Generativ AI

Generativ AI er en gren af kunstig intelligens, der kan skabe nyt indhold – for eksempel tekst, billeder, lyd, video eller programkode – i stedet for blot at analysere eller klassificere data, der allerede findes. Systemerne bygger på mønstre, de har lært fra store mængder eksisterende materiale, og bruger den viden til at generere output, der ligner noget en menneskelig afsender kunne have skabt.

Et konkret eksempel: hvis man skriver en kort beskrivelse som “en tegning af en fyrtårn ved solnedgang i akvarelstil” ind i et billedgenererende værktøj, skaber AI’en et helt nyt billede, der matcher beskrivelsen – uden at billedet har eksisteret nogen steder i forvejen. Samme princip gælder, når en chatbot skriver et udkast til en mail, eller når et AI-værktøj komponerer et kort musikstykke ud fra en tekstbeskrivelse af stemning og genre.

Forskellen mellem generativ AI og traditionel AI/ML

Meget af den kunstige intelligens, der har været brugt i årevis, er bygget til at genkende, forudsige eller klassificere – for eksempel til at afgøre om en mail er spam, foreslå den næste film man bør se, eller opdage svindel i en transaktion. Denne type machine learning-model lærer typisk at give ét bestemt svar eller én bestemt vurdering ud fra de data, den får ind.

Generativ AI adskiller sig ved, at målet ikke er at klassificere eksisterende data, men at producere noget nyt. I stedet for at forudsige en kategori forudsiger modellen ofte det næste ord, den næste pixel eller den næste lydbid i en sekvens, og gentager den proces igen og igen, indtil der er skabt en hel tekst, et billede eller en lydfil. Man kan sige, at traditionel AI/ML typisk løser ét afgrænset problem ad gangen, mens generativ AI kan tilpasse sig mange forskellige opgaver, blot ved at få en anden beskrivelse (prompt) at arbejde med.

Eksempler på generativ AI

Tekstgenerering

De mest kendte eksempler på generativ AI er såkaldte store sprogmodeller (LLM), som ligger bag chatbots som ChatGPT. De kan skrive udkast til artikler, opsummere lange dokumenter, svare på spørgsmål eller hjælpe med at formulere programkode – alt sammen baseret på mønstre, modellen har lært fra enorme mængder tekst.

Billedgenerering

Billedgenererende værktøjer kan omdanne en tekstbeskrivelse til et nyt, aldrig-før-set billede. De bruges blandt andet til illustrationer, produktmockups og konceptkunst, og gør det muligt at afprøve visuelle idéer uden at skulle tegne eller fotografere fra bunden.

Lydgenerering

Generativ AI kan også skabe eller efterbehandle lyd – fra syntetiske stemmer, der læser tekst højt, til korte musikstykker komponeret ud fra en beskrivelse af stil og stemning. Det bruges blandt andet til lydbøger, dubbing af video til andre sprog og hurtige lydskitser i produktionsarbejde.

Hvordan fungerer det i praksis?

Generativ AI trænes typisk ved, at en model gennemgår enorme datamængder og gradvist lærer at genkende mønstre og sammenhænge i materialet. Når modellen efterfølgende får en instruktion eller beskrivelse, bruger den de indlærte mønstre til at bygge et nyt output, sekvens for sekvens, i stedet for at slå et facit op. Det er også grunden til, at output nogle gange kan virke overraskende kreativt, men samtidig kan indeholde fejl eller opfindelser, der lyder plausible uden at være korrekte – et fænomen der ofte kaldes “hallucination”.

Begrænsninger og forhold man bør kende

• Output kan indeholde faktuelle fejl, selv når det lyder overbevisende, og bør derfor tjekkes af et menneske i vigtige sammenhænge.
• Modellerne kan gengive skævheder eller fordomme fra det materiale, de er trænet på.
• Indhold, der deles med et generativt AI-værktøj, kan i nogle tilfælde blive gemt eller genbrugt, hvilket rejser spørgsmål om privatliv og fortrolighed.
• Kvaliteten af det, man får ud, afhænger ofte af, hvordan opgaven eller beskrivelsen (prompten) er formuleret.