Latest / Verbos: AI og Softwareudvikling / #94 - Symbolsk AI, Lovgivning som Graf, Reasoning og Vibe Coding med Thomas Hildebrandt

Transcript

#94 - Symbolsk AI, Lovgivning som Graf, Reasoning og Vibe Coding med Thomas Hildebrandt · Verbos: AI og Softwareudvikling

• 0:00
  Hej allesammen og velkommen til bar bo's podcast afsnit nummer
• 0:03
  94. Der er ikke langt til 100 og der
• 0:06
  har vi jo selvfølgelig lovet, at Vi skal holde en fuldstændig
• 0:08
  vanvittig jubilæumsfest, men Det er Der er lige pausen til endnu,
• 0:12
  så så det venter vi med, men heldigvis kan vi også snakke om
• 0:15
  noget utrolig spændende i dag, fordi Vi har nemlig fået en
• 0:19
  gæst, som Jeg tror faktisk mig og Jonas har snakket om at få
• 0:23
  vedkommende i studiet ret længe, men Det er ligesom ikke rigtigt.
• 0:25
  Ja, Det er ligesom ikke rigtig blevet til noget.
• 0:27
  Men nu er det altså blevet til noget, og Det er Thomas
• 0:30
  hillebrandt, som er professor på diiko.
• 0:32
  Vi har med i studiet her velkommen til Thomas.
• 0:35
  Tak for det Kasper og Jonas. Tak fordi være med her.
• 0:39
  Ja selvfølgelig og det Vi skal snakke om i dag.
• 0:41
  Det er Sådan. Jeg tror måske i virkeligheden.
• 0:44
  Det er Sådan lidt et bredt take på alt det Der er sket indenfor
• 0:47
  AI de seneste par år. Især hvad de her generative
• 0:50
  sprogmodeller. Vi skal også ind på Sådan i
• 0:53
  forhold til om de her sprogmodeller altså der Der er
• 0:57
  kommet den her den her nye Sådan modelparadigme som bliver kaldt
• 1:00
  Sådan reasing paradiget og. Det skal vi snakke om, fordi Der
• 1:04
  er. Der er rigtig meget snak om om
• 1:05
  Det er altså om Det er lidt vildledende at kalde det for
• 1:08
  reasoning og så videre, så så det skal vi prøve at dykke lidt
• 1:11
  ned i. Og så tror jeg også for mit
• 1:14
  vedkommende, som jeg også snakker om her, før vi gik live,
• 1:16
  at jeg i hvert fald er typisk Sådan utrolig positiv og meget
• 1:21
  begejstret for for teknologi og for for AI og Lars langu smuttet
• 1:25
  og så videre. Og Jeg har fulgt dig en del på
• 1:28
  sociale medier Thomas og har lagt mærke til, at du ofte har
• 1:30
  en mere Sådan kritisk vinkel til til til alt det her.
• 1:34
  Og det Det har det. Det tror jeg virkelig også på er
• 1:36
  sundt og for den måde, så det vil vi også rigtig gerne
• 1:39
  præsentere Vores Vores publikum. For simpelthen, så jeg ved ikke,
• 1:43
  har Vi har været kritiske overfor jer og jonasing.
• 1:46
  Det er ikke fordi vi Sådan aldrig nogensinde har.
• 1:49
  Jo jo Jeg synes jeg havde da i hvert fald grint grint af mange.
• 1:52
  Hvad kan man sige dumheder i brug af a så så Det kan man jo
• 1:56
  godt kalde det for en form for kritik.
• 1:57
  Men altså du har jo ret i at vi vi sidder jo, hvad kan man sige
• 2:02
  maskinrummet applicerer det daguddannede, så kan det godt
• 2:05
  være man bliver lidt blind overfor hvad det så hvad der kan
• 2:07
  gå galt. Vi er lidt teknologibegrejst,
• 2:10
  når man må nok sige så ja ja. Men altså det tænker jeg også du
• 2:12
  er Thomas siddende. Altså du er jo.
• 2:15
  Ja hvad så III altså i datalogi så så på en eller 2 måde vil der
• 2:19
  også være noget noget der ikke så men jeg tænker ikke bare på
• 2:22
  Thomas kan du ikke prøve at give en introdukt og fortælle lidt om
• 2:24
  selv? Jo, Jeg har jo som sagt
• 2:28
  professor i aalogi. Der har jeg været siden 2018 på
• 2:31
  Diego, og før det der var jeg 18 år på IT Universitetet.
• 2:37
  Helt tilbage fra dengang IT højskolen.
• 2:41
  Og og Det er lidt mærkeligt for mig jo at blive puttet den der
• 2:43
  kasse med med kritikeren. Ikke fordi Jeg er jo total
• 2:46
  teknologi begejstret og har programmeret lige så længe Jeg
• 2:49
  kan huske nærmest ikke dengang var det godt nok nogle simple
• 2:52
  maskiner. Som man kendte 100% på radtende
• 2:58
  niveau, ikke? Og så har jeg jo.
• 3:03
  Levede med computere lige siden ikke og det, og Det er jo
• 3:05
  selvfølgelig en drøm at blive professor.
• 3:08
  Så så derfor er det lidt mærkeligt at være den Der er den
• 3:11
  teknologiske skeptiskeptiske, men i virkeligheden er jeg jo
• 3:15
  super begejstret for teknologien og underviser også folk og
• 3:19
  underviser folk. Som bliver uddannet til de nye
• 3:22
  promørre, og som gerne skulle gå ud og bruge de her spørgsmåller
• 3:25
  på en fornuftig måde, ikke? Men det Jeg har påtaget mig
• 3:30
  rollen i de sidste. 15 år. Måske Det er at være lidt
• 3:35
  kritisk overfor nogle nogle anmeldelser af af teknologi og
• 3:41
  især af i og. Fordi at der har været den her.
• 3:48
  Plus for at bruge AI indenfor områder, hvor det måske ikke var
• 3:53
  så velegnet. Og så har der været den her rod
• 3:56
  må man have blandet alle mulige typer af i sammen i en kasse.
• 4:01
  Som er ret forvirrende, fordi hvis man så har en god
• 4:03
  anmeldelse i et hjørne. Så er det jo ikke det samme som
• 4:07
  om man at at det virker i alle mulige andre hjørner, så skal
• 4:10
  man måske helt hive en 2 teknologi frem i skuffen.
• 4:12
  Så så Det er i virkeligheden det Jeg er kritisk overfor vil jeg
• 4:15
  sige eller prøve at kritisk overfor.
• 4:17
  Det er om ikke Vi skal begynde at bruge lidt tid på at matche
• 4:21
  den rigtige type AI til til det rigtige problem.
• 4:24
  Ja og det. Er jo egentlig meget fornuftigt.
• 4:27
  Jeg synes også Jeg kan høre, Jeg har sagt det et par gange til
• 4:30
  nogle chefer. Jeg har arbejdet med.
• 4:32
  Måske vi ikke skal bruge den der store hammer til alting.
• 4:36
  Så måske er der i virkeligheden ikke måske lidt mere bare sund
• 4:40
  fornuft, men når du siger Sådan Thomas, at du er blevet puttet i
• 4:44
  en boks, så kan jeg egentlig godt Sådan og se det lidt for
• 4:47
  mig. Men men når man er i det
• 4:49
  akademiske, så har man vel også en eller 2 form for pligt i
• 4:52
  ligesom at. At lige komme med det kritiske
• 4:55
  perspektiv. Det er vel også en del af det at
• 4:57
  at være i den akademiske verden? Ja, men det føler jeg jo.
• 5:02
  Det vil så ikke alle mine kollegaer, Der er lige aktive ud
• 5:05
  på det, men men men Det er også i øvrigt lidt pudsigt at blive
• 5:10
  proppet i den akademiske boks. Ikke fordi jeg solgte min første
• 5:14
  softwareprogram allerede i gymnasiet ikke og har arbejdet
• 5:16
  sammen med virksomheder også i 20 år.
• 5:20
  Og har været med til at udvikle et nyt romansprog, som bliver
• 5:22
  brugt. Ude i praksis ikke så på den
• 5:26
  måde. Har vi jo flere sider ofte at
• 5:30
  man bare er den der akademiker, der sidder og skriver artikler.
• 5:34
  Hvad var det for et program du solgte i gymnasiet?
• 5:36
  Beklager der pludselig et langt skæg.
• 5:38
  Morsomt fordi det hed SAP og og det jeg havde selvfølgelig ikke
• 5:42
  noget med SAP at gøre, men Det var en forkortelse for
• 5:46
  spørgeskemaanalyseprogram. Og jeg solgte det til det
• 5:50
  offentlige gudhjælpende. Det var Helsingør Kommunes
• 5:54
  ungdomsråd. Og Det var skrevet i ja mega
• 5:57
  basic. Og.
• 6:01
  Den 2 gang på sprog. Nej men basic er jo altså var jo
• 6:05
  dengang. Intropet for for alle folk.
• 6:10
  Ikke fordi Det var næsten blev født med og når man tændte for
• 6:13
  1,64 så var det basic eller hvis man tændte for en amik.
• 6:20
  Eller en statistik af 80 eller at den nu er sammen hed dengang.
• 6:23
  Så åbner der jo en blå skærm og så blinker der en cursor, og så
• 6:26
  kunne man bare begynde at kode ikke?
• 6:29
  Så. Det var så lidt mere avanceret
• 6:32
  på megaen men og og der fandt jeg også hurtigere ud af Det var
• 6:35
  sjovere at bruge mere maskinkode, men det jeg lavede
• 6:38
  til ungdomsrådet, Det var et program hvor du kunne taste
• 6:41
  spørgeskema ind eller du kunne du kunne definere det, og så
• 6:44
  kunne de sende det ud på papir fordi Det var før internettet
• 6:47
  virkelig blev anmandseje. Ja, der var tilbage i 90 eller
• 6:52
  Sådan noget. Og og så når de fik svarene ind,
• 6:56
  så kunne de taste dem ind, og så kunne de lave statistikanalyse
• 6:58
  af de her svar. Så Det var meget basic, men vi
• 7:03
  vidste det konkret problem, men så har vi jo så sidenhen her de
• 7:08
  sidste 15 år arbejdet udviklet det her proces promagisk sprog
• 7:14
  no code. Som bliver brugt i talrige
• 7:18
  styrelser i Danmark og også udenfor landet til at de så ser
• 7:22
  arbejdsgange og forretningsprocesser.
• 7:25
  Og Det har udviklet sig til, at det jo Sådan set er et fuldt
• 7:27
  komplet proanisk sprog, men Det er nok mest velegnet stadigvæk
• 7:31
  til procesorganisering og serviceorkestristrering.
• 7:36
  Og og Det er måske også derfor Jeg er lidt frustreret over det
• 7:40
  her agenic AI. Som vi kan komme tilbage til
• 7:46
  fordi. Vi ved jo Sådan set godt,
• 7:49
  hvordan man laver. Præcise procesbeskrivelser som
• 7:53
  kan løse og og og sætte servicet sammen og præcis måde.
• 7:58
  Men Det er jo selvfølgelig super nemt at at bede en sprogmodel om
• 8:00
  at lave 1 1 1 proces for en. Men så har man bare det køb på
• 8:06
  forudsigeligheden, og så skal man sidde der og holde øje med
• 8:08
  skærmen gør den nu også det som gør ja.
• 8:13
  Det synes Jeg er spændende fordi at det synes jeg faktisk er lidt
• 8:15
  spændende. Det der fordi at der adresserer
• 8:17
  du noget som som Jeg tror også Vi har snakket om en del Jonas
• 8:20
  det her med at. Agenter giver ikke mening for
• 8:23
  alt alle typer opgaver, og Jeg tror også det jeg hører meget
• 8:28
  Sådan, altså Der er mange Der er begyndt at altså Der er jo helt
• 8:31
  klart gået noget markedsføring i det af noget hype i af bruge
• 8:34
  ordet agenter om ER ikke alt er agent også selvom det måske bare
• 8:37
  er en promt i virkeligheden. Men men Sådan det jeg hører folk
• 8:41
  tale om. Jeg tror Det var en dropic der
• 8:43
  lavede 1 1 1 artikel som ligesom definerede 2 typer agenter den
• 8:47
  ene Det er de her agenter man kender fra.
• 8:49
  Altså Sådan de her meget open ended agenter.
• 8:52
  Agenter som har adgang til nogle nogle API er de kan kalde og så
• 8:56
  ellers bare klar til at modtage input og kan iterere over de her
• 9:01
  toolcols. Men så er der også det, som man
• 9:05
  kalder for Sådan agent workflows.
• 9:09
  Som basically bare er altså logik hvor Der er en en large
• 9:14
  lang with model injektet ind nogle steder til at løse en
• 9:17
  bestemt opgave. Og det det.
• 9:21
  Det tror jeg altså Sådan. Det kan den type.
• 9:26
  Hvad skal man sige agenter hvis man kan kalde det?
• 9:28
  Det kan løse utroligt altså Der er mange Sådan problemer der kan
• 9:31
  løses med med det ikke. Og jeg tænker også man, det vil
• 9:34
  jeg i hvert fald altid foretrække at have så meget
• 9:36
  kontrol som muligt over, altså Sådan det for eksempel.
• 9:40
  Altså det bliver simpelthen mindre fejlbehæftet ikke?
• 9:44
  Det kan godt være at man kan bruge ens sprogmodel til at
• 9:48
  generere agent script. Men så kan man validere det og
• 9:53
  sikre sig. Det er i orden, og så kan man så
• 9:54
  sætte det i gang med at lave 10.000 sager for en.
• 9:56
  Hvis Det er det, man vil ikke. Men Det er klart, hvis man vil
• 9:59
  lave one off indkøb i Netto eller nemlig dot com.
• 10:04
  Så er det måske OK at at man sidder og holder øje med skærmen
• 10:07
  med med det ene øje ikke men men.
• 10:10
  Men Det er jo så blandt andet. Nu har vi lige været så heldige
• 10:13
  at på en gang at få 4 nye forskningsprojekter.
• 10:18
  Og det ene projekt det handler om, hvordan vi kan generere den
• 10:21
  slags. Proces logikbeskrivelser i
• 10:25
  virkeligheden, og så kan den jo så kalde sprogmodeller.
• 10:28
  Som services undervejs. Hvis Der er brug for at
• 10:33
  transformere noget noget naturligt sportsbeskrivelse til
• 10:36
  til noget mere struktureret, ikke?
• 10:41
  Men men igen, Der er fordelen, at hvis man først har genereret
• 10:44
  et program, som er skrevet i præcist procesbe.
• 10:49
  Jamen så kan man jo validere Det er rigtigt og så kan man stole
• 10:51
  på det, og så behøver man ikke at sidde og holde øje med
• 10:53
  maskinen imens den udføre det 10 gange ikke.
• 10:56
  Og Det er jo vigtigt for eksempel i det offentlige.
• 10:59
  Hvor man ikke, hvor man ikke bare fylder en indkøbskurv til
• 11:02
  en selv, men hvor man måske behandler.
• 11:05
  Ja støtteordninger til 10.000 borgere, ikke?
• 11:10
  Der kan man kigge lidt ja. Men jeg hører også lidt.
• 11:14
  Nu har jeg siddet lidt i det offentlige selv og så ja, Jeg
• 11:16
  kan genkende det der vi snakkede om med de unge at at man griner
• 11:20
  lidt af det der med at kaste agenter efter alting.
• 11:22
  Især når. Når agent nogle gange får det
• 11:26
  her værktøj til at lige at trykke på en knap på en
• 11:29
  interface eller Sådan et eller andet, så minder det dybest set
• 11:32
  mere mig om RPA eller nogen trykker record II hvad hedder
• 11:37
  det chrome og så bare klikker rundt ikke?
• 11:41
  Og gør det en gang, og så er det.
• 11:43
  Og så er det med sikkerhed, indtil Der er nogen der ændrer
• 11:45
  det der skide interface. Og og og og det.
• 11:51
  Det var også det altså. Det var også helt klart min
• 11:53
  første Sådan. Det er jo Det er jo et eller
• 11:56
  andet sted lidt en dum måde. Altså et skridt tilbage at vi
• 11:59
  begynder at tro den kan det fordi hvis vi kigger på det her
• 12:03
  fabrikspræcession, som vi gerne vil have Thomas, jamen så er det
• 12:06
  jo bare overhovedet ikke præcist, så Der er ikke noget
• 12:09
  der hedder 100% i de der modeller der og derfor så så kan
• 12:12
  man aldrig nogensinde opnå det med Sådan en model, så kan man
• 12:16
  være imponeret af at man. Meget dynamisk kan.
• 12:19
  Hvad kan man sige ændre? Fra den ene kontekst til den 2.
• 12:24
  Og når noget er Sådan skiftende kontekst for hver gang man
• 12:27
  sidder i det, så kan det være det giver mening.
• 12:29
  Men Det er helt klart at når Det er noget af det der hvor at
• 12:31
  jamen altså jeg skal bare skære det her mange gange så så så er
• 12:35
  der ikke noget super meget at hente IIAI og agenter.
• 12:40
  Det synes Jeg er heller ikke overhovedet.
• 12:42
  I den 2 type a ikke og Det er jo der hvor Jeg er gammel nok til
• 12:45
  at kalde. De logikbaserede ting jo Det er
• 12:48
  jo også en type AI. Det er bare et symbolsk arie.
• 12:52
  Så kan man så sige. Nu har jeg lige givet et kursus
• 12:54
  her den 2. Dag i relation til AI
• 12:57
  forordningen og de har faktisk på en eller 2 måde skrevet sig
• 13:00
  ud af det. Så hvis man har en symbolsk AI.
• 13:03
  Hvor Det er mennesker, der ligesom har skrevet eller
• 13:06
  reglerne, så er det ikke længere.
• 13:09
  Jeg er i forhold til AI forordningen.
• 13:12
  Prøv at forklare det forskellen på symbolsk AI og som jeg tænker
• 13:16
  du til tænker som noget mere traditionelt ej.
• 13:19
  Men i virkeligheden. Det startede jo begge.
• 13:22
  Begge typer startede tilbage II. Halvtredserne ikke?
• 13:26
  Hvor man fandt på ordet AI. Og Det er supsyngisk, og Det var
• 13:31
  ideen med det neurale netværk, som så er blevet større og
• 13:35
  større, men i virkeligheden ikke så meget anderledes.
• 13:38
  Der er kommet noget attention og noget forskellige varianter, men
• 13:41
  man er gået tilbage til nogle rimelig basale, men meget, meget
• 13:43
  store neurale netværk. Og så var der den symbolske,
• 13:47
  hvor man siger, og det kommer tilbage til diskussionen med
• 13:49
  visningen lige om lidt. At der byggede man ikke neural
• 13:55
  netværk, hvor man ligesom trænede de her vægte.
• 13:59
  Men men beskrev logiske inferens regler, så de første
• 14:05
  skakcomputere, de fungerede på den måde, at man havde reglerne
• 14:07
  for skak og. Og så lærte man dem forskellige
• 14:11
  åbninger og og man lærte dem. Hvordan den kunne optimere sin
• 14:16
  lokale værdi ved at tage at trække, og på den måde var det
• 14:19
  meget reelt. Var der rent baseret, og så var
• 14:21
  der en inferens motor, som igen er en algoritme.
• 14:25
  Som som kunne helt basale logiske regler med hvis a gælder
• 14:30
  og b gæld og du ved den har en regel der siger a og b medfører
• 14:34
  c jamen så kan du konkludere c og på den måde kan du bygge
• 14:37
  flere konklusioner om og den type AI Det er det der hedder
• 14:41
  symbolsk AI og det findes stadigvæk, men bruges jo
• 14:44
  indenfor specialiserede områder. Som for eksempel ja medicin
• 14:51
  dosering og og hvis Der er forskellige typer medicin, der
• 14:54
  ikke. Men ikke må tage samtidig og
• 14:56
  Sådan nogle ting Der er. Der er ingen grund til at smide
• 14:58
  ind i et neuralt netværk. Jeg kan måske ret præcise regler
• 15:01
  op om hvad man ikke må, ikke. Og det jeg plejer at sige, når
• 15:05
  jeg holder Sådan nogle kurser i, så jamen den symbolsk er i.
• 15:09
  Den er meget, meget forudsigelig.
• 15:11
  Vi kan verificere reglerne. Vi ved den altid svarer rigtigt,
• 15:15
  men den kan til gengæld kun svare på det, som ligger inde på
• 15:17
  reglerne. Hvorimod og, og så kan den kun
• 15:20
  svare på noget, og hvor du kan definere reglerne.
• 15:23
  Hvorimod den den subsymbolske eller de neurale de kan svare på
• 15:27
  alt, men vi ved også at de engang imellem så er forkert,
• 15:31
  fordi de er en endelig. Regelsamling som er tilladt.
• 15:36
  Men man giver dem kan man sige mange flere typer input, end de
• 15:39
  egentlig kan magte med deres regler, så derfor så vil der
• 15:43
  være nogle input. Som virketræner rigtigt selv men
• 15:48
  men grunden til at de værdifulde Det er at vi kan bruge dem til
• 15:50
  at svare på problemer, hvor vi ikke sætter reglerne op, og det
• 15:53
  ville være fuldstændig åndssvagt at prøve at sætte regler op for
• 15:56
  eksempel ja det der med at logge ind med sit ansigt ikke
• 15:59
  ansigtsliv. Det vil være lidt fjollet at
• 16:02
  prøve at beskrive reglerne for præcis hvordan Vores ansigt ser
• 16:04
  ud. Når nu vi ved vi kan træne et et
• 16:06
  neural netværk til at. Eller en variant af neurale
• 16:09
  netværk, ikke? Det er jo også nu.
• 16:13
  Nu er vi jo. Det bliver et filosofisk og
• 16:15
  teoretisk lige pludselig her, men men men definitionen en.
• 16:17
  Re kommer. Men definitionen af en regel
• 16:22
  bliver jo også lige pludselig meget relevant her, fordi en er
• 16:25
  en modellering af noget data. At hvad kan man sige kan man?
• 16:31
  Man kan ekstrahere en eller 2 form for regel, måske ud fra det
• 16:34
  eller hvad. Man kan i hvert fald bygge en
• 16:35
  model op som som på ydersiden ligner en regel.
• 16:38
  Men den er en forsimpling af den virkelige verden.
• 16:40
  Uanset hvad, så det handler jo også om at finde den case, hvor
• 16:45
  at der behøves ikke at lave en form for abstrainering hen over
• 16:49
  det, fordi at at verden er faktisk i den regel jeg så at
• 16:54
  sige, og så kan man jo Sådan set bare applicere whatever logik
• 16:58
  eller som du siger symbolsk AI som som trods alt har.
• 17:03
  Kombinationsmæssigt et et større udfaldsrum.
• 17:06
  End vi måske lige gider at programmere os til, så Vi er
• 17:09
  hjulpet på vej. Kan man sige at at den løsning
• 17:14
  til ligesom at stadigvæk at komme ud og ramme flere cases?
• 17:17
  Hvor at at at Vi har måske i virkeligheden ikke mulighed for
• 17:20
  at definere regelmæssigt den naturlige sprog.
• 17:23
  Det har jeg i hvert fald ikke hørt nogen ligester komme og
• 17:26
  sige endnu, at de har løst gåden.
• 17:29
  Og så er det jo klart at kan man sige, så så har vi noget at
• 17:32
  hente der. At vi så bruger det til at
• 17:35
  oversætte til noget menneskeligt noget.
• 17:38
  Nu skal vi ind på det her reasing lige om lidt og og hvad
• 17:40
  der så ligger i det. Det synes jeg jo at at hvad kan
• 17:42
  man sige? Det er jo også det, Der er Sådan
• 17:44
  lidt spændende. Når Vi er i mål med det her
• 17:47
  altså fordi ja Det er brugbart, men er det Sådan har Vi har jo
• 17:50
  ikke noget god teori på det vel? Vi har jo gået i gang med Vores
• 17:53
  engineering, og så kaster vi det efter alle mulige ting, og så
• 17:57
  kommer vi først bagefter og stiller os selv det spørgsmål,
• 17:59
  hvordan er det rent faktisk? Det fungerer nede i motoren.
• 18:04
  Jamen altså jeg. Jeg plejer jo at sige at at vi
• 18:06
  ved jo egentlig godt hvordan en en lars nicrys måtte fungere,
• 18:10
  ikke? Men fordi den er så stor, så har
• 18:14
  vi svært ved at verificere og præcis hvad den vil give på et
• 18:18
  givet input. Og og Det er jo et af det, Der
• 18:21
  er udfordringerne med, at hvis man gerne vil kaste godt trails
• 18:25
  ind over og så prøve at tøjle Sådan en en sprogmodel, så
• 18:29
  kommer man til kort fordi at at de er så store at at Det er
• 18:35
  simpelthen svært at beskrive alle de regler, der ligesom kan
• 18:37
  fange dem for at gøre noget forkert.
• 18:40
  Så så så Det er ikke en måde man kan sikre at den ikke laver
• 18:44
  fejl. Det er en måde man kan fjerne de
• 18:46
  oplagte fejl. Og og Det er jo ofte godt nok
• 18:51
  men men Det er jo så ikke godt nok, hvis man skal bruge det for
• 18:53
  eksempel i den offentlige sektor, som Jeg har beskæftiget
• 18:56
  mig en del med de sidste 15 år. Hvis man skal sikre, hvis man
• 19:00
  skal kunne tage ansvaret for at borgere får den samme fair
• 19:03
  behandling. Af maskinen vi ved godt og og
• 19:10
  Det er den der stormand der altid kommer op at at at
• 19:13
  jamennesker giver heller ikke den samme fair behandling men
• 19:16
  men men Det er ikke det vi taler om.
• 19:18
  Vi taler om at lade en maskine ud for noget arbejde.
• 19:22
  Og der ved vi, at hvis vi. Har et et regelt 3 jamen så får
• 19:28
  alle den samme behandling. Det kan sagtens være, at Der er
• 19:33
  bias i det regel 3, fordi Det er nogle mennesker der har lavet
• 19:35
  det her regel 3, men så kan vi pege på det, og så kan vi
• 19:39
  placere ansvaret for hvem Det var Der er lavet af regelsrådet.
• 19:43
  Og så ved jeg godt, så kan man jo bruge maskinlæring til at
• 19:45
  lære regelsåd. Man kan jo godt bruge
• 19:49
  maskinlæring til at lave en symbolsk model.
• 19:52
  Hvor hvor reglerne er, og så er man stadigvæk indenfor AIAE
• 19:55
  forordningen, fordi så er det ikke mennesker der sidder og
• 19:57
  tegner skrevet de her regler. Og Det var blandt andet det, der
• 20:00
  skete med den her langtidsledigheds algoritme, som
• 20:05
  ja, Det er jo ikke en algoritme, men det det.
• 20:08
  Det er en kamp, Vi har tabt, er e modeller bliver kaldt
• 20:12
  algoritme, men. Det vil folk meget gerne kalde
• 20:14
  dem. Jeg plejer at se en algoritme.
• 20:17
  Det var noget, man i traditionelt set kunne bevise
• 20:19
  var rigtig eller forkert, og en AE model, Det er noget man kan
• 20:23
  bevise altid på et tidspunkt vil være forkert, men men fred være
• 20:29
  med det, så det her er e-model, som som stara lavede styrelsen
• 20:32
  for arbejdsmarkedet for forudse. Ja langtidsledighed Det var.
• 20:37
  Det var i virkeligheden bare et spørgsmål 3 og så trænet ud fra.
• 20:42
  Data fra. Register fra fra hentet ind fra
• 20:47
  arbejdsløs eller jobcentrene, ikke?
• 20:51
  Men, men de har faktisk valgt et spørgetræ fordi.
• 20:56
  At Det var for at forklare ret og, og Det var jo en god
• 20:58
  egenskab med de viste spejletræet frem til nogle.
• 21:02
  Så Det var lidt det der med forklarbart, men hemmeligt
• 21:04
  klarbart. Men nu viser jeg ikke
• 21:07
  forklaringen, men beviser for de samarbejder med os, da vi kom og
• 21:11
  og bad om indsigt i det, og Det var efter der var nogen der
• 21:15
  havde meldt dem til menneskerettigheds.
• 21:18
  Kan man sige menneskerettighedsbrud, fordi at
• 21:22
  de føler sig diskrimineret og og Det var Det var sandt nok i en
• 21:25
  eller 2 forstand at Det var kodet ind i det her spørgsmål.
• 21:28
  Hvis Det var over 50, så var du altid i risikogruppen.
• 21:32
  Og Det var trænet, men Det var Det var den så trænet til.
• 21:35
  Trænet til ja OK men men man kan se det ud af træet ret tydeligt
• 21:38
  hvis man ikke kan snyde på det, ikke?
• 21:40
  Så Det er repræsenteret den fordeling også der var i
• 21:43
  virkeligheden eller? Kom jo fra virkeligheden.
• 21:46
  Man kan så sige Det er retfærdiggør jo ikke
• 21:49
  nødvendigvis at man trækker den her ned over hovedet på den
• 21:52
  enkelte, og Det var der, hvor det kom frem som en retssag.
• 21:55
  Det var jo en der lige var blevet færdiguddannet jurist,
• 21:58
  men havde forældre med 2 etnisk baggrund, og så røg man også i
• 22:02
  den kategori. Nej.
• 22:06
  Især når man ikke får at vide hvorfor hænder.
• 22:10
  Hvis der nu i sagsbehandlerne siger nåh men dine forældre kom
• 22:13
  fra, så kan man jo ligesom udfordre det ikke.
• 22:16
  Men hvis man var for at vide at du er i risikogruppe.
• 22:19
  Så så er den ikke så god. Så.
• 22:24
  Det endte jo med den, så blev droppet i virkeligheden ikke på
• 22:27
  grund af diskriminering, fordi de havde valgt deres ordvalg
• 22:31
  omhyggeligt. Så de havde brugt de rigtige
• 22:34
  ord. Men, men den blev droppet fordi
• 22:38
  at at de holdt op med at bruge den ude II jobcentrene og når
• 22:43
  man ikke bruger det så kommer kan det være en og siger jamen
• 22:45
  så må du ikke samle de her data ind.
• 22:48
  Fordi så samler du data ind, som du ikke bruger til noget og og
• 22:51
  så bliver den droppet. Men så så Det var jo først
• 22:56
  brugte modellerne. Det var hele tiden i 17 18
• 22:58
  stykker her ikke og og der der kæmpede jeg lidt med det, fordi
• 23:02
  jeg havde faktisk fået penge til en forskningsprojekt, hvor vi
• 23:04
  havde 2 mål. Det ene var skulle vi bruge data
• 23:07
  til at hjælpe beslutningstøtte? Og der kiggede vi lige præcis på
• 23:11
  det der med med at spå om. Blandt andet langtidsledighed,
• 23:14
  men også andre ting. Og der fandt vi ud af
• 23:17
  datakvaliteten, var simpelthen ikke god nok, fordi det data,
• 23:21
  der blev tastet ind i jobcentrenes
• 23:23
  sagsbehandlingssystemer. Det er jo tastet ind til
• 23:25
  journaliseringsformål, men ikke til træningsformål så.
• 23:33
  Og der var rigtig mange altså der var rigtig mange sager, hvor
• 23:35
  man faktisk ikke anede hvornår den arbejdsløse kom i arbejde
• 23:38
  eller den arbejdsløshed kom i arbejde, fordi vedkommende holdt
• 23:40
  bare op med at komme. Og så er det også svært at træne
• 23:44
  en forudsigelse, og det kunne mærke ikke men og Det var bare
• 23:48
  en der var mange andre udfordringer.
• 23:51
  Men så udviklede vi så også den her symbolske.
• 23:56
  Model. Hvor man kunne kode lovgivningen
• 23:59
  ind. Fuldstændig forudsigeligt og
• 24:01
  præcist. Og Det var faktisk det, det
• 24:04
  virkede og det. Og Det er jo så lidt
• 24:07
  programmeringssprog her Vi har lavet der hedder des rrafer, som
• 24:11
  i virkeligheden er rent grafer, så Det er en generalisering af
• 24:14
  af regeltræer. Til en graf, hvor man så kan
• 24:17
  hoppe frem og tilbage og svare på spørgsmål flere gange.
• 24:20
  Hvordan kan man repræsentere lovgivning som en graf?
• 24:23
  Jamen det gør man ved, at alle de handlinger eller hændelser,
• 24:26
  som er relevant i forhold til lovgivningen, de bliver knudret.
• 24:32
  Og så er kanterne imellem knuderne.
• 24:33
  Det er altså afhængigheder. Så der Vi har en en håndfuld
• 24:38
  forskellige typer afhængigheder og og man kan sige et reelt 3
• 24:41
  Det er en meget meget simpel slags ikke endelser, men eller
• 24:46
  spørgsmål man svarer på. Og så er der kun en der siger
• 24:48
  enten går du fremad eller eller ja du går til den 2 side ikke?
• 24:53
  Hvor en reel graf der havde vi lidt flere der af en hændelse
• 24:57
  kunne udløse af den 2 hændelse blev obligatorisk eller
• 25:01
  aktivitet, eller den kunne udløses af den ikke længere var
• 25:04
  relevant, som den blev fjernet. Eller det modsatte at man kunne
• 25:09
  beskrive at at noget var relevant igen og på den måde
• 25:11
  kunne man have en dynamisk graf der kan ændre sig.
• 25:15
  Jeg skulle til at sige den skal jo kunne vende tilbage, kan man
• 25:18
  sige derfor. Er det en graf og?
• 25:19
  Et ja præcis. Fordi Det kan blive relevant at
• 25:22
  svare på og skulle svare på nogle ting igen.
• 25:26
  Men så har vi så udvidet den også til at indeholde
• 25:28
  tidsforsinkelser. Det vil sige, at man kan
• 25:30
  beskrive den processer også med det samme.
• 25:32
  Så man kan sige, hvis det her sker, så skal det her ske inden
• 25:36
  for en uge, og på den måde kan vi faktisk.
• 25:39
  Med hjælp af regler beskriver processer.
• 25:42
  I den samme formalisme. OK hvordan hvordan Sådan er user
• 25:46
  interface så til den altså hvordan bruger man bruger man?
• 25:51
  Det kommer an på om du er den der designer grafen eller om du
• 25:54
  er sagsbehandleren fordi hvis du er sagsbehandleren så har du
• 25:57
  bare et sagsbehandlingssystem hvor du har nogle opgaver.
• 26:00
  Som enten er mulige eller krævede eller kan også godt være
• 26:06
  de er krævet, men ikke ikke de mulige endnu, der ligger ude i
• 26:10
  fremtiden. Og så kan du for eksempel bruge
• 26:12
  det til at holde styr på. Hvad skal du gøre lige nu, og
• 26:15
  hvad har du af udestående opgaver?
• 26:17
  Og Det er det, Der er bygget ind II blandt andet KMD workshone,
• 26:21
  fordi de var nogle af Vores første kunder dengang, og nu
• 26:24
  bliver der brugt vi måske 30 forskellige styrelser i Danmark
• 26:28
  og i det ene. Det har jeg siddet i workshow?
• 26:31
  Men altså man kan se meget om workshone og det vil jeg ikke
• 26:33
  komme ind i. Jeg har ikke sigende
• 26:34
  brugergrænsefladen men men men Jeg er meget stolt af at de tog
• 26:38
  det der selskab fordi dengang Det var før det blev worldzone
• 26:40
  der hedder the scan your. Der havde de bygget Windows
• 26:44
  Microsoft det der workflow foundationent.
• 26:47
  Og det kunne simpelthen ikke få det til at virke.
• 26:49
  Det var alt for gid, og Det var Sådan en procesautomater.
• 26:53
  Og det fungerede ikke sammen med sagsbehandlingen, men
• 26:55
  sagsbehandlingen har jo altså en mulighed for at have nogle flere
• 26:57
  undtagelser at kunne hoppe frem og tilbage.
• 26:59
  Og så sagde jeg jamen i at bruge Vores motor, Der er et APII kan
• 27:03
  bare bygge det ind som en service.
• 27:05
  Den er hændelsesbaseret, og man kan bare fyre hændelser ind i
• 27:08
  den her. Og så får du at vide, hvad Der
• 27:10
  er de næste skridt. Og og det virkede, og det
• 27:14
  virkede så godt, at de droppede det her.
• 27:16
  Wøfler foundation efter et stykke tid, ikke?
• 27:19
  Sådan. Jeg tænker kan man altså bare nu
• 27:21
  Det er fordi jeg tænker Sådan bogførings hvad hedder det
• 27:24
  lovgivning og Sådan noget? Altså skal det altså kan man
• 27:27
  repræsentere alt lovgivning på den her måde eller er det eller
• 27:30
  er det Sådan at der? Er lige en som statskundskaber
• 27:33
  et kort øjeblik, der har arbejdet i det offentlige.
• 27:36
  Især sagsbehandling er jo et spørgsmål om journalisering, og
• 27:40
  man hele tiden sender ting frem og tilbage til.
• 27:42
  Til forskellige enheder og og i forvaltningen og og det det den
• 27:48
  graf man laver. Der kan være ret komplekst og at
• 27:52
  kravene kan være til hvordan den.
• 27:54
  Hvad kan man sige hvordan det skal cirkulere rundt omkring er
• 27:58
  meget forskelligt fra styrelse til styrt styrelse til styrelse,
• 28:01
  fordi man har forskellige organiseringer omkring det, så
• 28:04
  Det er jo rigtig god mening at have den slags struktur og regel
• 28:09
  opsætninger til til lige præcis det fordi.
• 28:11
  Jamen så kan man konfigurere det til konteksten, ikke?
• 28:14
  Og og Det er netop derfor Det er blevet populært i alle mulige
• 28:16
  styrelser og. Det giver mening.
• 28:19
  Fordi at de kan selv Der er et web værktøj hvor de kan sidde og
• 28:22
  vedligeholde de her grafer, og nu har vi så fået penge til at
• 28:25
  vise at man kan bruge sprogmodeller til at generere de
• 28:27
  her grafer, ikke? Vibeco et symbolsk.
• 28:32
  Er det så dit sprog, det genererer Thomas?
• 28:35
  Ja. Det er det.
• 28:36
  Og og har i trænet det eller har har åbent.
• 28:39
  Jeg hapset dit programmeringssprog.
• 28:43
  Der er en sjov ting. Det er at i starten der kendte
• 28:45
  terklip jo ikke til det her, men nu nu er nu har det jo været
• 28:49
  publiceret omkring det i 15 år, så nu nu kender salt kapitel
• 28:52
  faktisk det her. Det hedder DCR hvor man kan
• 28:55
  spørge man kan endda få den til at bygge simple d særk arbejde
• 28:58
  og forklare dem på et eller andet tidspunkt rammer den
• 29:01
  grænsen jeg sad og eksaminerede den i 2 timer ikke altså.
• 29:04
  Så siger den noget sludder og og så er der noget galt ikke men
• 29:07
  men men men det vi gør Det er meget simplere.
• 29:09
  Vi har jo bare lavet en prompt hvor Vi har givet den nogle
• 29:12
  eksempler på hvordan man oversætter tekster i lovgivning.
• 29:17
  Og der kan man faktisk rimelig langt men men Det har vi så lige
• 29:21
  fået de her 19 mio. fra invasionsfonden, så Vi skal
• 29:24
  prøve at gøre rigtigt så som nogle skalerbare hvor man kan
• 29:28
  tage en en større lovtekst og så mappe til det her, men altså for
• 29:33
  at vende tilbage Der er strikse regler og noget af lovgivningen
• 29:37
  som er på en lidt mere meta niveau altså.
• 29:39
  En vurderings ja. For det første så så kommer vi
• 29:43
  udenom vi, vi, vi. Laver jo ikke AI som laver
• 29:46
  vurderingen. Jeg var jo kun af i der siger
• 29:49
  hvornår en sagsbehandler skal lave vurderingen, fordi Det var
• 29:52
  et af de problemer, Der er man. Man må jo ikke i
• 29:54
  forvaltningsloven sætte reel over skøn, så man må ikke gå ind
• 29:58
  og sætte regler ind der. Men man må godt minde en
• 30:01
  sagsbehandler om du skal altså lige huske at lave den her
• 30:03
  vurdering. Det kan være en stor hjælp for
• 30:05
  sagsbehandleren. En stor hjælp de var de var
• 30:07
  totalt lykkelige i den Kommune, hvor vi prøvede det af.
• 30:11
  Så så skete der. Vi havde lavet en
• 30:13
  open-source-styring til dem også, men.
• 30:16
  Der skete, der desværre det at deres chefer de stoppede, kom
• 30:20
  der nogle nye chefer, og de sagde, Vi skal da have et nyt
• 30:22
  companiesystem i stedet for. Så bandede de lidt over det og
• 30:28
  ja og og så skete der ikke så længe så skulle de i.
• 30:31
  Udbud og så kørte møllen. Det sjovt fordi det du det du så
• 30:35
  så vidt jeg forstår så det man så bruger en sprogmodel til.
• 30:38
  Det er i virkeligheden det her med at kunne tage noget
• 30:39
  naturligt sprog og så altså i stedet for at folk skal sidde og
• 30:43
  taste manuelt ind, så ligesom bliver det udledt eller Sådan.
• 30:47
  Extract for for for teksten der ikke Det er sjovt.
• 30:49
  Det er også bare noget jeg tænker rigtig meget over det her
• 30:51
  med at rigtig altså. Det er en super undervurderet
• 30:54
  brug af sprogmodeller det her med at tage altså tage tekst og
• 30:57
  så have en prop der beskriver hvad for noget en prompt Der er
• 31:00
  et et skema der beskriver hvad for noget struktureret data der
• 31:03
  skal ud af det her og så gør det ikke.
• 31:06
  Det er jo noget de er rigtig gode til.
• 31:09
  Ikke at selvfølgelig laver de nogle fejl, men der har man den
• 31:11
  fordel at den her regel graf, den kan man jo så teste.
• 31:14
  Og og og gøre alle mulige ting med, men i det her projekt bare
• 31:19
  lige for med en 2 kæphest. Det er altså i den 2 ende der
• 31:21
  prøver. Vi så også at at smede og Vi har
• 31:23
  allerede en prototype. Er det faktisk så man kan jo
• 31:25
  også snakke med de her regel grafer via en sprogmodel.
• 31:29
  Sådan så i stedet for at sidde og fylde en formular ud, så kan
• 31:33
  man jo bare sige, jamen Jeg er lige blevet arbejdsløs og Jeg er
• 31:35
  25 år og så kan sprogmodellen jo godt finde de fakta som passer
• 31:39
  ind i regelmodellen. Og så på den måde anvende
• 31:42
  reglerne og så spørgsmål tilbage til dig.
• 31:46
  Og på den måde får man det bedste af begge verdener, fordi
• 31:48
  man kan snakke med dem i naturligt sprog.
• 31:51
  Man kan tjekke om den har forstået fakta rigtigt fordi den
• 31:53
  siger er det rigtigt du sagde over 25 år og du lige er blevet
• 31:57
  arbejdsløs. Og ja Det har vi allerede 1 1 1
• 32:02
  fin prototype men det det Det er så noget af det Vi skal bruge i
• 32:05
  de næste 3 år på at. Hvor forfine?
• 32:07
  Ikke så vi kan få de her. Lidt kedeligere chatbots fordi
• 32:11
  at de svarer standarder ud fra regler, men til gengæld kan du
• 32:15
  du kan snakke med dem du kan ringe op til dem og og bruge et
• 32:19
  et sproginterface ikke? Så.
• 32:22
  Det er interessant det du det du fortæller om Det er Thomas og
• 32:25
  Jeg synes Det er imponerende den der kobling med at man har noget
• 32:29
  meget fast. Man har noget validering, og så
• 32:32
  har kan man også. Hvad kan man sige putte det her
• 32:37
  abstraktionslag henover, som det jo egentlig et eller andet sted
• 32:39
  er en brugergrænseflade fra for naturligt sprog til
• 32:43
  kompleksitet. Det gør vi også, når vi
• 32:46
  programmerer. Vi bruger det til det ene og det
• 32:48
  andet. Jeg håber vi stadig skriver i
• 32:51
  Vores test derude, fordi at Det er jo ligesom måden, at vi kan
• 32:53
  finde ud af om det Vi er på vej det rigtige sted hen og der og
• 32:58
  altså der holder jeg jo også software fanen højt og siger, i
• 33:01
  må ikke smide jeres øjne protestene ud.
• 33:04
  Det kan ikke nytte noget, at den både skriver testene og skriver
• 33:07
  koden og Jeg er sønner. Jeres sønner engang imellem selv
• 33:12
  og så så finder jeg ud af, at selvfølgelig har den bare.
• 33:17
  Teating 2 the test som man siger at den simpelthen bare.
• 33:21
  Er selvopfyldende ikke nå, men hvad hedder det?
• 33:25
  Jeg er super nysgerrig på det her, hvordan man kan
• 33:26
  repræsentere altså lovgivning som grafiker og Sådan noget det
• 33:29
  det. Men jeg tænker ja.
• 33:31
  Dit spørgsmål. Undskyld undskyld.
• 33:32
  Undskyld lige et sidste spørgsmål fordi det der med at
• 33:35
  putte Det var måske det du ville sige jo.
• 33:37
  Men det der med at putte et lovtekst til til altså at mappe
• 33:41
  det ind til en graf. Har man nogensinde, når man har
• 33:44
  siddet og arbejdet med Sådan noget fundet ud af, at loven er
• 33:46
  inkonsistent det. Er også det.
• 33:48
  Jeg tænker der der. Det virker som om at Der er så
• 33:50
  mange altså ja nej nej. Ja altså, og og Det er den jo.
• 33:55
  Men Jeg vil snarere sige den er underspecificeret.
• 33:59
  Ja Det er jo sikkert by design, ikke?
• 34:04
  Men hvis man gerne vil lave en selvbetjeningsløsning, eller
• 34:06
  hvis man gerne vil oversætte den her stub lov til en formular,
• 34:10
  hvor folk de selv kan søge om et eller andet og så sagsbehandle
• 34:13
  dem, så nytter det jo ikke noget i den underspecificerede.
• 34:15
  Altså så skal man i hvert fald vide, hvor Det er at så sende
• 34:17
  det ud til et menneske, ikke? Så så jo man finder ud af at Der
• 34:22
  er rigtig mange implicitte regler som ikke står der.
• 34:27
  Og Der er også noget imod, så vi håber Vi har fået
• 34:28
  digitaliseringsstyrelsen med i Vores referencegruppe, så vi
• 34:31
  håber jo meget at kunne spille tilbage til dem og sige, nu kan
• 34:35
  vi faktisk se her, at Der er nogle steder, hvor reglerne er
• 34:38
  unødvendige. Eller mangelfulde.
• 34:43
  Og så kan vi måske komme med noget, Der er lidt bedre end de
• 34:46
  her. 7 principper for digitalisering og lovgivning,
• 34:47
  ikke? Hvordan dagen var reduceret
• 34:50
  kompleksiteten i loven med bare lige at gøre opmærksom på at
• 34:52
  den. Sygt spændende område.
• 34:55
  Virkelig altså Sådan. Det er jo virkelig Sådan, hvis
• 34:56
  man knækker den der ikke altså men hvordan hvis man så laver en
• 34:59
  en graf til 1 1 lovgivning eller en lovgivning til en graf og den
• 35:03
  er underspecificeret hvordan? Hvordan kan man detektere det i
• 35:08
  grafen, eller hvordan bliver det så til udtryk?
• 35:11
  Prøvet at Vi har jo de her værktøjer nu ikke hvor man kan
• 35:13
  man kan man. Man kan jo opmærke loven med
• 35:16
  farver, så man kan se det her. Det er hennes og aktiviteter og
• 35:19
  Det er her Vi har fundet noget tekst, der minder om en regel.
• 35:22
  Her er der en rolle, der siger, hvem der skal gøre det her.
• 35:26
  Og så kan man jo inde i simulatoren hvor man har grafen
• 35:29
  der kan man trykke gå og så kan man se hvad er det så for nogle
• 35:31
  mulige sagsforløb Der er regler og der vil man så opdage hvis
• 35:36
  den er underspatiseret at Der er der nogle mærkelige sagsforløb,
• 35:39
  som man ikke havde forventet. Man kan modtage en bekræftelse
• 35:43
  for sin ansøgning, før man har sendt den og Sådan nogle ting.
• 35:45
  Og det kræver, og det kræver det kræver.
• 35:47
  Men altså et menneskeligt blik at finde før ja.
• 35:51
  Medmindre du kan skrive nogle overordnede matoregler for hvad
• 35:54
  hvad skal altid gælde ikke? Bare bare fordi de tænker hvis
• 35:57
  hvis man kunne, hvis hvis det kunne måle Sådan rent
• 36:00
  programmatisk eller hvad man kan sige, så ville man jo være i
• 36:02
  stand til at kunne dedikere støj i lovgivning eller Sådan på en
• 36:05
  eller 2 måde. Altså Sådan.
• 36:07
  Er der nogle ting man kan lave automatisk?
• 36:08
  Man kan for eksempel finde ud af om om loven har en en dead, hvor
• 36:13
  hvor du har nogle ting Der er krævet, men de vil aldrig blive
• 36:15
  mulige. Så så så den slags kan man kan
• 36:18
  man begynde at verificere. Ikke prøv at tænk.
• 36:20
  På hvis man kunne køre Sådan et program over alt dansk
• 36:22
  lovgivning. At du altså Det er supernaivt,
• 36:25
  men altså Sådan det kunne da bare være fedt ligesom at.
• 36:27
  Kunne vende tilbage til det, fordi du spurgte om alt
• 36:29
  lovgivning kunne mærkes ind i en graf.
• 36:30
  Det kan det ikke, fordi Der er noget lovgivning som er.
• 36:33
  For eksempel bestyrelseslovgivningen indenfor
• 36:35
  den finansielle sektor, som siger noget, i skal have lavet
• 36:38
  procesmodeller. Ja jamen Jeg vil jo ikke sætte
• 36:41
  perform eller på på regler præcis jo man kan sige check mak
• 36:45
  Jeg har lavet procesmodeller ikke men men men den siger jo
• 36:49
  ikke noget om hvordan det skal se ud og hvornår man er i mål og
• 36:52
  alle de her ting ikke så så så så på den måde.
• 36:54
  Men men for eksempel hvis du skal søge om.
• 36:58
  En eller 2 social ydelse så er der ofte rimelig reeltbaserede.
• 37:01
  Eller hvis du skal søge om udbygge din carport eller ændre
• 37:06
  status af din bolig og den slags ting, så er vi pludselig nede i
• 37:10
  noget meget rent. Betyder Det er også tit det, man
• 37:13
  kalder objektive kriterier, kan man sige altså man har noget som
• 37:17
  som kan puttes på Formel, og så kommer man til på et eller andet
• 37:20
  tidspunkt, og så er det altid op til et skøn i sidste ende, men
• 37:23
  så kan man hjælpe så langt som muligt med alle de objektive
• 37:26
  kriterier hen til det rigtige. Skønsproblem kan man sige ikke?
• 37:31
  Bare med en så simpel ting som at få dokumenteret, hvad Det var
• 37:34
  der blev gjort undervejs, og Det er jo nogle problemer, Vi har
• 37:37
  store problemer med, når Vi har analog sagsbehandling, eller vi
• 37:41
  kalder det digitalt. Men Det er jo analog, fordi Der
• 37:43
  er ikke nogen, der skriver ned, hvad man skal gøre.
• 37:46
  Og og Det er jo det vi ser igen og igen, og og det så vi faktisk
• 37:49
  dengang vi startede det her projekt op, at Det var en af
• 37:51
  motivationsfaktoren, at når Ankestyrelsen kiggede i gamle
• 37:54
  sager. Det var i øvrigt enormt
• 37:55
  ineffektivt at kigge historisk på 100 gamle sager.
• 37:57
  Så skal man så kigge alle de der.
• 38:00
  Journalmapper så fandt de ud af, at inden for tvangsfjernelse af
• 38:04
  børn. Der var der over halvdelen af
• 38:07
  sagerne, hvor man ikke havde haft en samtale med barnet.
• 38:11
  Og alligevel ikke græde ned, hvorfor man ikke havde den,
• 38:13
  fordi Det er lovpligtigt at have en samtale, med mindre man har
• 38:15
  en særlig grund til ikke at have det.
• 38:18
  Det var ikke skrevet ned. Og der kan meget vel have været
• 38:22
  af gode grunde i mange af de her sager, men Det er jo man har
• 38:25
  brudt loven, når man ikke har skrevet ned hvad grunden var.
• 38:28
  Og og Det er jo et problem for Vores retsfølelse og Vores
• 38:31
  retssikkerhed i virkeligheden at at vi ikke kan gå tilbage og
• 38:35
  pege på. Jamen, hvorfor blev det barn
• 38:36
  tvangsfjernet? Det sjovt fordi OK så så jeg
• 38:39
  forstår det Sådan at Der er ligesom noget lov Der er noget
• 38:41
  lovgivning som ikke kan sættes på Formel på den måde.
• 38:44
  Men så er der også 1 1 1 del lovgivning, især i forbindelse
• 38:47
  med sagsbehandling virker det til som som nærmest er script
• 38:51
  III naturli sprog. Ja Det er jo script, men Det er
• 38:55
  ikke procedure Det er mere og og Det er derfor Det er mere egnet
• 38:59
  at have de her. Kan man sige her
• 39:00
  hændelsesbaserede regler, fordi Det er mere, hvis det her sker,
• 39:03
  og det her er sket tidligere, så skal du på et tidspunkt gøre det
• 39:06
  her, men så kan det godt være at der sker noget 2 dage efter der
• 39:09
  gør du ikke længere skal gøre det her, så du har Sådan nogle.
• 39:12
  Du har ting Der er krævet, som kan holde op med at være krævet.
• 39:17
  Nu nu tabte Jonas jamen. Tabt for Jonas ja mon ikke han
• 39:19
  kommer igen. OK.
• 39:23
  Det det det det skulle. Jeg havde lige en 2 ting som jeg
• 39:26
  syntes var spændende. Jo fordi det virker som om at
• 39:30
  det som projektet så i virkeligheden går ud på Det er
• 39:32
  ligesom Det er i virkeligheden hvor man bruger sprogmodeller
• 39:34
  til at registrere data. Altså ligesom være hvis alle
• 39:38
  havde 1 1 1 sekretær der sad og skrev det man sagde eller skrev
• 39:43
  ned. Vi vi bruger sprogmodeller i
• 39:47
  begge ender. Den ene ende er for at hjælpe
• 39:49
  med oversættelsen fra tekstbaseret regler til de her
• 39:52
  regel arfer. Indtastning.
• 39:54
  Ja Det er så. Nemt reglerne altså genererer en
• 39:57
  symbolsk model med hjælp fra en sprogmodel, og Det er jo fordi,
• 40:00
  at lovgivningen bliver udgivet som tekst ret oplagt, ikke?
• 40:05
  Og i den 2. Og Det har vi.
• 40:06
  Det er ovre fra fra lingvistik og den humanistiske del af af
• 40:11
  sprogvidenskaben, som har den arbejdspakke.
• 40:15
  Og så mine kollegaer fra NLP på Diego.
• 40:17
  De har så arbejdsmarkedet med den her conversation hej pødt
• 40:21
  AI. Jeg prøver at introducere termen
• 40:25
  thai. Fordi ja Vi skal finde på et
• 40:28
  eller andet. En skejlvægende kan ikke der
• 40:34
  hvor man kan snakke med sin symbolske model.
• 40:37
  Derfor skulle vi gerne have en Chile.
• 40:40
  Jeg skal lige finde ud af at gøre det.
• 40:41
  Nej, Det kan stå for men. Men så så Det er ligesom de 2
• 40:47
  ender hvor hvor vi i det projekt.
• 40:50
  Bruger bruger sprogmodeller ikke?
• 40:54
  Og så er der nogle udfordringer med de her grafer, hvis de
• 40:58
  bliver altså de er jo nogenlunde lige så store som lovgivningen.
• 41:01
  Og Det er stadigvæk rimeligt kompakt, men lovgivningen er jo
• 41:04
  ret mange sider. Men hvis du skal have en knude
• 41:07
  for hver handling og. Så bliver det jo også komplekst,
• 41:11
  så Vi skal have udviklet det her problematisk sprog til at være
• 41:13
  lidt mere modulært, så man kan genbruge komponenter ikke
• 41:16
  behøver at skrive dem, ligesom vi kender fra promans sprog.
• 41:20
  Og så Det er der også nogle helt klassiske datalogiske
• 41:24
  udfordringer, romantisk sprog, udfordringer II virkeligheden og
• 41:27
  lave noget mere modulært promansprog.
• 41:30
  Ja. Men Det er det projekt, og så er
• 41:32
  der. Så fik vi jo nogle andre også og
• 41:34
  det andet. Det var så AI for soft
• 41:36
  indigneringen, og det spiller jo meget ind i en web coating.
• 41:40
  Hvor? Med at Vi har en hel masse
• 41:43
  universiteter med det. Det andet jeg nævnte her.
• 41:44
  Det er dtu og KU. Og KU Der er det så både jura og
• 41:50
  sprogvidenskab og datalogi. Men det her a iphineing.
• 41:54
  Det er så i virkeligheden et datalogah rundt omkring på
• 41:57
  Aarhus DTUSTUKUITU. Som har fokus på software
• 42:03
  dinering, og så har vi en masse virksomheder med, og så så skal
• 42:07
  vi kigge på. Jamen, hvad er praksis i dag for
• 42:10
  web cooding? Sådan nogle hvad er det, du
• 42:12
  underviser vi? Vi skal helt klart have dig ind
• 42:13
  Kasper ser du Jeg kan? Godt lige understrege at Vi er.
• 42:17
  Vi prøver virkelig at undervise i det ansvarligt.
• 42:19
  Altså vi prøver virkelig når vi går ud, så siger vi det her.
• 42:21
  Det er ikke magisk silver bullet et eller andet der bare men, men
• 42:25
  Det er interessant. Og Det er en skills man skal
• 42:28
  lære. Det er ikke det.
• 42:30
  Det er en 2 måde at gøre det på. Ja, men så vi bare lige for at
• 42:33
  sige at vi ikke går ud og sælger Sådan vi går ind.
• 42:37
  Eller noget til. Jeg har jo så ikke kæphester.
• 42:40
  Jeg har en PHD styrer. Jeg har lige fået ansat Jeg kan
• 42:43
  ikke sige navnet endnu, men som som skal kigge på hvordan man.
• 42:47
  Netop kan generere nu er det bare ikke fået lov tekster og nu
• 42:51
  er det for krav og spekulationer og så kan man have de her regel
• 42:53
  grafer til at beskrive forretningsudvikken, og så kan
• 42:56
  man genererer et ER diagram for datamodellen, så man ligesom har
• 43:00
  nogle modeller som er nemmere at verificere end end ren kode, og
• 43:04
  så kan man bruge noget mere klassisk modelbredde
• 43:06
  softwareudviklingsegenerer kode fra fra modellerne.
• 43:12
  God anledning til at gå videre til til til emnet om reasning
• 43:16
  fordi vi snakkede lidt om, om det her reasningparadigme og.
• 43:20
  Vi har jo set Sådan et. Et skifte II transformere altså
• 43:27
  på next toen produktion er ligesom bare det det vi gør.
• 43:31
  Optimere mod det, og så sker der magiske ting, når Vi er færdige,
• 43:36
  og så ved vi godt, at når vi. Når vi ligesom skal optimere mod
• 43:42
  en eller 2 præference, som man har som modtager af den her
• 43:46
  tekst her, så. Er det Sådan lidt blødere?
• 43:48
  Der er meget Sådan det væver lidt i, hvordan vi ligesom får
• 43:52
  får leget modellerne til det, men så er der jo det her
• 43:54
  reasningparadis, hvor Vi er begyndt at bruge de her
• 43:57
  verifyble outcome på en eller 2 måde, og så bruger vi et reward
• 44:01
  system i stedet for og siger du klarer dig præcist godt på XYZ
• 44:06
  og så får du et point for hver eller hvad Det er, og Der er jo
• 44:09
  noget mere i det Thomas, som er Sådan lidt mere håndfast, altså
• 44:12
  hvor Vi har noget vi for eksempel med kode.
• 44:14
  Vi ved godt om det her, Det er korrekt eller ikke er korrekt vi
• 44:17
  kan skrive. Udtømmende test i hvert fald.
• 44:19
  Vi kan måske måske ikke bevise alting.
• 44:21
  Det er altid desværre, men vi kan i hvert fald skrive nogle
• 44:24
  tests, hvor vi kan verificere det indenfor for et område.
• 44:28
  Og hvad tænker du om det? Er det noget, som hjælper dem
• 44:32
  mere på? Det her tror vi nu mere på det
• 44:35
  II Sådan nogle hy risk scenarier, eller er vi bare
• 44:39
  totalt risiko averse og vi vil slet ikke.
• 44:44
  Fortsætte ned af den vej og prøve.
• 44:46
  Hvad tænker du der? Altså 1 1 1 1 sprogmodel den.
• 44:54
  Det er jo stadigvæk 1 1 1 generator og og ja autoregassiv
• 45:00
  model eller hvad. Altså Der er den prædikter og og
• 45:04
  Det er jo lidt som at lære en stor tabel.
• 45:07
  Så på et eller andet tidspunkt, så rammer man udenfor det.
• 45:09
  Den kan kan ramme rigtigt, og så laver den noget forkert.
• 45:12
  Men Det er rigtigt, og Det er jo så også det, vi vil udnytte i
• 45:15
  det her. Projekt med med softwandinering.
• 45:19
  At, hvis man genererer noget, der kan verificeres.
• 45:23
  Så har vi jo, så kan vi lave et ekstra tjek og så kan vi bede
• 45:26
  den lidt om hvis Det er en rammer forkert.
• 45:29
  Og og Det er netop det, Der er den pointe.
• 45:31
  Jeg vil forsøge med med min purte instuderende her, fordi
• 45:35
  det altså de de færreste programmer kan jo testes
• 45:37
  fuldstændigt fordi at der rammer man ud i turing holdting
• 45:41
  problemet ikke. Så så men men nogen endelig
• 45:48
  tilstandesmodeller. De kan faktisk testes og de kan
• 45:50
  verificeres. Og så kan vi.
• 45:54
  Også nemmere at forklare til brugeren, om man ligesom har en
• 45:57
  komplet test. Hvis hvis man har noget Der er
• 46:01
  nemmere at forstå end end end kode ikke men men men så Jeg vil
• 46:05
  sige. Så så nej sprogmalere kan
• 46:09
  stadigvæk ikke ræsonnere. Logisk de kan generere en tekst.
• 46:15
  Som simulerer et ræsonnement, som lyder som et ræsonnement.
• 46:19
  De kan. I de fleste tilfælde genkende,
• 46:22
  hvornår de er uden for deres egen, hvornår de har brug for
• 46:24
  noget som kræver logisk ræsonnering eller udførelse af
• 46:29
  et program. Og så kan de gen netop program i
• 46:31
  stedet for. Som så kan blive udført af en
• 46:34
  compiler eller en fortolker. Og en fortolker den forstår jo
• 46:39
  programmet. Den kender sematikken og den kan
• 46:41
  udføre programmet korrekt hver gang, og Det er jo derfor vi.
• 46:45
  Bruger en program. Nej ja, men den den gør jo hvad
• 46:49
  programmet siger. Ja den gør, siger fortolkeren.
• 46:52
  Forstår programmet 100%. Det kan så godt være at vi ikke
• 46:54
  har forstået hvad programmet skulle være og så ville
• 46:56
  programmet, men så Det er jo derfor vi ikke bruger en
• 46:59
  sprogmodel i stedet for en picernfortolker.
• 47:04
  Det ville være. Lidt.
• 47:05
  Der var også nogle der de tidlige dage med sprogmodeller
• 47:08
  med checkby til at komme ud. Der var der nogen der prompte
• 47:10
  den til at være en linux-terminal?
• 47:13
  Og så prøvede jeg altså og det der opførte sig som en
• 47:15
  linusterminal og var overraskende god til ligesom at
• 47:17
  altså til en visgrænse, men var overraskende god til ligesom at
• 47:20
  hvis man lavede en en mappe og en fil og Sådan noget ligesom at
• 47:22
  holde styr på det der det. Var meget sjovt.
• 47:24
  Min linjesterminaler har jo så også stadigvæk et begrænset.
• 47:28
  Man kan måske godt komme ud i at rent faktisk at lave nogle ting
• 47:31
  der turde en komplet men men men man skal anstrengelser ikke
• 47:35
  hvorimod et python program eller et java-program eller et
• 47:38
  seprogram. Der er vi ude i noget, hvor hvor
• 47:40
  sproguddannelsen det skulle kunne.
• 47:44
  Partisk ræsonnere logisk fordi et program er jo i virkeligheden
• 47:47
  en logisk. Formel som som fortæller os,
• 47:51
  hvad er opvask skal være, når når i kører det.
• 47:55
  Og så er udførslen af et program jo i virkeligheden det samme som
• 47:58
  er ræsonnerer men og Det er også derfor men men det Der er
• 48:02
  farligt med sprogmullerne er jo at de er jo meget glædeligt
• 48:06
  giver udtryk for. At de kan gøre det.
• 48:11
  Og og Det er der hvor Jeg synes Det er en fjollet spild af
• 48:13
  computerkraft og at lave alt det der matematikken marks og prøve
• 48:17
  at overbevise folk om at nu kan den.
• 48:20
  Vinde en eller 2 matematik olympiade.
• 48:23
  Det er jo ikke den altså. Den har jo stadigvæk forstået
• 48:26
  hvad den gør, og den ved ikke hvornår den har gjort det
• 48:27
  rigtigt. Men men man kan så verificere
• 48:29
  mig ved hjælp af andre midler om den har gjort det rigtigt.
• 48:34
  Og og jo Jeg kan godt se at man kan anvende det til at bruge
• 48:37
  Sådan en kreativ udforskning af et mulighedsrum, fordi Det kan
• 48:43
  de jo godt. De kan godt komme med mulige
• 48:45
  løsninger på det her sfære matematiske bevis.
• 48:49
  Men det kræver stadigvæk at man har en 2 måde at finde ud af, om
• 48:52
  det faktisk er et bevis. Og ellers så synes jeg Vi skal
• 48:56
  bruge kræfterne på på at at at at anvende dem de steder, hvor
• 49:01
  det giver mening i stedet for. Eller tage en vilon forman
• 49:06
  learning algoritme og kaste efter et enkelt problemområde
• 49:10
  som Google deepmind jo også gør på nogle områder og har har stor
• 49:14
  succes med med. Hvad kan man sige bruge dem som
• 49:16
  en form for search? Op til mig så fordi der ved vi
• 49:24
  jo, at Vi har problemer med at finde programmer, der der kan
• 49:27
  søge effektivt II et rum efter et udfald.
• 49:31
  Og der synes jeg jeg ser noget der ligesom virkelig giver
• 49:34
  mening. Men Jeg er helt enig også i at.
• 49:38
  Altså matematik. Altså Jeg kan ikke engang huske
• 49:40
  hvornår Jeg har spurgt dem om noget matematikrelateret.
• 49:43
  Det kan godt være jeg ikke er særlig matematisk i min hverdag,
• 49:46
  men Det er bare ikke den use case man ligesom Sådan.
• 49:51
  Ser særlig. Altså kode bruger masse tid.
• 49:54
  Og Der er vi over i den der hype snak.
• 49:56
  Det er jo fordi at man gerne vil hente penge ind til.
• 50:01
  AG ikke. Som er den der.
• 50:06
  Pengemaskine som det. Det er jo en 2 verden som som
• 50:11
  har sin egen rationaler ikke men men det kommer vi ikke til at
• 50:15
  redde verden af at at man forsøger at.
• 50:20
  Jeg har lige et spørgsmål i forhold til alt det her.
• 50:23
  Med hvorvidt en en altså hvor altså med det der med at forstå
• 50:27
  et program. Det synes jeg bare Det er
• 50:28
  interessant. Det er interessant.
• 50:29
  Sådan spørgsmål i virkeligheden, hvornår forstår man et program?
• 50:31
  Ikke. Fordi Der er jo ingen tvivl om
• 50:33
  at 1 1 1 fortolker. Forstår du programmet?
• 50:36
  Det er jo ligesom Det er den, Der er sat i verden for.
• 50:39
  Og så er det jo Sådan, det her med forstår en sprogmodel
• 50:42
  program. Det kan den kan i hvert fald
• 50:45
  altså hvad kan man sige, lave noget som minder om at den
• 50:48
  ligner at den forstår programmet men?
• 50:50
  Men hvad med hvad med for eksempel et menneske?
• 50:53
  Hvordan ved man at et menneske forstår et program og kan et
• 50:56
  menneske forstå et program? Eller Sådan giver det mening.
• 50:59
  Mit spørgsmål. Ja det gør det, men jeg kender
• 51:02
  lidt fordi at at at Det er det der med at køre diskussionen
• 51:05
  over på på hvad mennesket så gør ikke men men jo altså Det er jo
• 51:08
  det jeg jeg selv har arbejdet med II 40 år.
• 51:11
  Ikke fordi jeg startede tidligt og.
• 51:15
  Og også vi. Vi lærer folk i første år på
• 51:19
  datalogi ikke. Altså man lærer folk at forstå
• 51:22
  sementikken i for et romersk sprog.
• 51:24
  Det kan godt være, at man er holdt op med at gøre det nu om
• 51:27
  dage, men. Der lærte folk faktisk at
• 51:31
  forstå, så man kunne i virkeligheden håndkøre et
• 51:32
  program. Og den niveau og forståelse, når
• 51:36
  sprogbruglen ikke. Det kan så sagtens være, at
• 51:40
  mennesker laver fejl, når de håndkører.
• 51:44
  Så så så Det er det Der er lidt af det paradoksale ikke altså
• 51:47
  mennesker kan faktisk forstå symbolsk personnering og lære
• 51:50
  det jeg jeg folkeskoleelever de kan lære hvordan man ganger
• 51:54
  store tal sammen med vilkårene magasinre.
• 51:59
  En sprogmiddag. Hvis de har nogle redskaber til
• 52:01
  at hjælpe sig med det. Ja og en sprogmodel.
• 52:05
  Den kan jo også skrive ting ned. Og og iterere over det og og og
• 52:09
  bruge til at generere de næste tokens, ikke?
• 52:12
  Så Det er klart at Vi har alle sammen med med begrænset
• 52:15
  hukommelse. Ikke så når tallene blev store
• 52:16
  nok, så kan vi ikke huske det hele i hovedet, og så er vi nødt
• 52:19
  til at skrive det ned. Men det, men selve ræsonneringen
• 52:22
  af følge af gangeneglerne for hvordan man ganger 2 vilkår i
• 52:25
  stort tal sammen. Det er noget en folkeskoleelev
• 52:28
  kan lære, men Det kan sprogmolen ikke lære den kan lære.
• 52:32
  Den kan huske memorøsere for at tilpas store tal, men på et
• 52:35
  eller andet tidspunkt så ryger vi ud over det, som den her
• 52:37
  endelige makro tjene, som det i virkeligheden er kan rumme.
• 52:42
  Og så kommer den til kort og og. Men Det er jo så heller ikke
• 52:46
  uskaden men. Men Det er også derfor, jeg bare
• 52:48
  synes Det er så fjollet, at vi overhovedet har den diskussion,
• 52:50
  at en wastring model eller, eller er det en singling model?
• 52:53
  Nej, Det er ikke en fiky model, men den kan trænes til og finde
• 52:56
  ud af hov. Det ligner et regnestykke.
• 52:58
  Så skal jeg skrive et presoneprogram.
• 53:00
  Altså løse problemet på den måde ikke eller hvordan?
• 53:02
  Det er bare Sådan hvordan altså og og Det er bare fordi Jeg er
• 53:07
  godt kunne tænke mig at blive forstået Sådan forstå men Sådan
• 53:11
  Jeg er bare interesseret i at forstå.
• 53:14
  Hvordan ved man at en altså? Hvordan ved man at jeg altså jeg
• 53:20
  forstår et program det vel også så skal jeg altså måden man ved
• 53:24
  at jeg forstår et program på. Det er vel at Jeg er i stand til
• 53:26
  ligesom at kunne forklare det eller at at skrive det eller?
• 53:30
  Ændre det eller altså Sådan eller hvordan Sådan hvordan
• 53:32
  Sådan det debugger man ligesom om jeg forstår programmet.
• 53:34
  Eller ej. Inden hvad læring kalder
• 53:36
  blomster taksonomi du du er i stand til at anvende din
• 53:38
  forståelse af program til at også at udføre det.
• 53:43
  Og og og Det er sproglanden ikke.
• 53:46
  Den er ikke i stand til anvendelse, forståelse, så rent
• 53:48
  faktisk agerer fortolker. Så så det niveau og forståelse
• 53:53
  har den ikke den den har en kode en en evne til at transformere
• 53:58
  et program til en tekstbeskrivelse af hvad det
• 54:01
  måske gør. Og og fordi Der er faktisk
• 54:05
  rimelig stor gentagelse i, hvordan Vores programmer ser ud,
• 54:08
  så er de også blevet ret gode til det.
• 54:11
  Men, Der er også grænser for Der er også nu har jeg ikke testet,
• 54:14
  jeg havde håbet jeg havde kunne nå det inden i aften ikke, men
• 54:17
  jeg tænkte at finde min gamle førsteårsalogi programmer frem
• 54:23
  og se om den kunne genkende dem, fordi de har den feature at de
• 54:26
  er skrevet i et promænsprog, som som den helt sikkert nok ikke
• 54:29
  har set. Fordi Det var opfundet på, da
• 54:32
  datalogisk Institut i Aarhus og hed Trine opkaldt efter.
• 54:37
  Professorens datter, ikke? Fedt.
• 54:40
  Men men men, men så kan den måske godt alligevel fordi at
• 54:43
  det ligner alligevel så meget. Det er med med while løkker og
• 54:47
  Sådan nogle ting. Det ligner jo det smager lidt af
• 54:50
  det samme, ikke? Ja ja Det kan jo godt være at
• 54:53
  Der er noget lighed. Jonas du har sgu meget højt op
• 54:57
  for lyden. Kan det passe?
• 54:58
  For mig. Der skete et eller andet?
• 55:01
  Ja. Nå.
• 55:03
  Er det bedre nu? Der var meget høj.
• 55:05
  Der var meget sted meget, meget højt game på.
• 55:08
  Jamen så skruer vi ned. Er det bedre?
• 55:11
  Jeg er det stadig. Prøv at sige vi laver lige live
• 55:14
  tech eller hvad lydteste her live på.
• 55:19
  Nu skulle vi skrue op, så Det er en.
• 55:21
  Mikrofon mikrofonen har sit eget liv her Sådan der.
• 55:26
  Så hvis man skulle hvis man hvis en en hvis en.
• 55:33
  En sprogmodel skulle kunne forstå et program, så skulle den
• 55:36
  være i stand til at altså gøre det, altså tage et program og så
• 55:41
  gøre det samme som en en fortolker vil gøre når den.
• 55:46
  Det er det niveau af forståelse, så forstår man et programisk
• 55:50
  sprog. Og anvende sematikken.
• 55:55
  Og og og Der er nogle begrænsninger i at formodeller i
• 55:59
  virkeligheden er finner i state. Marco chance.
• 56:03
  Og programmer kræver vilkår og intuition, og det altså i hvert
• 56:08
  fald et ikke et trivielt romantisk sprog er
• 56:10
  turingkomplet, så der ligger nogle begrænsninger i, hvad man
• 56:13
  kan opnå af forståelse i en i en stor sprogmodel, uanset hvor
• 56:17
  stor den bliver. Men men, men den kan jo sagtens
• 56:21
  forstå. Mange små programmer eller og
• 56:25
  større og større, fordi at sprogmanden bliver større og
• 56:27
  større, fordi den simpelthen husker mønstrene III.
• 56:29
  Hvad den så skal gøre. Ikke også derfor den ret
• 56:31
  imponerende faktisk kan. Kan jeg eksimerede den der II
• 56:36
  endelig automater ting og regulære udtryk og Sådan nogle
• 56:40
  ting, og de kan ret meget også uden at at tage eksterne
• 56:44
  værktøjer at bruge. Ikke fordi at de er blevet
• 56:48
  trænet til at kunne imponere indenfor det.
• 56:50
  Om ikke hvordan er jeg jo selvfølgelig også meget stolt
• 56:53
  over den 2 kendte sprog jeg havde lavet, ikke?
• 56:57
  Så men Det var kun efter 10 minutter eller Sådan noget.
• 57:01
  Jeg fangede den i alt, så havde den alligevel ikke helt forstået
• 57:03
  det, vel? Ja, men men altså jeg plejer at
• 57:08
  sige at. At grunden til Det er vigtigt.
• 57:12
  Det er, at man ikke bliver besæret fordi at computervarer
• 57:16
  kan man jo ikke teste fuldstændigt.
• 57:17
  De fleste af computervarer vil man ikke teste fuldstændigt, så
• 57:19
  selvom man man så har testet. Så meget man nu tror, så skal
• 57:23
  man jo ikke nødvendigvis bare tro på programmet er rigtigt
• 57:25
  fordi at det virker bliver test. Jeg har da den der ekstra
• 57:30
  kvalitet i at der faktisk er et menneske eller en 2 maskine
• 57:33
  nemlig en eller 2 fortolker eller automatisk verifikation
• 57:37
  som rent faktisk kan forstå programmet der kan man kigge på
• 57:40
  og sige jamen nu har vi rent faktisk verificeret det her
• 57:43
  program. Det er rigtigt og så kan du gå
• 57:45
  ud og bruge det på vilkår i input også dem vi ikke har
• 57:48
  testet på og og vi stoler stadigvæk på det rigtigt.
• 57:52
  Og så er de ikke også sige det på den måde.
• 57:55
  Altså jeg prøver også at svare lidt på dit spørgsmål Kasper,
• 57:58
  kan man ikke sige det på den måde at.
• 58:02
  Lad os sige, at den ligesom løser et eller andet problem, og
• 58:06
  så man ser faktisk også tit folk prøver det der med ligesom at
• 58:09
  snyde den lidt og så kan man sige man kan gentage det her
• 58:13
  problem. Men man man formulerer det på
• 58:14
  mange forskellige måder og på et eller andet tidspunkt så snyder
• 58:17
  man dem til, at hvis man formulerer det lige præcis på
• 58:19
  den her måde. Så kan den bare ikke forstå det
• 58:22
  der problem, selvom at den i gåseøjne har forstået det med
• 58:27
  nogle andre formuleringer, men man har lige puttet lidt støj
• 58:29
  ind her. Man har lige puttet lidt ind her
• 58:31
  og pludselig så er den låst fast i at den kan simpelthen ikke
• 58:33
  komme ud af at lave det forkert nu.
• 58:36
  Det er jo for mig altså jeg ved godt Det er banalt vibechecking
• 58:39
  af en af en model, men Det er jo for mig bare Sådan har.
• 58:45
  Du er stadigvæk bare en propalistisk maskine, og Jeg har
• 58:48
  givet dig lige præcis det der gjorde, at den her
• 58:50
  sandsynlighedsberegning den endte nede i et sort hul.
• 58:53
  Og så er du bare, så har du bare tabt, og Det er jo et udtryk for
• 58:57
  at man kan sige der sker ikke noget ind i den der andet end at
• 59:01
  den beregner. Men et menneske vil jo aldrig
• 59:04
  nogensinde, eller man kan i hvert fald se på den tekst tit
• 59:09
  og sige til sig selv det der. Det er jo ikke noget i et
• 59:11
  menneske ville falde for nogensinde at lave fejl i det
• 59:15
  efter at have lavet de 20 andre rigtigt på det problem.
• 59:20
  Altså kan du? Følge mig meget godt at den ikke
• 59:21
  forstår Det kan man sige. Præcis altså.
• 59:23
  Jeg synes jo altså nogle. Nogle gange gør folk jo grin med
• 59:26
  de der Sådan lidt vibecheck ting og Sådan noget.
• 59:28
  Jeg synes jo at de er elegante på mange måder i at demonstrere,
• 59:31
  at Der er ikke noget bag den der skal der så.
• 59:36
  Det er jo men altså. Det er jo ikke nogen gange er
• 59:40
  det fordi man lige skal indsætte noget støj hist og, og Det er jo
• 59:44
  faktisk præcis det samme problem med med med selvkørende biler
• 59:47
  ikke altså de virker ret ofte. Så er der Sådan nogle ting der
• 59:55
  kan gå galt. Ikke fordi man ikke har forudset
• 59:57
  lige præcis den støj faktisk godt kunne forekomme i
• 59:59
  virkeligheden ikke? Og og og Det er jo derfor man
• 1:00:03
  ikke helt tør sætte dem rigtig fri.
• 1:00:05
  Ikke fordi de fleste steder hvor de kører der.
• 1:00:07
  Er der nogle særlige? Så modtager vi nogle særlige
• 1:00:09
  signaler, som hjælper dem på vej.
• 1:00:13
  Men. Men, men problemet er jo at at
• 1:00:17
  Der er jo også eksempler, hvor man ikke kan gennemskue hvor det
• 1:00:19
  ikke er tricky indsats, hvor Det er fuldstændig banale spørgsmål
• 1:00:25
  eller. Eller er det nogle ting som hvor
• 1:00:27
  hvor man så får et forkert svar? Men Det kan også være at at.
• 1:00:32
  At at man så kommer til at bruge det indenfor sundhedsområdet,
• 1:00:34
  eller. Der indgår en altså Vi har jo
• 1:00:37
  sågar set. Nu vil jeg ikke nævne navne
• 1:00:39
  offentlige myndigheder, som har brugt sproget eller til at lave
• 1:00:42
  tal analyser. Og og mener man skal jo ikke
• 1:00:47
  bruge en sprogmodel til at lave en tal analyse af af noget som
• 1:00:50
  helst. Og der skal man oversætte.
• 1:00:55
  Det her tekst-input til en eller 2 regneark, og så kan man bruge
• 1:00:58
  noget der kan rent faktisk kan regne og lave statistik på på
• 1:01:01
  det her regneark ikke. Og så har man den fordel at man
• 1:01:03
  kan gemme regneark og så kan man gentage det her og finde ud af
• 1:01:07
  hvad Det var man regnede på, ikke?
• 1:01:09
  Og og det synes jeg Det er det Der er problemet.
• 1:01:11
  Det er at folk ikke kender begrænsningen fordi at den jo
• 1:01:16
  kaster sig ud ikke og da jeg fik chat kapite 5 her så så prøvede
• 1:01:20
  jeg også bare det der og siger jamen hvad er. 11 ettal og gange
• 1:01:25
  111, ikke? Og så regner den forkert, og Det
• 1:01:29
  er jo ikke fordi Jeg har trigget den til lige præcis det
• 1:01:31
  spørgsmål er svært. Altså jeg vælger bare det der,
• 1:01:32
  fordi Det er nemt for et menneske at se hvad hvad 11
• 1:01:35
  ettal af gange 111 er. Det er en 2 og så en masse 60
• 1:01:39
  taller og så 2 en ikke? Men den fik sat 1 2 tal ind
• 1:01:43
  forkerte sted ikke? Hvis du så sætter den i sining
• 1:01:47
  note. Så finder den det rigtige
• 1:01:49
  resultat, men Det er ikke fordi den har forstået det.
• 1:01:51
  Det er jo fordi den har forstået at den skulle lave et python
• 1:01:53
  program i stedet for. En ikke.
• 1:01:58
  Og. Og og og Det er fint nok altså
• 1:02:03
  så længe man bare accepterer at at Det er ikke et logisk
• 1:02:05
  ræsonnering der sker inde bagved facaden her.
• 1:02:07
  Det er. En rimelig overbevisende
• 1:02:12
  forudsigelse af, hvad er den rigtige tekst?
• 1:02:16
  Så så ved man også hvor man skal bruge det, hvor man ikke skal
• 1:02:18
  bruge det. Jeg Jeg synes det hjælper rigtig
• 1:02:21
  meget altså det Jeg synes Det er en rigtig interessant den der
• 1:02:23
  med altså hvis man skal forstå et program så skal man kunne
• 1:02:25
  køre det altså Sådan det det det ved jeg ikke den synes jeg den
• 1:02:29
  den er Sådan dejlig simplificeret og.
• 1:02:31
  Og der matematik, hvis man er virkelig skal forstå hvordan man
• 1:02:34
  ganger til allesammen, så skal man kunne køre gange.
• 1:02:37
  Så skal man ikke bare kunne forklare den i tekst eller.
• 1:02:42
  Kalde en lommeregner. Besvare hvis man så altså fordi
• 1:02:45
  man kan vel ikke bevise at jeg at du.
• 1:02:50
  Du kan ikke bevise at du kan kaste hvilken som helst program
• 1:02:53
  efter mig og altså at Jeg vil være i stand til at kunne
• 1:02:56
  fortolke det og køre det. Det er jo.
• 1:02:58
  Helt sikkert ikke fordi det. Vil tage for lang tid, og det
• 1:03:00
  ville være upraktisk. Jamen pointene, Det er jo netop
• 1:03:04
  det der. Det magiske forskel mellem
• 1:03:06
  maskiner og mennesker ikke. Altså vi kan ikke.
• 1:03:09
  Åbne din hjerne op og så se præcis bevise hvad der sker inde
• 1:03:13
  i dit hoved. Men Vi har den dejlige egenskab,
• 1:03:15
  at vi kan kigge ind i intro i os selv og vide hvilken metode vi
• 1:03:20
  bruger. Og og vi ved hver især, at vi
• 1:03:23
  kan lære at gange talt sammen. Og vi kan og og og vi ved også
• 1:03:28
  at det rent faktisk er metoden til at Der er mange forskellige
• 1:03:31
  metoder, men at vi anvender en metode til gange alle sammen.
• 1:03:33
  Og Det er den vi forstår og vi ikke bare husker gangetabellen.
• 1:03:39
  Fordi så kommer vi ikke så langt så så Vi har den fordel som
• 1:03:42
  mennesker, at vi kan kigge ind i os selv, og vi ved hvilken
• 1:03:46
  metode vi anvender til at løse den slags symbolske problemer.
• 1:03:50
  Vi ved ikke en metode vi anvender til at genkende et
• 1:03:53
  ansigt. Vi har set før det, og det skal
• 1:03:56
  jeg helt sikkert også på en 2 måde og og og måske tættere på
• 1:04:00
  liberalt netværk, selvom jeg også er lidt træt af det, fordi
• 1:04:02
  at neuralt netværk er jo en ekstremt forsimpling.
• 1:04:05
  Af af neuroner ikke altså. Det er jo.
• 1:04:07
  Det er jo et smart marketings ord i virkeligheden ikke, men
• 1:04:11
  men fred være med det så så så vi kan ikke på nogen måde og det
• 1:04:16
  tror jeg heller aldrig nogensinde.
• 1:04:18
  Vi kommer til at kunne åbne mennesker op og så bevise præcis
• 1:04:21
  hvordan hjernen i det menneske fungerer.
• 1:04:24
  Vi kan i hvert fald ikke gøre det, imens mennesket lever.
• 1:04:26
  Det laver. Bare meget om sprogmodeller ikke
• 1:04:28
  altså. Det er bare fordi at det og Det
• 1:04:31
  er kun for Det er kun fordi Jeg synes Det er spændende at lege
• 1:04:33
  med det der tankeeksperiment og ligesom prøve at undersøge
• 1:04:35
  grænsen for det. Ikke fordi.
• 1:04:36
  Jeg tænker altså man kunne godt jeg jeg man.
• 1:04:39
  Jeg kunne jo godt lave sætte mig ned nu her og lave et test sæt
• 1:04:42
  test datasæt til til en LLM og som var programmer python
• 1:04:46
  programmer for eksempel den som hvor du siger opgaven ligesom
• 1:04:49
  har kørt det her. Og så se hvad der kommer ud på
• 1:04:52
  den 2 side og så ligesom lave det til en eller 2 form for hvad
• 1:04:55
  hedder det datasæt som man kunne man kunne teste så kunne man jo
• 1:04:59
  meget. Hvad skal man sige konkret teste
• 1:05:01
  om den forstod om den forstår koden ikke.
• 1:05:05
  Og der tænker jeg Sådan at så hvis jeg valgte 10 simple så
• 1:05:08
  ville det jo OK så ville den nok nile det ikke, men altså så
• 1:05:10
  ville jeg nok kunne skubbe. Jeg ville nok skulle lave
• 1:05:12
  programmerne længere og mere komplekse og øge volumen af dem
• 1:05:15
  før den begyndte ligesom at give op ikke.
• 1:05:17
  Og så tænkte jeg bare på Sådan det.
• 1:05:19
  Det ville være en vel også kunne gøre hvis man skulle, altså hvis
• 1:05:22
  man var i tvivl om jeg var en sprogmodel eller ej.
• 1:05:25
  Det ved jeg ikke lige hvorfor man skulle gøre men men så så
• 1:05:28
  kunne man jo gøre det samme altså også fordi altså du kan jo
• 1:05:30
  ikke. Du kan jo ikke bevise at jeg
• 1:05:32
  forstår det eller Sådan eller det.
• 1:05:34
  Gør. Det er jo det vi alligevel
• 1:05:35
  prøver at gøre til eksamen, ikke?
• 1:05:38
  Og. Og grunden til at at man så ikke
• 1:05:41
  kan sammenligne om med sprogmodel består en eksamen som
• 1:05:44
  et menneske. Ikke består eller består grunden
• 1:05:47
  til man ikke kan sammenligne det.
• 1:05:48
  Det er at at at at at Vi er bygget op så forskelligt ikke så
• 1:05:54
  den måde, vi tester en elev til en eksamen.
• 1:05:58
  Det er jo med den præmis, at vi ved, at man ikke har uendelig
• 1:06:01
  hurtig hukommelse og Sådan nogle ting, så vi ved, at hvis man kan
• 1:06:04
  løse nogle komplekse opgaver og sige, hvad programmerne gør
• 1:06:07
  forholdsvis hurtigt. Tilpas varieret og det ikke er i
• 1:06:13
  det samme eksamenssæt som vi brugte sidste år.
• 1:06:14
  Så ved vi, at det ikke er fordi Det er noget man har husket.
• 1:06:19
  Så ved vi, at vi kan konkludere for et menneske, at så må det
• 1:06:22
  være fordi at man kan man kan bruge en eller 2 metode som er
• 1:06:24
  holdbar. Man kan bare ikke bruge de samme
• 1:06:27
  eksamener, og Det er også derfor Det er Sådan jeg bliver så træt
• 1:06:30
  når jeg hører om at nu har en eller 2 sprogullet bestået en
• 1:06:34
  eller 2 eksamen. Man kan ikke.
• 1:06:37
  Man kan ikke sammenligne noget. Altså fordi at at det svarer til
• 1:06:40
  at sammenligne lommeregner med et menneske.
• 1:06:44
  Nu har lommeregneren altså det. De de kan jo noget andet, fordi
• 1:06:48
  de har den her kæmpe hukommelse, det kompenserer for at de ikke
• 1:06:53
  forstår ved at de husker meget mere og og de så faktisk også
• 1:06:56
  kan lave en form for generalisering og overførelse af
• 1:07:00
  ting. Så så så hvis man har lært
• 1:07:02
  hvordan en en sorteringsalgme ser ud i et promagisk sprog, så
• 1:07:06
  kan den faktisk godt oversætte det, fordi at det ligner
• 1:07:08
  alligevel lidt rent sprogligt et andet promagsprog.
• 1:07:12
  Så Det er kun hvis man fuldstændig skifter paradigme at
• 1:07:14
  den kan. Så hvis jeg kommer med mit
• 1:07:16
  logikprogramingssprog. Så kan den godt have en
• 1:07:18
  udfordring, hvis ikke den har set hvordan man sorterer i et
• 1:07:22
  logikroman sprog, fordi Det er et andet paradigme, ikke?
• 1:07:27
  Så. Jeg kunne godt lige tænke mig at
• 1:07:29
  vi kort for en kort stund bacon en lille smule for der var 2
• 1:07:33
  ting du sagde i løbet af den her time vi havde siddet live som.
• 1:07:40
  Var det her forholdet mellem mennesket og maskinen og kunne
• 1:07:43
  og junge? Du nævnte det også lige kort
• 1:07:45
  øjeblik med. At hvordan.
• 1:07:48
  Hvordan fandt vi ud af om du forstod det her program?
• 1:07:50
  Og nu snakker vi om, hvordan vi vejer.
• 1:07:54
  Mennesker i på på universiteterne, Thomas.
• 1:07:58
  Og. Så er der.
• 1:07:59
  Jo så ja og den den her med det selvkørende biler.
• 1:08:02
  Vi har jo også haft nogle på det her program, som som også har
• 1:08:07
  Sådan en. Hvad kan man sige utilitaristisk
• 1:08:10
  nytteværdien, tænke tankegang og jeg Jeg er da selv skyldig i.
• 1:08:14
  Det Jeg tror du kaldte lidt strømansargumentet tidligere med
• 1:08:17
  at jamen hvis hvis man kan producere noget AI som hvor man
• 1:08:23
  kan vise statistisk at det rammer bedre end end nogle
• 1:08:26
  mennesker gør i en en given sammenhæng og.
• 1:08:29
  Behandling kører uheld? Ja.
• 1:08:33
  Jamen altså. Der tror jeg Det er argumentet,
• 1:08:35
  så er at mennesker er ekstremt dårlige til at køre biler ved
• 1:08:38
  hvis statistisk og at det sker uheld hele tiden og Sådan nogle
• 1:08:41
  ting. Og Det er altså.
• 1:08:43
  Det er jo en af de store dræbere derude.
• 1:08:45
  Det er bilerne og trafikken. Hvad er så argumentet for ikke
• 1:08:51
  at tage en perfekt løsning til selvkørende biler?
• 1:08:54
  Det kunne jeg egentlig godt tænke mig at høre sige noget om
• 1:08:57
  Thomas fordi. Jeg har sympati med med begge
• 1:09:01
  har. Jeg har jo lidt
• 1:09:02
  samfundsfilosofisk baggrund, så Jeg har sympati med begge.
• 1:09:05
  Hvad kan man sige? Nytte filosofien og og og og
• 1:09:08
  kants kategorisk imperativ, hvis Vi skal nå så langt, men men kan
• 1:09:12
  du ikke lige sige noget om det? Det det vil jeg gerne høre.
• 1:09:15
  Aromittet er lige nu. Ansvars hvem?
• 1:09:19
  Hvordan placerer vi ansvaret? Så man propper jo AI at
• 1:09:22
  teknologien alle de steder hvor man.
• 1:09:26
  Hvor det bliver så godt, at vi tør stole på det også selvom det
• 1:09:30
  ikke er perfekt. Men så i Vores ABS bremser i
• 1:09:32
  gamle dage. Der kunne man slå det fra og
• 1:09:34
  Sådan noget ikke, men nu nu er det jo bare automatik ikke?
• 1:09:38
  Så hvis jeg stoler tilpas meget på at den bremse er bedre end
• 1:09:41
  mig, når Jeg er ude på en glatvej.
• 1:09:44
  Så har vi jo overgivet os ikke og og Jeg har også overgivet mig
• 1:09:47
  til, at jeg logger ind ved hjælp af min ansigtsgenkendelse på
• 1:09:49
  telefonen, selvom jeg godt ved Der er en lillebitte risiko for
• 1:09:51
  at Der er nogen der kan logge ind.
• 1:09:54
  Som som ikke er mig. Og Jeg er irriteret over, at den
• 1:09:58
  ikke kan logge ind når solen skinner ikke men men men Det er
• 1:10:01
  værre ved den at Der er nogen der kan komme ind når det ikke
• 1:10:03
  er mig. Men og Det er jo det samme med
• 1:10:05
  bilerne på det tidspunkt hvor vi kan lave det godt nok.
• 1:10:10
  Til at vi faktisk. Stoler på, at den ikke begår
• 1:10:15
  fejl på på et tidspunkt, hvor det bare er utilgiveligt.
• 1:10:20
  Jamen, så kommer det jo også Vi har.
• 1:10:22
  Vi har lige haft gæster fra fra Kina, hvor de er rimelig langt
• 1:10:25
  fremme. Og de siger lige nu er det jo på
• 1:10:29
  kan man sige specialdesignede veje, hvor bilerne modtager
• 1:10:33
  radiosignaler fra signalerne, og de får alle mulige oplysninger
• 1:10:36
  som som som menneskelige kører ikke for at det eskalerer.
• 1:10:40
  Slet ikke fordi Det er alt for dyrt, så bilindustrien er slet
• 1:10:43
  ikke parat til at rulle det her ud, og så er der så også nogen
• 1:10:46
  som musk og andre som prøver at den den kamera baseret ting må
• 1:10:51
  man ikke være afhængig af andre sensorer.
• 1:10:52
  Men Der er altså den bagside. At det stadigvæk.
• 1:10:56
  Der er stadigvæk for man man kender ikke fordelingen godt
• 1:10:59
  nok. I hvilken type synsindtryk der
• 1:11:03
  kan komme ind kamera til man rent faktisk kan sige.
• 1:11:05
  Jamen den er bedre end et menneske.
• 1:11:07
  Man kan sige, at Der er nogen situationer hvor den er bedre
• 1:11:10
  end menneske, men vi kender ikke fordelingen af situationer godt
• 1:11:13
  nok, og og Det er derfor Vi har de der mærkelige uheld, hvor der
• 1:11:16
  pludselig er en tester der kører ud over en bjergskråning eller
• 1:11:19
  kører ind i en væltet lastbil. Hvor man hvor man bagefter siger
• 1:11:22
  jamen Det er vel et menneske ikke har gjort på det her
• 1:11:24
  tidspunkt. Det kunne de også, hvis hvis
• 1:11:27
  mennesket havde været fuld eller Sådan noget ikke, men så kan man
• 1:11:28
  placere ansvaret og sige jamen Det var fint.
• 1:11:31
  Det var Det var et menneske, der havde en fejl, men her er det
• 1:11:33
  langt lidt værre, når Det er bilproducenten, der har lavet en
• 1:11:35
  fejl. Og og Det er vi ikke klart, så
• 1:11:39
  accepterer endnu. Men der hvor Vi er klar til det
• 1:11:41
  der kommer det jo altså. Vi har pacemakkere, der kører
• 1:11:44
  fuldautomatisk. Vi har ja ABS bremserne vi.
• 1:11:47
  Vi har alle mulige ting. Hvor jeg tænker Der er mange
• 1:11:51
  linjer kode i et fly, og Det har der i øvrigt også været i en bil
• 1:11:54
  i mange år, før vi begyndte at putte noget ære ind i den også.
• 1:11:58
  Af i et fly jo og Der er AI skanneren i ultralyds scanneren,
• 1:12:04
  som hvor vi bruger de informationer til at beslutter
• 1:12:07
  om et barn skal leve eller dø, så Der er rimelig kritiske
• 1:12:11
  steder, hvor hvor vi hvor Vi har overgivet os.
• 1:12:14
  Fordi at Det er ofte nok. Til at stole på, ikke?
• 1:12:20
  Så. Men så skal vi så bare passe på
• 1:12:24
  ikke at at at at købe ind på at at det virker meget bedre end
• 1:12:28
  det gør, fordi i virkeligheden så hører vi jo salgs ofte
• 1:12:32
  salgssnakken ikke, men når forskerne så kommer og fortæller
• 1:12:34
  og regina så siger de ja. Det var nok alligevel mange år
• 1:12:39
  før det kommer fordi at de de løsninger der kører rundt lige
• 1:12:41
  nu som virker OK de er afhængige af alt muligt dyr og i øvrigt
• 1:12:47
  privacy agtigt problematisk fordi at bilerne sender alle
• 1:12:51
  mulige oplysninger. Og så er det jo også
• 1:12:54
  sikkerhedsmæssigt problematisk, fordi at hvis man kender til de
• 1:12:56
  her protokoller, så kan man også bilde den her bil ind at at den
• 1:13:00
  bare kan sætte farten op. Og så slidt.
• 1:13:05
  Uheldigt. Og og jeg mener Vores Nissan her
• 1:13:09
  fra 25. Den er jo det første vi fandt ud
• 1:13:13
  af. Det var jo at gå på youtube og
• 1:13:14
  finde ud af hvordan man slår det her AI fra fordi at den har så
• 1:13:17
  mange falske positive at man bliver totalt stresset.
• 1:13:20
  Ikke altså den den vil hele tiden gerne bremse op eller
• 1:13:22
  advare om man kører for hurtigt og og det gør jeg ikke så tit
• 1:13:26
  altså så så så så Det er ikke godt nok endnu.
• 1:13:32
  Men men men, men det kommer jo gradvis.
• 1:13:35
  Jeg jeg var også i Spanien og lejede en bil og og jeg blev
• 1:13:39
  pænt frustreret over at at at den lige pludselig begyndte at
• 1:13:43
  på motorvejen og og køre mig til den ene og den 2 side og jeg
• 1:13:46
  tænker hvad fanden sker der? Og Det var bare mig der der
• 1:13:51
  ligesom undvige en en 2 bil som som også var lidt ved siden af
• 1:13:56
  af den stiplede linje, men det kunne den jo så så godt spotte
• 1:13:59
  og mente at jeg var i gang med et vognbaneskift på et
• 1:14:01
  tidspunkt. Jeg slet ikke skulle ikke.
• 1:14:04
  Altså ja det og Jeg har virkelig en ikke ære af bil stående
• 1:14:09
  derhjemme, så jeg blev faktisk lidt taget.
• 1:14:10
  Prøv. Der er også en grund til at Vi
• 1:14:13
  har 2 biler nu. Tilbage til den gamle Volvo.
• 1:14:18
  Ja og Det er så en gammel kiger men men den er tilpas simpel til
• 1:14:22
  at den ikke, men den 2 er mere malelig at køre i, men nu har vi
• 1:14:26
  så fundet ud af hvis Der er det derfra ikke?
• 1:14:29
  Man skal gøre det, hver gang man starter den, men.
• 1:14:32
  Det ved jeg. Svært ja Det var da irriterende.
• 1:14:34
  Den post som setting som man bare skal trykke 2 gange så er
• 1:14:37
  den. Hacked Thomas den.
• 1:14:41
  Og så så ryger Warren se. Skyggerne ved at blive lange,
• 1:14:47
  som vi plejer at sige her på podcasten, og Vi har faktisk
• 1:14:49
  snakket en time og et kvarter. Men Jeg synes, Det har været en
• 1:14:52
  utrolig spændende samtale. Jeg er meget fascineret af det
• 1:14:55
  her lovgivning til graf. Som i har bygget og kan se
• 1:15:01
  muligheder II det her eller lemmellag ovenpå.
• 1:15:05
  På det hedder exhale. X hale.
• 1:15:09
  Ligesom med udåndingen af bare ikke bare uden e et ikke x for
• 1:15:12
  eks for ekspanable og hale for hybrid AI.
• 1:15:18
  Hvis du lige sender mig link til det, så kan vi inkludere det
• 1:15:21
  show notes, så Vores lyttere kan også gå ind og se.
• 1:15:23
  Det og Det kan også være, at Vi skal have nogle de der
• 1:15:25
  forskningsprojekter, som som du nævner Thomas, så vi lige kan
• 1:15:29
  slå et slag for det. Jeg kan invitere nogle links?
• 1:15:32
  Her bagefter så send lige nu links, så kommer de med her.
• 1:15:36
  Hvornår vi nu udgiver det plejer at være.
• 1:15:40
  Helt fint, men 1000 tak for snakken Thomas er der noget her
• 1:15:43
  på falderebet du lige vil sige? Så nogle skud ud, som man siger.
• 1:15:50
  Ikke andet end at Det er jo ting man kan snakke i timevis om
• 1:15:53
  ikke. Men du har snakket over en time
• 1:15:54
  så men folk er altid velkommen til en snak og en kop kaffe inde
• 1:16:00
  på Diego og så så kan man tage den videre der.
• 1:16:04
  Men men Det er en spændende tid i hvert fald, og Der er ingen
• 1:16:07
  tvivl om at at vi vil kunne meget med med AI, men Vi skal
• 1:16:11
  bare huske at bruge den rigtige type AE til de rigtige
• 1:16:14
  problemer. Det synes Jeg er en rigtig fed
• 1:16:16
  måde at afslutte på 1000. Tak fordi du vil være med
• 1:16:18
  Thomas. Og 1000 tak fordi i lyttede med
• 1:16:21
  alle sammen. Vi lyttes igen i næste uge hey.
• 1:16:24
  Hej.