LLM, GPT, RAG…Hvad betyder AI-akronymer? | AI i erhvervslivet #91

Hvad taler specialister i kunstig intelligens om? Afkodning af AI-akronymer

AI-specialister bruger ofte akronymer til at beskrive komplekse teknologier og processer. Det er værd at forstå, hvad der ligger bag disse termer for at kunne udnytte de muligheder, som AI tilbyder, bevidst. For eksempel, når du hører “RAG” eller “XAI,” er du måske ikke sikker på, hvad det betyder. RAG, Retrieval-Augmented Generation, er en teknologi, der beriger sprogproduktion med informationshentning, mens XAI, Explainable AI, fokuserer på gennemsigtighed og forståelighed af beslutninger truffet af AI-systemer. Vi behøver ikke at forklare, hvad AI er i dag, men akronymer som disse kræver forklaring. Så lad os starte med et af de mest udbredte akronymer – det generelle navn for teknologien bag ChatGPT.

LLM (Large Language Model)

LLM, eller Large Language Model, er fundamentet for systemer som chatbots, der kan generere tekst, kode eller oversætte sprog. Det er en kunstig intelligens, der er trænet til at estimere sandsynligheden for sekvenser af ord ved hjælp af et neuralt netværk med over 175 milliarder parametre.

Træningen af LLM involverer at vise eksempler og justere vægte for at reducere fejl. I LLM er hver tekst repræsenteret ved vektorer med mange tal, der bestemmer dens position og relationer i modellens “sprog”-rum. Fortsættende tekst betyder at følge stier i dette rum.

Forestil dig dem som “superlæsere” med omfattende viden og evnen til at bearbejde information og svare på en måde, der ligner menneskers. Populære eksempler på LLM’er inkluderer:

• Gemini Pro (Google),
• GPT-4 (OpenAI), og
• Llama 2 (Meta).

I erhvervslivet kan LLM strømline kommunikation og informationsflow inden for en virksomhed, for eksempel ved automatisk at generere rapporter, oversætte dokumenter og besvare medarbejderes spørgsmål. At bruge LLM gennem chat, dedikeret software eller API’er kan også støtte oprettelsen af nye forretningsmodeller og strategier ved at analysere store mængder data og identificere tendenser, der tidligere var usete.

RAG (Retrieval-Augmented Generation)

Retrieval-Augmented Generation (RAG) er en teknik, der kombinerer semantisk informationshentning med tekstgenerering. Dette gør det muligt for modellen at finde relevante dokumenter, såsom dem fra Wikipedia, hvilket giver kontekst, der hjælper tekstgeneratoren med at producere mere præcise, rigere og mindre fejlbehæftede resultater. RAG kan tilpasses, og dens interne viden kan effektivt ændres uden behov for at gentræne hele modellen, hvilket er kostbart og tidskrævende. Dette er særligt nyttigt i situationer, hvor fakta kan udvikle sig over tid, hvilket eliminerer behovet for gentræning for at få adgang til de nyeste oplysninger.

Kilde: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

GPT (Generative Pre-trained Transformer)

Vi kender alle akronymet GPT, fordi det blev en del af navnet på den mest populære AI-chatbot. Men hvad betyder det egentlig? Generative Pre-trained Transformer, GPT, er en AI-model, der genererer tekst, der ligner menneskeskabt tekst ved at forudsige det næste ord i en sekvens. I læringsprocessen tilegner den sig viden fra milliarder af sider af tekst skrevet af mennesker for senere at bestemme sandsynligheden for det næste ord.

GPT-modeller er baseret på neurale netværksarkitekturer kaldet transformere, som kan generere tekst og svare på spørgsmål på en samtalelignende måde. De bruges til en bred vifte af opgaver, herunder:

• oversættelse af sprog,
• opsummering af dokumenter,
• generering af indhold,
• skrivning af kode, og mange andre opgaver.

GPT-modeller kan bruges uden yderligere træning i en teknik kaldet Zero-shot learning, eller tilpasses til en specifik opgave gennem læring fra et par eksempler (Few-shot learning).

NLP (Natural Language Processing)

NLP, eller Natural Language Processing, er det felt, der beskæftiger sig med teknikker og teknologier, der gør det muligt for maskiner at forstå og bearbejde menneskesprog.

Dette danner grundlaget for de nævnte LLM, RAG og GPT, hvilket gør dem i stand til at forstå ord, sætninger og deres betydninger. Således kan NLP omdanne tekstdata til nyttige forretningsindsigter. NLP-applikationer har bred anvendelse, der strækker sig ud over AI-assistenter og chatbots, til opgaver som:

• sentimentanalyse – gør det muligt at bestemme, hvilke følelser der er til stede i teksten, for eksempel om en mening udtrykt på sociale medier er positiv, negativ eller neutral,
• opsummering af dokumenter – automatisk oprettelse af resuméer af lange tekster, hvilket sparer brugerne tid,
• maskinoversættelse – muliggør hurtig og effektiv oversættelse af tekster mellem forskellige sprog. For eksempel er Metas SeamlessM4T-model i stand til at oversætte tekst og tale mellem 100 sprog.

ML (Machine Learning)

ML, eller Machine Learning, er den grundlæggende gren af AI. Det er et overordnet felt, der involverer træning af computere til at lære af data uden at programmere dem direkte. AI bruger data og algoritmer til at efterligne den måde, mennesker lærer på, og opnår erfaring over tid.

Begrebet “maskinlæring” blev opfundet af Arthur Samuel i 1959 i forbindelse med hans forskning i at spille dam. Teknologisk fremskridt har gjort det muligt at skabe innovative produkter baseret på ML, såsom anbefalingssystemer og autonome køretøjer.

Maskinlæring er en nøglekomponent i Data Science, der bruger statistiske metoder til at forudsige og træffe beslutninger i mange virksomheder. Efterspørgslen efter Data Scientists vokser i takt med udvidelsen af big data. Dette gælder især for eksperter, der er i stand til at identificere betydningsfulde forretningsspørgsmål og analysere data. ML-algoritmer oprettes ved hjælp af programmeringsrammer som TensorFlow og PyTorch.

Kilde: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Robotic Process Automation (RPA)

RPA, eller Robotic Process Automation, er en teknologi til automatisering, hvor computere efterligner menneskelige handlinger udført i specifikke programmer og applikationer. RPA er en praktisk anvendelse af AI, der direkte påvirker operationel effektivitet. Det automatiserer rutineopgaver, såsom dataindtastning eller kundeservice, hvilket giver virksomheder mulighed for at fokusere på mere strategiske aktiviteter.

Deep Learning (DL)

Deep Learning (DL) er en avanceret gren af ML, der er baseret på neurale netværk inspireret af strukturen af den menneskelige hjerne. Disse netværk lærer af store mængder data for at genkende mønstre og relationer og bruger derefter denne viden til at træffe forudsigelser og beslutninger. DL muliggør udførelsen af de mest komplekse opgaver, såsom billedgenkendelse, objektidentifikation og klassificering i fotos og videoer.

Som et resultat er DL afgørende for udviklingen af teknologier som:

• forudsigelse og optimering af energiforbrug,
• kontrol af autonome køretøjer,
• forebyggelse af finansiel svindel ved at opdage anomalier i transaktioner, eller
• personalisering af tilbud og indhold til individuelle brugerpræferencer.

Reinforcement Learning (RL)

Reinforcement Learning (RL) er en type maskinlæring (ML), hvor AI-modellen lærer “på egen hånd” gennem trial and error, i stedet for at blive trænet ud fra forberedte data. Med andre ord tilpasser AI sig gennem interaktioner med miljøet, modtager belønninger for ønskelige handlinger og straffe for ineffektive.

Reinforcement Learning er nyttig i opgaver, hvor vi præcist ved, hvilket resultat vi ønsker at opnå, men den optimale vej til at nå det er ukendt eller for vanskelig at programmere. For eksempel træning af robotter til at navigere i komplekse miljøer.

Generative Adversarial Networks (GANs)

Generative Adversarial Networks (GANs) er et system bestående af to konkurrerende neurale netværk:

• Generator, der skaber nye data, såsom billeder eller tekst,
• Discriminator, der forsøger at skelne mellem ægte data og genererede data.

Denne konkurrence motiverer begge netværk til at forbedre sig, hvilket fører til stadig mere realistiske og kreative resultater.

Explainable AI (XAI)

Explainable AI (XAI) er et noget mindre kendt, men meget vigtigt akronym inden for kunstig intelligens. Det er en tilgang til AI, der fokuserer på at give klare og forståelige forklaringer på de handlinger eller beslutninger, der træffes af AI-systemer. XAI er afgørende for ansvarlig AI-udvikling: gennemsigtighed, overholdelse af lovgivningsmæssige krav, sikkerhed og støtte til innovation.

AI akronymer. Resumé

AI-akronymer som LLM, RAG, GPT og XAI repræsenterer avancerede teknologier, der ændrer den måde, virksomheder opererer på. Fra procesautomatisering til bedre forståelse af kundernes behov – AI åbner op for nye muligheder. Fortrolighed med disse termer er nøglen til at navigere i feltet for kunstig intelligens og udnytte dens potentiale i din virksomhed. Viden om disse teknologier muliggør ikke kun optimering af eksisterende processer, men også udforskning af nye områder for innovation og vækst.

Hvis du kan lide vores indhold, så bliv en del af vores travle bier-fællesskab på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.