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.

I denne episode tager værterne et dybdegående kig på forholdet mellem store datamængder, kunstig intelligens og værdien af den menneskelige fagekspertise. Selvom avancerede algoritmer og Big Data giver os mulighed for at opdage mønstre med uovertruffen hastighed, rejses det helt centrale spørgsmål: Kan statistiske korrelationer erstatte en egentlig forståelse af årsag og virkning, eller gør datamængderne os i virkeligheden endnu mere afhængige af menneskelig dømmekraft?

Diskussionen dækker en bred række af de muligheder og faldgruber, der opstår, når organisationer og fagpersoner forlader sig på datadrevne modeller. Værterne gennemgår blandt andet, hvordan mønsterigenkendelse bruges succesfuldt i e-handel som eksempelvis Amazon til tilpassede anbefalinger, men også hvordan anvendelse af historiske data kan skabe alvorlige blinde vinkler. Som eksempel belyses det, hvordan algoritmisk risikovurdering i kommunale børnesager kan indbygge aldersmæssig bias og skabe selvopfyldende profetier, hvis softwaren blindt vægter fortidens mønstre uden hensyntagen til børnenes reelle situation.

Derudover sætter episoden fokus på fænomenet automation bias – faren for, at fagpersoner som eksempelvis jurister eller sagsbehandlere udviser blind tillid til AI-genererede svar og dermed slukker for deres egen kritiske sans.

Afslutningsvis præsenteres et strategisk pejlemærke for arbejdet med datadrevet forretningsudvikling: 10-til-100-princippet. Her vises det, hvordan ibrugtagning af AI i sig selv kan give beskedne effektiviseringer på omkring 10 %, men at det først er i krydsfeltet mellem dyb domæneindsigt og stærke kompetencer i AI-anvendelse, at man kan frigøre produktivitets- og kvalitetsløft på over 100 %. Lytterne får dermed en klar forståelse for, hvorfor kritisk sans og faglig sparrepartner-rolle er uundværlig, når algoritmer integreres i komplekse beslutningsprocesser.

I denne episode dykker værterne ned i de grundlæggende principper for maskinlæring og dyb læring (deep learning) med fokus på, hvordan datadrevne modeller opdager mønstre, tilpasses og skaber praktisk værdi.

Episoden afdækker først de væsentlige forskelle mellem klassisk maskinlæring og deep learning. Du får en gennemgang af, hvordan maskinlæring arbejder med strukturerede data og enklere algoritmetyper som lineære modeller og beslutningstræer, mens deep learning udnytter flerlagede neurale netværk til at behandle store mængder ustrukturerede data. Værterne belyser også de datamæssige og ressourcemæssige overvejelser, der afgør, hvornår man bør vælge den ene teknologi frem for den anden.

Derefter gennemgås de centrale læringsprincipper i dybden:

* Superviseret læring: Læring ud fra kendte facit (labels) til klassifikation og regression, samt hvorfor prøvning på usete data er afgørende for at undgå overtilpasning.
* Ikke-superviseret læring: Identifikation af strukturer, grupper og afvigelser i data uden facit via clustering og anomalidetektion.
* Halv-superviseret og aktiv læring: Metoder til at optimere modeltræning, når mærkede data er knappe eller omkostningstunge.
* Forstærkningslæring: Hvordan handlende systemer opbygger en optimal strategi over tid baseret på belønninger og omkostninger.

De faglige begreber illustreres undervejs med praktiske eksempler fra hverdagen, herunder eksempler som automatisk sortering af supporthenvendelser i en virksomhed samt registrering af usædvanlig sensordrift på et kølelager.

Episoden giver en helhedsorienteret forståelse af, hvordan man matcher det rette læringsprincip med den konkrete opgave og datadisciplin.