Del 1: Teoretisk

← Tilbage til Agenda

Sprog Modeller: Hvad er de?

Sandsynlighedsmodeller.

🔗 Se demo eksempel: Sprogmodellers sandsynlighedsstyring - Demo af hvordan prompts påvirker AI’s sandsynlighedsberegninger

Der findes mange sprogmodeller og 4 af de store er:

🔍 Klik for at zoome

Vigtigt at understrege:

• Forskellige modeller til forskellige opgaver

Sprogmodel - kort fortalt

En sprogmodel er en AI der er trænet på enorme mængder tekst. Den kan:

• Forstå sprog
• Generere tekst
• Svare på spørgsmål
• Oversætte
• Summarisere

Men vigtigt: Den er IKKE en fakta-database som Google. Den er en probabilistisk model - den gætter baseret på sandsynlighed.

Hvordan virker det?

Træning:

1. Modellen læser milliarder af sider tekst
2. Den lærer mønstre i sprog
3. Den lærer sammenhænge mellem ord og begreber

Brug:

1. Du giver modellen en prompt (spørgsmål/instruktion)
2. Modellen gætter det mest sandsynlige næste ord
3. Den fortsætter ord for ord
4. Resultatet er et svar

Vigtigt: Modellen “gætter” - den ved ikke om det er korrekt. Den ved kun hvad der er mest sandsynligt baseret på træningen.

Hvad Kan de og Ikke Kan?

✅ Hvad de KAN:

• Generere tekst baseret på mønstre
• Forstå kontekst (jo mere kontekst, jo bedre)
• Oversætte mellem sprog
• Summarisere lange tekster
• Svare på spørgsmål (hvis de har set lignende før)
• Kode (hvis de er trænet på kode)

❌ Hvad de IKKE kan:

• Faktatjek (de gætter, ikke søger)
• Real-time information (kun træningsdata)
• Matematik uden fejl (de gætter, ikke regner)
• Garanteret korrekt svar (de kan finde på ting)
• Erstatte faglighed (de ved ikke om svaret er korrekt)

Der er mange holdninger til, hvilke modeller der er bedst til hvad; her er et bud:

🔍 Klik for at zoome

Prompts som styringsværktøj:

De 5 niveauer

De fem niveauer viser vejen fra at bruge AI som en simpel søgemaskine til en klog samarbejdspartner. I starten giver du bare korte ordrer, men målet er at dykke ned under overfladen i isbjerget. På de dybeste niveauer arbejder du sammen med AI’en som en slags ekstra “med-hjerne” for at løse svære opgaver.

🔍 Klik for at zoome

Niveau 1 (Instruerende): “List de fem største byer i Danmark efter indbyggertal.”

Niveau 2 (Genererende): “Skriv et udkast til en kort e-mail, der inviterer teamet til et brainstorm-møde på fredag kl. 10.”

Niveau 3 (Samarbejdende): “Læs min introduktion igennem nedenfor og giv mig tre konkrete forslag til at gøre den mere fængende for en ikke-teknisk læser.”

Niveau 4 (Analyserende): “Analyser fordele og ulemper ved at skifte til en 4-dages arbejdsuge i en mellemstor virksomhed.”

Niveau 5 (Sparrende / Co-intelligence): “Ager som min strategiske sparringspartner og udfordr min antagelse om, at vi skal lancere på det amerikanske marked før det tyske.”

Problemstilling som AI kan hjælpe med: One-Liners vs. Kvalificerede Ændringsønsker

Konkret:

• Eksempel fra virkeligheden:

  • ❌ One-liner: “Statistik/Dashboard. Hvor mange billeder er kommet ind?”

Problemer med one-liners:

• Udviklere kan ikke arbejde med dem
• Testmanager forstår ikke hvad der ønskes
• Mange “ping-pong” spørgsmål
• Tidsforbrug på fejlretning

Kost:

• Tid på spørgsmål fremfor udvikling
• Forkert implementering der skal laves om
• Frustrerede brugere

Visualisering: Før og Efter AI

Formål: Skabe forståelse for problemet, relatere til deres egen situation

AI som Kvalificeringsværktøj

Emner:

• Hvordan kan AI kvalificere ændringsønsker?
• AI som “oversætter” mellem afdelinger
• Strukturering af input

Konkret Demo-Koncept:

1. Vis one-liner fra Lines team
2. Vis hvordan AI kan:
   • Identificere manglende information
   • Stille kvalificerende spørgsmål
   • Strukturere svar i standardiseret format
3. Vis resultat: Kvalificeret ændringsønsker

Proces:

• Input: One-liner
• AI: Stiller spørgsmål, kvalificerer
• Output: Struktureret ændringsønsker med problem, løsning, testkriterier

Faldgrupper og Troværdighed

Emner:

• AI gætter - det er ikke Google
• Hvordan får man det mest troværdige svar?
• Faldgrupper ved chatbot-brug

Konkret:

• AI gætter: Probabilistisk model, ikke fakta-database
• Hallucinationer: AI finder på ting
• Kontekst er kritisk: Jo mere kontekst, jo bedre svar
• Verificering: Altid tjek AI’s svar med faglighed

Tips til troværdige svar:

• Giv nok kontekst
• Stil opfølgende spørgsmål (“er du sikker?”, “giv mig kilder”)
• Brug faglighed til at validere
• Test resultaterne

Faldgrupper:

• Blind tillid til AI
• For abstrakte prompts
• Manglende kontekst
• Ikke verificering af svar

Formål: Skabe realistiske forventninger, lære dem at bruge AI sikkert

Risikostyring: Lederes Forståelse

Emner:

• Lederne tror ofte at AI løser alle problemer
• Lederne tror AI ikke gætter men “ved”

Konkret:

• Eksempel: “Vi sætter lige en chat-GPT på hele vores kvalitetsstyringssystem”
• Problem: Hvis der ikke findes noget i systemet, hvad gør AI så?
• Løsning: Forståelse for AI’s begrænsninger

Budskab til ledere:

• AI er en sparringspartner, ikke en guru
• AI understøtter dygtige folk, erstatter dem ikke
• Der er risici - de skal forstås og mitigeres
• Fagpersonerne skal bruge AI (de kan fange fejl)

Formål: Give ledere realistisk forståelse, undgå overoptimisme

Afrunding

Emner:

• Opsummering af nøglepunkter
• Forberedelse til hands-on session
• Q&A

Formål: Sikre forståelse, klar til praktisk arbejde

📝 Nøglepunkter

• AI er probabilistisk - den gætter, ikke fakta
• Kontekst er kritisk - jo mere, jo bedre
• AI er sparringspartner, ikke guru
• Fagpersonerne skal bruge AI (de kan fange fejl)
• AI kan kvalificere one-liners → udviklingsklare specifikationer