Frederik Wouters
💡 Mijn geloof in het belang van RAG (retrieval augmented generation) werd bevestigd, nadat IBM enkele indrukwekkende RAG-cases toonde. Een van de presentators noemde het zelfs de "grootste productiviteitswinnaar" onder hun AI-tools.
🔍 Twee voorbeelden:
- IBM Deep Search (https://ds4sd.github.io/) is superkrachtig en er is een gratis versie.
- Sevilla Scout Advisor: hier wordt RAG toegepast op atleten. Kijk eens op https://lnkd.in/eJ3mz9uS.
📊 Enkele interessante feiten en cijfers:
- IBM beweert dat ze 1500 uur handmatig werk hebben bespaard door Generative AI te gebruiken om taal om te zetten in code voor een klant.
- Ze schatten dat het schrijven van code 70% van de tijd een AI-job zal zijn.
- Bij IBM is 60% van de dev-content automatisch gegenereerd.
- Als coding wordt geassisteerd door AI, is er een reductie van 45% in de development effort.
- Je kunt je eigen modellen meebrengen (BYOM) in het Watson-ecosysteem.
- IBM beweert "open" te zijn voor andere modellen, hoewel niet zo open als open source (als ik het goed begrijp).
- 90% van de online betalingen lopen nog steeds via COBOL op een mainframe.
- Er zijn nog steeds ongeveer 230 miljard regels COBOL-code actief in productie.
Je mag het belang van AI governance niet vergeten, dat bestaat uit drie pijlers: lifecycle, risicobeheer en compliance.
Er werd ook duidelijk onderscheid gemaakt tussen de soorten risico's in een AI-project: regulatory risk, reputatierisico en operationeel risico.