Mot slutten av 2022 ble generativ kunstig intelligens allment tilgjengelig. Modeller som skriver tekst, lager bilder, produserer lyd og genererer kode ble raskt tatt i bruk, ifølge Store norske leksikon. Siden da har slike modeller endret hvordan næringsliv og offentlig sektor omtaler og tar i bruk kunstig intelligens, samtidig som regulering og tilsyn forsøker å ta igjen teknologien.

Gjennombruddet i slutten av 2022 handler ikke bare om tilgjengelighet. Det handler om hvilke oppgaver vanlige brukere nå kan løse uten spesialisert programvare eller menneskelig ekspertise. Dansk Industri lister en rekke praktiske eksempler. Brukere kan nå skrive og snakke med assistenter på naturlig språk, generere produktbilder, få hjelp til dataanalyse, automatisere kodedeling og få støtte til møteforberedelser og idégenerering.

Hva generativ AI faktisk gjør

Store norske leksikon forklarer at generative modeller ofte er multimodale. Én og samme modell kan gi svar i tekst, bilde, lyd og kode. Det betyr at et enkelt verktøy kan hjelpe med å skrive produktbeskrivelser, skape markedsføringsbilder, generere et manusutkast til lydinnhold og foreslå programmeringsbiter. Microsoft Azure presiserer hvordan slike systemer opererer i praksis. De gjør forutsigelser og utfører handlinger basert på mønstre i store datamengder, og modne AI-systemer behandler ny informasjon svært raskt og med høy nøyaktighet i oppgaver som bildeanalyse, talegjenkjenning og virtuelle assistenter.

Den praktiske effekten merkes på tvers av sektorer. Dansk Industri peker på anbefalingssystemer i netthandel, prediktivt vedlikehold i industrien og automatisering av kundeservice som konkrete eksempler. Innen helse vises diagnostikk for hudkreft som et område der AI brukes. Microsoft nevner også selvkjørende biler, bildediagnostikk og virtuelle assistenter som anvendelser som allerede er i produksjon.

Hva fagfolk sier om grunnlaget og begrensningene

Faglig sett er kunstig intelligens både vitenskapen og ingeniørkunsten bak å bygge systemer som opptrer som om de har intelligens. Videnskab.dk gjengir John McCarthys klassiske formulering om å lage intelligente maskiner, og skiller mellom symbolsk AI, som bygger på eksplicitte regler og modeller for resonnement, og subsymbolsk AI, som etterligner nevrologiske prosesser. Store norske leksikon forklarer at dagens gjennomslag er et resultat av dyp læring og nevrale nettverk trent på store datasett.

To tekniske drivere nevnes konsekvent. Videnskab.dk peker på kraftig regnekraft som nødvendig bak utviklingen. Samtidig har vi sterke matematiske modeller for strategisk resonnering og visuell persepsjon.

Mastheads

Disse tre elementene, store datasett, regnekraft og avanserte matematiske modeller, forklarer hvorfor generativ AI kunne ta spranget fra forskning til verktøy for næringsliv og offentlig sektor.

Like fullt har modellene klare begrensninger. Kildematerialet slår fast at dagens modeller er forenklede versjoner av menneskelig tenkning og fortsatt ligger langt fra menneskelig kognitiv bredde. Videnskab.dk påpeker at selv om maskiner kan slå mennesker i komplekse spill som sjakk eller go, har de svakere modeller for språk og sosial intelligens. Store norske leksikon beskriver generativ AI som statistiske etterligninger av treningsdata. Det forklarer både imponerende produktivitet og repeterende feil når modellene gjengir upresist, slett eller partisk kildeinnhold.

Praktisk sett betyr dette at nytteverdien av et AI-verktøy avhenger av datakvalitet, oppgavens natur og korrekt implementering. Dansk Industri understreker at gevinstene ikke er gitt.

Et anbefalingssystem gir mer verdi hvis treningsdataene er representative. Prediktivt vedlikehold virker best når sensordata er rene og sammenlignbare over tid. Innen helse krever bildediagnostikk både gode data og nøye validering før man kan stole på resultater i pasientbehandling.

Regulering og administrasjon utvikler seg parallelt med teknologien. I Europa organiseres arbeid med tilsyn og veiledning, etter hvert som verktøyene tas i bruk i offentlig og privat sektor. Digst skriver at Digitaliseringsstyrelsen er utpekt som nasjonal koordinerende tilsynsmyndighet i Danmark for EUs forordning om kunstig intelligens. Dette er et eksempel på hvordan myndigheter forsøker å treffe et rammeverk som kan håndtere både muligheter og risiko.

For virksomheter betyr dette at teknologivalg ikke bare er et IT-spørsmål. De som tar i bruk generativ AI, må håndtere dataforvaltning, kvalitetssikring og etiske problemstillinger.

Microsoft Azure fremhever at modne AI-systemer kan fungere svært effektivt i visse formål, men at de krever løpende tilsyn og oppdatering. Implementering krever også organisatorisk innsikt, altså prosesser for å sikre at resultatene fra modellene brukes riktig.

Til slutt er det verdt å merke seg hvordan språket omkring AI har endret seg. Siden gjennombruddet har begrepet "kunstig intelligens" i stor grad blitt synonymt med generative modeller i både næringsliv og offentlig diskusjon. Det påvirker prioriteringer, investeringsbeslutninger og hvordan folk forstår teknologiens muligheter og begrensninger.

Related Articles

Det påvirker prioriteringer og investeringer i både næringsliv og offentlig sektor.

Denne artikkelen er laget med hjelp av AI.