Wat betekent Generatieve AI?
Generatieve AI is een brede term die elk type artificial intelligence (AI) beschrijft dat kan worden gebruikt om nieuwe tekst, afbeeldingen, video’s, audio, code of synthetische gegevens te creëren.
Hoewel de term generatieve AI vaak wordt geassocieerd met ChatGPT en Deepfakes, werd de technologie oorspronkelijk gebruikt om de herhalende processen van digitale beeld- en audiocorrectie te automatiseren.
Aangezien machine learning en deep learning inherent gericht zijn op generatieve processen, kunnen ze ook worden beschouwd als soorten generatieve AI.
Techopedia legt generatieve AI uit
Elke keer dat een AI-technologie zelf iets genereert, kan het “generative AI” worden genoemd. Deze overkoepelende term omvat zowel leeralgoritmen die voorspellingen doen als algoritmen die zelf artikelen kunnen schrijven en plaatjes kunnen schilderen op basis van aanwijzingen.
Hoe generatieve AI werkt
Zodra een generative AI-algoritme is getraind, kan het nieuwe resultaten produceren die lijken op de gegevens waarmee het is getraind. Omdat generative AI meer rekenkracht vereist dan discriminative AI, kan de implementatie ervan duurder zijn.
De meest gebruikte generatieve modellen voor het genereren van tekst en afbeeldingen worden Generative Adversarial Networks (GAN’s) en Variational Autoencoders (VAE’s) genoemd.
In een GAN worden twee modellen voor machine learning tegelijk getraind. Het ene wordt generator genoemd en het andere discriminator. De taak van de generator is het genereren van nieuwe outputs die lijken op de trainingsgegevens. Het is de taak van de discriminator om de gegenereerde gegevens te evalueren en feedback te geven aan de generator om zijn resultaten te verbeteren.
In een UAE wordt één machine-learning model getraind om gegevens te coderen in een laag dimensionale representatie die de belangrijke kenmerken, structuren en relaties van de gegevens vastlegt in een kleiner aantal dimensies. Het model decodeert vervolgens de laag dimensionale representatie terug naar de oorspronkelijke gegevens. In wezen stellen de coderings- en decoderingsprocessen het model in staat een compacte voorstelling van de gegevensverdeling te leren die het vervolgens kan gebruiken om nieuwe outputs te genereren.
Sommige generatieve AI-modellen kunnen zelfs willekeurige ruis als input gebruiken om nieuwe outputs te genereren. Bij deze aanpak neemt het model een willekeurige ruisvector als input, laat die door het netwerk lopen en produceert een output die lijkt op de trainingsgegevens. De nieuwe gegevens kunnen dan worden gebruikt als aanvullende synthetische trainingsgegevens voor creatieve toepassingen in kunst, muziek en tekstgeneratie.
Wanneer generatieve AI wordt gebruikt als een instrument om de menselijke creativiteit te vergroten, kan het worden geclassificeerd als een soort augmented artificial intelligence. Dat laatste is een soort aangepaste artificial intelligence die een toepassing heeft in de echte wereld.
Populaire gratis generatieve AI apps voor kunst
Generative AI die kunst genereert, biedt eindgebruikers een leuke manier om te experimenteren met kunstmatige intelligentie. Hier zijn enkele van de meest populaire en gratis generative AI voor het produceren van kunst:
DeepDream Generator – Een open-source platform dat deep-learning algoritmes gebruikt om surrealistische, droomachtige beelden te creëren.
DALL-E2 – Dit AI-model van OpenAI genereert nieuwe afbeeldingen uit tekstbeschrijvingen.
Pikazo – Deze mobiele app gebruikt AI-filters om digitale foto’s om te zetten in schilderijen van verschillende stijlen.
Artbreeder – Dit platform gebruikt genetische algoritmen en Deep Learning om afbeeldingen van denkbeeldige nakomelingen te creëren.
Populaire gratis generative AI-apps voor schrijvers.
De volgende platforms bieden eindgebruikers een geweldige manier om te experimenteren met het gebruik van AI voor creatief schrijven en onderzoeksdoeleinden:
GPT-3 Playground – laat eindgebruikers interageren met OpenAI’s GPT-3 taalmodel en tekst genereren op basis van prompts gegeven door de eindgebruiker.
Write With Transformer – stelt eindgebruikers in staat Hugging Face’s Transformer ML-modellen te gebruiken om tekst te genereren, vragen te beantwoorden en zinnen af te maken.
AI Dungeon – dit online avonturenspel gebruikt een generatief taalmodel om unieke verhalen te creëren op basis van beslissingen van spelers.
Writesonic – dit platform voor het genereren van teksten en beelden is een populaire keuze voor e-commerce productbeschrijvingen.
Populaire gratis generative AI-apps voor muziek.
Hier zijn enkele van de beste generative AI-muziekapps die kunnen worden gebruikt met gratis proeflicenties:
Amper Music – maakt muziektracks van vooraf opgenomen samples.
AIVA – gebruikt AI-algoritmen om originele muziek in verschillende genres en stijlen te componeren.
Ecrette Music – gebruikt AI om rechtenvrije muziek te maken voor persoonlijke en commerciële projecten.
Musenet – kan liedjes produceren met maximaal tien verschillende instrumenten en muziek in maximaal vijftien verschillende stijlen.
Bedrijfstoepassingen voor generative AI
De huidige generative AI kan inhoud creëren die eruitziet alsof hij door mensen is geschreven en kan de Turingtest doorstaan, die werd gecreëerd door de beroemde wiskundige en cryptograaf Alan Turing. Dit is een van de redenen waarom men vreest dat generative AI de mensen in de uitgeverij, de omroep en de communicatie zou kunnen vervangen.
Hier is een voorbeeld van hoe generative AI een menselijke copywriter zou kunnen vervangen:
- De taak: het samenstellen van een verzekeringsbrochure uit een lijst van polissen, samen met hun kosten, voordelen en andere details.
- Traditioneel zou een menselijke copywriter al deze ruwe gegevens bekijken, aantekeningen maken en een tekst schrijven. Met generative AI kunnen lerende algoritmen programmatisch de ruwe gegevens bekijken en een tekst creëren die eruitziet alsof hij door een mens is geschreven.
- Naast het produceren van resultaten voor marketing zijn er andere populaire toepassingen voor generative AI in het bedrijfsleven:
- Web publishing – generatieve AI-modellen kunnen worden gebruikt om boeiende non-fictie tekst, digitale beelden, video en audio-inhoud te creëren.
- Kunst en entertainment – generatieve AI-modellen kunnen worden gebruikt om boeiende web3-ervaringen te creëren.
- Portefeuillebeheer – generatieve AI-modellen kunnen worden gebruikt om beleggingsportefeuilles te optimaliseren door een breed scala aan marktgegevens te analyseren en vervolgens gedetailleerde voorspellingen te doen op basis van prestaties uit het verleden en huidige markttrends.
- Gezondheidszorg – AI-modellen kunnen worden gebruikt om gepersonaliseerde behandelplannen en synthetische beelden te creëren die kunnen worden gebruikt om medische toepassingen voor beeldanalyse te verfijnen.
- Customer experience management – generative chatbots kunnen worden gebruikt om vragen van klanten te beantwoorden en gepersonaliseerde marketingboodschappen af te leveren.
Zal generative AI de mens op de werkplek vervangen?
Voorstanders van de technologie beweren dat generatieve AI weliswaar mensen in sommige banen zal vervangen, maar ook nieuwe banen zal creëren, aangezien er altijd een Human in The Loop (HiTL) nodig zal zijn. Dat wil zeggen dat er uiteindelijk altijd een mens achter de knoppen moet zitten voor belangrijke beslissingen.
Mensen zullen nog steeds het meest geschikte generative AI-model voor de betreffende taak moeten selecteren, trainingsgegevens moeten verzamelen en voorbewerken, en de resultaten van het AI-model moeten evalueren.
Generative AI en ethiek
Sommige mensen maken zich zorgen over de ethische aspecten van het gebruik van generative AI-technologieën, met name die welke menselijke creativiteit simuleren.
Generative AI kan resultaten produceren die moeilijk te herleiden zijn tot de verantwoordelijke partijen, wat het op zijn beurt moeilijk kan maken om individuen of organisaties verantwoordelijk te stellen voor door AI gegenereerd nepnieuws of deepfake-video’s.
Dit heeft geleid tot een meer algemeen debat over verantwoorde AI en de vraag of er beperkingen moeten worden ingevoerd om te voorkomen dat datawetenschappers het internet afschrapen om de grote datasets te verkrijgen die zij nodig hebben om hun generatieve modellen te trainen.
Momenteel hangt de legaliteit van het schrapen van internet om gratis gegevens te verkrijgen voor training af van verschillende factoren – waaronder de specifieke wet- en regelgeving van het land waar de gegevens worden verzameld, het type gegevens dat wordt verzameld en de manier waarop de gegevens worden gebruikt.
Naarmate de waarde van hoogwaardige datasets blijft stijgen en data-eigenaren zich meer bewust worden van de waarde van hun webinhoud voor datawetenschappers, is het mogelijk dat machine learning engineers (MLE’s) webuitgevers moeten betalen voor de gegevens die zij gebruiken om hun genererende modellen te trainen.
