Conversion AI kan de sleutel zijn om een technologische plateau te vermijden

De vraag naar content vertoont een gestage en sterke groei. Om een realistisch beeld van het groeitempo te krijgen, voerde Adobe (ADBE ) een enquête uit onder meer dan 2,600 customer experience and marketing professionals over de belangrijkste wereldwijde economieën. 

De enquête‑resultaten, gepubliceerd door Adobe in maart 2023, toonden een groei van de vraag naar content van minstens twee keer gedurende de afgelopen twee jaar. Ongeveer twee derde waren nog optimistischer over de toekomst van content. Ze gaven aan dat ze verwachtten dat de vraag met ergens tussen de vijf en twintig keer zou groeien in de komende twintig uur. 

Het inspelen op deze vraag heeft bedrijven gedwongen om nieuwe productiemodellen voor content te omarmen. Volgens de World Federation of Advertisers, heeft meer dan de helft van de grote internationale bedrijven interne contentproductiecapaciteiten ontwikkeld. Maar is dat genoeg? Wel, conversion AI heeft de uitdaging aangegaan. 

Wat is Conversion AI?

Conversion AI draait om het gebruik van kunstmatige intelligentie om bedrijven te helpen beter met hun klanten te communiceren en meer verkopen te genereren. Het doet dit door te helpen bij het creëren, verbeteren en beheren van content zoals teksten, afbeeldingen en geluiden. Hierdoor kunnen bedrijven de aandacht van hun publiek gemakkelijker trekken, content maken die echt resoneert, en de beleving verbeteren, alles via slimme AI‑technologie.

Vandaag kunnen bedrijven Conversion AI gebruiken om een reeks content‑marketingdoelen te bereiken, waaronder Facebook‑ en Google‑advertentieteksten, website‑content, sociale berichten en meer. Maar hoe maakt Conversion AI dit allemaal mogelijk? Welke technologie drijft het? Hiervoor moeten we kennis maken met Large Language Models of LLM’s. 

Wat is een Large Language Model?

Het is een soort AI die kan leren van grote hoeveelheden tekst en data. Er zijn use‑cases waarbij deze AI‑modellen met honderden miljarden datapoints kunnen omgaan om betekenisvolle inzichten, strategieën en prognoses te genereren. 

De oorsprong van LLM’s in het kort

De hedendaagse LLM’s verschenen zes jaar geleden, in 2017. Deze LLM’s maakten gebruik van transformer‑modellen die met een groot aantal parameters konden omgaan om snel nauwkeurige reacties te begrijpen en te genereren. 

Vier jaar later, in 2021, bedacht het Stanford Institute for Human-Centered Artificial Intelligence de term en het concept van foundation‑modellen. De naam kwam voort uit het feit dat deze modellen, groot en impactvol, dienen als basis voor verdere optimalisaties en use‑cases. Met de ontwikkeling van LLM’s onderging contentcreatie, vooral in geschreven vorm, aanzienlijke veranderingen. 

De impact van LLM’s

ARK Invest’s Research toont aan dat de schrijfkwaliteit van LLM’s de afgelopen twee jaar aanzienlijk is verbeterd. Dit heeft geleid tot meer vertrouwen en inzet van LLM‑aangedreven oplossingen voor het genereren van content. 

Als gevolg hiervan is de kostprijs voor het schrijven van content drastisch gedaald. Het bleef gedurende de afgelopen eeuw relatief constant, rond US$100 per 1.000 geschreven woorden. In de afgelopen twee jaar is dat tarief echter gedaald tot US$0.10 en zelfs minder. 

De prestaties en productiviteit zullen verder verbeteren nu de AI‑trainingsprestaties snel vooruitgaan. AI‑onderzoekers innoveren op het gebied van training en inferentie, hardware en modelontwerpen, waardoor de prestaties toenemen terwijl de kosten dalen. Men verwacht dat dit in 2024 meer dan vijf keer de prestatieverbetering oplevert, met 2023 als basisjaar.

Er zijn verschillende algoritmische innovaties geweest die hebben geleid tot een superieure schrijfvaardigheid en verbeterde productiviteit en prestaties van LLM’s. Versterkend leren vanuit menselijke feedback, bijvoorbeeld, heeft veel geholpen. Prompt‑technieken zijn geoptimaliseerd om menselijke prompts met meer dan 50 % te overtreffen. 

Speculative Decoding‑mogelijkheden hebben de inferentie op specifieke modellen twee tot drie keer versneld. Onderzoekers zijn ook proactief geweest in het prioriteren van inferentiekosten. Hun inspanningen leveren resultaten op, met inferentiekosten die jaarlijks met bijna 86 % dalen, sneller dan de trainingskosten. GPT‑modellen hebben bijna een drievoudige trainingsversnelling gezien met Flash Attention 2. 

Met al deze verbeteringen en versnellingen die in raketsnelheid plaatsvinden, wordt er ook onderzocht of een potentieel plateau in het gebruik van LLM’s nabij is en of zo’n situatie vermeden kan worden. 

Klik hier om te leren waarom 2023 het doorbraakjaar was voor kunstmatige intelligentie.

Potentieel plateau van LLM’s en hoe dit te vermijden

De onderzoekers onderzoeken een mogelijk scenario waarin LLM’s zonder data komen te zitten, wat leidt tot beperkte prestaties. LLM’s moeten continu worden gevoed met grote hoeveelheden trainingsdata om te blijven leren en verbeteren. Echter, rekenkracht en een potentieel gebrek aan trainingsdata lijken een zorg te zijn. 

Volgens schattingen van Epoch AI kunnen hoogwaardige taal‑/datasources, waaronder boeken en wetenschappelijke artikelen, tegen 2024 uitgeput raken. Dan moet men een grotere set onontdekte visuele data aanspreken. Deze onontdekte visuele data die LLM’s kunnen helpen een plateau te vermijden omvatten gesproken woorden en andere vormen van fysieke werelddata. 

Onderzoek toont aan dat er jaarlijks dertig quadriljoen woorden worden gesproken. Spraak‑naar‑tekst generators en soortgelijke tools vangen meer dan 80 biljoen woorden per dag op. Bovendien genereren taxi’s, vrachtwagens, drones en andere robotvoertuigen grote hoeveelheden fysieke werelddata en synthetische data die de primaire data aanvullen. Al deze onontdekte data kunnen fungeren als een ongeëvenaarde bron van middelen en LLM’s verbeteren. 

Echter, verbeteringen in prestaties, productiviteit en kwaliteit gaan niet alleen over het vinden van onontdekte datamijnen. Diverse innovatieve bedrijven leveren alomvattende inspanningen om het scenario holistisch te verbeteren. 

#1. Replit AI

Als het gaat om het verhogen van productiviteit, is Replit AI een van de grootste succesverhalen. Als codeerassistent heeft het de productiviteit en werktevredenheid van software‑ontwikkelaars verhoogd. Het elimineert de iteratieve delen van coderen zodat men zich kan richten op de creatieve aspecten van het werk. 

Replit AI stroomlijnt coderen door een AI‑codegenerator te integreren die het wisselen tussen tabbladen overbodig maakt, en biedt auto‑complete code‑suggesties voor sneller vooruitgang. Het verbetert het projectbegrip met de Code Context‑functionaliteit voor het schrijven van relevante volgende regels en detecteert proactief problemen, waarbij het oplossingen direct binnen een naadloze editorinterface voorstelt.

Al met al is Replit AI een efficiënte suite van AI‑codegeneratiefuncties, waaronder Complete Code, Generate Code, Edit Code en Explain Code. 

Replit AI wordt aangedreven door LLM’s. Het levert resultaten die gegenereerd worden door grote taalmodellen die getraind zijn op publiek beschikbare code en afgestemd door Replit. Het houdt rekening met de conversatie‑prompt en de programmeertaal die men gebruikt om suggesties en uitleg te geven over de gegenereerde code. 

De functies van Replit AI zijn gratis beschikbaar voor alle gebruikers. Alles wat men nodig heeft, is een Replit‑account. Replit AI presteert het beste met JavaScript‑ en Python‑code, maar ondersteunt 16 talen, waaronder Bash, C, C#, C++, CSS, Go, Java, JavaScript, HTML, PHP, Perl, Python, R, Ruby, Rust en SQL. 

Volgens de meest recente beschikbare informatie, heeft het bedrijf in april 2023 US$97.4 miljoen opgehaald tegen een waardering van US$1.16 miljard om zijn cloud‑diensten uit te breiden en een leidende positie in AI‑ontwikkeling in te nemen. 

#2. Github Copilot

Een andere codeerassistentiedienst, vergelijkbaar met Replit AI, die de productiviteit van ontwikkelaars bij codeertaken in 2023 met 2,2 keer heeft verhoogd, is Github Copilot. Github Copilot biedt contextuele assistentie gedurende de volledige levenscyclus van softwareontwikkeling. 

Volgens cijfers uit een consumenten‑tevredenheidsenquête melden ontwikkelaars die Github Copilot gebruiken tot 75 % hogere werktevredenheid dan degenen die dat niet doen en zijn tot 55 % productiever bij het schrijven van code zonder concessies te doen aan kwaliteit. 

Github Copilot traint zichzelf op natuurlijke taalteksten en broncode uit publiek beschikbare bronnen, waaronder code in openbare repositories op GitHub. Het wordt getraind in alle talen die in openbare repositories voorkomen. Talen met minder vertegenwoordiging in openbare repositories kunnen echter minder effectief blijken. Github Copilot kan worden gebruikt door individuele ontwikkelaars, freelancers, studenten, docenten en open‑source maintainers.

Volgens publiek beschikbare verklaringen van Microsoft’s VP of Product Mario Rodriguez, floreert GitHub Copilot en genereert het een jaarlijkse omzet van $100 miljoen.

#3. MosaicML

MosaicML helpt bij het trainen van LLM’s en positioneert zich als een oplossing die generatieve AI voor iedereen toegankelijk maakt, met alles wat nodig is voor het trainen en inzetten van modellen op gebruikersdata. De MPT Foundation Series maakt eenvoudige LLM‑integratie mogelijk in applicaties die zowel op open‑source als commercieel gelicentieerde modellen draaien.

MosaicML‑training stelt ontwikkelaars in staat om modellen voor‑ of bij‑te trainen met volledige datacontrole, waarbij het proces wordt vereenvoudigd tot één commando gericht op een S3‑bucket. Het platform beheert efficiënt orkestratie, node‑storingen en infrastructuur, zoals blijkt uit Replit’s gebruik van Mosaic ML om zijn Ghostwriter‑LLM te trainen, met toonaangevende resultaten binnen een week.

MosaicML’s benadering van training in elke cloud‑omgeving legt de nadruk op gegevensprivacy, beveiliging en volledige model‑eigendom, met functies die naadloze overgangen tussen clouds ondersteunen. Het biedt volledige data‑eigendom, contentfiltering volgens zakelijke behoeften, en plug‑and‑play integratie met bestaande datapijplijnen, en is cloud‑agnostisch en bewezen in de enterprise‑markt.

In juni van het voorgaande jaar benadrukte de overname van Mosaic ML door Databricks in een deal ter waarde van $1.3 billion de aanzienlijke markimpact en waardepropositie.

#4. Anthropic

Anthropic’s vlaggenschipproduct, Claude, draait op twee modellen: Claude en Claude Instant. 

Claude is het krachtigste model van Anthropic en blinkt uit in een reeks taken, van geavanceerde dialogen en creatieve contentgeneratie tot gedetailleerde instructies. Het presteert goed in scenario’s die complexe redenering, creativiteit, doordachte dialogen, codering en gedetailleerde contentcreatie vereisen. 

Claude Instant – de snellere en goedkopere versie van Claude – helpt bij informele dialogen, tekstanalyse, samenvatting en documentbegrip. Het werkt goed waar prestaties tegen lage kosten vereist zijn. Het doet zijn werk met verminderde latency. 

Over het algemeen is Claude geschikt voor het verwerken van grote hoeveelheden tekst, het voeren van natuurlijke gesprekken, het verkrijgen van antwoorden en het automatiseren van workflows. Van klantenservice tot juridisch, coaching, zoeken en back‑office taken, Claude is geschikt voor diverse use‑case scenario’s. 

Volgens rapporten gepubliceerd eind december 2023, was Anthropic, gezien als de rivaal van OpenAI, in onderhandeling om $750 million aan financiering op te halen bij een waardering van $18.4 billion. 

#5. Humata

Met Humata kun je moeiteloos door lange technische papers bladeren. De Humata PDF‑AI helpt bij het samenvatten van bevindingen, het vergelijken van documenten en het zoeken naar antwoorden. Het is compatibel met een onbeperkt aantal geüploade bestanden zonder limiet op de bestandsgrootte. De antwoorden van de document‑AI worden geleverd met citaten, zodat men kan achterhalen waar de inzichten vandaan komen.

Aangezien het vergelijkbaar is met ChatGPT voor PDF’s, kan het de samenvatting herschrijven tot tevredenheid. In tegenstelling tot ChatGPT kan Humata echter met bestanden werken, elk geüpload bestand lezen en antwoorden genereren op basis van de inhoud van de documenten. 

Op October 2nd, 2023, Humata AI announced the successful completion of its latest funding round, where it raised US$3.5M from Google’s Gradient Ventures, Cathie Wood’s ARK Invest, M13, and other prominent angels for their seed round. 

#6. OpenAI

Tot slot kan geen enkele discussie over AI, zijn LLM‑leren en contentcreatiefuncties compleet zijn zonder vermelding van OpenAI, het bedrijf dat het meest bekend staat om het bouwen van generatieve modellen met behulp van deep learning, een technologie die een grote hoeveelheid data benut om AI‑systemen te trainen. 

OpenAI biedt Chat-, Image- en Audio‑diensten. Zijn GPT‑3, een autoregressief taalmodel, is getraind met 175 billion parameters. Echter, het heeft taalmodellen getraind die nog beter zijn dan GPT‑3 in het volgen van gebruikersintenties. 

Onder de beeldgerelateerde producten heeft OpenAI’s onderzoek naar generatieve modellering voor afbeeldingen geleid tot representatiemodellen zoals CLIP, dat een koppeling maakt tussen tekst en afbeeldingen voor AI, en DALL‑E, een tool om levendige beelden te creëren op basis van tekstbeschrijvingen. 

Ten slotte heeft het ontwikkelingen doorgemaakt op het gebied van audio met Whisper, Jukebox en MuseNet. Whisper biedt robuuste Engelse spraakherkenning, terwijl Jukebox helpt bij het genereren van muziek in diverse genres en artiestenstijlen. MuseNet is een diep neuraal netwerk dat volledige muzikale composities kan genereren met verschillende instrumenten. 

Volgens rapporten gepubliceerd eind december 2023, was OpenAI in vroege besprekingen om een nieuwe financieringsronde te starten tegen een waardering van ten minste US$100 billion.

Voorbij het plateau: de weg vooruit 

Kunstmatige intelligentie heeft de contentcreatie in een zeer korte tijd miljoenen mijlen laten afleggen. De toekomst zal helderder en welvarender zijn, waarbij computationele systemen en software die met data groeien onoplosbare problemen zullen oplossen. 

Economische sectoren van alle soorten zullen technologie beter kunnen benutten door alle vormen van repetitief en tijdrovend kenniswerk te automatiseren. Terwijl modellen zoals GPT‑4 de productiviteit zullen verhogen, zullen open‑source AI‑modellen leiden tot drastisch verlaagde operationele kosten en radicaal verhoogde efficiëntie. Onderzoekers schatten niet alleen het vermijden van een technologisch plateau, maar ook een verviervoudiging van de productiviteit van kenniswerkers tegen 2030. 

Dit onderstreept het belang van Large Language Models in het technologische ecosysteem, die hierin een cruciale rol hebben gespeeld. Ze hebben producten zoals ChatGPT geholpen om het publieke begrip van AI te consolideren, terwijl ze een eenvoudige chat‑interface bieden die iedereen, ongeacht de taal, ten voordele kan gebruiken. 

Klik hier om alles te leren over investeren in kunstmatige intelligentie (AI).