Level 1: Large Language Models

Large Language Models (LLM’s) zijn taalmodellen die tekst kunnen begrijpen en genereren. Toepassingen zoals chatbots zijn hier een voorbeeld van, maar LLM’s kunnen ook worden ingezet voor analyse, automatisering en besluitondersteuning.

Deze modellen worden getraind op grote hoeveelheden zorgvuldig geselecteerde, gelicenseerde en deels synthetische tekstdata, aangevuld met menselijke feedback om de kwaliteit en betrouwbaarheid te verbeteren.

Tijdens dit trainingsproces leert het model patronen, structuren en relaties in taal herkennen. Op basis daarvan voorspelt het model stap voor stap de meest waarschijnlijke volgende tokens (tekstonderdelen), rekening houdend met de context. Hierdoor kunnen applicaties veel interactiever worden: je stelt vragen, geeft opdrachten en krijgt direct relevante antwoorden terug.

Level 2: LLM’s gekoppeld aan je eigen database

Om een generieke AI-toepassing echt waardevol te maken, wordt de LLM op dit niveau gekoppeld aan interne systemen en databronnen.

In plaats van uitsluitend gebruik te maken van algemene kennis, haalt de AI informatie direct uit jouw eigen databases, applicaties en processen. Hierdoor baseert de AI haar antwoorden op actuele, relevante en betrouwbare bedrijfsdata.

De kracht zit in het combineren van context: de LLM begrijpt de vraag en kan informatie uit verschillende systemen samenbrengen tot één bruikbaar en gepersonaliseerd antwoord.

Level 3: Agentic AI en Level 4: (Autonoom) multi-Agent AI

Agentic AI bestaat uit meerdere gespecialiseerde AI-agents die samenwerken aan één taak. Elke agent heeft een eigen rol, databron of expertise en opereert als een digitale collega binnen een groter geheel.

In een multi-agent architectuur (level 4) combineren deze agents hun resultaten. Een overkoepelend systeem beoordeelt vervolgens de verschillende uitkomsten en selecteert het beste scenario op basis van vooraf gedefinieerde bedrijfsdoelen.

Wanneer deze systemen gebruikmaken van betrouwbare data en goed zijn ingericht, kunnen ze niet alleen adviseren, maar ook zelfstandig acties uitvoeren en processen aansturen.

Let op: voor veel organisaties is dit nog een toekomstbeeld. De belangrijkste stap richting dit niveau is het beschikbaar maken van betrouwbare, waardevolle data.

Via een centrale toegangspoort (MCP) koppelen wij Agentic AI aan bestaande systemen. MCP (Model Context Protocol) is een standaard om taalmodellen veilig te verbinden met externe applicaties. Het stelt AI in staat om, op basis van context en instructies, acties uit te voeren zoals data ophalen, analyses doen of processen aansturen.

Wat zijn de verschillen tussen Agentic AI en de traditionele Deep learning en Machine learning

Naast deze nieuwe vormen van AI spelen traditionele technieken al jaren een belangrijke rol in het optimaliseren van processen.

Machine Learning

Machine Learning richt zich op het ontwikkelen van algoritmes die patronen herkennen in data. Op basis hiervan kunnen voorspellingen worden gedaan of beslissingen worden ondersteund.

Deze technieken worden bijvoorbeeld ingezet voor het signaleren van trends, het verminderen van risico’s en het automatiseren van complexe berekeningen.

Deep Learning

Deep Learning is een subset van Machine Learning en maakt gebruik van neurale netwerken, geïnspireerd op de structuur van het menselijke brein.

Deze modellen zijn bijzonder geschikt voor het verwerken van complexe en ongestructureerde data zoals beeld, spraak en tekst. Denk aan het automatisch analyseren van documenten, het herkennen van objecten in beelden of het omzetten van gesproken taal naar gestructureerde input voor systemen.