Hvad er generativ AI?

Generativ AI er en gren af kunstig intelligens, der gør computere i stand til at skabe originalt indhold – såsom tekst, billeder, lyd, video eller kode. Men hvad betyder det egentlig, at en maskine kan "skabe" noget nyt? Og hvordan fungerer teknologien bag? Læs med i denne guide, hvor vi forklarer alt, du behøver at vide om generativ AI.

Teknologien adskiller sig fundamentalt fra tidligere former for kunstig intelligens ved den måde, den lærer og arbejder på. Tidligere AI-systemer byggede typisk på regelbaserede algoritmer og faste instruktioner. De var derfor begrænset til meget specifikke opgaver som fx at spille skak eller sortere e-mails i spam og ikke-spam. De kunne ikke løse nye opgaver uden at blive omprogrammeret.

Generativ AI er ikke begrænset på samme måde. I stedet for at være programmeret med faste regler, bygger generativ AI på maskinlæring. Det betyder, at systemet ikke får nogle faste regler der beskriver hvordan den skal løse en opgave, men i stedet selv lærer det ved at analysere enorme mængder data.

Hvad betyder generativ AI?

Generativ AI er betegnelsen for den kategori af AI, som kan skabe nyt og originalt indhold på egen hånd. Ordet ”generativ” betyder netop, at noget kan skabe eller generere noget nyt, i stedet for blot at analysere eller sortere eksisterende information.

De fleste tidligere AI-modeller er trænet i klassifikation – altså evnen til at placere input i bestemte kategorier. For eksempel at afgøre, om et billede forestiller en kat eller en hund, eller om en e-mail er spam eller ej. Modellen vælger her det mest sandsynlige svar blandt et sæt foruddefinerede muligheder.

Generativ AI gør noget helt andet: den skaber selv noget nyt, som ikke eksisterede før. Hvis du f.eks. vil lære generativ AI at skrive tekst, træner du den ikke ved at forklare grammatiske regler. I stedet viser du den millioner af eksempler på sætninger, så den selv opdager, hvordan ord bedst hænger sammen, og hvilke formuleringer der føles mest naturlige.

På samme måde lærer en generativ AI at genkende katte, ikke ved at få regler som ”fire ben, pels og spidse ører”, men ved at se tusindvis af billeder og selv opdage de mønstre, der adskiller katte fra andre dyr eller objekter.

Hvordan virker generativ AI?

Når generativ AI skal skabe nyt indhold – fx skrive tekst eller generere billeder – sker det ved, at den hele tiden forsøger at forudsige, hvad der sandsynligvis kommer som det næste. Hvis du beder en AI om at skrive en sætning, starter den med et enkelt ord og vælger derefter det næste ord baseret på, hvad den tidligere har lært er mest sandsynligt i sammenhængen. Dette gentager den, ét ord ad gangen, indtil teksten er færdig. På samme måde genererer den et billede én pixel ad gangen.

Fordi generative AI-modeller trænes på enorme mængder data (milliarder af tekster, billeder og kodestumper), kan de skabe resultater, som virker overraskende kreative og meget menneskelignende.

Generativ AI kan for eksempel:

Udarbejde tekster og indhold til hverdagens opgaver: Generativ AI kan bruges til at skrive udkast til nyhedsbreve, produktbeskrivelser, jobopslag eller indhold til sociale medier. Det kan være en hjælp for mindre virksomheder, hvor der ikke nødvendigvis er ressourcer til en dedikeret kommunikationsfunktion.

Assistere i administrativt arbejde: AI kan foreslå formuleringer til standardkontrakter, hjælpe med at udarbejde professionelle e-mails eller opsummere længere dokumenter. Det kan frigive tid og sikre en ensartet kvalitet i det skriftlige arbejde.

Bidrage med idéudkast og visuelle forslag: Hvis man arbejder med nye produkter, kundematerialer eller præsentationer, kan AI generere forslag, som man selv kan bygge videre på. Det kan understøtte idéudviklingen – også uden adgang til eksterne design- eller marketingressourcer.

Støtte i udviklings- og tekniske opgaver: For virksomheder, der arbejder med digitalisering eller software, kan AI assistere med at skrive kode eller forklare, hvordan eksisterende kode fungerer. Det kan gøre tekniske opgaver lettere at gå til – også for medarbejdere uden specialistviden.

Kort om multimodalitet

De nyeste modeller inden for generativ AI er multimodale, hvilket betyder, at én enkelt model kan generere flere typer indhold – såsom tekst og billeder. Den samme model som skriver dit blogindlæg kan altså generere billeder der supporterer budskabet. Men hvad sker der egentlig, når du skriver til en AI? Og hvordan kan generativ AI forstå både tekst og billede data samtidig? Det kan du læse mere om i vores indlæg om tokenization, hvor vi går i dybden med netop det.

Neurale netværk i generativ AI

Generativ AI bygger på en teknologi kaldet neurale netværk. Du kan tænke på et neuralt netværk som en slags avanceret net af små regneenheder – også kaldet neuroner. Når vi taler om et "dybt" neuralt netværk (som vist på billedet), betyder det, at netværket består af mange lag af disse neuroner, der arbejder sammen.

Forestil dig hvert neuron som en lille regnemaskine. Den modtager input – det kan være tal, tekst eller billeder – og ganger dem med nogle særlige tal, som kaldes vægte. Derefter lægger den resultaterne sammen og sender dem gennem en slags filter (en matematisk funktion), som bestemmer, hvor "aktivt" neuronet bliver. Det output sendes videre til næste lag i netværket, hvor processen gentages.

Når det neurale netværk bliver trænet, justerer det løbende de her vægte. Det gør det for at lære at genkende mønstre i data – fx hvordan et billede af en kat typisk ser ud, eller hvordan en sætning hænger sammen sprogligt. Træningen sker ved at give netværket eksempler og lade det sammenligne sine egne gæt med de rigtige svar. Fejlene bruges til at justere vægtene, så netværket bliver bedre næste gang. Lidt ligesom når et menneske lærer af sine fejl.

Hvad er en transformer, og hvorfor er den så vigtig?

Transformer-arkitekturen er en særlig type neuralt netværk, som har ændret spillet for generativ AI. Hvor almindelige neurale netværk ofte behandler data i rækkefølge, så gør transformere noget smartere: De bruger en teknik kaldet attention.

Attention betyder opmærksomhed – og det er præcis, hvad transformer-modeller gør: De lærer at finde ud af, hvilke dele af inputtet der er vigtige i forhold til hinanden. Forestil dig, at du læser en sætning. For at forstå den rigtigt, skal du måske holde øje med et ord i starten, når du læser noget i slutningen. Transformeren kan holde styr på den slags sammenhænge.

Denne evne til at forstå kontekst gør transformere ekstremt velegnede til opgaver som sprogforståelse og tekstgenerering – og det er netop det, der gør dem grundstenen i mange af de AI-modeller, vi bruger i dag. Fx GPT (som står for Generative Pre-trained Transformer), der kan skrive tekst, besvare spørgsmål, lave billeder og meget andet, fordi den er trænet på enorme mængder data fra mange forskellige områder.

Hvordan træner man generativ AI?

Udviklingen af generativ AI starter med ét afgørende skridt: data. For at en AI-model kan lære at generere noget – fx tekst, billeder eller lyd – skal den først have masser af eksempler at lære af. Det kalder man træningsdata. Det kan være alt fra artikler, bøger og kode til billeder, musik og samtaler. Jo mere varieret og relevant dataen er, desto bedre forudsætninger har modellen for at lære.

Når dataen er samlet, går man i gang med at træne modellen. Det betyder, at modellen analyserer enorme mængder data – ofte milliarder af datapunkter – for at finde mønstre og sammenhænge. Som vi beskrev tidligere består generative AI modeller af et net af såkaldte neuroner, som hver fungerer som en lille regnemaskine, der vægter input forskelligt. Under træningen forsøger modellen at gætte det rigtige output baseret på et input – fx: Hvis inputtet er “København er hovedstaden i…”, skal den helst forudsige “Danmark”.

Når modellen gætter forkert, bruges en teknik kaldet backpropagation, som hjælper den med at forstå, hvilke vægte i netværket der førte til fejlen. Derefter justerer den disse vægte en smule og prøver igen. Denne proces gentages tusindvis eller millioner af gange, indtil modellen bliver bedre og bedre til at ramme rigtigt.

Træningen af en generativ AI foregår typisk i flere faser:

1. Pretraining:
   I denne fase benyttes self-supervised learning, hvor modellen lærer uden menneskelig hjælp ved at løse små opgaver, den selv genererer. Fx den tidligere beskrevne opgave “København er hovedstaden i…” Her vil modellen gætte det rigtige svar, og hvis resultatet viser sig at være forkert, så justeres vægtende i det neurale netværk. Igennem denne proces opbygger modellen en grundlæggende forståelse af sprogets struktur og mønstre.
   
   
2. Fine-tuning:
   Efter den brede pretraining skal modellen lære at løse mere specifikke opgaver. Her bruger man supervised learning – altså overvåget læring – hvor modellen får vist eksempler på spørgsmål sammen med menneskeskrevne svar. Den lærer derved, hvordan den skal formulere sig for at give relevante og korrekte svar.
   
   
3. Reinforcement Learning with Human Feedback (RLHF):
   Selv efter pretraining og fine tuning kan modellen give svar, der er faktuelt korrekte, men ikke nødvendigvis hjælpsomme eller passende. Derfor bruges RLHF, hvor modellen præsenteres for flere mulige svar på samme opgave, og rigtige mennesker vurderer, hvilket svar der er bedst. Modellen “belønnes”, når den vælger det svar, mennesker foretrækker – på samme måde som et barn lærer gennem ros og vejledning.
   
   Denne metode har vist sig afgørende for at gøre AI-modeller som Claude og GPT mere brugervenlige og sikre i praksis.

Ved at kombinere store mængder data, kraftfuld beregning og forskellige læringsmetoder – fra selvtræning til menneskelig feedback – bliver generativ AI i stand til ikke bare at genkende mønstre, men også at kommunikere meningsfuldt, ansvarligt og effektivt med mennesker.

Etiske dilemmaer ved generativ AI

Generativ AI åbner op for en verden af muligheder, der kan transformere forretningsmodeller og ændre den måde, vores samfund fungerer på. Men teknologien rejser også en række etiske dilemmaer, som vi som samfund er nødt til at forholde os til.

Teknologien kan generere overbevisende, men fejlagtige oplysninger – såkaldte hallucinationer – hvilket skaber store udfordringer i sammenhænge, hvor præcision er afgørende. Hvordan håndterer vi det i en tid, hvor falske nyheder og adgangen til ukontrollerede medieplatforme er mere udbredt end nogensinde?

Ophavsret og ejerskab er også centrale spørgsmål, når generative AI-modeller trænes på og skaber værker baseret på eksisterende materiale. Det udfordrer den nuværende lovgivning, som endnu ikke har taget klart stilling til, om ophavsret overhovedet kan tildeles andet end et menneske?

Dertil kommer andre vigtige emner som miljøpåvirkning, indlejret bias og afhængigheden af de store techvirksomheder og deres hjemlande.

De etiske overvejelser, vi står overfor, er komplekse – men ikke uløselige. Tværtimod understreger de, hvor vigtigt det er, at vi som samfund engagerer os aktivt i, hvordan teknologien anvendes, reguleres og integreres i vores hverdag.

Disse udfordringer bør ikke ses som en bremseklods, men som en mulighed for at sætte en ansvarlig retning. Det handler ikke om at sige nej til AI, men om at sige ja til en tilgang, der er klog, gennemtænkt og etisk forsvarlig. Kun på den måde kan vi sikre, at generativ AI bliver et redskab, der gavner mennesker på den bedst mulige måde.

Hvordan kommer du igang med generativ AI?

Hvis du endnu ikke har prøvet at bruge en AI-assistent, er det et oplagt sted at starte, og du behøver ikke engang at oprette en konto for at opleve magien. Til det har vi lavet en guide der tager dig igennem hvordan du kommer i gang med generativ AI.

Måske opdager du, at AI kan hjælpe dig med at skrive hurtigere, få nye idéer, analysere data eller bare give dig et bedre overblik i en travl hverdag.

Hvis du gerne vil blive endnu klogere på AI, så besøg vores ”AI for Alle” univers. Her kan du finde yderligere cases og ressourcer om AI i praksis. Derudover tilbyder vi kurser og events, der gør det nemt at komme i gang, uanset om du er nybegynder eller erfaren.

AI er ikke kun fremtiden. Det er nutiden. Og du er inviteret med.