Vil du gerne forstå, hvad AI egentlig er, når vi skræller al hypen af? Generativ AI er 20-30 % tech og 70-80 % mennesker, og det er ikke lige let at forstå for alle. Så hvordan I kan bruge det i praksis i jeres startup? Jonathan Løw, CEO og founder i JumpStory deler ud fra egen erfaringer og use cases.

AI er nutidens buzzword, og nu er generative AI så også blevet det. Du har formentlig ikke kunne undgå at høre om ChatGPT og Midjourney. Men har vi egentlig forstået, at det er to ret forskellige ting? Altså ‘traditionel’ AI og så sprogmodeller som OpenAI’s GPT-4?

Tillad mig at forklare forskellene igennem nogle kendte eksempler og use-cases…

 

1) AI – den ‘gode gamle’ kunstige intelligens 

Jeg er selv co-founder af en AI-virksomhed, men vi bruger IKKE generative AI til at skabe falske fotos af mennesker. Tværtimod. Når vi hos JumpStory bruger AI-teknologi, så gør vi det i stedet for at kunne genkende mønstre og fjerne fotos, der er falske; overperfekte eller manipulerede.

Vores use-case er nemlig, at vores brugere leder efter det autentiske til deres markedsføring og kommunikation. Derfor anvender vi AI til at analysere millioner af fotos og kun vise ægte mennesker og ægte følelser.

AI kan altså som i ovenstående eksempel anvendes til at løse en bestemt datadreven opgave på en intelligent og effektiv måde. 

Det sker i praksis ved, at man giver systemet nogle input (data), og systemet trænes så i at kunne lave beregninger eller træffe beslutninger baseret på disse input.

Andre velkendte eksempler er Siri eller de anbefalinger, du får, når du søger efter den næste fede serie på Netflix.

 

2) Generativ AI – ‘den nye pige i klassen’

Hvor AI således beregner og beslutter ud fra input, så handler generativ AI om at skabe noget nyt og ganske konkret såsom tekster, billeder, musik, kode mm. (man kan så diskutere, om det reelt er nyt!).

Generativ AI er altså modeller, der er trænet i at genkende mønstre og derudfra danne nye data, som spejler disse træningsdata.
Eksempler på det i praksis kunne være Chat-GPT; Midjourney og Dall•E 2. 

 

De etiske kompleksiteter

Men selv om det er selvfølgeligt for nogle, så er det nok vigtigt at nævne, at ethvert projekt der involverer kundedata bør følge strikte etiske retningslinjer. Er I klar over de potentielle etiske dilemmaer vedrørende brug af AI i forhold til kundens privatliv og dataanvendelse?

Dataetik er et komplekst og flertydigt emne, der forpligter virksomheder til at håndtere data ansvarligt og transparent.

For eksempel, selvom AI kan gøre det muligt at analysere kundepræferencer og -adfærd i detaljer, rejser dette spørgsmålet om, hvorvidt det er etisk forsvarligt at indsamle og bruge sådanne data uden klart og utvetydigt samtykke fra kunden. Hvordan sikrer I, at kunderne fuldt ud forstår, hvad deres data bliver brugt til, og hvilke rettigheder de har?

Dernæst kommer risici for diskrimination eller skævvridning. Hvis AI-modellen trænes på en dataindsamling, der indeholder systematiske skævheder, kan modellen ende med at reproducere eller forstærke disse skævheder. Dette kan resultere i diskriminerende eller skævt indhold, der skaber en ujævn kundeoplevelse.

 

Fremtiden tilhører de nysgerrige

I fremtiden ser jeg en lang række etiske udfordringer ved den sidstnævnte generative model, men naturligvis også muligheder, og jeg vil nævne, at de to tilgange har en masse mulige use-cases, hvor de kan anvendes sammen.

I jeres startup kunne I eksempelvis bruge AI til at analysere jeres kunders adfærd ud fra de data, I allerede har, og så bede den generative AI-model om at skabe personligt indhold til hver enkelt kunde / segment ud fra AI-analysen.

AI kan i jeres startup tilbyde en række fascinerende muligheder, især når det kommer til at analysere kunders adfærd og generere personligt indhold. Men det er vigtigt at være opmærksom på, at det er teknisk komplekst at integrere avancerede AI-modeller i en eksisterende infrastruktur. Har I de nødvendige faglige kompetencer internt, eller skal I outsource dette? 

Endeligt er det et væsentligt punkt at overveje, om jeres AI-initiativer kan skaleres effektivt. Hvad fungerer godt i små tests, vil ikke nødvendigvis fungere i stor skala. Overvejelserne er mange.

Vær forandringsparate – ikke forandringsskabende

Men ellers er bare med at komme i gang! 

Men husk, det handler ikke kun om at være forandringsparate, men om at være forandringsskabende. I denne sammenhæng betyder det, at I ikke bare skal tilpasse jer de nyeste teknologiske fremskridt, men aktivt bidrage til at forme dem og deres anvendelse i jeres sektor.