Generativ artificiell intelligens och lärande inom högre utbildning

Det finns många definitioner av vad artificiell intelligens är, men det handlar om teknologier/maskiner som på något sätt agrerar som en människa, i viss mån tänker som en människa, utför handlingar som vi förknippar med mänsklig intelligens, kan identifiera mönster i komplex data och är självlärande i någon mån. Artificiell intelligens finns i många former och vi möter den i vardagen när vi tar bilder med mobilens kamera, får serierekommendationer på streamingtjänster eller föreslagna mailsvar. 

Inom AI är en "grundmodell" en förtränad modell som fungerar som en utgångspunkt för ytterligare specialisering. Både inom generativ AI och språkmodellering används grundmodeller för att dra nytta av den kunskap och de insikter som redan har uppnåtts genom omfattande förträning, vilket sparar tid och resurser när man tränar modeller för specifika uppgifter. Man bygger alltså vidare på grundmodeller för att skapa modeller som är bättre på specifika uppgifter. 

Generativ AI är en variant av artificiell intelligens som är tränad att utifrån den data som modellen tränats på skapa, alltså generera, något nytt som till exempel text eller bild. ChatGPT, Bing AI, Perplexity.ai, Dall-E, Midjourney och likande verktyg är exempel på generativ AI. 

En språkmodell eller stor språkmodell (Large language model- LLM på engelska) så som ChatGPT är enkelt uttryckt en algoritm som avgör hur sannolik en sekvens av ord är i en given mening och utifrån detta genererar text. En språkmodell är generativ AI och en variant av grundmodell. Språkmodellerna tränas på mycket stora textmassor (data) från olika källor och sätter sedan ihop text utifrån vad som verkar sannolikt som svar på den input/prompt som ges. Texterna som genereras ska bara ses som en text ihopsatt utifrån sannolikhet och kan innehålla faktafel. 

En chatbot är ett datorprogram som med AI tränats att efterlikna mänsklig muntlig eller skriftlig konversation utifrån sannolikhet. Det finns väldigt enkla chatbotar som bara klarar av simpla frågor, men också väldigt avancerade som klarar komplexa samtal. 

En automatiserad följd av instruktioner. Som ett recept för bakning ungefär, med "om detta händer" --> "så sker detta" steg i olika komplexitet.

Maskininlärning innebär att ta fram algoritmer och modeller som blir bättre på sin uppgift genom träning och input för att kunna ta egna beslut. Input i inlärningsprocessen kan kan vara mänsklig.

Djupinlärning ärmaskininlärning genom användande av neurala nätverk - vilket ger mer komplext lärande. Djupinlärningen kan vara vägledd av människor, i olika utsträckning. Vanligt inom bildklassificering, språkbehandling och ljudigenkänning.

Data är helt enkelt information som finns registrerad någonstans och träningsdata är den data som används för att träna en AI-modell genom maskininlärning. Data kan vara text, musik, bilder och så vidare. 
 

Neuronnät eller neurala nätverk är avancerade självlärande algoritmer som försöker efterlikna funktionen i biologiska neuronnät (exempelvis hjärnan). Dessa utgör en viktig del av djupinlärning inom maskininlärning och således även inom generativ AI.