Hvad er kunstig intelligens?

Symbolsk AI er også kendt som regelbaseret AI. Denne form for kunstig intelligens følger eksplicit definerede logiske regler og ved derfor kun det, som programmøren har givet den af viden.

Et eksempel på denne form for AI er fx ekspertsystemer udviklet til diagnostik af sygdomme, hvor systemet fremlægger diagnoseforslag pba. symptomer og patientens sygdomshistorik.
I praksis betyder det, at systemet følger beslutningsveje, som er bestemt på forhånd. Hvis patienten fx har eksem på underarmen vil systemet stille relevante spørgsmål til dette. Alt afhængigt af, hvad patienten svarer, vil systemet stille nye spørgsmål, indtil systemet har nok svar til at foreslå en diagnose. En svaghed ved et sådant system er, at systemet ikke ved mere, end den ekspert der har skrevet reglerne for systemet.

I modsætning til maskinlæring, som kan opdage nye mønstre i data uden forudgående viden (fx nye symptomer på sygdomme), kan symbolsk kunstig intelligens ikke genere ny viden. Derudover kan disse systemer være frustrerende at interagere med, fordi de følger disse faste regler. I chatbots, der opererer med regelbaseret AI, skal man som bruger fx svare på alle fastlagte spørgsmål, før man fx kan få lov til at klage eller tale med en rigtig kundemedarbejder.

Omvendt kan virksomheder sikre sig, at chatbotten ikke siger noget upassende, fordi den bogstaveligt talt kun kan sige det, som en ekspert har kodet den til at kunne sige. Symbolsk AI bliver derfor stadig brugt i dag, men ofte i kombination med maskinlæring og generativ AI.  

Maskinlæring er en tilgang, hvor systemet finder mønstre i eksisterende data for at løse et problem. Et sådant system kan derfor vide mere end programmøren, fordi systemet lærer af data og identificerer sammenhænge, som programmøren nødvendigvis ikke selv er klar over.

Hvis vi bliver i eksemplet med diagnostik, kan maskinlæring fx anvendes til at identificere nye symptomer på en sygdom. Det kan fx gøres ved at give systemet en masse MR-scanninger af en bestemt patientgruppe, hvor systemet potentielt vil kunne identificere nye mønstre og fællestræk blandt patienter, som læger ikke kender til i forvejen.

Det samme gør sig gældende ved anbefalingsalgoritmer på sociale medier. Ved at se på, hvad brugeren tidligere har interageret med på det sociale medie, kan AI-systemet finde mønstre i brugerens smag og derved udlede, hvad brugeren vil finde interessant af nyt indhold.

Spamfilteret i din mailindbakke er et andet eksempel på maskinlæring. Eftersom maskinlæring lærer af eksisterende data, kan disse modeller reproducere eksisterende bias eller uhensigtsmæssige adfærdsmønstre, se fx vores TikTok-analyse om selvskade. Maskinlæring kræver desuden en stor datamængde, før disse mønstre kan identificeres.  

Generativ AI er en avanceret form for maskinlæring, der kan skabe nyt indhold baseret på de mønstre og viden, den har lært fra eksisterende indhold. Et eksempel på generativ AI er store sprogmodeller som ChatGPT, der kan generere tekst, der virker, som om den er skrevet af et menneske. Disse modeller trænes på enorme mængder tekstdata, hvilket gør det muligt for dem at besvare spørgsmål, skrive tekst og programmere.

Meget forsimplet kan store sprogmodeller som ChatGPT forstås som enormt avancerede autocompletes, som du fx kender fra Google, når du søger og Google kommer med et forslag til at færdiggøre sætningen baseret på, hvad andre har søgt på. ChatGPT forudsiger også, hvad det næste ord er i den sætning, som den er ved at generere, baseret på de tidligere ord i sætningen.

Denne forudsigelse er baseret på sandsynlighedsregning – hvad er det mest sandsynlige næste ord i en sætning. Disse sandsynligheder er baseret på tekst fra internettet, som modellen er blevet trænet på. Hvis den tilpas mange gange har læst, at ”solen er rund”, vil den færdiggøre sætningen ”solen er” med ”rund” i stedet for ”blå”, ”lille”, ”sej” etc.

Dette er også grunden til, at disse modeller er blevet kaldt stokastiske papegøjer: Dette henviser til, at de genererer tekst baseret på statistiske mønstre, som den har lært fra eksisterende data, og derved blot ”gentager” tekst som en papegøje ud fra nogle sandsynligheder.

I virkeligheden er store sprogmodeller selvfølgelig mere avancerede end autocompletes og stokastiske papegøjer, men nogle af de problematiske aspekter ved generativ AI er forbundet med, hvordan disse modeller ”papegøjer” tekst fundet på internettet.

Hvis modellen fx nok gange læser, at Barack Obama ikke er amerikaner, eller at Covid-19 vacciner er farlige, kan den genere tekst, der påstår dette. Det er dog vigtigt at pointere, at modellen ikke lyver, da den ikke har begreb om sandt og falskt. I stedet taler man ofte om, at sprogmodeller hallucinerer.

Udviklere af disse systemer går derfor ofte ind og sætter begrænsninger på, hvad sprogmodeller kan svare på. ChatGPT vil fx ikke skrive erotisk litteratur eller dybt racistiske tekster. Dog hallucinerer ChatGPT og andre store sprogmodeller stadig ofte.