Gegenereerd met Bing en bewerkt met Photoshop

Voorspellende AI stimuleert al tientallen jaren de ROI van bedrijven via geavanceerde aanbevelingsalgoritmen, risicobeoordelingsmodellen en tools voor fraudedetectie. De recente toename van generatieve AI heeft het echter tot een nieuw actueel onderwerp gemaakt. Iedereen onderzoekt het gebruik van grote taalmodellen voor het genereren van inhoud en modellen voor klantenservice of verspreiding voor het creëren van visuele inhoud. Staat generatieve AI op het punt de belangrijkste motor te worden voor hogere productiviteit?

Om deze vraag te beantwoorden, moeten we dieper op het onderwerp ingaan om de belangrijkste toepassingsgebieden van generatieve en voorspellende AI te begrijpen. In dit artikel zullen we de belangrijkste technieken voor machinaal leren bespreken die deze twee hoofdklassen van AI-benaderingen aandrijven, de unieke voordelen en uitdagingen die ermee gepaard gaan, en hun respectieve zakelijke toepassingen in de echte wereld.

Basisdefinities

Generatieve AI en voorspellende AI zijn twee krachtige vormen van kunstmatige intelligentie met een breed scala aan toepassingen in het bedrijfsleven en daarbuiten. Beide soorten AI gebruiken machine learning om van data te leren, maar ze doen dit op verschillende manieren en hebben verschillende doelen.

Voorspellende AI wordt gebruikt om toekomstige gebeurtenissen of uitkomsten te voorspellen op basis van historische gegevens. Dit gebeurt door patronen in historische gegevens te identificeren en die patronen vervolgens te gebruiken om toekomstige trends te voorspellen. Een voorspellend AI-model kan bijvoorbeeld worden getraind op een dataset met gegevens over de aankoopgeschiedenis van klanten en vervolgens worden gebruikt om te voorspellen welke klanten de komende maand het meest waarschijnlijk zullen afhaken.

generatieve AI is een type AI dat nieuwe inhoud kan creëren, zoals tekst, afbeeldingen, muziek en code. Dit gebeurt door te leren van bestaande gegevens en vervolgens nieuwe gegevens te genereren die vergelijkbaar zijn met de trainingsgegevens. Een generatief AI-model kan bijvoorbeeld worden getraind op een dataset met voorbeelden van advertentieteksten en vervolgens worden gebruikt om nieuwe creatieve en effectieve advertentiekopieën te genereren.

Het fundamentele verschil is dat voorspellende AI voorspellingen en voorspellingen uitvoert, terwijl generatieve AI nieuwe inhoud produceert. Hier zijn een paar voorbeelden binnen verschillende domeinen:

• Natuurlijke taalverwerking (NLP): Voorspellende NLP-modellen kunnen tekst categoriseren in vooraf gedefinieerde klassen (bijvoorbeeld spam versus geen spam), terwijl generatieve NLP-modellen nieuwe tekst kunnen creëren op basis van een bepaalde prompt (bijvoorbeeld een bericht op sociale media of een productbeschrijving).
• Beeldverwerking: Voorspellende modellen voor beeldverwerking, zoals convolutionele neurale netwerken (CNN's), kunnen afbeeldingen classificeren in vooraf gedefinieerde labels (bijvoorbeeld om verschillende producten in het schap van een supermarkt te identificeren). Aan de andere kant kunnen generatieve modellen zoals diffusiemodellen nieuwe beelden creëren die niet aanwezig zijn in de trainingsgegevens (bijvoorbeeld virtuele modellen voor reclamecampagnes).
• Drug ontdekking: Voorspellende modellen voor de ontdekking van geneesmiddelen kunnen voorspellen of een nieuwe verbinding waarschijnlijk giftig is of potentieel heeft als nieuwe medicamenteuze behandeling. Generatieve modellen voor het ontdekken van geneesmiddelen kunnen nieuwe moleculaire structuren creëren met gewenste eigenschappen, zoals een hogere werkzaamheid of lagere toxiciteit.

De verschillende machine learning-algoritmen die deze twee soorten AI aandrijven, hebben specifieke sterke en zwakke punten die u moet begrijpen om de juiste aanpak voor uw zakelijke behoeften te kiezen.

Als deze diepgaande educatieve inhoud nuttig voor u is, abonneer je op onze AI-mailinglijst om gewaarschuwd te worden wanneer we nieuw materiaal uitbrengen. 

Hoe werken voorspellende versus generatieve AI-algoritmen?

Voorspellende AI is een type AI dat historische gegevens gebruikt om voorspellingen te doen over toekomstige gebeurtenissen of uitkomsten. Het is meestal gebaseerd op begeleid leren, een vorm van machinaal leren waarvoor gelabelde gegevens nodig zijn. Gelabelde gegevens zijn gegevens die zijn geannoteerd met de juiste invoer- en uitvoerparen of -reeksen. Het model leert de wiskundige relatie tussen de invoergegevens en de uitvoergegevens en gebruikt deze kennis vervolgens om voorspellingen te doen over nieuwe gegevens.

De voorspellende AI-algoritmen kunnen worden gebruikt om een ​​breed scala aan variabelen te voorspellen, waaronder continue variabelen (bijvoorbeeld het verkoopvolume) en binaire variabelen (bijvoorbeeld of een klant zal churnen). Ze kunnen gebaseerd zijn op basismodellen voor machine learning, zoals lineaire regressie, logistische regressie, beslissingsbomen en willekeurige forests. In sommige gevallen laten deep learning-algoritmen en versterkend leren uitzonderlijke prestaties zien voor voorspellende AI-taken dankzij hun vermogen om complexe patronen in gegevens te leren. Dit maakt deze algoritmen zeer geschikt voor taken zoals het voorspellen van klantgedrag, het detecteren van fraude of het voorspellen van patiëntresultaten.

Laten we zeggen dat een zorgverlener voorspellende AI wil gebruiken om patiënten te identificeren die risico lopen op hartziekten. Ze kunnen historische gegevens van hun vorige patiënten gebruiken om te zien hoe verschillende kenmerken, zoals demografische gegevens van patiënten, gezondheidstoestanden en behandelingen, verband hielden met hartziekten. Machine learning-modellen kunnen onverwachte patronen ontdekken en vrij nauwkeurige voorspellingen doen over welke patiënten een grotere kans hebben op het ontwikkelen van een hartziekte. Zorgaanbieders kunnen deze voorspellingen vervolgens gebruiken om gepersonaliseerde preventieplannen te ontwikkelen.

In tegenstelling tot voorspellende AI, generatieve AI modellen worden doorgaans getraind met behulp van niet-gecontroleerde of semi-gecontroleerde leeralgoritmen. Dit betekent dat ze geen grote hoeveelheden gelabelde gegevens nodig hebben. Ongecontroleerde leeralgoritmen leren van ongelabelde data, terwijl semi-gecontroleerde leeralgoritmen leren van een combinatie van ongelabelde data en een kleine hoeveelheid gelabelde data.

Kortom, de meeste huidige generatieve AI-modellen worden gebouwd door een deel van de trainingsgegevens te maskeren en vervolgens het model te trainen om de gemaskeerde gegevens te herstellen.

Grote taalmodellen (LLM's) worden bijvoorbeeld getraind door enkele tokens in trainingsgegevens willekeurig te vervangen door een speciaal token, zoals [MASK]. Het model leert vervolgens de gemaskeerde tokens te voorspellen op basis van de context van de omringende woorden.

Een ander veel voorkomend type generatief AI-model zijn diffusiemodellen voor het genereren en bewerken van afbeeldingen en video's. Deze modellen worden gebouwd door eerst ruis aan het beeld toe te voegen en vervolgens het neurale netwerk te trainen om ruis te verwijderen.

Zowel LLM's als diffusiemodellen kunnen uitstekende prestaties leveren wanneer ze worden getraind op voldoende grote hoeveelheden ongelabelde gegevens. Om de resultaten voor specifieke gebruiksscenario's te verbeteren, verfijnen ontwikkelaars echter vaak generatieve modellen op kleine hoeveelheden gelabelde gegevens. Het integreren van menselijke feedback via versterkend leren kan de prestaties van een model verder verbeteren door het aantal vijandige reacties te verminderen.

Marketing is een van de eerste bedrijfstakken die profiteert van generatieve AI. Een marketingbureau kan bijvoorbeeld een generatief AI-model gebruiken om creatieve inhoud te genereren, zoals blogposts, artikelen en posts op sociale media. Ten eerste kunnen ze een vooraf getrainde LLM selecteren die aanvaardbare prestaties laat zien voor hun gebruiksscenario. Vervolgens kunnen ze het model verfijnen op basis van een dataset met bestaande inhoud van de klanten van het bureau. Eenmaal getraind, kan het model worden gebruikt om nieuwe inhoud te genereren die is afgestemd op de behoeften van de klanten van het bureau.

Sterke en zwakke punten

Als het gaat om voorspellende AI, hier zijn de belangrijkste voordelen van het gebruik van deze technologie:

• Hoge nauwkeurigheid: Voorspellende AI-modellen kunnen worden getraind om een ​​zeer hoge nauwkeurigheid te bereiken voor veel taken, zoals productaanbevelingen, fraudedetectie en risicobeoordeling.
• Automatisering: Voorspellende AI kan veel taken automatiseren en menselijke werknemers vrijmaken om zich te concentreren op meer strategisch en creatief werk.

Dit type AI komt echter met zijn voordelen uitdagingen, zoals bijvoorbeeld:

• Gelabelde gegevensvereiste: Voorspellende AI-modellen vereisen gelabelde gegevens, wat duur en tijdrovend kan zijn om te verzamelen.
• Hoge lat voor succes: Voorspellende AI-toepassingen moeten zeer nauwkeurig zijn om succesvol te zijn. Dit kan moeilijk te realiseren zijn, vooral bij complexe taken.
• Onderhoud van modellen: Voorspellende AI-modellen moeten regelmatig worden bijgeschoold op basis van nieuwe gegevens om hun nauwkeurigheid te behouden. Dit kan een uitdaging zijn voor bedrijven met beperkte middelen.

generatieve AI algoritmen hebben hun eigen sterke punten punten:

• Verhoogde productiviteit en efficiëntie: Generatieve AI kan het proces van het maken van inhoud, het schrijven van code, het maken van afbeeldingen en het ontwerpen veel sneller maken. Dit kan bedrijven een aanzienlijke hoeveelheid tijd en geld besparen.
• creativiteit: Generatieve AI kan nieuwe en innovatieve ideeën genereren waar mensen misschien nog niet aan hebben gedacht. Dit kan bedrijven helpen nieuwe producten en diensten te ontwikkelen en hun bestaande producten en diensten te verbeteren.

Omdat het een heel nieuwe technologie is, heeft het echter een aantal uitdagingen rekening mee te houden, waaronder:

• Gebrek aan betrouwbaarheid: Generatieve AI-toepassingen zijn doorgaans zeer onbetrouwbaar. Ze kunnen valse of misleidende informatie produceren, en voor klantgerichte toepassingen is doorgaans een mens nodig die op de hoogte is.
• Vertrouwen op vooraf getrainde modellen: Bedrijven moeten doorgaans vertrouwen op extern gemaakte, vooraf getrainde modellen voor generatieve AI-toepassingen. Dit kan hun controle over het model en de output ervan beperken.
• Auteursrecht en intellectuele eigendomskwesties: Er zijn zorgen over auteursrechten en intellectuele eigendom rond het gebruik van generatieve AI-modellen. Het is bijvoorbeeld onduidelijk wie het auteursrecht bezit op de inhoud die is gegenereerd door een generatief AI-model dat is getraind op auteursrechtelijk beschermde gegevens.

Deze sterke en zwakke punten bepalen grotendeels de belangrijkste toepassingsgebieden voor generatieve AI en voorspellende AI. Laten we dat eens van dichterbij bekijken.

Toepassingen in de echte wereld

De toepassingsgebieden van voorspellende AI worden gekenmerkt door het vermogen om uiterst nauwkeurige voorspellingen te doen, waardoor bepaalde taken volledig kunnen worden geautomatiseerd. Tegelijkertijd zijn dit ook de gebieden waar het mogelijk is om voldoende gelabelde gegevens te verkrijgen om het AI-model te trainen. Enkele voorbeelden van voorspellende AI-toepassingen zijn:

• Productaanbevelingssystemen: Voorspellende AI kan worden gebruikt om producten aan te bevelen aan klanten op basis van hun eerdere aankoopgeschiedenis en surfgedrag.
• Systemen voor fraudedetectie: Voorspellende AI kan frauduleuze transacties en activiteiten helpen identificeren.
• Risicobeoordelingssystemen: Met voorspellende AI-modellen kunnen bedrijven het risico inschatten van gebeurtenissen zoals wanbetalingen op leningen, verzekeringsclaims en klantverloop.
• Systemen voor vraagvoorspelling: Door de vraag naar producten en diensten nauwkeurig te voorspellen, helpt voorspellende AI bedrijven hun productie- en voorraadniveaus te plannen en marketingcampagnes te ontwikkelen.
• Voorspellende onderhoudssystemen: AI kan worden gebruikt om te voorspellen wanneer machines en apparatuur waarschijnlijk zullen falen, waardoor bedrijven dure stilstand kunnen voorkomen en de levensduur van hun activa kunnen verlengen.

In tegenstelling tot voorspellende AI, generatieve AI vereist niet dat we de meest optimale output produceren. Automatisch gegenereerde resultaten die “goed genoeg” zijn, kunnen bedrijven nog steeds helpen de productiviteit en efficiëntie te verhogen, waardoor generatieve AI-oplossingen de moeite waard zijn om te implementeren. Het is echter belangrijk om te onthouden dat generatieve AI-toepassingen niet betrouwbaar zijn en bij de inzet ervan valse informatie of onverwachte resultaten kunnen opleveren.

Gezien deze beperkingen is generatieve AI het meest geschikt voor experimentele omgevingen waar correctheid niet essentieel is (zoals bijvoorbeeld AI-persona-chatbots) of voor toepassingen waarbij een mens betrokken is, waarbij mensen alle modeluitvoer beoordelen en bewerken voordat deze wordt gepubliceerd, verzonden, of het uitvoeren ervan.

Enkele voorbeelden van generatieve AI-toepassingen zijn:

• Content creatie: Generatieve AI-modellen kunnen het genereren van blogposts, productbeschrijvingen en advertenties op sociale media versnellen. Schrijvers kunnen bijvoorbeeld gedetailleerde instructies geven om het genereren van inhoud te begeleiden, en vervolgens de uitvoer bekijken en bewerken.
• Beeldgeneratie: Generatieve AI kan worden gebruikt om realistische afbeeldingen en video's te genereren op het gebied van productontwerp, marketing en entertainment. Ontwerpers kunnen deze automatisch gegenereerde visuele inhoud vervolgens beoordelen, bewerken en ordenen in plaats van deze helemaal opnieuw te maken.
• Codegeneratie: Generatieve AI-modellen kunnen worden gebruikt om code voor softwareapplicaties te schrijven of om codewijzigingen aan ontwikkelaars voor te stellen. Ontwikkelaars kunnen de code vervolgens bekijken en bewerken voordat ze deze uitvoeren.
• Drug ontdekking: Genatieve AI kan de ontwikkeling van geneesmiddelen versnellen door nieuwe kandidaat-geneesmiddelen te identificeren en hun eigenschappen te voorspellen, terwijl mensen zorgen voor kwaliteitscontrole en door AI gegenereerde medicijnmodellen beoordelen.

Voorspellende AI domineert nog steeds de hoogwaardige AI-markt, omdat het processen met hoge nauwkeurigheid kan automatiseren, waardoor de noodzaak voor menselijk toezicht wordt geëlimineerd. Generatieve AI is daarentegen een nieuwer en zich snel ontwikkelend vakgebied met het potentieel om een ​​revolutie teweeg te brengen in veel bedrijfstoepassingen. Hoewel het nog te bezien is of generatieve AI een belangrijke productiviteitsdriver zal worden die vergelijkbaar is met voorspellende AI, valt het potentieel ervan niet te ontkennen.

Geniet van dit artikel? Meld u aan voor meer AI-onderzoeksupdates.

We laten het u weten wanneer we meer samenvattende artikelen zoals deze vrijgeven.

Verwant

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.topbots.com/generative-vs-predictive-ai/