I denne episode tager værterne dig med på en grundig og faglig rejse gennem den teknologiske udvikling af kunstig intelligens og maskinlæring, fra de tidligste matematiske principper til nutidens mest avancerede verdensmodeller. Episoden giver en dyb forståelse af de centrale databegreber og træningsmetoder, der ligger bag moderne datadrevne systemer.

Værterne starter med at afmystificere, hvad der reelt sker under træningen af en AI-model. De gennemgår kredsløbet mellem parametre, tabsfunktioner, backpropagation og optimeringsalgoritmer som gradient descent. Der stilles desuden skarpt på den vigtige skelnen mellem fire fundamentale begreber: træning, validering, test og inferens, herunder hvorfor hurtig eller realtidsbaseret inferens ikke må forveksles med løbende eller kontinuerlig træning.

Derefter udforskes den historiske og faglige udvikling i netværksarkitekturer. Episoden dækker Frank Rosenblatts perceptron fra 1950'erne og dens lineære begrænsninger, opgavespecifik deep learning som konvolutionelle neurale netværk (CNN) og forstærkningslæring med Deep Q-networks. Værterne forklarer overgangen fra dyre mærkede datasæt til selv-superviseret læring gennem modeller som Word2vec og BERT, samt generative tilgange som GANs, diffusionsmodeller og multimodal træning som CLIP.

Lytteren får også indsigt i processen med eftertræning, herunder superviseret finjustering og reinforcement learning from human feedback (RLHF), som former rå grundmodeller til reelle assistenter. Episoden rundes af med en fokuseret gennemgang af nyere world models, der evner at repræsentere og forudsige dynamiske miljøer og handlinger, illustreret med enkelte eksempler på teknologier fra aktører som DeepMind og NVIDIA.

Afslutningsvis perspektiveres der til 10 til 100-princippet som ledetråd for, hvordan kombinationen af fagekspertise og optimal AI-anvendelse kan løfte både produktivitet og kvalitet i en datadrevet organisation.