De beloften over wat de nieuwe LLM's kunnen, zijn talrijk geweest, en het idee om een tool te creëren die voor alle problemen geschikt is, lijkt aantrekkelijker dan ooit tevoren. En hoewel ze de afgelopen jaren dominant zijn geweest in het Machine Learning (ML) & AI-landschap, zijn er nog steeds veel problemen die LLM's niet kunnen oplossen.
Hier komen veel van de meer traditionele ML- en AI-methoden nog steeds goed van pas. ML en AI zijn namelijk veel meer dan LLM's, hoewel de termen door elkaar worden gebruikt.
Traditionele ML- en AI-methoden
Er zijn verschillende voorbeelden van use cases waarbij de meer traditionele ML-modellen nog steeds de meest ideale tool zijn om te gebruiken.
Op bomen gebaseerde modellen, zoals Gradient Boosted Decision Trees, presteren over het algemeen beter bij problemen met tabulaire data, oftewel data die als getallen in rijen en kolommen kunnen worden weergegeven, dan transformatorgebaseerde modellen (de modelarchitectuur achter LLM's).
In sommige gevallen is het nodig dat een model 100% transparant is, zodat de voorspelling die eruit komt aan de gebruiker kan worden uitgelegd. Voorbeelden hiervan zijn waarom een bepaalde persoon of bedrijf een slechte kredietwaardigheid krijgt, of bij diagnoses en aanbevelingen in de gezondheidszorg, waar de verklaring hiervan een centrale rol speelt.
Hier komen de zogenaamde Glass Box-modellen, zoals Logistische Regressie of Explainable Boosting Machine, goed van pas, omdat de output van het model 100% verklaarbaar is, in tegenstelling tot Deep Learning (DL) modellen, waaronder LLM's.
LLM's en Generatieve AI
Wanneer de meeste mensen het tegenwoordig over generatieve AI hebben, bedoelen ze in werkelijkheid LLM's. Maar generatieve AI is een concept dat meer omvat dan alleen LLM's. Ruim tien jaar geleden waren bijvoorbeeld Generative Adversarial Networks (GAN's) het meest populaire binnen generatieve AI. Ze werden (en worden) gebruikt om synthetische datasets te genereren, een gebied dat nog steeds in volle ontwikkeling is!
Er is echter een breed scala aan uitdagingen waarvoor LLM's de beste oplossing zijn. Dit kunnen bijvoorbeeld tekstgebaseerde taken zijn, zoals chatbots, sentimentanalyse, vertaling of samenvatting. De modellen zijn ook veel beter in generaliseren, terwijl traditionele ML-modellen vaak getraind worden om een zeer specifiek probleem op te lossen.
Een streven naar methode-agnosticisme
Hoewel LLM's het AI-landschap van het publiek domineren, zijn er nog steeds een aantal problemen die traditionele Machine Learning (ML) modellen beter kunnen oplossen. We zullen beide gebruiken bij proprty.ai. Het belangrijkste is dat de juiste tools worden gebruikt om de problemen op te lossen.
Op dit moment houden we ons voornamelijk bezig met regressie. Onze modellen voorspellen de resterende levensduur van bouwcomponenten, evenals de doorlopende onderhoudskosten.
Dus hoewel we projecten op de tekentafel hebben die alle voordelen van LLM's benutten, werken we momenteel voornamelijk met meer klassieke ML-methoden.
We streven ernaar een product te creëren dat het leven van de gebruiker gemakkelijker maakt. Of dit nu gebeurt via programmering, of met Machine Learning en LLM's, is in principe irrelevant, zolang het product maar waarde creëert.
Meld je aan voor onze nieuwsbrief
Ontvang nieuwe functies, klantverhalen en nieuws van proprty.ai direct in je inbox.
