Overheidsbrede visie Generatieve AI

October 10, 2024

SSC-ICT is een van de grootste dienstverleners voor de overheid. Het is daarom logisch voor SSC-ICT om onderzoek te doen naar een mogelijke dienstverlening op het gebied van generatieve AI aan de hand van initiatieven zoals LearningLion. Maar wat voor visie heeft de overheid zelf eigenlijk op het gebied van generatieve AI?

Generatieve AI is volop in ontwikkeling. De overheid heeft een belangrijke verantwoordelijkheid als het gaat om het in de juiste banen leiden van deze ontwikkeling en heeft daarom op 1 januari 2024 een visie uitgebracht op deze technologie. Hierin staat dat de overheid actief wilt bijdragen aan een veilige en rechtvaardige ontwikkeling en gebruik van generatieve AI. Generatieve AI moet in dienst staat van het vergroten van het menselijk welzijn en autonomie, duurzaamheid, welvaart, rechtvaardigheid en veiligheid. Om dit te realiseren moet er worden ingezet op verantwoorde en open toepassingen van generatieve AI. Ook heeft het kabinet de ambitie om een sterk AI-ecosysteem in Nederland en de EU te realiseren, waarin volop geïnnoveerd kan worden met verantwoorde generatieve AI. Tot slot wil het kabinet randvoorwaarden creëren voor de verantwoordelijke ontwikkeling en het gebruik van generatieve AI.

De resultaten van de eerste experimenten

October 2, 2024

De resultaten van de eerste micro-experimenten zijn een verkenning van de parameters en geen shoot-out van de verschillende modellen in absolute zin. Wel geeft dit ons een beginpunt van parameters om vanuit te gaan voor de ontwikkeling van de uiteindelijke pipeline voor de use case Kamervragen.

Experimentele set-up #

Knowledge base #

Er is getest met 1159 Kamervragen met beantwoorden als knowledge base. Dit zijn alle Kamervragen met bestandextensie (zoals .pdf of .docx) uit de API van de Open Data van de Tweede Kamer. Deze vragen bestaan uit volledige documenten met subvragen.

Een beschouwing op de eerste experimenten

October 1, 2024

Binnen het project LearningLion werken we aan een use case voor de beantwoording van Kamervragen. Hiervoor wordt een eerder ontwikkelde RAG-pipeline doorontwikkeld. Uit eerdere documentatie hierover wordt niet meteen duidelijk waarom enkele parameters en modellen zijn gekozen in de pipeline tot nu toe. Vaak zitten er logische heuristieken achter en soms lijkt door anekdotisch experimenten besloten om voor sommige numerieke parameters te gaan. We willen steeds meer richting het op basis van experimenten kiezen voor de belangrijkste parameters in de RAG-pipeline en bijbehorende methodes om deze resultaten te vergelijken, zodat ons proces transparanter en reproduceerbaar is.