1
00:00:00,000 --> 00:00:06,240
Hoi, leuk dat je luistert naar deze korte aflevering van AIToday Live met vandaag wel een
2
00:00:06,240 --> 00:00:14,880
heel speciaal interview namelijk met het nieuwe model van OpenAI, ChatGPT 4o.
3
00:00:14,880 --> 00:00:18,160
En wat is er nou zo speciaal eraan?
4
00:00:18,160 --> 00:00:23,640
Is dat je in een dialoog nu met dit model kan praten.
5
00:00:23,640 --> 00:00:25,840
Dan zou je denken, ja dat kon je al.
6
00:00:25,840 --> 00:00:32,520
Maar typend of wat inspreken, dat duurde een tijd, maar nu kun je op je telefoon of je
7
00:00:32,520 --> 00:00:39,120
computer kan je dat werkelijk spreken en je krijgt relatief snel antwoord.
8
00:00:39,120 --> 00:00:45,680
En het is veel meer in een dialoogvorm dan als je aan het typen bent.
9
00:00:45,680 --> 00:00:49,320
Je kent het vast wel dat je allemaal bullet points krijgt met allerlei uitleg.
10
00:00:49,320 --> 00:00:53,520
Dus het wordt als het goed is een wat natuurlijker gesprek.
11
00:00:53,520 --> 00:00:59,720
En ja, ik kan je even laten horen hoe dat klinkt, maar dat is misschien wat flauw.
12
00:00:59,720 --> 00:01:07,080
Dus heb ik er gedacht van ja, het is misschien veel aardiger om ChatGPT uit te laten uitleggen
13
00:01:07,080 --> 00:01:13,960
hoe ChatGPT leert, hoe AI sowieso leert, maar vooral hoe grote taalmodellen leren en welke
14
00:01:13,960 --> 00:01:15,480
vormen je daarbij hebt.
15
00:01:15,480 --> 00:01:20,160
Dus dan leer je én hoe dit klinkt, hoe dit gaat, hoe het werkt.
16
00:01:20,160 --> 00:01:23,200
Dan kan je zelf bepalen van wat je daarvan vindt.
17
00:01:23,200 --> 00:01:29,080
En aan de andere kant leer je hoe juist AI verschillende manieren van leren heeft.
18
00:01:29,080 --> 00:01:32,520
Hier komt het interview met ChatGPT 4.0.
19
00:01:32,520 --> 00:01:39,080
Oh ja, en trouwens, ik heb de vertragingen tussen wat ik zeg, wat opgestuurd wordt en
20
00:01:39,080 --> 00:01:41,120
terug krijg, heb ik er gewoon helemaal in laten zitten.
21
00:01:41,120 --> 00:01:48,840
Dus als soms eventjes iets wegvalt, ja, dat is de experience die je dus ook krijgt, neem
22
00:01:48,840 --> 00:01:50,320
die ook meteen mee.
23
00:01:50,320 --> 00:01:53,440
Hoi, leuk dat je bij ons in de studio wil zijn.
24
00:01:53,440 --> 00:01:56,800
Zou je jezelf eerst willen voorstellen aan de luisteraars?
25
00:01:56,800 --> 00:01:57,800
Tuurlijk.
26
00:01:57,800 --> 00:02:06,080
Hallo allemaal, ik ben ChatGPT, een kunstmatige intelligentie ontwikkeld door OpenAI.
27
00:02:06,080 --> 00:02:08,800
Mijn specialiteit is natuurlijke taalverwerking.
28
00:02:08,800 --> 00:02:14,440
Wat betekent dat ik gesprekken kan voeren, teksten kan begrijpen en informatie kan verstrekken
29
00:02:14,440 --> 00:02:15,880
over allerlei onderwerpen.
30
00:02:15,880 --> 00:02:22,080
Ik ben hier om jullie vragen te beantwoorden en te praten over kunstmatige intelligentie.
31
00:02:22,080 --> 00:02:24,920
Bedankt voor het hebben van mij.
32
00:02:24,920 --> 00:02:30,320
Kun je uitleggen hoe kunstmatige intelligentie leert?
33
00:02:30,320 --> 00:02:32,000
Natuurlijk.
34
00:02:32,000 --> 00:02:39,040
Kunstmatige intelligentie leert op verschillende manieren, maar een veelvoorkomende methode
35
00:02:39,040 --> 00:02:40,680
is machine learning.
36
00:02:40,680 --> 00:02:45,280
Hierbij gebruiken machines algoritmes om data te analyseren en patronen te ontdekken.
37
00:02:45,280 --> 00:02:51,360
Deze algoritmes passen zich aan op basis van ervaring, net als hoe mensen leren van ervaringen.
38
00:02:51,360 --> 00:02:57,160
Zo kunnen ze taken uitvoeren en beslissingen nemen, zonder expliciet geprogrammeerd te
39
00:02:57,160 --> 00:02:58,680
zijn voor elke situatie.
40
00:02:58,680 --> 00:03:08,640
Klinkt interessant, maar hoe gaat dat dan met grote taalmodellen, large language models?
41
00:03:08,640 --> 00:03:15,920
Grote taalmodellen, zoals ChatGPT, leren door enorme hoeveelheden tekstdata te bestuderen
42
00:03:15,920 --> 00:03:17,520
en patronen daarin te ontdekken.
43
00:03:17,520 --> 00:03:23,400
Ze gebruiken technieken zoals deep learning, waarbij verschillende lagen van neurale netwerken
44
00:03:23,400 --> 00:03:27,360
worden getraind om complexe representaties van taal te begrijpen.
45
00:03:27,360 --> 00:03:35,100
Deze modellen analyseren zinnen, woorden en contexten om betekenis te begrijpen en kunnen
46
00:03:35,100 --> 00:03:39,360
vervolgens reageren op vragen en suggesties op een manier die natuurlijk aanvoelt.
47
00:03:39,360 --> 00:03:44,920
Ze leren continu bij, doordat ze worden getraind op nieuwe data en feedback van gebruikers.
48
00:03:44,920 --> 00:03:51,800
En die feedback van gebruikers, ik heb gehoord over termen zoals bijvoorbeeld 'zero-shot
49
00:03:51,800 --> 00:03:52,800
learning'.
50
00:03:52,800 --> 00:03:57,920
Kun je uitleggen wat dat is?
51
00:03:57,920 --> 00:04:03,840
Zero-shot learning is een techniek binnen machine learning, waarbij een model leert om
52
00:04:03,840 --> 00:04:08,000
taken uit te voeren zonder specifieke voorbeelden of training voor die taken.
53
00:04:08,000 --> 00:04:15,360
In plaats daarvan kan het model generaliseren vanuit zijn eerdere kennis en contextuele aanwijzingen
54
00:04:15,360 --> 00:04:16,760
om nieuwe taken aan te pakken.
55
00:04:16,760 --> 00:04:17,760
Bijvoorbeeld…
56
00:04:17,760 --> 00:04:20,560
Kun je daar een voorbeeld van geven?
57
00:04:20,560 --> 00:04:21,760
Sorry, ik interrumpeerde.
58
00:04:21,760 --> 00:04:25,760
Geen probleem.
59
00:04:25,760 --> 00:04:31,480
Stel je voor dat je een taalmodel hebt dat is getraind om te begrijpen wat mensen schrijven
60
00:04:31,480 --> 00:04:32,760
over voedsel en sport.
61
00:04:32,760 --> 00:04:38,400
Met zero-shot learning kan dit model vervolgens vragen beantwoorden over een compleet nieuw
62
00:04:38,400 --> 00:04:43,440
onderwerp, zoals technologie, zelfs als het niet expliciet is getraind op technologie
63
00:04:43,440 --> 00:04:44,960
gerelateerde data.
64
00:04:44,960 --> 00:04:50,600
Het model kan contextuele aanwijzingen en zijn begrip van de wereld gebruiken om deze nieuwe
65
00:04:50,600 --> 00:04:55,720
vragen te beantwoorden, zonder dat het voorbeelden heeft gezien van technologie gerelateerde
66
00:04:55,720 --> 00:04:57,480
teksten tijdens de training.
67
00:04:57,480 --> 00:05:04,400
Ik heb ook gehoord over few-shot learning.
68
00:05:04,400 --> 00:05:06,640
Kun je daar iets over vertellen?
69
00:05:06,640 --> 00:05:12,560
Wat is dan het verschil ten opzichte van de zero-shot learning?
70
00:05:12,560 --> 00:05:18,040
Few-shot learning is vergelijkbaar met zero-shot learning, maar met een klein verschil.
71
00:05:18,040 --> 00:05:24,040
Bij few-shot learning heeft het model een beperkt aantal voorbeelden of trainingsdata nodig om
72
00:05:24,040 --> 00:05:25,280
nieuwe taken uit te voeren.
73
00:05:25,280 --> 00:05:31,120
In plaats van helemaal geen voorbeelden te hebben, zoals bij zero-shot learning, heeft
74
00:05:31,120 --> 00:05:35,800
het model bij few-shot learning slechts een paar voorbeelden nodig om een nieuwe taak
75
00:05:35,800 --> 00:05:36,800
te leren.
76
00:05:36,800 --> 00:05:42,600
Het belangrijkste verschil is dus de hoeveelheid trainingsdata die het model nodig heeft.
77
00:05:42,600 --> 00:05:46,760
Kun je daar een sprekend voorbeeld van geven?
78
00:05:46,760 --> 00:05:51,520
Few-shot learning is een benadering binnen machine learning waarbij een model wordt getraind
79
00:05:51,520 --> 00:05:56,120
om nieuwe taken uit te voeren met slechts een klein aantal voorbeelden of trainingsdata.
80
00:05:56,120 --> 00:06:02,840
In tegenstelling tot zero-shot learning, waarbij helemaal geen specifieke voorbeelden worden
81
00:06:02,840 --> 00:06:08,360
gegeven, krijgt een few-shot learning model een beperkte set voorbeelden om van te leren.
82
00:06:08,360 --> 00:06:12,240
Dat zou kunnen zijn iets wat hij nog niet gezien heeft.
83
00:06:12,240 --> 00:06:19,840
Dus je wil bijvoorbeeld hele specifieke dieren in het wild kunnen klassificeren die het
84
00:06:19,840 --> 00:06:20,840
model nog niet gezien heeft.
85
00:06:20,840 --> 00:06:21,960
Dan moet ik aan zoiets denken.
86
00:06:21,960 --> 00:06:22,960
Precies.
87
00:06:22,960 --> 00:06:27,560
Als je bijvoorbeeld een…
88
00:06:27,560 --> 00:06:29,760
Dat was een lekker kort antwoord.
89
00:06:29,760 --> 00:06:34,280
En als ik nou informatie zou willen gebruiken die ik echt…
90
00:06:34,280 --> 00:06:37,360
Als je nog meer vragen hebt, stel ze gerust.
91
00:06:37,360 --> 00:06:42,400
Ik heb nog meer vragen en eigenlijk is het ook wel de afsluitende vraag.
92
00:06:42,400 --> 00:06:49,800
Je kan ook je kennis en documenten gebruiken die je in je organisatie hebt met zogenaamde
93
00:06:49,800 --> 00:06:51,920
retrieval augmented generation.
94
00:06:51,920 --> 00:06:55,520
Dat is toch eigenlijk ook een soort van manier van leren trainen?
95
00:06:55,520 --> 00:06:56,520
Klopt dat?
96
00:06:56,520 --> 00:06:57,520
Ja, dat klopt.
97
00:06:57,520 --> 00:07:05,280
Met retrieval augmented generation kunnen modellen leren van de informatie en documenten
98
00:07:05,280 --> 00:07:07,320
die beschikbaar zijn in een organisatie.
99
00:07:07,320 --> 00:07:14,040
Door deze techniek te gebruiken kunnen modellen relevante informatie uit grote datasets halen
100
00:07:14,040 --> 00:07:16,120
en deze gebruiken om nieuwe taken uit te voeren.
101
00:07:16,120 --> 00:07:18,480
Dit helpt bij het…
102
00:07:18,480 --> 00:07:19,800
Heel interessant.
103
00:07:19,800 --> 00:07:27,080
Ik wil je bedanken eigenlijk voor al die inzichten en vooral het uitleggen van deze nieuwe termen.
104
00:07:27,080 --> 00:07:28,080
Dank je wel.
105
00:07:28,080 --> 00:07:29,080
Graag gedaan.
106
00:07:29,080 --> 00:07:35,760
Best wel een andere manier van dialoog voeren.
107
00:07:35,760 --> 00:07:42,760
Ik heb alles erin laten zitten van quirks die je in de audio ook echt daadwerkelijk terugkrijgt
108
00:07:42,760 --> 00:07:43,760
en hoort.
109
00:07:43,760 --> 00:07:44,760
De vertragingen.
110
00:07:44,760 --> 00:07:47,320
Beetje Amerikaans accent toch?
111
00:07:47,320 --> 00:07:50,400
En je hoort me af en toe chatty-petty onderbreken.
112
00:07:50,400 --> 00:07:53,040
Is nodig, want het blijft maar doorpraten.
113
00:07:53,040 --> 00:07:55,520
Maar een hele mooie eerste stap denk ik.
114
00:07:55,520 --> 00:07:59,360
Ik ben heel erg benieuwd wat jij van deze nieuwe functionaliteit vindt.
115
00:07:59,360 --> 00:08:00,640
Deel het via de socials.
