LLM (Large Language Model)

En LLM (Large Language Model), eller stor sprogmodel på dansk, er en type kunstig intelligens, der er trænet til at forstå og generere menneskeligt sprog. Modellen bruges til alt fra at skrive tekster og besvare spørgsmål til at oversætte, opsummere og skrive kode.

Du støder sikkert på LLM’er hver dag uden at tænke over det – når du chatter med en AI-assistent, får forslag til en sætning i et tekstprogram, eller bruger en søgefunktion, der forstår almindeligt sprog i stedet for blot nøgleord. I denne artikel gennemgår vi, hvad en sprogmodel egentlig er, hvordan den trænes, og hvorfor kendte tjenester som ChatGPT, Copilot og Deepseek alle er eksempler på LLM’er.

Hvad er en LLM helt konkret?

En LLM er et computerprogram bygget op omkring et kunstigt neuralt netværk, der er trænet på enorme mængder tekst – typisk milliarder eller billioner af ord fra bøger, artikler, websider og kode. Formålet er, at modellen skal lære sprogets mønstre så godt, at den kan forudsige og generere sammenhængende tekst, der minder om noget et menneske kunne have skrevet. Man kan sammenligne det med en meget avanceret gætte-maskine, der hele tiden forsøger at forudsige, hvilket ord der sandsynligvis kommer næst i en sætning.

De fleste moderne LLM’er er bygget på en arkitektur, der kaldes en transformer. Transformere er særligt gode til at holde styr på sammenhænge i tekst, fordi de kan “se” hele sætningen eller teksten på én gang og vurdere, hvilke ord der hænger sammen – også selvom de står langt fra hinanden. Det gør det muligt for modellen at forstå kontekst, tvetydigheder og nuancer i sproget.

Hvordan trænes en sprogmodel?

Træningen af en LLM foregår typisk i flere trin:

• Dataindsamling: Store mængder tekst indsamles fra internettet, bøger, artikler og andre kilder. Teksten renses og gøres klar til brug.
• Selve træningen (pretraining): Modellen får vist enorme mængder tekst og lærer at forudsige det næste ord eller udfylde manglende ord i en sætning. Det sker uden at et menneske manuelt har mærket dataene – modellen finder selv mønstre i sproget.
• Finjustering (fine-tuning): Modellen trænes yderligere på et mindre og mere specifikt datasæt, så den bliver bedre til bestemte opgaver, for eksempel at føre en samtale, svare høfligt eller undgå skadeligt indhold.

Undervejs bliver teksten delt op i mindre stykker, såkaldte “tokens”, som kan være hele ord, orddele eller enkelte tegn. Hvert token omdannes til en talrække (en “embedding”), som modellen kan regne på. Det er også her, begreber som prompt engineering bliver relevante, fordi den måde man formulerer sin forespørgsel til modellen på, har stor betydning for, hvor godt svaret bliver.

Hvad betyder parametre og træningsdata?

To ord går igen, når man taler om LLM’er: parametre og træningsdata.

• Træningsdata er den tekst, modellen lærer af. Jo mere varieret og velredigeret data, jo bedre bliver modellens sprogforståelse typisk.
• Parametre er de interne “indstillinger” eller vægte i modellens neurale netværk, som justeres under træningen. De bestemmer, hvordan modellen vægter forskellige ord og sammenhænge, når den skal generere et svar. Store sprogmodeller kan have alt fra nogle få millioner til flere hundrede milliarder parametre – jo flere parametre, jo mere kompleks kan modellens forståelse af sprog i teorien blive, men det kræver også markant mere regnekraft at træne og køre modellen.

Man kan tænke på parametrene som de “erfaringer”, modellen har opbygget gennem træningen, mens træningsdataene er den “pensum”, den har lært af.

Hvorfor er ChatGPT, Copilot og Deepseek eksempler på LLM’er?

ChatGPT, Microsoft Copilot og Deepseek er alle brugerflader eller produkter, der er bygget oven på en stor sprogmodel. Selvom de har forskellige navne, ejere og til dels forskellige styrker, deler de den samme grundlæggende teknologi: en transformerbaseret model, der er trænet på enorme mængder tekst for at kunne føre samtaler, besvare spørgsmål og generere indhold.

Forskellen mellem tjenesterne ligger typisk i, hvem der har udviklet modellen, hvor stor den er, hvilke data den er trænet på, og hvordan den er finjusteret og integreret i det færdige produkt. Copilot er for eksempel bygget ind i Microsofts værktøjer som Word, mens Deepseek er en model udviklet af et kinesisk firma, der har vakt opsigt for at kunne konkurrere med de store amerikanske modeller til en lavere udviklingsomkostning. Fælles for dem alle er, at de bruger sprogmodellens evne til at forstå og generere tekst som deres kerne-funktion.

Hvad kan LLM’er bruges til?

Store sprogmodeller bruges i dag bredt på tværs af brancher, blandt andet til:

• At skrive og redigere tekster, e-mails og rapporter
• At besvare spørgsmål og fungere som chatbot i kundeservice
• At opsummere lange dokumenter eller møder
• At oversætte tekst mellem sprog
• At skrive, forklare og fejlfinde programkode

Netop fordi teknologien er så alsidig, ser man den i dag indbygget i almindelige programmer og tjenester, man i forvejen bruger dagligt.

Hvilke begrænsninger har LLM’er?

Selvom LLM’er kan virke enormt kompetente, har de også klare begrænsninger. De “forstår” ikke sproget på samme måde som et menneske, men genererer statistisk sandsynlige svar baseret på mønstre i træningsdataene. Det betyder, at de nogle gange kan “hallucinere” – altså generere information, der lyder overbevisende, men som er forkert eller opdigtet. Derudover kræver træning og drift af store modeller betydelig regnekraft, og modellens viden er typisk afgrænset af, hvornår dens træningsdata blev indsamlet.