LES VIDERE ETTER ANNONSEN
FÅ NYHETER PÅ MOBILEN
Last ned Khrono-appen!
KI-skolen
Slik «snakker» du med kunstig intelligens
Hvordan hvordan går man egentlig fram når man skal «snakke» med en kunstig intelligens (KI)? Nøkkelen ligger i gode prompts, eller instrukser, forklarer professor Morten Goodwin i andre del av Khronos KI-skole.
Publisert
Khronos KI-skole, del 2: Du har trolig allerede en viss forståelse av hva kunstig intelligens (KI) er, og om ikke, kan du lese den første artikkelen i Khronos KI-skole. Da har du sett hvordan teknologien kan effektivisere både forskning og undervisning. Men hvordan går man egentlig fram når man skal «snakke» med en KI?
I denne artikkelen dykker vi ned i det som ofte kalles «prompting», på norsk kjent som instrukser, kunsten å gi språkgenererende modeller, ofte kjent som språkmodeller, klare og relevante instruksjoner.
Enten du forsker, underviser eller arbeider administrativt, kan gode instrukser hjelpe deg med å hente ut så stor verdi som mulig fra verktøy som ChatGPT.
Det finnes mange språkmodeller å velge mellom for å vise hvordan du kan samhandle mer effektivt med kunstig intelligens. I kommende artikler vil vi utforske ulike verktøy og modeller, og gå dypere inn i styrker og svakheter ved hver av dem. Foreløpig tar vi utgangspunkt i ChatGPT. Men eksemplene jeg gir, vil være relevante uansett hvilken språkmodell du foretrekker.
Nøkkelen ligger i gode instrukser
Å «snakke» med språkmodeller skjer gjennom tekstlige instruksjoner, kjent som prompts eller instrukser. En instruks er ganske enkelt beskjeden du gir til en språkmodell, som spørsmålet du stiller eller instruksjonen du gir.
Måten du formulerer den på, påvirker direkte kvaliteten på svarene du mottar. Dette ligner på hvordan vi kommuniserer oss mennesker i mellom, for eksempel fra en elev til en lærer. Et dårlig eller lite gjennomtenkt spørsmål fører ofte til et middelmådig svar. Still et klart og presist spørsmål, og sjansen for et godt svar øker betraktelig.
Da jeg gikk på skolen, sa læreren ofte at det ikke finnes dårlige spørsmål – en frase mange nok kjenner igjen. Slike ord gir trygghet og skaper et miljø der elevene våger å spørre fritt. Likevel vet alle som har stått på motsatt side av kateteret, at dårlige spørsmål finnes i rikt monn.
Dette gjelder ikke bare i klasserommet, men også når vi samhandler med språkmodeller. Hvor mye nytte du får ut av ChatGPT, avhenger i stor grad av hvor godt du formulerer instruksen.
For å forstå hvorfor, må vi se nærmere på hva som ligger bak en instrukst og hvordan den bygges opp.
Lenger nede i artikkelen kommer konkrete eksempler på hvordan du kan snakke med en språkmodell for eksempel for å få en språkbask, utarbeide oppgaver og timeplaner og analysere datasett.
En instruks er bygget opp av tokens
Hvis vi mennesker deler opp en setning, skjer det naturlig ved å bryte den ned i ord, og videre i bokstaver, eller for en språkentusiast ned i fonemer. Språkmodeller derimot, deler hverken opp teksten i bokstaver eller fonemer. I stedet bruker de tokens, som er helt annen brikke i puslespilelt som er vårt språk.
En token er ikke noe mystisk, det er rett og slett vanlige kombinasjoner av bokstaver som ofte dukker opp i språket.
Tidligere språkmodeller brukte tokens som samsvarte med enkeltbokstaver, men dette viste seg å være lite effektivt. Språk består sjelden av isolerte bokstaver. Det er kombinasjonene som skaper mening.
På norsk kan tokens være sekvenser som «lig», «het» eller «ing», byggeklosser vi finner i ord som «naturlig», «mulighet» og «avslutning».
Når ChatGPT trenes opp, lærer den seg hvilke bokstavrekker som opptrer hyppigst. Når modellen først har lært disse tokens, blir det enklere for den å forstå og gjenskape de mer komplekse delene av språket, og den kan gjenkjenne vanlige mønstre til tekst som føles naturlig og sammenhengende for oss mennesker. Dette gir modellen et solid grunnlag for å håndtere alt fra enkle spørsmål til avanserte resonnementer.
Det å bygge en språkmodell rundt tokens, kan også skape utfordringer. For eksempel: Hvis jeg spør ChatGPT «Kan du fortelle meg hvor mange K-er det er i ordet sjokoladekake?», blir det i versjon 4o av ChatGPT 20 tokens, illustrert her hvor hver farge er en token:
Kan du fortelle meg hvor mange K-er det er i ordet sjokoladekake?
Instruks:
Kan du fortelle meg hvor mange K-er det er i ordet sjokoladekake?
Svar fra ChatGPT:
Ja, jeg kan hjelpe deg med det!
Ordet «sjokoladekake» inneholder 4 bokstaver K.
Her er hvordan vi kan se det:
- sjokoladekake
Så, det er 4 K-er i ordet «sjokoladekake».
Her bommer ChatGPT totalt. Vi skulle tro at noe så enkelt som å telle bokstaven K i ordet «sjokoladekake» ville vært såre enkelt for en såpass avansert intelligent språkmodell. Siden den ikke ser bokstaver, bare tokens, klarer den ikke svare.
Hvis jeg isteden presiserer nøyere hva vi ønsker svar på, går det bedre.
Instruks:
Tell veldig nøye, bokstav for bokstav, hvor mange K-er det er i ordet sjokoladekake.
Svar fra ChatGPT:
La oss telle bokstavene nøye, bokstav for bokstav:
Ordet er «sjokoladekake».
- s
- j
- o
- k
- o
- l
- a
- d
- e
- k
- a
- k
- e
Så, vi ser at bokstaven K forekommer 3 ganger i ordet «sjokoladekake».
Beklager for forvirringen tidligere! Svaret er 3 K-er.
En førsteklassing som nettopp har lært alfabetet, kan løse oppgaven med å telle antall K-bokstaver i sjokoladekake uten problemer, mens ChatGPT, som hevdes å operere på doktorgradsnivå innen flere fagfelt, kommer til kort.
Det at oppgaver som virker enkle for oss mennesker ofte er vanskelige for kunstig intelligens, og at det som er krevende for oss kan være lett for KI, er kjent som Moravecs paradoks. Her skyldes det altså at ChatGPT ikke forstår bokstavene på samme måte som oss, men snarere bokstavgrupperinger i form av tokens.
Andre svakheter med språkmodellene kommer vi tilbake til i senere artikler.
Å skrive gode instrukser kan være som å balansere på en knivsegg mellom det enkle og det komplekse.
Noen ganger krever ChatGPT en nøyaktig oppskrift, som når den må få forklart i detalj hvor mange K-er som skjuler seg i ordet «sjokoladekake». Andre ganger kan den briljere med å løse intrikate oppgaver, selv med knapp informasjon – den kan gripe essensen av en halvferdig setning eller finne forbindelser mellom svevende ideer.
Jo mer tydelig og detaljert du formulerer instruksen, desto større er sjansen for at du får et treffende svar. Å legge tilstrekkelig med bakgrunnsinformasjon på bordet bidrar også til å holde misforståelsene på avstand.
Bedre på dialog enn enkeltsvar
Når vi søker på Google, handler det som regel om å få et raskt svar på et konkret spørsmål. Vi skriver inn søket, får et resultat, og går videre.
Samtaler med mennesker fungerer annerledes.
Når jeg veileder doktorgradsstudenter, er prosessen langt mer dynamisk. Jeg stiller ikke bare ett spørsmål og forventer et ferdig svar før vi går videre. Veiledningen er en kontinuerlig dialog, der vi utforsker temaer sammen.
Av og til forklarer jeg meg uklart og må presisere. Andre ganger misforstår jeg, og studenten hjelper meg med å se hvor feilen ligger.
Ikke sjelden opplever vi begge en aha-opplevelse underveis. Jeg er sikker på at de fleste som veileder kjenner seg igjen i dette.
Å snakke med en språkmodell som ChatGPT, ligner mer på denne type dialog enn et enkelt Google-søk. Samtalen er en løpende prosess med presiseringer og oppklaringer.
Det handler ikke bare om å stille ett spørsmål, men om å forme svaret gjennom flere runder.
Instruks:
Kan du forklare kort en algoritme som finner korteste vei i en labyrint?
Svar fra ChatGPT:
En enkel algoritme for å finne den korteste veien i en labyrint er Bredde-først-søk (BFS). Dette er en systematisk metode som utforsker alle mulige veier fra startpunktet, ett nivå om gangen, til den finner målpunktet. BFS garanterer at den første gangen målet nås, er det gjennom den korteste veien.
Slik fungerer BFS i en labyrint:
Start ved inngangen til labyrinten og legg den inn i en kø.
Marker startpunktet som besøkt.
Så lenge det er punkter i køen:
Ta ut det første punktet (fronten av køen).
Undersøk alle naborutene (opp, ned, venstre, høyre).
Hvis en nabo er målet, er du ferdig – korteste vei er funnet.
Hvis naboen er en ledig rute og ikke tidligere besøkt, legg den til i køen og marker den som besøkt.
Fortsett å utforske inntil køen er tom eller målet er nådd.
Hvorfor BFS fungerer:
BFS utforsker lagvis – først de nærmeste punktene, deretter de som ligger ett steg lenger unna. Dette betyr at når målpunktet oppdages, er det gjennom den korteste mulige veien.
Instruks oppfølging:
Jeg skal undervise for noen som akkurat har begynt på universitet. De har aldri jobbet med algoritmer før. Forklar det slik at det passer dem. Kom med analogier.
Svar fra ChatGPT:
Tenk på labyrinten som en by, og du er en postbud som skal levere en pakke til et hus. Du vet ikke hvor huset er, men du vet at det finnes et sted i byen. Målet ditt er å finne den raskeste veien dit.
Bredde-først-søk (BFS) er som å utforske byen ett kvartal om gangen.
Slik fungerer det:
- Start ved postkontoret (startpunktet). Dette er der du begynner reisen.
- Gå til alle nabokvartalene (naboruter) rundt postkontoret. Marker disse som besøkt, slik at du ikke går tilbake til samme sted unødvendig.
- Hvis du ikke har funnet huset, fortsetter du til de neste kvartalene som ligger ett steg lenger unna – ett lag om gangen.
- Når du endelig finner huset, vet du at du har gått den raskeste veien dit, fordi du har sjekket alle kortere ruter først.
Hvorfor fungerer dette?
BFS ligner på å spre seg ut i sirkler fra startpunktet. Du går ikke tilfeldig rundt i byen, men systematisk og lagvis. Hvis du finner huset i første runde, flott – da var det rett rundt hjørnet. Hvis ikke, går du videre til neste lag med kvartaler.
Hvorfor er dette nyttig i en labyrint?
Hvis labyrinten er som en by med mange mulige veier, sikrer BFS at du ikke går rundt i sirkler eller overser den korteste ruten. Du vet at du finner den raskeste veien til utgangen eller målet, fordi du sjekker alle nærliggende muligheter først.
Instruks oppfølging igjen:
Jeg forstår ikke hvordan du har informasjon om det du allerede har besøkt. Forklar det bedre.
Svar fra ChatGPT:
Godt poeng! La meg forklare det tydeligere med en enkel analogi:
Tenk deg at du går gjennom en by og bruker klistremerker for å markere hvert sted du har besøkt. Hver gang du går til et nytt kvartal (rute i labyrinten), setter du et klistremerke der for å vise at du har vært der. Dette gjør at du ikke ved et uhell går tilbake til samme sted.
Hvordan dette fungerer i praksis:
- Start ved inngangen til labyrinten. Sett et klistremerke der for å markere at du har vært der.
- Utforsk naborutene. Gå til hver ledige rute som ligger rett ved siden av der du står. Når du går til en ny rute, legger du igjen et nytt klistremerke.
- Hvis du når et veikryss, utforsker du alle veiene videre. Hvis du må velge mellom flere veier, går du én vei først, men markerer alle de andre veiene som du ennå ikke har utforsket. På denne måten vet du at du kan komme tilbake og fortsette der senere.
- Hvis du støter på en blindvei, snur du og går tilbake til forrige veikryss. Fordi klistremerkene viser hvor du har vært, vet du hvilke veier som gjenstår å utforske.
- Fortsett til du finner målet. Når du finner målet, har du fulgt den korteste ruten fordi du alltid sjekker de nærmeste stedene før du beveger deg lenger unna.
Hvordan dette ser ut i en algoritme:
- Køen fungerer som en huskeliste over steder du skal utforske. Når du besøker en rute, legger du alle naborutene inn i køen.
- Et kart (ofte kalt en besøkt-liste) holder styr på hvilke ruter som har klistremerker.
Hvorfor dette er viktig:
Hvis du ikke merker av stedene du har besøkt, kan du ende opp med å gå i sirkler eller besøke samme sted flere ganger. Dette gjør at algoritmen bruker unødvendig lang tid, og du kan gå glipp av den raskeste veien ut.
Med andre ord: klistremerkene (eller "besøkt"-markeringene) hjelper deg med å huske hvor du har vært, slik at du alltid beveger deg fremover i labyrinten uten å kaste bort tid
Instruks oppfølging igjen:
Lag en illustrasjon jeg kan bruke i forelesningen.
Svar fra ChatGPT:
Forslag til illustrasjon:
Gi nok kontekst
Når du bruker en språkmodell som ChatGPT, er kontekst nøkkelen til et godt resultat. På samme måte som en doktorgradsveileder trenger innsikt i studentens forskningsfelt for å gi nyttige råd, trenger språkmodellen en ramme rundt spørsmålet for å kunne gi presise svar.
Uten kontekst kan svarene bli overfladiske eller misvisende, mens en tydelig bakgrunn gir modellen mulighet til å koble riktig informasjon og forstå hva du faktisk spør om.
Et eksempel på dette kan være for generering av hypoteser. Tenk deg at du har et datasett innen klimaendringer og vil undersøke hvilke faktorer som kan ha størst betydning for temperaturøkning. Du kan be ChatGPT foreslå flere mulige hypoteser, basert på eksisterende litteratur.
For eksempel:
Jeg forsker på klimaendringer i arktiske områder. Her er en kort oversikt over data fra de siste ti årene, inkludert temperatur, istykkelse og nedbørsmengder [legg ved de viktigste tallene]. Kan du foreslå minst tre konkrete forskningshypoteser som kan forklare endringene i gjennomsnittlig temperatur? Begrunn hver hypotese med relevant vitenskapsteori.
Et annet eksempel kan være for sammendrag av en artikkel. KI kan hjelpe med å oppsummere lange tekster eller sammensette «state of the art» på et felt.
Mangelfull instruksen:
Oppsummer denne artikkelen om hjertesykdom.
Hvorfor mangelfull? Fordi instruksen er for vag, og det er lite kontekt. Du får kanskje en generalisert oppsummering.
God instruks:
Denne artikkelen om hjertesykdom diskuterer risikofaktorer og forebyggende tiltak. Lag en punktvis oppsummering på maks 200 ord, der du tydelig angir hvordan funnene kan overføres til forebyggende helsearbeid blant eldre pasienter.
Fortell ChatGPT hvem den er
Å gi så mye informasjon som mulig på forhånd øker sannsynligheten for et presist og relevant svar.
Akkurat som en student starter en oppgave med en solid innledning for å klargjøre problemstillingen, bør du utstyre ChatGPT med nok detaljer til at den kan gi et treffende svar. Et effektivt grep er å gi modellen en rolle, for eksempel:
«Du er nå verdens beste underviser i psykologi og skal forklare kognitiv atferdsterapi på bachelornivå i faget klinisk psykologi.»
Når modellen får en klar identitet og oppgave, blir svarene mer målrettede og tilpasset situasjonen. Dette enkle steget bidrar til å skape en mer naturlig og lærerik dialog, der modellen fungerer som en kunnskapsrik samtalepartner.
Dette betyr ikke at du må overøse modellen med unødvendige fakta, men jo mer relevant informasjon du gir, desto mindre tid går med til misforståelser og omveier. En godt strukturert instruks kan være forskjellen mellom et svar som treffer blink og ett som bommer på målet.
Trenger du en rask måte å teste studenters forståelse? KI kan generere både flervalgsspørsmål, essayoppgaver og case-studier:
Du er nå verdens beste underviser i psykologi og skal forklare kognitiv atferdsterapi på bachelornivå i faget klinisk psykologi. Lag en prøveeksamen med fem essayoppgaver som berører temaene kognitiv dissonans, sosialpsykologiske teorier og forskningsmetoder. Hver oppgave skal være kort formulert, men kreve dyp forståelse.
Eller hvis du underviser i matematikk eller litteratur, kan KI generere analogier og konkrete eksempler:
Du er nå verdens mest pedagogiske informattikklærer. Forklar bubble sort-algoritmen med et forståelig hverdagsbilde, som om du forklarte det til en 15-åring.
Eller:
Du er nå all litteraturkompetanse i verden. Forklar hvordan symbolske motiver utvikler seg gjennom handlingen i «Romeo og Julie» av William Shakespeare for mastergradstudenter i engelsk litteratur.
Be ChatGPT stille deg spørsmål
Hvis modellen står fast eller er usikker på hva du mener, kan du be den stille oppfølgingsspørsmål. Slik kan ChatGPT be om presiseringer når spørsmålet er tvetydig eller uklart.
Denne prosessen gjør samhandlingen mer flytende og gir deg muligheten til å rette kursen underveis, slik at du og modellen sammen kommer fram til det beste svaret.
For eksempel, hvis du ber ChatGPT om å utarbeide et forslag til en ny emnebeskrivelse for et masterkurs i prosjektledelse, men ikke gir nok detaljer, kan du instruere:
Du skal nå lage en emnebeskrivelse til 5 ECTS-faget i prosjektledelse.
Vi bruker vedlagt bok som pensum.
Her finner du en emnebeskrivelse for et annet fag: https://www.uia.no/studier/emner/2020/host/ikt450.html
Still meg spørsmål dersom du lurer på noe slik at du har nok informasjon til å få en god emnebeskrivelse.
Svar fra ChatGPT:
1. Målgruppe og nivå:
Hvilket studium tilhører dette faget (bachelor, master, videreutdanning)?
Er det åpent for studenter fra andre studieretninger eller kun for spesifikke programmer?
2. Læringsutbytte:
Hvilke ferdigheter og kunnskaper skal studentene sitte igjen med etter å ha fullført faget?
Er det spesifikke verktøy, metoder eller modeller for prosjektledelse som vektlegges?
[Mange spørsmål utelatt]
Når jeg har denne informasjonen, kan jeg utforme en emnebeskrivelse som er skreddersydd og engasjerende.
Instruks:
Målgruppe: master.
Ikke åpent for andre studenter.
De skal kunne gjennomføre et prosjekt med 5-10 deltagere.
Instrukser på norsk eller engelsk?
Instrukser kan formuleres på mange språk, og for de fleste oppgaver spiller språket liten rolle. Et faktaspørsmål som «Hva er hovedstaden i Frankrike?» vil gi samme svar på både norsk og engelsk, selv om kilden modellen benytter kan være på et annet språk. Dette skyldes at KI-modeller ofte oversetter i bakgrunnen for å sikre et konsistent svar.
Du kan også kombinere språk i én og samme instruks. For eksempel: «Hva er Norges største innsjø, and how many square kilometers is it?» er en effektiv instruksjon. ChatGPT forstår både den norske og engelske delen av spørsmålet og gir et helhetlig svar uten problemer.
Men språket du velger kan ha stor innvirkning på nyansene i svaret, spesielt når presisjon er avgjørende. Derfor er det viktig å velge språk med omhu. Hvis du for eksempel ønsker at ChatGPT skal analysere eller oppsummere en engelsk artikkel, er det mest effektivt å bruke engelsk i instruksjonen.
Uansett om du jobber med en engelsk tekst eller ikke, har formuleringer på engelsk ofte en klar fordel når det gjelder presisjon. Dette skyldes at KI-modeller vanligvis er trent på et langt bredere og mer variert datagrunnlag på engelsk enn på de fleste andre språk.
Ved å bruke engelsk som instruksjonsspråk, utnytter du modellens tilgang til omfattende tekstkilder, noe som gjør det spesielt effektivt for komplekse spørsmål og oppgaver som krever grundige analyser og dypdykk i detaljene.
På norsk er datagrunnlaget mindre omfattende, noe som kan føre til enklere svar med færre nyanser. ChatGPT presterer merkbart bedre på engelsk enn på norsk, bedre på bokmål enn på nynorsk, og betydelig svakere på samiske språk. Dette skyldes hovedsakelig mengden tilgjengelig treningsdata: Jo mer tekst modellen har tilgang til, desto mer presise, detaljerte og nyanserte blir svarene.
Instrukser på norsk gir derimot ofte svar som er bedre tilpasset norske forhold, enten det handler om norsk historie eller spesifikke språklige uttrykk.
For eksempel kan en norsk instruks om «Henrik Ibsens betydning for moderne teater» gi en mer kulturelt relevant respons enn en tilsvarende engelsk instruksjon.
I tillegg bidrar det å bruke norsk med KI til å styrke modellens evner på språket over tid. Jo mer vi benytter norsk i samhandling med språkmodeller, jo mer data får språkmodellene, og desto bedre blir de til å forstå og mestre språket.
Praktisk bruk av språkmodeller i den akademiske hverdagen
Språkvask og tekstbearbeiding: Språkmodeller er også ideelle for å forbedre språket i akademiske tekster. Om du har en kladd til en artikkel, kan du be om forslag til bedre formuleringer eller mer presis begrepsbruk.
Instruks:
Her er min introduksjon om adaptive læringsalgoritmer. Kan du foreslå mer profesjonelle setninger og samtidig sikre at den er lesbar for et bredt akademisk publikum? Vær konkret.
Designe tilpassede oppgaver for studenter: Har du en klasse med svært ulikt nivå? KI kan lage flere varianter av samme oppgave, tilpasset ulike ferdighetsnivåer.
Instruks:
Lag to versjoner av en oppgave om sannsynlighetsregning: én for nybegynnere (Vg1), og én avansert for tredjeårs ingeniørstudenter.
Analyse av datasett: Språkmodeller er dyktige til å analysere datasett, men det er avgjørende å gi tilstrekkelig kontekst for at analysen skal bli nøyaktig og relevant. Uten klar informasjon om hva datasettet inneholder og hva formålet er, risikerer man at resultatene blir overfladiske eller bommer på målet.
Jo mer presis og detaljert instruksen er, desto større er sjansen for at analysen gir innsikt som faktisk kan brukes.
Mangelfull instruks:
Hva er dette datasettet om?
Bedre instruks:
Her er datasettet vårt med 5000 observasjoner om luftforurensning i byområder. Kan du hjelpe med å identifisere fem statistisk signifikante trender og foreslå mulige hypoteser basert på disse trendene?
Undervisningsppgaver: Å utarbeide forslag til undervisningsmateriell er en effektiv måte å bruke ChatGPT på, men det er viktig å gi modellen en tydelig rolle for å sikre at oppgavene tilpasses riktig nivå og fagfelt.
Når modellen får rollen som underviser, blir oppgavene mer presise og tilpasset studentenes behov. Dette bidrar til at materialet ikke bare blir faglig relevant, men også engasjerende og pedagogisk gjennomtenkt.
Mangelfull instruks:
Lag noen spørsmål om biologi.
Bedre instruks:
Du er nå en professor i biologi. Du skal undervise for førsteårs bachelor. Lag fem korte spørsmål om cellestrukturer, rettet mot førsteklassestudenter på bachelor i biologi. Én oppgave må inkludere en praktisk eksperimentidé.
Timeplaner: Å arbeide med komplekse timeplaner er noe ChatGPT håndterer svært godt. For å oppnå best mulig resultat kan det være lurt å oppfordre modellen til å stille spørsmål for å avklare eventuelle uklarheter.
Denne dialogen fører til mer presise og skreddersydde løsninger som tar hensyn til både ressurser og behov, og som reduserer risikoen for feil og misforståelser underveis.
Mangelfull instruks:
Hjelp meg med timeplaner.
Bedre instruks:
Vi har 10 forelesere og 25 undervisningsrom tilgjengelig over en periode på 12 uker. Hvordan kan vi fordele ressursene mest effektivt for å unngå kollisjoner og samtidig ta hensyn til hver forelesers preferanser?
Still meg spørsmål hvis det er noe du ikke forstår
Kunstig intelligens gjør feil
FAKTA
Morten Goodwin
- Professor i kunstig intelligens ved Universitetet i Agder (UiA)
- Underviser i kunstig intelligens og programmering for master- og doktorgradsstudenter
- Tok doktorgrad i kunstig intelligens ved Aalborg Universitet i 2011 med avhandlingen Towards Automated eGovernment Monitoring
- Har publisert over 200 fagfellevurderte vitenskapelige artikler innen kunstig intelligens, med fokus på dype nevrale nettverk
- Forfatter av boken «AI – myten om maskinene» (2020), som forklarer hva kunstig intelligens er og avliver myter rundt teknologien
- Les mer om Goodwin i Khronos intervju med ham 2. januar 2025,
Kilde: UiA, ChatGPT
Selv med en «perfekt» instruks kan KI av og til gi feilaktige, upresise eller misvisende svar. Dette skyldes flere faktorer. Vi skal dykke dypere inn i de større utfordringene i en senere artikkel, men for nå kan du ha i bakhodet at KI-modeller:
- Mangler kontekstforståelse: Språkmodeller analyserer tekst, men har ingen egne erfaringer og ligger langt unna menneskelig bevissthet. De forstår ikke verden slik vi gjør, men predikerer hva som sannsynligvis kommer som neste i en tekstrekke.
- Er avhengige av treningsdata: Kvaliteten på svarene speiler dataene modellen er trent på. Hvis treningsdataene er mangelfulle, skjeve eller utdaterte, vil dette prege resultatene.
- Kan dikte opp svar: For å fremstå hjelpsomme genererer modeller iblant kilder eller fakta som ikke eksisterer. Dette fenomenet kalles «hallusinasjoner» og er en kjent utfordring i KI-feltet.
Derfor er det viktig å etterprøve svarene og bruke språkmodellen som et supplement til egen kunnskap, ikke som en erstatning. KI kan være et kraftig verktøy, men det krever en kritisk bruker i førersetet.
Mot en målrettet bruk av KI
Kunstig intelligens er på full fart inn i akademia, og hvordan vi «snakker» med den kan utgjøre forskjellen mellom overfladiske og dypt innsiktsfulle svar. Å mestre gode instrukser og forstå tokens er blitt en ny, digital kompetanse som kan løfte produktiviteten i alt fra forskningsarbeid til undervisning og administrasjon.
Målet for akademia må væere klart: Lære akademikere i alle roller å bruke KI på en målrettet måte, slik at vi kan maksimere nytten av teknologien samtidig som vi opprettholder kritisk refleksjon og faglig dybde.
Verktøyene har kommet for å bli, nå gjelder det å ta styringen selv og bruke dem klokt.
