Fact-checking door 
Large Language Models (LLM’s) veranderen de manier waarop bedrijven werken – soms op verrassende wijze.
Voordat LLM’s bestonden, hadden bedrijven over het algemeen weinig andere opties dan ongestructureerde gegevens handmatig te verwerken, of het simpelweg te negeren vanwege een gebrek aan middelen.
Neem bijvoorbeeld klantvragen die door menselijke agents worden afgehandeld.
Waarschijnlijk zit er een enorme hoeveelheid statistisch inzicht in dat gegevensvolume, maar het handmatig verwerken ervan vanuit telefoongesprekken of e-mails vergt aanzienlijke manuren aan gegevensverwerking, laat staan de moeite om het om te zetten naar gestructureerde gegevens.
Echter, LLM’s veranderen dit landschap. Kunstmatige intelligentie (AI) heeft een nieuwe generatie chatbots voortgebracht die klanten als eerste lijn van ondersteuning te woord staan, met snelle, deskundige en uitgebreide antwoorden, wat resulteert in lagere kosten, een hogere omzet en grotere klanttevredenheid.
Chatbots zijn niet nieuw, maar als we teruggaan in de tijd, zo’n vijf jaar geleden, waren ze over het algemeen niet erg nuttig – vaak leek het alsof twee mensen met elkaar spraken via vertaalsoftware.
Dit systeem bestaat nog steeds en zal blijven bestaan. Het is echter zo dat softwareprogramma’s nu snel kunnen leren hoe mensen communiceren via taal, met aandacht voor patronen, nuances, toon, en structuur. Hierdoor kunnen ze met jou communiceren in een taal die jij begrijpt: de wereld van natuurlijke taal.
LLM’s maken dit allemaal mogelijk.
Vóór Large Language Models
- Voordat er LLM’s bestonden, verwerkten bedrijven gestructureerde gegevens handmatig en maakten daar analyses of rapporten van. Het was een tijdrovend, vervelend en foutgevoelig proces.
- Er was weinig of geen manier om ongestructureerde gegevens, zoals e-mails, sociale media en video’s, te analyseren.
- Vragen van klanten werden niet zo efficiënt afgehandeld omdat het een handmatig proces was. Het begrijpen en beantwoorden kostte tijd.
Na Large Language Models
- LLM’s hebben organisaties in staat gesteld om snel grote hoeveelheden gegevens te analyseren en inzichten en analyses te bieden.
- Omdat LLM’s interacties in natuurlijke taal kunnen nabootsen, worden chatbots ingezet voor interactie met klanten als eerste supportlijn. De chatbots communiceren in een natuurlijke taal die de klanten begrijpen; ze zijn 24/7 beschikbaar en kunnen – vaker wel dan niet – de meeste informatie geven die een klant nodig heeft.
- Je kunt in natuurlijke taal vragen stellen aan de databases die de antwoorden terugsturen. Dit is een zegen voor leidinggevenden die niet via SQL willen interageren.
- Organisaties kunnen nu wijs worden uit zowel gestructureerde als ongestructureerde gegevens.
- LLM’s kunnen de toon van de taal van de gebruiker analyseren en gepast reageren. Dit stelt organisaties in staat om het gedrag en de emoties van de klant te begrijpen.
Praktijkvoorbeeld: Het aanbevelingssysteem van Netflix
Met meer dan 17.000 titels biedt Netflix voor elk wat wils op het gebied van content. Maar als abonnee kan het overweldigend zijn om te proberen te vinden wat je leuk vindt in deze enorme bibliotheek met content.
Netflix probeert dit aan te pakken met machine learning die het aanbevelingssysteem aandrijft.
Bijvoorbeeld, als je de neiging hebt om series en films uit het horrorgenre te bekijken, vaak in het Spaans, noteert het aanbevelingssysteem alles met betrekking tot je kijkgedrag – patronen, genres, kijktijd, voorkeuren en antipathieën – en stelt het een speciale lijst samen die aan jou wordt gepresenteerd.
Hoe doet het wat het doet? Machine learning draait om het voortdurend analyseren van abonneegegevens over gedrag, voorkeuren, genres en meer.
Het verzamelt voortdurend gegevens en verkrijgt inzichten over het gedrag en de keuzes van elke abonnee, samen met de eigenschappen van kijkers in een vergelijkbare demografie.
Het is een voortdurende en evoluerende methode die zelfs bijblijft wanneer de abonnee een verandering in voorkeur laat zien. Essentieel in deze context is hoe LLM’s de business intelligence tools van Netflix hebben ondersteund.
Beperkingen van LLM’s
De beperkingen van LLM’s moeten ook gezien worden in de context van de verbetering van business intelligence tools.
Het is mogelijk dat LLM’s de context van gegevens niet begrijpen. Het woord ‘bank’ kan bijvoorbeeld in verschillende contexten worden gebruikt, van de bank in de woonkamer tot het financiële instituut aan de Zuidas. Dit is behoorlijk riskant omdat dit kan leiden tot onjuiste informatie en rapportage.
Er zijn ook zorgen over de ethiek en mogelijke vooringenomenheid in de antwoorden van LLM’s.
Conclusie
LLM’s hebben veel te bieden; afhankelijk van hoe ze worden ingezet, kunnen ze business intelligence volledig herdefiniëren.
Handmatig werk kan worden overgebracht naar een server en ongestructureerde gegevens kunnen uitgebreid worden geanalyseerd, zonder dat daar duizend mensen voor nodig zijn.
Eigenschappen, kenmerken en inzichten in je klanten en bedrijfspraktijken kunnen in natuurlijke taal worden teruggekoppeld, met het gewicht van diep (kunstmatig) denken erachter.
Hoewel er obstakels en beperkingen zijn, vormt het een nieuwe kracht voor bedrijven.
