Bij djurve zetten we de klanten standaard voorop. We ontwikkelen software voor ons platform op basis van hun input. Samen met de klant bedenken we de juiste oplossingen voor QMS, OWM en LMS. Bij de ontwikkelingen voor AI kiezen we voor een andere aanpak!
De kennis van de klant van de productie en logistieke sector samen met onze kennis is een sterke combinatie. Maar bij de ontwikkelingen voor AI wijken we hier van af omdat de kennis van onze klanten uit productie en logistieke sector komt. De kennis rondom AI zit juist bij djurve zelf. Het is ict-kennis waarbij onze klanten onze expertise nodig hebben.
In dit artikel gaan we in op de twee stromingen die zichtbaar zijn in de AI wereld. Daarna lichten we toe hoe we daarin vanuit djurve acteren.
Eerste stroming: Generieke AI – one ring to rule them all
De eerste richting die we zien zijn de chatbots van OpenAI/ChatGPT, Gemini, Grok, Le Chat, etc. Deze chatbots kunnen eigenlijk alles. Ze kunnen teksten genereren, afbeeldingen maken of tabellen opleveren. Daarbij kunnen ze steeds beter redeneren en plannen maken. De basis achter al deze chatbots is een taalmodel (LLM). Deze taalmodellen zorgen ervoor dat je met gewone taal met een chatbot kunt praten.
De taalmodellen worden vooral getraind op basis van de data die voorhanden is op internet. Dit trainen kost veel tijd waardoor de kennis van de taalmodellen altijd wat achter loopt. Om te zorgen dat de chatbots actuele kennis hebben, zijn daarom MCP servers bedacht. Dit zijn online databronnen met de gegevens die bedrijven willen aanbieden aan een taalmodel. Daarom zie je allerlei bedrijven zoals Google, Salesforce, Microsoft die MCP servers aanbieden die door de chatbots kunnen worden gebruikt.
Bovenop deze ontwikkelingen is die van agents gestart. De gedachte achter de agents is dat je werk dat zich online afspeelt, kunt laten afhandelen door een digitale assistent. Dit wordt vooral gedreven door de amerikaanse bedrijven, maar ook bv door Mistral uit Frankrijk. Deze agents worden voorzien van skills en worden daarmee slim gemaakt. De skills zijn niets anders dan commandos (ook wel instructies) voor de chatbot (en het achterliggende taalmodel). Op basis van die skills weet de agent wat zijn taak is en kan die zijn werk uitvoeren.
De online werkzaamheden die binnen een organisatie moeten gebeuren, worden tussen agents verdeeld. Deze agents hebben allemaal een eigen rol of functie net zoals binnen een fysiek bedrijf. Deze verschillende soorten agents, worden gebruikt om de taken uit te voeren en ook om de andere agents te corrigeren zodat ze de juiste output geven.
De leidende AI-bedrijven streven er naar dat er een algemene chatbot is, waarmee je alles kan. Je kunt je werk uitbesteden aan agents zoals hierboven besproken. Daarmee kunnen ze jou werk uit handen nemen door bestellingen te doen of afspraken te maken. Daarvoor hebben ze toegang tot de MCP servers nodig om over actuele kennis te kunnen beschikken. Samenvattend kun je dat zien als ‘One ring to rule them all’.
Tweede stroming: Toegepaste AI – one of the rings
De tweede richting die we zien is het toepassen van AI op kleinere schaal. Binnen bestaande SaaS-platformen of applicaties wordt gebruik gemaakt van de beschikbare taalmodellen om werk te optimaliseren. De toepassingen die hiervoor worden ontwikkeld zijn veel specifieker. Ze richten zich op het vereenvoudigen van processen binnen het platform of het aanbieden van nieuwe diensten op basis van aanwezig data.
Eventueel kan hier ook de chatbot ingezet worden. De chatbot gebruikt een LLM (taalmodel) om in normale taal met een gebruiker te chatten. Deze gebruiker kan allerlei vragen stellen over het platform. Dit lijkt daarmee op de eerste richting, alleen heeft deze chatbot een veel kleinere scope. Door deze meer product gerichte chatbot kan eventueel gebruik gemaakt worden van de eerder genoemde MCP Servers. Het is echter ook mogelijk om gewoon gebruik te maken van de al aanwezige product api’s die de content vanuit het platform aanbieden aan de chatbot. Samenvattend kan dit gezien worden als ‘one of the rings’.
Onze richting
Bij djurve kiezen we voor de tweede richting ‘Toegepaste AI’. De reden dat we kiezen voor deze richting is vanwege de data van onze klanten. Die willen we niet aan externe partijen geven en willen we de volledige controle over houden.
Wij zien AI als een goed middel om bestaande processen te optimaliseren en door content te laten genereren met AI. Ideeën die wij ontwikkeld hebben en waar we aan werken:
- Data in processen categoriseren
- Suggestie voor bepaalde velden geven
- Eenvoudige besluiten in processen nemen
- Vragen en antwoorden voor opleidingen generen
- Handleidingen genereren op basis van bestaande handleidingen
Zoals we schreven kiezen we hoofdzakelijk voor de tweede richting. Daarbij maken wij voor onze taalmodellen gebruik van een externe partij. Daarmee kunnen we de kosten voor het gebruik van AI laag houden en profiteren van de rekenkracht van een Europese partner.
De reden dat we dit zo doen lichten we toe een volgende blog.