Lær mer om kunstig intelligens (KI)

Det finnes mange definisjoner på begrepet kunstig intelligens (KI) og begrepet har endret betydning over tid. Enkelt forklart og helt generelt handler det ofte om maskiner som evner å utføre handlinger som tidligere var oppfattet som forbeholdt mennesker.

Nasjonal strategi for kunstig intelligens definerer uttrykket som:

"Kunstig intelligente systemer utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål"

Kunstig intelligens er et forskningsfelt som kan dateres helt tilbake til 1956, og teknologien har utviklet seg i rykk og napp siden den gang. Historisk har mediene viet mye oppmerksomhet til maskiner som vinner over mennesker i sjakk, maskiner som består Turingtesten (mål om å ikke kunne skille maskingenerert kommunikasjon fra menneske), bildegjenkjenningsmekanismer (som blant annet har gjort fremskritt innen medisinsk diagnostikk), selvkjørende biler og nå generative tekst- og bildemodeller. KI-teknologi har en mye bredere anvendelse enn vist i mediebildet, og finnes i dag i et stort spekter av bruksområder.

Kunstig Intelligens som forskningsfelt har gjort noen store sprang de siste tiårene. Det er spesielt to store teknologiske framskritt som har muliggjort dette. Det første er at det ble gjort fremskritt i hvordan en kan bygge opp modeller som lar seg trene opp av store mengder data. I tillegg har det blitt gjort utvikling i chip-teknologi som har økt mengden tilgjengelig datakraft, og dermed gjort det mulig å utføre denne treningen på enorme mengder data.

Språkmodeller handler svært enkelt forklart om å predikere sannsynligheten for neste ord- eller deler av ord i en setning. Denne funksjonen har vært tilgjengelig på telefoner i mange år, uten at den har fungert så veldig godt. Det er mange årsaker til at dagens språkmodeller fungerer langt bedre. En viktig årsak er at sannsynligheten for neste ord baserer seg ikke kun på ett, to eller tre av ordene i forkant (slik mobilen gjerne gjør), men en veldig stor og stadig økende mengde ord. I tillegg til å hensynta en stor mengde ord når sannsynligheter regnes ut, har modellene en evne til å hente ut de viktige ordene.

Ettersom språket vårt består av mange fyllord er ikke alle ord like viktige. En teknologi som har forbedret språkmodellene våre handler nettopp om å hente ut tematikken i forespørselen og gi dette mer vekt enn de andre ordene, og denne teknologien heter transformer-teknologi (T-en i GPT).

Språkmodeller trenes på store mengder tekst. Mye av denne teksten er bøker, artikler og liknende, som ikke er i typisk «spørsmål-svar» stil. For å gjøre modellene ekstra gode på nettopp dette, gjennomgår modellene ekstra «spørsmål-svar»-trening etter at de er blitt gode på å stokke om ord. Dette foregår ved at to personer simulerer spørsmål og svar. I tillegg til å trenes på dette gjennomgår de «fine tuning», der svarene den genererer blir gitt «tommel opp» eller «tommel ned» (dette gjøres også av mennesker i dag), slik at den hele tiden kan justeres til å svare på ønsket måte. Det er blant annet dette som hindrer at modellene kommer med fæle utsagn selv om mye av materialet de er trent på kan inneholde nettopp dette. Det er også dette etterarbeidet som gjør at det tar tid fra maskinen har «slukt» data til de slippes ut, og derfor modellene ikke er oppdatert på det som har skjedd i aller nyeste tid.

Tekst-til-bildegenerering er komplekse modeller, men helt enkelt forklart trenes modellene opp til å fjerne støy fra bilder.

Utgangspunktet er bilder som allerede finnes. Disse bildene tilføyes litt «støy», noe som gjør bildene mer uklare. Maskinens jobb er å fjerne støyen og dermed gjenskape det originale bildet. Når den klarer det legges det på mer støy. Til slutt er bildet som gis til maskinen helt ugjenkjennelig, men den klarer fremdeles å gjenskape det originale bildet. Når den har blitt så god kan man sende inn ett bilde som kun består av tilfeldig støy (uten noe underliggende originalt bilde), og bruke teksten til brukeren til å veilede når «støyen» fjernes slik at en kommer fram til et bilde som ikke fantes fra før og som passer beskrivelsen til brukeren.

Det er utgangspunktet, at støyen som sendes inn er tilfeldig, som blant annet gjør at alle bildene blir forskjellig hver gang selv om instruksen kan være lik.

Utrykk som «black box» blir ofte benyttet når man beskriver hvordan en generativ KI-modell fungerer. Det insinuerer at vi gir maskinen et input, så skjer det noe i den svarte boksen som vi ikke kjenner til, før den gir oss et output. Input (f.eks. spørsmål) og output (f.eks. svaret) er kjent, men ikke hva som skjedde i det output (svaret) ble generert.

Det er jo mennesker som lager disse modellene, og det er også mennesker som trener de, så hvorfor kan det da ha seg at vi ikke vet hvordan de fungerer?

Svaret ligger i hvordan modellene er bygget opp. Mye generativ KI er basert på noe som kalles nevrale nettverk. Dette beskrives som nettverk av tall-noder i mange dimensjoner, altså «bokser» som kan inneholde ett tall med koblinger på kryss og tvers seg imellom. Når modellen trenes er det disse tallverdiene i boksene som justeres opp og ned og etter hvert settes.

Det er vanskelig å se for seg noder i så mange dimensjoner. Men poenget er at resultatet er nettopp det. Masse tallverdier koblet sammen på kryss og tvers. Det er et resultat som for oss mennesker er lite intuitivt å tolke. Vi vet derfor ikke helt hva maskinen har «skjønt», «lært» eller «tenker», vi kan bare tolke om output (svaret) virker fornuftig eller ikke. Virker output (svarene) ofte fornuftig etter at en modell er trent, vil vi tenke at vi har en god modell som har plukket opp gode mønstre i dataen den er trent på selv om vi ikke har avdekket nøyaktig hvilke mønstre modellen faktisk har funnet.

For å komme i gang med en ny KI-løsning bør vi starte med et problem, eller et forbedringspotensiale. Deretter må vi undersøke om KI vil være rett teknologi til å løse eller forbedre, og eventuelt hvilken type KI vi bør benytte. Der det er potensiale for å effektivisere eller optimalisere kan KI være riktig teknologi.

Har du data tilgjengelig, eller mulighet til å samle inn store mengder data (typisk i form av tall, tekst, bilde eller video), er det et godt utgangspunkt. Mistenker du at dersom det avdekkes mønster i disse dataene vil det gi verdifull innsikt og/eller kan bidra til å predikere eller generere framtidige løsninger, kan det være en god ide å undersøke bruk av KI nærmere.

Det kan være mye hjelp i en språkmodell, men det er viktig å forstå hvordan man skal bruke den riktig. Her er noen nyttige tips:

1. Finn en chatbot som passer ditt formål
   Se til din bedrift for retningslinjer på hvilke chatboter du har lov til å benytte. For privat bruk finnes det mange tilgjengelige løsninger, både gratis og de som tar betalt. Den mest kjente er kanskje ChatGPT fra OpenAI, den kan du benytte gratis her: https://chat.openai.com/
2. Start en ny samtale for hvert tema
   Chatboten lagrer informasjon fra deres samtale og bruker dette ved generering av nye svar. Start derfor alltid en ny chat for hver gang det ikke er relevant å ha med historikken videre
3. Skriv langt og mye
   Bruk mange nok ord til å være tydelig og spesifikk på hva du ønsker hjelp til. Be om tone, format, stil, lengde og struktur. Gi gjerne chatboten en «rolle», hvem den skal svare som. Og vær tydelig på hva du IKKE ønsker
4. Be den stille deg spørsmål
   Chatboten vil sjeldent stille oppfølgingsspørsmål med mindre du ber den om det. Å be chatboten stille deg de spørsmålene den trenger svar på for å generere noe nyttig, kan derfor være til god hjelp
5. Angi hvordan den skal tenke
   Å angi hvilke steg modellen bør ta for å finne fram til et godt svar kan være lurt. Ofte kan det forbedre svaret ditt dersom du simpelt ber den om å tenke «steg for steg»
6. Be den være kritisk til egne svar
   Å be om at den ettergår sitt eget svar og forbedrer det kan spare deg for arbeid
7. Korrigering
   Si hva du likte med svaret, og hva du ikke likte og be den prøve på nytt

Generativ kunstig intelligens er ikke helt som annen programvare - den kommer ikke med en spesifikk bruksanvisning. Den beste måten å bli kjent med bruk av teknologien er derfor gjennom utforsking.

En god måte å komme i gang med å utforske er å laste ned en chatbot som er tilgjengelig som App (eksempelvis AskAI fra OpenAI) og legge denne på startsiden på mobilen din, eller der du pleier å ha din søkemotor. Prøv i ukene som kommer å chatte med denne fremfor å søke i tradisjonelle motorer som Google. Det kan være en fin måte å venne seg til å interagere med generativ KI, og lar deg utforske muligheter og begrensinger ved disse chatbotene. Øv deg på å gi spesifikke og tydelige instrukser for å få svarene slik du ønsker.

Et annet tips er å benytte bildegenereringsverktøy. Her kan du leke deg med å generere bilder, og på den måten fort se om instruksene dine er gode nok til å gi modellen tilstrekkelig informasjon til å lage det du ser for deg at den skal. Hvor mye må du skrive for å få bildet slik du ønsker det?

Ønsker du, prosjektet ditt eller bedriften din å heve kunnskapen rundt kunstig intelligens?

Det er et stort potensiale til å øke produktivitet og effektivitet ved adapsjon av kunstig intelligens, men det er også store begrensinger ved teknologien og fallgruver man bør unngå. Å øke kunnskapen om teknologien i din bedrift kan gjøre flere i stand til å utnytte de verktøy som er lett tilgjengelige i dag, identifisere nye muligheter og samtidig hindre feilbruk. Et sted å starte er å gi grunnleggende forståelse rundt generativ KI og spesielt bruk av KI-assistanse til et bredt spekter av medarbeiderne.

I Norconsult tilbyr vi kurs og foredrag innen kunstig intelligens, og vi har fokus på enkel formidling som ikke krever forkunnskap og opplegget kan skreddersys til ditt formål. Eksempler på tematikk for grunnleggende innføring er vist under:

Generativ KI

• Hva er KI
• Historien om KI
• Hvorfor det er vanskelig å vite hva en KI-modell «har lært»?
• Hvordan lages språk- og bildemodeller?
• Hva er forskjellen på kunstig intelligens, kunstig generell intelligens og kunstig superintelligens - og hvor står vi i dag?
• Hvordan vil dette påvirke samfunnet framover?
• Hvordan vil dette påvirke jobben min framover?
• Hvordan gjenkjenne et godt KI-case?

Bruk av KI-assistanse

• Hva sier tidlige analyser om hvor nyttig modellene kan være på arbeidsplassen?
• Hvorfor tar modellene ofte feil og hvorfor skal vi ikke avfeie dagens modeller selv om vi får generiske eller feile svar?
• Hvilke modeller bør jeg bruke i mitt arbeid?
• Hvilke oppgaver kan modellen hjelpe meg med?
• Hvordan bør vi bruke modellene?
  Kontekst, prompting, metoder og ferdige instrukser
• Tips til «interaksjon»