Category Archives: AI Term van de Dag

Safety in AI verwijst naar maatregelen en onderzoek gericht op het zoeken naar AI-systemen veilig, betrouwbaar en voordelig voor mensheid. Dit omvat het voorkomen van schadelijke resultaten, het waarborgen van transparantie, en het africhten van modellen op menselijke waarden.

AI Safety onderzoekt vraagstukken als uitlijning (hoe zorg je dat AI-doelstellingen samenvallen met menselijke waarden), bias-voorkoming, fairness, en het begrijpen en controleren van complex gedrag. Dit veld wordt steeds belangrijker naarmate AI-systemen krachtiger worden.

Semantic Search is een zoektechniek die betekenis begrijpt in plaats van alleen op trefwoorden te zoeken. Dit type zoeken analyseert de intentie achter een zoekopdracht en vindt resultaten die semantisch gerelateerd zijn, zelfs als ze niet exact dezelfde woorden gebruiken.

Semantic search gebruikmaakt van machine learning en natuurlijke taalverwerking om context en betekenis te begrijpen. Dit leidt tot betere zoekresultaten omdat systemen nu begrijpen wat gebruikers werkelijk willen vinden, niet alleen welke woorden ze typten.

Een System Prompt is instructie die aan het begin van een AI-interactie wordt gegeven om het gedrag en de persoonlijkheid van het model in te stellen. Het definieert hoe het model moet antwoorden, welke toon het moet hanteren, en welke regels het moet volgen.

System prompts zijn krachtig omdat ze het model sturen zonder voor elke vraag opnieuw instructies te geven. Ze worden veel gebruikt in chatbots om consistentie, veiligheid en passende gedrag te garanderen. Het prompting van een goed system prompt kan het model aanzienlijk verbeteren.

Synthetic Data zijn kunstmatig gegenereerde gegevens die lijken op echte gegevens maar niet uit werkelijke waarnemingen afkomstig zijn. Deze data worden gemaakt met algoritmen, simulaties of generatieve modellen als GAN’s om trainingsmogelijkheden uit te breiden.

Synthetic data is waardevol wanneer echte gegevens schaars, duur of gevoelig zijn, zoals medische gegevens of privé-informatie. Het kan ook helpen om specifieke scenarii’s te genereren die in echte data onvoldoende vertegenwoordigd zijn.

Softmax is een wiskundige functie die een vector van onbegrensde getallen omzet in een waarschijnlijkheidsverdeling. De outputs liggen altijd tussen 0 en 1 en tellen op tot 1, wat maakt dat softmax ideaal is voor multi-class classificatieproblemen.

Softmax zet hogere invoerwaarden om in hogere waarschijnlijkheden, terwijl lagere waarden lage waarschijnlijkheden krijgen. De functie is differentieerbaar, wat belangrijk is voor training via backpropagation. Softmax is een standaard outputlaag voor neurale netwerken met meerdere klassen.

Self-supervised Learning is een machine learning aanpak waarbij modellen automatisch leerdoelen creëren uit ongelabelde gegevens. In plaats van menselijke labels nodig te hebben, genereert het model zelf labels uit de structuur van de gegevens zelf.

Dit maakt self-supervised learning bijzonder krachtig omdat het werkt met grote hoeveelheden ongelabelde gegevens, wat veel voorkomt in de echte wereld. Pre-training van grote taalmodellen als BERT en GPT is veelal gebaseerd op self-supervised learning.

Reward Models zijn machine learning modellen die leren de kwaliteit of bruikbaarheid van outputs te evalueren. In plaats van expliciete regels, leren reward models door traininggegevens waarin menselijke beoordelaars hebben aangegeven welke outputs goed of slecht zijn.

Reward models zijn essentieel voor het africhten van grote AI-systemen om menselijke waarden uit te voeren. Ze worden gebruikt in reinforcement learning from human feedback (RLHF) om modellen als taalmodellen beter uit te lijnen met menselijke voorkeuren.

Reasoning Models zijn AI-systemen ontworpen om stap-voor-stap logische redeneringen uit te voeren en complexe problemen op te lossen. Deze modellen verrichten interne denkprocessen, waarbij zij hun gedachtegang kunnen uitleggen, anders dan snelle directe antwoorden.

Reasoning models zijn bijzonder nuttig voor wiskundige problemen, logische raadsels en taken die meerdere denkslagen vereisen. Ze gebruiken training-technieken die het model aanmoedigen om meer tijd te besteden aan complexe taken en hun oplossingsproces uit te leggen.

Regularization is een techniek in machine learning die overtraining voorkomt door een penalty toe te voegen aan grote parameters of complexe modellen. Het straft het leeralgoritme voor het maken van extreem grote gewichten, wat helpt generalisatie te verbeteren.

Veelgebruikte regularisatietechnieken zijn L1 en L2 regularisatie, dropout en early stopping. Door regularisatie kunnen modellen beter generaliseren naar onzichtbare gegevens in plaats van zich alleen aan te passen aan trainingsgegevens.

Reinforcement Learning is een tak van machine learning waarbij agenten leren optimale acties te nemen door interactie met een omgeving. Het systeem ontvangt beloningen of straffen voor acties en gebruikt deze feedback om het gedrag geleidelijk te verbeteren.

In tegenstelling tot supervised learning waar gelabelde trainingsgegevens vereist zijn, leert reinforcement learning door trial-and-error. Dit maakt het bijzonder krachtig voor complexe problemen waar de optimale strategie moeilijk te definiëren is, zoals spelen, robotica en optimalisatie.