Hvad betyder AI. En enkel forklaring på kunstig intelligens

AI står for artificial intelligence. På dansk kunstig intelligens. Det er systemer der kan efterligne dele af menneskelig tænkning. De kan lære fra data, genkende mønstre, forstå tekst i nogen grad og træffe beslutninger inden for en afgrænset opgave.

Hvad betyder AI i praksis

AI er ikke magi. Det er statistik og beregning i stor skala. Systemet lærer mønstre fra data, og bruger dem til at forudsige eller beslutte noget når det ser nyt input. Eksempler:

• Mailtjenester der opdager spam
• Butikker der anbefaler produkter
• Navigationsapps der foreslår hurtigste rute
• Tale til tekst og tekst til tale
• Chat og kundeservice der svarer på simple spørgsmål

Essensen er altid den samme. Input ind, model vurderer, output ud. Kvaliteten afhænger af data, problemvalg og drift.

Sådan fungerer AI i korte trin

1. Problem og mål: Afgræns opgaven. For eksempel at klassificere billeder af defekte produkter.
2. Data: Saml og rens data. Marker hvad der er korrekt svar. Undgå skæve datasæt der giver bias.
3. Model: Vælg en metode. Maskinlæring, dyb læring eller enklere algoritmer. Neurale netværk er udbredte til sprog, billede og lyd.
4. Træning: Modellen justerer interne vægte for at minimere fejl på træningsdata. Den lærer at forbinde input med ønsket output.
5. Validering og test: Tjek at modellen virker på nye data. Undgå overtilpasning hvor modellen kun kan huske træningssættet.
6. Drift: Læg modellen i produktion. Overvåg kvalitet, latency og omkostninger. Opdater når data ændrer sig.

Centrale begreber du møder

Maskinlæring

Metoder hvor modellen lærer regler fra data i stedet for at blive hårdkodet.

Dyb læring

Maskinlæring med mange lag af neuroner. God til billeder, lyd og tekst.

Neuralt netværk

Noder i lag der vægter input og sender signaler videre. Træning justerer vægtene, så netværket bliver bedre til opgaven.

Datasæt

Eksempler med facit. Bruges til træning, validering og test. Kvalitet og repræsentativitet er afgørende.

Bias

Systematisk skævhed i data eller model der fører til uretfærdige resultater. Kræver detektering og afhjælpning.

Inference

Selve kørselstiden hvor modellen anvendes på nye input.

Typer af AI

Smal AI

Løser en veldefineret opgave. Næsten alt vi bruger i dag er smal AI.

Generel AI

En teoretisk form der kan løse mange opgaver på menneskeligt niveau. Findes ikke i praksis i dag.

Regelbaseret

Ekspertregler og if then logik.

Lærende systemer

Modeller der lærer fra data og forbedrer sig over tid.

Hvad bruges AI til i dag

Forbrug

Personlige anbefalinger, billedsortering, taleassistenter.

Erhverv

Kundeservice, lead scoring, churn forudsigelse, prissætning, svindelbekæmpelse, vedligehold i produktion, planlægning i logistik.

Offentlig sektor

Borgerhenvendelser, ressourceplanlægning, sagsstøtte.

Sundhed

Billeddiagnostik som beslutningsstøtte, triage, planlægning. Altid under fagligt ansvar.

Fordele og risici

Fordele

• Hurtigere beslutninger og mindre manuel rutine
• Mere ensartede vurderinger når datakvaliteten er høj
• Nye indsigter i komplekse mønstre, som mennesker ikke ser

Risici

• Bias og diskrimination hvis data er skæve
• Manglende forklarlighed kan give lav tillid
• Fejl i drift kan skalere hurtigt
• Databeskyttelse og sikkerhed

Gode processer og klare ansvarsrammer reducerer risiko. Dokumentation, test, overvågning og løbende forbedring er nøgler.

EU AI Act i korte træk

AI Act er EU regler for brug og udvikling af AI. Formålet er at styre risici og sikre ansvarligt brug. Grundidé:

• Forbud mod systemer med uacceptabel risiko. For eksempel social scoring af borgere.
• Krav til højrisiko systemer. For eksempel kreditvurdering eller visse ansættelsessystemer.
• Krav om gennemsigtighed for visse systemer. Brugere skal vide når de interagerer med AI.

Hvis du udvikler eller bruger AI i EU, skal du afklare din rolle som provider eller deployer, vurdere risikoniveau, og forberede dokumentation, kvalitetsstyring og registrering hvor det er påkrævet.

Sådan kommer du i gang i en virksomhed

1. Start med værdikæden: Hvor er der flaskehalse eller for dyr manuel behandling.
2. Vælg én use case: Start smalt og mål effekten tydeligt. For eksempel triage af supporttickets eller efterspørgselsprognoser.
3. Data først: Kortlæg kilder, rettigheder og kvalitet. Etabler logging og datapipelines.
4. Pilot og lær: Byg en MVP, mål KPI, lær, og skalér kun når gevinsten er bevist.
5. Governance: Fastlæg ejerskab, risikovurdering, sikkerhed, og dokumentation. Forbered jer på AI Act krav.
6. Ændringsledelse: Uddan medarbejdere og forklar roller. Succes kræver adoption, ikke kun teknik.

FAQ

Hvad er forskellen på AI og maskinlæring?

Maskinlæring er en metode under AI. AI er det brede felt. Maskinlæring handler om at lære regler fra data.

Kan AI tænke selv?

Nej. Systemer optimerer efter mål sat af mennesker. De kan virke intelligente, men de forstår ikke verden som mennesker gør.

Er AI farligt for jobs?

AI ændrer jobindhold. Nogle rutineopgaver forsvinder, nye opgaver opstår. Fokus bør være omskoling og bedre brug af menneskelig tid.

Hvornår får vi generel AI?

Der er ingen sikker tidsplan. Forskere er uenige. I dag er næsten al brug smal AI med klare rammer.

Hvad koster AI?

Omkostning afhænger af problem, datamængde, modelvalg og drift. Start småt, mål ROI, skalér derefter.