Blogs

Medewerkers opleiden in een AI-organisatie AI zal de werkplek aanzienlijk veranderen, maar dat gebeurt in stappen en zeker niet van de ene op de andere dag. Veel organisaties beginnen met de inzet van AI voor generatieve ondersteuning van medewerkers, zoals teksten schrijven of een vergadering samenvatten. Een volgende stap is de

DeepSeek R1 is de laatste dagen veel in het nieuws en heeft zelfs gezorgd voor een enorme daling in waarde van gerenommeerde bedrijven als Nvidia en OpenAI. Maar waarom is DeepSeek R1 zo revolutionair? 

We bespreken in deze blog hoe ze dit voor elkaar hebben gekregen, een paar van de gebruikte technieken en waarom het open source maken van AI-modellen zo belangrijk is voor de vooruitgang van AI.

De ontwikkeling van AI blijft razendsnel gaan en een van de meest intrigerende toepassingen van de laatste tijd vind ik AI-agents. Ik verwacht dat AI-agents een enorme impact gaan hebben op het dagelijks werk van medewerkers en daarmee ook op leren & ontwikkelen. In dit blog neem ik je mee in de wereld van AI-agents en hoe deze technologie de toekomst van werk vormgeeft.

Een van de uitdagingen waar je tegenaan loopt bij het trainen van AI-modellen is veranderingen. Om te voorkomen dat je een model bij iedere nieuwe situatie weer helemaal opnieuw moet trainen, kun je gebruik maken van transfer learning. In deze blog laten we zien hoe dat werkt en in welke situaties transfer learning geschikt is.

AI biedt enorme mogelijkheden om kennis duurzaam te borgen en te ontsluiten. Maar zonder een doordachte aanpak kan de inzet van AI leiden tot verkeerde of onvolledige kennisoverdracht en juist voor verwarring zorgen. Waat moet je op letten als je AI inzet voor kennismanagement? Wat zijn de valkuilen?

In iedere organisatie is veel kennis aanwezig. Een belangrijk deel hiervan zit in het hoofd van de medewerkers. Als iemand met pensioen gaat, neemt hij deze kennis mee en ben je als organisatie de kennis kwijt. Zonde en helemaal niet nodig. Door deze kennis slim te borgen, zorg je ervoor dat de kennis behouden blijft. In deze blog laten we je zien hoe je hiervoor de kracht van AI kunt gebruiken.

Het trainen van een AI-model vereist niet alleen de juiste software en datasets, maar ook krachtige hardware om dit proces efficiënt te laten verlopen. In deze blog bespreken we de belangrijkste hardwarecomponenten die nodig zijn om kosteneffectief een AI-model te trainen, en waar je op moet letten bij het samenstellen van een systeem.

De Europese AI-Verordening is een feit en daarmee wordt het steeds belangrijker kennis over AI in huis te hebben. Dat geldt zowel voor ontwikkelaars als voor gebruikers van AI-systemen. Een AI-expertteam opzetten kan hierin een goede stap zijn. Maar hoe doe je dat? Hoe bepaal je welke kennis je nodig hebt?

Data wordt gezien als het nieuwe goud. Bedrijven investeren dan ook massaal in het verzamelen en opslaan van grote hoeveelheden data in de overtuiging dat dit de sleutel is tot succes. Maar wat heb je aan data in onze kenniseconomie? Leidt meer data ook automatisch tot meer kennis?

Als je weleens met ChatGPT hebt gewerkt, dan weet je dat de output niet altijd klopt. Daarbij wordt jouw input gebruikt om ChatGPT verder te trainen. Steeds meer bedrijven kiezen er dan ook voor hun eigen AI-model te trainen. Zo blijf je baas over je eigen output en data. Maar hoe doe je dat?