Conversationele AI: hoe machines leren praten met mensen
Wanneer je een vraag typt aan een chatbot en binnen enkele seconden een vloeiend, samenhangend antwoord terugkrijgt, maak je gebruik van conversationele AI. Dit is de verzamelnaam voor computersystemen die zijn gebouwd om met mensen te communiceren in gewone, natuurlijke taal, geschreven of gesproken, op een manier die aanvoelt als een gesprek met een ander persoon.
Een bruikbare vergelijking is die van een extreem belezen gesprekspartner die miljarden teksten heeft doorgenomen, maar zelf nooit iets heeft meegemaakt. Vraag zo iemand om uitleg over een lastig onderwerp, en je krijgt een overtuigend, goedlopend antwoord, gebaseerd op patronen uit alles wat hij ooit heeft gelezen, niet op eigen ervaring of begrip. Bekende voorbeelden van conversationele AI zijn de chatbot ChatGPT, de spraakassistent Siri van Apple en de klantenservicebots die veel banken en webshops tegenwoordig op hun site hebben staan.
Wat is het precies?
Conversationele AI bouwt voort op een breder onderzoeksveld genaamd natural language processing (NLP), oftewel automatische taalverwerking: de tak van de informatica die zich bezighoudt met het laten begrijpen en genereren van menselijke taal door computers. Tot een jaar of tien geleden werkten de meeste systemen met vaste regels en sjablonen: een bot herkende trefwoorden als "factuur" of "retour" en gaf dan een vooraf geschreven antwoord.
De huidige generatie chatbots werkt anders en steunt op zogeheten large language models (grote taalmodellen), vaak afgekort tot LLM. Zo'n model is een enorm wiskundig systeem, een neuraal netwerk, dat is getraind door miljarden zinnen uit boeken, websites en artikelen te lezen. Tijdens die training leert het model geen feiten uit het hoofd zoals een encyclopedie, maar statistische patronen: welk woord waarschijnlijk volgt op een reeks andere woorden.
Taal wordt daarbij opgeknipt in kleine stukjes, tokens genoemd: dat kunnen hele woorden zijn, maar ook lettergrepen of leestekens. Wanneer je een vraag stelt, noemt men die vraag de prompt, oftewel de invoertekst waarop het model reageert. Het model voorspelt vervolgens, token voor token, wat een plausibel vervolg is, en bouwt zo woord voor woord een antwoord op.
Dit proces verklaart meteen een bekende zwakte: omdat het model taal genereert op basis van waarschijnlijkheid en niet op basis van geverifieerde kennis, kan het met volle overtuiging iets verzinnen dat er goed uitziet maar feitelijk onjuist is. Dit heet hallucinatie. Het model "liegt" niet bewust, het heeft simpelweg geen ingebouwd besef van waar of onwaar.
Wat wil men ermee bereiken?
De directe belofte is efficiëntie: bedrijven willen klantvragen sneller en goedkoper afhandelen, en gebruikers willen razendsnel antwoord krijgen zonder in de wachtrij van een callcenter te hoeven staan. Ook toegankelijkheid speelt mee: spraakassistenten kunnen mensen met een visuele beperking of motorische beperking helpen apparaten te bedienen met alleen hun stem.
Daarnaast is er een productiviteitsbelofte die verder reikt dan klantenservice: schrijvers, programmeurs en onderzoekers gebruiken conversationele AI als hulpmiddel om tekst op te stellen, code te schrijven of ingewikkelde informatie samen te vatten. Het idee is dat de mens de eindverantwoordelijkheid houdt, terwijl de AI een eerste versie of suggestie aanlevert.
Onder dit alles ligt een oudere, wetenschappelijke ambitie: kunnen machines taal daadwerkelijk "begrijpen"? Deze vraag speelt al sinds de jaren vijftig van de vorige eeuw een centrale rol in de kunstmatige intelligentie, onder meer via de beroemde Turingtest van wiskundige Alan Turing, waarbij een machine slaagt als een mens tijdens een tekstgesprek niet kan onderscheiden of hij met een computer of een ander mens praat. Of de huidige systemen echt "begrijpen" wat ze zeggen, of alleen extreem geavanceerde patroonherkenning uitvoeren, is onder wetenschappers nog altijd onderwerp van fel debat.
Voorbeelden uit de praktijk
ELIZA (1966) — Gebouwd door informaticus Joseph Weizenbaum aan het Massachusetts Institute of Technology (MIT), geldt als een van de eerste chatbots ooit. ELIZA simuleerde een psychotherapeut door vragen van de gebruiker simpelweg te herformuleren, zonder enig echt taalbegrip, maar veel testpersonen raakten er destijds toch emotioneel bij betrokken.
IBM Watson bij Jeopardy! (2011) — Het taalverwerkingssysteem Watson van IBM versloeg twee kampioenen van het Amerikaanse quizprogramma Jeopardy!, door razendsnel natuurlijke-taalvragen te ontleden en het antwoord op te zoeken in een enorme kennisbank. Het liet zien dat machines complexe, dubbelzinnige vragen konden verwerken, nog vóór de opkomst van de huidige taalmodellen.
Apple Siri (2011) — Geïntroduceerd als ingebouwde spraakassistent op de iPhone 4s, maakte Siri gesproken interactie met een smartphone voor het eerst mainstream: bellen, agenda-afspraken maken of het weer opvragen kon voortaan met de stem.
ChatGPT van OpenAI (november 2022) — De lancering van deze chatbot, gebouwd op een groot taalmodel uit de GPT-reeks, bracht conversationele AI in korte tijd naar honderden miljoenen gebruikers wereldwijd en gaf de directe aanleiding voor de huidige golf aan concurrerende chatbots van onder meer Google, Microsoft en Anthropic.
Hoe ver is de techniek?
De vooruitgang sinds ChatGPT is opvallend snel gegaan: nieuwe modellen worden ruwweg elk half jaar tot jaar uitgebracht, met merkbare verbeteringen in redeneervermogen, het volgen van instructies en het verwerken van afbeeldingen naast tekst. Ook is het mogelijk geworden om langere gesprekken te voeren waarbij het model eerdere delen van het gesprek onthoudt binnen een sessie.
Toch blijven er stevige beperkingen bestaan. Hallucinaties, zoals hierboven beschreven, zijn nog altijd niet opgelost en vormen een structureel risico bij toepassingen waar feitelijke juistheid cruciaal is, zoals medisch of juridisch advies. Modellen kunnen daarnaast vooroordelen (bias) overnemen uit de teksten waarop ze getraind zijn, bijvoorbeeld over gender of etniciteit, zonder dat dit meteen zichtbaar is in de uitvoer.
Ook de kosten zijn een obstakel: het trainen van een groot taalmodel vergt gespecialiseerde rekenchips en grote hoeveelheden elektriciteit, wat vragen oproept over het energieverbruik van de sector als geheel. Tot slot blijft het lastig te garanderen dat een systeem consistent, veilig en voorspelbaar gedrag vertoont in alle mogelijke situaties, iets waar onderzoekers onder de noemer AI-veiligheid hard aan werken, zonder dat er al een definitieve oplossing is.
Wie werken eraan?
In de Verenigde Staten lopen bedrijven als OpenAI (makers van ChatGPT), Google DeepMind, Microsoft, Meta AI, Anthropic en Amazon voorop in zowel onderzoek als commerciële toepassing. In China zijn bedrijven als Baidu en Alibaba actief met eigen Chinese taalmodellen en assistenten.
Op universitair niveau dragen instituten als Stanford University en het MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) al decennialang bij aan de theoretische basis van taalverwerking. In Nederland doen onder meer de Radboud Universiteit Nijmegen, bekend om haar taal- en spraaktechnologie-onderzoek, de TU Delft en het Centrum Wiskunde & Informatica (CWI) onderzoek naar aspecten van taal-AI, vaak met aandacht voor de Nederlandse taal specifiek en voor eerlijkheid en transparantie van de systemen.
Op beleidsniveau probeert de Europese Unie met de AI Act, de eerste brede Europese wetgeving voor kunstmatige intelligentie, kaders te stellen voor risicovolle toepassingen, terwijl de VS en China vooralsnog vooral inzetten op snelheid van technologische ontwikkeling met minder strikte regelgeving.