Slik kommer du i gang med AI uten å føle deg fortapt

Tiden da vi så på kunstig intelligens som et mystisk orakel er forbi. De fleste nærmer seg disse verktøyene med en blanding av angst og overdrevne forventninger, og forventer ofte en digital gud som kan løse ethvert problem med én enkelt setning. Realiteten er langt mer hverdagslig og nyttig. Moderne AI er rett og slett en ny kategori programvare som er suveren på mønstergjenkjenning og språklig syntese. For å slutte å føle deg fortapt, må du slutte å lete etter magi og begynne å lete etter nytteverdi. Praktisk bruk betyr mer enn nyhetens interesse på dette feltet. Hvis et verktøy ikke sparer deg for tretti minutter med kjedelig arbeid eller hjelper deg med å klargjøre en vanskelig tanke, er det ikke verdt tiden din. Det nåværende skiftet i bransjen beveger seg bort fra sjokket over hva maskiner kan si, mot nytten av hva de faktisk kan gjøre. Denne guiden går forbi hypen for å vise deg hvordan du integrerer disse systemene i din daglige rutine uten forvirringen som vanligvis følger med ny teknologi.

Slutten på magishowet

For å forstå hvorfor du kan føle deg fortapt, må du forstå hva disse systemene faktisk er. De fleste brukere har en søkemotor-tankegang når de møter en generativ modell. Når du bruker en søkemotor, leter du etter en spesifikk post i en database. Når du bruker en modell som GPT-4 eller Claude, samhandler du med en sannsynlighetsmaskin. Disse modellene kjenner ikke fakta slik mennesker gjør. I stedet forutsier de det neste mest sannsynlige ordet i en sekvens basert på enorme mengder treningsdata. Det er derfor de noen ganger kan uttale usannheter med absolutt selvsikkerhet. Dette fenomenet kalles ofte hallusinering, men det er egentlig systemet som fungerer akkurat som tiltenkt. Det forutsier alltid, selv når det mangler de spesifikke dataene for å være nøyaktig.

Forvirringen stammer vanligvis fra det samtalebaserte grensesnittet. Fordi maskinen snakker som et menneske, antar vi at den tenker som ett. Det gjør den ikke. Den mangler en mental modell av verden. Den har ikke følelser, mål eller en forståelse av sannhet. Det er en høyst sofistikert kalkulator for språk. Når du aksepterer at du snakker med et statistisk speil fremfor et tenkende vesen, begynner frustrasjonen over «feil» svar å avta. Du begynner å se verktøyet som en samarbeidspartner for utkast, oppsummering og idémyldring fremfor en endelig kilde til sannhet. Dette skillet er det første steget mot mestring. Du må verifisere alt den produserer, spesielt når innsatsen er høy. De nylige endringene i disse modellene har gjort dem raskere og mer sammenhengende, men den underliggende logikken forblir et spørsmål om matematikk fremfor mening. Dette er grunnen til at menneskelig kontroll forblir den mest kritiske delen av prosessen. Uten din overvåking er maskinen bare en høylytt, selvsikker gjetter.

Et skifte i global produktivitet

Effekten av denne teknologien er ikke begrenset til Silicon Valley. Den merkes i hvert hjørne av verden der folk bruker datamaskiner for å kommunisere. For en småbedriftseier i Nairobi eller en student i Seoul, gir disse verktøyene en måte å bygge bro over språklige og tekniske gap som tidligere var uoverkommelige. Oversettelse av høy kvalitet og kodeassistanse er nå tilgjengelig for alle med internettilgang. Dette handler ikke om å erstatte arbeidere, men om å endre grunnlaget for hva én person kan utrette. Tidligere krevde skriving av et komplekst skript eller utforming av et juridisk dokument spesialisert opplæring eller dyre konsulenter. Nå kan disse oppgavene initieres av hvem som helst, forutsatt at de har den kritiske tenkningen som skal til for å veilede maskinen.

Vi ser et massivt skifte i hvordan informasjon behandles på tvers av landegrenser. Organisasjoner bruker disse modellene til å analysere tusenvis av sider med internasjonale reguleringer eller til å lokalisere markedsføringsinnhold på sekunder. Denne hastigheten har imidlertid en pris. Etter hvert som flere bruker disse verktøyene, øker mengden generisk, AI-generert innhold på internett. Dette gjør original, menneskelig tankegang mer verdifull enn noen gang før. Den globale arbeidsstyrken er for tiden i en periode med rask tilpasning der evnen til å gi gode instruksjoner (prompts) til en maskin blir like grunnleggende som evnen til å bruke en tekstbehandler. De som lærer å bruke disse verktøyene som en forlengelse av sin egen ekspertise, vil få et betydelig forsprang. Målet er å bruke maskinen til å ta seg av det tunge løftet med struktur og syntaks, slik at du kan fokusere på strategi og nyanse. Dette skiftet skjer i sanntid, og det påvirker alle bransjer fra helsevesen til finans.

Få verktøyene til å jobbe for deg

La oss se på en dag i livet til noen som har integrert disse verktøyene effektivt. Tenk deg en prosjektleder som starter morgenen med femti uleste e-poster. I stedet for å lese hver eneste en, bruker de et verktøy for å oppsummere trådene og identifisere hvilke som krever umiddelbar handling. Innen klokken ti har de utarbeidet tre prosjektforslag ved å gi AI-en rånotater og be den organisere dem i et standardformat. Det er her den virkelige verdien ligger. Det handler ikke om at maskinen gjør tenkingen, men om at maskinen gjør formateringen. Senere på ettermiddagen kan de støte på en teknisk feil i et regneark. I stedet for å lete i fora i en time, beskriver de feilen til AI-en og mottar en korrigert formel på sekunder. Dette er en konkret gevinst som endrer tempoet i arbeidsdagen.

Vurder eksemplet med en forfatter som sliter med et blankt ark. De kan bruke en modell til å generere fem forskjellige disposisjoner for en artikkel. De hater kanskje fire av dem, men den femte kan utløse en idé de ikke hadde vurdert. Dette er en samarbeidsprosess. Forfatteren er fortsatt arkitekten, men AI-en er den utrettelige assistenten som leverer materialer. Produkter som ChatGPT fra OpenAI eller Claude fra Anthropic har gjort dette tilgjengelig gjennom enkle chat-grensesnitt. Taktikken feiler imidlertid når du ber maskinen om å ha det siste ordet. Hvis du lar AI-en skrive hele rapporten din uten å sjekke dataene, vil du sannsynligvis inkludere feil som et menneske aldri ville gjort. Forvirringen lesere bringer med seg er ofte troen på at AI er en «sett det og glem det»-løsning. Det er det ikke. Det er et kraftverktøy som krever en stødig hånd og et våkent øye. Du må forbli sjefredaktør i ditt eget liv. Maskinen kan levere utkastet, men du må levere sjelen og nøyaktigheten. Dette er den eneste måten å sikre at resultatet forblir relevant og pålitelig i en profesjonell sammenheng.

De skjulte kostnadene ved effektivitet

Selv om fordelene er klare, må vi bruke litt sokratisk skepsis til fremveksten av disse modellene. Hva er de skjulte kostnadene ved denne effektiviteten? For det første er det miljøpåvirkningen. Drift av disse massive datasentrene krever enorme mengder strøm og vann til kjøling. Etter hvert som vi skalerer disse verktøyene, må vi spørre om bekvemmeligheten ved en oppsummert e-post er verdt karbonavtrykket. For det andre er det spørsmålet om personvern. Når du mater bedriftens private data inn i en offentlig modell, hvor havner disse dataene? De fleste selskaper prøver fortsatt å finne ut hvordan de skal beskytte sin immaterielle eiendom i en tid der hver instruks potensielt kan trene neste versjon av modellen.

Vi må også vurdere skjevhetene som ligger i treningsdataene. Hvis maskinen er trent på internett, vil den reflektere internetts fordommer. Hvordan sikrer vi at beslutninger tatt med hjelp av AI er rettferdige og rettskafne? Dette er ikke bare tekniske spørsmål, men moralske. Temaet vil fortsette å utvikle seg fordi vi ennå ikke har funnet en måte å gjøre disse modellene perfekt objektive eller perfekt private på. Vi bygger i bunn og grunn flyet mens vi flyr det. Motsigelsene er synlige. Vi ønsker hastigheten til maskinen, men etikken til et menneske. Vi ønsker kreativiteten til en poet, men nøyaktigheten til en vitenskapsmann. Disse målene er ofte i konflikt med hverandre, og spenningen mellom dem er der de viktigste diskusjonene foregår i dag.

Har du en AI-historie, et verktøy, en trend eller et spørsmål du synes vi bør dekke? Send oss din artikkelidé — vi vil gjerne høre den.

Under panseret for avanserte brukere

For de som vil gå utover chat-boksen, gir geek-seksjonen et innblikk i hvordan du virkelig kan mestre disse verktøyene. Avanserte brukere beveger seg bort fra standard web-grensesnitt og mot API-integrasjoner og lokale lagringsløsninger. Ved å bruke et API kan du bygge AI-en direkte inn i dine eksisterende arbeidsflyter, for eksempel oppgavebehandleren eller kodeeditoren din. Dette omgår behovet for å kopiere og lime inn tekst frem og tilbake. Du må imidlertid være klar over API-begrensninger og kostnaden per tusen tokens. En token er omtrent tre fjerdedeler av et ord, og kostnadene kan hope seg opp raskt hvis du behandler store datamengder. En annen stor trend er bruken av lokale LLM-er. Verktøy som Ollama eller LM Studio lar deg kjøre modeller direkte på din egen maskinvare. Dette er en game-changer for personvernet fordi dataene dine aldri forlater maskinen. Du kan finne mer om dette i ulike omfattende AI-guider som fokuserer på lokal implementering.

Tekniske spesifikasjoner du bør kjenne til inkluderer:

• Kontekstvindu: Dette er mengden tekst modellen kan «huske» samtidig, vanligvis målt i tokens. Nåværende modeller varierer fra 8k til over 200k tokens.
• Kvantisering: Dette er en prosess for å krympe en modell slik at den kan kjøre på forbrukermaskinvare uten å miste for mye intelligens.
• Temperatur: En innstilling som kontrollerer tilfeldigheten i resultatet. En lavere temperatur gjør modellen mer forutsigbar, mens en høyere temperatur gjør den mer kreativ.
• Latens: Tiden det tar for modellen å begynne å generere et svar, noe som er kritisk for sanntidsapplikasjoner.
• Inferens: Selve prosessen der modellen genererer et svar basert på instruksen din.
• Finjustering: Trening av en eksisterende modell på et mindre, spesifikt datasett for å gjøre den til en ekspert på et bestemt felt.

Den tekniske siden av AI beveger seg mot mindre, mer effektive modeller som kan kjøre på en telefon eller en bærbar PC. Dette reduserer avhengigheten av stor teknologisk infrastruktur og gir brukeren mer kontroll. Hvis du mener alvor med å bruke AI, bør du se på hvordan du administrerer dine egne kontekstvinduer og hvordan du strukturerer dataene dine slik at maskinen enkelt kan finne dem. Dette kan innebære bruk av en vektordatabase eller et RAG-system (Retrieval-Augmented Generation). Disse systemene lar AI-en slå opp informasjon i dine egne filer før den genererer et svar. Dette reduserer hallusinasjoner betydelig og gjør verktøyet mye mer pålitelig for profesjonelt arbeid. Du kan følge den nyeste forskningen på disse metodene på nettsteder som MIT Technology Review for å ligge i forkant.

Veien videre

Å starte med AI krever ikke en grad i informatikk. Det krever et skifte i perspektiv. Slutt å spørre hva AI kan gjøre for deg, og begynn å spørre hvordan du kan bruke den til å forsterke det du allerede gjør. Teknologien er ikke statisk. Den endrer seg hver måned, med nye modeller og funksjoner som slippes i et svimlende tempo. Kjerneprinsippene forblir imidlertid de samme. Vær spesifikk i forespørslene dine, verifiser resultatene, og vær bevisst på dataene du deler. De mest suksessrike brukerne er de som forblir skeptiske til hypen, men åpne for nytten. Etter hvert som vi beveger oss inn i fremtiden, vil gapet mellom de som bruker AI og de som ikke gjør det, bare vokse. Den beste måten å ikke føle seg fortapt på er å starte i det små. Velg én repeterende oppgave og se om en modell kan hjelpe deg med å gjøre den bedre. Det er den eneste måten å gjøre en kompleks teknologi om til et enkelt verktøy.

Redaktørens merknad: Vi opprettet dette nettstedet som et flerspråklig knutepunkt for AI-nyheter og guider for folk som ikke er datanerder, men som likevel ønsker å forstå kunstig intelligens, bruke den med større selvtillit og følge fremtiden som allerede er her.

Fant du en feil eller noe som må korrigeres? Gi oss beskjed.