Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
Generativ AI og store sprogmodeller (Copilot, Claude, ChatGPT, og så videre) fylder næsten hele samtalen om kunstig intelligens lige nu.
Det er ikke svært at forstå hvorfor. Teknologien er synlig, let at demonstrere og intuitiv at gå til.
Man kan tale med den, skrive med den og få resultater på sekunder. Men netop derfor opstår der en strategisk risiko.
For når virksomheder begynder at tænke AI som noget, der først og fremmest handler om sprogmodeller, bliver deres blik for snævert.
De ser de oplagte muligheder inden for tekst, dialog, søgning, opsummering og indholdsproduktion, men risikerer at overse en stor del af de use cases, hvor AI kan skabe mindst lige så stor, og ofte mere direkte, forretningsværdi.
I mange virksomheder vil der nemlig ofte være en nogenlunde ligelig fordeling mellem use cases, der beror på generativ AI og store sprogmodeller, og use cases, der beror på klassisk machine learning.
Begge dele hører hjemme i en moden AI-strategi. Problemet opstår, når den ene kommer til at overskygge den anden.
To forskellige typer kunstig intelligens
Det er vigtigt at forstå, at generativ AI og klassisk machine learning ikke bare er to versioner af det samme.
De bygger på forskellige styrker og egner sig til forskellige typer opgaver.
Store sprogmodeller er trænet på enorme mængder tekst og har lært mønstre i, hvordan ord, begreber og sammenhænge hænger sammen. De kommer derfor med en indlejret sproglig kunnen. De er gode til at formulere, forklare, oversætte, sammenfatte, strukturere og interagere med mennesker gennem sprog.
Klassisk machine learning fungerer anderledes. Her kommer modellen ikke med en generel forståelse af verden gennem tekst. Den lærer kun det, som vi gør det muligt for den at lære ud fra de data, vi selv har tilrettelagt. Og de data skal typisk kunne repræsenteres som kvantitative størrelser som tal, kategorier eller andre strukturerede variable.
Det er en afgørende forskel. Hvis en virksomhed har store mængder tekst, kan en sprogmodel ofte skabe værdi relativt hurtigt, fordi modellen allerede besidder en generel sproglig kunnen.
Hvis virksomheden derimod vil forudsige kundeafgang, optimere lagerbinding eller identificere risikomønstre, er det typisk klassisk machine learning, der er den relevante disciplin.
Her er værdien totalt afhængig af, om virksomheden har de rigtige data, og om data kan repræsenteres på en måde, som machine learning modellen faktisk kan lære af.
Den første fejl sker ofte tidligt
Jeg er ofte ude og lave AI ideation workshops hos kunder.
Formålet er enkelt, men strategisk helt afgørende: at finde ud af, hvilke potentielle AI use cases virksomheden faktisk har.
Det er nemlig ikke bare en kreativ øvelse. Det er grundlaget for roadmap, prioriteringer og strategiske beslutninger. Og det er ikke en opgave, der bør ligge alene i IT-afdelingen. Det er forretningen, der skal drive den.
De bedste workshops opstår, når de mennesker, der kender virksomheden og arbejdet indefra, sidder sammen med AI-specialister. Medarbejderne ved, hvor friktionen er, hvor beslutningerne er svære, hvor processerne halter, og hvor værdien potentielt ligger.
AI-eksperterne ved, hvilke typer løsninger der faktisk er mulige. Det er kombinationen af domæneforståelse og teknisk forestillingsevne, der gør forskellen.
Men det er også her, den klassiske fejl opstår: Hvis alle i rummet ubevidst tænker, at AI primært betyder generativ AI og store sprogmodeller, så bliver outputtet derefter.
Så opstår der mange idéer om assistenter, chatfunktioner, søgning, tekstproduktion og opsummeringer. Det er relevante use cases. Men de er kun en del af billedet.
Hvis klassisk machine learning ikke er med i bevidstheden fra starten, opdager man ganske enkelt ikke de use cases, der handler om at forudsige, optimere, prioritere og reducere usikkerhed.
Resultatet bliver en AI-strategi, der ser moderne ud på overfladen, men som i praksis er for smal.
Det svære er ofte også det mest værdifulde
Noget af forklaringen er, at generativ AI er lettere at få øje på.
Man kan hurtigt se, hvad den kan. Man kan demonstrere den live. Man kan næsten mærke intelligensen i samspillet.
Klassisk machine learning er mindre spektakulær i første møde. Til gengæld er den ofte tættere koblet til kerneforretningen.
Det kan handle om at styre lageret bedre. Om at forudsige efterspørgsel mere præcist. Om at identificere kunder man er i høj risiko for at miste. Om at forstå, hvilke mønstre der går forud for fejl, tab eller afvigelser. Om at træffe bedre beslutninger på baggrund af komplekse møstre i historiske data.
Den slags use cases får ikke altid samme opmærksomhed som en chatbot. Men de kan være langt mere værdifulde, fordi de griber direkte ind i økonomi, drift og konkurrenceevne.
Det er også derfor, man ikke bør lade sig narre af, at generativ AI ofte er lettere at komme i gang med. Let adgang er ikke det samme som størst strategisk effekt.
Klassisk machine learning er relevant
Der findes en forestilling om, at store sprogmodeller snart også vil kunne overtage det meste af det, vi i dag forbinder med klassisk machine learning. Jeg tror, den forestilling er for optimistisk.
Sprogmodeller bliver bedre og bedre, og de kan allerede spille en vigtig rolle i analyse, udvikling og innovationsarbejde.
De kan hjælpe med at formulere hypoteser, udforske data, skrive kode og understøtte mange dele af processen. Men det er ikke det samme som, at de ophæver behovet for klassisk machine learning.
For at skabe stærke machine learning-løsninger kræver stadig domæneforståelse og et tæt samarbejde med de medarbejdere, der kender den konkrete virkelighed, modellen skal fungere i.
Jeg ved det også af erfaring. Jeg har selv været med til at udvikle prisvindende machine learning-løsninger, og det, der gjorde dem gode, var ikke bare valget af ML-model.
Det var samspillet mellem teknisk kunnen og dyb indsigt i det domæne, løsningen skulle virke i.
Det er præcis derfor, klassisk machine learning ikke bare forsvinder, fordi sprogmodellerne fylder mere.
En moden AI-strategi kræver et bredere blik
Den strategiske opgave for virksomheder er derfor ikke at vælge mellem generativ AI og klassisk machine learning, som om den ene afløser den anden.
Opgaven er at forstå, hvor de hver især skaber værdi.
Hvor er de sproglige arbejdsgange, hvor generativ AI kan hjælpe medarbejdere med at søge, skrive, forklare, opsummere og skabe overblik?
Og hvor er de datadrevne beslutninger, hvor klassisk machine learning kan hjælpe virksomheden med at forudsige, optimere og handle bedre og tidligere?
Det er to forskellige spørgsmål. Derfor kræver de også to forskellige tankesæt.
Hvis man kun stiller det første spørgsmål, får man ikke en fuld AI-strategi. Så får man en sprogmodelstrategi.
Det kan være nyttigt. Men det er ikke nok.
Den virksomhed, der vil arbejde modent med AI, må insistere på begge perspektiver. Ellers risikerer den at overse netop de use cases, hvor værdien er størst.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie, eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
