou Joop belt op naar de telco customer service. Joop is een beetje boos en een beetje verdrietig en wil eigenlijk zijn contact opzeggen. En dan wordt er daadwerkelijk een klant gesimuleerd. In eerste instantie deden we dat alleen maar per chat, die een gesprek gaat voeren met een agent. En dat wordt dan gebruikt natuurlijk om agents te trainen. Het zij vooraf of het zij in een dull moment dat ze dan even een gesimuleerde klant krijgen. En dan begint Joop een beetje boos en verdrietig te zijn. En dan kun je ook weer met Jenna kijken van, hé, hoe gaat de agent daarmee om? En eerst hebben we dat alleen maar gedaan met alsof het een inkomend chatbericht was. Maar nu genereren we ook echt stemmen. Dus dan krijg je echt, natuurlijk zijn we transparant naar de agents of onze klanten. Maar je krijgt uiteindelijk iemand aan de lijn die boos en verdrietig gaat zeggen dat hij zijn telco contract wil opzeggen. Ja, en zeker in trainingssituaties maakt het uit dat emotie mee gaat werken natuurlijk. Ja, absoluut. Hoe ga je daarmee om, hé? Hoe empathisch ben je dan in hoe je omgaat met die klant? Want we kunnen van alles automatiseren. En in die intelligente automatisering kun je ook nog wel de customer mood en zo meenemen. Maar je moet ook uiteindelijk, ja, moeten we, als je kijkt van waar zijn mensen nou goed in, is ook het tonen van die empathie bijvoorbeeld. Dus ja, dat kun je op die manier goed meenemen. Dan aan de andere kant, die customer service desktop, die wordt natuurlijk aan alle kanten automatisch bestuurd. Want met consent van de klant luisteren we mee met het gesprek. Dus het is niet meer zo dat je tussen tien schermen loopt te winkelen als een contact center agent. Eigenlijk word je jouw single customer service desktop automatisch bestuurd door de AI. Die suggereert constant van, hé, misschien moet je, ja, de klant wil zijn contract opzeggen. Maar die zegt van, ja, want hij wil naar concurrent B. Misschien moet je even deze punten aanstippen. Dat wordt even uit een retrieval. Een kennisbank, ja. Nou, uiteindelijk weet je de klant te overtuigen. Maar die wil wel een upgrade van zijn contract. En by the way, hij gaat ook verhuizen. Oh, vul maar even automatisch. Geef ze een nieuwe adres. Nou, vul dat voor me in. Dus eigenlijk ben je als agent veel meer gericht op de klant. En word je desktop zoveel mogelijk automatisch bestuurd. Waarbij je natuurlijk op alle kernmomenten even kan bevestigen. Ja, dit klopt. Ja, dit wil ik doen. Nee, hier is een kleine wijziging. Nee, we gaan toch even iets anders doen. Dus heel erg op de automatische piloot wat dat betreft. Ja, waarbij de mens eigenlijk wordt versterkt door de technologie. Dat je meer aandacht en tijd hebt voor je klant. Ja, want als mensen denken automatisch piloot. Dan denken ze van, oh, mensen worden geautomatiseerd. Maar dat is het juist niet. Je wil het systeem op de automatische piloot zetten. Zodat de mens echt het menselijke aspect kan toevoegen. Hoe zorg je ervoor dat de machine richting de mens komt? En dat wij als mensen ons niet moeten gaan aanpassen aan die machine? Nou, ik denk dat de machine naar de mens is natuurlijk dat het belangrijk is om inderdaad niet alleen naar zogenaamde feitelijk informatie te kijken, maar te proberen die empathie of emotie of wat is de intent van de klant. Om eigenlijk zo goed mogelijk in te kunnen schatten van wat wil de klant nou eigenlijk. Naast wat de klant zegt, ook wat wil de klant. Misschien kunnen we ook wel dan AI gebruiken om te voorspellen van, nou, wat is het beste klantbehouden aanbod wat we hier kunnen doen. Ja, bijvoorbeeld. Gebaseerd op jouw klantwaarde en de kans dat je opstapt en wat dan ook. Maar dus dat je echt probeert ook de klant te begrijpen. Dat kan de AI beter doen. Hoe de mens in controle blijft, ja, dat is natuurlijk op twee niveaus. Je hebt, zeg maar, de call center agent in dit geval. Die moet alle ruimte hebben om te zeggen van, nou, nee, dit wil ik niet. Nee, dit klopt niet. Nee, we gaan wat anders doen. Of ja, dit was een nuttig antwoord. Of nee, hier had je eigenlijk nog even iets anders kunnen zeggen. Dus je wil zorgen dat die feedback loop, dat er voldoende mate van autonomie is binnen bepaalde grenzen. En dat je ook heel erg eigenlijk nog veel meer gaat zitten op de feedback die in dit geval de agent of een medewerker of misschien uiteindelijk een klant direct teruggeeft aan de AI. Dus ruimte laten voor, ja, vrijheid en variatie. En ook voldoende ruimte om feedback te hebben. Ja, er is ook nog autonomie bij de mens. Absoluut. Ja, uiteindelijk, ja, we hebben een beetje dat idee van de autonomous enterprise. De toekomstvisie voor een enterprise. Die, zeg maar, het idee is van, ja, als ik een autonomous car kan hebben, self-driving car, waarom hebben we geen self-driving businesses? Maar het kernidee van een zelfrijdende auto is natuurlijk, het is niet zo dat ik in een Waymo stap en die brengt me naar een random bestemming. Je hebt een doel. Ja, daarom. Ja, je hebt nu wel kans bij die auto's dat ze het wel doen, maar dat is niet helemaal het idee. Dat is niet waarom. Ik was wel nieuwsgierig, dat betekent dat ook voor de menskant. Je wil de autonomie, maar je wil wel support. En dat zal ook ongetwijfeld het weerstand zijn. Hoe hebben jullie het aangepakt? Of wat heb je tips om mensen daarin mee te nemen? Wat heeft bij jullie goed gewerkt? Nou, ja, dus je kunt het een beetje zien als van, hoe krijgen we intern bij PEGA mensen mee? Nee, maar voor ons, omdat we die platformen hebben waar we AI en automation gebruiken, is het nog veel belangrijker van onze klanten. Hoe krijgen we onze klanten mee? Maar uiteindelijk ook, hoe krijgen we de eindklanten van onze klanten ook mee? Dus daar focussen we dan heel erg op. Ja, dus dan is het, ja, dan zijn er een aantal aspecten natuurlijk heel belangrijk. Dus het is belangrijk dat bijvoorbeeld de AI zich af en toe uit kan leggen. Dus als ik zeg van, nee, je krijgt die lening niet of nee, we keuren die verzekeringsclaim af. Dat je ook aan die AI kan vragen van, hoezo? Ja, en dat zijn zogenaamde negatieve voorbeelden, zeg maar. Maar andersom ook, als je in een sales automation omgeving zegt van, ja, dit is een warme lead. Dan moet je ook zeggen, ja, maar ik geloof daar niks van. Hoezo? Ja, dus er is een element van transparantie waarbij de AI zichzelf aardig moet kunnen uitleggen. En daar kun je zowel een beetje linker hersenhelft AI voor gebruiken. Explainable AI, wat zijn de belangrijkste factoren in een voorspelling. Maar je kunt ook generative AI gebruiken. Want we gebruiken generative AI om eigenlijk die output ook weer te interpreteren. Kan je dat iets concreter maken? Want ik zit heel erg aan de explainable AI kant. Want vind je, A, is er genoeg aandacht voor rond generatieve AI met uitlegbaarheid? En hoe zie je dat dan concreet? Ja, nou, er is nooit voldoende aandacht voor explainable AI of trustworthy AI. Ik start een beetje met de intelligence without action is useless. Dus actionable AI is enorm belangrijk. Maar het andere aspect is AI is accepted intelligence. Ja, dus of trustworthy AI. En daar valt explainable AI onder. Dus het is enorm belangrijk dat we AI op ethische manieren toepassen. Niet alleen voor ons karma, maar uiteindelijk zullen klanten ook met hun voeten stemmen. En gewoon naar een switcher van bank ofzo. Als we niet blij zijn als bankklanten hoe onze banken met onze gegevens omgaan. Maar dan om terug te gaan naar je vraag. Een concreet voorbeeld is bijvoorbeeld, we pakken weer dat scenario van iemand belt zijn verzekering op. En zegt van nou, ik heb een ongeluk gehad met de auto. En het systeem zegt van nou, oeh, dit zou wel eens een complexe claim kunnen worden. Die kunnen we niet zomaar automatisch afhandelen. Sterker nog, die moeten we gelijk aan een ervaren medewerker geven. Nou, dan kun je ook vragen van ja, dat kan natuurlijk een automatische routing zijn. Dat komt in die bak terecht. Dan kan die medewerker ook kijken van ja, maar hoezo dan? Waarom komt die in mijn bak terecht? Dus dan kan er aan de ene kant uitkomen. Daar kan natuurlijk een soort voorspellend model achter zitten. Dat is een beetje linker hersenhelft AI. Een voorspellend model wat gewoon een aantal factoren heeft. Waardoor er een grote kans van het missen van de deadline wordt berekend. En dat kan in dit geval misschien zijn. Het zegt van nou, het komt omdat er meer dan twee auto's involved zijn. De chauffeur is onder de 21. Er is geen politie of rapport of hoe heet zo'n ding. Opgemaakt. Opgemaakt. Etcetera. Nou, en dat kan met linker hersenhelft AI. Kun je, ik spreek nu bij AI technieken, om die drivers eigenlijk te herkennen. Zelfs als je het model zelf niet kent. Als het een blackbox model is. Maar andersom is het natuurlijk wel zo van, ja, dat zijn grafiekjes. En sommige mensen gaan lekker op grafiekjes. Maar andere mensen gaan lekkerder op een uitleg. Dus waar nou is een narrative daaromheen. Van eigenlijk een GenAI die naar dat grafiekje kijkt. En dat interpreteert. Oh, zo ja. En die GenAI schrijft dan een verhaaltje. Ja. Interpreteert eigenlijk die grafiek. En dan kun je ook verder gaan dan alleen harde getallen. Want daar staat bijvoorbeeld, nou weet ik veel, aantal auto's betrokken, meer dan twee, etcetera. Maar die Jenny High heeft wereldkennis. Ja, dus die kan zeggen, die kan ook uitleggen waarom dat dan mogelijk een... Meer risico. Ja. Waarom een minderjarige driver. Ja, dat is een, wat, dat zal elke claims agent weten, maar dit is een beetje een simpel voorbeeld. Waarom dat eigenlijk, die kan het eigenlijk interpreteren. Ja. Kennis van de wereld aan toevoegen om daar een verhaaltje omheen te schrijven. En dus eigenlijk alsof je het van een collega overgedragen krijgt. Het wordt verwoord. Waardoor je inderdaad dat eigenlijk tot je neemt. Omdat het de vorm is die beter past bij die persoon. Ja. Ja, ja. Haaier gebruikt hier eigenlijk de harde kant. Wat jij de linker hersenhelft noemt. Ja. En die zet je om in taal die wij wat makkelijker zeg maar tot ons nemen. Waar ik nog wel benieuwd naar ben. Generatieve AI wordt natuurlijk nu ook voor van alles en nog wat gebruikt. En daarvoor is het heel erg moeilijk om uitleg te krijgen uit het model. Waaronder besluiten worden genomen in het model zoals ze genomen worden. Ja. Hoe kijk je daar naar? Ja, dat is een van de meest spannende domeinen eigenlijk van de generative AI. Je hebt natuurlijk dingen als chain of thought reasoning. Dus dan vraag je hem eigenlijk in zijn hoofd een verhaaltje af te spelen van hoe kom ik nou eigenlijk tot mijn conclusie. Ja. Hoe dat werkt. Want taalmodellen zijn eigenlijk vrij blinde taal invullers. Dus als je hem vraagt om een... Deels kun je zeggen, is dat nou wel echt... Is dat meer een soort verwording of is dat echt hoe dat model tot die uitkomst komt? De waarheid ligt een beetje in het midden. Want deels is het natuurlijk een soort verhaaltje wat hij gaat maken. Terwijl intern is het gewoon een hele grote stapel met miljarden parameters. Rekensommetjes. Rekensommetjes. Dus de vraag of dat het echt zo gaat. Dus aan de andere kant klopt het wel degelijk enigszins. Want die taalmodellen zijn een soort blinde taal invullers. Dus als die een soort verhaal beginnen op te hangen. Ja, dan nemen ze dat eigenlijk mee in de context voor de rest van de redenatie. Dat legt ook uit van stel dat je een taalmodel hebt wat een compleet fout antwoord geeft. Waarom dat taalmodel dat zo goed kan onderbouwen. Want dan begint een redenatie op te hangen. En dat zal een hele consistente redenering zijn richting het foute antwoord. Dus je hebt dingen als chain of thought. Maar één ding waar we zelf heel erg veel mee bezig zijn op dit moment meer voor de toekomst. Zijn ook agent-based technologies. Zou je dat aan de luisteraar kunnen uitleggen? Wat zijn agent-based technologies? Ja, dat is natuurlijk een kleine cliffhanger hier. Ja, agent-based technologies. Eigenlijk is het idee al heel erg oud. Agent-based systemen. Een agent is eigenlijk een klein programmetje. Misschien ook een... Die die zelf, min of meer zelfbeslissingen kan nemen. Zelf acties kan ondernemen. En op basis daarvan weer kan reageren op wat er gebeurd is. Er zit een soort sense-the-side-act loop in. En je kunt verschillende agents hebben voor verschillende doeleinden. En die kunnen dan ook nog in een hele grote bak gooien als kickers in een emmer. En dan gaan ze hopelijk met elkaar samenwerken. Nou, ik zeg hopelijk. Want eigenlijk tot de komst van generative AI waren agents iets meer een soort research topic. Want het was alleen maar mogelijk in... Of in hele... Ik probeer het Engels een beetje te vermijden. Heel graag. Gelimiteerde domeinen. Heel afgebakend. Heel afgebakende vraagstukken. Precies. Planningsvraagstukken. Planning, inderdaad. Electriciteit. Voorspellen. Of daarop reageren. Traffic simulatie. Dat soort dingen. Of het was voor brede domeinen. Maar dan werkte het gewoon niet. Ik weet of je Clippy nog herinnert. Zeker. Zeker. Voor de jonge luisteraars. Ja, een hele vervelende paperclip die een word opgepopt. En altijd met iets kwam waar je niks aan had. Daarom. Die hield je gewoon echt van het werk af. Met dan ook nog met een heel blij cartoon gezichtje. Dat is een bijzonder irritant wezen. Maar eigenlijk met de komst van generative AI zijn er wel wat dingen veranderd. Want het probleem was dat je moest de wereld heel goed in kaart brengen. En heel precies zeggen wat die agents konden doen. Daardoor was het altijd teveel genoeg. En als het meer open was, dan gingen dus fouten. En dat is met Clippy. Maar met generative AI. Ja, dat zijn natuurlijk modellen die enigszins een begrip. Die enigszins generiek zijn. Enigszins een begrip van de wereld hebben. Dus in zo'n gen AI agent based systeem. Ja, dan kunnen we de generative AI eigenlijk meer van die autonomie geven. Die autonomie waar ik het eerst over had. Dus stel ik ben een gebruiker. Ik heb een bepaald probleem. Weet ik veel. Die claim komt weer binnen. Ja, wat gaan we daarmee doen? En in plaats van dat ik een prompt moet schrijven en die stuur ik naar een gen AI service. En die geeft mijn antwoord terug. Ja, dat is heel passief gebruik van zo'n gen AI service. Ik kan ook zeggen nee, ik bouw een agent. En de eerste, ik heb een agent en dat is mijn verzekeringsclaim complexiteitsagent. Ja, die kan informatie ophalen over wie doet hier eigenlijk aangifte. Is dit de honderdste keer dat iemand aangifte doet? Ja, of is het eigenlijk iemand die echt in een probleem zit en een goede klant voor in? En dit is een simpele claim, dus dat moeten we direct goedkeuren. Maar in ieder geval die agent heeft tools tot zijn beschikking. Tot zijn haar beschikking. Ja. Tools waarmee die informatie kan ophalen. Over de intern en externe maakt niet uit. Allerlei verschillende soorten tools die informatie ophalen. En ook tools om acties te nemen. Dus ja, misschien dat op een soort simpel niveau die agent dan ook zegt van dit is toch wel ingewikkeld. En dit is niet de vorige claim waar we het over hadden. Maar dit is inderdaad de vijfde badhanddoek die langs komt. Ik stuur het eventjes naar mijn fraude-agent. Ja, precies. En die kan dan ook weer. Bijvoorbeeld die fraude-agent die heeft dan misschien weer tools om te kijken van nou weet ik veel. Allerlei bronnen, specifieke bronnen voor dat probleem. Ja, of er een fraudegevalletje is. En het zijn dus tools die zowel we raken, Gen.ai dan op verschillende manieren eigenlijk om in te schatten van welk probleem heeft de gebruiker. Ook om te snappen van welke tools heb ik eigenlijk allemaal tot mijn beschikking. Ja, daar kan een soort natuurlijke taalhandleiding je bij van wat doen die tools nou eigenlijk. En die Gen.ai kan dan die vage vraag van de gebruiker doorvertalen naar een soort plannetje. Gen.ai gebruiken om een plant te generaten. Van hoe moet ik die tools nou gebruiken en welke volgorde. En als ik ze dan ga gebruiken en ik krijg wat feedback. Oh, betekent dat succes of failure zeg maar. En dat in tegenstelling tot zeg maar traditionele software waarbij je eigenlijk het hele proces uitschrijft. Dan is het altijd in dezelfde volgorde. Of we programmeren de afslagen. Zeg je nu eigenlijk van ja, maar we hebben agents die dingen kunnen uitvoeren. En die bepalen met elkaar hoe ze uiteindelijk dat proces aanvliegen. Toch? Ja. Vat ik het zo goed samen? Waarbij ze volgens mij ook hun eigen expertise en capabilities hebben. En dat weer van elkaar weten om op te kunnen acteren. Precies. En want we zaten al lang op dat hele domein van AI en automation. Dus er zijn natuurlijk processen waarbij je donders goed weet wat de stappen zijn. Of het kan zelfs wetgeving zijn die je verplicht om bepaalde stappen te volgen. Nou, daar heb je echt geen agents voor nodig. Maar er zijn ook heel veel problemen die iets meer semi gestructureerd zijn. Waarbij eigenlijk het ideale proces niet helemaal vast ligt. Of er is te veel variatie. En dat zijn nou precies die domeinen waarin je dan zo'n agent based aanpak goed zou kunnen werken. Waar je bij als je mensen zou naar de mens zou halen. Die zeggen van oh ja, ik moet eigenlijk die even bellen. Daar mail ik even naartoe. En ik voeg al dat soort dingen samen aan informatie die je krijgt om uiteindelijk een besluit te nemen. Ja, en daar zit dus nog ook iets tussen. Want je hebt eigenlijk een beetje de straight through workflow. Business process management, et cetera. Zoals het allemaal zo mooi heet. Dat is een beetje een blokje peiltje processen. En automatisch uitvoeren. Dan ga je eigenlijk naar processen toe die meer semi gestructureerd zijn. Waar misschien het een combinatie is van die straight through. Maar ook mensenwerk. Nou, dat kan nog steeds met domeinen als, zoals het zo mooi heet, zaken. Zakenricht werken of case management. Ja. Nou, dat is een tak van sport waar we ook al tijden in zaten. Maar nu komen we op een plek waar we kunnen zeggen van nou, dan hebben we eigenlijk stiekem de ideale omgeving voor die agents om in te leven. Dus als er dan een probleem is wat niet straight through is en eigenlijk ook niet echt zo'n zaakgerichte aanpakt, dan kunnen we meer een agent based approach pakken. Maar die leven wel in een soort veilige omgeving waar eigenlijk al die, ja, als je bij, al die tools die er al waren eigenlijk voor die andere twee aanpakken, die zijn er allemaal. En wij kunnen die beschikbaar maken voor die agents ook, binnen bepaalde richtlijnen. Ja, al de manier om aan elkaar te koppelen en te gaan gebruiken en te automatiseren. Ja, en dan kunnen we ook beter die, want de governance is wel belangrijk. Dus je wil goed kunnen zeggen, nou, welke tools zijn beschikbaar, welke niet. Wanneer escaleren we weer terug naar de mens? Ja, dat soort zaken. En ja, tot mijn grote chagrijn als AI nerd. Ik denk dat dus het succes van agent based systemen niet, de grootste factor wordt niet de slimheid van de AI en de intelligentie. Jammer helaas. Maar de omgeving waarbinnen je ze moet laten werken. Saaie integraties. Ja. Is de data beschikbaar? Maar ja, dat... Datakwaliteit. Ja, al die hyper saaie onderwerpen die wel heel belangrijk zijn. En dat is die accessibility ook. En daar hebben we natuurlijk, dan boffen we een beetje, dat we natuurlijk al jarenlang van die leuke workflow systemen aan elkaar hebben lopen klussen. En dat er klanten zijn die gewoon, weet ik veel, honderd verschillende applicaties draaien. Met godbetert hoeveel interfaces die er allemaal al liggen. Ja, nee zeker. Hey, we hebben een onderdeel. En dan zijn we heel erg benieuwd naar van, als jij zou mogen dromen, van welk AI systeem zou jij zelf willen maken of gemaakt willen zien worden. En daar heb je ook heel even de tijd om erover na te denken. Oh, dat is de verkeerde. Dat is de verkeerde. Dat is de verkeerde. Dat is een lekker muziekje. [Muziek] [Muziek] [Muziek] [Muziek] Heb je een idee? Nou, niet direct, maar ik voel me wel gelijk een stuk beter met het muziekje. Nee, maar dat kan verschillende kanten op. Maar een beetje bij die bedrijfstoepassingen, meer als een soort algemene doel. Ik denk dat het ook heel belangrijk is om AI te maken waar mensen blij van worden. Dat klikt misschien heel esoterisch. Maar zelfs in een bedrijfscontext, dat is waarin je moet zorgen dat die AI zogenaamd actionable intelligence is. Dat die echt mensen helpt. Echte klanten helpt. Echte agent helpt. Dus niet iets wat ons allemaal verandert in een stelletje robots. Of voor een klant wel gewoon direct meerwaarde toevoegt. Ik zei eerder ook, die accepted intelligence, dat we dat op zo'n manier doen dat het ethisch verantwoord is. En dat klinkt vaak als een soort filosofische discussie. Maar in de praktijk komt er gewoon op neer van, neem je het belang mee van alle partijen. Als ik met AI leuke aanbevelingen doe, tips voor klanten, et cetera. Het is leuk dat dat tips zijn waar de bank of de telkeren wat aan heeft. Maar er moeten ook dingen zijn die interessant zijn voor de klant. Kan het ook helpen, want je begon met leuk, hè? Dat het iets van je creativiteit, want daar had je het straks ook over, dat AI iets zou kunnen prikkelen in de creativiteit. Die je misschien van nature niet hebt. Of op een gebied waar je wat minder bedreven bent. Dat dat je kan helpen waarbij je extra vreugde in je werk krijgt. Nou ja, dat zijn inderdaad ook leuke toepassingen. Hoe kan het eigenlijk de creativiteit stimuleren? Een soort PEGA voorbeeld is, dan kan ik de naam zeggen. Ik kan altijd nog de universitaire kant op gaan. Ja, leuk. Ja, één ding wat we zien is van als mensen een probleem, een systeem willen bouwen, weet je wel. Dan is natuurlijk eigenlijk, laat ik het persoonlijk houden. Mijn horrorscenario is, ik loop een van die meeting rooms binnen. Er staat een flip over en een hele blije persoon met een stapel post-its. En die gaat zeggen, we gaan alles lekker vanaf nul ontwerpen. Dan word ik heel erg zenuwachtig van, ben ik misschien. Maar dat klopt eigenlijk voor veel mensen. Dus als je iets nieuws moet gaan maken, en met zo'n hele groep mensen in de zaak. En je weet ook dat Sjaak daar net iets anders over denkt dan Chantal. Dat is gewoon eigenlijk niet fijn voor het creatieve proces. Wat we daar bijvoorbeeld doen, we hebben iets dat heet dan, bij van wc eent, PEGA Blueprint. Maar dan kun je eigenlijk zeggen, ik wil een systeem maken voor, we hebben al die grappige voorbeelden zoals Lama verhuur. Maar je kunt ook gewoon zeggen, ik heb een lening aanvraagproces. Of ik wil een subsidie indienen of wat het is. Dat staat gewoon op onze website. Iedereen kan erbij. Je kunt er gewoon lekker zelf mee spelen. Dus je kunt daar gewoon requirements in gooien van, nou, dit moet het systeem ongeveer doen. En dan spuugt die een eerste versie van zo'n systeem uit. Wat zijn de workflows die belangrijk zijn? Welke persona's? Hoe zien die workflows eruit? Wat zijn de stappen? En wat zijn de tot en met echte details van het voorbeeld van datumodellen die je eronder zou kunnen hebben? Dus dan heb je een soort startpunt waar je het lekker op zo'n Hollands mee oneens kan zijn. Dat belachelijke stap 4.2 moet 4.3 zijn. Nou, prima hè? Maar dan heb je mensen in een soort creatief proces zitten. Waarbij je veel sneller eigenlijk tot ideeën komt. En ook een beetje, er zit natuurlijk een bias in de AI. Maar je wordt ook een beetje op die manier beschermd tegen bias die in mensen zitten. We hebben allemaal puur ons eigen invalshoek. En als iemand anders ons wat laat zien. En we gaan er allemaal omheen staan en zeggen, dit vinden we goed en hier wat anders. Ja, dan kom je sneller tot een betere oplossing. En die wetenschappelijke kant, dat je daarvan zei, daar kan ik ook nog wat over zeggen. Ja, dus AI en creativiteit is ook een bijzonder spannend onderwerp. Dus aan de universiteit, ik heb weleens nagedacht van ja, ik vind zoveel dingen leuk hè. Hoe kan ik daar nou eigenlijk, hoe kan ik daar wat lijn in brengen? Of wat is de algemene deler die ik daarin heb? Nou, daar kwam ik uit op artificial acts. En dat is natuurlijk een beetje een nerd ding, want het is een formule. Met acts anything that makes us human. We hebben natuurlijk artificial intelligence, maar we zijn niet alleen maar intelligente wezens. We zijn ook emotionele wezens, relationele wezens en creatieve wezens. Dus het is ook leuk om te kijken naar andere eigenschappen. En kunnen we die op een artificial manier aanpakken. En creativiteit is daar een van. Dus ik heb bijvoorbeeld een student gehad. En die wilde eigenlijk zeggen van ja, ik wil wel een soort programma maken wat abstracte, moderne schilderijen kan maken. Ja, dat is een leuk onderwerp. En dat gaan we een beetje met AI, computational creativity aanpakken. Nou, ik vond dat allerlei verschillende soorten plaatjes ophoesten. Zoals we al tegenwoordig in Majorney konden doen. Nee, nee. Het moet echt, het moet een schilder zijn met een eigen, met een eigen signatuur. Ja, oké. Nou, leuk hè. Dat is al. En dit was trouwens 2015 of 16. Ah, ja, ja, precies. Echt voor alle stable diffusions en Midjourneys. Ja, maar ook als je kijkt naar die stable diffusions wat mensen maken, dan ja, het is toch een soort verzameling Yes and Marillion hoezen die langs komt. Ja, nee, het voelt, ja, nou, ik mis dan wel een beetje een stijl. En als het een stijl is gaan ze zeggen, maak een ding zoals Mondriaan. Ja. Dan denk van nou, verzin is zelf wat. Maar anyway, dus toen gingen we een beetje van ja, nou, dan is natuurlijk gelijk de handbraak van wat is goed. Wat is een goed schilderij? En dan kun je, en als het abstracte moderne kunst is, dan had ik natuurlijk met opzet een beetje gekozen. Ja, dan gaat het dus niet over zit er een verhaal achter, want het is abstract. Ja, dus je ziet geen visser bij de vijver zitten. Maar esthetiek is het misschien ook niet meer. Want je kunt in moderne kunsten een stapel olifantenpoep in een hoek gooien en dat kan ook iets zijn. Ja, een banaan en duct tape. Een banaan plakken tegen de wier. Ja. Precies. Dus toen kwamen we uit op emotie. Dus als een van de dingen van als je een schilderij ziet, met welke emotie loop je weg? En dan wilden we dus eigenlijk een robot. Dit was trouwens Jules Verduik. Ik moet hem echt eventjes noemen, want hij was echt de lead in dit. Maar wil je eigenlijk een opdracht kunnen geven, maak eens wat boze schilderijen. Of maak eens wat uitgelaten schilderijen. Of maak eens wat tevreden schilderijen. En wat we gedaan hadden, hij had 250 schilderijen gepakt, bestaande schilderijen. En per schilderij hebben tien mensen gezegd van nou dit is de emotie die ik voel, die ik ervaar bij het schilderij. Niet eens van wat bedoelt de schilderij, nee wat ervaar ik. Dus toen hadden we een dataset met 2000 van die metingen. En dan konden we in feite modellen gaan maken die je traint op hoe ziet een schilderij uit. En welke emotie past daarbij. En je kunt emoties ook een beetje indelen in dementies, zoals positief, negatief. Of het heet dan arousal, dus low arousal, high arousal. Dus ik ben super pissig, dat betekent heel negatief high arousal. Ik ben een beetje teleurgesteld, is negatief low arousal. Je kunt je voorstellen, op basis van die data konden we toen machine learning modellen trainen, die eigenlijk voorspellen voor een nieuw schilderij. Welke emotie hoort die nu best te maken? Dus ja, heel leuk. Want er kwamen we dingen tegen die je verwacht, zoals kleuren als ze zwart, et cetera. Dat is natuurlijk negatief. Maar we kwamen ook andere dingen tegen die we niet echt verwacht hadden. Dus we keken bijvoorbeeld naar, wat is de aspect ratio van een schilderij? Met andere woorden, is het meer liggend? Is het meer staand? Of is het meer vierkant? Gewoon horizontaal door het te maken. Ja, gewoon formaten. En dat werd gekoppeld aan een emotie? Dat werd gekoppeld aan een bepaalde dimensie van emotie. Misschien heb je wel een idee in welke dimensie dat zou kunnen zijn? Nee, eigenlijk niet. Ik denk dat het landschapformaat rust geeft. Klopt. Ja, heel goed. Ja, absoluut. Ik zei het ook in de fotografie. Ja, dus voor mensen die creatief bezig zijn, zegt dat dan wat. Maar het is toch leuk dat dat er inderdaad uit komt rollen. Dus liggend is low arousal, rustig. Staand is heel actief. Nou, vierkant is in het midden. Dat is dus het verschil tussen, zeg maar, nu een neerslachtig schilderij versus ik ben superboos. schilderij. Grappig. En er zit ook een stukje interpretatie in. Want kleuren betekent ook in andere kanten van de wereld iets anders dan hier in Nederland. Dus dat zit... Ja, het is ook wel leuk om te kijken dan naar verschillen of juist naar een hele diverse groep van mensen. We hadden wel internationale mensen die die rating schamen. En toen konden we natuurlijk... Dus toen hadden we een soort kunstcriticus die kon voorspellen aan de hand van een nieuw schilderij welke emotie hoort die bij. En toen hebben we genetische algoritme, dat is een soort evolutie in de computer, nagespeeld. Waar we eigenlijk random schilderijen genereren. Of eigenlijk met de regels van de evolutie. Nou, dan moet je natuurlijk evolutionary fitness hebben. Een soort maat van welke diertjes zijn fitter dan anderen. En daar gebruikten we dan weer die voorspellingsmodellen voor. En dan zeiden we van, maak maar boze schilderijen. Dus dan worden er schilderijen gemaakt. En met dat model konden we voorspellen, wat zijn de meest boze kindertjes. Ja, en de boze kindertjes mogen blijven. En de andere schilderijen, nou helaas, die worden op vakantie gestuurd. En dan gaan we weer allemaal nieuwe schilderijen maken. Als de kindertjes oud genoeg zijn. Dus hier zie je een leuk voorbeeld waarbij we... waarbij we machine learning, genetische algoritme. Dus verschillende takken van AI eigenlijk gebruiken. Om zo'n computational creativity problemen aan te pakken. Je hebt een stukje creativiteit. Je hebt agentic, heb je genoemd. Als je hem even in de privé sfeer zou trekken. Welke AI agent of welke creatieve oplossing zou je voor jezelf graag zien gecreëerd worden? Ja, gewoon puur als consument uitgebreken. Ja. Ja, dat vind ik een lastige. Ja, ik heb natuurlijk ook nog wat hobby's die ik naast mijn werk doe. Ja, waarom? Misschien in de hobby sfeer. Ja, nee, het is niet echt een hobby. Maar ik heb dit... Ja, ik heb een ander project. Dat in het begin, zei ik dat ook nog wel even. Van artistieke creatieve toepassingen. En dat is een project dat gaat een beetje over klimaatverandering. Ik noem het altijd gewoon een enorm zeehonden hippie project. Even als disclaimer. Dan kan ik gewoon lekker voluit gaan. Goed zo. Kom maar op. Maar het idee is dat de natuur staat onder dreiging van klimaatverandering. En met name ook de niet levende natuur. De natuur heeft geen stem. Dus we gebruiken AI eigenlijk in dit project. Om niet levende natuur een stem te geven. Waarom niet levende natuur? Dat we kennen natuurlijk al heel lang. Pratende beren of sprekende vissen. Dus het is leuker als een smeltende gletsjer of een opdrogende rivier. Oh zo, ja. Als die eigenlijk een verhaal vertelt. Eigenlijk een boodschap stuurt aan wereldleiders. In deze context van klimaatverandering. Dat is een project dat doe ik samen met Jeroen van der Most. Een RIA kunstenaar. En ja, we genereren dus heel veel verschillende boodschappen. En dan proberen we allerlei nieuwe manieren te vinden. Om die boodschappen naar de mensheid te krijgen. Mooi. Ik zie er gelijk al een traan. Maar echt niet alleen een traan. Maar echt gewoon een stormvloed aan tranen inderdaad. Oh mooi. Ja, nou. En wat leuk is. Dit is waar ik. Ik had sinds juli 2020 toegang tot GPT-3. Dus dat was anderhalf jaar voordat het vrij beschikbaar was. Dus ik had leuke spulletjes om mee te spelen. En het is ook wel inzichtelijk als je een deel van het creatieve proces eigenlijk buiten jezelf legt. Dus er is altijd in EHI kunst heel veel gepraat van nou wie is nu de eigenaar. En eigenlijk mensen die dit soort dingen maken, die vinden dat eigenlijk niet zo'n interessante vraag. Want het is altijd een soort combinatie van. En het kan heel nuttig zijn om een gedeelte van je creatieve proces buiten jezelf te hebben. Dus je krijgt allerlei, ja er worden allemaal boodschappen gemaakt. En dat leidt weer tot nieuwe ideeën van wat voor prompts kan ik maken om weer interessante verhalen uit die klagende gletsje te krijgen. Dus dat is ook, ja in het begin kregen we dus heel veel van de natuur die om help vraagt. En dan, het is natuurlijk een sympathie project waarnaar naar honderd klagende gletsjers ben je wel een beetje klaar met die gletsjer. Met die zurende gletsjer. Dus dan ga je een beetje nadenken van ja maar waarom zouden zij eigenlijk klagen? Of waarom zouden zij überhaupt om moeten vragen? Weet je dus, stel worst case scenario, wij blazen alles en iedereen op. Ja dan is de mensheid er niet meer maar de natuur is er wel. En nagelang hoe we onszelf hebben opgeblazen dan duurt dat of tienduizend jaar of honderdduizend jaar. Voor de natuur om zichzelf te herstellen. Ja nothing. Op miljoenen jaren. Dus eigenlijk heeft die natuur helemaal geen hulp nodig. We hebben zelf hulp nodig. Ah wacht eens eventjes. Ja dan misschien moeten we dan, kunnen we ook bijvoorbeeld boodschappen laten schrijven vanuit andere invalshoekers. Bijvoorbeeld meer de wraakzuchtige natuur. Of erger nog de onverschillige natuur. Die zegt van nou ga jullie gang. Doe maar wat je wil. En dan kom je eigenlijk tot interessantere uitingen. Dan kom je ook weer uit bij dingen die, bijvoorbeeld die wraakzuchtige natuur, die was eigenlijk heel makkelijk om ChatGPT zover te krijgen, om die taalmiddelen zover te krijgen, om dat soort boodschappen uit te spuren. Dan denk je van ja dat is ook niet zo raar, want wij, ja het idee dat wij heer-en-meester zijn over de natuur is ook nog maar vrij recent. Honderd jaar geleden gingen lopen in een bos en dan mocht je kiezen, word je verscheurd door de wolven of door de beren. Maar dat was het zo'n beetje. En dat zie je direct terug omdat die generative AI heel creatief kan omgaan, bijvoorbeeld met die invalshoek. Mooi. Hoe zou je dit kunnen vertalen naar je werk? Waarbij je dan zegt van hey maar ik ga het eens even helemaal naar een ander oogpunt, een ander perspectief pakken en daar gebruik ik deze technologie voor. Nou ik denk dat wel, ja dat eigenlijk voor, maakt er eigenlijk niet zo heel veel uit waar je bijvoorbeeld generative AI voor inzet. Maar dat is op zich wel een pluspunt. Er wordt inderdaad veel gesproken over bias in AI en generative AI is biased en andere vormen van AI zijn biased. Maar ja wij zijn ook hartstikke biased. Precies ja. Wat dat betreft als je kan sparren met iemand anders, een persoon of een AI, dat kan heel nuttig zijn om op nieuwe ideeën te komen. Dat is deels vanwege de stress van het komen met nieuwe ideeën. Dan hebben we ander onderzoek gedaan waarbij we mensen AI tools, toegang aan of AI tools. En dan zagen we dat mensen veel creatiever werden als ze wat geholpen werden met voorbeelden. Dus het helpt je over de stress heen van het moeten bedenken van iets. Maar het kan je ook nieuwe ideeën geven omdat het je in richtingen leidt die je zelf niet helemaal voorzien had. Ja. En je kan natuurlijk ook gewoon letterlijk om tegenwoord vragen. Ja. Ja. Je kunt absoluut vragen waar nou redeneren ze de andere kant op. Ja. Toch? Ja. Of welk aspect mis ik hier omdat je het zelf misschien niet ziet? Of dat er iets überhaupt mist dat je dat niet ziet? Ja. Leuk. Volgens mij zijn we echt alle kanten opgeschoten in die zin. Dus wat mij betreft kan de laatste vraag ook nog een andere kant op. Maar hoewel het zit nog steeds in de creativiteit en AI en dat soort zaken. was ik eigenlijk wel benieuwd van welk technisch, nee welk niet technisch boek heeft invloed gehad op de visie die jij hebt rondom AI? Wow. Nou. Goeie vraag. Welk niet technisch boek heeft invloed gehad op mijn visie? Je zit al zo lang in deze wereld. Ja. Ja. Nou dat vind ik toch een lastige. Een niet technisch boek. Of een film. Of de omhoog. Ja. Ja. Ik bedoel, laten we het lekker ruim interpreteren. Ja. Ja. Ja. Ja, er zijn natuurlijk heel veel interessante boeken en films over het thema die niet technisch zijn en die wel interessante vragen stellen. Dus een ander onderwerp wat ik heel interessant vind is onze relatie tot de AI. Ja. En wanneer gaan wij, hoe bouwen we relaties op met artificial beings? Voor de goede redenen, maar ook voor de foute redenen. Dus we doen ook veel onderzoek naar bijvoorbeeld AI die niet per se, die eigenlijk niet per se de juiste antwoorden of hulp geeft. Ja. Waarbij mensen wel, we gaan leunen op de AI. En dat is natuurlijk heel erg interessant, omdat je dat ook weer wil voorkomen natuurlijk. Maar in die hele categorie vind ik, ik blijf Her ook een hele goede film. Oh ja. Ja. Leuk. En ja, niet alleen maar om het gimmicky effect van een chatbot waar je op verliefd wordt, want dat is een beetje het hoofdthema van die film. Ja. Dus er is een chatbot met de stem van, hoe heet ze ook weer? Ja, we kennen de actrice. We kennen de actrice. Ja, ik kom er ook even niet op. We gaan weer met de brain freeze. Ja, Scarlett Johansson. Ja. En ja, de persoon in de film, die bouwt langzaam een band op met die bot. Om dan uiteindelijk ook zwaar teleurgesteld te zijn, ja, spoiler alert. Als dus blijkt dat zij een paar duizend andere mensen ook helpt met chat. Maar ik vind het een hele mooie film. Want het gaat ook over, ja, met het risico om heel erg filosofisch te worden hier in Weenendaal-West om half twaalf 's ochtends. Maar over existentiële problemen, van waarom zijn we op de wereld, het verlangen naar contact. Of ja, hoe ontwikkelen we relaties, waar gaat dat goed, waar gaat dat fout. Ja, dus ik vind dat, ja, ik blijf dat een film vinden die ik heel fascinerend vind. Er is een soort eerste laag van het verhaal, wat al een amusant verhaal is of interessant verhaal is. Maar ja, het heeft ook wel veel voet gestort. Ja, en het gaat ook over interactie eigenlijk, dus interactie tussen mens en machine. Ik denk dat dat het verhaal voor vandaag ook best wel mooi rondmaakt. Dus ChatGPT doorgebroken vanwege dat ze een interactie hebben gevonden die het toegankelijk maakt. Dit is denk ik wel een hele mooie. Een mooi bijpast. Ja. Hé, dankjewel. Ik denk dat we heel veel geleerd hebben en inzicht hebben gekregen in wat jij doet rondom AI. Dus dankjewel voor je komst naar de studio. En iedereen voor de rest bedankt voor het luisteren. Vergeet je niet te abonneren via je favoriete podcast app. Dan mis je geen aflevering. Tot de volgende keer. Tot de volgende keer.