Generatieve AI-oplossingen voor ontwikkelaars

Generatieve AI, ingeschakeld door grote taalmodellen (LLM's), opent spannende nieuwe mogelijkheden voor softwareontwikkelaars en organisaties. Services zoals Azure OpenAI Service maken AI-ontwikkeling toegankelijk met gebruiksvriendelijke API's. Ontwikkelaars op alle vaardigheidsniveaus kunnen geavanceerde AI-functionaliteit integreren in hun toepassingen zonder speciale kennis of hardware-investeringen.

Als ontwikkelaar van toepassingen wilt u misschien weten in welke rol u kunt spelen en waar u zich bevindt. Misschien vraagt u zich af op welk niveau in de 'AI-stack' u zich richt op uw leerproces. Of u vraagt zich misschien af wat u in staat bent om te bouwen met bestaande technologieën.

Om deze vragen te beantwoorden, is het belangrijk dat u eerst een mentaal model ontwikkelt dat in kaart brengt hoe nieuwe terminologie en technologieën passen in wat u al begrijpt. Het ontwikkelen van een mentaal model helpt u bij het ontwerpen en bouwen van generatieve AI-functies in uw toepassingen.

In een reeks artikelen laten we u zien hoe uw huidige softwareontwikkelingservaring van toepassing is op generatieve AI. In de artikelen wordt ook een basis van trefwoorden en concepten ingesteld waarop u kunt voortbouwen wanneer u begint met het ontwikkelen van uw eerste generatieve AI-oplossingen.

Hoe bedrijven profiteren van het gebruik van generatieve AI

Als u wilt weten hoe uw huidige softwareontwikkelingservaring van toepassing is op generatieve AI, is het belangrijk om te begrijpen hoe bedrijven willen profiteren van het gebruik van generatieve AI.

Bedrijven zien generatieve AI als een middel om klantbetrokkenheid te verbeteren, operationele efficiëntie te verhogen en probleemoplossing en creativiteit te verbeteren. Het integreren van generatieve AI in bestaande systemen biedt bedrijven de mogelijkheid om hun software-ecosystemen te verbeteren. Het kan een aanvulling vormen op traditionele softwarefuncties met geavanceerde AI-mogelijkheden, zoals persoonlijke aanbevelingen voor gebruikers of een intelligente agent die specifieke vragen over een organisatie of producten of services kan beantwoorden.

Hier volgen enkele veelvoorkomende scenario's waarbij generatieve AI bedrijven kan helpen:

• inhoudsgeneratie:

  • Tekst, code, afbeeldingen en geluid genereren. Dit scenario kan nuttig zijn voor marketing, verkoop, IT, interne communicatie en meer.

• verwerking van natuurlijke taal:

  • Stel zakelijke communicatie op of verbeter deze via suggesties of volledige generatie van berichten.
  • Gebruik 'Chatten met uw gegevens'. Dat wil weten dat een gebruiker vragen kan stellen in een chat-ervaring door gegevens te gebruiken die zijn opgeslagen in de databases of documenten van de organisatie als basis voor antwoorden.
  • Samenvatting, organisatie en vereenvoudiging van grote inhoudsteksten om inhoud toegankelijker te maken.
  • Gebruik semantische zoekopdrachten. Dat wil zeggen dat gebruikers documenten en gegevens kunnen doorzoeken zonder exacte trefwoordovereenkomsten te gebruiken.
  • Vertaal taal om het bereik en de toegankelijkheid van inhoud te vergroten.

• gegevensanalyse:

  • Analyseer markten en identificeer trends in gegevens.
  • Modelleer 'what if'-scenario's om bedrijven te helpen bij het plannen van mogelijke wijzigingen of uitdagingen op elk gebied van het bedrijf.
  • Analyseer code om verbeteringen voor te stellen, fouten op te lossen en documentatie te genereren.

Een softwareontwikkelaar heeft de mogelijkheid om hun impact aanzienlijk te vergroten door generatieve AI-toepassingen en -functionaliteit te integreren in de software waarop hun organisatie afhankelijk is.

Generatieve AI-toepassingen bouwen

Hoewel de LLM het zware werk doet, bouwt u systemen die de resultaten integreren, organiseren en bewaken. Er is veel te leren, maar u kunt de vaardigheden die u al hebt toepassen, waaronder het volgende:

• Maak aanroepen naar API's met behulp van REST, JSON of taalspecifieke SOFTWARE Development Kits (SDK's)
• Aanroepen naar API's organiseren en bedrijfslogica uitvoeren
• Opslaan naar en ophalen uit gegevensarchieven
• Invoer en resultaten integreren in de gebruikerservaring
• API's maken die kunnen worden aangeroepen vanuit LLM's

Het ontwikkelen van generatieve AI-oplossingen bouwen voort op uw bestaande vaardigheden.

Ontwikkelhulpprogramma's en -services

Microsoft investeert in het ontwikkelen van hulpprogramma's, services, API's, voorbeelden en leerbronnen om u te helpen bij het beginnen met uw ontwikkeltraject voor AI. Elk geeft een belangrijke zorg of verantwoordelijkheid aan die nodig is om een generatieve AI-oplossing te bouwen. Als u een bepaalde service, API of resource effectief wilt gebruiken, moet u ervoor zorgen dat u:

• Inzicht krijgen in de typische functies, rollen en verantwoordelijkheden in een bepaald type generatieve AI-functie. Zoals we bijvoorbeeld uitvoerig bespreken in conceptuele artikelen waarin retrieval-augmented generation (RAG)-gebaseerde chatsystemen wordt beschreven, zijn er veel verantwoordelijkheden met betrekking tot de architectuur in het systeem. Het is belangrijk dat u het probleemdomein en de beperkingen intiem begrijpt voordat u een systeem ontwerpt waarmee het probleem wordt opgelost.
• Inzicht krijgen in de API's, services en hulpprogramma's die bestaan voor een bepaalde functie, rol of verantwoordelijkheid. Nu u het probleemdomein en de beperkingen begrijpt, kunt u ervoor kiezen om dat aspect van het systeem zelf te bouwen met behulp van aangepaste code of bestaande hulpprogramma's voor weinig code/geen code, of u kunt API's aanroepen voor bestaande services.
• Krijg inzicht in de opties, waaronder codegerichte en no-code/low-code-oplossingen. U kunt alles zelf bouwen, maar is dat een efficiënt gebruik van uw tijd en vaardigheden? Afhankelijk van uw vereisten kunt u meestal een combinatie van technologieën en benaderingen samenvoegen (code, no-code, low-code, tools).

Er is geen enkele juiste manier om generatieve AI-functies in uw toepassingen te bouwen. U kunt kiezen uit veel hulpprogramma's en benaderingen. Het is belangrijk dat u de afwegingen van elk ervan evalueert.

Beginnen met de toepassingslaag

U hoeft niet alles te begrijpen over hoe generatieve AI werkt om aan de slag te gaan en productief te zijn. Zoals eerder vermeld, weet u waarschijnlijk al genoeg. U kunt API's gebruiken en bestaande vaardigheden toepassen om aan de slag te gaan.

U hoeft bijvoorbeeld uw eigen LLM helemaal zelf niet te trainen. Het trainen van een LLM vereist tijd en middelen die de meeste bedrijven niet willen investeren. In plaats daarvan bouwt u voort op bestaande vooraf getrainde basismodellen, zoals GPT-4, door API-aanroepen uit te voeren naar bestaande gehoste services, zoals de Azure OpenAI-API. Het toevoegen van generatieve AI-functies aan een bestaande toepassing verschilt niet van het toevoegen van andere functionaliteit op basis van een API-aanroep.

Onderzoek hoe LLM's worden getraind of hoe ze werken, kunnen uw intellectuele nieuwsgierigheid bevredigen, maar volledig begrijpen hoe een LLM werkt, vereist een diepgaand begrip van gegevenswetenschap en de wiskundige achtergrond die dit ondersteunt. Het verkrijgen van dit begrip kan bestaan uit cursussen op diplomaniveau over statistieken, waarschijnlijkheden en informatietheorie.

Als u een computerwetenschapachtergrond hebt, kunt u waarderen dat de meeste toepassingsontwikkeling plaatsvindt op een hogere laag in de 'stack' van onderzoek en technologieën. Mogelijk hebt u enig inzicht in elke laag, maar u bent waarschijnlijk gespecialiseerd in de ontwikkellaag van toepassingen, met een focus op een specifieke programmeertaal en platform, zoals beschikbare API's, hulpprogramma's en patronen.

Hetzelfde geldt voor het veld AI. U kunt de theorie begrijpen en waarderen die op LLM's wordt gebouwd, maar u richt zich waarschijnlijk op de toepassingslaag of helpt bij het implementeren van patronen of processen om een generatieve AI-inspanning in uw bedrijf mogelijk te maken.

Hier volgt een te versimpelde weergave van de kennislagen die nodig zijn voor het implementeren van generatieve AI-functies in een nieuwe of bestaande toepassing:

Op het laagste niveau doen gegevenswetenschappers gegevenswetenschaponderzoek om AI op te lossen of te verbeteren op basis van een diep wiskundig begrip van statistieken, waarschijnlijkheidstheorie, enzovoort.

Eén laag omhoog, gebaseerd op de laagste basislaag, implementeren gegevenswetenschappers theoretische concepten in LLM's, bouwen de neurale netwerken en trainen de gewichten en vooroordelen om een praktisch stukje software te bieden dat invoer kan accepteren (prompts) en resultaten genereert (voltooiingen). Het rekenproces voor het opstellen van voltooiingen op basis van prompts wordt inferentiegenoemd. Gegevenswetenschappers bepalen hoe de neuronen van het neurale netwerk het volgende woord of pixel voorspellen dat moet worden gegenereerd.

Gezien de hoeveelheid verwerkingskracht die nodig is om modellen te trainen en resultaten te genereren op basis van invoer, worden modellen vaak getraind en gehost in grote datacenters. Het is mogelijk om een model op een lokale computer te trainen of hosten, maar de resultaten zijn vaak traag. Snelheid en efficiëntie worden geleverd met toegewezen GPU-videokaarten die helpen bij het afhandelen van de rekenkracht die nodig is om resultaten te genereren.

Wanneer deze worden gehost in grote datacenters, wordt programmatische toegang tot deze modellen geboden via REST API's. De API's worden soms 'verpakt' door SDK's en zijn beschikbaar voor toepassingsontwikkelaars voor gebruiksgemak. Andere hulpprogramma's kunnen helpen de ontwikkelaarservaring te verbeteren, waarneembaarheid of andere hulpprogramma's te bieden.

Toepassingsontwikkelaars kunnen deze API's aanroepen om bedrijfsfunctionaliteit te implementeren.

Naast het via programma's aansturen van de modellen, komen patronen en processen op om organisaties te helpen betrouwbare bedrijfsfuncties te ontwikkelen op basis van generatieve AI. Zo komen er patronen op die bedrijven helpen ervoor te zorgen dat de gegenereerde tekst, code, afbeeldingen en geluid voldoen aan ethische en veiligheidsnormen en aan verplichtingen ten aanzien van de privacy van klantgegevens.

In deze stapel problemen of lagen, als u een toepassingsontwikkelaar bent die verantwoordelijk is voor het bouwen van bedrijfsfunctionaliteit, kunt u uw eigen LLM ontwikkelen en trainen buiten de toepassingslaag. Maar dit begripsniveau vereist een nieuwe set vaardigheden die vaak alleen via geavanceerd onderwijs worden ontwikkeld.

Als u zich niet kunt toeleggen op het ontwikkelen van vaardigheden in data science om de volgende laag in de technologiestapel op te bouwen, kunt u zich richten op het ontwikkelen van uw kennis van onderwerpen van de toepassingslaag.

• API's en SDK's: wat is er beschikbaar en wat de verschillende eindpunten produceren.
• Gerelateerde hulpprogramma's en services om u te helpen bij het bouwen van alle functies die vereist zijn voor een generatieve AI-oplossing die gereed is voor productie.
• Prompt engineering: hoe u de beste resultaten kunt bereiken door vragen te stellen of opnieuw te stellen.
• Waar knelpunten ontstaan en hoe u een oplossing kunt schalen. Dit gebied omvat inzicht in wat betrokken is bij logboekregistratie of het verkrijgen van telemetrie zonder dat de privacyproblemen van klanten worden geschonden.
• De kenmerken van de verschillende LLM's: hun sterke punten, use cases, benchmarks en wat ze meten, en belangrijke differentiaties tussen leveranciers en modellen die door elke leverancier worden geproduceerd. Deze informatie helpt u bij het kiezen van het juiste model voor de behoeften van uw organisatie.
• De nieuwste patronen, werkstromen en processen die u kunt gebruiken om effectieve en tolerante AI-functies in uw toepassingen te bouwen.

Hulpprogramma's en services van Microsoft

U kunt weinig code en no-code generatieve AI-hulpprogramma's en -services van Microsoft gebruiken om u te helpen bij het bouwen van een deel van uw oplossing. Verschillende Azure-services kunnen cruciale rollen spelen. Elk draagt bij aan de efficiëntie, schaalbaarheid en robuustheid van de oplossing.

API en SDK's voor een codegerichte benadering

Het hart van elke generatieve AI-oplossing is een LLM-model. Azure OpenAI biedt toegang tot alle functies die beschikbaar zijn in modellen zoals GPT-4.

Product	Beschrijving
Azure OpenAI	Een gehoste service die toegang biedt tot krachtige taalmodellen, zoals GPT-4. U kunt verschillende API's gebruiken om alle typische functies van een LLM uit te voeren, waaronder het maken van insluitingen en het maken van een chatervaring. U hebt volledige toegang tot instellingen en aanpassingen om de gewenste resultaten te verkrijgen.

Uitvoeringsomgevingen

Omdat u bedrijfslogica, presentatielogica of API's bouwt om generatieve AI te integreren in de toepassingen van uw organisatie, hebt u een service nodig om die logica te hosten en uit te voeren.

Product	Beschrijving
Azure-app Service (of een van de verschillende cloudservices op basis van containers)	Dit platform kan de webinterfaces of API's hosten waarmee gebruikers communiceren met het RAG-chatsysteem. Het ondersteunt snelle ontwikkeling, implementatie en schaalaanpassing van webtoepassingen, zodat het eenvoudiger is om de front-endonderdelen van het systeem te beheren.
Azure Functions	Gebruik serverloze berekening om gebeurtenisgestuurde taken in het RAG-chatsysteem af te handelen. Gebruik deze bijvoorbeeld om processen voor het ophalen van gegevens te activeren, gebruikersquery's te verwerken of achtergrondtaken af te handelen, zoals gegevenssynchronisatie en opschoning. Het maakt een meer modulaire, schaalbare benadering mogelijk voor het bouwen van de back-end van het systeem.

Oplossingen met weinig code en geen code

Een deel van de logica die u nodig hebt om uw generatieve AI-visie te implementeren, kan snel worden gebouwd en betrouwbaar worden gehost met behulp van een oplossing met weinig code of geen code.

Product	Beschrijving
Azure AI Foundry	U kunt Azure AI Foundry gebruiken om aangepaste machine learning-modellen te trainen, testen en implementeren om een RAG-chatsysteem te verbeteren. Gebruik bijvoorbeeld Azure AI Foundry om het genereren van reacties aan te passen of om de relevantie van opgehaalde gegevens te verbeteren.

Vectordatabase

Voor sommige generatieve AI-oplossingen is mogelijk opslag en het ophalen van gegevens vereist die worden gebruikt om het genereren van gegevens te verbeteren. Een voorbeeld is een RAG-chatsysteem waarmee gebruikers kunnen chatten met de gegevens van uw organisatie. In dit geval hebt u een vectorgegevensarchief nodig.

Product	Beschrijving
Azure AI Search	U kunt deze service gebruiken om efficiënt te zoeken in grote gegevenssets om relevante informatie te vinden die de antwoorden informeert die zijn gegenereerd door het taalmodel. Het is handig voor het ophaalonderdeel van een RAG-systeem, zodat de gegenereerde antwoorden zo informatief en contextueel mogelijk relevant zijn.
Azure Cosmos DB	Deze wereldwijd gedistribueerde databaseservice met meerdere modellen kan de enorme hoeveelheden gestructureerde en ongestructureerde gegevens opslaan waartoe het RAG-chatsysteem toegang moet hebben. Dankzij de snelle lees- en schrijfmogelijkheden is het ideaal voor het leveren van realtime gegevens aan het taalmodel en voor het opslaan van gebruikersinteracties voor verdere analyse.
Azure Cache voor Redis	Dit volledig beheerde gegevensarchief in het geheugen kan worden gebruikt voor het opslaan van veelgebruikte informatie in de cache, waardoor de latentie wordt verminderd en de prestaties van het RAG-chatsysteem worden verbeterd. Het is vooral handig voor het opslaan van sessiegegevens, gebruikersvoorkeuren en algemene query's.
Azure Database for PostgreSQL - Flexible Server	Deze beheerde databaseservice kan toepassingsgegevens opslaan, waaronder logboeken, gebruikersprofielen en historische chatgegevens. De flexibiliteit en schaalbaarheid ondersteunen de dynamische behoeften van een RAG-chatsysteem, zodat gegevens consistent beschikbaar en veilig zijn.

Elk van deze Azure-services draagt bij aan het maken van een uitgebreide, schaalbare en efficiënte architectuur voor een generatieve AI-oplossing. Ze helpen ontwikkelaars bij het openen en gebruiken van de beste mogelijkheden van De Azure-cloud en AI-technologieën.

Codegerichte AI-ontwikkeling met behulp van de Azure OpenAI-API

In deze sectie richten we ons op de Azure OpenAI-API. Zoals eerder vermeld, hebt u programmatisch toegang tot LLM-functionaliteit via een RESTful-web-API. U kunt letterlijk elke moderne programmeertaal gebruiken om deze API's aan te roepen. In veel gevallen werken taalspecifieke of platformspecifieke SDK's als wrappers rond de REST API-aanroepen om de ervaring meer idiomatisch te maken.

Hier volgt de lijst met Azure OpenAI REST API-wrappers:

• Azure OpenAI-clientbibliotheek voor .NET
• Azure OpenAI-clientbibliotheek voor Java
• Azure OpenAI-clientbibliotheek voor JavaScript
• Azure OpenAI-clientmodule voor Go
• Gebruik het OpenAI Python-pakket en wijzig verschillende opties. Python biedt geen Azure-specifieke clientbibliotheek.

Als een taal of platform-SDK niet beschikbaar is, is het slechtste scenario dat u REST-aanroepen rechtstreeks naar de web-API's moet uitvoeren:

• REST API voor Azure OpenAI-service

De meeste ontwikkelaars zijn bekend met het aanroepen van web-API's.

Azure OpenAI biedt een reeks API's die zijn ontworpen om verschillende soorten AI-taken te vergemakkelijken, zodat ontwikkelaars geavanceerde AI-functies in hun toepassingen kunnen integreren. Hier volgt een overzicht van de belangrijkste API's die beschikbaar zijn via OpenAI:

• Api voor voltooiing van chats: deze API is gericht op scenario's voor het genereren van tekst, waaronder gespreksmogelijkheden ter ondersteuning van het maken van chatbots en virtuele assistenten die kunnen deelnemen aan natuurlijke, menselijke dialoog. Het is geoptimaliseerd voor interactieve gebruiksvoorbeelden, waaronder klantondersteuning, persoonlijke assistenten en interactieve leeromgevingen. Het wordt echter gebruikt voor alle scenario's voor het genereren van tekst, waaronder samenvatting, automatisch aanvullen, documenten schrijven, tekst analyseren en vertalen. Het is het toegangspunt voor visuele mogelijkheden die momenteel in preview zijn (dat wil gezegd, om een afbeelding te uploaden en er vragen over te stellen).
• beheer-API: deze API is ontworpen om ontwikkelaars te helpen bij het identificeren en filteren van mogelijk schadelijke inhoud in tekst. Het is een hulpprogramma dat zorgt voor veiligere gebruikersinteracties door automatisch aanstootgevend, onveilig of anderszins ongepast materiaal te detecteren.
• Embeddings-API: De Embeddings-API genereert vectorweergaven van tekstinvoer. Hiermee worden woorden, zinnen of alinea's omgezet in hoogdimensionale vectoren. Deze insluitingen kunnen worden gebruikt voor semantische zoekopdrachten, clustering, overeenkomsten met inhoud en meer. Hiermee worden de onderliggende betekenis en semantische relaties in de tekst vastgelegd.
• Api voor het genereren van afbeeldingen: gebruik deze API om originele, hoogwaardige afbeeldingen en illustraties te genereren op basis van tekstbeschrijvingen. Het is gebaseerd op DALL van OpenAI· E-model, dat afbeeldingen kan maken die overeenkomen met een breed scala aan stijlen en onderwerpen op basis van de prompts die het ontvangt.
• Audio-API: deze API biedt toegang tot het audiomodel van OpenAI en is ontworpen voor automatische spraakherkenning. Het kan gesproken taal transcriberen in tekst of tekst in spraak, die verschillende talen en dialecten ondersteunt. Het is handig voor toepassingen die spraakopdrachten, transcriptie van audio-inhoud en meer vereisen.

Hoewel u generatieve AI kunt gebruiken om met veel verschillende mediamodaliteiten te werken, richten we ons in de rest van dit artikel op tekstgebaseerde AI-oplossingen. Deze oplossingen omvatten scenario's zoals chatten en samenvatten.

Aan de slag met het ontwikkelen van generatieve AI

Softwareontwikkelaars die niet bekend zijn met een onbekende taal, API of technologie, beginnen dit meestal te leren door zelfstudies of trainingsmodules te volgen die laten zien hoe kleine toepassingen kunnen worden gebouwd. Sommige softwareontwikkelaars kiezen voor een zelfgestuurde benadering en bouwen kleine experimentele toepassingen. Beide benaderingen zijn geldig en nuttig.

Wanneer u aan de slag gaat, kunt u het beste klein beginnen, weinig beloven, herhalen en uw begrip en vaardigheid opbouwen. Het ontwikkelen van toepassingen met behulp van generatieve AI heeft unieke uitdagingen. In traditionele softwareontwikkeling kunt u bijvoorbeeld afhankelijk zijn van deterministische uitvoer. Dat wil zeggen dat u voor elke set invoer elke keer exact dezelfde uitvoer kunt verwachten. Maar generatieve AI is niet-deterministisch. Je krijgt nooit twee keer exact hetzelfde antwoord voor een bepaalde prompt, wat de oorzaak is van veel nieuwe uitdagingen.

Bekijk deze tips wanneer u aan de slag gaat.

Tip 1: Wees duidelijk over wat u wilt bereiken

• Wees specifiek voor het probleem dat u probeert op te lossen: Generatieve AI kan een breed scala aan problemen oplossen, maar succes komt van het duidelijk definiëren van het specifieke probleem dat u wilt oplossen. Wilt u tekst, afbeeldingen, code of iets anders genereren? Hoe specifieker u bent, hoe beter u de AI kunt aanpassen aan uw behoeften.
• Inzicht in uw doelgroep: als u uw doelgroep kent, kunt u de uitvoer van de AI aanpassen aan hun verwachtingen, ongeacht of het om informele gebruikers of experts in een bepaald veld gaat.

Tip 2: Gebruik de sterke punten van LLM's

• Inzicht krijgen in de beperkingen en vooroordelen van LLM's: Hoewel LLM's krachtig zijn, hebben ze beperkingen en inherente vooroordelen. Als u de beperkingen en vooroordelen kent, kunt u er omheen ontwerpen of oplossingen opnemen.
• Begrijpen waar LLM's excelleren: LLM's excelleren bij taken zoals inhoud creëren, samenvatten en vertalen van teksten. Hoewel hun besluitvormingsmogelijkheden en discriminerende mogelijkheden sterker worden met elke nieuwe versie, zijn er mogelijk andere typen AI die geschikter zijn voor uw scenario of use-case. Kies het juiste hulpprogramma voor de taak.

Tip 3: Gebruik goede aanwijzingen voor goede resultaten

• Best practices voor leerprompt engineering: effectieve prompts maken is een kunst. Experimenteer met verschillende prompts om te zien hoe deze van invloed zijn op de uitvoer. Wees beknopt maar beschrijvend.
• Doorvoeren naar iteratieve verfijning: vaak levert de eerste prompt mogelijk niet het gewenste resultaat op. Het is een proces van evaluatie en fout. Gebruik uitvoer om uw prompts verder te verfijnen.

Uw eerste generatieve AI-oplossing bouwen

Als u onmiddellijk wilt experimenteren met het bouwen van een generatieve AI-oplossing, raden we u aan om Aan de slag met chatten te bekijken met behulp van uw eigen gegevensvoorbeeld voor Python. De zelfstudie is ook beschikbaar voor .NET-, Javaen JavaScript-.

Laatste overwegingen voor toepassingsontwerp

Hier volgt een korte lijst met zaken die u kunt overwegen en andere punten uit dit artikel die van invloed kunnen zijn op uw ontwerpbeslissingen voor uw toepassing:

• Definieer de probleemruimte en doelgroep duidelijk om de mogelijkheden van AI af te stemmen op de verwachtingen van gebruikers. Optimaliseer de effectiviteit van de oplossing voor de beoogde use case.
• Gebruik platformen met weinig code/geen code voor snelle prototypen en ontwikkeling als ze voldoen aan de vereisten van uw project. Evalueer de afweging tussen ontwikkelingssnelheid en aanpasbaarheid. Verken de mogelijkheden van oplossingen met weinig code en geen code voor onderdelen van uw toepassing om de ontwikkeling te versnellen en niet-technische teamleden in staat te stellen bij te dragen aan het project.