I dagens avsnitt djupdyker Anna Carlsson in i ämnet AI, och delar upp diskussionen i två olika delar: “Vad är AI?" och "Vad ska vi göra med AI?"
I första delen av avsnittet fördjupar vi oss i frågan hur vi ska förhålla oss till AI, och tar upp frågor som hur företagsledare ser på AI, vilka utmaningar och möjligheter det innebär för organisationer, och hur vi kan navigera i den snabbt föränderliga världen av artificiell intelligens.
Men innan man tar itu med utmaningarna inom området kan det vara klokt att ha en grundläggande kunskap om vad AI faktiskt är och vilka termer som används inom området. I den andra delen av avsnittet kommer därför ges en grundläggande förståelse för ämnet AI och dess terminologi. Vi tittar närmare på hur teknologier som Chat GPT, som används av många idag, faktiskt fungerar och vilka möjligheter AI öppnar upp för.
Så, är du nyfiken på AI? Häng med och lyssna på veckans avsnitt av HR Digitaliseringspodden!
Transkribering av avsnittet:
Intro
Anna Carlsson: Har vi inte hört tillräckligt mycket om AI? Kanske ni tänker. Men idag har jag valt att spela in ett avsnitt om AI. Trots att det finns massor av olika specialiserade poddar och personer som bara fokuserar på AI. Det gör ju inte jag, utan jag tittar ju på hela området digitalisering och innovation, där AI förstås ingår som en viktig del. Men jag är inte bara AI person.
Så idag har jag valt att dela upp podden i två delar. Och lyssnar du på den korta versionen, då får du bara del 1, och den handlar om att diskutera hur vi ska förhålla oss till AI. Och hur det ser ut egentligen när man pratar till exempel kring företagsledare och AI, och hur vi gemensamt ska jobba med frågan. Och det handlar också om leverantörer. Del två som du får med dig om du lyssnar på originalversionen, det är en utbildningsdel om AI och vad det är och hur man kan se på det. Kanske på ett mer förenklat sätt hoppas jag. Så två olika versioner av podden blir det idag. En lång och en kort.
Och så här innan vi startar avsnittet så vill jag göra en efterlysning. Jag blev oerhört smickrad och glad att Katarina Berg från Spotify lyfte upp att hon tyckte att jag skulle höras mer i det avsnitt där hon var med. Det vill säga att hon tycker att jag kan väldigt mycket. Och ja, jag har ju lärt mig både genom att ha så många fantastiska gäster i podden, men också vad jag gör varje dag. Det jag är ute efter nu är en sidekick till podden. Och det finns ju lite olika sätt att göra det här på. Antingen är det någon som bara är oerhört intresserad av området och vill sitta med när jag poddar, i alla fall på de här avsnitten när jag pratar själv, och är den som för dialog med mig. Det kan ju vara en person som helt frivilligt har lust att gå in i det. Och jag säger, det inte betalt utan det är bara för att du tycker är kul och vill göra det. Eller också kan det ju finnas en öppning för något företag som vill synas i relation till podden. Att kanske sponsra podden, och därmed kunna ha med en person som är just den här sidekicken till mig. Ja, två idéer för att jag i stället för att behöva stå här i studion och spela in helt själv och inte har någon att prata med. Så blir det nog intressantare för er om det är någon som faktiskt sitter med bredvid. Så hör av er till mig på Anna@hrdigi.se om ni har förslag på hur den här sidekicken ska se ut.
Men nu är det dags, Nu får ni lyssna på AI avsnittet!
Vad ska vi göra med AI?
Anna Carlsson: Ja, det är dags att vi pratar lite grann om hur vi ska förhålla oss till det stora Buzzwordet AI. Jag funderar mycket på just den frågan och får också till mig väldigt mycket olika perspektiv. I förra veckan när jag spelar in det här så befann jag mig på Tech Arenan i Stockholm. En fantastisk mötesplats där innovativa bolag möter storbolag och investerare och diskuterar frågeställningar som är viktiga för Sverige och Sveriges innovation. Och då fick jag mig nya insikter omkring AI och vad som händer på svenska organisationer. Parallellt med det så ser jag ju hur hela området diskuteras. Och det dyker upp väldigt, väldigt många olika personer som vill erbjuda tjänster i, så här gör du med AI inom HR. Det fick mig att börja spela in det här avsnittet. Nu får vi se vad ni som lyssnar tycker om det.
Med alla de här insikterna som jag har fått under året så känner jag bara en stor frustration, att börjar vi inte i fel ände här nu? Å ena sidan så tycker jag verkligen att ni ska lära er massor om AI, men ni ska också lära er massor om data och datafrågor. Och ni ska också lära en massa om HR system och nytänkande lösningar. Men nu riktas all energi och kraft på AI när vi sitter med en låg digital kompetensnivå inom medborgarna i Sverige. Faktiskt mot vad vi borde ha.
Så jag har ju mina tankar då. Och om vi går till det här som jag hörde i förra veckan på Tech Arenan. Då handlar det om att PVC har gjort en CEO study. Och de har brutit ner den på svenska svar kontra globala svar. Och det är inte så konstigt att när man tittar globalt, så säger 45 % av företagsledarna globalt att deras verksamhet bara kommer vara konkurrenskraftig i upp till tio år till om de inte förnyar sina affärsmodeller. Det här är en tydlig ökning, och det har att göra med att Chat GPT släpptes för ett år sedan. När Chat GPT har kommit till oss och vi förstår kraften i AI så inser vi att vi måste göra någonting annorlunda.
Och det kommer ju från många olika håll, inte bara själva AI drivkraften i att vi ser vad möjligheterna ger. Men vi ser ju också hur våra konkurrenter runt omkring förändras. Det kommer också nya lagar och regler. Och hur kunder väljer och även hur om man tänker kunden som våra medarbetare också påverkas av allt det som händer. Och nu måste organisationer och företag vara mer innovativa. För att om man måste då förändra hela sin affärsmodell utifrån alla de här förändringarna så är det ju dags nu att börja. Men det som jag tyckte var intressant var att svenska företagsledare inte ser samma potential i tekniken för att skapa nya värden, som deras globala motsvarigheter gör. Och just när man då tittar på det här med AI frågan hos Vd:ar eller svenska företagsledare, ska vi säga. Så är man otroligt mycket mer försiktig. Bara 18 % av de svenska företagen har tagit generativ AI i bruk, jämfört med 32 % globalt. Och här så har vi ju ett land där vi är så innovativa. Men den där lilla delen av bolag som är så innovativa, det hjälper ju inte. Alla måste förändras från grunden. Och om du lyssnar på den delen i podden som handlar om vad AI är så kommer du få med dig att där jag för tio år sedan jobbade på IBM, då blev vi alla tvingade att lära oss om AI. Alla. Det var ingen urskiljning vem som inte skulle ta och sätta av tid. Det blev ju liksom piska för att få till det här. Men jag förstår det, för nu kan ju jag en hel del om AI. Och om man då tittar på hur svenska företagsledare agerar på det här, så ser man ju då att vi är inte alls lika bra på att agera. Utan vi är lite grann, vi sitter still i båten. Och vi pratade om varför är det så här? Jo, bara 1 % av svenskarna har fullt förtroende för AI, och det är också för att vi ser ju en väldig debatt kring riskerna med AI. Och jag vet inte om det om det är därför som också företagsledarna är väldigt försiktiga. Men vi ser ju också att generellt inom HR skrået så är man ju också försiktig med vilken teknologi man vill ta till sig. Men kunskapsnivån kanske är för låg? Och jag hörde precis morse innan jag spela in det här, att det är bara de senaste två åren som man kan se att när man ska rekrytera ny företagsledare eller chefer generellt, att man ska ha ett teknikintresse. Så vi har ingen historia trots vår innovativa kultur att se tekniken och innovationerna, vilket AI en av dem som någonting viktigt i att driva sina företag. Utan man har delegerat det till någon AI ansvarig, dataansvarig. Men man förstår inte att det här kommer förändra oss från grunden. Och likadant är det då för de som är HR ansvariga och HR medarbetare. Här behöver man ju också ta till sig vad AI och annan teknologi kan göra, så att vi omvandlar och förändrar vårt sätt att arbeta. Vi kan inte längre fortsätta på samma sätt. Det är som om vi går vidare i samma fotspår och världen springer ifrån oss generellt. Så hur ska man då förhålla sig till AI tycker jag?
Jo, jag tycker att man ska verkligen utifrån sitt eget personliga perspektiv. Oavsett om du är företagsledare, chef, jobbar på HR, jobbar på IT, du kanske är CFO, du är ekonom, du är konsult. Alla behöver lära sig om ny teknologi och teknologins möjligheter utifrån mig själv. Men vi behöver också förstå vad AI faktiskt är, inte bara AI i att lära sig. Man behöver lära sig om digitaliseringens möjligheter. Och, sen vad man kan göra och fokusera på i organisationen. Precis som man behöver göra också på flera andra områden. Det är att samarbeta. För vi behöver någon form av policys kring just AI. För att det kommer en massa regelverk och det är ju inte fullt riskfritt. Men om vi tillsammans tar fram vilket regelverk som ska gälla för oss så kommer vi kunna hålla oss i dem och agera därifrån. Men så länge vi har okunskap, då kan det bli fel. Så det är viktigt att utbilda sig och sedan skapa de här regelverken som man kan förhålla sig till.
Och hur mycket sen ska vi då göra själva i organisationerna? Och här vill jag prata till HR människorna som lyssnar. För vad vi ska göra själva är så olika utifrån den jobbroll vi har. Och jag kan ju mest om HR och HR:s roll. Och här, här kan ni verkligen förändra sättet ni arbetar personligen. Och ni kan börja titta på hur ni kan göra saker annorlunda, varje dag. Ni kan ta hjälp av Chat GPT eller Gemini eller någon annan funktion, och så ta reda på hur ni kan förbättra ert arbete i det ni gör tillsammans varje dag. Och det är likadant oavsett vilken jobbroll du har. Och så ska ni ta reda på så att inte det är någon risk med tillsammans med de som är relevanta organisationer. Ni ska se till att det finns regelverk att förhålla sig till. Förståbara. Precis som ni säkert utbildar organisationen i Business Conduct Guidelines. Hur man förhåller sig till sociala medier, så behöver man också veta hur man ska förhålla sig till öppna AI tjänster på marknaden. Och man kan inte förbjuda dem. För det kommer alltid att vara folk som använder det som förstår värdet direkt. Så försök inte stänga av och säg att man inte får, utan snarare se till att ni har ett bra regelverk. Men sen är det ju så här att allting kanske ni inte ska lösa själva. Och ni behöver också förstå vad som händer i HR Tech världen. Och här har vi då ett historiskt arv bland alla olika leverantörer. Leverantörerna har tagit fram sina HR system, lönesystem, engagemangslösningar, medarbetarundersökningar, rekryteringsplattformar, lärande plattformar och så vidare. Alla de här plattformarna är ju byggda vid olika tillfällen och med olika syften. Och det kan ni lyssna på i en annan podd, eller så kan ni komma på en av mina utbildningar så går vi igenom hur hela det här ser ut. Men det gör ju att varje leverantör också sen behöver förhålla sig till sin verklighet och se vad kan vi dra för nytta av AI tjänsterna som har kommit på sista tiden? Det vill säga GPT:erna och de här språkmodellerna som gör att chattar till exempel kan bli mycket bättre. Man kan använda deeplearning för att dra djupare och mer avancerade slutsatser och liknande. Men återigen så beror det på hur du har byggt ditt system, du som är leverantör. Om ditt system är byggt för länge sedan och inte går att så att säga, manipulera kanske är fel ord. Men hur ni jobbar med era datastrukturer, hur ert system är uppbyggt påverkar självklart om ni kan sen stoppa in och berika systemet med AI. Det är väldigt olika hur det är möjligt. Man kan börja med att ha avancerade chattfunktioner, jättebra så att man kan prata och ställa frågor och få svar. Kanske från manualer. Men kan man verkligen påverka systemet? Kan man göra andra saker med systemet? Så vi brukar prata om tre olika nivåer av HR system.
Och då pratar vi om de äldre som är svåra att förändra. Det är svårt att berika dem med AI lösningar och tjänster. Utan det kan komma lite på ytan. Så jag skulle kalla det att man utifrån kan göra saker, kanske ställa frågor och liknande. Ganska enkla AI tjänster. Sen har vi de som har en infrastruktur i sitt system som är byggt mer åt nutidshåll. Där kan man ju stoppa in vissa typer av AI-hjälpmedel i plattformen. Medan det finns en hel drös som redan är byggda med AI som grund. Det var AI som gjorde att man tog fram lösningen från början. AI:s möjligheter att kombinera data på nya sätt, att dra slutsatser, att agera på den information och den typ av lösning som du har. Men om vi tittar på de historiska och mest använda systemen i Sverige så har man inte de möjligheterna. Så vi ser att de tre olika, de som inte går att påverka, de som till viss del kan stoppa in visst värde av AI, och de som är byggda på AI. Det är ju helt fantastiskt. Och det kommer hela, hela tiden nya plattformar som drar nytta av det här, som kan tänka helt utanför boxen som vi brukar kalla det för. Och skapa nya system.
Ett exempel på det här med förändring och hur man kan förändra ett system eller inte. Är skulle jag säga att det köp som Workday har gjort av ett bolag som heter HiredScore. HiredScore är på grunden byggt på AI. Och inom rekryteringsområdet eller Talent Acquisition. Vi ska inte bara säga rekrytering, det är hela det här attraktion och så vidare. Så här har de byggt en superavancerad jättebra plattform. Och nu har ju Workday köpt dem. Workday har ju slitit med att försöka stoppa in AI komponenter i sin egen plattform. Men jag skulle säga att de inte har den strukturen så de kan göra det till 100 %. Och självklart då så måste man ju lösa det genom att köpa in någonting som kan klara av det mycket bättre. Och likadant är det med flera andra leverantörer. Man gör sitt bästa med att stoppa in teknologin, men man kommer liksom inte hela vägen. Det jag vill skicka med till dig som lyssnar, både leverantör men framför allt ni som jobbar inom HR området och är köpare av olika lösningar. Jag vet att ni har en tendens ibland. Kanske inte ni som lyssnar på den här podden. Att säga, har ni AI? Vad menar ni då? Vad menar ni med att man har AI? AI finns överallt. Alla kan nog svara ja på det. För någon liten komponent har man någonstans för att göra någonting litet. Men, vad är det man vill få ut? Och jag är tillbaka till att kärnan med AI är att vi kan göra saker på nya och innovativa sätt. Och ni måste tillåta er själva att utmana de här olika leverantörerna kring vad ni vill åstadkomma. Tillbaka igen, till vilken strategi har ni? Var era utmaningar som organisation? och vad behöver ni lösa? Och ställ de här frågorna till leverantören. Det här är det vi ska åstadkomma. Ta reda på sedan hur de just löser den här frågan. Och se till att de gör det på ett smart sätt. För det är ju så att., teknik är bara teknik. Och det där måste ni lära er. Men inte, det är inte ni som ska säga vad som ska göras, det är ju leverantörerna som ska utvecklas. Och tillbaka igen då, ska ni lära er om AI? Ja, det är ett sätt att förstå mer om teknik. Men ni behöver också förstå historik, teknologi på flera olika nivåer, vad som är möjligt, data, analys. Det är jätteviktiga områden. Ni behöver en bredare digital kompetens, för att någon sedan kanske inom er organisation kan ha ansvaret för de tekniska plattformarna och era val ni gör. Men ni ska alla kunna någonting och det är tillbaka till dig som är VD, som är företagsledare på något sätt ska jag kalla det. Du kan ha helt andra roller, men du måste också förstå utvecklingen. Jobba tillsammans med dina kollegor och hitta hur ni ska omforma er för framtiden.
Vad är AI?
Anna Carlsson: Innan man helt enkelt bestämmer sig för hur man ska angripa området AI så tycker jag det är klokt att ha lite koll på AI. Vad det är och vilken terminologi som finns där. Och självklart så kan du ju hoppa över den här delen om det här är någonting du kan. Men jag tänker att om du lyssnar och inte är så jättebevandrad i AI och alla dess olika delar så kan det vara lite ogreppbart. Jag brukar alltid använda bilden av professor Balthazar om det ger någon mening för dig, om det är en referens. Men han har ju sin maskin man stoppar in i ena ändan och så är det en magisk maskin och så får man ut någonting i andra änden. Men egentligen så tänker jag att AI inte är en magisk maskin å ena sidan, utan den är ju väldigt logiskt uppbyggd. Så AI är ett resultat, eller det kallas för artificiell intelligens. Men det är ett antal baskomponenter som man bygger ihop för att kunna skapa de här resultaten. Och det vi ser just nu är ju just att, genom att vi fick tillgång till någonting som alla kan använda, som Chat GPT. Så blir det ju här plötsligt någonting som alla funderar på och vill ha en relation till, eller behöver ha en relation till och bestämma vad man ska göra av.
Men som sagt, vi går tillbaka till basen. Så vad står artificiell intelligens för? AI har ju funnits länge och har utvecklats under lång tid. Och för egen del så lärde jag mig väldigt mycket om AI för ungefär tio år sedan. Det var så enkelt att för tio år sedan så kom IBM med sin AI tjänst. Man levererade AI som olika komponenter som olika företag kunde använda och bygga lösningar på. Och så talade de om för oss som jobbade där då, för då var jag anställd. Att ni måste alla lära er vad AI är. För ni måste hjälpa kunderna att förstå vad AI är och hur de kan använda det här. Så det tvingade de oss att göra för tio år sedan. Och det är jag ju väldigt glad för idag eftersom jag redan har en bas att stå på. Och sen så satsade man också på att stoppa in AI redan då i olika HR lösningar.
Det kanske inte är IBM ni tänker på när ni ska prata HR lösningar nu för tiden och det har väl olika anledningar. Jag vet inte hur mycket man egentligen satsar på det och speciellt inte i Sverige. Men just det här att man då satsade på en grundutbildning av alla medarbetare. Och vissa tänkte, varför då? Vi förstår inte det här. Vi vill inte det här. Men vi var tvungna. Så för tio år sedan så gick jag och alla andra medarbetare igenom utbildningen. Och det har varit min grund att stå på. Och sen så kom ju då Chat GPT. Och till och från så har vi diskuterat mycket AI genom åren. Men jag tänkte nu då, för alla er som kanske inte har fått den här grundutbildningen så vad är egentligen AI?
Jo, för mig så ser jag AI som att man använder sig av någon form av data, som är den egenproducerade datan eller all världens Internetkällor, som Chat GPT då har använt sig av. Eller att man köper data eller en leverantör som har data. Men allting grundar sig i att du har någon form av tillgång av data. AI:n går då igenom ett antal olika steg, och det är att förbereda datan, analysera datan, dra slutsatser, agera på de slutsatserna och lära sig. Jag brukar i mina utbildningar prata om att AI skiljer sig från Analytics genom att AI:n också för det första har den en djupare förmåga i att analysera. För det finns någonting som kallas för deep learning, till exempel. Man kan använda många olika typer av data som inte riktigt används när man pratar om analytics. Men den viktiga delen är just det att man kan agera på datan och lära sig av datan. Och det gör ju AI själv, med stöd av tränare förstås. Vi kallade de robottränare för en tid sedan. I alla fall. Så om man då går tillbaka till grunden så som sagt behöver AI data för att göra någonting. Det här kan vara ljud, det kan vara bild och det kan vara text. Data som vi kallar det. Det är ju mer kanske mer strukturerad data. Men AI tjänster idag kan ju till exempel känna igen om det är tal det här gäller. Att den känner igen att det här är tal och att den kan förstå att det är tal och hantera det som tal. För då förstår den att vi pratar. På vilket som helst språk har ingen betydelse, men att man pratar. Så taligenkänning är en del. Och lyssna på andra ljud kan ju också AI göra. Den lyssnar på allt från musik, den kan lyssna på olika trafikljud. Alltså alla ljud som finns där, så kan den lyssna. Och sen så kan datorn också se och hantera bilder. Men i det här ingår ju att den måste ju förbereda den här datan. Det är därför jag säger att första steget är att förbereda. Det är att få tillgång till den data som ska användas, och sen kanske den behöver struktureras om. För att datorn förstår ingenting annat än datorspråket. Den förstår ju inte ljudet av sig själv, utan den omformar det till strukturer som sen då ska hanteras vidare. Så man måste jobba med något som kallas för datacleaning och kanske någon annan förbehandling av datan. Och det kan man då träna AI att göra. Så om den lyssnar på mig så måste den först hantera det och strukturera det. Och sen så gör den ju bland annat någonting som finns färdiga komponenter att köpa. Det är till exempel att den då kan omvandla tal till text. För den använder ju inte talet framöver, utan den använder ju det som har blivit text. Så den måste transkribera talet till text.
Sen pratar vi om nästa steg. Det är när vi går in på analys. Och när man då analyserar så kan man ju göra det på väldigt många olika sätt. Så AI beroende på vad den har för uppgift. Man brukar ju prata om något som heter generell AI. Det är den som kan vara precis som vi. Vi bara anpassar oss, vi lyssnar, vi ser, vi skriver, vi hör. Men så fungerar inte AI utan vi måste träna den, den måste veta vad den har för en uppgift. Den har en uppgift. Det kan vara en väldigt komplex uppgift, men det är en. Det är den här som min AI är tränad på. Så är det bilder den ska analysera så får den då göra det. Då är det en bildanalys. Men är det data då är det ju mer dataanalys den ska göra. Då kommer ju andra principer in än om man ska göra en bildanalys. Och ljudanalys är någonting helt annat. Den kan känna igen mönster, den kan klassificera. Och sen kommer vi till de här olika terminologierna där man pratar om att den också använder viss maskininlärning när den analyserar, eller djuplärande och språkförståelse.
Nästa steg är att efter att den har vi har förberett datan, vi har analyserat datan så kan den sen fatta beslut. Alltså dra slutsatser av den data som är. Man kan fatta beslut, man kan använda olika modeller för att fatta beslut, man kan använda regelverk, olika logiker. Så vad är det för beslut som ska göras? Och därefter så kan man alltså agera på den här datan. Om det ska vara via återkommunikation, eller om det ska vara att skapa någonting som är helt nytt, eller om man ska göra någonting annat. Det kanske ska vara en robot som ska agera och göra saker fysiskt. Och till slut då så lär sig också AI av det som har hänt. Att den åter tränar. Det var det här vi pratade om. Att man kan ha något som kallas för maskininlärning, till exempel. Du får rekommendationer på musik, för det är ju en av de tjänster är en AI tjänst till exempel om du använder dig av Spotify, som jag gör väldigt mycket. Så är det ju en sak att ha en rekommendationsmotor i Spotify, som till exempel Discover Weekly. Där får du ju förslag på låtar som borde passar dig utifrån ditt mönster. Och då är det ju så att maskininlärning pågår hela tiden. Det är både den som analyserar och drar slutsatser och ger förslag till vad du borde vilja lyssna på den här veckan. Men om du inte lyssna på det och hoppar vidare, då måste ju den lära sig nämen det där var inte riktigt rätt. Så gör vi en andra förslag nästa gång. De här olika typerna av processer i att lära sig kan vara olika komplexa, och därmed olika dyra.
Ja, så det finns väldigt många olika sätt att så att säga ha AI system. Som hela tiden tittar på, vad är det som finns för data? Vad är det vi ska åstadkomma? Vad behöver vi då för data? Hur ska vi förbereda den så att den går att använda? Hur analyserar vi den, drar slutsatser, agerar och lär oss igen? Och så går det här i en cirkel.
Ja, men vad kan man då? Om vi då ska prata om vad det här egentligen är då. Så kan man ju prata om exempel på olika typer av system. Och vi kommer till GPT. För det är väl det som alla vill förstå lite grann kring. Men det här med maskininlärning som jag pratar om, det är en ganska enkel form av lärande inom AI området. Det är inte enkelt, enkelt utan det är mer att det är enkelt inom AI. Och då lär sig systemet av den data och hur vi agerar mot den utan att behöva programmera det. Utan det är möjligt att bli självlärande som AI. Det här är ett exempel. Du ser det som spamfilter eller det jag tog upp som Spotifys Discover Weekly, det vill säga rekommendationssystem. Det kan vara i filmer, inom Netflix, HBO och liknande. Men också om man pratar om bildklassificering, så har jag förstått att Volvo Cars använder just den här metoden för att klassificera trafikskyltar. Så att den kan uppfatta saker i omvärlden när man kör sin bil. Sen då man går på den djupare nivån av lärande som ett AI system kan göra och därmed agera, då blir det mycket mer. Då blir det ju att den blir mer som en mänsklig hjärna, att den jobbar mer i flera nivåer och strukturer. Då kallas det för deeplearning. Då kan man använda och föda den med stora mängder data och den kan se verkligen komplex och mönster i vad vi har givit den. Så att den AIn klarar otroliga mängder data jämfört med vad vår människohjärna klarar av. Vi är bättre på många andra saker. Men just det här kring deep learning, att verkligen kunna hålla 1 miljon saker i huvudet och kunna ta beslut kring. Det kan ju en AI göra, men det kan inte vi. Och mycket där används då det här som kallas för deeplearning. Och det är allt från när vi håller på med Google translate och även Siris förståelse, kunna förstå vad vi frågar om. Den här typen av tjänster finns i självkörande bilar, i avancerade spel och liknande.
Sen brukar man prata om det här, vad är det vi har fått nu? Vad är det här med Chat GPT som kom som en bomb? Men vad är det för gren inom AI? Det kan vi säga att det är ett delområde. Den behöver å ena sidan vissa saker. Den behöver först ha en dialog med oss. Och då pratar man om att det område som man har studerat länge, det vill säga kommunikationen eller interaktionen mellan datorerna och mänskliga språket. Det kallas för NLP, inte att förväxla med Neuro lingvistisk programming, utan det här är natural language processing. Det vill säga att den behöver förstå oss för att kunna kommunicera på ett bra sätt. Och det har man ju använt inte bara inom chatt GPT, utan även när man analyserar till exempel sociala medier för att identifiera åsikter om produkter och liknande, kunna förstå vad vi säger och vad vi menar i vår kommunikation. Mycket bredare, utifrån alla som för dialog om någon viss produkt kan man fånga upp och så kan man analysera det. Och då använder man det här med NLP. Men sen har man ju då använt sig av något som kallas för LLM - Large language model, som har blivit väldigt duktiga på språket. Det är en typ av sådan här NLP modell. Vi ska inte krångla till det för mycket. Men den har ju fått träna på jättemycket språk, mycket mer än vad vi någonsin hade förstått att man kunde träna på. Så när Chat GPT kom så har den fått träna på otroliga mängder språk för att kunna bli en bra dialogperson. Och det handlar ju inte om att den förstår vad du säger egentligen utan den förstår hur saker hänger ihop. För allting som AI gör handlar om logik, hur saker hänger ihop och refererar till varandra. Och just då de här GPT:erna som man pratar om. Det är att man har tränat en sådan här språkmodell på en viss typ av data. Chat GPT är en gratis version av att kunna få språk helt enkelt att fungera och man kan ställa olika frågor. Men all deras data är ju lite äldre, den är inte ny och nu. Så sen har det ju kommit från Google som väntat ett tag och de har kallar sin för Gemini. Och där kan man också ställa frågor om nutidsfrågor och den visar också på källan vad den har hämtat information. Men de har ju använt samma grundfunktionalitet, det vill säga det här NLP Natural Language Processing. Och sen har de tränat den på olika sätt och satt upp olika regler för den här chattfunktionen.
a, jag hoppas det ger lite mening. Och det betyder ju också att vi själva kan då skapa våra egna sådana här GPT:er om vi föder en sådan här språkmodell med tillräckligt mycket data. utöver att den har blivit tränat på själva varianten att kunna föra dialog med oss. Men också har tillgång till den data vi vill ställa frågor på. Men jag tyckte det här var ett jättebra exempel som jag faktiskt fick genom att chatta med Gemini. Så om du tänker dig en robot som ska lära sig att spela schack. Och maskininlärning, den komponenten, den gör att roboten kan lära sig av data om schackpartier helt enkelt. Så här fungerar det. Deeplearning, då använder roboten tekniken för att identifiera mönster i speldata. Det vill säga verkligen förstå bakom, vad är det egentligen som händer? Det ena är att förstå logiken och det andra är att förstå vad som faktiskt händer och kunna koppla ihop och förutse hur olika schackdrag borde fungera och skulle fungera. Det här med NLP, det vill säga språket. Det använder roboten för att tolka mänskliga instruktioner om schackregler. Och sen har vi då LLM:erna, Large language modellerna och det är att roboten sedan genererar text för att förklara sina schackstrategier. Och sen kan det finnas en GPT och det är att roboten skriver en schackbok med hjälp av textdegenerering. Så allt det här är som små komponenter som tillsammans kan skapa någon form av helhet.
Ja, och sen då det här med Chat GPT. Chat GPT är en produkt från en leverantör som har använt de här olika AI teknikerna för att bygga ihop sin egen lösning. Och vill ju att ni använder det. Men grunden handlar om att AI då först förbereder sig genom att förstå och analysera språket, förstå analysen, dra slutsatser av det, agera och lära sig. Och om vi tar det då igen exemplet Chat GPT. Så det förberedande arbetet det är att känna igen om du talar till datorn eller om du skriver till datorn, så förstår den och känner igen din text. Att förstå i vilket kontext det är kan analysera din fråga utifrån sin uppgift. Det vill säga att ge svar baserat på alla andra svar som har givits på den här typen av frågor. Så den analyserar din fråga, drar slutsatser och sen ger den ett svar. Sedan är det ju olika hur de olika produkterna Chat GPT, Gemini och egna GPT:er. De lär sig av dina svar men det är det beror lite på hur du har satt upp den här AIn din egen typ av Chat GPT. Om den lär den öppna offentliga Chat GPT:n om dina frågor och svar, eller om ni lär er internt bara er egen funktion. Det handlar ju om hur du har satt upp och hur du använder olika tjänster. Så då kommer vi in mer på ja men ska man använda en Chat GPT för att ställa frågor om sin interna miljö och sina egna interna problem? Nej, för då blir det offentlig information. För då använder du en offentlig tjänst. Men om du i stället då bygger någonting eget internt eller säkerställer hur regelverken ser ut så att datan inte kommer utanför. Ja, då kan du göra det. Men tillbaka till AIn. Den tar in data, förbereder den så den går att använda, analyserar, drar slutsatser, agerar och lär sig. Det är oavsett om det här handlar om drönarteknik som är ute och spanar och ser om det händer saker i stan, kanske. Då har den ju förberetts genom att få träna på hur det ser ut i Stockholm City när det är lugnt och inga problem. Men kan också då direkt börja förstå. Och ligger ständigt och analyserar. Ja, men nu ser vi att det händer någonting här. Och till slut, någonstans så går det en alarmklocka att nu måste jag agera på det här och så säger jag till. Nu ser det ut här som det är någonting som är på gång att hända och så larmar en kanske då räddningstjänsten eller vad det nu kan vara för drönare som är ute och spanar. Om man nu får göra det här, för det är en annan sak. Så AI är inte å ena sidan nytt. Och jag ser det ju som en teknologi bland många andra som ni kan använda. Och det gäller att förstå sig på vad det är för någonting.
