Generativ AI

Hvad er generativ AI?

Generativ AI er kunstig intelligens der kan skabe nyt indhold. Hvor traditionel AI typisk analyserer, klassificerer eller forudsiger, kan generativ AI producere noget der ikke eksisterede før: en tekst, et billede, en melodi, et stykke kode eller en video.

Det er generativ AI du bruger når du beder ChatGPT skrive en email, får Midjourney til at lave et billede ud fra en beskrivelse, eller lader Claude Code skrive en funktion til dit program. Outputtet er nyt. Det er ikke kopieret direkte fra træningsdataene, men genereret baseret på mønstre modellen har lært.

Generativ AI eksploderede i offentlighedens bevidsthed i november 2022, da OpenAI lancerede ChatGPT. På bare to måneder nåede det 100 millioner brugere. Den hurtigste vækst for en forbrugerapplikation i internettets historie.

Hvordan fungerer generativ AI?

Generativ AI virker ved at lære statistiske mønstre fra enorme mængder data og bruge disse mønstre til at producere nyt indhold:

1. Træning. Modellen analyserer milliarder af eksempler (tekster, billeder, kode) og lærer de underliggende mønstre og strukturer. En sprogmodel lærer f.eks. at efter “Hej, mit navn er” følger der typisk et personnavn.
2. Generering. Når du giver modellen et input (en prompt), bruger den sine lærte mønstre til at producere output ét element ad gangen. En sprogmodel genererer ét token (ord-del) ad gangen, en billedmodel bygger billedet gradvist op fra støj.
3. Sampling. Modellen vælger ikke altid det mest sandsynlige næste element. Der er et element af tilfældighed (styret af parameteren temperature), hvilket gør at den kan generere varierede og kreative resultater.

Typer af generativ AI

Generativ AI spænder over mange modaliteter:

1. Tekst. Sprogmodeller som ChatGPT, Claude og Gemini kan skrive artikler, besvare spørgsmål, opsummere dokumenter, oversætte og meget mere. De er baseret på transformer-arkitekturen og trænet på enorme tekstkorpora.
2. Billeder. Midjourney, DALL-E og Stable Diffusion kan skabe fotorealistiske billeder og kunst ud fra tekstbeskrivelser. De bruger primært diffusion models. En teknik hvor modellen lærer at bygge billeder op fra tilfældig støj.
3. Kode. GitHub Copilot, Cursor og Claude Code kan generere programkode, finde fejl og forklare eksisterende kode. De er sprogmodeller der er specialtrænet eller finjusteret på kodedata.
4. Lyd og musik. Værktøjer som ElevenLabs kan klone stemmer og generere realistisk tale. Suno og Udio kan komponere musik i enhver genre ud fra en tekstbeskrivelse.
5. Video. Sora (OpenAI), Runway og Kling kan generere videosekvenser ud fra tekst eller billeder. Kvaliteten forbedres hurtigt, men er endnu ikke på niveau med professionel videoproduktion.

Generativ AI i arbejdslivet

Teknologien ændrer allerede hvordan mange arbejder:

1. Skrivning og kommunikation. Udkast til emails, rapporter, blogindlæg og sociale medier. Ikke som erstatning for den menneskelige stemme, men som et udgangspunkt der sparer tid.
2. Programmering. Udviklere bruger AI til at skrive boilerplate-kode, debugge, skrive tests og forklare kompleks kode. Studier viser produktivitetsstigninger på 25-55% for visse kodningsopgaver.
3. Design og kreativt arbejde. Hurtig prototyping af visuelle koncepter, generering af variationer og ideudvikling. Designere bruger det som inspiration snarere end som færdigt output.
4. Analyse og research. Opsummering af lange dokumenter, udtræk af nøgleinformation og syntese af research fra mange kilder.
5. Kundeservice. Chatbots der forstår kundens spørgsmål og kan give meningsfulde svar, i stedet for at følge et stift beslutnings-træ.

Begrænsninger og risici

Generativ AI er kraftfuld men langt fra perfekt:

1. Hallucination. Modeller kan generere indhold der lyder overbevisende men er faktuelt forkert. De “opfinder” svar fordi de optimerer for sandsynlige ord-sekvenser, ikke for sandhed.
2. Bias. Modeller afspejler skævheder i deres træningsdata. Hvis træningsdataene er biased mod bestemte grupper, vil outputtet også være det.
3. Copyright. Det juridiske landskab er uafklaret. Modeller er trænet på materiale skabt af mennesker, og spørgsmålet om hvem der ejer det genererede output er stadig under debat.
4. Deepfakes. Teknologien kan bruges til at skabe overbevisende falsk indhold: falske billeder, stemmer og videoer af rigtige mennesker.
5. Afhængighed. Der er en risiko for at ukritisk brug fører til indhold af lavere kvalitet, hvor mennesker accepterer AI-output uden tilstrækkelig redigering eller faktatjek.