I denne episode udforsker værterne den fascinerende rejse fra klassisk databehandling i regneark og nøgetal til avanceret analyse af ustruktureret tekst som elevers fristile. Samtalen stiller skarpt på, hvordan ustrukturerede fortællinger kan transformeres til beregnelige størrelser gennem samforekomster og matematiske vektorer, hvilket gør det muligt for organisationer at udføre distanceret læsning og opdage tværgående mønstre uden at være låst af forudindtagede spørgeskemaer.

Med udgangspunkt i datadiamanten og begrebet datafantasi drøfter værterne, hvordan organisationer kan bevæge sig væk fra et snævert styringsparadigme med faste resultatkontrakter og i stedet anvende data som et redskab til udforskning, nysgerrighed og organisatorisk læring. Episoden gennemgår de centrale mekanismer i semantisk netværksanalyse, herunder hvordan knudepunkter og kanter danner visuelle netværkskort. Værterne forklarer pædagogisk, hvordan klynger samler tæt forbundne emnekredse, mens centrale broer og hubs forbinder adskilte samtalerum.

Derudover belyses forskellen på en svag topologi bestående af enkelte ranglister og en stærk topologi i form af todimensionale netværkskort skabt via algoritmer som ForceAtlas2\. Gennem dette visuelle overblik synliggøres ikke blot de dominerende temaer, men også de tomrum og adskillelser i kortet, som peger på oversete faglige perspektiver. Dette illustreres med eksempler fra arbejdet med elevers trivselsfortællinger i Helsingør Kommune. Afslutningsvis understreges vigtigheden af den faglige dømmekraft samt samspillet mellem fagekspertise og AI-kompetencer i moderne dataanalyser.

I denne episode tager værterne dig med på en grundig og faglig rejse gennem den teknologiske udvikling af kunstig intelligens og maskinlæring, fra de tidligste matematiske principper til nutidens mest avancerede verdensmodeller. Episoden giver en dyb forståelse af de centrale databegreber og træningsmetoder, der ligger bag moderne datadrevne systemer.

Værterne starter med at afmystificere, hvad der reelt sker under træningen af en AI-model. De gennemgår kredsløbet mellem parametre, tabsfunktioner, backpropagation og optimeringsalgoritmer som gradient descent. Der stilles desuden skarpt på den vigtige skelnen mellem fire fundamentale begreber: træning, validering, test og inferens, herunder hvorfor hurtig eller realtidsbaseret inferens ikke må forveksles med løbende eller kontinuerlig træning.

Derefter udforskes den historiske og faglige udvikling i netværksarkitekturer. Episoden dækker Frank Rosenblatts perceptron fra 1950'erne og dens lineære begrænsninger, opgavespecifik deep learning som konvolutionelle neurale netværk (CNN) og forstærkningslæring med Deep Q-networks. Værterne forklarer overgangen fra dyre mærkede datasæt til selv-superviseret læring gennem modeller som Word2vec og BERT, samt generative tilgange som GANs, diffusionsmodeller og multimodal træning som CLIP.

Lytteren får også indsigt i processen med eftertræning, herunder superviseret finjustering og reinforcement learning from human feedback (RLHF), som former rå grundmodeller til reelle assistenter. Episoden rundes af med en fokuseret gennemgang af nyere world models, der evner at repræsentere og forudsige dynamiske miljøer og handlinger, illustreret med enkelte eksempler på teknologier fra aktører som DeepMind og NVIDIA.

Afslutningsvis perspektiveres der til 10 til 100-princippet som ledetråd for, hvordan kombinationen af fagekspertise og optimal AI-anvendelse kan løfte både produktivitet og kvalitet i en datadrevet organisation.

I denne episode tager værterne et dybdegående kig på forholdet mellem store datamængder, kunstig intelligens og værdien af den menneskelige fagekspertise. Selvom avancerede algoritmer og Big Data giver os mulighed for at opdage mønstre med uovertruffen hastighed, rejses det helt centrale spørgsmål: Kan statistiske korrelationer erstatte en egentlig forståelse af årsag og virkning, eller gør datamængderne os i virkeligheden endnu mere afhængige af menneskelig dømmekraft?

Diskussionen dækker en bred række af de muligheder og faldgruber, der opstår, når organisationer og fagpersoner forlader sig på datadrevne modeller. Værterne gennemgår blandt andet, hvordan mønsterigenkendelse bruges succesfuldt i e-handel som eksempelvis Amazon til tilpassede anbefalinger, men også hvordan anvendelse af historiske data kan skabe alvorlige blinde vinkler. Som eksempel belyses det, hvordan algoritmisk risikovurdering i kommunale børnesager kan indbygge aldersmæssig bias og skabe selvopfyldende profetier, hvis softwaren blindt vægter fortidens mønstre uden hensyntagen til børnenes reelle situation.

Derudover sætter episoden fokus på fænomenet automation bias – faren for, at fagpersoner som eksempelvis jurister eller sagsbehandlere udviser blind tillid til AI-genererede svar og dermed slukker for deres egen kritiske sans.

Afslutningsvis præsenteres et strategisk pejlemærke for arbejdet med datadrevet forretningsudvikling: 10-til-100-princippet. Her vises det, hvordan ibrugtagning af AI i sig selv kan give beskedne effektiviseringer på omkring 10 %, men at det først er i krydsfeltet mellem dyb domæneindsigt og stærke kompetencer i AI-anvendelse, at man kan frigøre produktivitets- og kvalitetsløft på over 100 %. Lytterne får dermed en klar forståelse for, hvorfor kritisk sans og faglig sparrepartner-rolle er uundværlig, når algoritmer integreres i komplekse beslutningsprocesser.