De uitgestrekte wereld van generatieve AI en Grote Taalmodellen (LLM’s) belooft baanbrekende mogelijkheden, maar één vraag blijft: Hoe kunnen we AI begeleiden om diepgaande, domeinspecifieke expertise te verkrijgen? Het antwoord ligt in het herontdekken van technieken uit het verleden van AI.
De Heropleving van Kennisontsluiting
Kennisontsluiting is geen nieuwigheid. Geworteld in de tijd van op regels gebaseerde expertsystemen, diende het als een brug tussen menselijke intellect en machinecapaciteit. Vandaag de dag vindt het nieuwe relevantie nu AI probeert diepgaande maar impliciete menselijke expertise te assimileren. Volgens Forbes is deze methodologie cruciaal om LLM’s te transformeren in bewaarplaatsen van best practices.
Blauwdruk voor Domeinexpert LLM’s
Overweeg het transformeren van een LLM om uit te blinken in een specifiek veld, zoals geneeskunde of recht. Het proces begint met het verzamelen van relevante documenten, die vervolgens in AI-systemen worden ingevoerd met behulp van technieken zoals retrieval-augmented generation (RAG). Echter, hier ligt een uitdaging: niet alle deskundige kennis is gedocumenteerd. De essentie van echte expertise ligt vaak in de collectieve ervaringen en genuanceerde intuïties van industrieveteraan.
Kennisontsluiting in de Praktijk
Hier komt de praktijk van kennisontsluiting om de hoek kijken. Een methodische betrokkenheid met experts kan onontdekte vuistregels en handelsgeheimen aan het licht brengen. Van het interviewen van professionals tot het analyseren van verbale protocollen, het doel is om impliciete kennis vast te leggen en in de AI te integreren. Zo illustreert Lance Eliot hoe de expertise van een aandelenhandelaar in LLM’s wordt gecodificeerd, waardoor het repertoire van AI wordt uitgebreid met nichestrategieën.
Vooruitgang met Synthetische Experts
Het concept van synthetische experts komt naar voren naarmate AI-modellen leren van menselijke tegenhangers. Door domeinmeesterschap te simuleren, kan AI de adviserende rol van een consultant benaderen, zij het met beperkingen. Hoewel artificiële algemene intelligentie een toekomstig streven blijft, kan de strategische toepassing van kennisontsluiting vandaag de basis leggen voor competente, smalle AI-experts.
De Kloof Overbruggen: Smalle vs. Algemene AI
Het debat over smalle en algemene AI blijft het landschap vormgeven. Terwijl sommigen beweren dat LLM’s al elementen van algemene intelligentie belichamen, houden anderen vol dat echte expertise kunstmatige algemene intelligentie vereist. In beide scenario’s belooft de integratie van door mensen bedachte praktijken in AI-frameworks de domeinspecifieke capaciteiten van generatieve modellen te verrijken.
In de woorden van Elbert Hubbard, het focussen op kwaliteitswerk vandaag legt de basis voor uitstekende prestaties morgen. Menselijke kennis in AI integreren democratiseert niet alleen expertise, maar verheft LLM’s ook naar nieuwe hoogten van functionaliteit en relevantie.