Introduktion til generativ kunstig intelligens: Fra teori til undervisningspraksis

Når man arbejder med eller underviser i kunstig intelligens (AI), er det afgørende at forstå, hvordan teknologien fungerer. Uden en grundlæggende intuition for, hvordan AI producerer sit output, er det svært at vurdere, hvordan teknologien kan anvendes optimalt.

Hvordan virker kunstig intelligens?

Kunstig intelligens har mange definitioner, og begrebet kan ofte virke abstrakt.

Generelt handler kunstig intelligens om at træffe automatiske beslutninger baseret på data.

I praksis giver man en computer en stor mængde data og nogle metoder til at identificere mønstre i disse data. Computeren lærer herefter de mønstre, der findes i dataene, så den kan træffe informerede beslutninger ved fremtidige, ukendte inputs.

Et eksempel kunne være et system, der genkender vejskilte. Ved at træne computeren med billeder af stopskilte, kan den senere identificere et stopskilt på et nyt billede ved at genkende de lærte mønstre. Det kaldes machine learning.

Der findes en lang række matematiske metoder til machine learning, men det mest effektive i dag er deep learning, der modellerer sammenhænge i data ved hjælp af såkaldte kunstige neurale netværk – ikke på nogen må en kopi eller simulation af de neurale netværk, vi har i hjernen, men en matematisk model, der er inspireret af, hvordan neuroner i hjernen spiller sammen med hinanden. Disse kunstige neuroner er arrangeret i lag, og hvis man har tilstrækkeligt mange lag, har man et dybt netværk, deraf navnet deep learning.

Alle AI-systemer træffer beslutninger på baggrund af data, men i dag refererer de fleste til generativ kunstig intelligens, når de taler om AI. Denne form for AI analyserer mønstre i data for at generere ny data. I stedet for, som eksempel, at vurdere om en tekst er positiv eller negativ, kan den generere en fortsættelse af teksten. Det kan lyde som en meget anderledes opgave end at træffe en beslutning, men at skrive en tekst involverer netop en serie af beslutninger: Hvad er det næste ord? Hvad er næste ord? Hvad er næste ord?

Det kan lyde uoverskueligt, ja nærmest magisk, at forstå hvordan det kan virke, men heldigvis behøver det ikke at være særlig kompliceret at opnå en grundlæggende forståelse for de her systemer. Vi behøver ikke dykke ned i matematik og formler, og vi behøver ikke at lære at programmere for at forstå principperne bag.

Et system der skriver tekst kaldes en sprogmodel. Og hvad er en sprogmodel? Det er en matematisk formulering af, hvordan ord hænger sammen. Helt lavpraktisk er det et system, der kan vurdere hvor sandsynligt ethvert ord er efter en række af tidligere ord.

Et eksempel: Det er sandsynligt at Andreas følger efter ”jeg hedder”. Der findes mere sandsynlige sætninger, ”jeg hedder Michael” eller ”jeg hedder Anne,” men også et uendeligt antal meget usandsynlige sætninger. ”Jeg hedder spaghetti” er meget usandsynlig, og det ved vi, fordi den meget sjældent optræder i naturlig tekst.

Computeren lærer disse sandsynligheder ved at analysere store mængder tekst. Metoderne varierer fra simpel statistik til moderne transformer-modeller baseret på deep learning. De præcise nuancer af, hvordan systemerne virker, er ikke specielt vigtige, når man blot skal bruge dem. Det vigtige at vide er, at det eneste de her systemer kan, er at gætte på ord. Selv de nyeste versioner af OpenAIs ChatGPT eller Googles Gemini kan kun det: Gætte på ord. De er bare rigtig rigtig gode til det. Og det betyder at de ordsekvenser, der genereres, i store træk kunne være tekst som mennesker har skrevet.

At en sprogmodel blot kan gætte på ord har mindst én vigtig konsekvens: de lyver med utrolig stor selvsikkerhed. I fagsproget kalder vi det at hallucinere. De vælger ord ud fra sandsynlighedsfordelinger uden nogen forståelse for sandhed eller falskhed. Derfor er det kritisk, at man som bruger er ekspert nok i det emne, man får modellen til at skrive om, til at identificere og rette de fejl, modellen laver. Hvis man beder computeren om at skrive tekst om et emne man ikke kender til, vil der være en række meget velformulerede fejl som man simpelthen ikke kan opdage. Med den begrænsning på plads kan vi kigge nærmere på, hvordan vi kan bruge de her systemer.

Hvis du vil vide mere om de tekniske detaljer, kan jeg varmt anbefale Financial Times’ meget tilgængelige forklaring (https://ig.ft.com/generative-ai/) og - hvis du har god tid - Stephen Wolframs artikel What Is ChatGPT Doing… and Why Does It Work? (https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/).

Kom i gang med kunstig intelligens

Du bruger sandsynligvis allerede AI flere gange dagligt uden at være klar over det. Facebooks feed, Netflix’ filmforslag, Words stavekontrol og spamfiltre i e-mails er alle eksempler på AI – dog den klassiske "beslutnings-AI" og ikke generativ AI. Generelt kan du regne med, at hver gang du ser noget i et feed på internettet – hvad enten det er på Facebook, TikTok, YouTube eller Instagram – er det en kunstig intelligens, der bestemmer, hvad du får at se. Denne type AI kaldes recommender-systemer. Når dit telefonkamera kan finde og stille skarpt på ansigter, eller måske ligefrem genkende folk, er det også kunstig intelligens, specifikt inden for feltet computer vision. Når din bank på irriterende vis lukker dit kreditkort under en ferie til Mallorca, er det også en AI, der har registreret, at du pludselig bruger penge et nyt sted.

Den artikel, du læser lige nu, har jeg skrevet ved at diktere til Word (en AI oversætter min stemme til tekst), og derefter har jeg bedt ChatGPT om at redigere den og rette eventuelle fejl fra dikteringen. Kunstig intelligens er allerede overalt omkring os og har været det i mindst et årti.

Det er måske ikke så relevant at prøve "at komme i gang" med beslutningssystemer inden for kunstig intelligens. Men overvej, hvorfor du spilder så meget tid med at kigge på din telefon. Din sagesløse krybdyrshjerne er oppe imod nogle af verdens dygtigste eksperter, som designer algoritmer, der bevidst forsøger at narre den til at give sin opmærksomhed væk. I den sammenhæng er det vigtigere at analysere og reflektere over, hvad kunstig intelligens gør ved vores måde at opleve verden på.

Generativ kunstig intelligens er derimod meget lettere at eksperimentere med. Eksempler inkluderer OpenAIs ChatGPT eller Googles Gemini til tekst, DALL-E eller Midjourney til billeder. Snart vil der også være systemer, der kan generere videoer udelukkende baseret på en tekstbeskrivelse.

En simpel måde at komme i gang på er blot at besøge den tjeneste, du foretrækker. Hvis dit uddannelsessted har en Microsoft-licens, har du måske adgang til Copilot på http://copilot.microsoft.com. Her kan du interagere direkte med AI ved at stille spørgsmål eller give kommandoer. Det er vigtigt at forstå, at den tekst, du får tilbage, ikke er hentet fra nogen specifik kilde, men genereres løbende og derfor ikke eksisterede for 15 sekunder siden. Selvom man ved, hvordan det virker, føles det stadig lidt magisk. Sprogmodeller er særligt nyttige i brainstorming-processer. Har du brug for en artikeloverskrift? Kopier din artikel ind i systemet og bed om forslag til titler. Har du svært ved at starte på en tekst? Bed om en disposition for dit emne. I begge tilfælde får du sikkert ikke præcis det, du ønsker, men nu har du et udgangspunkt for den opgave du skal løse og du kan løse opgaven bedre. Jeg anvender for eksempel selv denne metode, når jeg skal tilrettelægge min undervisning. Jeg udarbejder en lektionsplan og beder derefter ChatGPT om at foreslå en alternativ lektionsplan. Dette giver mig mulighed for at sammenligne de to. Selvom meget af det, som maskinen foreslår, måske ikke er optimalt, indeholder den plan ofte et emne, som jeg havde overset og glemt at inkludere i min egen plan. Det har jeg konkret oplevet og på den måde bliver mit kursus bedre, end det ville have været uden ChatGPT.

Selvfølgelig kan man også få maskinen til at skrive for sig, men det er vigtigt at huske på, at der er en stor risiko for, at den kan hallucinere og producere misvisende eller fejlagtige resultater. Derfor skal man altid læse resultatet grundigt igennem. Samtidig fungerer systemet langt bedre, hvis man giver det omfattende baggrundsinformation.

Det er ligesom med dine deltagere: Hvis du beder dem skrive en artikel om et emne, de intet kender til, bliver resultatet dårligt. Men hvis du derimod beder dem om at læse to specifikke bøger først og derefter skrive artiklen, vil kvaliteten forbedres markant.

I praksis kan man give sprogmodellerne kontekst ved at indsætte relevant tekst i chatten, hvorefter man beder maskinen om at skrive ud fra denne information. Hvis jeg skriver "skriv en jobansøgning", får jeg sandsynligvis en dårlig ansøgning. Men hvis jeg først kopierer en jobannonce og et CV ind og derefter beder om "at skrive en jobansøgning baseret på annoncen og CV'et", vil jeg få en langt bedre og mere relevant ansøgning.

Det er lidt af en kunst at kommunikere effektivt med chatbotten. Nogle kalder det prompt engineering, men der er ikke meget engineering over det. I stedet handler det meget om at prøve sig frem og revidere sine spørgsmål hvis man ikke får et godt resultat. Jo mere man øver sig jo bedre bliver man.

Kunstig intelligens i undervisningen

Når du introducerer AI i undervisningen, er det vigtigt at understrege, at systemerne blot gætter på ord. Dette hjælper eleverne med at bruge systemerne korrekt og undgå at tro, at AI er et alvidende orakel. Den fælde falder jeg selv i af og til, også selvom jeg har en meget stærk teknisk forståelse af hvordan det hele virker.

Dernæst handler det om at prøve det. En god måde er at bede deltagerne om at få maskinen til at skrive en tekst om et emne. Det kunne være ”argumenter for eller imod atomkraft” eller ”analysér dette digt.” Dernæst skal deltagerne forholde sig kritisk til den tekst der kommer ud. På den måde træner man både sin kritiske sans og sine evner til at bruge systemet. En anden god opgave kan være at få maskinen til at skrive en jobansøgning som i eksemplet ovenfor.

I de tilfælde, hvor man har at gøre med deltagere, der har svært ved at stave eller formulere sig, kan man bede dem lægge deres egen tekst ind i chatten og få sprogmodellen til at redigere den. Det gør man blot ved at skrive ”rediger det her” og dernæst kopiere teksten ind.

Det vigtigste er at opretholde et kritisk perspektiv og stille spørgsmål til AI'ens resultater. Kunstig intelligens kan nemlig bruges rigtig godt i mange situationer, men ofte er det endnu bedre at lade være. Det er meget vigtigt at give sine deltagere evnen til at foretage det valg.

Kreditering

Lektor Andreas Møgelmose, Visual Analysis and Perception lab, Aalborg Universitet