Generativ kunstig intelligens

Hvad det er, og hvorfor det betyder noget

Generativ AI bruger eksisterende data, lærer af dem og genererer derefter data med lignende egenskaber. Den kan f.eks. generere tekst, billeder, lyd, video og computerkode.

Udviklingen af generativ AI

Traditionel AI og maskinlæringssystemer genkender mønstre i data for at lave forudsigelser. Men generativ AI går videre end at forudsige - den genererer nye data som sit primære output. Forestil dig at modtage den fulde tekst til en tale blot få sekunder efter, at du har givet en chatbot (som ChatGPT) et par ord til at beskrive din idé. At generere musik, kunst eller billeder ud fra tekstbaserede beskrivelser. Eller at udvikle en forretningsstrategi gennem samtale, frem og tilbage "prompting" med et generativt AI-værktøj.

Hvor startede det hele?

I modsætning til hvad mange tror, er generativ AI ikke noget nyt - det er bygget på teknologier, vi har brugt i årtier, herunder AI, maskinlæring og statistiske metoder. Tre centrale generative AI-teknologier er digitale tvillinger, store sprogmodeller og generering af syntetiske data.

Oprindelsen til generativ AI kan spores længere tilbage, men vi starter med 1966 og en chatbot ved navn ELIZA.

Joseph Weizenbaum, som byggede ELIZA, designede den til at efterligne Rogerianske psykoterapeuter, som spejler, hvad patienten siger. ELIZA brugte mønstertilpasning til at opnå dette resultat. ELIZA var et af de første programmer, der forsøgte sig med Turing-testen - et imitationsspil, der tester en maskines evne til at udvise intelligent adfærd som et menneske.

Efterhånden som metoderne til at analysere ustrukturerede tekstdata udviklede sig, oplevede man i 1970'erne og 1990'erne en vækst i semantiske netværk, ontologier, tilbagevendende neurale netværk og meget mere. Fra 2000 til 2015 blev sprogmodellering og ordindlejring forbedret, og Google Translate opstod.

I 2014 udviklede Ian Goodfellow og kolleger det generative adversarial network (GAN), hvor de satte to neurale netværk til at konkurrere (dvs. træne) mod hinanden. Det ene netværk genererede data, mens det andet forsøgte at afgøre, om dataene var ægte eller falske. Transformer-modeller blev introduceret i 2017. De inkluderede en selvopmærksomhedsmekanisme, der gjorde det muligt for dem at afveje vigtigheden af forskellige dele af inputtet, når de lavede forudsigelser. Arkitekturer som BERT og ELMo blev også populære.

Generative foruddannede transformatormodeller (GPT) dukkede derefter op, og den første GPT-model kom i 2018. Denne model blev trænet på store mængder tekstdata fra internettet. Med 117 millioner parametre kunne den generere tekst, der i stil og indhold lignede træningsdataene. I 2023 havde GPT-modeller for store sprog udviklet sig til et punkt, hvor de kunne klare vanskelige eksamener, som f.eks. advokateksamen.

Den hurtige fremgang for generativ AI-teknologi

Generativ AI er en banebrydende teknologi, hvis indflydelse er blevet sammenlignet med opdagelser som elektricitet og trykpressen. Med potentialet til drastisk at øge produktiviteten er dialogbaserede AI-modeller som ChatGPT steget voldsomt i popularitet blandt virksomheder og almindelige brugere - og har rejst bekymringer om databeskyttelse, bias i AI, etik og nøjagtighed. Det globale marked for generativ AI forventes at vokse til 110,8 milliarder dollars i 2030.

Politikere bruger den digitale tvillingeteknologi til at afgøre, hvordan nye skatteforanstaltninger kan påvirke borgerne

Det er afgørende for Belgiens Federal Public Service Finance at bestemme "vindere" og "tabere" af potentielle skatteændringer, før de implementeres. Når de har brug for hurtige og præcise svar, bruger FPS Finance Aurora, en digital tvilling af den regnemaskine, der behandler landets indkomstskatter, til at simulere fremtidige gældsreformer. Bedre simuleringer betyder bedre informerede politiske beslutningstagere - og bedre resultater.

Læs mere her

Generativ AI i vores verden i dag

Tillid til troværdig kunstig intelligens

Forbrugerne har større tillid til organisationer, der demonstrerer ansvarlig og etisk brug af AI. Få mere at vide om, hvorfor det er vigtigt at omfavne troværdige AI-systemer, der er designet til at sætte mennesket i centrum, være inkluderende og ansvarlige.

Læs e-bogen

Fordele og risici ved generativ AI

Er du nysgerrig efter at vide, hvordan generativ AI fungerer, og hvad du skal overveje, før du bruger det? Få en introduktion til teknologien, få mere at vide om en struktur for indførelse af generative AI-værktøjer, og overvej, om og hvordan du skal indføre teknologien.

Få mere at vide

Udforsk brugen af AI i undervisningen

Elever har brugt generativ AI til at skabe indhold og grafik, skrive kode, bygge mobilapps og løse problemer. Selvom generativ AI kan være sjov og nyttig, har vi brug for mennesker til at spotte og rette forkerte svar eller "hallucinationer".

Læs blogindlægget

Uvirkelige virkeligheder: Status for generativ AI

Kan eksplosionen af billedgenerering skabe en uvirkelighed, der får mennesker til at fejle? Lær den sande betydning af begrebet "deepfake", opdag, hvordan deepfakes kan bruges til noget godt, og se, hvordan nye teknikker kan hjælpe med at opdage og identificere de genererede medier.

Lyt til podcasten

Populære AI-værktøjer, og hvordan de bruges

Der er mange populære AI-værktøjer i nyhederne. Men vidste du, at der findes mere end 1.500 på markedet, herunder generative AI-værktøjer?

Se, hvilke værktøjer der er mest udbredte i dag, og hvordan de anvendes på tværs af brancher..

Besøg vores dashboard for at lære mere

Hvem bruger generativ AI?

Generativ AI spænder over en bred vifte af brancher og forretningsfunktioner i hele verden. I takt med at teknologien vokser i popularitet, har den på samme tid udløst begejstring og frygt blandt enkeltpersoner, virksomheder og offentlige instanser. Lad os se på, hvordan nogle brancher bruger generativ AI i dag.

Bankvæsen

Banker og andre finansielle organisationer kan bruge generativ AI til at forbedre beslutninger, mindske risici og øge kundetilfredsheden. Når generative AI-modeller trænes til at lære mønstre og spotte uregelmæssigheder, kan de markere mistænkelige aktiviteter i realtid. Ved at skabe simulerede data til stresstest og scenarieanalyse kan generativ AI hjælpe banker med at forudsige fremtidige finansielle risici og forebygge tab. Og virtuelle assistenter (som chatbots) kan yde menneskelignende kundeservice 24/7.

Flere bankløsninger

Forsikring

Forsikringsselskaber kan bruge kunstige data til prisfastsættelse, reservering og forsikringsteknisk modellering. For eksempel kan forsikringsselskaber bruge kunstige data, der ligner historiske oplysninger om policer og skader, til at træne og teste prismodeller - hvilket hjælper dem med at vurdere, hvordan forskellige prisstrategier ville fungere uden at bruge følsomme personlige oplysninger fra kunderne. Kunstige data kan også hjælpe med at evaluere begivenheder med lav sandsynlighed som jordskælv eller orkaner.

Flere forsikringsløsninger

Biovidenskab

Der er mange lovende anvendelsesmuligheder for generativ AI inden for biovidenskab. Inden for lægemiddelforskning kan det fremskynde processen med at identificere nye potentielle lægemiddelkandidater. I klinisk forskning har generativ AI potentialet til at udtrække information fra komplekse data for at skabe syntetiske data og digitale tvillinger, som er repræsentative for enkeltpersoner (en måde at beskytte privatlivets fred på). Andre anvendelsesmuligheder er at identificere sikkerhedssignaler eller finde nye anvendelser for eksisterende behandlinger.

Produktion

Producenter kan bruge generativ AI til at optimere drift, vedligeholdelse, forsyningskæder - selv energiforbrug - for at opnå lavere omkostninger, højere produktivitet og større bæredygtighed. En generativ AI-model lærer af eksisterende præstations-, vedligeholdelses- og sensordata, prognoser, eksterne faktorer og meget mere og giver derefter anbefalede strategier til forbedring.

Flere produktionsløsninger

Den offentlige sektor

Naturlig sproghåndtering (NLP) og chatbots kan hjælpe ansatte i den offentlige sektor med at reagere hurtigere på borgernes behov, f.eks. ved at forbedre beredskabstjenesterne i oversvømmelsestruede områder eller ved at hjælpe underforsynede områder. Generative AI-teknikker - såsom prognosemodeller og simuleringer - kan analysere store mængder historiske data, offentlige følelser og andre indikatorer og derefter generere anbefalinger til at reducere overbelastning, forbedre infrastrukturplanlægning og finjustere ressourceallokering.

Flere løsninger til den offentlige sektor

Detailhandel

I detailhandlen kræver succes, at man forstår kundernes efterspørgsel, designer shoppingoplevelser, der engagerer kunderne, og sikrer en pålidelig og stabil implementering i forsyningskæden. Nogle detailhandlere bruger for eksempel generativ AI med digital tvillingeteknologi til at give planlæggere et glimt af potentielle scenarier - som afbrydelser i forsyningskæden eller ressourcebegrænsninger. Dette er gjort muligt gennem sofistikeret AI-simulering og datamodellering.

Flere løsninger til detailhandlen

Resultaterne af generativ AI er i bund og grund en afspejling af os mennesker. ... Forbrugerne skal fortsætte med at tænke kritisk, når de interagerer med dialogbaseret AI, og undgå automatiseringsbias (troen på, at et teknisk system er mere tilbøjeligt til at være nøjagtigt og sandt end et menneske). Reggie Townsend vicepræsident for SAS dataetiske praksis

Læs artiklen

Overvejelser om generative AI-modeller

Modeller er dyre at drive - de kræver enorme mængder computerkraft og data. Du bør nøje evaluere ROI, før du implementerer en generativ AI-model. Der er også etiske overvejelser. Hvor kommer dataene fra - og hvem ejer dem? Er de pålidelige? Forstår du præcist, hvordan modellen blev bygget?

Sådan fungerer generativ AI

Nogle populære eksempler på generative AI-teknologier omfatter DALL-E, et billedgenereringssystem, der skaber billeder ud fra tekstinput, ChatGPT (et tekstgenereringssystem), Google Bard-chatbotten og Microsofts AI-drevne Bing-søgemaskine. Et andet eksempel er at bruge generativ AI til at skabe en digital repræsentation af et system, en forretningsproces eller endda en person - som en dynamisk repræsentation af en persons nuværende og fremtidige sundhedstilstand.

Der er tre hovedtyper af generative teknologier (digitale tvillinger, store sprogmodeller og syntetisk datagenerering).

Digitale tvillinger

Digitale tvillinger er virtuelle modeller af virkelige objekter eller systemer, der er bygget af historiske data, data fra den virkelige verden, syntetiske data eller data fra et systems feedback-loop. De er bygget med software, data og samlinger af generative og ikke-generative modeller, der spejler og synkroniserer med et fysisk system - f.eks. en enhed, proces, system eller produkt. Digitale tvillinger bruges til at teste, optimere, overvåge eller forudsige. For eksempel kan en digital tvilling af en forsyningskæde hjælpe virksomheder med at forudsige, hvornår der kan opstå mangel på varer.

Store sprogmodeller

En stor sprogmodel (LLM) er en kraftfuld maskinlæringsmodel, der kan behandle og identificere komplekse relationer i naturligt sprog, generere tekst og føre samtaler med brugere. Disse modeller er afhængige af teknikker som deep learning og neurale netværk. LLM'er defineres som AI-modeller til behandling af naturligt sprog og trænes på massive mængder af tekstdata. De resulterende modeller har op til milliarder af parametre. OpenAI’s ChatGPT er et eksempel på en populær stor sprogmodel.

Generering af syntetiske data

Når der tales om kunstig datagenerering, menes der on-demand, selvbetjening eller automatiserede data, der genereres af algoritmer eller regler i stedet for at blive indsamlet fra den virkelige verden. Syntetiske data genereres ofte for at opfylde betingelser, der mangler i reelle data. De reproducerer de samme statistiske egenskaber, sandsynligheder, mønstre og karakteristika som de data fra den virkelige verden, de er trænet ud fra. Mange organisationer bruger syntetiske data for at bevare privatlivets fred eller for at overvinde andre udfordringer ved at indsamle og bruge data fra den virkelige verden, såsom omkostninger, tidskrævende datafremstillingsprocesser eller bias.

Mange andre teknologier muliggør og understøtter generativ AI:

En algoritme er en liste med trinvise instruktioner, der er designet til at udføre en bestemt opgave eller løse et problem. Mange computerprogrammer er en sekvens af algoritmer skrevet på en måde, som computeren kan forstå. Når algoritmer begynder at supplere eller erstatte menneskelige beslutninger, må vi undersøge, om de er retfærdige, og kræve gennemsigtighed i, hvordan de udvikles.

Kunstig intelligens gør det muligt for maskiner at lære af erfaringer, tilpasse sig nye input og udføre menneskelignende opgaver. AI er ofte stærkt afhængig af deep learning og NLP. Gennem sådanne teknologier kan computere trænes til at udføre specifikke opgaver ved at behandle store mængder data og genkende mønstre.

Deep learning er en undergruppe af machine learning, der træner en computer til at udføre menneskelignende opgaver, såsom at genkende tale, identificere billeder og lave forudsigelser. Det forbedrer evnen til at klassificere, genkende, opdage og beskrive ved hjælp af data. Deep learning-modeller som GAN'er og variational autoencoders (VAE'er) trænes på massive datasæt og kan generere data af høj kvalitet. Nyere teknikker som StyleGANs og transformermodeller kan skabe realistiske videoer, billeder, tekst og tale.

Machine learning er en metode til dataanalyse, der automatiserer opbygningen af analytiske modeller. Det er en gren af kunstig intelligens, som træner en maskine i at lære. Machine learning er baseret på idéen om, at systemer kan lære af data, identificere mønstre og træffe beslutninger med minimal menneskelig indgriben.

Naturlig sprogbehandling er en gren af kunstig intelligens, der hjælper computere med at forstå, fortolke og manipulere menneskeligt sprog. NLP trækker på mange discipliner, herunder datalogi og computerlingvistik, for at udfylde kløften mellem menneskelig kommunikation og computerforståelse.

Neurale netværk er computersystemer med sammenkoblede knudepunkter, der fungerer ligesom neuroner i den menneskelige hjerne. Neurale netværk bruger algoritmer til at genkende skjulte mønstre og sammenhænge i rådata, gruppere og klassificere dem og løbende lære og forbedre sig over tid.

Reinforcement learning er, når en algoritme gennem forsøg og fejl opdager, hvilke handlinger der giver den største belønning. Reinforcement learning er en maskinlæringsmodel, der er afhængig af et belønningssignal til sin feedbackmekanisme, da den gradvist lærer den bedste (eller mest givende) politik eller målsætning. Den bruges ofte til robotteknologi, spil og navigation.

5 trin til finjustering af en model

Generativ AI er afhængig af mange forskellige AI-algoritmer og teknologier til at generere data, der har lignende sandsynlighedsfordelinger og karakteristika som de data, den lærer fra. I stedet for at bygge op fra bunden kan du følge disse fem trin for at finjustere en forudtrænet grundlæggende stor sprogmodel.

1. Definer opgaven.

Vælg en passende forhåndstrænet stor sprogmodel, og definer klart den opgave, som den skal finjusteres til. Det kan være tekstklassifikation (dvs. genkendelse af enheder), tekstgenerering osv.

2. Forbered dataene.

Indsaml og forarbejd dine opgavespecifikke data - til opgaver som mærkning, formatering og tokenisering. Opret trænings- og valideringsdatasæt (og eventuelt testdatasæt).

3. Finjustering.

Træn den modificerede model på dine opgavespecifikke data, og brug træningsdatasættet til at opdatere modellens vægt. Overvåg modellens ydeevne på valideringsdatasættet for at forhindre overbearbejdning.

4. Evaluer og test.

Efter træningen skal du evaluere din finjusterede model på validationsdatasættet og foretage de nødvendige justeringer baseret på resultaterne. Når du er tilfreds, tester du modellen på testsættet for at få et objektivt skøn over præstationen.

5. Implementér.

Når du er sikker på modellens ydeevne, skal du implementere den til den tilsigtede brug. Det kan indebære at integrere modellen i en applikation, et website eller en anden platform.

Hvad er kunstige data?

Data er afgørende for at opbygge modeller, men data af høj kvalitet kan være svære at finde, forudindtagede eller dyre. En måde at løse disse problemer på er ved at bruge kunstige data, som er skabt kunstigt (ofte med algoritmer). Hvis vi bruger datasæt fra den virkelige verden til at generere yderligere, kunstige data - med passende egenskaber til at bygge gode machine learning-modeller - kan vi træne modeller til stort set ethvert formål, som f.eks. at forske i en sjælden sygdom.

Næste skridt

Se, hvordan AI-løsninger kan øge den menneskelige kreativitet og indsats.

AI-løsninger fra SAS

En AI- og analyseplatform

Med SAS^® Viya^®, er der ikke noget, der hedder for meget information. Lær om den hurtigste måde at komme fra en milliard datapunkter til ét synspunkt.

Få mere at vide, og prøv det gratis

Anbefalet læsning