Teknisk Grundforståelse - AI, Sprogmodeller og Software

🧠 Teknisk Grundforståelse

Hvad er forskellen på AI, sprogmodeller og almindelig software?

🟢 Teknisk Grundforståelse

Hvad er almindelig software?

Almindelig software følger faste regler som en programmør har skrevet:

IF kunde bestiller mere end 10 produkter
THEN giv 10% rabat
  • ✅ Forudsigeligt: Samme input giver altid samme output
  • ✅ Regler: Alt er programmeret på forhånd
  • ❌ Ikke fleksibelt: Kan ikke håndtere situationer uden for reglerne

Eksempel: En lommeregner, Excel-formler, automatisk sortering af emails i mapper

Hvad er AI (Kunstig Intelligens)?

AI kan lære mønstre fra data og træffe beslutninger:

  • 🎯 Lærer af eksempler i stedet for faste regler
  • 🎯 Tilpasser sig nye situationer
  • 🎯 Kan håndtere kompleksitet som mennesker ikke kan programmere regler for

Eksempel:

  • Billedgenkendelse (er dette en kat eller en hund?)
  • Spam-filtre der lærer hvad der er spam
  • Anbefalinger på Netflix baseret på dine tidligere valg

Hvad er en Sprogmodel (LLM)?

Large Language Model (LLM) er en type AI specialiseret i sprog:

  • 📝 Forstår og genererer tekst på menneskeligt niveau
  • 📝 Trænet på enorme mængder tekst fra internettet
  • 📝 Kan svare, skrive, oversætte, forklare og meget mere

Eksempler: ChatGPT, Google Gemini, Microsoft Copilot

Hvordan fungerer det?

  • Trænet på milliarder af sider tekst
  • Har lært mønstre i hvordan mennesker kommunikerer
  • Forudsiger det næste ord baseret på kontekst

En sandsynlighedsmodel demo: https://chatgpt.com/canvas/shared/68dcbab6714c8191ae1b955bea8827a3

Temperature - Kreativitet vs. Konsistens

LLM’er har en “temperatur” indstilling (0.0 - 2.0) der styrer kreativitet:

Temperature Beskrivelse Brug til
0.0 - 0.3 Meget konsistent, forudsigelig Fakta, tekniske dokumenter, møde-referater
0.4 - 0.7 Balanceret Generelle opgaver, emails, rapporter
0.8 - 1.2 Kreativ, varierende Brainstorming, kreativ skrivning, ideer
1.3 - 2.0 Meget kreativ, eksperimenterende Kunstnerisk, eksperimenterende indhold

Eksempel: Møde-referat med forskellige temperaturer

Prompt: “Skriv et møde-referat baseret på: Projektstatus opdatering, deadline næste uge, budget OK. Brug Ai temperatur på 0.1"”

Temperature 0.1 (Konsistent):

MØDE-REFERAT
Dato: [dato]
Deltagere: [navne]

AGENDA:
1. Projektstatus opdatering
2. Deadline næste uge
3. Budget status

BESLUTNINGER:
- Projektet fortsætter som planlagt
- Deadline bekræftet til næste uge
- Budget er i orden

NÆSTE STEG:
- Implementering af næste fase
- Status opdatering før deadline

Temperature 1.4 (Kreativ):

Prompt: “Skriv et møde-referat baseret på: Projektstatus opdatering, deadline næste uge, budget OK. Brug Ai temperatur på 1.4"”

🚀 PROJEKT BOOST MØDE
Dato: [dato]

Vi startede med en energisk status opdatering der viste, at vi er på rette spor! 
Projektet har fået nye ben og løber mod deadline med selvtillid.

🎯 DEADLINE REALITY CHECK
Næste uge's deadline blev diskuteret med en blanding af entusiasme og realistisk planlægning. 
Teamet er klar til sprint-modus og har allerede identificeret accelerations-muligheder.

💰 BUDGET VICTORY
Den gode nyhed: Budget'et griner af os (på den gode måde). Vi har plads til at 
levere kvalitet uden at bekymre os om økonomien.

🔥 NÆSTE LEVEL:
- Kick-ass implementering med turbo-gear
- Daglige check-ins for at holde momentum
- Celebration plan klar til når vi når målet!

Pointe: Samme input, helt forskellige outputs! Temperature 0.1 = professionel og konsistent, Temperature 1.4 = kreativ og engagerende.

Ai temperatur skala går fra 0.0 til 2.0

Forskellen mellem de tre teknologier

Type Hvordan virker det? Styrker Svagheder
Almindelig software Følger programmerede regler Præcis, forudsigelig, hurtig Kan ikke håndtere nye situationer
AI (generelt) Lærer mønstre fra data Fleksibel, kan generalisere Kræver træningsdata, mindre forudsigelig
Sprogmodel (LLM) Lærer sprog-mønstre fra tekst Naturlig kommunikation, bred viden Kan “hallucinere” (opfinde facts)

Hvorfor er sprogmodeller revolutionerende?

Før sprogmodeller:

  • Software skulle programmeres til hver specifik opgave
  • Krævede eksperter og tid at bygge

Med sprogmodeller:

  • ✅ Én model kan løse tusindvis af opgaver
  • ✅ Du instruerer med almindeligt sprog (prompts)
  • ✅ Ingen programmering nødvendig
  • ✅ Kan tilpasse sig din kontekst

Eksempel fra konsulentarbejde:

Gammel metode:

Brug 2 timer på at skrive projekt-rapport manuelt

Ny metode med LLM:

"Skriv en projekt-rapport baseret på disse data: [indsæt data]
Målgruppe: Ledelse
Ton: Professionel og konkret
Fokus: ROI og anbefalinger"

→ Rapport klar på få minutter
→ Du bruger tid på at reviewe og finpudse

Teknisk dybde: Hvordan fungerer LLMs?

Arkitektur: Transformer-modeller

  1. Tokenisering: Tekst opdeles i “tokens” (ord/dele af ord)
  2. Embeddings: Ord konverteres til vektorer (tal-repræsentationer)
  3. Attention-mekanisme: Modellen lærer hvilke ord der relaterer til hinanden
  4. Prediction: Forudsiger næste ord baseret på sandsynlighed

Træningsproces:

  • Pre-training: Læser milliarder af tekster og lærer sprog-struktur
  • Fine-tuning: Specialiseres til specifikke opgaver (f.eks. at være hjælpsom)
  • RLHF (Reinforcement Learning from Human Feedback): Lærer præferencer fra mennesker

Begrænsninger du skal kende

1. Hallucination (opfinder facts)

  • LLM’er “gætter” altid det næste ord baseret på sandsynlighed
  • Kan skabe troværdige, men forkerte påstande
  • Løsning: Verificer altid fakta, især tal og kilder

2. Kontekst-vindue (begrænset hukommelse)

  • Kan kun “huske” en begrænset mængde tekst (f.eks. 128K tokens = ~100 sider)
  • Løsning: Brug RAG (Retrieval Augmented Generation) til lange dokumenter

3. Træningsdata cutoff

  • Ved ikke om begivenheder efter trænings-datoen
  • ChatGPT-4: Data til april 2023
  • Løsning: Kombiner med søgemaskiner eller real-time data

4. Bias fra træningsdata

  • Reflekterer bias fra internettet
  • Løsning: Vær kritisk, test for bias i outputs

1. Iterativ forbedring

  • Start med simpel prompt
  • Analyser output
  • Tilføj constraints og context
  • Gentag til tilfredsstillende resultat

📚 Nøgleord at huske

  • Deterministic (software): Samme input → samme output
  • Stochastic (LLM): Samme input → varierende output
  • Prompt: Din instruktion til LLM’en
  • Token: Grundlæggende enhed af tekst (ord/dele)
  • Hallucination: Når LLM opfinder facts
  • Context window: Hvor meget tekst LLM kan “huske”

💡 Tip: Start altid med at forstå teknologiens begrænsninger – så ved du hvornår du kan stole på den.

Et eksempel på sprogmodellernes avancerede evner og ‘situational awareness’ kan ses i denne artikel: ‘I think you’re testing me’: Anthropic’s newest Claude model knows when it’s being evaluated

🔴 Prompt Engineering - Integration i arbejdsflow