Data – AI's brændstof: Hvorfor data er afgørende

I lektionen om, hvordan et netværk lærer, blev princippet "garbage in, garbage out" nævnt i forbifarten. Det er tid til at tage det alvorligt: data er det brændstof, enhver AI kører på. Skift brændstoffet, og alt ændrer sig.

Hvorfor data er afgørende, ikke algoritmen

Intuitionen siger, at en stærk AI betyder en genial algoritme. I virkeligheden har træningsalgoritmer været offentliggjort i årevis og er tilgængelige for alle – studerende studerer dem. Det, der adskiller en middelmådig model fra en fremragende, er oftere data: hvor meget, hvor rene, hvor varierede. Husk fra lektion et, hvorfor gennembruddet kom i 2012: de neurale netværksalgoritmer havde været kendt siden 1980'erne, men de blev først aktiveret, da internettet havde samlet milliarder af eksempler. Algoritmen ventede ikke på data – dataene vækkede algoritmen.

Derfor gælder branchens regel: investering i data betaler sig som regel bedre end endnu en justering af modellen. Virksomheder med unikke data (søgemaskiner, sociale netværk, banker) er stærke netop på grund af det – data er sværere at kopiere end kode.

To slags data: strukturerede og ustrukturerede

Strukturerede data er pænt organiseret i tabeller: rækker, kolonner, tal, kategorier. Kundealder, købsbeløb, dato – alt på sin plads.

Ustrukturerede data er alt andet: teksten i e-mails, fotos, lyd, video, opslag. Ingen rækker, ingen kolonner – bare en strøm. Ifølge forskellige skøn er det meste af verdens data ustruktureret, og i årtier kunne virksomheder knap nok bruge noget af det. Gennembruddet med neurale netværk er netop dette: for første gang er der et værktøj, der kan trække mening ud af det hav. LLM'en fra sidste modul er en maskine til at fordøje ustruktureret tekst.

Hvor data kommer fra

• Labelling. Folk tilføjer "svarene" manuelt: udpeger fodgængere i optagelser til en selvkørende bil, markerer e-mails som spam / ikke-spam. Det berømte ImageNet dataset fra lektion et – omkring 14 millioner billeder, mærket manuelt af en hær af mennesker; det var det, AlexNet vandt på. Labelling er dyrt, langsomt og uerstatteligt arbejde.
• Overvågning af adfærd. Hvert klik, hvert like, hver video du ser til ende, er gratis labelling. Uden at bemærke det er du den, der træner anbefalingssystemerne: set til ende – "godt eksempel"; scrollet forbi – "dårligt eksempel".
• Færdige datasæt. Indsamlede, rensede sæt, som mange genbruger: teksten fra bøger, encyklopædier, åbne fotosamlinger. Hurtigt – men alle har de samme, så de giver ingen unik fordel.

Du giver input og output – netværket bygger resten selv

En vigtig detalje, der forklarer, hvorfor labelling af "input → svar" er nok. Du beskriver aldrig for AI'en, hvordan en kat eller et ansigt ser ud. Du giver kun input A (et foto) og output B ("kat / ikke kat") – og netværket samler selv de mellemliggende funktioner, lag for lag, som legoklodser. I ansigtsgenkendelse kan du tydeligt se det: de første lag finder simple kanter og klatter, de næste bygger dele ud af dem (et øje, en næse, en omrids), de øverste bygger hele ansigter.

Ingen programmerede "et øje" manuelt – netværket udviklede selv konceptet, blot for at svarene skulle blive korrekte. Det er derfor, tilgangen vandt (husk lektionen om, hvad AI er): de funktioner, en person ikke kunne sætte ord på, udleder maskinen fra eksempler.

"Garbage in, garbage out"

Nu kan princippet fra træningslektionen høres for fuld udblæsning. En model er ikke klogere end sine data: den lærer, hvad du viste den, fejl, huller og skævheder inkluderet.

En virkelig sag: i 2016 lancerede Microsoft en chatbot på Twitter kaldet Tay, der skulle lære naturlig samtale direkte fra, hvad brugerne sagde til den. På under et døgn begravede trolde den i krænkende og racistiske beskeder – og Tay, der lydigt lærte af dette "brændstof", begyndte at gentage den samme svineri. Seksten timer senere trak Microsoft stikket. Algoritmen fungerede præcis som designet – det var de data, der blev hældt ind, der var forgiftet.

Tre misforståelser om data

• "Mere data er altid bedre." Nej: en million dårlige eksempler er værre end tusind rene. Volumen uden kvalitet forstærker kun fejlen.
• "Data er objektive, det er tal." Data er et aftryk af virkeligheden taget af mennesker, med deres valg og deres blinde vinkler. Et tal er ingen garanti for sandhed: husk knowledge cutoff og de forældede priser fra træningslektionen.
• "Vi har ikke meget data – AI er ikke for os." Lidt er ofte nok, hvis det er rent og relevant; og du kan altid tage en færdig model og supplere dens træning lidt (det var i slutningen af træningslektionen).

Gør dette nu

En fem-minutters øvelse, ingen værktøjer – bare dit hoved. Vælg en AI-tjeneste, du kender (et anbefalingsfeed, et spamfilter, en stemmeassistent) og besvar tre spørgsmål på papir: (1) hvilke data blev den sandsynligvis trænet på? (2) hvor kom disse data fra – labelling, overvågning af adfærd eller et færdigt datasæt? (3) hvilken skævhed kunne der være kommet ind i det? Vanen med at se dataene bag resultatet er det, der adskiller en professionel fra en forbruger. I næste lektion vil vi se på, hvad AI, givet sådanne data, virkelig kan gøre – og hvad der ligger ud over det.