Generatieve AI versus voorspellende AI

Kunstmatige intelligentie (Artificial Intelligence, AI) dateert al van de jaren ‘50. Maar de recente opkomst van AI-tools zoals ChatGPT en het toenemende gebruik van AI-functionaliteit in een breed scala van industrieën hebben deze technologieën op de voorgrond gebracht.

In dit stuk kijken we naar generatieve AI versus voorspellende AI, hun overeenkomsten en verschillen, hun praktische toepassingen en het soort computerhardware dat ze nodig hebben.

Wat is generatieve AI?

Generatieve AI, ook wel ‘GenAI’ genoemd, wordt gebruikt om nieuwe inhoud (zoals tekst, audio, video, afbeeldingen en zelfs code) te creëren op basis van trainingsgegevens. Generatieve AI is een subset van deep learning, wat op zichzelf een vorm van machine learning is.

De deep learning-modellen die betrokken zijn bij generatieve AI gebruiken trainingsgegevens als basis voor de gegenereerde output. Trainingsgegevens worden in deze generatieve modellen ingevoerd. Geavanceerde neurale netwerken analyseren de gegevens en zoeken naar patronen. Deze patronen helpen een basis te leggen voor het genereren van inhoud.

Een van de meest voorkomende typen generatieve AI-modellen wordt ‘GAN’ (Generative Adversarial Networks) genoemd. GAN’s maken gebruik van onbewaakt leren. Dat betekent dat ze zoeken naar patronen in ongelabelde gegevens en dat ze tijdens dit proces niet onder toezicht staan. Deze methode omvat twee modellen, het generatormodel en het discriminatormodel. Deze concurreren in hun pogingen voorspellingen nauwkeuriger te maken.

Het generatormodel creëert incorrecte gegevens en voert deze in het adversarial model in. Het adversarial model probeert vervolgens te detecteren welke gegevens incorrect zijn en kunstmatig door het generatormodel zijn gegenereerd. Hoe meer incorrecte gegevens het adversarial model herkent, hoe beter het wordt in het creëren van realistischere resultaten.

Waar wordt generatieve AI voor gebruikt?

Als het om generatieve AI gaat, denken veel mensen aan tools zoals DALL·E en ChatGPT. Het aantal mensen dat in Google naar de term ‘generatieve AI’ zocht, nam kort na de release van ChatGPT in november 2022 toe.

Afbeelding van de Google Trends-resultaten voor de zoekterm ‘generatieve AI’

Deze tools zijn snel populair geworden en worden steeds vaker gebruikt om zaken als afbeeldingen, tekst en zelfs muziek te maken. Generatieve AI heeft echter een lange geschiedenis die teruggaat tot de jaren zestig, toen het voor het eerst werd gebruikt om menselijke taal te simuleren in chatbots, zoals ELIZA.

Sindsdien heeft GenAI een lange weg afgelegd en vormt het de ruggengraat van veel toepassingen op verschillende gebieden. Laten we eens een paar toepassingen uit de echte wereld bekijken.

Voorbeelden van generatieve AI

• Codering: Net als bij voorspellende tekst kan generatieve AI worden gebruikt om nieuwe code te genereren door naar de context van bestaande code te kijken en de volgende regel of regels voor te stellen. Het kan ook worden gebruikt om fouten in de code op te sporen en eventuele gevonden fouten automatisch te corrigeren.

GenAI kan het codeerproces ook aanzienlijk sneller maken. Uit een studie, uitgevoerd door McKinsey, zou generatieve AI softwareontwikkelaars kunnen helpen codeertaken uit te voeren in slechts de helft van de tijd die normaal gesproken nodig zou zijn.

• Schrijven: Generatieve AI kan worden gebruikt om korte en lange tekst te creëren op basis van gebruikersprompts. De tekst kan vervolgens verder worden aangepast door de GenAI-tools om de toon te verfijnen, of worden gebruikt om efficiënte samenvattingen van de inhoud te maken.
• Beeldgeneratie: Tools voor het maken van AI-inhoud maken gebruik van generatieve AI om nieuwe afbeeldingen te creëren. Op basis van de tekstprompts van gebruikers kunnen deze tools geavanceerde neurale netwerken gebruiken om nieuwe afbeeldingen te creëren.

Wat is voorspellende AI?

Voorspellende AI is een vorm van kunstmatige intelligentie die helpt bij het vormen van voorspellingen over toekomstige gebeurtenissen, gedragingen en trends op basis van historische gegevens. Voorspellende AI neemt datasets en bekijkt de trends en patronen daarin. In tegenstelling tot generatieve AI creëert voorspellende AI niets nieuws op basis van historische gegevens, maar gebruikt het ze om conclusies te trekken. Daarom wordt het vaak gebruikt in de datawetenschap.

Voorspellende AI kent 4 hoofdstappen:

• Gegevens verzamelen: gegevens worden verzameld en georganiseerd.
• Gegevens voorbewerken: gegevens worden opgeschoond en eventuele afwijkingen worden verwijderd.
• Modellen maken: er wordt een voorspellend model gemaakt dat het meest geschikt is voor de gegevens.
• Testen van de modellen: het model wordt geëvalueerd op nauwkeurigheid.

Voorbeelden van voorspellende AI

• Analyse van klantgedrag: Marketing teams kunnen voorspellende AI gebruiken om het gedrag van klanten te analyseren. Dat kan helpen bij de ontwikkeling van meer gepersonaliseerde winkelervaringen of campagnes. Veel websites gebruiken voorspellende AI om op basis van items die ze eerder hebben bekeken of gekocht, producten aan te bevelen waarvan ze denken dat gebruikers ze leuk vinden.
• Voorspellend onderhoud: Voorspellend onderhoud wordt gebruikt om te helpen identificeren wanneer een systeem mogelijk zal uitvallen, zodat het onderhoud kan ontvangen voordat het een mogelijk storingspunt bereikt. Dit helpt systeemuitschakelingen te voorkomen en kan de Mean Time Between Failures verminderen. Met behulp van machine learning-algoritmen in voorspellende AI kunnen gegevens van eerdere systeemstoringen worden bestudeerd en geanalyseerd om te helpen voorspellen wanneer een toekomstige storing zich kan voordoen. Op deze informatie kunnen effectieve onderhoudsplannen worden gebaseerd en kan de algehele productiviteit worden verhoogd.

Hardware voor voorspellende en generatieve AI

Als we kijken naar hardware voor generatieve AI- en voorspellende AI-toepassingen, is er een aantal overwegingen waarmee we rekening moeten houden.

• Rekenkracht: GenAI- en voorspellende AI-toepassingen vereisen hardware met een hoge verwerkingskracht die de complexe workloads op het gebied van modeltraining en AI-inferentie aankan.
  • CPU’s (Central Processing Units): CPU’s bieden de verwerkingskracht die nodig is voor complexe neurale netwerken en realtime gevolgtrekking.
  • GPU’s (Graphics Processing Units): Net als CPU’s bieden GPU’s een hoog verwerkingsvermogen voor generatieve en voorspellende AI. Ze bieden echter ook een voordeel ten opzichte van CPU’s. GPU’s maken gebruik van parallel computergebruik, waarbij taken worden opgedeeld in kleinere delen die tegelijkertijd kunnen worden verwerkt.
• Opslag: Knelpunten ontstaan ​​wanneer één component zijn maximale capaciteit bereikt en de capaciteit van andere componenten beperkt. NVMe (Non-Volatile Memory Express) kan deze knelpunten helpen verminderen. Dat maakt het een goede keuze voor de intense gegevensverwerking van AI.

De Axial edge server van OnLogic

De Axial AC101 van OnLogic is ideaal voor gebruik in generatieve en voorspellende AI-toepassingen. Hij beschikt over krachtige verwerkingsmogelijkheden dankzij Intel® 13e generatie processors (voorheen bekend als “Raptor Lake”). De Axial-serie beschikt ook over 128 GB M.2 NVMe SSD-opslag met configuratie-opties tot 512 GB, waardoor de latency wordt verminderd en knelpunten in de opslag worden geëlimineerd.

Heb je nog vragen over generatieve AI versus voorspellende AI? Neem contact op met OnLogic.