Dennis Hulsebos (DVJ Insights): Taal als Beperking voor AI

Kunstmatige intelligentie (AI) heeft zich de afgelopen jaren snel ontwikkeld, vooral op het gebied van grote taalmodellen (LLM’s) die in staat zijn om mensachtige teksten te genereren. Hoewel deze modellen zeer bedreven zijn in het produceren van samenhangende en complexe zinnen, hebben ze ook beperkingen - met name in de manier waarop ze taal gebruiken om te "denken".

Taal als kader voor denken

Om deze beperkingen beter te begrijpen, kunnen we kijken naar de Sapir-Whorf-hypothese, een theorie die stelt dat taal de manier waarop we denken beïnvloedt. Volgens deze hypothese vormen de structuur en woordenschat van een taal de perceptie van zijn sprekers. Zo kunnen sprekers van talen met meerdere woorden voor verschillende tinten kleuren deze tinten beter onderscheiden. Toegepast op AI, en specifiek op LLM’s, suggereert dit dat de taal waarop de modellen getraind zijn hun vermogen om te redeneren en te conceptualiseren kan beperken. Een voorbeeld hiervan is dat LLM’s, ondanks hun vloeiendheid in menselijke taal, vaak moeite hebben met eenvoudige rekenkundige taken. Dit wijst erop dat taal alleen niet altijd voldoende is voor nauwkeurige of gedetailleerde redenering, en dat AI meer gespecialiseerde hulpmiddelen nodig heeft, zoals een code-interpreter.

Jargon: De taal van gespecialiseerd denken

Professionals gebruiken vaak jargon (gespecialiseerde termen die specifiek zijn voor hun vakgebied) om complexe ideeën efficiënt over te brengen. Jargon vergemakkelijkt niet alleen de communicatie, maar vormt ook de manier waarop experts over hun werk nadenken. Medisch jargon stelt bijvoorbeeld zorgverleners in staat om complexe medische aandoeningen snel en precies te beschrijven en te begrijpen. Dit heeft praktische implicaties voor AI. Als AI-modellen worden getraind op jargonrijke data, kunnen ze beter presteren binnen gespecialiseerde domeinen. Het gebruik van jargon verfijnt niet alleen de communicatie, maar ook het cognitieve vermogen van een model. Hierdoor kan een AI die getraind is op juridisch, medisch of technisch jargon effectiever redeneren binnen die vakgebieden en een nuttiger hulpmiddel zijn voor professionals.

Een gedachte-experiment: Hiërogliefen en AI

Stel je een gedachte-experiment voor: wat als we een AI-model trainen met hiërogliefen, een oude symbolische taal? Hiërogliefen communiceren ideeën visueel en symbolisch, in plaats van via abstracte woorden. Als een model zou worden getraind op zo’n systeem, zou het mogelijk beter in staat zijn om visuele informatie te interpreteren en zo de kloof tussen tekst en beeld te overbruggen. Dit experiment benadrukt dat alternatieve talen of symbolische systemen de capaciteiten van AI kunnen verruimen, vooral in vakgebieden waar het interpreteren van complexe visuele data essentieel is.

Implicaties voor professionals

Deze inzichten bieden een nieuw perspectief op de samenwerking tussen professionals en AI. Door te erkennen dat de taal die we gebruiken-en de taal waarop AI getraind is-de manier van denken beïnvloedt, kunnen professionals AI-tools beter afstemmen op hun specifieke behoeften. Experts in zeer gespecialiseerde vakgebieden zouden bijvoorbeeld kunnen kiezen voor AI-systemen die specifiek zijn getraind op het jargon van hun vakgebied, wat resulteert in nauwkeurigere en relevantere uitkomsten. Daarnaast kan het nuttig zijn om AI-toepassingen te ontwikkelen die gebruikmaken van visuele of symbolische talen, vooral in vakgebieden zoals design, architectuur of datavisualisatie, waar deze vormen van communicatie van cruciaal belang zijn.

Door de complexe relatie tussen taal en denken te begrijpen, kunnen professionals AI beter inzetten in hun dagelijkse werkzaamheden en de mogelijkheden van deze technologie verder uitbreiden.

Conclusie

Hoewel AI-modellen zoals LLM’s aanzienlijke vooruitgang hebben geboekt, worden hun capaciteiten gevormd en mogelijk beperkt door de taal die ze verwerken. Door dit te begrijpen en in te spelen op deze dynamiek, kunnen professionals hun samenwerking met AI verbeteren door gebruik te maken van jargon en door systemen te ontwikkelen die niet alleen effectief communiceren, maar ook denken op een manier die aansluit bij de specifieke eisen van verschillende vakgebieden. Of het nu gaat om het gebruik van jargon, symbolische talen of andere innovatieve AI-tools, de toekomst van professionele praktijken ligt in het benutten van de complexe wisselwerking tussen taal en technologie.