Forskellen Mellem Generativ AI og Andre AI-Modeller

Generativ AI adskiller sig fra andre AI-modeller ved at skabe nyt indhold som tekst, billeder, lyd, video eller kode, mens mange andre modeller især klassificerer, forudsiger, anbefaler eller opdager mønstre i eksisterende data. Forskellen handler derfor ikke kun om teknologi, men om output, datakrav, kontrol og risiko.

Hvad er den korte forskel?

Den korte forskel er, at generativ AI producerer et nyt svar eller et nyt medieelement, mens mange andre AI-modeller producerer en vurdering, en kategori, en sandsynlighed, en rangering eller en beslutningsstøtte. En generativ model kan skrive et udkast, danne et billede eller foreslå kode. En klassifikationsmodel kan derimod afgøre, om en e-mail ligner spam, om et billede viser en bestemt genstand, eller om en kundehenvendelse hører til en bestemt sagstype.

Det betyder ikke, at generativ AI er en helt løsrevet gren af kunstig intelligens. Den bygger på samme brede felt som andre AI-systemer: data, statistiske mønstre, modeltræning, evaluering og løbende kontrol. Hvis du vil forstå forskellen præcist, hjælper det først at skelne mellem kunstig intelligens som samlet begreb, maskinlæring som metodefamilie og generativ AI som en særlig type output.

En praktisk tommelfingerregel er at spørge, hvad systemet skal aflevere. Skal det skabe et nyt stykke indhold, er generativ AI relevant. Skal det sortere, måle, opdage afvigelser eller forudsige en kendt størrelse, er en anden modeltype ofte mere præcis, lettere at forklare og billigere at drive.

Hvordan fungerer generativ AI grundlæggende?

Generativ AI lærer statistiske strukturer i træningsdata og bruger dem til at danne nyt indhold, der ligner dataformen uden nødvendigvis at være en kopi. Tekstmodeller arbejder typisk med sandsynligheder for næste tegn- eller orddele. Billedmodeller arbejder med mønstre i pixels, beskrivelser og latent repræsentation. Lyd- og videomodeller arbejder med tidslige mønstre, frekvenser og visuelle sekvenser.

NIST beskriver generativ AI som modeller, der efterligner struktur og karakteristika i inputdata for at generere afledt syntetisk indhold. Det er en nyttig afgrænsning, fordi den peger på både styrken og svagheden: modellen kan danne nyt materiale, men den forstår ikke nødvendigvis sandhed, kontekst eller konsekvens på samme måde som en fagperson.

Generativ AI kan derfor være meget stærk i opgaver, hvor målet er formulering, variation, udkast, idéudvikling, simulering eller omformning af materiale. Den er mindre egnet som eneste grundlag for faktiske afgørelser, præcise tal, juridiske konklusioner, medicinske vurderinger eller tekniske sikkerhedsbeslutninger, medmindre der ligger tydelig kontrol, datagrundlag og menneskelig efterprøvning omkring systemet.

Hvordan adskiller generativ AI sig fra klassiske forudsigelsesmodeller?

Klassiske forudsigelsesmodeller har normalt et mere afgrænset mål. En regressionsmodel forudsiger en numerisk værdi, for eksempel efterspørgsel, risiko, pris eller energiforbrug. En klassifikationsmodel vælger mellem kendte kategorier. En anbefalingsmodel rangerer muligheder efter sandsynlig relevans. En anomalimodel peger på observationer, der afviger fra det normale mønster.

Generativ AI kan godt bruges i arbejdsgange, der også indeholder forudsigelse, men selve outputtet er ofte åbent. Det åbne output giver fleksibilitet, men det gør også kvaliteten sværere at måle. En klassifikationsmodel kan testes på, hvor ofte den rammer den rigtige label. Et tekstsvar kan derimod være grammatisk flot, delvist korrekt, upræcist på afgørende punkter eller brugbart i én sammenhæng og misvisende i en anden.

Den forskel påvirker driften. Forudsigelsesmodeller kan ofte overvåges med mål som præcision, recall, fejlrate, kalibrering eller afvigelse fra kendte svar. Generativ AI kræver typisk bredere evaluering: faktuel rigtighed, tone, sikkerhed, datalækage, ophavsret, konsistens og om outputtet passer til den konkrete opgave.

Hvad er forskellen på generative og diskriminerende modeller?

I maskinlæring bruges skellet mellem generative og diskriminerende modeller ofte mere teknisk end i daglig tale. En generativ model forsøger at lære noget om, hvordan data kan være opstået, så den kan danne nye eksempler eller estimere sandsynligheder for data. En diskriminerende model forsøger derimod typisk at lære grænsen mellem klasser eller forholdet mellem input og en bestemt outputværdi.

Det kan forenkles sådan: En generativ model spørger, hvilket mønster der kunne skabe data, mens en diskriminerende model spørger, hvilken kategori eller værdi der passer bedst til de data, den ser. I praksis kan de to tilgange kombineres. GAN-modeller er et klassisk eksempel, fordi de træner en generativ model sammen med en diskriminerende model, der vurderer forskellen mellem ægte og genererede eksempler.

Skellet er nyttigt, fordi det viser, at ordet generativ ikke kun betyder kreativ tekst eller billeder. Det handler om modelmålet. En model kan være generativ uden at være en chatbot, og et AI-system kan bruge en stærk sprogmodel uden at være velegnet til alle opgaver, hvor en mere snæver diskriminerende model giver bedre kontrol.

Hvordan passer supervised og unsupervised learning ind?

Supervised learning og unsupervised learning beskriver primært, hvordan modellen trænes, ikke nødvendigvis hvad den bruges til. Ved supervised learning trænes modellen med eksempler, hvor det ønskede svar er kendt, for eksempel en klasse eller en talværdi. Ved unsupervised learning leder modellen efter struktur i data uden samme type facit, for eksempel grupper, dimensioner eller tæthedsmønstre.

Det er en anden akse end generativ AI. En generativ model kan være trænet med selvsupervision, finjustering, menneskelig feedback eller andre metoder. En ikke-generativ model kan være supervised, unsupervised eller semi-supervised. Derfor bliver forklaringen upræcis, hvis generativ AI blot beskrives som modsætningen til supervised learning.

For en mere detaljeret begrebsramme er forskellen mellem supervised og unsupervised learning central, fordi den handler om træningsdata og læringssignal. Forskellen mellem generativ AI og andre AI-modeller handler derimod især om opgaveform, output og risikostyring.

Hvorfor fylder store sprogmodeller så meget i generativ AI?

Store sprogmodeller fylder meget i diskussionen om generativ AI, fordi de gør det muligt at arbejde med tekst, kode, tabeller, instruktioner og samtalelignende grænseflader i samme system. Mange af dem bygger på transformerarkitekturen, som blev beskrevet i 2017 og bruger attention-mekanismer til at behandle relationer mellem dele af en sekvens.

En transformer-model i AI er dog ikke automatisk det samme som en generativ assistent. Transformerarkitekturen kan bruges på forskellige måder. Nogle modeller er optimeret til at generere næste tekststykke. Andre bruges til repræsentation, klassifikation, søgning, oversættelse eller analyse. Arkitektur, træningsmål og produktfunktion bør derfor holdes adskilt.

Den praktiske betydning er, at en stor sprogmodel kan være et fleksibelt lag oven på andre systemer, men den er ikke altid den bedste kerne. Hvis opgaven er snæver, højvolumen og kræver stabile svar, kan en mindre klassifikationsmodel eller en regelstyret proces være lettere at validere. Hvis opgaven kræver omskrivning, forklaring eller syntese på tværs af kilder, kan en generativ model være mere relevant.

Hvilke opgavetyper egner de forskellige modeller sig til?

Modelvalget bliver lettere, når opgaverne sorteres efter output og kontrolbehov. Tabellen viser typiske forskelle. Den er ikke en facitliste, fordi mange systemer kombinerer flere teknikker, men den gør det tydeligt, hvorfor generativ AI ikke bør bruges som standardvalg til alt.

Skellet mellem machine learning og deep learning spiller også ind. En klassisk maskinlæringsmodel kan være tilstrækkelig til en struktureret tabelopgave, mens deep learning ofte bruges ved komplekse mønstre i tekst, billede, lyd eller store datamængder. Generativ AI er ofte deep learning, men deep learning er langt bredere end generativ AI.

Hvornår er generativ AI et dårligt valg?

Generativ AI er et dårligt valg, når opgaven kræver et kort, stabilt og dokumenterbart output, som kan beregnes eller klassificeres mere direkte. Hvis et system blot skal afgøre, om en formular mangler et felt, om en transaktion overskrider en kendt tærskel, eller om en sag hører til en bestemt kø, er generativ AI ofte unødigt kompleks.

Den er også svag som alene-kilde i opgaver, hvor fejl kan få direkte konsekvenser. En generativ model kan producere indhold, der virker sammenhængende, men som er faktuelt forkert eller bygger på en fejlagtig sammenkædning. Det er tæt forbundet med AI-hallucinationer, hvor et system giver et overbevisende svar uden tilstrækkeligt grundlag.

Tre signaler peger ofte på, at en anden modeltype bør overvejes først:

• Opgaven har et kendt facit, en fast label eller et målbart tal.
• Fejl skal kunne forklares, gentages og revideres på enkel måde.
• Outputtet skal indgå direkte i en afgørelse, betaling, sikkerhedshændelse eller anden følsom proces.

Generativ AI kan stadig være et hjælpelag i sådanne processer, for eksempel til at forklare en modelrapport i klart sprog. Den bør blot ikke nødvendigvis være den model, der træffer den centrale vurdering.

Hvordan bør data og fortrolighed vurderes?

Generativ AI stiller ofte andre krav til datahåndtering end en snæver forudsigelsesmodel. Årsagen er både inputtet og outputtet. Input kan være lange dokumenter, kundedata, interne noter eller kode. Output kan utilsigtet gengive detaljer, kombinere oplysninger forkert eller skabe tekst, der ligner en autoritativ konklusion.

Før du bruger generativ AI i en organisation, bør data vurderes efter fire spørgsmål:

1. Hvilke data sendes til modellen, og må de behandles i den valgte løsning?
2. Bliver input eller output gemt, logget eller brugt til videre træning?
3. Kan outputtet indeholde personoplysninger, forretningshemmeligheder eller ophavsretligt beskyttet materiale?
4. Hvem kontrollerer svaret, før det bruges i en beslutning eller sendes videre?

For andre AI-modeller kan datafortrolighed også være central, men risikobilledet er ofte mere afgrænset. En regressionsmodel på aggregerede salgstal har et andet risikoniveau end en generativ model, der modtager hele kontrakter, personalesager eller kundedialoger. Derfor bør sikkerhedsvurderingen følge den konkrete brug, ikke modelnavnet alene.

Hvordan påvirker forklarbarhed og kontrol valget af model?

Forklarbarhed handler om, hvor godt mennesker kan forstå, hvorfor et system gav et bestemt output. Mange klassiske modeller kan dokumenteres med inputvariabler, vægte, beslutningstræer, feature importance eller testresultater. Det gør dem ikke automatisk retfærdige eller fejlfrie, men det giver ofte en tydeligere revisionsvej.

Generativ AI er vanskeligere at kontrollere, fordi outputtet kan variere med formulering, kontekst, tilfældighedsindstillinger, systemopsætning og tilgængelige datakilder. Et svar kan være sprogligt overbevisende uden at være korrekt. Kontrol kræver derfor ofte flere lag: afgrænsede input, kilder, testcases, evalueringskriterier, logning og menneskelig godkendelse.

Et praktisk valg er at adskille produktion og afgørelse. Generativ AI kan bruges til at formulere, opsummere eller omstrukturere materiale, mens en mere kontrollerbar model eller en menneskelig proces står for afgørelsen. Det giver ofte bedre balance mellem effektivitet og ansvarlighed end at lade samme generative system både skabe, vurdere og beslutte.

Hvilken betydning har EU-regler for modelvalget?

EU AI Act gør det relevant at skelne mellem en AI-model, et AI-system og den konkrete anvendelse. Forordningen definerer AI-systemer bredt som maskinbaserede systemer, der kan generere outputs som forudsigelser, indhold, anbefalinger eller beslutninger. Samtidig skelner den mellem generelle AI-modeller og de systemer, de indgår i.

Det betyder, at samme generative model kan have forskellig praktisk risikoprofil afhængigt af brugen. Et værktøj til udkast til mødenoter vurderes anderledes end et system, der påvirker adgang til ydelser, ansættelse, kredit, uddannelse eller sundhed. For organisationer i EU handler modelvalget derfor ikke kun om teknisk kvalitet, men også om dokumentation, menneskeligt tilsyn, datastyring og formålet med anvendelsen.

Store generative modeller kan også være general-purpose AI-modeller i regulatorisk forstand. Det er ikke det samme som at alle brugere selv bliver modeludbydere, men det gør leverandørens dokumentation, begrænsninger og brugsbetingelser mere relevante. Ved følsomme anvendelser bør du kunne forklare, hvilken modeltype der bruges, hvilke data den behandler, og hvordan fejl opdages.

Hvordan vælger du den rigtige AI-model?

En god beslutningsrækkefølge begynder ikke med modelnavne, men med opgaven. Først skal outputtypen fastlægges. Derefter skal datagrundlag, fejlkonsekvens, forklarbarhed og drift vurderes. Når de fire forhold er klare, bliver det ofte tydeligt, om generativ AI er hovedløsningen, et hjælpelag eller slet ikke nødvendig.

En enkel rækkefølge kan se sådan ud:

1. Beskriv det ønskede output: tekst, kategori, tal, rangering, mønster eller handling.
2. Afklar om der findes kendte facitter, labels eller historiske resultater.
3. Vurder konsekvensen af et forkert output og behovet for forklaring.
4. Vælg den smalleste modeltype, der kan løse opgaven med tilstrækkelig kvalitet.
5. Tilføj generativ AI, hvis opgaven kræver formulering, syntese eller fleksibel dialog.
6. Test med realistiske eksempler, før systemet bruges i en fast arbejdsgang.

Den vigtigste forskel er derfor ikke, om en model virker moderne. Den vigtigste forskel er, om den passer til den type output og kontrol, opgaven kræver. Generativ AI er stærk, når nyt indhold er målet. Andre AI-modeller er ofte stærkere, når målet er en præcis vurdering, et stabilt signal eller en beslutning, der skal kunne forklares.

Hvilke kilder ligger til grund?

Artiklen bygger især på NISTs Generative AI Profile, EU’s Artificial Intelligence Act, scikit-learns introduktion til supervised og unsupervised learning, Goodfellow m.fl.s paper om Generative Adversarial Networks og Vaswani m.fl.s paper Attention Is All You Need.