Længe før nogen havde hørt om Transformer-arkitekturen eller Attention Is All You Need (2017), arbejdede forskere, statistikere, aktuarer, ingeniører, økonomer og naturvidenskabsfolk med metoder, som i dag klassificeres som AI eller Machine Learning.

Eksempler er bl.a.:

• Lineær regression
• Logistisk regression
• Bayesiansk statistik
• Markov-kæder
• K-nearest neighbour
• Fuzzy logic
• Neural networks
• Decision trees
• Clustering
• Optimeringsalgoritmer
• Signalbehandling og Fourier-analyse

Listen er meget længere.

Meget af den matematik, der ligger bag moderne AI, er derfor ikke ny. Tværtimod bygger området på klassiske discipliner som lineær algebra, sandsynlighedsregning, matematisk statistik, informationsteori, operationsanalyse, numerisk analyse, differentialligninger og optimeringsteori.

Det betyder også, at der sidder mange mennesker rundt omkring med mange års erfaring inden for centrale AI-metoder, selv om de måske aldrig har kaldt sig selv AI-eksperter. Og dem der i dag kalder sig AI-eksperter er på den anden side ikke altid eksperter i klassisk forstand, da de ofte mangler dybden og bredden. Er man fx. ekspert fordi man er god til at skrive prompts og kan lave simple agenter?….

Det nye og revolutionerende er naturligvis Deep Learning, de meget store og komplekse neurale netværk og især Transformer-arkitekturen. Men det er vigtigt at forstå, at disse teknologier står på skuldrene af et enormt eksisterende vidensfundament.

Samtidig er det interessant, at moderne LLM’er i stigende grad fungerer som en slags dispatcher eller orkestrator.

Når en opgave skal løses, er LLM’en ikke nødvendigvis selv den optimale model til alt. Den kan derimod analysere problemet og vælge eller kombinere de metoder, der passer bedst til opgaven:

• Regression til forecasting
• Bayesianske modeller til sandsynligheder
• Optimering til planlægning
• Klassiske ML-modeller til klassifikation
• LLM’er til dialog og formidling

Set i det perspektiv er fremtidens AI ikke én model, men et samarbejde mellem mange forskellige modeller og metoder, hvor LLM’en fungerer som den intelligente koordinator.

Derfor bliver jeg altid lidt skeptisk, når AI udelukkende omtales som LLM’er. Transformer-modeller er uden tvivl et enormt gennembrud, men AI’s historiske fundament er langt bredere, langt ældre og langt dybere, end mange er klar over.

The post AI er ikke kun LLM’er og Transformer-modeller first appeared on .

Vil du virkelig forstå, hvordan Copilot, ChatGPT og lignende løsninger fungerer? Så tag et dybdegående kig på deep learning i denne fremragende bog.

Denne bog er en omfattende introduktion til deep learning, de centrale metoder og den matematik, der ligger bag algoritmerne – herunder dem, som driver moderne GenAI‑modeller som ChatGPT, Copilot og mange andre AI‑baserede modeller.

Du vil lære om Transformers, som anvendes i de store sprogmodeller bag de nævnte chatbots, og om genialiteten i attention‑mekanismerne. Derudover kommer du omkring konvolutionsnetværk, Multi‑Layer Perceptrons og mange andre maskinlæringskoncepter samt deres forskellige anvendelser.

Selvom bogens titel kan lyde let tilgængelig, er indholdet reelt krævende. For at få fuldt udbytte bør du have et solidt matematisk fundament – især inden for lineær algebra, sandsynlighedsteori og optimering.

På trods af sværhedsgraden er det en fremragende bog, som varmt kan anbefales til alle, der ønsker en seriøs og dyb forståelse af deep learning og neurale netværk.

Vær forberedt på at investere mange timer i læsning og fordybelse, hvis du virkelig vil forstå de koncepter, der ligger bag nutidens mest avancerede AI‑modeller. Indsatsen er stor – men den indsigt og viden, du opnår, er det hele værd.

Læs bogen her:

The post Forstå hvordan Copilot og ChatGPT fungerer first appeared on .