|
|
|
|
|
Er du typen, der godt kan lide Fun-saftevand, billig polyester eller turkise vingummier? Så kan du sikkert også lide AIgendaen i dag, for den er fyldt med syntetiske data 😋
Flere af de store tech-virksomheder er begyndt at træne deres AI-modeller på syntetiske data - dvs. AI-genererede data, der replicerer ægte data. Det er der flere grunde til. Blandt andet kan du berige dine datasæt med syntetiske data, hvis du er i mangel på organiske data. Og du kan reducere menneskelige fejl og biases i dine datasæt - hvilket et par af de store modeller helt sikkert godt kunne have brug for.
Omvendt risikerer man også, at de syntetiske data ender med at gøre AI-modellerne dummere og komme med dårligere svar, hvis balancen ikke er i orden. Så datakvalitet er fortsat alfa omega, uanset om vi snakker organiske eller syntetiske data 📊
Det har vi skrevet en artikel om, som er første punkt på AIgendaen i dag. Derefter følger januars nok største AI-nyhed, som er ChatGPT Tasks (det viser Rasmus også frem i sin Toolbox), en ny rapport om AI's rolle på arbejdsmarkedet fra World Economic Forum samt NVIDIA's bud på en AI Retail Shopping Assistant.
P.S. Hvis du kan lide, hvad du læser, så tøv ikke med at sende AIgendaen videre til kolleger, venner eller fjerne familiemedlemmer. Vi vil så gerne have så mange med på AIgendaen som muligt. Her er et smart link. |
|
|
|
|
 |
Syntetiske data: Hvornår giver de mening at bruge?
Elon Musk var for nyligt ude at proklamere, at verden er løbet tør for menneskeskabte data til at træne AI-modeller på. Og selvom Musk er kontroversiel, så har han ret i, at det er en udvikling, der har været undervejs i noget tid. De store AI-modeller bruger ganske enkelt mere data, end menneskeheden kan nå at generere 🏎️
Derfor er de store AI-virksomheder i flere tilfælde begyndt at træne sine modeller med syntetiske data – altså data genereret af AI, såsom tekster fra ChatGPT eller billeder fra DALL-E. Den udvikling betyder potentielt, at AI-modellerne bliver dummere og mindre præcise, fordi træningen bliver mere generisk, ensformig, eller ja, syntetisk.
Men hvorfor gør tech-virksomhederne det så? Det skyldes, at der også er eksempler på, at nogle AI-modeller faktisk bliver bedre, når de trænes på syntetiske data - hvis disse data da er omhyggeligt lavet.
I denne artikel ser vi derfor nærmere på, hvornår det giver mening at bruge kunstige data til at udvikle sin kunstige intelligens.
Læs vores artikel om syntetiske data
|
|
|
|
|
ChatGPT Tasks - din personlige AI-agent
Den helt store nyhed fra OpenAI i januar har været introduktionen af ChatGPT Tasks - det første spadestik mod AI-agentur direkte i ChatGPT's interface.
Med Tasks kan du opsætte faste opgaver for ChatGPT, såsom et dagligt overblik over din kalender, en ugentlig spansklektion eller en reminder om din mors fødselsdag. Rasmus fortæller mere i sin Toolbox 👇
Du kan f.eks. også få Tasks til at sende dig en oversigt over de seneste AI-nyheder hver morgen. Den del minder mistænkeligt meget om vores Vertica Newshound - så må vi se, om ChatGPT også får koblet prioritering, kildekritik og podcast på 😇
Se overblikket over, hvad Tasks kan |
|
|
|
|
 |
AI tager 9 millioner jobs, men skaber 11 millioner nye
World Economic Forum har udgivet deres Future of Jobs Report, som stiller skarpt på nutidens of fremtidens arbejdsmarked.
Her har AI (naturligvis) spillet en større rolle de seneste par år, eftersom mange frygter, at AI på sigt vil kunne erstatte deres arbejde. Men rapporten viser noget andet.
WEF vurderer, at AI og informationsprocesserende teknologi vil erstatte 9 millioner jobs verden over fra 2025 til 2030. Men omvendt forventes teknologierne også at skabe 11 millioner nye jobs 👩💻👨💻
Dermed er der plus på jobskontoen med AI. Så måske handler AI-udviklingen ikke så meget om, at vi mister vores job til teknologien, men snarere at vi skal lære at arbejde på nye måder og specialisere os inden for andre områder en tidligere. Der kan man bare se.
Læs (eller skim igennem) hele Future of Jobs-rapporten |
|
|
|
|
NVIDIA præsenterer blueprint for deres AI Shopping Assistant
Forestil dig at kunne se, hvordan et par bukser ser ud på dig direkte på Zalando. Eller se hvordan Bolias sofaer tager sig ud i din stue. Eller få et forslag til det bedst egnede outdoor-outfit til din forårstur til Island.
Disse er eksempler på fremtidens shoppeoplevelse drevet af AI. Og det er netop sådanne scenarier, som NVIDIA har lagt op til i deres blueprint for AI Retail Shopping Assistants.
Der er mange spændende features, der kan ændre markant på måden, vi shopper på i fremtiden - både offline men især online 🛍️
Læs om fremtidens AI-shopping |
|
|
|
|
|
Rasmus' Toolbox
|
|
Som nævnt er ChatGPT Tasks det første spæde skridt mod mere AI-agentur i de større sprogmodeller. Her får vi nemlig pludseligt mere handling bag ordene i ChatGPT, som nu kan løse faste opgaver mere eller mindre selvstændigt - men selvfølgelig stadig på baggrund af dine instrukser.
Hvis du f.eks. sætter Tasks til at give dig et fast nyhedsoverblik inden for din branche og samtidigt giver den adgang til Search, så styrer den selv aktivt, hvilke nyheder den henter og fra hvilke medier. I videoen fortæller Rasmus mere om, hvordan du sætter Tasks op 🔧
|
 |
|
|
|
|
|
|
