Gartner ziet een opmars van generatieve ai die een multimodaal karakter heeft. De marktvorser verwacht dat veertig procent van deze oplossingen in 2027 tekst, beeld, audio dan wel video bevat. In 2023 was dat een procent.
De verschuiving naar multimodale modellen verbetert de samenwerking tussen mensen en ai. Bovendien kunnen gen-ai-oplossingen meer onderscheidend worden. Als gen-ai-modellen worden getraind op meerdere soorten gegevens, kunnen ze beter verbanden leggen tussen die gegevens. Volgens Gartner maakt dit gen-ai nuttiger voor allerlei toepassingen. Bovendien kan dit soort ai ons bij meer taken ondersteunen, ongeacht de situatie. Ook zal multimodale gen-ai bedrijfsapplicaties sterk veranderen door functies mogelijk te maken die anders niet haalbaar zouden zijn.
Hype Cycle
Gen-ai met een multimodaal karakter is een van de twee technologieën in de nieuwe ‘Gartner Hype Cycle voor Generative AI’ die een concurrentievoordeel kunnen bieden. Samen met taalmodellen (llm’s) gebaseerd op opensource hebben deze technologieën de komende vijf jaar impact op organisaties. Opensource-llm’s zijn deep-learning-basismodellen, geavanceerde ai-modellen die bedrijven helpen sneller waarde te halen uit ai door ze voor iedereen toegankelijk te maken. Ontwikkelaars kunnen de modellen aanpassen voor specifieke taken. Ze profiteren ook van samenwerking met andere ontwikkelaars en onderzoekers om de modellen te verbeteren.
Hysterie
Onlangs constateerde Gartner dat gen-ai aan het eind van de fase van opgeklopte verwachtingen zit. De hysterie is voorbij. Binnen twee tot vijf jaar wordt de fase bereikt dat deze vorm van ai, die verreweg de meeste aandacht trekt, gaat bijdragen aan de productiviteit. De marktvorser verwacht dat twee gen-ai-innovaties binnen tien jaar mainstream zijn. Zo breken domeinspecifieke gen-aiI-modellen geoptimaliseerd voor de behoeften van specifieke branches, bedrijfsfuncties of taken en autonome agenten, door. Hetzelfde geldt voor autonome agenten, gecombineerde systemen die gedefinieerde doelen bereiken zonder menselijke tussenkomst. Ze gebruiken ai-technieken om patronen in hun omgeving te identificeren, beslissingen te nemen, een reeks acties aan te roepen en output te genereren. Deze agenten hebben het potentieel om van hun omgeving te leren en in de loop van de tijd te verbeteren, waardoor ze complexe taken kunnen uitvoeren.
