Regels, taalmodel of eigen beslismodel: wat past bij jouw proces?

Wanneer zijn vaste regels genoeg?

Vaste regels zijn genoeg als je de beslissing in een paar zinnen kunt uitleggen. Is de factuur compleet? Loopt deze opdracht binnen dertig dagen af? Heeft deze medewerker een geldig certificaat? Regels zijn goedkoop, voorspelbaar en volledig uitlegbaar: je kunt altijd aanwijzen waarom het systeem iets deed.

De grens ligt waar de werkelijkheid rommeliger wordt dan je regels. Zodra je uitzonderingen op uitzonderingen gaat schrijven, of de input een vrij geschreven bericht is, wordt een regel onderhoudbaar noch betrouwbaar.

Wanneer gebruik je een taalmodel?

Een taalmodel gebruik je als de input ongestructureerde tekst is: een WhatsApp-bericht, een mail, een geplakte aanvraag. Het model leest de tekst en haalt eruit wat je nodig hebt, zoals de klant, de datum, de functie en het bedrag, of vat een lange draad samen.

Een taalmodel is sterk in begrijpen en formuleren, maar niet in rekenen of in consequent dezelfde afweging maken. Laat het daarom lezen en voorstellen, en laat een mens controleren wat het heeft ingevuld voordat het wordt opgeslagen.

Wanneer train je een eigen beslismodel?

Een eigen getraind model is zinvol als het antwoord in je historische gegevens zit, maar niet in een regel te vangen is. Hoeveel uren verwachten we volgende week? Welke aanvraag wordt waarschijnlijk een opdracht? Welke klant dreigt af te haken? Een classificatie- of voorspellingsmodel leert dat patroon uit wat er eerder gebeurde.

Zo'n model geeft geen ja of nee, maar een inschatting met een waarschijnlijkheid. Dat is precies wat je wilt: een signaal dat een mens helpt prioriteren, niet een beslissing die het systeem zelf neemt.

Hoe kies je tussen de drie?

Begin bij de vraag wat de input is en hoe goed je de logica al kent. Deze vergelijking helpt je de eerste keuze te maken:

Waarom voorspellen en niet beslissen?

Omdat een model zich kan vergissen, en de gevolgen van een vergissing bij een mens moeten liggen die het kan overzien. De Europese AI-verordening werkt met risiconiveaus. Bepaalde toepassingen in werk en personeel, zoals werving en selectie of het verdelen van taken, vallen onder hoog risico, en voor zulke systemen gelden onder meer eisen aan menselijk toezicht.

Ook buiten die categorie is het verstandig: een voorspelling die een mens ziet, beoordeelt en eventueel overrulet, bouwt vertrouwen op. Een systeem dat stilletjes zelf beslist, verliest het bij de eerste fout.

Wat heb je nodig voordat je een eigen model traint?

Drie dingen. Ten eerste genoeg historische gegevens waarin de uitkomst bekend is: je kunt een model niet leren voorspellen welke aanvraag een opdracht wordt als je nooit hebt bijgehouden welke het werden. Ten tweede een duidelijke vraag: één uitkomst die je wilt voorspellen, niet vijf tegelijk. Ten derde een manier om te meten of het model klopt, door het te testen op gegevens die het tijdens het trainen niet heeft gezien.

Een model is zo goed als de gegevens waarop het leert. Zitten daar scheve patronen in, dan neemt het model die over. Daarom kijk je vooraf kritisch naar je data en blijf je de voorspellingen achteraf toetsen.

Hoe combineer je ze in één systeem?

De sterkste opzet gebruikt alle drie, elk waar het goed in is. Een taalmodel leest het binnenkomende bericht en vult een voorstel in. Vaste regels bewaken de grenzen: bedragen, uren en marges komen uit geteste code, en bepaalde acties zijn simpelweg niet toegestaan. En aan het eind staat een mens die goedkeurt. Een voorspellingsmodel kan daar later een inschatting aan toevoegen, als er genoeg historische gegevens zijn.

Zo bouwen we AI-integraties: een taalmodel stelt voor, de regels houden het binnen de lijnen, en de beslissing blijft bij jou.