Generative AI. De kans is groot dat je er al van gehoord of mee gewerkt hebt. Chat GPT, het bekendste voorbeeld onder de generative AI-tools, bereikte de kaap van 100 miljoen gebruikers in amper twee maanden tijd. Ter vergelijking: TikTok en Instagram deden er respectievelijk negen en 30 maanden over. “Schrijf een diepgaande, integrerende blog over generative AI met de voornaamste voordelen, gevaren, en hoe je het in je werkplek kan integreren.” Hieronder het resultaat van de prompt waarmee onze eigen experts aan de slag gingen!
Een heel aantal bedrijven hebben nog maar net hun werkregels en- gewoonten grondig hervormd of we moeten al een op een nieuwe golf van innovatie leren surfen. Artificiële intelligentie (AI), de technologie waarbij we met computers menselijk gedrag en intelligentie proberen na te bootsen, raast met een rotvaart door zowat alle sectoren en wordt onmisbaar in de werkplek van morgen.
Toch is Artificiële Intelligentie is zeker niets nieuws onder de zon. Spraak- en gezichtsherkenning zijn voorbeelden waarmee velen onder ons al jaren geconfronteerd worden via onze smartphone. Vandaag ligt de focus meer dan ooit op generative AI, een subdomein binnen de AI-technologie waarmee bedrijven zoals Microsoft en OpenAI onze manier van werken voorgoed willen veranderen.
Microsoft vergelijkt generative AI met een digitale assistent die snel, efficiënt, slim en precies problemen kan oplossen als je ze duidelijke instructies geeft. In tegenstelling tot men weleens durft te geloven, leeft AI dus niet echt en maakt het geen plannen om de wereld over te nemen.
Door het gebruik van Large Language Models (LLM’s ) is generative AI erg goed in taal en kan het (snel) nieuwe inhoud produceren die dicht bij mensgemaakte oplossingen aanleunt. Je schrijft dus prompts of opdrachten in ‘mensentaal’ waarmee AI-tools zoals ChatGPT en Bing Chat (Enterprise) aan de slag gaan en zo goed mogelijk uitvoeren. Een digitale assistent die voor ons bijvoorbeeld documenten schrijft, data analyseert en samenvat of (unieke) afbeeldingen maakt, is niet langer toekomstpraat.
Terwijl je generative AI-assistent een verslag schrijft over je Exceldata kan jij je kostbare tijd al in andere taken investeren. Inspiratie nodig om teksten te schrijven of om te brainstormen rond nieuwe ideeën voor een project? Geen probleem. Bovendien heeft ChatGPT ook al bewezen dat het scripts of stukken code kan schrijven en dus problemen kan oplossen die buiten je technische comfortzone liggen. Toch zijn tijdswinst, inspiratie en onontgonnen kennis op zichzelf niet de grootste kracht van generative AI.
Hierboven hadden we het al kort even over prompts, een opdracht in onze (eigen) taal waarmee we een digitale assistent aan het werk kunnen zetten. Om het volledige potentieel uit generative AI te halen, mag je prompts en output gerust als communicerende vaten zien. De formulering, kwaliteit en nauwkeurigheid van je prompts bepalen hoe goed je uiteindelijke output zal zijn. “Schrijf een blog rond AI”, en, “Schrijf een inspirationele blog rond AI waarin duidelijk wordt wat de laatste ontwikkelingen zijn en hoe ze effect hebben op de werkplek”, zullen dus twee totaal verschillende resultaten opleveren.
Prompt engineering dat is waar het binnen generative AI grotendeel om draait, en staat in groot contrast met de manier waarop we al jaren onze zoekintentie naar onze toestellen vertalen. Zo zijn onze zoekopdrachten en commando’s die we aan onze smartphone, laptop of andere digitale toestellen toewijzen, vandaag vooral gebaseerd op keywords. Hoewel het gebruik ervan relevant zal blijven voor zoekopdrachten wordt het dus vooral zaak om werknemers te helpen bij het schrijven van efficiënte prompts als ze mee willen surfen op de golf van generative AI.
Dat generative AI heel wat mogelijkheden biedt, is duidelijk. Maar wat zijn de gebreken?
Laat ons het eerst hebben over security, the elephant in the room. Microsoft en OpenAI zijn druk bezig met de ontwikkeling van generative AI-toepassingen die geschikt zijn voor de werkcontext zoals Microsoft 365 Copilot en Bing Chat Enterprise, maar vele andere toepassingen zijn dat (nog) niet. Wees dus voorzichtig met welke input je geeft aan een AI-model, en ga altijd na waar je ingegeven data wordt opgeslagen en of het gebruikt wordt om het AI-model mee te trainen.
Daarnaast is generative AI erg afhankelijk van de input die het voorhanden heeft, zowel van de data waarmee het model getraind is als de kwaliteit van prompts. Is een van deze twee niet kwalitatief genoeg, kan een generative AI-toepassing weleens een antwoord geven dat fout of gedeeltelijk verzonnen is, maar wel correct overkomt. Dit noemen ze ook wel ‘hallucinaties’. ChatGPT is bijvoorbeeld getraind op data tot 2021 en mist zo pakweg 2 jaar aan informatie. Als je dus een actuele vraag stelt, geeft het model aan geen antwoord te hebben, of een antwoord dat waarschijnlijk juist is of juist lijkt te zijn.
Het is daarom dus belangrijk om de resultaten altijd kritisch genoeg te analyseren en hallucinaties er zoveel mogelijk uit te filteren.
Populaire applicaties zoals ChatGPT worden ondertussen al veel gebruikt. Toch verandert de toon als we tools zoals Bing Chat Enterprise of Microsoft 365 Copilot straks willen gebruiken met onze eigen bedrijfsdata. Om je bedrijf hier op te voor te bereiden kan je best aandacht en tijd geven aan de volgende zaken:
We kunnen het niet genoeg zeggen: de kwaliteit van je data staat rechtstreeks in verbinding met de effectiviteit van een generative AI-model. In de context van je bedrijf heeft het dan vooral te maken met de structuur en organisatie van je data en de inhoudelijke correctheid. Laten we dit concreet maken met een voorbeeld:
Je bedrijf is producent van verschillende basisproducten als melk, water, graan etc. Als salesverantwoordelijke wil je graag een voorstel maken voor een potentiële klant en vraag je meer informatie op bij je digitale assistent om een gepast voorstel te maken voor je prospect. Als je data verspreid zit over verschillende departementen die je data niet doordacht delen met elkaar, zal je altijd een deel van de puzzel missen als je naar informatie op zoek bent. Als het departement ‘melk’ de data niet deelt kan je niet achterhalen dat de klant in kwestie misschien al melk aankoopt bij een concurrent.
Hetzelfde geldt voor de correctheid van de data. Verschillende datasets kunnen verwarring zaaien en foute resultaten opleveren. Als verschillende departementen of documenten andere contactpersonen opgeven bij de klant is het moeilijk te achterhalen welke contactpersoon de juiste is.
Dit zijn maar enkele eenvoudige voorbeelden om aan te tonen dat je best je dataset even onder de loep neemt. Hierbij kan je best kijken naar de correctheid van je data, maar ook waar de data zit en hoe je die best onderling deelt zodat de puzzel van informatie zo volledig mogelijk gelegd kan worden.
Naast de ordening van je data is het uiteraard nuttig om je werknemers te leren hoe ze met generative AI aan de slag moeten gaan. Hoewel velen onder ons ondertussen al geëxperimenteerd hebben, haalden we hierboven al aan dat prompts schrijven een kunst op zich is. Een workshop of cursus prompts schrijven of succesverhalen op basis van AI delen, is dus zeker geen slecht idee.
Zorg voor een omgeving die leren aanmoedigt en creëer vooral bewustzijn rond wat AI is, hoe het werkt en wat het kan doen. Naast de focus op het positieve, is het ook belangrijk dat je je werknemers verantwoordelijk leert omgaan met (generative) AI en de gebreken en gevaren van de technologie benadrukt.
Op naar een sparringpartner om de mogelijkheden of eventuele use cases van AI binnen jouw organisatie te bespreken? Je weet ons te vinden!