AI is de snelst opkomende technologie die we tot nu toe hebben gezien. Er worden enorme bedragen in geïnvesteerd en de kans is groot dat je het al dagelijks gebruikt. Al is het maar in de zoekresultaten van Google.
Maar weet je ook hoe AI tot de antwoorden komt op de vragen die je stelt? En hoe weet het bijvoorbeeld dat een wachtwoord meer gemeen heeft met inloggevens dan met een factuur?
AI kan dit door het verwerken van grote hoeveelheden informatie en die om te zetten in een getallenreeks.
Zo’n reeks getallen noemen we een vector. Dat is een rij getallen die samen een “profiel” van iets geeft. Een huis kun je bijvoorbeeld omschrijven met het aantal kamers, oppervlakte, bouwjaar en afstand tot het winkelcentrum. In getallen kan dat dan [4, 120, 1985, 5] zijn. Ieder getal zegt iets over een kenmerk van het huis en samen vormen ze eigenlijk al een vector.
Laten we naar het volgende voorbeeld kijken:
“Hoe reset ik mijn wachtwoord?” → [0.21, -0.48, 0.83, 0.02, … ]
“Ik ben mijn inloggegevens kwijt.” → [0.19, -0.44, 0.79, 0.05, … ]
“Deze factuur ga ik niet betalen.” → [-0.71, 0.33, -0.12, 0.66, … ]
De eerste twee teksten hebben inhoudelijk veel met elkaar gemeen. Daardoor kunnen hun vectoren in de wiskundige ruimte dichter bij elkaar liggen dan die van de derde tekst.
Laten we het verder versimpelen tot een reeks van 2 getallen en die visueel maken: reeks A [2, 5], reeks B [2, 4], reeks C [-7, 3]. In het echt gebruiken AI-modellen overigens honderden of duizenden getallen per vector.
Je ziet nu dat A en B dichter bij elkaar liggen dan C en meer met elkaar gemeen hebben.
Belangrijk is dat niet één getal één specifieke betekenis heeft. Het is juist de combinatie van alle getallen die informatie over de tekst vertegenwoordigt.
Je kunt het vergelijken met hoe mensen leren. Mensen herkennen patronen door veel voorbeelden te zien en verschillende combinaties te oefenen. Op de basisschool leerde je bijvoorbeeld de tafels niet alleen door één keer te lezen dat 3 × 3 = 9. Je oefende allerlei combinaties:
1 × 3 = 3
2 × 3 = 6
3 × 3 = 9
3 × 8 = 24
8 × 3 = 24
Door veel voorbeelden en variaties te zien, leer je verbanden en patronen herkennen.
AI werkt op een bepaalde manier vergelijkbaar. Tijdens het trainen krijgt een model enorme hoeveelheden voorbeelden te zien. Het probeert patronen te herkennen en voorspellingen te doen. Het model leert bijvoorbeeld te voorspellen welk woord waarschijnlijk volgt op een stuk tekst. Wanneer het ernaast zit, worden de interne instellingen van het model een klein beetje aangepast.
Na heel veel van zulke trainingsstappen ontstaat een model dat allerlei patronen en verbanden in de data heeft geleerd. Daardoor kan het bijvoorbeeld leren dat woorden en begrippen als wachtwoord, inloggegevens, account, inloggen en resetten in bepaalde contexten sterk met elkaar samenhangen.
Een eenvoudige manier om het samen te vatten is: AI zet informatie om in getallen, leert patronen en relaties tussen die getallen, en gebruikt die patronen om nieuwe informatie te begrijpen en voorspellingen te doen.
Doordat het model tijdens de training heeft geleerd welke woorden vaak samen voorkomen, kan het ook afleiden wat iemand waarschijnlijk bedoelt met een tekst.
Dit principe passen we ook toe binnen MA!N AI, onder andere bij het herkennen van betalingsintenties. MA!N AI begrijpt bijvoorbeeld dat een debiteur die in een e-mail schrijft: “Ik kan nier meer dan € 50 per maand missen.” waarschijnlijk een betalingsregeling voor € 50 per maand wil.
Het herkent de intentie van de tekst.
Maar AI bezit niet de intelligentie zoals mensen die hebben. Het begrijpt niets, het herkent statische patronen. En door de manier waarop het is getraind, kan het goed berekenen wat de intentie is van een tekst.
De reden waarom de ene vraag aan AI tot betere resultaten leidt dan de andere, heeft hier ook vaak mee te maken. De context die je meegeeft met een vraag helpt de AI bij het bepalen van de intentie.
Een voorbeeld. Morgen ga je surfen en je wilt weten of het weer daar geschikt voor is. Je kunt dan op meerdere manieren een vraag stellen:
- Wat is de weersverwachting voor morgen?
- Morgen ga ik windsurfen bij Harderwijk. Wat is de weersverwachting?
Bij de eerste vraag krijg je misschien terug: “Het is morgen zonnig en in de middag wordt het 27℃.”
Dit is in de basis een goed antwoord op de vraag, maar het mist informatie die voor jou van belang is.
Bij de tweede vraag stuur je meer context mee en krijg je als antwoord: “Het is morgen zonnig en in de middag wordt het 27℃. Er staat windkracht 4 tot 5 uit het westen. Waarschijnlijk is het goed weer om te surfen.”
Door de meegestuurde context kan de AI bepalen wat de intentie van de vraag is, daardoor geeft het een waardevoller antwoord bij de tweede vraag.
Samengevat: Er is overlap tussen hoe AI en mensen leren en tot antwoorden komen. Het leert patronen herkennen en heeft context nodig voor het geven van goede antwoorden.
Het is ook hoe MA!N AI werkt. Bij iedere klant werkt het credit management net even anders dan bij de ander. Daarom geven we bij iedere klant aanvullende instructies mee, zodat MA!N AI de context van de klant begrijpt.