Ai heeft de laatste tijd veel hype gekregen...ik weet zeker dat jullie allemaal ChatGPT gebruiken en de wetenschap van de prompt onder de knie krijgen. Ik ook...om eerlijk te zijn...
Merci d'avoir lu Le Substack de Jonathan! Ontvang een gratis vergoeding voor het ontvangen van nieuwe berichten en meer werk.
Maar omdat dit een ware revolutie is, heb ik als CEO van Hotel Tech (Roomchecking.com) en al jarenlang ontwikkelaar besloten om te bloggen over AI en de hotelindustrie. Gewoon omdat het mijn nieuwe dagelijkse focus is.
Het bijzondere aan AI is dat het vroeger alleen interessant was voor ontwikkelaars en ingenieurs, maar dat nu iedereen er meer over moet weten.
Dus ik wil graag wat kennis delen die ik heb ontdekt, wat onderzoek dat ik doe en wat diepgaand werk dat ik doe aan AI voor de hotelindustrie. Ik deel graag mijn kennis.
Dus als je het leuk vindt, vertel het me gerust en stuur het door naar anderen.
Geen hype, geen verkoop, alleen goede informatie (hopelijk)
De gebruikelijke aanpak voor het begrijpen van teksten
Als je erover nadenkt, bestaat kunstmatige intelligentie al meer dan 30 jaar, maar vorig jaar was het opeens de openbaring die Mozes de Tien Geboden aan de wereld openbaarde.
Ik zal een probleem noemen waar ik elke dag mee te maken heb met hotels: de PMS-notities, de sporen…
Ze komen als een blok, soms met herhalingen, vreemde opmaak... de notities zijn net zo druk als mijn klanten ;=)
Omdat ik uit die tekstblokken moest halen wat het team moest doen (taken en notities), gebruikte ik wat we Natuurlijke taalverwerking (NLP). Het bestond uit (en bestaat nog steeds uit) het extraheren van woorden uit een zin en het ‘kwalificeren ervan’. We noemden dit een Geheel.
Dit is een eenvoudig voorbeeld:
Elon Musk is een persoon, Twitter is een bedrijf…
Het werkt, op de een of andere manier, maar we kennen allemaal de chatbots in de hotels. Ze zijn min of meer beperkt, soms antwoorden ze compleet buiten de context… Nou ja, het is heel moeilijk om te begrijpen …context
Stel je voor dat je deze vraag stelt: wanneer kan ik gaan zwemmen? Het systeem moet begrijpen dat zwemmen over het zwembad gaat, wanneer is een tijdsaanvraag.
Hier ontstond AI met ChatGPT en LLM.
En de manier waarop het werkt is gewoon… verbazingwekkend.
De aanpak veranderen: Ik weet nog niet wat ik hierna ga vertellen.
Ja, u leest het goed. De AI bedenkt niet van tevoren het antwoord dat hij produceert. De woorden komen één voor één als een voorspelling.
Platon en Wittgenstein zouden geschokt zijn als ze dat zouden horen…
Dus nu zal de machine redeneren met statistieken, en dat betekent dat de redenering is eigenlijk voorspelling… Een voorspelling die zijn kennis haalt uit een set vooraf getrainde gegevens (ik schrijf hierover in een andere blog)
Ik heb het nergens gelezen, maar ik zou het graag willen noemen: Fast Forward thinking
Hier is een illustratie:
Zoals u in dit voorbeeld kunt zien: Parijs is een stad in ____
Statistisch gezien komt “Frankrijk” voor in 17% van de antwoorden op het web (ik vind het laag, maar goed…)
Een belangrijk onderdeel van de LLM-revolutie is dat voor het eerst zeer grote modellen direct op ruwe, rommelige, echte data kunnen worden getraind, zonder dat er zorgvuldig samengestelde en door mensen gelabelde datasets nodig zijn.
Als gevolg hiervan werden bijna alle tekstuele gegevens op het web nuttig. Hoe meer hoe beter. De LLM's van vandaag worden opgeleid op biljoenen woorden. Stel je voor dat je Wikipedia in zijn geheel verteert, alle ondertitels en reacties op YouTube consumeert, miljoenen juridische contracten, tientallen miljoenen e-mails en honderdduizenden boeken leest. Dit soort enorme, bijna onmiddellijke consumptie van informatie is niet alleen moeilijk te begrijpen; het is werkelijk vreemd(1).
Dit verklaart het succes van Nvidia (gebruikt om de data te verwerken) en de daling van de aandelenkoers toen DeepSeek, de Chinese LLM, bewees dat je een model kon trainen voor een fractie van de prijs. Investeerders raakten in paniek dat Nvidia hun processors niet zo veel zou verkopen als verwacht…
Hallucinatie
Houd er rekening mee dat LLM's werken door voorspellen welke woorden het meest waarschijnlijk op de prompt zullen volgen die je hebt gegeven op basis van de statistische patronen in de trainingsgegevens. Het maakt niet uit of de woorden waar zijn, betekenisvol of origineel. Het wil gewoon een coherente en geloofwaardige tekst produceren waar je blij van wordt (de 17% voor Frankrijk). Hallucinaties klinken aannemelijk en contextueel passend genoeg om het moeilijk te maken om leugens van de waarheid te onderscheiden.
Het kan grappig zijn als de AI niet kan onderscheiden wanneer fictie overgaat in realiteit. Colin Fraser, een datawetenschapper, merkte bijvoorbeeld op dat ChatGPT bij een willekeurige vraag tussen 1 en 100 in 42 procent van de gevallen antwoordde met "1". Als het echt willekeurig een getal zou kiezen, zou het slechts in 10 procent van de gevallen "42" moeten antwoorden. De sciencefictionnerds onder mijn lezers hebben waarschijnlijk al geraden waarom 1 zoveel vaker opduikt.
In Douglas Adams' klassieke komedie The Hitchhiker's Guide to the Galaxy is 42 het antwoord op de "ultieme vraag over het leven, het universum en alles" (waarmee een groter probleem open blijft: wat was de vraag ook alweer?), en het getal is een korte grap geworden op internet. Fraser speculeert dus dat er veel meer 42's zijn die de AI kan zien dan andere getallen, wat op zijn beurt de kans vergroot dat de AI dat getal zal uitgeven, terwijl hij hallucineert dat hij je een willekeurig antwoord geeft.
In het volgende artikel wil ik uitleggen hoe je hallucinaties kunt bestrijden
Aarzel niet om mij te vertellen of je iets anders wilt zien jweizman@roomchecking.com
(1)Suleyman, Mustafa; Bhaskar, Michael. The Coming Wave: AI, Power and Our Future: De instant Sunday Times bestseller van de ultieme AI insider (Engelse editie) (p. 65). Random House. Kindle-editie.
