'AI moet je proeven' #2: Generatieve AI in de praktijk - Zo creëer je businesswaarde vanaf dag 1

Op een nieuwe manier zoekopdrachten uitvoeren 

Een praktijkvoorbeeld hiervan is een applicatie om huizen te zoeken die we momenteel voor een klant maken. Via de website moet de gebruiker normaliter zoeken op regio en vervolgens filteren op vooraf gedefinieerde filters zoals prijs en aantal vierkante meters.  

Met LLM kan de gebruiker de zoekactie op elke manier starten:  

• Wat wil je precies?  

• Kun je voorbeelden geven?  

• Wat is essentieel voor jou?  

De LLM interpreteert de input, kan eventueel vervolgvragen stellen en toont vervolgens de bijpassende resultaten. Dit levert aanzienlijke toegevoegde waarde op in vergelijking met de gebruikelijke manier van huizen zoeken. 

De LLM die we hier inzetten hoeft niet gebouwd of geprogrammeerd te worden: als technologie snapt het direct de input die gebruikers geven. Het is alleen een kwestie van voorzien van relevante data en vervolgens finetunen waar nodig. LLM is dus bijzonder snel inzetbaar.  
 
In het voorbeeld van een huizenzoeker (of enige andere applicatie met zoekopdrachten) biedt een LLM de volgende nieuwe mogelijkheden:  

1. Conversationeel zoeken 
   Gebruikers kunnen op een natuurlijke manier zoeken naar huizen door hun zoekopdracht te starten met vragen en voorbeelden, zoals “Ik zoek een huis met minstens 3 slaapkamers in de buurt van een treinstation” of “Toon mij huizen met een grote tuin.” 

2. Flexibele zoekopdrachten 
   Gebruikers kunnen eenvoudige en complexe vragen stellen, zoals “Toon huizen met een zwembad in Amsterdam en een garage” of “Ik wil een appartement huren in Rotterdam.” Daarbij kunnen ze hun eigen combinaties van criteria gebruiken, zoals het aantal slaapkamers, de locatie, het type woning, de prijsklasse et cetera om gepersonaliseerde resultaten te verkrijgen. 

3. Het begrijpen van context 
   LLM kan de context van de zoekopdrachten interpreteren en relevante follow-up-vragen stellen om specifieke behoeften van gebruikers te verduidelijken, zoals “Wat is je maximale budget?” of “Heb je een voorkeur voor een bepaalde buurt?” 

4. Real time aanpassingen 
   LLM kan gekoppeld worden aan een extern systeem zodat verkochte huizen en nieuw aanbod in realtime worden verwerkt. 
    

2. Data helder en toegankelijk maken met taal 

Naast taal interpreteren, snapt LLM ook grote hoeveelheden data. Voor een andere klant met een breed aanbod aan producten en diensten zetten we een LLM in om gebruikers snel aan antwoorden te helpen.  

Voorheen werden gebruikers gedwongen om zelf een geschikt kanaal voor hun vraag te kiezen: via een chatbot, het navigatiemenu, zoeken op kernwoorden, social media of anders bellen en keuzemenu’s. Vervolgens moesten ze de informatie zelf interpreteren. Een LLM biedt één interface die vervolgens door kan verwijzen naar het juiste systeem of het juiste antwoord direct kan geven: 
 

• Gebruikersvragen beantwoorden 
  Met een LLM kunnen gebruikers natuurlijke taalvragen stellen over verschillende producten en diensten, zoals “Welke verzekering past het beste bij mijn auto?” of “Wat moet ik doen bij steenslag op mijn voorruit?”. De natuurlijke context wordt door de LLM begrepen waardoor gebruikers sneller geholpen worden.  

• Informatie samenvatten 
  Een LLM kan specifieke passages die betrekking hebben op de klantvraag uit bronnen halen en opsommen. Een vervolgstap is om een eenduidig antwoord te geven op basis van die passages. Daarmee blijft de informatie relevant en kan bovendien naar de passages worden verwezen als bronvermelding.  

• Feedback begrijpen  
  LLM’s hebben ook beperkingen die kunnen leiden tot een negatieve ervaring. Door een LLM te combineren met vectorisatie kun je herleiden hoe het systeem tot een specifiek antwoord is gekomen en waar deze informatie vandaan komt. Dat geeft aanknooppunten om dit op te lossen. Zo kun je bijvoorbeeld een pagina vinden die twee jaar niet is geüpdatet, of ontdekken dat het model extra training nodig heeft op dit onderwerp.   

• Persoonlijke assistentie 
  Een LLM kan gepersonaliseerde aanbevelingen doen op basis van gebruikersvoorkeuren en eerdere interacties, bijvoorbeeld door te zeggen: “We hebben een aanbieding die perfect bij u past op basis van uw eerdere vakanties.” 

• Toegankelijkheid 
  Een LLM kan een inclusieve en toegankelijke manier bieden voor gebruikers om vragen te stellen, ongeacht hun ervaring met technologie. Zo kunnen juridische teksten zoals voorwaarden toch toegankelijk worden voor laaggeletterden, bijvoorbeeld in specifieke FAQ en documentatie. Dit kan via chat, maar ook via spraak.