Thought leader Bob van Luijt: 'Zelflerende kunstmatige intelligentie brengt realtime personalisering in een stroomversnelling'

Google Cloud Next trekt veel AI-voorlopers. Wat valt jou met name op tijdens het event?

Het feit dat Google ons zo prominent promoot is uiteraard een persoonlijk hoogtepunt. Onze vector database technologie helpt AI-modellen om sneller relaties te leggen tussen verschillende soorten data, zoals tekst, beeld en geluidsbestanden. Die 'multimodale' dataverwerking ligt aan de basis van een spannende nieuwe generatie AI-native applicaties. Zoals de nieuwe Search Generative Experience die Google dit jaar wereldwijd gaat uitrollen.

Daarmee kun je bijvoorbeeld nieuwe kleding of reisbestemmingen opzoeken met foto's die je op Instagram hebt gevonden. Je ziet hier tijdens het event al veel toepassingen langskomen. Veel interessanter vind ik echter de mogelijkheid om AI-modellen direct te laten leren van de interacties met gebruikers. Ook hierbij spelen vector databases een belangrijke rol.

Wat onderscheidt zo'n vector database van een 'traditionele' database?

Traditionele databases bevatten informatie met een standaard indeling. Bijvoorbeeld kolommen met naam, adres, woonplaats, enzovoorts. AI-modellen train je met een grote hoeveelheid veelsoortige data, zonder vaste indeling. Binnen die ongestructureerde data kun je wel altijd relaties leggen, net als bijvoorbeeld tussen alle producten in een supermarkt.

Als jij in de supermarkt voor het schap met appels staat, weet jij bijvoorbeeld dat je dichter bij de druiven bent dan bij het toiletpapier. Een vector database plaatst elk stukje data op basis van zulke relaties in een digitale ruimte. De vector embedding is het label dat de informatie over die plaats en relatie vastlegt in de index van de database.

Jullie ontvingen recent ruim 70 miljoen dollar groeigeld. Wat maakt jullie technologie zo gewild?

Iedereen ziet nu hoe krachtig large language models als GPT4 zijn. Die zijn getraind op enorme hoeveelheden data uit een groot aantal online bronnen. Steeds meer organisaties willen nu ook hun eigen data met behulp van deze modellen analyseren. Je moet het bestaande AI-model dan echter eerst aanpassen, oftewel finetunen, op basis van deze eigen data.

Dat werkt vaak niet optimaal. Veel eigen data sets zijn daarvoor namelijk te klein. Het AI-model heeft dan te weinig 'oefendata', en gaat 'hallucineren': het legt relaties die er niet zijn. Onze vector database gebruikt machine learning om feitelijke informatie in de modellen te 'injecteren'. Een AI-model produceert daardoor veel sneller waardevolle output. Experts noemen deze oplossing retrieval-augmented generation, of kortweg RAG.

Welke use cases zie jij op dit moment veel terugkomen bij jullie klanten?

Wij werken nu veel met banken, verzekeraars, advocatenkantoren en andere partijen met een grote hoeveelheid meer complexe klantcontacten. Zij beschikken daardoor over data sets met bijvoorbeeld miljoenen emails, social posts en opgenomen servicedesk-gesprekken. Een AI-model kan daar bijvoorbeeld veel voorkomende klantbehoeftes of frustraties in ontdekken.

Bijvoorbeeld een specifiek klantsegment dat niet precies begrijpt hoe een nieuw product of dienst werkt. Je kunt dan bijvoorbeeld ook automatisch een uitleg voor je servicemedewerkers of een uitlegmail produceren, die het pijnpunt en de oplossing haarscherp beschrijft. Zo reduceer je de kosten van je servicedesk, produceer je snel en goedkoop waardevolle content en krijg je meer tevreden klanten.

Deze technologie ontwikkelt zich razendsnel. Wat is de volgende stap?

Op dit moment is dit proces nog eenrichtingsverkeer. Het AI-model ontsluit informatie uit een bestaande data set, en geeft die informatie aan de gebruiker. Er gebeurt nog niets met de data die deze actie genereert: de reactie van de gebruiker op de aangeboden informatie, en de resulterende interactie. De volgende stap is dat de we de data uit die interactie gaan terugkoppelen naar de database.

Die database wordt daardoor dus gedetailleerder, en meer waardevol. Bovendien leert het AI-model weer van deze data. Zo kan het model zichzelf aanscherpen, en reageert het relevanter op de volgende gebruiker met soortgelijke informatiebehoefte. Deze zogenaamde generative feedback loops gaan de mogelijkheden om content - waar nodig realtime - te personaliseren in een stroomversnelling brengen.

Tot welke innovatieve nieuwe use cases zou dat bijvoorbeeld kunnen leiden?

Het gros van de use cases gaat nu nog vooral over efficiëntie en kostenbesparing. Ik zie echter ook steeds meer interessante strategische toepassingen. Als je over genoeg klant- en interactiedata beschikt, kun je bijvoorbeeld ook reacties van klantsegmenten gaan voorspellen. Je kunt je go-to-market strategie dan bijvoorbeeld al 'testen' op digitale persona's, oftewel een synthetic audience. En die strategie aanpassen op basis van de reacties die het AI-model genereert.

De snelheid waarmee op dit moment nieuwe toepassingen ontstaan is ook voor veel experts moeilijk te bevatten. We noemen applicaties met een onmisbare AI-component op dit moment nog AI-native. Net als termen als mobile first of cloud native verwacht ik dat dit binnen een paar jaar overbodig wordt, omdat elke applicatie dan een AI-gedreven onderdeel bevat.

Wacht niet, maar ga nú aan de slag met AI

Welke stappen moet je nu nemen om te zorgen dat jouw bedrijf deze boot niet mist?

Ik spreek regelmatig met C-level managers die kampen met een innovatiedilemma. Een van die managers vertelde laatst bijvoorbeeld nog dat zij de opkomst van de cloud heel nauwlettend volgden, maar tegelijk nog heel lang fors beleven investeren in veel duurdere 'traditionele' alternatieven. Managers kozen simpelweg voor de bekende, en daardoor 'risicoloze' oplossing.

Tegen deze managers zou ik willen zeggen: wacht niet, maar ga nú aan de slag met AI. Zet een AI-afdeling met getalenteerde medewerkers op, vind geschikte use cases en ga als een gek bouwen om ervaring op te doen. Schaal succesvolle projecten direct op, en verspreid de learnings binnen je gehele organisatie.