I en tid, hvor teknologiske muligheder udvikler sig hurtigere end nogensinde før, er det afgørende at forstå, hvordan vi kan anvende dem strategisk for at skabe reel værdi. Christian Thomasberg, der har stor erfaring inden for komplekse IT-installationer hos blandt andre Systematic og JN Data, delte til Klean Group masterclass sine perspektiver på, hvordan man kan implementere AI, og teknologi generelt, effektivt i praksis. Hans fokus er på at forvandle komplekse problemstillinger til enkle løsninger og sikre, at teknologien bliver brugt ansvarligt og med omtanke. Dette indlæg opsummerer de vigtigste pointer og giver praktiske eksempler på, hvordan AI kan anvendes til at forbedre IT-udviklingen.
AI i praksis: Hvordan gør vi teknologi forståelig?
AI kan ofte fremstå som en kompleks og nærmest magisk teknologi, men ifølge Christian Thomasberg er det i sin kerne en meget logisk og struktureret tilgang til problemløsning. For at forstå, hvordan AI fungerer, bør vi først skille det ad og se på de grundlæggende komponenter i teknologien:
- Data som brændstof: Data er hjertet i AI. Uden kvalitetsdata kan selv den mest avancerede AI-model ikke levere præcise eller relevante resultater.
- Modeller som hjernen: AI-modeller, hvad enten det er sprogmodeller eller billedgenkendelsesmodeller, fungerer ved at genkende mønstre i data. Det, der ser ud som “intelligens,” er i virkeligheden blot mønstergenkendelse på højeste niveau.
Christian forklarede bl.a., hvordan man kan bruge AI til at effektivisere arbejdsgange ved at tage store problemstillinger og dele dem op i mindre dele. “Forstå jeres problem. Det er her, vi oftest fejler. Vi dykker ofte for hurtigt ned i teknologidiskussioner uden først at sikre os, at vi virkelig har forstået, hvad vi prøver at løse“, påpegede han.
Ved du ikke, hvordan du skal komme i gang med AI?
Hent vores byggevejledning, “Sådan kommer du i gang med AI”.
Succeskriterier for AI-projekter
Når man skal implementere AI i praksis, er det essentielt at starte med en klar problemdefinition. For ofte ender virksomheder med at bruge store ressourcer på at udvikle løsninger, som enten ikke rammer problemet præcist, eller som slet ikke er nødvendige. Christian anbefaler derfor, at man først og fremmest fokuserer på “AI-ready data” – data, der er korrekt struktureret og fri for bias.
Det næste skridt er at identificere de rette modeller, træne dem med specifikke datasæt og teste dem løbende. En vigtig ting at huske er, at AI-modeller kan have tendens til det, Christian kalder “hallucinationer” – situationer, hvor AI gætter på information, der reelt set ikke findes. Dette sker især i generative modeller, hvor modellen forudsiger det næste ord eller billede baseret på tidligere data.
Use cases: AI i praksis
Fremtidens AI: Potentialer og risici
Et af de mest interessante emner, som Christian berørte, var fremtiden for AI. Her skelner han mellem tre typer AI:
- ANI (narrow AI): Den type, vi kender i dag, som er designet til at løse meget specifikke opgaver.
- AGI (general AI): Forventes at kunne forstå og lære på tværs af forskellige områder og kunne konkurrere med mennesker på mange niveauer.
- ASI (super AI): En hypotetisk AI, der overgår menneskelig intelligens og potentielt kan udgøre en trussel for menneskeheden.
Christian mener, at selvom vi stadig er langt fra at udvikle AGI, bør vi begynde at forholde os til de etiske implikationer allerede nu.
Opsummering
AI er mere end blot en optimeringsteknologi – det kan transformere hele forretningsmodeller, hvis det implementeres korrekt. Den største fejl, virksomheder kan begå, er at fokusere for meget på teknologi og for lidt på problemforståelse. Ved at starte med en solid forståelse for udfordringen og bruge data ansvarligt, kan man skabe AI-løsninger, der både er effektive og bæredygtige.
Blogindlægget er produceret i samarbejde med AI-værktøjerne Good Tape og ChatGPT, ud fra en lydfil fra indlægget på Masterclass – AI Transformation d. 27. september 2024.