Skip to main content
Servicesider

Søg

English
Menu

SDU IT

Potentialer og udfordringer

Bliv klogere på potentialer og udfordringer ved forskellige typer AI-teknologier, hvor GenAI er det gennemgående element.

Lad dig ikke rive med

  • AI-chatbotten er ikke et menneske. Den svarer høfligt og indlevende. Det er en robot, som er programmeret til at skabe illusionen om, at du chatter med et menneske.

    Husk: Chatbots kan ikke tænke, føle, erindre eller være empatiske – de er programmeret til at lade som om.

  • Det kan være en udfordring at få AI-chatbotten til at svare i det format og den kvalitet, som man ønsker. Ofte har man allerede en forventning om svaret, når man stiller AI-chatbotten et spørgsmål, og så bliver man skuffet, når det ikke lever op til forventningen.

    Nogle gange skyldes det AI-chatbottens formåen, men lige så ofte skyldes det én selv. Man får nemlig svar, som man spørger. AI-chatbots er ikke tankelæsere, så du skal være tydelig og konkret i det, du beder AI-chatbotten om.

  • Der er mange AI-chatbots på markedet, og de har hver sine styrker og svagheder, fx ift. tekstbehandling og programmering. Dertil forandrer de sig hele tiden, da TECH-firmaerne bag AI-chatbots løbende kommer med nye versioner samt ændrer algoritmerne og betingelserne for brug.

    De svarer forskelligt på den samme prompt, og det er et temperamentsspørgsmål, om man kan lide AI-chatbottens samtalestil og måde at svare på. Det indtryk, du får af en given AI-chatbot i dag, vil med stor sandsynlighed give et nyt indtryk om en måned.

    Tip: Varier dit brug af AI-chatbots, så du får det ud af dem, som du bedst kan bruge.

  • AI-chatbots er mere end bare en søgemaskine. Søgemaskiner lister en lang række af resultater, som du selv skal gennemse for at finde frem til svaret. AI-chatbotten leverer derimod et svar, der ofte går på tværs af de mange søgeresultater. Den udvælger, hvad den mener er det mest sandsynlige svar på din forespørgsel.

AI er meget mere end ChatGPT

Kunstig intelligens eller AI (Artificial Intelligence) dækker over mange forskellige teknologier, men ofte forveksles hele AI-feltet med generativ AI som Copilot og ChatGPT.

Dyk ned og bliv klogere på potentialer og udfordringer i de forskellige typer AI.

GenAI refererer til AI-modeller, der generer indhold som tekst, billeder eller kode og er trænet på store datamængder, fx GPT-modeller.

  • AI-chatbots til almen brug dækker viden i bred forstand. Du kan spørge om alt fra madopskrifter til noget meget specifikt.
  • AI-chatbots der er specialiseret til et særligt formål, fx som referenceværktøjer eller undervisningsmentorer.

  • Open source er AI-chatbots og sprogmodeller, som stilles til rådighed og som man selv kan arbejde videre med.

    Closed source er licensbelagte AI-chatbots og sprogmodeller.

  • Størstedelen af AI-chatbots er placeret i cloud. Det betyder, at sprogmodeller og AI-chatbots er placeret på store datacentre rundt omkring i verden og kan tilgås derfra. Sprogmodellerne og AI-chatbots kan også downloades eller udvikles på egne servere. SDU har adskillige servere i kælderen til formålet.

Billedgenkendelse bruges ofte i kreative og generelle kontekster, fx til at analysere, klassificere eller generere indhold baseret på billeder som objektgenkendelse eller stiloverførsel.

Modeller som Convolutional Neural Networks (CNN'er) eller vision-tranformers, der trænes på store datasæt, falder herunder. Resultater kræver ofte validering, fordi de kan være tilbøjelig til fejl eller bias.

Potentialer

  • Administrative opgaver, fx automatisering af dokumentudarbejdelse, e-mailsvar, rapportering, opsummering af mødenotater og generere standardkontrakter.
  • Forskningsunderstøttelse, fx generering af hypoteser, litteraturopsummeringer eller udkast til artikler. Den kan også hjælpe med at formulere komplekse idéer hurtigt.
  • Uddannelsesområdet, fx skabe personligt tilpassede læringsmaterialer, øvelser eller forklaringer og kan fungere som en virtuel tutor for studerende.

Udfordringer

Der er risiko for upræcise eller opdigtede svar (hallucinationer).

Diffusionsmodeller er en type generativ AI, der anvender stokastiske processer til gradvist at transformere støj til struktureret data, fx billeder eller lyd.

Modellen lærer at rekonstruere data ved at vende en diffusionsproces, hvor information gradvist er blevet tilføjet som støj. Denne tilgang har vist sig særligt effektiv i billedgenerering og bruges i modeller som DALL·E 2 og Stable Diffusion.

Potentialer

  • Uddannelsesområdet, fx skabe illustrative billeder til undervisningsmaterialer eller interaktive læringsmiljøer.
  • Forskningsunderstøttelse, fx visualisering af komplekse data eller simuleringer – fx i medicinsk billedbehandling eller materialeforskning.
  • Kreativ produktion, fx generering af realistiske billeder, kunstværker eller visuelle koncepter baseret på tekstbeskrivelser – bruges i design, reklame og underholdning.

Udfordringer

Høje beregningskrav og risiko for generering af uetisk eller ophavsretligt beskyttet indhold. Kræver ansvarlig brug og kontrolmekanismer.

RAG kombinerer generativ AI med en søgefunktion, der henter relevante data fra en ekstern database eller dokumenter for at give mere præcise og kontekstspecifikke svar.

Potentialer

  • Administrative opgaver, fx forbedrer dokumenthåndtering ved at finde og opsummere specifikke oplysninger fra store arkiver – fx i HR eller juridiske processer.
  • Forskningsunderstøttelse, fx hjælpe forskere med at finde og citere relevante artikler eller data hurtigt. Ideel til systematiske litteraturgennemgange.
  • Uddannelsesområdet, fx give studerende adgang til præcise, kildespecifikke svar fra undervisningsmateriale eller vidensbaser, hvilket understøtter dybere læring.

Udfordringer

Afhænger af kvaliteten af datakilder og søgealgoritmer.

Agentsystemer er AI-systemer, der selvstændigt udfører komplekse opgaver ved at kombinere værktøjer, hukommelse og beslutningstagning. Fx en AI, der planlægger, søger og udfører handlinger.

Potentialer

  • Administrative opgaver, fx automatisere arbejdsgange som planlægning, ressourceallokering eller kundeservice ved at koordinere flere trin – fx booking og opfølgning.
  • Forskningsunderstøttelse, fx styre forskningsprocesser, herunder dataindsamling, analyse og visualisering, ved at integrere eksterne værktøjer som Python eller databaser.
  • Uddannelsesområdet, fx understøtte projektbaseret læring ved at guide studerende gennem komplekse opgaver ved at foreslå næste skridt eller finde ressourcer.

Udfordringer

Kræver robust design for at undgå fejl i komplekse beslutningskæder.

Edge-løsninger er AI-modeller – ofte små og optimerede sprogmodeller – der kører lokalt på enheder som smartphones eller IoT-enheder. Det giver lav responstid, bedre beskyttelse af data og mulighed for at bruge løsningen offline.

Potentialer

  • Administrative opgaver: Muliggør lokal behandling af følsomme data, fx i sundheds- eller finanssektoren – uden afhængighed af cloud, hvilket øger sikkerhed.
  • Forskningsunderstøttelse: Understøtter feltforskning ved at køre analyser på bærbare enheder, f.eks. i miljøovervågning eller dataindsamling i afsides områder.
  • Uddannelsesområdet: Giver adgang til AI-værktøjer i klasseværelser uden internet, fx oversættelse, quizzer eller læringsapps på tablets.

Udfordringer

Begrænset regnekraft og modelkapacitet sammenlignet med cloud-baserede løsninger.

Har du spørgsmål?

Du er altid velkommen til at skrive til os, hvis du har spørgsmål eller brug for sparring om brugen af AI.

Se også