Onderwijstaal/Leren
Freell maakt gebruik van bestaande Large Language Models (LLM's) om menselijke taal naar Freell te vertalen, maar voegt daar een cruciale extra laag aan toe.
LLM's
[bewerken]Freell benut de kracht van bestaande LLM's vanwege hun efficiëntie in taalverwerking. Deze modellen zijn al getraind in meerdere talen, wat hen zeer effectief maakt voor de doeleinden van Freell.
De Freell Interpreter
[bewerken]In tegenstelling tot traditionele LLM's bevat Freell een interpreter die taalfouten kan identificeren en markeren. Dit garandeert dat vertalingen door het LLM naar Freell nauwkeurig en betrouwbaar zijn.
Feedbackloop
[bewerken]De interpreter speelt een cruciale rol in het leerproces van de AI:
- Wanneer de AI menselijke taal naar Freell vertaalt, beoordeelt de interpreter de vertaling.
- Bij onnauwkeurigheden wordt deze feedback teruggekoppeld naar de AI.
- Dit proces vindt plaats op grote datasets, waardoor de AI continu zijn nauwkeurigheid in het vertalen naar Freell verbetert.
Expertregels
[bewerken]Wanneer een communicatie in Freell resulteert in een actie die door de gebruiker als effectief wordt beschouwd, wordt deze gecodeerd als een hard-coded expertregel binnen Freell. Dit zorgt ervoor dat succesvolle acties consistent worden herhaald in vergelijkbare toekomstige scenario's. De toevoeging van deze regels bouwt een groeiende database op van betrouwbare acties, waardoor de afhankelijkheid van de interpretatieve vermogens van de AI voor elk individueel geval afneemt.
Promptingtaal
[bewerken]Het ontwerp van Freell is erop gericht een ondubbelzinnige promptingtaal voor de AI te zijn. Deze helderheid zorgt ervoor dat instructies die door de AI worden verwerkt, eenduidig zijn. Hoe duidelijker de structuur van Freell, hoe effectiever het kan dienen als brug tussen menselijke taal en AI-gestuurde acties.