Wat is ge­ne­ra­tie­ve AI?

Ge­ne­ra­tie­ve AI, kort voor ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie, is in staat om content te genereren die ver­ge­lijk­baar is met de data waarop het is getraind – van teksten tot af­beel­din­gen tot muziek. Het po­ten­ti­eel is in­druk­wek­kend, maar ge­ne­ra­tie­ve AI brengt ook uit­da­gin­gen en ethische kwesties met zich mee, met name met be­trek­king tot de au­then­ti­ci­teit en mogelijk misbruik van ge­ge­ne­reer­de content.

De definitie van ge­ne­ra­tie­ve AI

Ge­ne­ra­tie­ve AI staat voor ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie. De term verwijst naar AI-modellen en al­go­rit­men zoals ChatGPT, die nieuwe inhoud of gegevens kunnen genereren die ver­ge­lijk­baar zijn met waarvoor ze zijn getraind. Dit kan ver­schil­len­de soorten gegevens omvatten, zoals tekst, af­beel­din­gen, muziek, enz. De tech­no­lo­gie is te­gen­woor­dig voor­na­me­lijk gebaseerd op zo­ge­naam­de trans­for­ma­tie­mo­del­len. Trans­for­ma­to­ren zijn ge­spe­ci­a­li­seer­de neurale netwerken die zijn ont­wik­keld om grote hoe­veel­he­den tekst­ge­ge­vens te verwerken. Dit is een vorm van machine learning.

Hoe werkt ge­ne­ra­tie­ve AI?

Ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie werkt doorgaans door middel van neurale netwerken. Voor het creëren van af­beel­din­gen worden vaak CNN’s (Con­vo­lu­ti­o­nal Neural Networks) gebruikt, terwijl voor tekst steeds vaker trans­for­mers worden gebruikt.

• In eerste instantie worden grote hoe­veel­he­den trai­nings­ge­ge­vens verzameld en verwerkt om als basis te dienen voor het trainen van het ge­ne­ra­tie­ve model. Dit kunnen bij­voor­beeld teksten, af­beel­din­gen of video’s zijn.
• Het neurale netwerk bestaat uit meerdere lagen. De exacte ar­chi­tec­tuur hangt af van het type gegevens dat moet worden ge­ge­ne­reerd. Voor teksten kan een model met re­cur­ren­te neurale netwerken (RNN’s) of de eerder genoemde trans­for­mers worden gebruikt, terwijl voor af­beel­din­gen CNN’s worden gebruikt.
• Het AI-model wordt toegepast op de trai­nings­ge­ge­vens om te leren hoe gegevens kunnen worden ge­ge­ne­reerd die ver­ge­lijk­baar zijn met de trai­nings­ge­ge­vens. Dit gebeurt door de gewichten en pa­ra­me­ters van de neuronen aan te passen om fouten tussen de ge­ge­ne­reer­de gegevens en de daad­wer­ke­lij­ke trai­nings­ge­ge­vens te mi­ni­ma­li­se­ren.

Zodra het model is getraind, kan het nieuwe gegevens genereren. Dit proces begint door het model een start­se­quen­tie of -waarde te geven, ook wel een prompt genoemd , die de vorm kan hebben van tekst, af­beel­din­gen, video’s of te­ke­nin­gen. In reactie hierop creëert de ge­ne­ra­tie­ve AI nieuwe inhoud. De ge­ge­ne­reer­de output wordt ver­vol­gens be­oor­deeld op kwaliteit en re­le­van­tie. Het model kan verder worden verfijnd door het te trainen met nieuwe gegevens om de pres­ta­ties te ver­be­te­ren.

Wat is het verschil tussen machine learning en kunst­ma­ti­ge in­tel­li­gen­tie?

Als breed on­der­zoeks­ge­bied heeft kunst­ma­ti­ge in­tel­li­gen­tie (AI) tot doel machines te ont­wik­ke­len die taken kunnen uitvoeren waarvoor doorgaans men­se­lij­ke in­tel­li­gen­tie nodig is. Chatbots en spraak­as­sis­ten­ten zoals Google Home of Amazon Echo zijn voor­beel­den van toe­pas­sin­gen op basis van kunst­ma­ti­ge in­tel­li­gen­tie.

Machine Learning (ML) is een deel­ge­bied van AI dat zich richt op het ont­wik­ke­len van al­go­rit­men die kunnen leren van data. In plaats van spe­ci­fie­ke in­struc­ties voor een taak te ontvangen, leert een ML-model van voor­beeld­ge­ge­vens en doet ver­vol­gens voor­spel­lin­gen of neemt be­slis­sin­gen zonder expliciet voor de taak te zijn ge­pro­gram­meerd. De omvang en com­plexi­teit van data hebben het po­ten­ti­eel van machine learning vergroot.

Welke ge­ne­ra­tie­ve AI-modellen zijn er?

Ge­ne­ra­tie­ve AI-modellen gebruiken een specifiek neuraal netwerk om nieuwe content te creëren. Af­han­ke­lijk van de toe­pas­sing zijn dit onder andere:

• Ge­ne­ra­ti­ve Ad­vers­a­ri­al Networks (GAN’s): GAN’s bestaan uit een generator en een dis­cri­mi­na­tor en worden vaak gebruikt om re­a­lis­ti­sche beelden te creëren.
• Recurrent Neural Networks (RNN’s): RNN’s zijn speciaal ontworpen voor het verwerken van se­quen­ti­ë­le gegevens zoals tekst en worden gebruikt voor het genereren van tekst of muziek.
• Trans­for­mer-ge­ba­seer­de modellen: Modellen zoals GPT (Ge­ne­ra­ti­ve Pre­trai­ned Trans­for­mer) van OpenAI zijn trans­for­mer-ge­ba­seer­de modellen die worden gebruikt voor het genereren van tekst.
• Flow-ge­ba­seer­de modellen: worden gebruikt in ge­a­van­ceer­de toe­pas­sin­gen om af­beel­din­gen of andere gegevens te genereren.
• Va­ri­a­ti­o­nal Au­toen­co­ders (VAE’s): VAE’s worden vaak gebruikt bij het genereren van af­beel­din­gen en tekst.
• Dif­fu­sie­mo­del­len: Modellen zoals DALL-E of Stable Diffusion zijn dif­fu­sie­mo­del­len. Ze genereren gegevens door ge­lei­de­lijk ruis uit een wil­le­keu­ri­ge invoer te ver­wij­de­ren. Ze worden voor­na­me­lijk gebruikt voor het genereren van af­beel­din­gen en leveren zeer re­a­lis­ti­sche re­sul­ta­ten op.

Ver­schil­len­de methoden van machine learning

Bij machine learning worden ver­schil­len­de soorten modellen gekozen op basis van het type taak en de be­schik­ba­re gegevens. Er wordt een fun­da­men­teel on­der­scheid gemaakt tussen begeleid leren en on­be­ge­leid leren. Systemen die gebaseerd zijn op on­be­ge­leid leren worden vaak ge­ïm­ple­men­teerd in neurale netwerken.

Naast deze twee hoofd­ca­te­go­rie­ën zijn er ook semi-begeleid leren, ver­ster­kend leren en actief leren. Alle drie methoden vallen onder begeleid leren en ver­schil­len in het type en de mate van be­trok­ken­heid van de gebruiker.

Daarnaast wordt deep learning te­gen­woor­dig veel gebruikt. In te­gen­stel­ling tot een­vou­di­ge machine learning met weinig lagen, maakt het gebruik van diepere neurale net­werk­ar­chi­tec­tu­ren om com­plexe­re kenmerken en patronen in grote datasets te iden­ti­fi­ce­ren. In wezen zijn machine learning en deep learning sub­ge­bie­den van kunst­ma­ti­ge in­tel­li­gen­tie.

Wat zijn ChatGPT, DALL-E, Gemini en Co.?

Op­los­sin­gen zoals ChatGPT, DALL-E en Gemini zijn AI-in­ter­fa­ces waarmee ge­brui­kers nieuwe content kunnen creëren met behulp van ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie.

ChatGPT

ChatGPT is een van de po­pu­lair­ste tekst­ge­ne­ra­to­ren. Deze AI-chatbot wordt aan­ge­dre­ven door het GPT-4-taal­voor­spel­lings­mo­del van OpenAI en kan mens­ach­ti­ge tekstant­woor­den geven in een chat­for­maat. Net als andere GPT-modellen is ChatGPT getraind op grote hoe­veel­he­den tekst­ge­ge­vens, waardoor het een breed scala aan on­der­wer­pen kan be­han­de­len en ge­de­tail­leer­de uitleg kan geven. Door rekening te houden met de ge­spreks­ge­schie­de­nis met de gebruiker, simuleert ChatGPT een na­tuur­lij­ker en dy­na­mi­scher gesprek.

DALL-E

DALL-E is een mul­ti­mo­da­le AI-toe­pas­sing voor het genereren van af­beel­din­gen op basis van tekst­be­schrij­vin­gen. De ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie is in 2021 ont­wik­keld met behulp van OpenAI’s GPT-im­ple­men­ta­tie en is, net als ChatGPT, getraind op een grote dataset van af­beel­din­gen en bij­be­ho­ren­de tekst­be­schrij­vin­gen. Hierdoor kan de beeld-AI-website de betekenis van woorden koppelen aan visuele elementen. De nieuwste en krach­tig­ste versie is DALL-E 3. Deze werd in oktober 2023 uit­ge­bracht en stelt ge­brui­kers in staat om af­beel­din­gen in ver­schil­len­de stijlen te creëren, aan­ge­stuurd door ge­brui­kers­prompts, en ook om tekst binnen af­beel­din­gen weer te geven.

Twee­lin­gen

Gemini is een ge­ne­ra­tie­ve AI-chatbot die is ont­wik­keld door Google. De ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie wordt aan­ge­dre­ven door het Large Language Model Gemini 1.5. Net als ChatGPT kan Gemini vragen be­ant­woor­den, pro­gram­me­ren, wis­kun­di­ge problemen oplossen en helpen bij schrijf­op­drach­ten. Het maakt ook gebruik van tech­nie­ken van Natural Language Pro­ces­sing (NLP). Hoewel de AI on­af­han­ke­lijk van Google Search werkt, haalt het zijn in­for­ma­tie uit het internet. Ge­brui­kers kunnen actief bijdragen aan het ver­be­te­ren van de gegevens door middel van hun feedback.

Claude

Claude is een AI-chatbot van het Ame­ri­kaan­se bedrijf Anthropic, opgericht door voor­ma­li­ge OpenAI-on­der­zoe­kers. De huidige versie, Claude 4, die in mei 2025 werd uit­ge­bracht, bestaat uit meerdere modellen die ver­schil­len in re­ken­kracht en mo­ge­lijk­he­den. Claude staat bekend om zijn bijzonder veilige, dia­loog­ge­rich­te ontwerp en wordt vaak gebruikt in gevoelige sectoren zoals het onderwijs of het be­drijfs­le­ven. De focus ligt op trans­pa­ran­tie, dui­de­lijk­heid en ver­ant­woord gebruik van AI. Claude-modellen zijn toe­gan­ke­lijk via API-ver­bin­din­gen en in de ChatGPT-achtige app ‘Claude.ai’.

Mistral

Mistral is een Franse AI-startup die zich richt op het creëren van ef­fi­ci­ën­te, krachtige open-source modellen. In te­gen­stel­ling tot prop­ri­ë­tai­re modellen zoals GPT of Claude, legt Mistral de nadruk op openheid en mo­du­la­ri­teit. De modellen die ze uit­bren­gen zijn licht­ge­wicht maar krachtig, waardoor ze populair zijn in open-sour­ce­pro­jec­ten en zelf­ge­hos­te AI-toe­pas­sin­gen. In Europa wordt Mistral gezien als een veel­be­lo­ven­de oplossing voor AI-toe­pas­sin­gen die voldoen aan de pri­va­cy­wet­ge­ving.

LLaMA

LLaMA is het nieuwste taalmodel van Meta. De meest recente versie die in Europa be­schik­baar is, LLaMA 3.1, werd uit­ge­bracht in 2024 en on­der­scheidt zich door zijn hoge ef­fi­ci­ën­tie en pres­ta­ties in open-source scenario’s. Er zijn ver­schil­len­de versies vrij be­schik­baar die zeer geschikt zijn voor aan­ge­pas­te AI-toe­pas­sin­gen, chatbots of onderzoek. De modellen zijn ontworpen om op com­mer­ci­ë­le hardware te draaien, waardoor ze bijzonder aan­trek­ke­lijk zijn voor ont­wik­ke­laars en bedrijven die prop­ri­ë­tai­re providers willen vermijden.

Waarvoor kan ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie worden gebruikt?

Ge­ne­ra­tie­ve AI kan op allerlei gebieden worden gebruikt om bijna elk soort content te maken. Dankzij baan­bre­ken­de ont­wik­ke­lin­gen zoals GPT en de ge­bruiks­vrien­de­lijk­heid van de tech­no­lo­gie wordt het steeds toe­gan­ke­lij­ker. Toe­pas­sings­ge­bie­den van ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie zijn bij­voor­beeld:

• Tekst­cre­a­tie: nieuws­ar­ti­ke­len, creatief schrijven, e-mails, cv’s, enz.
• Beeld- en grafische creatie: logo’s, ontwerpen, kunst­wer­ken, enz.
• Muziek en geluid: com­po­ne­ren, ge­luids­ef­fec­ten, enz.
• Ont­wik­ke­ling van vi­deo­ga­mes: genereren van spel­ni­veaus, per­so­na­ges, ver­haal­lij­nen of dialogen
• Film en animatie: creatie van CGI-per­so­na­ges of -scènes, genereren van animaties of vi­deo­con­tent, enz.
• Farmacie en chemie: ont­dek­king van nieuwe mo­le­cu­lai­re struc­tu­ren of ge­nees­mid­de­len, op­ti­ma­li­sa­tie van chemische ver­bin­din­gen
• Chatbots: klan­ten­ser­vi­ce of tech­ni­sche on­der­steu­ning
• Edu­ca­tie­ve content: pro­duct­de­mon­stra­tie­vi­deo’s en tutorials in ver­schil­len­de talen
• Ar­chi­tec­tuur en ste­den­bouw: Ontwerpen van gebouwen, in­te­ri­eurs of stads­plan­nen, op­ti­ma­li­se­ren van ruimte- of in­fra­struc­tuur­ge­bruik, enz.

Wat zijn de voordelen van ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie?

Door het brede scala aan toe­pas­sin­gen biedt ge­ne­ra­tie­ve AI tal van voordelen voor diverse vak­ge­bie­den. Naast het creëren van nieuwe content kan het ook de in­ter­pre­ta­tie en het begrip van bestaande content ver­ge­mak­ke­lij­ken. De voordelen van het im­ple­men­te­ren van ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie zijn onder meer:

✓ Au­to­ma­ti­se­ring van hand­ma­ti­ge processen

✓ Sa­men­vat­ting en voor­be­rei­ding van complexe in­for­ma­tie

✓ Een­vou­di­ge­re con­tent­cre­a­tie

✓ Spe­ci­fie­ke tech­ni­sche vragen be­ant­woor­den

✓ E-mails be­ant­woor­den

Wat zijn de be­per­kin­gen van ge­ne­ra­tie­ve AI?

De be­per­kin­gen van ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie vloeien vaak voort uit de spe­ci­fie­ke be­na­de­rin­gen die worden gebruikt om bepaalde use cases te im­ple­men­te­ren. Hoewel de ge­ge­ne­reer­de content vaak zeer over­tui­gend klinkt, kan de on­der­lig­gen­de in­for­ma­tie onjuist en ge­ma­ni­pu­leerd zijn. Andere be­per­kin­gen bij het gebruik van ge­ne­ra­tie­ve AI zijn onder meer:

• De bron van in­for­ma­tie is niet altijd iden­ti­fi­ceer­baar
• De voor­in­ge­no­men­heid van originele bronnen is moeilijk te be­oor­de­len
• Re­a­lis­tisch klinkende inhoud maakt het moei­lij­ker om valse in­for­ma­tie op te sporen
• Ge­ge­ne­reer­de inhoud kan voor­in­ge­no­men­heid en voor­oor­de­len bevatten

Wat zijn de zorgen met be­trek­king tot ge­ne­ra­tie­ve AI?

Er zijn een aantal zorgen verbonden aan het gebruik van ge­ne­ra­tie­ve AI. Deze hebben niet alleen be­trek­king op de kwaliteit van de ge­ge­ne­reer­de content, maar ook op het po­ten­ti­eel voor misbruik.

• Misbruik en des­in­for­ma­tie: Het vermogen van ge­ne­ra­tie­ve AI om re­a­lis­ti­sche content te creëren kan worden misbruikt, bij­voor­beeld voor deepfakes, nepnieuws, vervalste do­cu­men­ten en andere vormen van des­in­for­ma­tie.
• Au­teurs­recht en in­tel­lec­tu­eel eigendom: ge­ge­ne­reer­de content roept vragen op over au­teurs­recht en in­tel­lec­tu­eel eigendom, omdat het vaak on­dui­de­lijk is wie de rechten op de ge­ge­ne­reer­de content bezit en hoe deze mag worden gebruikt.
• Voor­in­ge­no­men­heid en dis­cri­mi­na­tie: Als ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie is getraind op basis van voor­in­ge­no­men gegevens, kan dit terug te zien zijn in de ge­ge­ne­reer­de content.
• Ethiek: Het genereren van valse content en ge­ma­ni­pu­leer­de in­for­ma­tie kan ethische vragen oproepen.
• Ju­ri­di­sche en re­gel­ge­vings­kwes­ties: De snelle ont­wik­ke­ling van ge­ne­ra­tie­ve AI heeft geleid tot een on­dui­de­lij­ke ju­ri­di­sche situatie; er bestaat on­ze­ker­heid over hoe de tech­no­lo­gie moet worden ge­re­gu­leerd.
• Ge­ge­vens­be­scher­ming en privacy: het gebruik van ge­ne­ra­tie­ve AI om per­soons­ge­ge­vens te genereren of personen in af­beel­din­gen te iden­ti­fi­ce­ren is twij­fel­ach­tig in termen van ge­ge­vens­be­scher­ming en privacy.
• Be­vei­li­ging: Ge­ne­ra­tie­ve AI kan worden gebruikt voor social en­gi­nee­ring-aanvallen die ef­fec­tie­ver zijn dan door mensen geleide aanvallen.

Voor­beel­den van ge­ne­ra­tie­ve AI-tools

Af­han­ke­lijk van het type content dat moet worden ge­ge­ne­reerd, zijn er ver­schil­len­de ge­ne­ra­tie­ve AI-tools. Tot de beste AI-tekst­ge­ne­ra­to­ren behoren:

• ChatGPT van OpenAI
• Jasper
• Wri­te­so­nic
• Frase
• CopyAI

Enkele van de beste AI-beeld­ge­ne­ra­to­ren zijn:

• Mid­jour­ney
• DALL-E 3
• Neu­ro­f­lash
• Jasper Art
• Craiyon

Enkele van de beste AI-vi­deo­ge­ne­ra­to­ren zijn:

• Pictory
• Synthesys
• Synthesia
• HeyGen
• Veed

Ge­ne­ra­tie­ve AI versus AI

Het verschil tussen ge­ne­ra­tie­ve AI en kunst­ma­ti­ge in­tel­li­gen­tie in het algemeen ligt vooral in de toe­pas­sing en niet zozeer in de on­der­lig­gen­de tech­no­lo­gie. Terwijl het be­lang­rijk­ste doel van kunst­ma­ti­ge in­tel­li­gen­tie is om taken die doorgaans men­se­lij­ke in­tel­li­gen­tie vereisen te au­to­ma­ti­se­ren of te ver­be­te­ren, pro­du­ceert ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie nieuwe inhoud, zoals chat­res­pon­sen, ontwerpen, syn­the­ti­sche gegevens of deepfakes. Ge­ne­ra­tie­ve AI vereist een prompt, waarbij de gebruiker een eerste zoek­op­dracht of dataset invoert. Tra­di­ti­o­ne­le AI richt zich daar­en­te­gen op pa­troon­her­ken­ning, be­sluit­vor­ming, verfijnde analyse, ge­ge­vens­clas­si­fi­ca­tie en frau­de­de­tec­tie.

Best practices voor het gebruik van ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie

Het gebruik van ge­ne­ra­tie­ve AI biedt zowel kansen als risico’s. Voor ge­brui­kers die ge­ne­ra­tie­ve AI-modellen gebruiken of met hun output werken, zijn er enkele best practices om betere re­sul­ta­ten te behalen en te­ge­lij­ker­tijd po­ten­ti­ë­le risico’s te vermijden:

• Valideer re­sul­ta­ten: Con­tro­leer de ge­ge­ne­reer­de inhoud altijd op plau­si­bi­li­teit en kwaliteit.
• Begrijp de tool: u moet weten hoe de spe­ci­fie­ke ge­ne­ra­tie­ve AI-tool werkt en wat de sterke en zwakke punten ervan zijn. Het sleu­tel­be­grip hier is Ex­plai­na­ble AI (XAI).
• Ga kritisch om met bronnen: wanneer u werkt met content die is ge­ge­ne­reerd door ge­ne­ra­tie­ve AI, moet u deze ve­ri­fi­ë­ren.
• Dui­de­lij­ke labeling: Ge­ne­ra­tie­ve AI-content moet als zodanig worden gelabeld voor anderen.
• Ethiek: Gebruik ge­ne­ra­tie­ve AI op ver­ant­woor­de wijze, wat betekent dat u geen mis­lei­den­de, onjuiste of ma­ni­pu­la­tie­ve content mag creëren of ver­sprei­den.
• Voort­du­rend leren: ge­ne­ra­tie­ve kunst­ma­ti­ge in­tel­li­gen­tie evolueert snel, dus u moet op de hoogte blijven van nieuwe tech­no­lo­gie­ën, tech­nie­ken en best practices.