Use-case voorbeelden
Op deze pagina geven we een aantal concrete voorbeelden van use-cases waarvoor we in eerdere projecten de Ai-Toolbox succesvol hebben ingezet.
Ai-Lab: Een uitgeverij van o.a. gemeentekranten
Bij deze uitgeverij worden door allerlei organisaties, stichtingen, verenigingen, etc. teksten aangeleverd die uiteindelijk, naast de informatie van de gemeente zelf, in de gemeentekrant worden opgenomen. Bij een groot aantal bewerkingsstappen kon de Ai-Toolbox het werk vereenvoudigen en versnellen.
Hieronder zien we als use cases een aantal losse stappen uit het proces om van de aangeleverde tekst een voorstel-document te maken. In de Ai-Tools applicatie zijn al deze stappen onderdeel van een prompt-reeks die in een keer het hele proces doorloopt. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Controleren van teksten op fouten
Contoleren van door derden aangeleverde teksten op schrijffouten en slecht lopende zinnen.
Input: de aangeleverde tekst
Output: de nieuw geschreven versie van de tekst met een lijst van de aanpassingen.
Output: de nieuw geschreven versie van de tekst met een lijst van de aanpassingen.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Herschrijven van teksten naar B1 taalniveau
De artikelen in de gemeentekrant moeten leesbaar zijn voor het grootste deel van de inwoners.
“Taalniveau B1 staat voor eenvoudig Nederlands. De overgrote meerderheid van de bevolking begrijpt teksten op taalniveau B1. Ook mensen die geen (hoge) opleiding hebben gehad. Een tekst op B1-niveau bestaat uit makkelijke woorden die bijna iedereen gebruikt. En uit korte, eenvoudige en actieve zinnen.”
In deze prompt-template herschrijven we de tekst naar B1 niveau en geven we boven de corrigeerde tekst aan welke aanpassingen er aan de tekst gedaan zijn en waarom.
Input: De aangeleverde tekst
Output: De nieuw geschreven versie van de tekst met een lijst van de aanpassingen.
Output: De nieuw geschreven versie van de tekst met een lijst van de aanpassingen.
In dit geval vroegen we het AI-model alleen om de tekst naar B1 om te schrijven. In aan andere Ai-Lab use case geven een uitgebreide lijst me met de voorwaarden waaraan een B1-tekst moet voldoen.
Tekst indelen en genereren titel, tussenkoppen en streamer
De gecorrigeerde tekst wordt opgemaakt in een aantal stappen:
- De tekst wordt gecontroleerd op een juiste indeling in paragrafen.
- Er wordt een titel voor het artikel gegenereerd. Voor elke paragraaf wordt vervolgens een passende tussenkop gemaakt.
- Op basis van de tekst wordt een zogenaamde streamer gegenereerd.
“Een streamer is een kort tekstje van enkele regels dat u in een groter letterkorps dan de gewone tekst tussen twee alinea's in plaatst om extra aandacht van de lezer te trekken, om de lezer van het tijdschrift ertoe te verleiden het artikel te lezen.” - De tekst wordt opgemaakt met HTML
Input: De gecontroleerde tekst op B1 taalnvieau
Output: De opgemaakte tekst in HTML formaat met titel, tussenkoppen en een streamer.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Inkorten van een artikel
De tekst wordt ingekort tot een door de gebruiker gekozen lengte, afhankelijk van de ruimte die voor het artikel in de krant gereserveerd is.
Input: De gecontroleerde tekst op B1 taalnvieau
Output: Een ingekorte versie van de gecontroleerde tekst.
Output: Een ingekorte versie van de gecontroleerde tekst.
Large Language Models zijn over het algemeen niet goed in het leveren teksten met een exacte lengte. Het is altijd verstandig om de werkelijke lengte van de teksten in de gaten te houden. De Ai-Tools applicatie geeft daarom in de review stappen altijd het werkelijke aantal woorden van de door het Ai-model geretourneerde tekst.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Aanpassen van de toon van een artikel
Als een artikel te commercieel geschreven is, maken we het minder commercieel. Als een artikel te formeel klinkt, kunnen we het minder formeel maken.
Input: Het opgemaakte artikel
Output: Een minder formele of minder commerciele versie van het artikel.
Output: Een minder formele of minder commerciele versie van het artikel.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Wisselen tussen u-vorm en jij-vorm
Als een artikel in u-vorm geschreven is, kunnen we het omschrijven naar een artikel in de jij-vorm en andersom.
Input: Het opgemaakte artikel
Output: Een versie van het artikel in u-vorm of jij-vorm
Output: Een versie van het artikel in u-vorm of jij-vorm
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Artikel omschrijven naar een interview
Een artikel dat in interviewvorm geschreven is, leest vaak wat makkelijker. Bij het omzetten van een artikel naar interviewvorm kunnen we de naam van de geïnterviewde opgeven. In de interviewvorm worden vervolgens quotes gebruikt die aan de geïnterviewde worden toegeschreven.
Input: Het opgemaakte artikel
Output: Het artikel omgeschreven naar een interview met quotes.
Output: Het artikel omgeschreven naar een interview met quotes.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Titels voor artikel laten kiezen
De titel van een artikel is het visitekaartje van het stuk, en het kiezen van de juiste kop is dus belangrijk. We laten het Ai-model 6 verschillende titels genereren voor het artikel.
De gebruiker kiest vervolgens de zes gegenereerde titels de beste, en de geselecteerde titel wordt vervolgens gebruikt als nieuwe titel.
Input: De opgemaakte tekst
Output: Zes nieuwe titels voor het artikel, waaruit de gebruiker er eentje selecteerd.
Output: Zes nieuwe titels voor het artikel, waaruit de gebruiker er eentje selecteerd.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Goedkeuringsdocument met de aanpassingen
De instantie die de originele tekst heeft aangeleverd, krijgt een document met daarin de originele tekst, de aanpassingen die gedaan zijn met de bijbehorende reden, en het artikel zoals het geplaatst gaat worden.
We maken daarbij gebruik van een document-template waarin we aan kunnen geven welke onderdelen van de prompt-reeks waar in het te genereren document geplaatst moeten worden.
Het uiteindelijke resultaat van de prompt-reeks is een Word-document dat ter goedkeuring kan worden voorgelegd aan de partij die de originele tekst heeft aangeleverd.
Input: Verschillende input en output teksten uit de prompt-reeks samen met een document-template
Output: Een Word-document dat ter goedkeuring verzonden kan worden.
Output: Een Word-document dat ter goedkeuring verzonden kan worden.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Artikel bewerken" video om het hele proces te zien.
Ai-Lab: Een marketing- en socialmediabureau
Dit bedrijf verzorgt de socialemedia-uitingen voor zijn klanten. De Ai-Toolbox hebben we hier ingezet bij het analyseren van nieuwe klanten, het zoeken van de juiste inhaakmomenten en evenementen, het genereren van de uitingen en het analyseren van het resultaat.
Klant analyseren en indelen in klanttype
Op basis van de activiteiten van de klant en het imago wordt de klant aan een “archetype” gekoppeld. Dit archetype wordt gebruikt om te bepalen welke soort sociale media uitingen ingezet gaan worden en welke communicatiestijl daarbij gebruikt wordt.
Suggesties genereren voor inhaakmomenten
Op basis van het klantprofiel wordt uit een jaaragenda met evenementen (Nijmeegse Vierdaagse, Sneekweek, etc.) en speciale dagen (Valentijnsdag, Dierendag, etc.) een voorstel gegenereerd van geschikte inhaakmomenten voor de klant voor de komende weken.
In de eerste stap doorzoeken we de inhakerskalender voor de komende periode.
Daarna laten we het Ai-model een selectie maken die past bij de betreffende klant.
De gebruiker kiest welke inhakers er als voorstel naar de klant gaan.
De laatste stap genereerd een Word-document met de gekozen inhakers.
Geschikte evenementen zoeken in omgeving klant
Door automatisch lokale evenementen websites uit te lezen, kan er gezocht worden naar evenementen die passen bij het profiel van de klant. Als er geschikte evenementen gevonden worden, kan er een voorstel gemaakt worden om op dit evenement in te haken.
Eerst worden de evenementen uit de website uitgelezen.
Vervolgens vragen we het Ai-model om van de gevonden evenementen een nette tabel te maken.
Ten slotte laten we de evenemten omzetten in een JSON-structuur waarmee we de evenementen middels een API automatisch in een eigen agenda kunnen opnemen.
Genereren van sociale media uitingen
Op basis van gevonden inhakers, evenementen en door de klant aangeleverde informatie kunnen sociale media uitingen gemaakt worden. Dit zijn, afhankelijk van het klantprofiel, uitingen op Facebook, LinkedIn, Instagram, X, Pinterest, TikTok.
Maken voorsteldocument sociale media uitingen
De gegenereerde sociale media uitingen kunnen in een voorsteldocument worden opgenomen en aan de klant ter goedkeuring worden opgestuurd.
Analyse en rapportage van bereik van de uitingen
Het bereik en succes van de sociale media uitingen worden tot een duidelijke rapportage gemaakt die als verantwoording aan de klant verzonden wordt.
Ai-Lab: Ecologisch tuinontwerp- en adviesbureau
Een tuinontwerp dat dit bureau maakt, bevat ook altijd een plantenlijst met daarin een opsomming van alle planten die er in het ontwerp verwerkt zijn. Door het inzetten van de Ai-Toolbox kan eenvoudig voor elke plant in deze lijst een webpagina gemaakt worden. De klant kan dan eenvoudig informatie lezen over de planten die voor zijn tuin gekozen zijn.
Hieronder zien we als use cases een aantal losse stappen uit het proces om op basis van een ingevoerde plantnaam een webpagina te maken. In de Ai-Tools applicatie zijn al deze stappen onderdeel van een prompt-reeks die in een keer het hele proces doorloopt. Bekijk de "Planten-webpagina" video om het hele proces te zien.
Plantbeschrijving genereren op basis van plantnaam
Op basis van een plantnaam wordt er een plantbeschrijving gegenereerd met de volgende informatie:
- Plantnaam in het Nederlands
- Plantnaam in het Latijn
- Algemene beschrijving van de plant
- Beschrijving van de plant vanuit ecologisch oogpunt
- Hoogte van de plant
- Bloeikleur van de plant
- Bloeiperiode van de plant
Input: De naam van een plant.
Output: Een plantbeschrijving in 7 onderdelen in een JSON-structuur.
Output: Een plantbeschrijving in 7 onderdelen in een JSON-structuur.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Planten-webpagina" video om het hele proces te zien.
HTML webpagina maken op basis van de plantbeschrijving
Op basis van de plantbeschrijving wordt de HTML voor een webpagina over de plant gegenereerd. De paragrafen krijgen tussenkopjes. De hoogte, bloeikleur en bloeiperiode worden in een tabel weergegeven.
Input: De plantbeschrijving in 7 onderdelen in een JSON-structuur.
Output: De HTML voor een webpagina die de plant beschrijft.
Output: De HTML voor een webpagina die de plant beschrijft.
Deze actie is een stap in een promp-reeks met meerdere stappen. Bekijk de "Planten-webpagina" video om het hele proces te zien.
Automatisch plaatsen van een nieuwe webpagina in WordPress
Door middel van de API van WordPress wordt de op basis van de plantgegevens gegenereerde HTML direct omgezet in een webpagina op de website van de tuinontwerper.
Ai-Lab: Een uitgeverij dag- en weekbladen
Een uitgeverij van dag- en weekbladen wil experimenteren met de mogelijkheden van Ai. Een deel van de use-cases kan leiden tot oplossingen die direct inzetbaar zijn op de werkvloer. Een aantal use-cases wordt omgezet in prototypes in de Ai-Toolbox om inzicht te krijgen in de stand van zaken en om kennis omtrent Ai op te doen.
Controleren artikel op fouten en volledigheid
Naast het controleren op schrijffouten wordt een artikel ook gecontroleerd op fouten in logica. Voor bepaalde artikelen gelden eisen over wat het artikel wel moet bevatten, zoals de datum en plaats van een rechtbankzitting. Ook bestaan er eisen over wat een artikel niet mag bevatten, zoals kenmerken die een verdachte identificeerbaar maken, zoals geboortedatum of beroep.
Artikel schrijven op basis van aantekeningen
Op basis van de aantekeningen van een verslaggever kan een compleet artikel gegenereerd worden. De kwaliteit van een gegenereerd artikel verbetert aanzienlijk als onderstaande informatie aan de aantekeningen toegevoegd wordt:
- Een beschrijving van de verwachte onderdelen van een artikel (lengte, koppen, etc.)
- Een beschrijving van de indeling van het artikel
- Een beschrijving van de regels en verboden
- Een beschrijving van de te hanteren schrijfstijl
- Een aantal voorbeeldartikelen
Herschrijven van artikelen naar B1 of A2 taalniveau
Artikelen kunnen herschreven worden naar taalniveau A2 of B1. “Heb je taalniveau A2, dan heb je al wat meer kennis van de taal. Je begrijpt korte, eenvoudige zinnen die gaan over alledaagse zaken, zoals boodschappen, werk of familie. Je snapt gesproken én geschreven teksten. Ook kun je zelf een kort en simpel gesprek voeren.” “Taalniveau B1 staat voor eenvoudig Nederlands. De overgrote meerderheid van de bevolking begrijpt teksten op taalniveau B1. Ook mensen die geen (hoge) opleiding hebben gehad. Een tekst op B1-niveau bestaat uit makkelijke woorden die bijna iedereen gebruikt. En uit korte, eenvoudige en actieve zinnen.” In eerdere use cases hebben we verondersteld dat het Ai-model (GPT-4) zelf voldoende informatie bevat om te weten wat er met B1 en A2 bedoeld wordt. In deze use case geven we het Ai-model een lijst met kenmerken waaraan een tekst in B1 of A2 moet voldoen.
Schrijven van een artikel op basis van persbericht
Bij het schrijven van een artikel op basis van een persbericht is het belangrijk om rekening te houden met de motieven van de schrijver van het persbericht. We kunnen hierop inspelen door bij het schrijven een aantal acties uit te voeren:
- Feiten controleren: We vragen het Ai-model om te controleren of zaken die in een persbericht als feit gepresenteerd worden, ook daadwerkelijk feiten zijn.
- Extra informatie: We vragen het Ai-model om extra achtergrondinformatie te zoeken bij het onderwerp van het persbericht.
- Passende voorbeelden: We vragen het Ai-model om passende voorbeelden te zoeken die het artikel verduidelijken.
- Contraire argumenten: We vragen het Ai-model om contraire argumenten te bedenken ten opzichte van de in het persbericht gebruikte argumenten, zodat we een gebalanceerd artikel kunnen maken.
“Ontkleuren” van een artikel
We kunnen een Ai-model gebruiken om bestaande artikelen die we als input willen gebruiken voor eigen artikelen te ontdoen van “gekleurde” meningen van de originele auteur zodat we alleen de feiten overhouden om te hergebruiken. Mogelijke acties voor het ontkleuren zijn:
- Verwijderen van meningen en behouden van feiten
- Controleren of gebruikte quotes neutraal/objectief zijn
- Controleren of gebruikte voorbeelden neutraal/objectief zijn
- Vragen aan het Ai-model om aanvullende informatie te geven dat voor een completer en meer gebalanceerd beeld zorgt.
Automatisch nieuws-websites monitoren
Ai kan ingezet worden om geautomatiseerd nieuwswebsites in de gaten te houden. We halen bijvoorbeeld elke 5 minuten de 10 laatste nieuwsitems van een nieuwssite en geven de content door aan een Ai-model. Dit model kan vervolgens het belang van het nieuws inschatten en bepalen welke verslaggever gewaarschuwd moet worden bij een specifiek onderwerp.
Ai-Lab: Een softwarebedrijf
Bij het maken, uitleveren en beheren van software speelt het maken van goede documentatie een belangrijke rol. Ai kan daaraan bijdragen door te zorgen voor foutloze teksten, consistent taalgebruik, beschikbaarheid van documentatie en helpteksten in verschillende talen, etc. Ook kan Ai ervoor zorgen dat door het inzetten van een chatbot deze documentatie eenvoudig te benaderen is.
Vertalen teksten met eigen woordenlijst
Bij het vertalen van documentatie en helpteksten van een applicatie is het van belang om de juiste termen te hanteren. Als in de Engelse versie van de applicatie het woord “projectonderdeel” wordt vertaald met “project element,” dan wil je niet dat bij automatische vertaling het synoniem “project component” gebruikt wordt. Bij het vertalen van teksten van het Nederlands naar Engels en andersom geven we het Ai-model een eigen woordenlijst mee met daarin de te hanteren vertalingen.
Chatbot op basis van documentatie en help
Door middel van een techniek die “vector embedding” genoemd wordt, is het mogelijk om bij een vraag snel de juiste tekstfragmenten uit de documentatie te zoeken die gebruikt kunnen worden om de vraag te beantwoorden. Deze tekstfragmenten worden samen met de te beantwoorden vraag aan het Ai-model gestuurd, dat deze kan gebruiken om een helder antwoord te formuleren.
Door bij elke vervolgvraag het complete gesprek inclusief de gebruikte tekstfragmenten weer aan het Ai-model mee te geven, kan een normaal gesprek gevoerd worden op basis van de documentatie.
Rapportages maken op basis van natuurlijke taal
Als we een vraag willen stellen over gegevens die aanwezig zijn in een systeem en we voorzien het Ai-model van informatie over het datamodel van de applicatie, kan het Ai-model als reactie op de vraag een database-query teruggeven waarmee het antwoord op de vraag uit de database kan worden gehaald.
Deze gegevens kunnen vervolgens op het scherm als rapportage getoond worden.
Helpteksten schrijven op basis van schermafdruk
Het schrijven van documentatie en helpteksten bij nieuwe functionaliteit is een tijdrovende klus. Door Ai een schermafdruk te geven van de nieuwe functionaliteit, samen met voorbeeld-documentatie van vergelijkbare schermen, kan er snel een eerste versie van de helptekst gegenereerd worden.