Wat is de waarde van traditionele Machine Learning in het tijdperk van GenAI?

De opkomst van generatieve modellen, die menselijke intelligentie lijken te simuleren of zelfs te overtreffen, zorgt voor grote veranderingen. Generatieve AI (GenAI) is ‘hot’ en verdringt traditionele machine learning naar de achtergrond. Maar is GenAI eigenlijk beter dan traditionele machine learning? Het antwoord is, naar mijn mening, nee. Ze lossen namelijk heel andere vraagstukken op. In deze blog leg ik uit wat het verschil is tussen beide én welke waarde traditionele machine learning nog steeds heeft in het tijdperk van GenAI. 

Het verschil tussen traditionele Machine Learning en GenAI 

Artificial Intelligence, zoals de naam al zegt, is kunstmatige intelligentie: technologie die menselijke intelligentie nabootst. Denk aan zintuiglijke waarneming, patroonherkenning en communicatie. Een algoritme trainen om intelligent gedrag te vertonen, en zich continu aan te passen aan veranderende omstandigheden, noemen we machine learning. 

Generatieve AI (GenAI) is vervolgens een specifieke toepassing van machine learning. Het gaat hierbij om algoritmes die zijn getraind om nieuwe content te produceren, zoals tekst, afbeeldingen of geluid. GenAI is voortgekomen uit deep learning (neurale netwerken). 

De kracht van traditionele Machine Learning 

Traditionele machine learning wordt nog altijd ingezet voor specifieke, afgebakende vraagstukken waarin voorspelling, classificatie of segmentatie centraal staan. Aan de hand van historische data worden inzichten verkregen die organisaties helpen in hun dagelijkse processen. 

Voorbeelden hiervan zijn: 

• Het voorspellen van klantverloop 
• Het detecteren van fraude 
• Het segmenteren van doelgroepen voor gerichte marketing 

Deze oplossingen leveren betrouwbare en reproduceerbare resultaten op basis van toetsbare data. Hierdoor kunnen organisaties onderbouwd en datagedreven beslissingen nemen, processen optimaliseren en hun prestaties aantoonbaar verbeteren. De waarde van een ML-model is bovendien vaak goed kwantificeerbaar, iets wat bij GenAI lastiger te meten is. 

Waar GenAI juist in uitblinkt 

De hierboven genoemde toepassingen zouden niet op schaalbare wijze gerealiseerd kunnen worden met GenAI. Een large language model (LLM) zoals ChatGPT doet immers niets anders dan de kans berekenen welk woord het best als volgende past in een tekst. GenAI is dus minder geschikt voor exacte berekeningen of analyses van gestructureerde data in bijvoorbeeld databases. 

Dat komt doordat een LLM een taalmodel is: het werkt met context en patronen in taal, niet met getallen of ruwe datasets. Hoewel de mogelijkheden van data-analyse met GenAI zich snel ontwikkelen, blijft de kans op fouten bestaan als niet alle aannames over je data met het model gedeeld worden. 

GenAI blinkt vooral uit in het creëren van nieuwe, originele content op basis van instructies. Daarmee is het ideaal voor: 

• het automatiseren of ondersteunen van creatieve processen (zoals het schrijven van e-mails of blogs); 
• het verhogen van productiviteit van ontwikkelaars (code schrijven of testen); 
• en het versnellen van ‘text-heavy’ werkzaamheden (samenvatten, classificeren, structureren van documenten). 

Het zou ironisch zijn als deze blog door AI was gegenereerd, gelukkig heb ik alleen ondersteuning gehad bij het beantwoorden van vragen. 

De toekomst: ML en GenAI versterken elkaar 

Traditionele machine learning heeft nog steeds een belangrijke plek in het tijdperk van GenAI. Het is vooral cruciaal om te begrijpen wanneer je welke technologie inzet. Traditionele ML biedt stabiliteit, voorspelbaarheid en meetbare waarde. GenAI biedt daarentegen creativiteit, flexibiliteit en nieuwe manieren om informatie te genereren. 

Wie deze twee werelden slim combineert, haalt het maximale uit zowel data als innovatie.