Nieuws en inzichten
over AI

Iedereen praat over AI, maar hoe krijg je echte en impactvolle oplossingen van de tekentafel naar de praktijk om de manier waarop mensen werken fundamenteel te verbeteren? Wolters Kluwer Schulinck en Mozaik werken samen, van het eerste idee tot de commerciele lancering van zeer succesvolle AI-toepassingen. Maar laten we eerlijk zijn, het was geen makkie.

Wij geloven dat AI de vorm moet aannemen van end-to-end applicaties die volledig geintegreerd zijn in werkprocessen en een genot zijn om te gebruiken. Daarom zijn we enthousiast om een partnership aan te gaan met SST Software.

In het snel evoluerende vakgebied van AI-engineering zoeken we voortdurend naar manieren om verder te gaan dan simpele code-aanvulling en Large Language Models (LLMs) in te zetten voor complexere, projectspecifieke ontwikkeltaken.

In het huidige landschap van Applied AI engineering is het waarborgen van consistente, betrouwbare output van LLMs een cruciale uitdaging. In verschillende van onze projecten moesten we een balans vinden tussen nauwkeurige structured outputs en de inherente variabiliteit van LLMs. Om dit probleem op te lossen, hebben we een robuuste oplossing ontwikkeld die gebruikmaakt van structured output en het meest betrouwbare antwoord uit meerdere kandidaten selecteert.

We hebben allemaal die lade vol opladers thuis. Het kostte USB-C tien jaar om daar opgeruimd te krijgen. Doorgaans omarmen leveranciers interoperabiliteit pas wanneer marktkrachten erom vragen. Maar AI draait dat script om.

AI-agents doen meer dan alleen praten; ze voeren beslissingen uit die bedrijven wendbaar houden. Van het optimaliseren van voorraden tot het automatiseren van klantopvolging, deze tools hervormen het beheer van taken. Duik in hoe AI-agents processen stroomlijnen terwijl je data veilig blijft.

AI is een krachtige kans voor content- en softwareaanbieders. Maar er ontstaan risico's voor het eigenaarschap van de klantinterface, het ontstaan van nieuwe potentiele concurrenten en de controle over data. Hoe kunnen content- en softwareaanbieders het AI-potentieel benutten, zonder de nadelen?

Er is ruim een decennium verstreken sinds de 'deep learning-revolutie' de wereld van computer vision op zijn kop zette, en nu staan we op het punt opnieuw een ingrijpende verschuiving mee te maken die belooft computer vision eenvoudiger en toegankelijker te maken dan ooit tevoren.

We hebben dataplatformen en producten ontwikkeld vanuit het idee dat de uiteindelijke eindgebruiker iemand is die achter een computerscherm zit en rondklikt in datatools en grafische presentaties van inzichten. Dit gaat allemaal veranderen.

In het landschap van kunstmatige intelligentie veranderen Large Language Models (LLMs) in hoog tempo hoe bedrijven werken en met data omgaan. Het gaat niet alleen om het verhogen van productiviteit, maar ook om het openen van nieuwe wegen voor innovatie. We duiken in vijf use cases van LLMs en laten zien hoe ze werken en welke impact ze hebben op bedrijven.

Vandaag zijn we erg enthousiast om Mozaik te introduceren, om baanbrekende AI te definieren, ontwerpen en ontwikkelen. Dit is het begin van de meest spannende tijd in datatechnologie, en wij helpen organisaties hier van begin tot eind doorheen te navigeren.

We zijn enthousiast om Stijn Tonk te introduceren als partner bij Mozaik, die zich aansluit bij Gert Jan Spriensma en Vincent Hoogsteder in ons managementteam. Stijn brengt uitgebreide ervaring mee in het bouwen van schaalbare platformen, het leiden van teams en het versterken van data- en AI-capaciteiten voor enkele van 's werelds grootste organisaties.

Veel mensen kennen grote spelers zoals OpenAI, die geavanceerde modellen uitbrengen, maar het draaien van deze modellen gaat vaak gepaard met hoge kosten. Tegelijkertijd komt er een steeds groter aanbod aan andere modellen op, wat tot verwarring leidt bij het navigeren door dit groeiende landschap.

De afgelopen maanden hebben we een van onze klanten geholpen om een Retrieval-Augmented Generation (RAG) prototype in productie te brengen. In dit bericht wil ik onze belangrijkste learnings en mijlpalen uit dit twee maanden durende avontuur delen.

Het eerste AI-project in een bedrijf is de kans om hooggespannen verwachtingen waar te maken en mensen enthousiast te maken voor meer. Wij geloven dat je dit kunt doen door een geisoleerde casus te voorkomen, en in plaats daarvan een Hoeksteen use-case te bouwen.

Dit is een zeldzaam moment, waarop bedrijven die hebben gewacht met de overstap naar een data warehouse een voordeel hebben in hun AI-ontwikkeling. Waarom? Laten we induiken welke technologie het beste werkt voor AI.

De manier waarop we het internet doorzoeken verandert razendsnel. AI-tools zoals Perplexity, ChatGPT, Gemini en Claude transformeren hoe we online informatie vinden en ermee omgaan.

We zijn het tijdperk van keuze in AI binnengetreden. Na een jaar van OpenAI-dominantie heb je nu de vrijheid om even goed presterende modellen te gebruiken, in dezelfde prijsklasse, van leveranciers van Silicon Valley tot Parijs. Het is nu mogelijk om use-cases te bouwen op hybride modellen en de prijzen zijn over de hele linie 4x gedaald in slechts 15 maanden. Het is een geweldige tijd om te bouwen in AI.

Wanneer we klanten ontmoeten die intern zijn bijgepraat, zien we vaak een basaal begrip van termen als vector embeddings. Dit begrip richt zich echter doorgaans op waarom het nodig is, in plaats van op de werking ervan of de vereisten voor implementatie.

Als je AI hebt verkend, en met name Large Language Models (LLMs), ben je waarschijnlijk de term "token" tegengekomen. Dit concept komt vaak ter sprake in discussies over prijzen, waar de kosten doorgaans gebaseerd zijn op een model per duizend tokens.