5 nøgleområder indenfor AI du skal kende til

Jacob Mindak
December 14, 2023

1. Generativ AI - sprogligt og visuelt indhold som magi

Generativ AI er på mange måder den mest banebrydende form for kunstig intelligens vi hidtil har set. Modsat traditionelle AI-systemer der er begrænset til at analysere eksisterende data, kan generative AI-modeller rent faktisk producere helt nyt indhold baseret på mønstre de selvstændigt identificerer i massive datamængder.

“Ved ihærdig eksperimenteren kan der opnås forbløffende præcist og kreativt indhold.”

Tag for eksempel det revolutionerende billedgenerator DALL-E 2, der på imponerende vis kan transformere enkle tekst-prompts til fantastiske illustrationer og kunstværker. Eller tekstgeneratoren ChatGPT, der kan forfatte sammenhængende artikler, fortællinger og digte i et flydende naturligt sprog ud fra bare et startpunkt eller emne.

Lister man de voksende anvendelsesmuligheder for generativ AI er det svært ikke at imponeres. Inden for de næste år kan vi forvente at se generative AI-modeller der komponerer musik, designer bygninger, udvikler software og revolutionerer måden vi arbejder med kreativt indhold på tværs af brancher.

Hvis du ønsker at blive endnu klogere på generativ AI, så har vi lavet et længere skriv og generativ AI, som du kan læse her.

2. Guide AI'en med prompt engineering

Nøglen til at få gode resultater med generative AI-modeller ligger i promptene – beskeden eller instruktionen man sender til modellen for at styre, hvad den skal generere. Her kommer disciplinen prompt engineering ind, som handler om nøje at designe og afprøve forskellige prompts for at opnå det bedst mulige output.

Et godt prompt skal specificere relevante detaljer, give modellen en klar retning samt undgå bias og problematisk sprogbrug. Eksempelvis kan et billede-genererende AI-system som DALL-E 2 guides til at tegne specifikke objekter i bestemte stilarter ved nøje at beskrive disse i prompten.

“Mange af de mest avancerede generative AI-modeller som ChatGPT er faktisk bygget ovenpå og videreudvikler fundamentale NLP-teknikker.”

Ved ihærdig eksperimenteren kan der opnås forbløffende præcist og kreativt indhold. Prompt engineering kræverdog tålmodighed og indsigt at mestre. Det er en form for kunst i sig selv at ”tale” til generative AI-modeller på en måde, der får dem til at præstere bedst muligt.

Prompt engineering er efter min mening et af de mest interessante og undervurderede område. Jeg har lavet en guide, så du kan blive klogere på området og bedre til at prompte. Du kan guiden her.

3. Maskinlæring og dyb læring er motoren i AI

Det der driver den rivende udvikling inden for kunstig intelligens, inklusiv generative AI-modeller, er de såkaldte neurale netværk. Et neuralt netværk er en type algoritme inspireret af den måde hjernens neurale forbindelser fungerer. Ved at matematisk efterligne disse forbindelser kan neurale netværk “trænes” til selv at genkende mønstre og løse komplekse problemer.

En særligt kraftfuld form for neurale netværk kaldes dybe neurale netværk. Disse adskiller sig ved at have et meget stort antal lag og parametre der gør dem i stand til at tackle utrolig avancerede opgaver. Det er dybe neurale net, der driver de imponerende evner man ser inden for generativ AI. Jo mere data og jo flere parametre et netværk trænes på, desto bedre bliver resultatet.

Uden de banebrydende fremskridt inden for dyb maskinlæring ville vi slet ikke se den eksplosive udvikling i AI, som der for alvor har taget far det seneste år. Maskinlæring og især dyb læring er helt afgørende byggesten for moderne AI.

SAP har laveret en rigtig god guide, hvis du ønsker at dykke endnu dybere.

4. Natursprogforståelse bygger bro mellem mennesker og maskiner

En anden central AI-teknologi er natursprogforståelse eller NLP (Natural Language Processing). Dette felt beskæftiger sig med at lære computere at forstå, fortolke og generere menneskeskabt sprog som engelsk, dansk etc.

Der er stor sammenhæng mellem NLP og generative AI-modeller. Mange af de mest avancerede generative AI-modeller som ChatGPT er faktisk bygget ovenpå og videreudvikler fundamentale NLP-teknikker. Ved at kombinere NLP’s evne til at forstå naturligt sprog med generativ machine learnnings kapacitet til selv at producere nyt indhold, kan man skabe utrolig avancerede AI-systemer.

F.eks. bruger ChatGPT en kompleks NLP-model til at fortolke de sproglige prompts den får sendt, for så at kunne generere meningsfulde og relevante tekstsvar. På den måde bygger generativ AI ovenpå de fundamentale fremskridt inden for sprogforståelse.

Uden NLP ville mange af de avancerede generative modeller slet ikke kunne fungere. Så NLP er både et centralt felt i sig selv, men også en vigtig brik der muliggør imponerende generativ AI.

5. Dataanalyse og big data fodrer AI-revolutionen

En sidste, men super vigtig brik der muliggør de avancerede AI-systemer vi ser i dag, er adgangen til massive mængder data og regnekraft. De fleste former for moderne AI, særligt inden for dyb maskinlæring, kræver simpelthen adgang til store datamængder for at kunne trænes ordentligt.

Her kommer konceptet big data ind – en betegnelse for de enorme, konstant voksende datamængder der genereres digitalt i det 21. århundrede. Store tech-giganter som Google og Facebook har adgang til nærmest uudtømmelige mængder af brugerdata, som er ideelle til at træne avancerede AI-modeller med. Samtidig stiller cloud-løsninger og grafikkort kæmpe regnekraft til rådighed for machine learning.

Uden denne eksplosion i tilgængelige data og computerkraft ville den AI-revolution vi oplever nu simpelthen ikke kunne lade sig gøre rent teknisk. Så på mange måder er big data, cloudcomputing og hurtige chips lige så vigtige drivere bag AI som de underliggende algoritmer.

Hvis du er en del af en mindre virksomhed og er tvivl om hvordan i kommer igang med AI. Så vil jeg anbefale, at du læser vores artikel: “AI i mindre virksomheder – Sådan kommer du i gang uden et stort budget”