Hoe jij aan de slag kan met praktische AI projecten
Nieuwe LLM modellen maken AI steeds toegankelijker, sneller en goedkoper dan ooit. Tijd dus om de handen uit de mouwen te steken en effectief aan jouw AI project te starten.
Maar waar begin je precies? Wat zijn interessante en laagdrempelige projecten en hoe kan je concreet toegevoegde waarde bieden voor jouw bedrijf?
In deze 52 Topics aflevering verwelkomen we onze Copilot Studio & Azure AI Consultant, Squanto De Temmerman, die ooit als stagiair bij ons binnenstapte en nu indrukwekkende AI-toepassingen ontwikkelt voor zowel onze klanten als ons eigen bedrijf.
In de 52 Topics podcast gaan we wekelijks ingewikkelde onderwerpen in business en IT omzetten in boeiende en verstaanbare taal. Hoor succesverhalen en krijg praktische tips van inspirerende gastsprekers die in de frontlinie van strategische en technologische innovatie staan!
Bekijk de aflevering hierboven als video, lees het hieronder als blog of beluister hem als podcast op Spotify of Apple Podcasts . 👇
Snelle links 🔗:
De start van AI is data
AI-projecten beginnen vaak met grootse ideeën, maar de basis voor succes ligt in de beschikbaarheid en kwaliteit van data.
"Hoe beter de data is, hoe beter de antwoorden kunnen zijn die we uit de AI gaan krijgen." - Squanto De Temmerman, Copilot Studio & Azure AI Consultant
Eerste stap is een audit van data
De rol van data in AI kan niet genoeg worden benadrukt. Zonder hoogwaardige, relevante data kan geen enkel AI-model effectief werken. Voor bedrijven betekent dit dat de eerste stap in een AI-project vaak een audit van de beschikbare data is. Zijn de gegevens up-to-date? Zijn ze gestructureerd en gemakkelijk toegankelijk? Begrijpt jouw team hoe deze data kan worden gebruikt om waardevolle inzichten te genereren?
AI-project: Chatbot voor technische support
Squanto heeft tijdens zijn stage een AI-systeem ontwikkeld voor technische support, specifiek ontworpen om de efficiëntie van het oplossen van technische problemen te verbeteren. Het project was gericht op het gebruik van historische ticketing data om een intelligente chatbot te creëren die technici kon ondersteunen bij het oplossen van nieuwe problemen.
Bekijk hier de stappen van zijn AI-project:
Stap 1: Verzameling en voorbereiding van data
Het eerste deel van het project bestond uit het verzamelen van historische ticketing data. Deze data bevatte duizenden tickets die in het verleden door klanten waren ingediend, inclusief de bijbehorende vragen en de oplossingen die door de technici werden geboden. Dit waren vaak tekstuele beschrijvingen van problemen en de stappen die genomen waren om ze op te lossen.
Squanto zorgde ervoor dat deze data schoon en gestructureerd was, wat cruciaal was voor het trainen van de AI. Dit hield in dat irrelevante informatie werd verwijderd, en dat de data in een format werd gebracht dat geschikt was voor verwerking door een AI-model.
Stap 2: Ontwikkeling van het AI-model
Met de gestructureerde data ging Squanto aan de slag om een AI-model te trainen. Hij maakte gebruik van een generatief pre-trained transformer model (GPT) dat in staat is om tekst te begrijpen en te genereren. Het model werd getraind om patronen te herkennen in de manier waarop technische problemen in het verleden werden opgelost.
De AI werd zo opgezet dat het niet alleen de tekst in de tickets kon analyseren, maar ook in staat was om de onderliggende problemen te identificeren en de bijbehorende oplossingen te vinden.
Squanto zorgde ervoor dat deze data schoon en gestructureerd was, wat cruciaal was voor het trainen van de AI. Dit hield in dat irrelevante informatie werd verwijderd, en dat de data in een format werd gebracht dat geschikt was voor verwerking door een AI-model.
Stap 3: Implementatie van de chatbot
Na de training van het model werd de AI geïntegreerd in een chatbot-systeem dat technici in staat stelt om vragen te stellen over nieuwe problemen. Wanneer een technicus een nieuw ticket opent, kan hij de chatbot raadplegen, die vervolgens de historische data doorzoekt om soortgelijke problemen te vinden die in het verleden zijn opgelost.
De chatbot biedt vervolgens een stappenplan of advies op basis van die historische data. Dit advies is vaak in de vorm van een reeks instructies die de technicus kan volgen om het probleem op te lossen, wat de tijd die nodig is om problemen op te lossen aanzienlijk kan verkorten.
Stap 4: Integratie van externe kennis
Om de chatbot nog effectiever te maken, werd besloten om de historische ticketing data te combineren met externe kennis, zoals technische handleidingen en documentatie die niet specifiek in de tickets stond. Dit gaf de AI toegang tot een bredere kennisbasis, waardoor het systeem in staat was om complexere problemen aan te pakken en oplossingen te bieden die verder gingen dan alleen de interne data van het bedrijf.
Stap 5: Testen en optimalisatie
Na de initiële implementatie werd de chatbot grondig getest door technici om te zorgen dat de antwoorden relevant en nauwkeurig waren. Feedback van de technici werd gebruikt om de AI verder te optimaliseren, waardoor de kwaliteit van de suggesties verbeterde.
Het systeem werd uiteindelijk geïntegreerd in de dagelijkse workflow van de technische supportafdeling, waar het helpt om de tijd die nodig is om problemen op te lossen te verkorten en de consistentie van de geboden oplossingen te verbeteren.
AI in 52 Topics: Chatbot met podcasttranscripties
Net zoals Nerdland een AI-bot heeft gemaakt in samenwerking met Microsoft. Is Squanto de uitdaging aangegaan om ook voor de 52 Topics podcast een chatbot te maken. Momenteel zijn we nog volop bezig om deze aan de site te integreren, maar kunnen al niet wachten op het te lanceren!
Het doel van de chatbot
Het primaire doel van de chatbot was om de enorme hoeveelheid informatie die in de podcast wordt besproken, beter toegankelijk te maken.
De podcastafleveringen bevatten vaak diepgaande discussies over uiteenlopende onderwerpen, en het kan voor luisteraars lastig zijn om specifieke informatie terug te vinden. De chatbot werd daarom ontwikkeld om gebruikers te helpen snel antwoorden te vinden op hun vragen door gebruik te maken van de transcripties van de afleveringen.
Werking van de Chatbot
De chatbot werkt door de transcripties van de podcastafleveringen te analyseren en deze informatie te gebruiken om vragen van gebruikers te beantwoorden. Hier is hoe het proces werkt:
Transcriptie Analyse: Elke podcastaflevering wordt omgezet in een tekstuele transcriptie. Deze transcripties bevatten een woord-voor-woord weergave van alles wat er in de aflevering wordt gezegd, inclusief de exacte tijdstippen waarop bepaalde uitspraken worden gedaan.
Natural Language Processing (NLP): De chatbot maakt gebruik van NLP-technologie om de tekst van de transcripties te begrijpen. Dit stelt de chatbot in staat om de context en betekenis van de besproken onderwerpen te interpreteren, zodat het niet alleen de woorden, maar ook de inhoudelijke betekenis ervan begrijpt.
Vraag en Antwoord: Gebruikers kunnen de chatbot vragen stellen over specifieke onderwerpen die in de podcast aan bod komen. Bijvoorbeeld: “Wat werd er gezegd over AI in aflevering 10?” De chatbot doorzoekt vervolgens de transcripties en haalt relevante antwoorden op, compleet met een tijdstempel en een link naar het exacte moment in de video waarop het onderwerp wordt besproken.
Directe Navigatie: Naast het geven van antwoorden, biedt de chatbot gebruikers ook directe links naar de YouTube-video van de aflevering, precies op het punt waar het relevante onderwerp wordt besproken. Dit maakt het voor gebruikers eenvoudig om terug te springen naar de delen van de podcast die ze willen herbeleven of verder willen onderzoeken.
Breder toepassingsgebied van een chatbot
Squanto maaktte nu een chatbot voor een podcast, maar er zijn enorm veel andere mogelijkheden.
Zo kan je eenvoudig bedrijven hun interne en externe communicatie aanzienlijk verbeteren. Bijvoorbeeld, in een bedrijfsomgeving kan de chatbot worden ingezet om medewerkers te helpen bij het vinden van specifieke informatie in uitgebreide handleidingen, trainingsmateriaal, of interne vergadernotities.
Taalonafhankelijk
Een van de meest indrukwekkende voordelen van deze chatbot is de taalonafhankelijkheid.
Dit betekent dat gebruikers in verschillende talen vragen kunnen stellen, ongeacht de taal van de oorspronkelijke data.
Zo kan een medewerker in Nederland een vraag in het Engels stellen over een Nederlandstalige handleiding, en krijgt hij toch een relevant antwoord.
Deze flexibiliteit maakt de chatbot bijzonder waardevol voor internationale bedrijven met diverse teams, doordat het barrières tussen verschillende talen wegneemt en communicatie en samenwerking wereldwijd verbetert.
Heb jij ook een vraag voor Kevin? Geef een virtueel seintje en laat je vraag achter op sociale media! #RodeTelefoon
Meer weten over wat ConXioN voor jouw bedrijf kan betekenen?
Onze experts staan voor je klaar om je te begeleiden en te adviseren.