In de geest van ChatGPT: hoe kiest het wat het zegt?

Betrouwbaarheid

Stel, je vraagt ChatGPT om een concept-e-mail te beoordelen en vervolgens twee verschillende versies ervan voor je te schrijven.

Je vraagt om één die formeel is qua toon, structuur en taalgebruik, terwijl de andere meer conversationeel en luchtig is.

ChatGPT stuurt de twee concept e-mails precies terug zoals je wilde. Het past ook zijn antwoord aan als je vervolgwijzigingen voorstelt. Is het niet verbazingwekkend? Het is alsof je met iemand praat die kan nadenken en reageren en de context kan oppikken als je later naar hetzelfde onderwerp wordt gevraagd.

Je vraagt je af: “Hoe kiest hij zijn woorden? En hoe weet hij welke woorden een specifieke toon en boodschap overbrengen?”

“Hoe herinnert hij zich de context of de rode draad van een eerder gesprek?”

Laten we dat eens uitzoeken.

Hoe reageert ChatGPT op inputs?

ChatGPT gebruikt twee methodes om antwoorden te vinden op je inputs – supervised en unsupervised.

Supervised methode

De supervised methode geeft of brengt een constant antwoord op een vraag in kaart, waardoor het minder belastend is voor ChatGPT om te reageren.

Als je bijvoorbeeld vraagt: “Hoe reset ik het wachtwoord van mijn Gmail-account?”, is het antwoord al in kaart gebracht en weet ChatGPT ervan. Het enige wat het doet is het antwoord terugsturen. Rechttoe rechtaan. Bij veel van dit soort vragen hoeft ChatGPT zich niet in te spannen.

De belangrijkste beperking van deze methode is echter dat het onmogelijk is om antwoorden te scripten op elke vraag die aan ChatGPT kan worden gesteld.

Kun je bijvoorbeeld een antwoord schrijven op een vraag als: “Maak de beschrijving van een fictief personage dat rondzwerft op een buitenaardse planeet, vastzit en eenzaam is, en extreem heimwee heeft?”.

Unsupervised methode

Laten we de unsupervised learning methode beginnen met de analogie van een kind dat vogels leert herkennen.

Je laat het kind foto’s van verschillende vogels zien en het kind leert geleidelijk de verschillende onderdelen van een vogel te identificeren, zoals poten, snavels, ogen en vleugels.

Je laat het kind voortdurend foto’s van verschillende vogels zien. Na verloop van tijd herkent het kind niet alleen de onderdelen correct, maar identificeert het ook verschillende vogels in die mate dat het bijvoorbeeld een adelaar van een ijsvogel kan onderscheiden.

Het leert ook nuances zoals alle vogels hebben ogen, maar niet alle dieren met ogen zijn vogels.

Laat nu de foto van een tijger zien en vraag het kind of dat een vogel is, en het kind zal zelfverzekerd genoeg zijn om ontkennend te antwoorden.

ChatGPT ondergaat een soortgelijke training. Je voedt het voortdurend met gegevens over verschillende objecten, zodat ChatGPT leert over de patronen, figuren en andere details.

Na verloop van tijd kan ChatGPT, net als het kind, het object identificeren. De verschillende manieren van leren staan bekend als clustering, dimensionaliteit en anomaliereductie.

De methode zonder supervisie is wat ChatGPT tot een game-changer maakt. In tegenstelling tot de supervised methode wordt er geen output gekoppeld aan de input en is het aan ChatGPT om de informatie over het object te achterhalen.

Dankzij constant leren, clustering, anomaliedetectie en dimensionaliteit kan ChatGPT prompts begrijpen die buiten het supervised learning vallen en op de juiste manier reageren.

ChatGPT simuleert het menselijk brein

Wat betekent dat? Iets dat bekend staat als het neurale netwerk drijft ChatGPT’s verbazingwekkende vermogen aan om zinnen en woorden te begrijpen die mensen gebruiken.

Zie het neural network als het netwerk van alle cellen in het menselijk brein. Het is een ongelooflijk complexe structuur die zeer geavanceerd en complex werken mogelijk maakt. Denk aan hoe je hersenen informatie of prikkels verwerken en reageren.

Zinnen en woorden, zoals die in gesprekken, zijn zelden gestructureerd en kunnen cryptisch zijn voor een AI-tool.

Laten we dit eens uitwerken aan de hand van het voorbeeld van een interview.

De interviewer vraagt: “Hoe zou je een conflict oplossen tussen een productmanager en een projectmanager over release deadlines?”

In dit geval gaan je hersenen op zoek naar beschikbare informatie of ervaringen uit het verleden – je hebt in het verleden misschien soortgelijke situaties aangepakt. Je hersenen zullen de gebruikte technieken vinden en hun toepasbaarheid in de huidige situatie beoordelen. Daarnaast zal het proberen om de best practices toe te passen die je hebt geleerd van je ervaring en best practices.

Het neurale netwerk dat de leercapaciteiten van de ChatGPT aanstuurt, doet iets soortgelijks. Als je een vraag stelt waarvan het antwoord nog niet is gekoppeld aan een output, gebruikt het zijn enorme leerbronnen, vindt het patronen en toepasbaarheid en dwingt het je tot een redelijk antwoord. Dit gebeurt allemaal binnen een paar seconden. Verbazingwekkend, nietwaar?

Problemen met ChatGPT-reacties

Hoe geweldig de mogelijkheid van ChatGPT om reacties te kiezen ook lijkt, het heeft nog steeds veel beperkingen.

Ten eerste kan het bevooroordeelde antwoorden geven, wat controversieel kan zijn. Het is gebonden aan de gegevens die het krijgt voor training.

Een Forbes-artikel suggereert bijvoorbeeld dat ChatGPT weigerde een gedicht te schrijven over de Amerikaanse president Trump, maar wel over Biden. Het kan ook antwoorden hallucineren. Het weet niet wat het niet weet en kan nog steeds verkeerde antwoorden genereren, wat gevaarlijk kan zijn.

Tot slot kan het de fijnere nuances van menselijke communicatie niet begrijpen, zoals humor of satire in gesprekken die niet altijd voor de hand liggen.

Als gevolg daarvan kan het moeilijk zijn om de antwoorden te geven die je verwacht. Het kan feitelijk correcte antwoorden geven, maar de nuances missen die integraal deel uitmaken van menselijke communicatie.

De conclusie

Ondanks de beperkingen is het verbazingwekkend dat een tool of software het menselijk brein probeert na te bootsen. Het is fantastisch om te zien dat ChatGPT de context van een vorig gesprek kan oppikken en een fatsoenlijk antwoord kan geven. Wie had zich dat tien jaar geleden kunnen voorstellen?

In zijn huidige vorm is ChatGPT op zijn best een hulpmiddel dat nog in ontwikkeling is. De controverses en kritiek rond de antwoorden kunnen het best worden opgevangen door de evolutie van het neurale netwerk dat de technologie aanstuurt. Het vermogen om betere woorden en informatie te kiezen zal worden aangedreven door betere datasets en een snellere evolutie van het neurale netwerk. Betere datasets betekenen dat ChatGPT meer geschikte bronnen heeft om uit te kiezen wanneer het reageert op een prompt.

Kaushik Pal
Technisch Architect
Kaushik Pal
Technisch Architect

Kaushik is een technisch architect en software consultant met meer dan 20 jaar ervaring in software analyse, ontwikkeling, softwarearchitectuur, ontwerp, testen en training. Hij is geïnteresseerd in nieuwe technologieën en innovatiegebieden. Hij richt zich op webarchitectuur, webtechnologieën, Java/J2EE, open source, WebRTC, Big Data en semantische technologieën. Kaushik is ook de oprichter van TechAlpine, een technologieblog/consultancy gevestigd in Kolkata. Het team van TechAlpine werkt voor verschillende klanten in India en daarbuiten. Het team heeft expertise in Java/J2EE/Open Source/Web/WebRTC/Hadoop/Big Data technologieën en het schrijven van technische artikels.