Generativ AI - Fra Hype til handling

I denne artikkelen vil jeg gjennomgå hva generativ AI er og hvordan det skiller seg fra «tradisjonell» kunstig intelligens. Vi vil se på hvorfor vi tror teknologien vil vare samt gi et overblikk over hvilke bruksområder som kan være aktuelle og hva som er viktig å tenke på før generativ AI tas i bruk. Til sist vil jeg komme med noen konkrete tips for hvordan Generativ AI kan settes i arbeid. Fokuset er på hvordan Generativ AI kan forbedre og forsterke, heller enn å erstatte. Målet er å hjelpe de som ønsker å navigere i både potensialet for verdiskapning og risikoer gjennom bruk av generativ AI.

Hva er Generativ AI og hvordan skiller den seg fra tradisjonell AI?

Foundation-modeller

Den underliggende teknologien som muliggjør Generativ AI er en type kunstige nevrale nettverk som kalles "foundation-modeller". De kalles «foundation»-modeller fordi de fungerer som utgangspunktet for utviklingen av mer avanserte og domenespesifikke maskinlæringsmodeller. Disse nevrale nettverkene er inspirert av nervecellene i hjernen og trenes gjennom en teknikk kalt «dyp læring», etter de mange dype lagene i nettverket (og menneskehjernen).

Dyp læring, som for eksempel ansiktsgjenkjenning når du låser opp mobilen, står bak mye av utviklingen innen AI de siste årene. Disse modellene har flere egenskaper som skiller dem fra tradisjonelle AI-teknologier og maskinlæringsteknikker, og jeg vil gå nærmere inn på noen her.

Trenes på store data

Mens andre maskinlæringsmodeller blir trent på spesifikke datasett, trenes foundation-modeller på ekstremt store og varierte mengder ustrukturerte og uklassifiserte data.

Den type foundation-modell som ChatGPT baseres på, kalles en stor språkmodell (large laguage model /LLM). Den trenes på enorme mengder tekst som dekker et bredt spekter av emner og språk. ChatGPT er for eksempel trent på 300 milliarder ord hentet fra bøker, nettform, artikler m.m. Det brukes "oppmerksomhetsmekanismer" (attention mechanisms) for å hjelpe modellen fokusere på det som er relevant å lære seg noe om. Dette gjør det mulig å identifisere ordmønstre, sammenhenger og kontekst i brukerens spørsmål.

Selv om andre dyp læring-modeller kan håndtere betydelige mengder ustrukturerte data, blir de vanligvis trent på mer spesifikke datasett. For eksempel kan en modell trenes på en bestemt mengde bilder for å kunne gjenkjenne visse objekter på fotografier.

Skape helt nytt innhold

«Generativ» betyr å «generere» og det er her det store skillet er. Modellene generer ny tekst, data, bilder, musikk, video eller tale basert på inputen den er trent på.

Generativ AI kan skape helt nytt innhold, ofte i ustrukturert format som tekst eller bilder. Frem til nå har AI kun beskrevet, predikert eller gitt anbefalinger basert på eksisterende informasjon. Generativ AI kan «forstå» informasjon og omdanne den til relevant kunnskap som kan brukes til å skape nytt innhold med ulike kontekster og formater. Et eksempel på dette er når ChatGPT har bestått den amerikanske advokateksamen eller DALL-E har vunnet kunstpriser. Evnen til å skape noe helt nytt er nok mye av grunnen til den store oppmerksomheten teknologien får.

Utføre flere oppgaver samtidig

Tidligere kunne maskinlæringsmodeller ofte kun utføre én oppgave av gangen, for eksempel klassifisere objekter på et bilde eller gjøre en prediksjon. Til forskjell kan en foundation-modell utføre begge disse oppgavene og skape nytt innhold, samtidig.

Dette er fordi modellene lærer seg mønstre og relasjonen fra den enorme mengden data de trenes på. Det gjør dem i stand til å forutsi hvilket ord i en setning, eller pixel i et bilde, som er det statistisk mest sannsynlige basert på alle dataene modellen er trent på. Det er derfor ChatGPT kan svare på spørsmål om alt mulig og DALL·E og Stable Diffusion kan generere bilder basert på en beskrivelse fra brukeren. Det handler om lært sannsynlighet.

Grunnlaget for mye annet

Som navnet tilsier, danner en foundation-model grunnlaget for å bruke modellen på mange andre bruksområder. En foundation-modell kan sammenlignes med å lære å kjøre bil. Har du først gjort jobben med å lære deg trafikkregler, gass og brems, kan du med liten ekstrainnsats kjøre andre biler, som en buss eller lastebil.

1. Sammenlignet med mange andre teknologier, har generativ AI allerede bevist sin verdi og potensiale i mange bransjer. Teknologien blir brukt til å generere realistiske bilder, skape ny musikk, produsere overbevisende tekster og mye mer. Mange har tatt i bruk generativ AI for å automatisere, forbedre og forsterke arbeidsprosesser, med imponerende resultater.

2. Generativ AI har vist seg å være effektiv i å løse komplekse problemer som tidligere var utfordrende eller umulige for tradisjonelle metoder. Den kan generere nye ideer, kreative løsninger og realistiske simuleringer. Denne evnen til å takle kompleksitet og levere verdifull innsikt gjør Generativ AI til en teknologi som vil være etterspurt og relevant i fremtiden.

Bygger på underliggende suksessfull teknologi

3. Generativ AI bygger på grunnleggende konsepter og metoder fra maskinlæring og kunstig intelligens. Selv om utviklingen på disse fagfeltene har vært igjennom flere bølgedaler, har de allerede vist seg å skape stor verdi i lang tid. Maskinlæring og kunstig intelligens har blitt integrert i dagliglivet gjennom stemmegjenkjenning, anbefalingssystemer og markedsføring.

4. Det pågår kontinuerlig forskning og utvikling innen Generativ AI. Det investeres mye akademisk og teoretisk kapasitet i å forbedre algoritmene og teknikkene som ligger til grunn for generativ AI. Det er også stor utvikling innen områder som må utvikles for å holde tritt med teknologien, slik som regulativer, etikk og personvern. Denne kontinuerlige utviklingen bidrar til å forbedre ytelsen og påliteligheten og viser at det er en seriøs og langsiktig innsats for å videreutvikle teknologien.

5. Generativ AI har tiltrukket seg betydelige investeringer og interesse fra både næringslivet og akademiske institusjoner. Engasjementet og investeringen indikerer at Generativ AI er mer enn bare en kortvarig trend. Bedrifter og organisasjoner ser potensialet og de reelle verdiene som kan oppnås gjennom Generativ AI, og investerer derfor ressurser i å utvikle og implementere teknologien.

Hva kan det brukes til?

Store språkmodeller som ChatGPT har fått mye oppmerksomhet og er nok grunnen til den store interessen for området. Fordi Generativ AI er multimodalt strekker imidlertid potensialet seg langt ut over tekst.

Mulighetene til å forbedre hvordan arbeid utføres og effektiviseres er mange. Ettersom teknologien utvikler seg og blir mer moden, kan denne typen Generativ AI integreres i arbeidsflyter for å automatisere oppgaver og utføre spesifikke handlinger direkte. Ett eksempel som ofte trekkes frem er hvordan teknologien kan endre rollen til softwareutvikling og akselerere utbredelsen av lavkodeapplikasjoner.

Domenespesifikk trening

Siden foundation-modellene er forhåndstrent på massive mengder data danner de ofte utgangspunktet for utviklingen av mer avanserte og ofte domenespesifikke modeller. De akselererer derfor utviklingen av AI ved at de lar bedrifter finjustere og bygge videre på modellene for deres spesifikke bruksområder og behov. Denne muligheten for å lage domenespesifikke språkmodeller «på ryggen» av foundation-modellene akselererer tiden det tar å skape verdi fra måneder til uker. Dette er kanskje ett av de mest lovende områdene for verdiskapning gjennom bruk av Generativ AI.

I mylderet av potensielle brukstilfeller er det greit å kjenne til noen overordnede bruksområder hvor teknologien kan skape verdi. Siden Generativ AI kan utføre flere oppgaver samtidig er ett brukstilfelle ofte knyttet til flere av disse bruksområdene samtidig:

Generere
En programvareutvikler kan utfordre generativ AI til å generere hele linjer med kode eller foreslå forbedringer til eksisterende kode, som øker ytelsen eller gjør koden lettere å lese.
Redigere
En markedsfører kan bruke Generativ AI til å tilpasse et budskap til selskapets merkevareprofil og språklige uttrykk, eller en Designer kan bruke Generativ AI til å støtte seg gjennom designprosessen.
Klassifisere
Et kundesenter kan bruke Generativ AI til å forstå og kategorisere kundehenvendelser basert på kundens behov og tilfredshet.
Syntetisere
Ansatte kan stille tekniske og komplekse spørsmål til en virtuell ekspert, som benytter Generativ AI til å forklare domene- eller selskapsspesifikk informasjon (se «domenespesifikk trening over»).

Hva er viktig å tenke på før Generativ AI tas i bruk?

Generativ AI har potensial til å generere innhold som kan påvirke brukere og samfunnet på ulike måter. Det er derfor viktig å bruke teknologien ansvarlig og vurdere både etiske og juridiske implikasjoner.

Man må være oppmerksom på muligheten for generering av feilaktig, villedende eller skadelig innhold. Det er også viktig å forstå og overholde immaterielle rettigheter, personvernregler og andre juridiske krav knyttet til data og generert innhold.

Fagfeltet rundt ansvarlig bruk av AI er ikke nytt, og det juridiske landskapet er i større utvikling ettersom teknologien øker i utbredelse. Her er noen viktige områder å være bevisst på:

Personvern

Personvernhensyn kan oppstå hvis brukere legger inn informasjon som senere havner i modellresultater på en måte som gjør enkeltpersoner identifiserbare. Generativ AI kan også brukes til å skape og spre ondsinnet innhold som desinformasjon, deepfakes og hatprat.

Sikkerhet

Ondsinnede aktører kan bruke Generativ AI til å skape mer sofistikerte phishing-angrep mot forbrukere eller kunder. Det er også mulig å legge inn "bakdører" i modellene, samt manipulere input (prompt) for å gi skadelige resultater. For eksempel kan en teknikk kalt "prompt injection" lure modellen til å levere feil resultater til sluttbrukeren.

Kvalitet og pålitelighet

Dagens foundation-modeller er ikke feilfrie og kan produsere unøyaktige eller upålitelige resultater. Det er viktig å evaluere og validere modellenes ytelse godt før de tas i bruk i produksjon. Man bør også ha en mekanisme for å overvåke og kontrollere resultatene løpende, samt ha tilstrekkelig menneskelig tilsyn for å korrigere eventuelle feil eller mangler. Man skal være varsom med å integrere Generativ AI i uten menneskelig tilsyn i applikasjoner der feil svar kan forårsake skade eller der forklarbarhet er nødvendig.

Forklarbarhet

Generativ AI er avhengig av nevrale nettverk med milliarder av parametere, noe som utfordrer vår evne til å forklare hvordan ethvert gitt svar blir produsert.

Rettferdighet (skjevhet)

Modellene kan generere algoritmisk skjevhet på grunn av mangelfulle treningsdata eller beslutninger tatt av de som utvikler modellene. Dette skaper skjevhet (bias) i modellene. Et kjent eksempel er Amazons pilotprosjekt på AI-rekrutteringsverktøy, som var bygget på en maskinlæringsmodell som favoriserte menn. Alle maskinlæringsmodeller inneholder skjevhet siden det ikke finnes et perfekt datasett å trene dem på. Det handler derfor om å forstå og redusereskjevhetene, enn å tro man kan eliminere dem.

Brukeropplevelse og tillit

Generativ AI-systemer interagerer med brukere og påvirker deres opplevelse. Det er viktig å sikre at bruken av Generativ AI forbedrer brukeropplevelsen og skaper verdi. Man må være oppmerksom på eventuelle potensielle negative effekter, som for eksempel generering av innhold som kan føre til forvirring, misforståelser eller manglende tillit fra brukerne. Det er avgjørende å kontinuerlig engasjere brukerne, lytte til tilbakemeldinger og tilpasse Generativ AI-løsningen for å sikre at den møter deres behov og forventninger.

Miljømessig innvirkning

Utviklingen og opplæringen av grunnleggende modeller kan føre til skadelige sosiale og miljømessige konsekvenser. Opplæring av en stor språkmodell kan tilsvare utslipp av over 300 tonn karbondioksid.

Hvordan sette Generativ Ai i arbeid?

Data, analyse og Kunstig intelligens har lenge stått høyt på selskapers digitale agenda og ambisjoner. En undersøkelse fra Itera i 2021 viste at 63 % av selskaper på tvers av bransjer har en strategi som tydelig fokuserer på bruk og benyttelse av data.

Mange har utnyttet teknologien til å forbedre sine digitale tjenester, skape nye produkter, realisere operasjonelle forbedringer og skape nye inntektsstrømmer. Mye av disse suksessene kommer fra bruk av godt utprøvd teknologi rettet mot ett spesifikt formål. Generativ AI representerer en teknologi som skaper en spennende verden av nye muligheter.

Mulighetsstudie og implementering

Det finnes ingen enkeltoppskrift på hvor og hvordan man bør starte, men en mulighetsstudie kan være et godt sted å starte. Gjennom denne kan man konkretisere overordnede bruksområder og spesifikke brukstilfeller hvor Generativ AI kan realisere faktisk verdi for bedriften.

Det er også viktig å ha en realistisk forståelse til hva Generativ AI kan og ikke kan gjøre. Brukstilfellene må også kvalifiseres for teknisk gjennomførbarhet ut fra eksisterende data og infrastruktur. Forventet forretningsverdi må kvantifiseres og praksis for ansvarlig bruk og adopsjon av teknologien sikres. I tillegg vil kostnadene ved å implementere Generativ AI variere avhengig av bruksområdet og dataene som kreves for programvare, skyinfrastruktur, teknisk ekspertise og risikohåndtering. Selskaper må ta hensyn til risikofaktorer, uavhengig av bruksområde, og noen vil kreve flere ressurser enn andre.

Svaret for hvordan komme i gang varierer fra selskap til selskap og mellom ulike bransjer. Noen bør starte stort, mens andre kan gjennomføre mindre eksperimenter. Den beste tilnærmingen vil avhenge av utgangspunkt, ambisjoner og risikovilje. Uansett ambisjon er nøkkelen å lære ved å gjøre - for det er ikke lurt å vente.