Alignment in AI verwijst naar het proces om ervoor te zorgen dat het gedrag en de doelen van AI-systemen aansluiten met menselijke waarden en verwachtingen. Dit is essentieel omdat AI-modellen anders onbedoelde of schadelijke resultaten kunnen produceren, zelfs wanneer ze technisch correct werken.

AI-alignment omvat verschillende benaderingen: het trainen van modellen met menselijk feedback, het stellen van duidelijke doelen en beperkingen, en het uitvoeren van grondige tests. Organisaties zoals Anthropic werken intensief aan alignment om ervoor te zorgen dat AI-systemen veilig en betrouwbaar blijven naarmate ze krachtiger worden.

Agentic AI verwijst naar kunstmatige intelligentie-systemen die autonoom kunnen werken en besluiten nemen zonder constante menselijke toezicht. In tegenstelling tot traditionele AI-modellen die reactief reageren op invoer, kunnen agentic AI-systemen doelen stellen, acties plannen en hun strategie aanpassen op basis van resultaten.

Dit concept is fundamenteel voor geavanceerde AI-toepassingen zoals robotica, autonome voertuigen en intelligente softwareagenten. Agentic AI kan taken uitvoeren die meerdere stappen vereisen, fouten corrigeren en zelfs nieuwe benaderingen proberen als het eerste plan niet werkt.

Voice AI refereert naar AI-systemen die gespecialiseerd zijn in het herkennen, begrijpen en genereren van spraat. Het combineert speech recognition, natural language understanding en speech synthesis in eén coherente ervaring.

Belangrijke componenten van Voice AI omvatten:

1. Speech-to-Text (STT): Audio omzetten naar geschreven woorden
2. Natural Language Understanding (NLU): Bepalen wat de gebruiker bedoelt
3. Text-to-Speech (TTS): Geschreven woorden omzetten naar natuurklingende audio
4. Wake words: ‘Hey Siri’, ‘Alexa’ – het activeren van het systeem

Voice AI wordt gebruikt in virtuele assistenten (Siri, Alexa, Google Assistant), voicemail transcriptie, en conversationele chatbots. Recente vorderingen gebruiken large language models om voice assistants menselijker en begripvoller te maken.

XAI, voluit Explainable AI of Interpretable AI, is het veld dat zich bezighoudt met het begrijpelijk maken van hoe AI-modellen tot hun besluiten komen. Veel moderne AI-modellen, vooral deep learning-netwerken, worden gezien als “black boxes” – ze produceren antwoorden, maar het is moeilijk om te begrijpen waarom ze die antwoorden geven.

XAI probeert dit gat te dichten door technologie n te entwickkelen die inzicht geven in welke features of inputs het model beïnvloed, welke delen van een afbeelding belangrijk waren voor een klassificatie, of hoe neurale netwerkgewichten samenwerken. Dit is cruciaal voor toepassingen met hoge inzetten, zoals medische diagnoses of juridische besluiten.

Methoden voor XAI omvatten LIME (Local Interpretable Model-agnostic Explanations), SHAP (SHapley Additive exPlanations), attention visualisatie, en feature importance-analyse. Regelgeving zoals de GDPR stelt ook steeds meer eisen aan de “right to explanation”.

Een Retrieval Model is een systeem dat relevant informatie uit een grote verzameling documenten of items haalt op basis van een query. Dit is fundamenteel voor zoekengines, chatbots, aanbevelingssystemen en informatie-ophaal systemen.

De meeste moderne retrieval models gebruiken embeddings en vectorzoeking. Ze zetten queries en documenten om in dense vectors en vinden de dichtstbijzijnde vectoren met behulp van gelijkenis metriek zoals cosine similarity.

Vector similarity is een maat voor hoeveel twee vectoren op elkaar lijken. In AI-systemen worden woorden, zinnen, afbeeldingen en andere data vaak omgezet in vectoren (lijsten van getallen), en vector similarity helpt bepalen hoe gelijk ze zijn.

Veelgebruikte maatstaven voor vector similarity zijn:

1. Cosine similarity: Kijkt naar de hoek tussen twee vectoren (meest populair in NLP)
2. Euclidische afstand: Meet de rechte lijnafstand tussen twee punten in de vectorruimte
3. Dot product: Vermenigvuldigt correspondierende elementen en telt ze bij elkaar
4. Manhattan distance: Som van absolute verschillen

Vector similarity is fundamenteel voor retrieval-augmented generation (RAG), semantic search, en vergelijking van betekenis. Twee zinnen kunnen verschillende woorden gebruiken maar toch hetzelfde betekenen, en hun vectorrepresentaties zullen dit uitdrukken door hoge similarity scores.

In het context van attention mechanisms in transformers, is een Query een vector die vertegenwoordigt wat een bepaald element ‘zoekt’ of op welke informatie het zich wil concentreren. Queries werken samen met Keys en Values om selectieve aandacht te implementeren.

Query vectors worden vermenigvuldigd met Key vectors om relevantie scores te berekenen, die bepalen welke Values het meest relevant zijn. Dit is het mechanisme achter self-attention in modellen als BERT en GPT.