De kracht van de inzet van Large Language Models; praktische toepassingen voor de business

ChatGPT kennen we inmiddels allemaal: een chatbot, ontwikkeld door OpenAI en gespecialiseerd in het voeren van dialogen met mensen. Een tool die de andere toepassingen van Large Language Models (LLMs) ondersneeuwt, vindt Julian van den Berg: ‘Er is zoveel meer mogelijk met andere implementaties van LLMs.’ Tijdens zijn stage bij Springleaf Automation ontwikkelde Julian met LLM’s twee veelbelovende oplossingen, voor zowel klanten als Springleaf.

Taalmodellen
Julian zit in zijn vierde jaar HBO-ICT van Windesheim. Ondanks zijn afstudeerrichting industriële automatisering, wilde hij heel graag met taalmodellen aan de slag. ‘Het is heel nieuw en naar mijn mening nog onderbelicht. Na een zomer zelf hobbyen wilde ik me er graag verder in ontwikkelen, dus zocht ik een stage waar dat kon. Bij Springleaf werkte ik aan twee opdrachten: het uitlezen van mail voor klanten en het maken van procesflows met schattingen van ontwikkeltijd voor Springleaf zelf.’

BERT en Hyperautomation
Door taalmodellen te integreren in geautomatiseerde processen, kun je complexe taken automatiseren die taalbegrip vereisen. Julian gebruikte het NLP-model BERT (Bidirectional Encoder Representations from Transformers), een andere vorm van machine learning. Julian: ‘GPT is geoptimaliseerd in het voorspellen van het volgende woord, wat goed toepasbaar is voor bijvoorbeeld het voeren van gesprekken. BERT is geschikt voor een breed scala aan complexe taalverwerkingstaken, zoals vertaling, samenvatting en sentimentanalyse. BERT heeft veel voordelen ten opzichte van ChatGPT. Het model GPT is heel algemeen, BERT kun je specifiek maken. Bij ChatGPT ben je als gebruiker afhankelijk van de organisatie erachter: OpenAI. BERT heb je zelf in de hand. Dat maakt het heel interessant voor organisaties.’

Minimal viable products met potentie
Julian ontwikkelde met BERT een manier om ongestructureerde data te structureren. ‘Springleaf heeft veel woningcorporaties en notariskantoren als klant. Zij ontvangen mail van willekeurige emailadressen. Met LLM kun je op basis van informatie uit de mail, een koppeling maken met de klant die erbij hoort. Of met de betreffende huurder.’ De tweede oplossing is een business process management (BPM) tool om op basis van de werkinstructie van de klant een proces met ureninschatting te maken. ‘De ontwikkelingen in AI gaan zo snel, dat ik vooral bij de 2e oplossing het plan steeds moest aanpassen.’ Beide oplossingen zijn nog in de ‘MVP-fase’ (minimal viable product) en worden op dit moment verder doorontwikkeld bij Springleaf.

Waarde toevoegen
Inmiddels zit de stageperiode van Julian erop en bereidt hij zich voor op zijn afstuderen in april. Hij kijkt terug op een leerzame stage. ‘Springleaf is een jong en dynamisch bedrijf met korte lijnen. De mensen zijn fijn om mee samen te werken en het is mooi om waarde te kunnen toevoegen voor klanten. Ik vind het leuk dat ik met mijn opdracht iets heb kunnen ontwikkelen waar ze mee verder kunnen.’ Namens iedereen bij Springleaf wensen we Julian veel succes met zijn afstuderen en verdere carrière!   

Wilt u meer weten over onze visie op RPA, Hyperautomation en LLM en hoe wij deze technologieën binnen uw organisatie inzetten om waardevoller werken mogelijk te maken? Bekijk dan al onze diensten, of boek een adviesgeprek.