Grounding

Hvad er grounding?

Grounding er teknikken at forankre AI-modellers svar i konkrete, faktuelle informationskilder. I stedet for at lade modellen svare frit baseret på hvad den har lært under træning, giver du den specifikke dokumenter, data eller kontekst, og instruerer den i at basere sit svar udelukkende på den information.

Tænk på det som forskellen mellem at bede nogen om at fortælle alt de ved om et emne (som kan inkludere gætværk og fejlhuskninger) og at give dem en specifik rapport og bede dem svare baseret på rapporten. Det første inviterer til fejl. Det andet forankrer svaret i verificerbar information.

Grounding er en af de vigtigste teknikker til at gøre AI pålidelig nok til professionel brug. Uden grounding er AI-output altid potentielt upålideligt. Med grounding kan du skabe systemer der er faktuelle, sporbare og verificerbare.

Hvordan fungerer grounding?

1. Kontekstgivning. Du giver modellen den information den skal basere sit svar på: dokumenter, dataudtræk, søgeresultater, artikler.
2. Instruktion. Du instruerer modellen eksplicit: “Basér dit svar udelukkende på den givne kontekst. Hvis svaret ikke fremgår af konteksten, sig at du ikke ved det.”
3. Kildehenvisning. Du beder modellen om at citere hvilke dele af konteksten den baserer hvert udsagn på, så brugeren kan verificere.
4. Begrænsning. Du beder modellen om ikke at tilføje information ud over hvad der fremgår af de givne kilder.

Grounding-metoder

1. RAG (Retrieval-Augmented Generation). Den mest populære grounding-metode. En søgemaskine finder relevante dokumenter, der indsættes i modellens prompt som kontekst.
2. Kontekst i prompt. Du kopierer relevant tekst direkte ind i dit prompt: “Baseret på følgende tekst: [tekst]… Besvar dette spørgsmål.”
3. Web-søgning. Modellen søger på nettet og baserer svar på aktuelle søgeresultater. Bruges af ChatGPT med Browse, Perplexity AI og Google AI Overviews.
4. Database-forespørgsler. Modellen forespørger en database og baserer svar på de returnerede data.
5. API-kald. Modellen henter data fra API’er (vejr, aktiekurser, kalender) og forankrer svar i aktuelle data.

Hvorfor er grounding vigtigt?

1. Reducerer hallucinationer. Når modellen har faktuelle kilder at basere sig på, opdigter den langt færre fakta.
2. Sporbarhed. Brugeren kan se præcis hvilke kilder svaret er baseret på og verificere informationen.
3. Aktualitet. Grounding med aktuelle data løser problemet med modellens videns-cutoff.
4. Tillid. Brugere stoler mere på svar der inkluderer kilder end svar der præsenteres uden dokumentation.
5. Compliance. I regulerede brancher (finans, medicin, jura) er sporbarhed ofte et krav. Grounding muliggør det.

Grounding i praksis

1. Enterprise AI. Virksomheds-chatbots der svarer baseret på interne dokumenter, politikker og vidensbaser.
2. Kundesupport. AI-assistenter der besvarer kundehenvendelser baseret på produktdokumentation og FAQ’er.
3. Juridisk AI. Systemer der svarer baseret på lovtekster, domme og regulativer. Med præcise kildehenvisninger.
4. Søgemaskiner. Perplexity AI og Google AI Overviews baserer svar på søgeresultater og citerer kilder.
5. Medicinsk AI. AI-assistenter der besvarer spørgsmål baseret på medicinsk litteratur og kliniske retningslinjer.