Latest / Verbos: AI og Softwareudvikling / #45 - Teknisk Spørgetime om Generativ AI med Martin Kongshave

Transcript

#45 - Teknisk Spørgetime om Generativ AI med Martin Kongshave · Verbos: AI og Softwareudvikling

• 0:00
  Hej allesammen og velkommen til at være boss podcast afsnit
• 0:03
  nummer 45 i den her i den her episode er podcast der prøver vi
• 0:07
  noget lidt, specielt fordi i dag har vi Martin kongshavn med i
• 0:11
  studiet Vores virtuelle studie her og Martin er ikke selv en
• 0:16
  ingeniør eller tekniker, altså lige så nørdet som Vi er, men så
• 0:20
  alligevel Martin og Jeg har skrevet en lille smule sammen
• 0:24
  og. Martin du er utrolig ja du
• 0:27
  kommer til at fortælle lidt om dig selv om lidt, men du er
• 0:29
  meget Sådan utrolig altså meget nysgerrig i forhold til alt det
• 0:34
  her som vi plejer at snakke om i podcasten og vi kom.
• 0:38
  Vi skriver faktisk sammen om, at det her afsnit Vi har lavet der
• 0:40
  hedder jo 20 tekniske spørgsmål eller hvad fanden er det?
• 0:44
  20 tekniske ord forklaret at Det var du rigtig glad for og det
• 0:49
  havde meget Jonas og snakket om at Det var vi det vil vi gerne
• 0:52
  lave noget mere af og så fik vi den her ide at kunne det ikke
• 0:56
  være fedt at få dig ind og så ligesom bare lade dig spørge os
• 0:59
  løs. Om om alle de spørgsmål, du
• 1:02
  måtte have, vi. Vi får selvfølgelig, som vi
• 1:05
  plejer at holde det til en times tid, men.
• 1:07
  Men men Det er Sådan, ligesom præmissen og og formatet for
• 1:10
  dagens podcast og jeg Jeg synes. Jeg har altid super glad for at
• 1:16
  at blive spurgt ind til ting er ikke teknikere altså ikke
• 1:19
  ingeniører, fordi Jeg synes Det er altid er så med til ligesom
• 1:22
  at grounde til samtalen på en rigtig fed måde og og og Det er
• 1:27
  også noget, der ligesom kan hjælpe ingeniørerne med ligesom
• 1:30
  har. Forstå hvad andre ikke forstår
• 1:34
  og måske også blive lidt mere konkrete på nogle af de ting,
• 1:36
  som man bare er vant til at snakke om i alle mulige hævede.
• 1:41
  Abstrakte termer anyways, hvad hedder det Martin kongshavn?
• 1:44
  Velkommen til og jeg tænker om du ikke lige vil ja velkommen
• 1:47
  til det første. Jamen 1000 tak jamen jeg kommer.
• 1:51
  Jeg kommer jo fra grundskole verden og og så har jeg haft så
• 1:55
  har jeg også været rigtig glad for filosofi og faktisk stadig
• 1:57
  en kandidatgrad i filosofi på et tidspunkt.
• 2:00
  Og så skete der det, at meteornedslaget jo kom for os,
• 2:04
  der ikke er vant til at arbejde med maskinlæring og så videre,
• 2:08
  og Det var at chat kapacitet og lige pludselig så havde vi.
• 2:12
  En samtalepartner som som lige pludselig kunne noget lige så
• 2:16
  godt som vi kunne, og måske også noget, som jeg troede var lidt
• 2:20
  helligt område. Og for mig var det
• 2:23
  meteornedslaget i forhold til, at min interesse blev vækket, og
• 2:27
  det lille firma Jeg har der hedder tankespind lige.
• 2:29
  Pludselig drejede et skud i armen for at lave filosofi med
• 2:31
  børn. Det gør jeg stadigvæk, men men
• 2:34
  virkelig gå ind på det her med kunstig intelligens.
• 2:36
  Og når man er filosof, så begynder man at stille
• 2:38
  spørgsmål, og man vil gerne forstå tingene lidt bedre.
• 2:42
  Og Det er selvfølgelig finde ud af.
• 2:43
  Det er en masse Der er en masse, Der er et helt område, som måske
• 2:45
  ikke er blevet åbnet for mig, for som som jeg nu er blevet
• 2:48
  nysgerrig på sammen med mange andre mennesker.
• 2:49
  Jeg kommer jo fra Danmarks største you case, tror jeg
• 2:53
  grundskolen og uddannelsesår andre ikke og.
• 2:56
  Danmarks største. Og Der er rigtig mange, Der er
• 3:02
  begyndt at bruge den kunstig intelligens, og så tænker jeg,
• 3:05
  så må vi hellere begynde at prøve at forstå den og.
• 3:09
  En lille ting jeg gerne vil vise jer Jeg vil gerne lige vise jer
• 3:12
  en ting som betyder utrolig meget for de fleste
• 3:14
  grundskolelærere og i kan desværre ikke se den hvis i ikke
• 3:18
  er med på youtube. Men hvis jeg skal nok fortælle
• 3:20
  om den, det hedder en lamineringsmaskine.
• 3:22
  Og Det er faktisk et grundskolen, Der er det en af
• 3:25
  Vores yndlings maskiner. Ikke fordi Vi skal bare have
• 3:27
  lamineret rigtig meget til de unge mennesker, men det Der er
• 3:31
  som Jeg har tænkt Det er, at Jeg har brugt den her i mange år
• 3:33
  ikke og Jeg har. Jeg har aldrig nogensinde tænkt,
• 3:35
  nu bliver jeg nødt til at forstå, hvordan den virker, og
• 3:37
  Jeg har heller aldrig nogensinde tænkt, åh nej, nu er det ikke
• 3:40
  mig der laminerer ham, der laminerer mere.
• 3:42
  Nu er det en maskine, der gør det på en eller anden måde.
• 3:46
  Jeg har aldrig tænkt åh nej, nu tager den laminerings evner fra
• 3:49
  mig, men men der skete altså et eller andet i hele grundskolen.
• 3:53
  Den som ligesom har vækket det her og hele spørgsmålet om
• 3:56
  teknologiforståelse er virkelig blevet hot igen, fordi at.
• 4:01
  Fordi at der lige pludselig er kommet noget, som som vi kan
• 4:04
  kommunikere med, uden at nødvendigvis kunne maskinlæring
• 4:07
  eller vide noget om kunstig intelligens.
• 4:08
  Men vi ligesom hoppede ud i det mange af os og set OK der der.
• 4:13
  Der må også være noget underneden, som Vi har forstået.
• 4:16
  Det er derfor jeg. Pænt bankede på hos jer Kasper
• 4:20
  Jonas og spurgte, om jeg dog ikke kunne få lov at stille
• 4:22
  nogle af mine spørgsmål til jer i dag.
• 4:24
  Og Det kan du selvfølgelig, og Det er simpelthen så fedt at
• 4:27
  have dig. Jeg kan.
• 4:27
  Jeg kan mærke, at jeg bliver det griller i hvert, fordi Der er
• 4:30
  simpelthen så mange spændende ting i det her.
• 4:34
  Og Jeg synes din historie er virkelig fed Martin med at at at
• 4:38
  du er for øjnene op og ligesom kan se signifikans af den her
• 4:42
  teknologi og hvor vigtigt Det er at forstå den og også og bringe
• 4:46
  den ind til til så så virkeligheden så tidligt som
• 4:49
  muligt II børnenes verden. Jeg tror også Vi har snakket om
• 4:53
  en gang imellem de unge, at vi Vi har også lidt leget med den
• 4:56
  sammen med Vores børn med den kan lave fine tegninger, og den
• 4:59
  kan skrive en lille historie. Hvad vil du gerne skal det være
• 5:01
  om en enhjørning eller hvad? Hvad skal det og Sådan noget og
• 5:04
  så bliver det til godnathistorien og.
• 5:06
  Og og og så spørger de også nogle gange, hvad, hvad?
• 5:08
  Hvad er det der for noget? Ikke fordi Det er jo, Det er jo
• 5:10
  selv for dem lidt specielt en oplevelse at se det der.
• 5:14
  Hvad kan den? Og hvorfor gør den det?
• 5:16
  Og Jeg kan også huske, da vi arbejdede sammen på på på ekstra
• 5:19
  Bladet Jonas, der kan jeg huske, at der tjekkede man jo tit
• 5:22
  forsiden på på ekstra Bladet, og der kan jeg huske den
• 5:25
  allerførste nyhed Sådan på ekstra Bladets forside.
• 5:27
  Jeg så omkring chatt Det var i januar 2023, tror jeg Det var.
• 5:33
  Det var netop det her med, at der var nogle, Jeg har jeg ja,
• 5:36
  men hvad hedder det Jeg har? Der var noget med at skoleelever
• 5:39
  var begyndt at bruge en chatbot til at lave deres opgaver, og
• 5:41
  det vidste lærerne ikke, og Det var ligesom tingene ikke, så Det
• 5:45
  er også, Det er også bare en af de hvad skal man sige?
• 5:49
  Helt konkrete originale problemstillinger i det her og
• 5:52
  en af de de eksempler, som jeg ser det, som har været en af de
• 5:55
  første Sådan, hvad skal man sige nyheder som fik det ud og blev
• 6:00
  til en problemstilling som folk den brede offentlighed ligesom
• 6:03
  tog op og skulle forholde sig til og Sådan noget.
• 6:04
  Så ja. Jamen Det er jo Det er jo det
• 6:08
  der sker lige nu og Jeg synes det Der er forfriskende når en
• 6:12
  ny teknologi kommer ind og bliver hypet fordi at den ændrer
• 6:16
  noget. Det er, at Det er ligesom om at
• 6:18
  man har et spillerum hvor folk de ligesom vågner og
• 6:21
  nysgerrigheden og forundringer til stede.
• 6:23
  Og det. Det er et godt tidspunkt, og at
• 6:26
  begynde at prøve at finde ud af hvad man skal stille op med den
• 6:28
  hurtigst muligt også i forhold til dannelses spørgsmål i
• 6:31
  forhold til hvordan Vi skal undervise i og omkring den.
• 6:33
  For eksempel. Det er ligesom nu, Der er
• 6:35
  ligesom en åbning nu, og Det er der rigtig mange undervisere,
• 6:40
  Der er åbne overfor, fordi at mange af os har jo også set, at
• 6:43
  Der er mobiltelefonen kom der skete det måske lidt blindt, at
• 6:48
  den ligesom langsomt trænge sig ind på og så begynde at forme os
• 6:51
  som mennesker. Og så kommer man 20 år senere,
• 6:54
  nu i dag, hvor det handler om Sådan.
• 6:56
  Pas nu på skærmen og alt det her ikke.
• 6:58
  Men altså, det kommer jo et sted fra.
• 6:59
  Det kommer et sted fra, at vi ikke har været skarpe nok til at
• 7:02
  at forholde os til, at en teknologi er med til at forandre
• 7:04
  os, og vi bliver nødt til at tage hånd om det som voksne
• 7:07
  mennesker for at kunne hjælpe unge mennesker os selv ind i en
• 7:12
  verden, hvor teknologi er med til at forandre noget og den den
• 7:15
  bevidsthed er meget mere tydelig nu.
• 7:18
  At vi godt ved, at når der så kommer kunstig intelligens, så
• 7:20
  så må vi hellere være lidt mere vågne den her gang.
• 7:22
  Det. Det er Sådan jeg oplever det.
• 7:25
  Ja interessant ja hvad hedder det?
• 7:29
  Men jeg elsker dine freising af det det danske skole hvad hedder
• 7:35
  det? Hvad var det Danmarks største
• 7:36
  UK? Folkeskolen ikke?
• 7:39
  Altså Det er genialt. Men altså og nej.
• 7:45
  Altså må jeg begynde at åbne? Tænker jeg tænker, jeg tænker nu
• 7:49
  på vi dykker ned i det nu her, og Det er jo lidt sjovt det her,
• 7:53
  fordi Vi har ikke rigtig forberedt noget.
• 7:54
  Det plejer vi Sådan et at gøre i hvert fald.
• 7:58
  Og så er det faktisk, der har forberedt det hele, og så vi
• 8:01
  også Sådan lidt, vi vi står til rådighed her, og vi håber på, at
• 8:04
  vi kan give nogle fornuftige svar på på det, du spørger om.
• 8:06
  Og ja, men jeg tænker bare, lad os.
• 8:09
  Hvad skal der har vi? Jamen altså det store jeg
• 8:12
  starter derfra hvor Det er mest tørt ikke som man ikke man ikke
• 8:15
  glemmer det gode til sidst ikke. Det er en Det er det her med den
• 8:18
  kunstige intelligens ikke? Altså Det er jo en af de første
• 8:21
  udtryk, man møder. Det er, at da Vi har at gøre med
• 8:23
  intelligens, og så er det herovre foran, der hedder den er
• 8:26
  kunstig og Sådan min fornemmelse.
• 8:29
  Det er, at vi også møder et andet ord, der hedder chat og de
• 8:33
  fleste af os. Vi tænker, vi forstår godt hvad
• 8:34
  chat er. Og vi kan også godt gøre det,
• 8:38
  men så møder vi de her 3 andre bogstaver GPT.
• 8:42
  Som jeg tænker på en måde også har noget at gøre med, at jeg
• 8:45
  gør med en såkaldt kunstig intelligens.
• 8:48
  Så egentlig starter jeg der. Jeg Jeg har egentlig lyst til at
• 8:51
  vide, hvad der ligger i de her 3 bogstaver her GPT og hvordan det
• 8:55
  eventuelt relaterer til at Det er en kunstig intelligence.
• 8:57
  Meget stort spørgsmål. Hvad siger du i unge?
• 9:02
  Vil du det? Altså hvad hedder det GBT?
• 9:05
  Det står jo for general if the train transformer og.
• 9:11
  Man kan sige, Jeg er ret sikker på Jeg tror Jeg har hørt sagde
• 9:13
  målmand sige at der var en grund til de ikke kaldte den for Alice
• 9:17
  eller bob eller et eller andet, men at de gav den Sådan et at de
• 9:22
  gav den Sådan et teknisk navn. Så Det er fordi de vil ikke have
• 9:24
  det blev Sådan en menneskelig agtig interaktion.
• 9:27
  De ville have at Det var en en hjælp fuld, altså hjælpsom
• 9:29
  assistent, som ligesom løse problemer ikke og ikke var Sådan
• 9:32
  skulle man skulle danne et forhold til nødvendigvis.
• 9:35
  Så spørger du hvordan Det kan altså hvordan det ligesom hænger
• 9:39
  sammen med med kunstig intelligens.
• 9:41
  Det er en fornemmelse, at Det er generative af interessant.
• 9:45
  Jeg ved godt, det refererer tilbage til noget, der foregår
• 9:47
  prædikativ og mere regelbaseret, og den nu ligesom begynder at
• 9:51
  skabe et indhold, som ikke er så forudbestemt.
• 9:53
  Og jeg ved jo også godt noget om at præge trænet er, at man har
• 9:57
  haft en en tidligere model, som egentlig ikke var møntet på at
• 10:02
  skulle sættes med mig. På en måde var trænet på en
• 10:05
  masse data og derfra begyndte at skabe et billede af hvordan
• 10:08
  sprog hænger sammen, eller det fik man den så til.
• 10:12
  Og så fik jeg den fornemmelse af jamen her heri.
• 10:15
  Der ligger måske nogle hemmeligheder for os, som ikke
• 10:17
  ved så meget om især maskinlæring og Sådan noget.
• 10:20
  Jamen hvor det kunstige hende kommer ind.
• 10:23
  Hvorfor kalder man det for eksempel ikke bare Sådan
• 10:26
  regelbaseret eller eller Sådan en en forudbestemt algoritme?
• 10:30
  Hvorfor er det, den er kunstigt intelligent?
• 10:33
  Altså jeg kunne godt tænke mig at sige noget til det der, fordi
• 10:36
  Vi har faktisk også talt om podcasten, at at dem der
• 10:39
  arbejdede med det her område for chat gc kom til ikke ikke så tit
• 10:44
  brugte termen kunstige intelligens om det de lavede,
• 10:47
  fordi at at det føles Sådan lidt som om at ej Det var Det var for
• 10:53
  Det var Sådan for high level, altså forstået på den måde.
• 10:56
  Det var for avanceret så avanceret noget teknologi laver
• 10:59
  vi slet ikke, at Det kan kategoriseres som kunstig
• 11:02
  intelligens, men men men i og med at.
• 11:06
  Det blev ligesom hvermands omtale, så er ordet kunstige
• 11:10
  intelligens blevet det, Der er bedst kommunikerer, tror jeg til
• 11:15
  til omverdenen, hvad Det er, vi laver, og hvad, hvad, hvad den
• 11:19
  her teknologi handler om. Det er noget med, at den er, den
• 11:23
  er smartere end den den den tidligere.
• 11:26
  Hvad kan man sige modeller, løsninger og allerede?
• 11:31
  Jamen, Det er jo så det, der ligger inde bag den her kunstige
• 11:33
  intelligens term. Det er jo en eller anden model
• 11:36
  af model af hvad? En model over data og og over
• 11:40
  hvad for noget data over data over sprog ikke?
• 11:43
  Og og og i det ligger måske intelligensen i virkeligheden,
• 11:47
  fordi Det er sproget, den modellerer.
• 11:49
  Og så siger vi, at så har den en eller anden form for
• 11:51
  intelligens, fordi den den den kan forstå i gåseøjne hele tiden
• 11:55
  forstå. Det er ikke rigtigt forstå, men
• 11:58
  men den kan ligesom begribe. Eller modellere sproget, og i
• 12:02
  sproget ligger der en eller anden form for intelligens.
• 12:04
  Det er Sådan, jeg ser det. Og, og så tror jeg for lige at
• 12:10
  vende tilbage til den der GT altså Det er jo Det er jo i høj
• 12:13
  grad åbner jeg der der kom ud med med altså med gt.
• 12:17
  Det er ligesom en en model arkitektur ikke?
• 12:21
  Det er en Det er en måde at det her kode er stykket sammen på
• 12:24
  neurale netværks og lærings algoritmer og så videre, der gør
• 12:28
  at den kan den kan modelleres sproget på 1 1 1 Sådan måde at
• 12:33
  den kan generere. Nyt ny tekst ikke eller nyt
• 12:37
  sprog. Det er ikke helt nyt sprog, men
• 12:39
  Det kan altid generere ny tekst, ikke?
• 12:41
  Jeg synes du har valgt at kalde den.
• 12:43
  Hvad synes du har meget god pointe Jonas, men han ser også
• 12:46
  mange. Man hører mange teknikere når
• 12:47
  man sidder og snakker teknikker imellem så er der mange der
• 12:50
  synes Det er Sådan lidt poppede altså meget poppet at kalde det
• 12:52
  for AI. Jeg er kunstig intelligens fordi
• 12:54
  Det er Sådan ligesom er Det er alle de der smarte i en fart
• 12:58
  konsulenter der skal ud og sælge det til nogle af de store
• 13:01
  virksomheder og Sådan noget der siger den slags ikke men men men
• 13:04
  Jeg har personligt oplevet som en der ikke er smart i en fart
• 13:07
  der skal ud og sælge til de store virksomheder, at Det er
• 13:09
  også noget man hvad hedder det. Hvis man siger det, synes jeg i
• 13:13
  hvert fald ikke, hvad hedder det?
• 13:16
  Men hvis man hvis man siger hvis man bruger Sådan nogle
• 13:19
  avancerede ord som ML eller machine learning til folk og de
• 13:23
  ikke forstår det, så kan de også godt føle man taler ned til dem.
• 13:26
  Og Det er man heller ikke interesseret i og så så Jeg
• 13:28
  synes Det er svært, men Det er nok fordi teknikere, altså dem
• 13:32
  der sidder i maskinrummet med det, vil nok i højere grad kalde
• 13:35
  det for machine learning. Og så når de snakker med
• 13:38
  hinanden og så når de skal snakke med folk som ikke er lige
• 13:42
  så meget inde i det, så vil de sige AI fordi så ved de at de
• 13:45
  kan gøre sig selv forståelige. Men Jeg tror faktisk altså Jeg
• 13:49
  synes Det er interessant nok i sig selv, fordi at nu har jeg jo
• 13:52
  fulgt med i jeres podcast ikke og og fundet ud af at der var
• 13:54
  nogle andre ord som måske var vigtigere at forstå.
• 13:57
  Men Jeg kan også se på, at os der ikke er vant til at arbejde
• 14:00
  med maskinlæring, vi laver et input og ser et output.
• 14:04
  II den her type model den her transformer model, som vi så
• 14:08
  sætter med her. Det kunne jo også være en
• 14:09
  diffusions model, kunne jeg forstå.
• 14:11
  Det kunne være hvis man laver et billede generativ og jeg, men
• 14:13
  det vi oplever tror jeg mange af os Det er, at Der er noget
• 14:16
  kunstig intelligens på spil. I det når vi ser outputtet, så
• 14:21
  ser vi jo et eller andet tegn på intelligens i, at den for
• 14:24
  eksempel kan lave et resume eller en analyse eller noget
• 14:27
  andet, som ligner noget, vi normalt forbinder med en en form
• 14:31
  for mennesket intelligens og faktisk også noget, vi prøver at
• 14:33
  bruge rigtig meget tid på at lære mennesker, andre mennesker
• 14:35
  og kunne. Og Jeg tror, Det er her, at det
• 14:38
  her med intelligens dukker op. Så så og og.
• 14:43
  Og det kunstige, men men spørgsmålet er jo om.
• 14:48
  Om den om den sammenligning, der mere leder til misforståelse
• 14:51
  omkring hvordan at modellen faktisk virker mere end Det er
• 14:55
  et oplysende begreb og brug. Så det kunne jeg spørge os selv
• 14:58
  om Jeg synes, at Det er oplysende at bruge det begreb,
• 15:01
  eller skulle man hellere bruge nogle andre begreber, når man
• 15:03
  taler om? Jeg synes ikke Det er oplysende,
• 15:06
  hvis jeg skal være helt ærlig. Og jeg mener ikke, Det er
• 15:09
  oplysende, fordi jeg mener, at det det slører hvad?
• 15:13
  Hvad kan man sige forholdet mellem menneskelige intelligens
• 15:15
  og intelligens, som hvad? Hvad er det så end er er?
• 15:21
  Altså Det er ligesom om at der bliver ikke tænkt godt nok over,
• 15:23
  hvad begrebet intelligens egentlig er, for det bliver
• 15:25
  brugt. Så hvis intelligens er noget,
• 15:28
  som kun mennesker kan man stribe bestride, hvad hedder Sådan
• 15:34
  noget? Ja kan have, så er det, så er
• 15:37
  det jo, så er det jo per definition ikke noget en maskine
• 15:41
  kan have. Men man taler også nogle gange
• 15:44
  om maskine intelligens, ikke for ligesom at prøve at bøje det på
• 15:47
  en eller anden måde. Men Jeg tror simpelthen begrebet
• 15:50
  intelligens er for dårligt defineret til, at Jeg synes, Det
• 15:53
  er oplysende at bruge i den sammenhæng Jeg kan.
• 15:55
  Jeg kan bedst lide, hvis Vi skal have filosofiske, at sandheden
• 15:58
  er i det konkrete ikke og og og intelligens som begreber ikke
• 16:03
  konkret nok til, at jeg ligesom kan gå ud og.
• 16:06
  Enten observere eller handle, eller eller bygge eller gøre
• 16:10
  noget som helst i den sammenhæng.
• 16:12
  Det er meget. Det er alt for abstrakt og
• 16:15
  indfanger alt for meget på en gang.
• 16:17
  Ikke. Så Jeg vil sige, Det er ikke så
• 16:19
  oplysende. Men også hvis du hvis du spørger
• 16:22
  en ingeniør, hvad Det er han laver når han laver Sådan noget
• 16:25
  der altså du kan på åbner og spørger ham, Der er i gang med
• 16:28
  at træne den nye p et eller andet nu her så du spørger om
• 16:31
  hvad det egentlig er han laver, så vil han sige at han er.
• 16:34
  Han laver en algoritme, som kan forudsige det næste ord indtast
• 16:38
  med høj, altså med høj sandsynlighed ikke.
• 16:41
  Og så vil jeg nok sige til dig, at måden han gør det på Det er
• 16:45
  at bruge transformer modeller, som han skærer helt vildt op, så
• 16:48
  de bliver meget store og så er opgaven i virkeligheden at.
• 16:53
  Lave et datasæt, som afspejler den måde, han gerne vil have den
• 16:57
  til at forudsige det næste ord på i.
• 17:00
  Og Det er jo Sådan, når det når man er så teknisk noget i det,
• 17:03
  så er det jo ikke særlig magisk på en eller anden måde eller og
• 17:05
  så på en måde er det jo fordi at den så alligevel er ret god til
• 17:08
  at forudsige det næste år, ikke? Ordet, jeg hører også ordet at
• 17:14
  nogen siger, altså Det er Sådan en.
• 17:16
  Lidt negativt, men hørte nogle gange tonen.
• 17:18
  Det er det her. Det er bare en sandsynligheds
• 17:20
  maskine. Siger man ligesom for at placere
• 17:25
  den. Og Det kan jo forstå når jeg
• 17:27
  lytter at Der er 1 1 1 delvist sandhed til.
• 17:30
  Men Jeg vil også spørge jer, er det en bedre måde at betegne den
• 17:32
  på hvis man kigger fra den udefra og man ligesom prøver at
• 17:36
  bestemme den ved at give den et et navn for hvad den gør?
• 17:41
  Altså Jeg vil jo sige, Der er ikke enighed om at det bare er
• 17:45
  en sandsynligheds maskine, fordi at teoretisk hvad Det er der
• 17:49
  foregår inde i den her transformer, som er et neuralt
• 17:53
  netværk. Der er man ikke, der ved man
• 17:55
  simpelthen ikke nok. Det er lidt ligesom om at Det er
• 17:58
  Det er 1, 1 1 1 stykke ingeniørkunst som.
• 18:03
  Er altså virker til du har den der.
• 18:07
  Jeg putter det her ind ad for det her ud.
• 18:10
  Det virker, men jeg forstår ikke nødvendigvis helt præcist, hvad
• 18:13
  Det er, der foregår inden i den til hver en tid.
• 18:16
  På hvert øjeblik kan man sige, og det gør vi jo heller ikke med
• 18:21
  hjernen for eksempel nødvendigvis, men Vi er måske
• 18:25
  klogere på nogle elementer Sådan hist og her, så Det er ligesom
• 18:29
  om, at man man har, man har bygget noget, når man forstår
• 18:32
  det, måske i virkeligheden ikke. En helt særlig godt teoretisk,
• 18:35
  og hvis man ikke gør det, kan man jo ikke rigtig Sådan svare
• 18:38
  på det der med er det bare sandsynlighed altså er
• 18:40
  sandsynlighed beregning er 1 1 1 kæmpe del af af det at lave det
• 18:47
  rent matematisk, så Der er ikke nogen tvivl om at sandsynlighed
• 18:50
  er en del af det her. Så modellen en matematik.
• 18:55
  Jeg vil sige, Det er nok en sandsynligheds baseret model.
• 18:59
  Utvetydigt. Og Det kan jo også være andre
• 19:02
  modeller som ikke er sandsynligvis baseret i
• 19:05
  virkeligheden. Men er det bare?
• 19:08
  Sandsynlighed altså når den laver det næste tungen eller har
• 19:13
  den på en eller anden måde. En forståelse, jeg laver igen de
• 19:16
  der gåseøjne, når jeg siger det. Der gør at at.
• 19:22
  At det ikke er til sidst, så er det ikke sandsynlighed Der er
• 19:25
  ligesom den. Kan godt finde ud af korrekthed
• 19:27
  eller hvad ved jeg eller Sådan et eller andet?
• 19:29
  Jeg ved det ikke jeg jeg hælder mest til at at det stadig er
• 19:33
  meget avanceret sandsynlighed. Du må da sige?
• 19:38
  Jeg spørger jeg spørger man den dybeste respekt det.
• 19:41
  Jeg ved godt at at man ikke skal altså gøre det mindre end Det
• 19:44
  er, men Det er de begreber, jeg tænker, man har arbejdet med,
• 19:49
  når man kommer ud fra til at starte med, så man ligesom må
• 19:52
  tage udgangspunkt i. For selvom man selvom Det er med
• 19:56
  den respekt for at vide, at ja du forstår måske lidt, når du
• 19:59
  spørger forsvar, men Der er meget mere til det.
• 20:04
  Det er helt Det er meget bevidst om.
• 20:06
  Man kan også sige, at Der er jo også det her inden for for Sådan
• 20:10
  komplekse systemteori og alt Sådan noget, hvis man hvis man
• 20:13
  går ned ad den vej der hvor at at at man ved, at hvis hvis
• 20:18
  systemer er meget komplekse og Der er feedback loops og alle
• 20:23
  mulige space ting som som er svært ligesom at sætte på Formel
• 20:26
  rent matematisk, jamen så kan så kan små variationer II værdier
• 20:31
  hist og her. Det kan jo ligesom føre til alle
• 20:33
  mulige kaotiske udfald der. Der ser de uforudsigelige ud.
• 20:39
  Men men men i princippet er forudsigelige, de bare ikke i
• 20:43
  forudsigelige praksis og, og så bliver de uforudsigelige, fordi
• 20:48
  de i praksis ikke er forudsige til at forudsige ikke og det.
• 20:52
  Det er Sådan en sjov destination, Der er inden for
• 20:54
  Sådan noget, hvis man interesserer sig for det.
• 20:57
  Det er også et et helt område for sig selv, som noget jeg
• 21:00
  engang selv har, har netop også filosoferet meget over.
• 21:04
  Der findes faktisk en dansker, der har skrevet en bog om
• 21:06
  kompleksitetsteori, som er Sådan en lille en lille kan.
• 21:10
  Kan huske hvad han hedder som som jeg nørdede meget.
• 21:14
  Det er lige tid nå innovants side track, men det vil sige Det
• 21:18
  var at. Hvis nu man kigger på.
• 21:23
  At skulle modellere noget. Så så vil der jo i den her form
• 21:30
  for måde at modellere tænke på, så vil man jo kunne lave Sådan
• 21:34
  en træning. Træning er det, der modulerer
• 21:36
  sproget. Så vil man kunne få lille smule
• 21:42
  forskellige resultater hver gang.
• 21:43
  Det ville aldrig rigtig være lige præcis det samme.
• 21:45
  Det vil være meget svært at køre 100% præcis det samme, når du er
• 21:50
  i meget meget stor skala, fordi kompleksiteten bliver så høj, så
• 21:53
  for eksempel små forskel inde i den fysiske maskine kan gøre, at
• 21:59
  det ikke bliver det samme resultat.
• 22:01
  Og det i sig selv er er lidt sjovt, ikke?
• 22:04
  Jonas Jeg tror også Det er en af grundene til fascinationen.
• 22:06
  Ikke fordi at igen. Nu bruger jeg en analogi ude fra
• 22:09
  en verden som ikke er maskinlæring, så Det er du er
• 22:12
  helten bøgerne svære trolddom ikke Det var at at fascinationen
• 22:16
  dengang i halvfemserne, hvor jeg stødte på dem, Det var at at der
• 22:19
  var 2 der var 2 veje og der skete noget forskelligt.
• 22:23
  Og så lige pludselig, så så møder man.
• 22:26
  Sådan en model her hvor hvor Jeg kan egentlig skrive det samme,
• 22:30
  og så får jeg et anderledes output.
• 22:32
  Det er nogle af de samme mønstre, men Det er anderledes
• 22:35
  fra gang til gang og det åbner fornemmelsen af et uendeligt
• 22:38
  mulighedsrum. Som ligesom gør, at man jeg i
• 22:42
  hvert fald begynder at stille spørgsmål tilbage til den her
• 22:44
  Black box, som du næsten var inde på, ikke?
• 22:46
  Altså når systemet bliver så kompleks også så.
• 22:49
  Så så kan man ikke lave er det kalder i det back propagation
• 22:53
  eller Sådan noget? Altså man kan ikke spole tilbage
• 22:55
  og og følge vejen tilbage. Det er simpelthen for komplekst
• 22:58
  hvert fald for de systemer man har nu.
• 23:01
  Men men men spørgsmålet hos de fleste vågner der ikke fordi at
• 23:07
  nu er det ude af godsvogne. Nu er det ude af kontrol.
• 23:10
  Ikke fordi nu kan det blive så meget forskelligt, det samme man
• 23:14
  skriver. Det var en meget filosofisk
• 23:17
  motiv, men Der er i hvert fald noget, der vågner i nysgerrighed
• 23:21
  til maskinen. Jeg tror jamen alligevel.
• 23:26
  Jeg håber i vil prøve at fortælle lidt mere om, hvordan
• 23:29
  man egentlig får udviklet. Sådan en model her.
• 23:33
  Som lige pludselig rummer det her uendeligt mulighedsrum af
• 23:37
  output. Ud fra noget, Der er den samme
• 23:40
  tekst for eksempel. Jamen altså Det er vel?
• 23:44
  Det er vel egentlig? Bare fordi at når man forudsiger
• 23:50
  sandsynlighed for det næste ord. Så samler man det næste ord.
• 23:54
  Det vil sige, så er der måske 80% sandsynlighed for, at Det er
• 23:58
  det ene ord 10% fra Det er det andet, og så er der en lang hale
• 24:04
  af resten for eksempel. Så hvis man samler 100 gange så
• 24:09
  80 af gangene bliver det det ene ord og så 10 gange bliver det
• 24:13
  eller en af gangene eller 10 gange bliver det så det altså
• 24:16
  det andet også at 10% af gangen bliver igen det altså så er det.
• 24:20
  Det er fordi hver eneste gang du forudsiger et nyt ord, så er der
• 24:23
  en lille, så er der kan der være en variation af hvad det næste
• 24:26
  ord den vælger er. Og og derfor så ser man at at,
• 24:33
  at det der Der er mange Sådan, derfor opleves det som om det
• 24:37
  ikke er deterministisk, hedder det altså Sådan at Det er Det
• 24:40
  har 1 1 1 1 1 slut. Hvad skal man sige?
• 24:45
  Altså et enkelt rigtigt svar ikke.
• 24:47
  Men er det ikke også Sådan? Vil du ikke også sige er det
• 24:50
  ikke Sådan du forstår det Jonas? Jo altså der kan man sige i
• 24:55
  selve genereringen, så Det er vigtigt også at forstå at at når
• 24:58
  man træner en model, så er det der sker.
• 25:01
  Det er det du du snakkede om det med back propagation.
• 25:04
  Det er en del af den der lærings algoritme, Der er i et neuralt
• 25:08
  netværk. Så er der en masse masse lag med
• 25:11
  en masse tal igennem, og Det er de tal der ligesom
• 25:13
  repræsenterer. Model ikke det Der er i den Det
• 25:17
  er statisk altså Det er det vi kalder vægtene.
• 25:20
  De er statiske er altså når jeg laver noget matematik igennem
• 25:24
  alle de her tal her, så er det jo klart, så skal det give det
• 25:26
  samme, ikke det? Med mindre Jeg har introduceret
• 25:29
  et eller andet i dit låg der ligesom er forskelligt for hver
• 25:32
  gang jeg putter nogle tal igennem maskinen, Det er der
• 25:35
  ikke nogen tvivl om, men så det som som Kasper han siger Det er
• 25:38
  jo så jamen så ude på den anden side af når Jeg er kommet
• 25:41
  igennem alle de her tal her. Så så kan jeg ligesom så kan jeg
• 25:47
  ligesom introducere altså det. Den gør jo i virkeligheden.
• 25:49
  Det er den laver en kæmpe liste af alle de ord eller token, som
• 25:53
  vi også kalder det ikke, som den har forudsagt givet det den har
• 25:56
  fået ind og og så. Men i den algoritme som.
• 26:02
  Putter en liste af alle de mulige ord.
• 26:04
  Den kan spytte ud som det næste, og så putter den ligesom en
• 26:07
  sandsynlighed ud for at være dem.
• 26:09
  Og. Og og II det så skal den jo
• 26:12
  ligesom finde ud af hvis jeg så vælger det her ord og går
• 26:15
  tilbage i mig igen fra start og køre en vej igennem netværket
• 26:21
  igen. Jamen så kommer jeg ned ad en
• 26:23
  vej II min min næste forudsigelse.
• 26:26
  Ikke fordi at Det er hele tiden Sådan et et feedback loop den
• 26:29
  den påvirker. Det er også det man kalder
• 26:31
  rekursiv algoritme. Det er et påvirker hele tiden
• 26:35
  det næste, men hvis man så forestiller sig, at at hvis man
• 26:38
  nu tog alle kombinationer af mulige lad os nu sige jeg havde.
• 26:42
  Top 10 af ord jeg kunne putte ind og de gik gav måske alle
• 26:46
  sammen fin mening fordi de havde de havde så høj værdi at de
• 26:49
  kunne godt de kunne godt bruges med fornuft ikke, men så kom jeg
• 26:51
  ligesom ned af mange forskellige grene og Det er alle de grene og
• 26:55
  kombinationer som som er det her udfaldsrum.
• 26:58
  Der er så stort og og hvad kan man sige komplekst at at Det kan
• 27:03
  føles som om at Det er det? Det er noget nyt der sker hver
• 27:07
  gang. Det er også en lille smule nyt,
• 27:08
  det der sker hver gang, men Det er ikke Sådan at man ikke kan.
• 27:12
  Beregne alle. Mulige veje deterministisk.
• 27:17
  Det er bare en uendelig mængde beregning, der skal til for at
• 27:20
  få det. Giver det mening.
• 27:22
  Mega godt svar tror jeg for mange.
• 27:25
  Og forstå det altså. Det afklarede også.
• 27:29
  Der ligger jo tit i fascinationen, at Der er noget
• 27:31
  uvist, som gør, at man lader sig fascinere og begynder at
• 27:34
  brugere, som næsten ligner noget guddommeligt ikke.
• 27:37
  Men Jeg tror det. Jeg tror, Det er rigtig vigtigt
• 27:40
  at få få det kortlagt for mange, at det Det er en en form for
• 27:45
  beregning. Men den lige pludselig har en
• 27:47
  snert af noget andet intelligens, kunstig intelligens
• 27:50
  det Det er et ord, man har svært ved at komme til at sætte på,
• 27:53
  når man ser outputtet af den her utrolige beregning.
• 27:58
  Ja. Så ja, det giver virkelig
• 28:00
  mening. Jeg tænker på det her med at.
• 28:05
  At Der er jo sket. Der er jo sket en kolossal.
• 28:08
  Udvikling. Og chatty var der hvor vi så
• 28:13
  det, men det sker jo indenfor alle generative i lige nu.
• 28:16
  Jeg håber Det er det rigtige måde at sige det på, men altså
• 28:18
  man har tekst 2 tekst, man har textos image man har tekst og
• 28:21
  video, men også man har også computer vision.
• 28:23
  Nu kan aflæse et billede og så få det ud som tekst.
• 28:26
  Der er ligesom en kolossal udvikling lige nu som som
• 28:30
  ligesom trænger sig ind i alle brancher, fordi at det Vi har
• 28:34
  været vant til at at at mediere det Der er nu en kunstig
• 28:37
  intelligens der undskyld hvad er det?
• 28:40
  Nej Det er fint. Det er fint.
• 28:41
  Vi kalder det bare. Jeg vendte mig så meget til det,
• 28:46
  at at jeg får lyst til at spørge, ikke jeg.
• 28:50
  Tilbage i historien, der ligesom skete en udvikling.
• 28:52
  Jo og den den er jo sket lidt over hovederne på os andre for
• 28:57
  at chat kapitel pludselig dukkede op.
• 29:00
  At at kan i sætte nogle ord på, hvad Det er, der gør at Vi har
• 29:02
  taget Sådan 1 1 1 kvalitativt spring i hvor meget input Sådan
• 29:07
  en maskine kan tager og hvor fint et output den kan komme
• 29:10
  med. Jeg ved godt Det er en stor
• 29:11
  historie, men. Men de nedslag, som i synes er
• 29:14
  vigtige, hvis man kommer udefra og skal prøve at forstå, hvorfor
• 29:16
  der har været Sådan en. En udvikling.
• 29:20
  Ja. Du tager den jo.
• 29:22
  Ja altså hvad hedder det? Det sker jo i Der er den her
• 29:26
  model arkitektur der hedder transfer, altså i virkeligheden
• 29:30
  i lige siden altså i de sidste 2025 30 år.
• 29:34
  Der har man prøvet at lave sprog modeller, som har ligesom givet
• 29:39
  noget tekst. Skulle det forudsige det næste
• 29:41
  ord igen og igen. Og indtil indtil Jeg tror, altså
• 29:46
  indtil. Altså de de har bare været syg
• 29:49
  dårlige og Det har været bare super svært at gøre fordi at det
• 29:53
  bliver meget hurtigt meget. Jo længere Sådan sætning bliver,
• 29:55
  jo mere jo sværere bliver det, ligesom at jo mere flere tal
• 29:59
  skulle man have i gamle dage til at forudsige det næste og så
• 30:01
  videre. OK, men det der ligesom sker Det
• 30:03
  er at så finder man ud af de her transformer modeller de rigtige
• 30:07
  anvendelige, de rigtig gode til ligesom at håndtere hvad skal
• 30:11
  man sige sprog og især tekst. Og det man så finder ud af Det
• 30:15
  er at II ja hvad er det det i 2017 hvor det første g paper gt
• 30:19
  et paperet kommer ud? Det er at de rigtig de de er ret
• 30:23
  gode til at forudse, altså lave det her man længe har prøvet på
• 30:26
  at lave language modeling, hvor man ligesom prøver at bare
• 30:29
  forudsige den historie hele tiden og så ligesom prøver at.
• 30:33
  Ja og gøre det for ligesom at få noget der kan generere tekst, så
• 30:39
  kommer det næste paper kan vi til 2 hvor man finder ud af at
• 30:41
  hey. Det hjælper faktisk rigtig
• 30:43
  meget, hvis man bare skruer op for størrelsen af modellen,
• 30:45
  altså antal af parametre i modellen og mængden af data de
• 30:49
  bliver de bliver de bliver trænet på det i sig selv.
• 30:53
  Har altså Det har det i sig selv.
• 30:55
  Gør bare performance stiger, og Der er mange på det her
• 30:58
  tidspunkt, der mener, at Det er Sådan lidt useriøst forskning,
• 31:01
  fordi så handler det jo bare om, hvem der har de største
• 31:03
  computere og det meste data. Men åbning jeg de er ligesom
• 31:07
  Sådan de de de bliver sgu ved med at forfølge det her, fordi
• 31:10
  de synes Der er noget interessant ved det.
• 31:12
  Og så det vil sige meget af det, de så arbejder på for g 2 til g
• 31:16
  3. Det er ligesom at få skaleret
• 31:18
  den her super computer op. Sådan så det rent faktisk
• 31:21
  praktisk kan lade sig gøre at træne så kæmpestor en model som
• 31:25
  som gt 3 var eller er stadigvæk som udkom i faktisk allerede og
• 31:30
  22.020 maj tror jeg eller Sådan noget og 22 20.020 Det er jo en
• 31:34
  model Der er der fylder den er jo 175 milliarder parametre og
• 31:37
  den fylder hvis man skulle lægge det på sin computer.
• 31:42
  Vil den fylde 800 gigabyte, og du ved, de fleste må normale
• 31:46
  computere har jo kun 16 gigabyte eller et eller andet i rammene,
• 31:49
  bare hvis man skal loade den almindelige ramme.
• 31:51
  Der skal man have en altså du skal simpelthen sprede modellen
• 31:54
  ud over en altså mange mange computere for ligesom bare at
• 31:57
  have modellen II memory på computeren, ikke så det.
• 32:00
  Det åbner jeg at de ligesom gør Det er at de giver sig i kast
• 32:03
  med at få det her til at ske, få det tekniske til at ske at man
• 32:06
  kan skalere model træning op i den her størrelse, fordi de kan
• 32:10
  se at kurven bliver altså bare bedre og bedre, jo større
• 32:12
  modeller. Her og jo mere data bliver
• 32:14
  trænet på. I 2020 Der er releaser de så
• 32:17
  giver vi 3. Ipad release de og og og og og
• 32:23
  hvad hedder det? Og de åbner også op for et API.
• 32:27
  Allerede dengang har de den her den her strategi med, at de
• 32:30
  giver early acces til nogle til nogle udviklere udvalgte
• 32:34
  udviklere, som ligesom kan lave nogle fede demoer med det, så
• 32:36
  kan det blive hypet, og så giver de adgang til til p iet og deres
• 32:41
  deres Sådan videnskabelige forskning alibi dengang her.
• 32:44
  Det er ligesom at at de her modeller begynder at kunne.
• 32:49
  Hvad skal man sige løse opgaver, som de ikke er trænet til at
• 32:53
  kunne løse som i før i tiden? At man skulle lave modeller der
• 32:56
  skulle kunne det her, så skulle man ligesom lave datasæt og så
• 32:59
  kunne man sætte dem til at forudsige nogle specifikke ting,
• 33:03
  men de her modeller dem kan man faktisk bare spørge, man faktisk
• 33:07
  bare pumpe dem og så begynder de at kunne konkurrere med de andre
• 33:10
  modeller og det synes man er lidt interessant, fordi det
• 33:13
  begynder jo ligesom at bevæge sig hen mod at at de her de her
• 33:17
  modeller får noget noget generelt i sig noget Sådan som
• 33:20
  ligesom er robust på tværs af opgaver og det synes Jeg er
• 33:24
  rigtig interessante, og Der er stadig rigtig mange haters i
• 33:27
  forskningsverdenen. På det her på den her retning,
• 33:29
  fordi folk kritiserer det for ligesom bare at være.
• 33:34
  Det er bare et computer game og Der er mange der tager det
• 33:36
  seriøst ikke mener Det er seriøst forskning og Sådan
• 33:38
  noget, men de bliver ved med at forfølge den her vej og jeg.
• 33:43
  Det de så finder ud af open jeg Det er at de er ret gode til at
• 33:47
  generere tekst den her g 3 model som jo bare er blevet trænet til
• 33:50
  at forudsige det næste ord på. Et hav af random tekst fra
• 33:54
  internettet. Det er webshop annoncer.
• 33:58
  Det er bøger Det er. Hvad er det ikke?
• 34:02
  Altså Det er lovtekst og Det er chats Det er alt muligt
• 34:06
  mærkeligt internetforum og så videre, så det vil sige at når
• 34:09
  du så spørger p 3 hvad er Jeg tror hvad er Frankrig for
• 34:14
  eksempel så kan det være at også det her det her tilfælde
• 34:17
  element, der ligesom er i det, så kan det være vi til 3 tror at
• 34:21
  den er midt i en bog, altså Det er overskriften på et kapitel og
• 34:23
  så begynder den at skrive hvad som om Det var en kapitel i en
• 34:26
  bog Det kan være den tror jeg Det er en chat Det kan være den
• 34:29
  tror Det er en web annonce eller altså.
• 34:32
  Den er ligesom den er god. Den forstår en masse om sprog.
• 34:35
  Den er god til at generere noget som er overbevisende, men den
• 34:38
  fatter ligesom ikke rigtig hvad for en kontekst den befinder
• 34:41
  sig. Altså den er ligesom ikke rigtig
• 34:42
  tunet ind på, at den skal ligesom være brugbar i forhold
• 34:46
  til at man sidder og skriver med den.
• 34:48
  Så det, de finder ud af Det er at at de Det er rigtig brugbart,
• 34:52
  hvis man ligesom når man har trænet de her store modeller til
• 34:55
  at forudsige. Det næste store i alt muligt et
• 34:59
  hav af random tekst. Så er det rigtig brugbart at
• 35:02
  lave et mindre meget mindre datasæt som som hvor, hvor den
• 35:06
  ligesom bliver af linet med at den får en instruktion og skal
• 35:08
  svare. Fordi så bliver den trænet hen i
• 35:12
  et et space, hvor den ligesom bliver er med på, at den skal
• 35:16
  tage imod, brugerhenvendelser og give nogle brugbare svar
• 35:19
  tilbage. Og så er det ligesom den
• 35:22
  forskningsretninger, som er som er ligesom man er.
• 35:25
  Man er ligesom. Gået ned ad den vej, der hedder,
• 35:28
  hvordan kan vi ligesom. Ændre det altså træne de der
• 35:33
  kæmpestore grundmodeller på 1 3 milliarder milliarder.
• 35:37
  Mange, mange, mange, mange måder random tekst.
• 35:39
  Og hvordan kan vi se derfra lave nogle nogle nogle interessante
• 35:43
  datasæt som ligesom kan. Sende dem i en retning, hvor de
• 35:47
  Sådan. Forstår hvad?
• 35:50
  Hvad hvordan de kan være brugbare over II Sådan en chat
• 35:53
  sammenhæng ikke? Ja, Det var en lang forklaring.
• 35:57
  Det var mega ja Jeg tror altså den var god og jeg forstår jeg
• 36:02
  forstår den. Jeg har også hørt Jeg har jo
• 36:04
  også hørt dig forklarer det før og du du er fantastisk god til
• 36:07
  at forklare det, men jeg gør lige nogle stopper lige at
• 36:10
  stoppe alligevel tror jeg og spørger lidt ind til noget af
• 36:12
  det og det det handler meget om det her med at du siger at den
• 36:17
  udvej så det her det generelle. Jeg har også hørt udtryk som at
• 36:22
  den der opstår noget emergent, altså noget den egentlig ikke er
• 36:25
  trænet til, men lige pludselig lykkedes rigtig fint med, og Det
• 36:29
  er jo noget af det, vi ser igen som output.
• 36:31
  Det er hov har de mon træne den til at være så gode til alt det
• 36:35
  her? Ej, det vil nok være en temmelig
• 36:37
  umulig opgave. Ikke fordi Det er jo, Det er jo
• 36:39
  en million milliard opgaver, forskellige folk stiller den,
• 36:42
  men tilsyneladende gør det nogenlunde vellykket og og der
• 36:49
  har jeg lyst til at spørge ind til det her generelle her, fordi
• 36:52
  at. Jeg har en fornemmelse af at at.
• 36:55
  Jeg ved ikke, om man havde tænkt sig, at man skulle udvikle den
• 36:57
  til det, eller det opstår, men men Det er jo tilsyneladende
• 37:01
  sket. Vil du uddybe også dig Jonas
• 37:04
  noget om, hvordan det her måske kan opstå, at den.
• 37:08
  Der er noget agent på spil. Jeg vil gerne komme med et bud,
• 37:12
  altså Jeg tror det hænger sammen med den her skalering så det det
• 37:15
  tror Jeg er altså Sådan korrekte antagelse at.
• 37:19
  Hvis vi forestiller os, og Det er jo Det er jo rigtig svært at
• 37:22
  forestille sig hele internettet tekst, så foregår der rigtig
• 37:26
  mange forskellige ting med mange forskellige sprog, blandt andet
• 37:31
  folk, der hjælper hinanden med at løse forskellige opgaver
• 37:34
  eller spørgsmål og svar chats artikler om, hvordan kan man et
• 37:41
  eller andet? DII ting og sager altid noget
• 37:45
  der ikke så når vi stiller spørgsmål til det store net, og
• 37:49
  vi får nogle til at svare tilbage, så sidder vi jo ikke og
• 37:52
  undrer os over. Ej, Det er jo helt magisk, at
• 37:55
  det Der er nogen der kan skrive noget tekst til som som er
• 37:58
  brugbart for mig. Men Det er altså det samme tekst
• 38:01
  som den her model har været igennem, og derfor så kunsten er
• 38:07
  egentlig at den kan. I de mange parametre den har.
• 38:12
  Ligesom at begribe. Helheden af af af det her
• 38:18
  udfaldsrum som det store hvide internet måtte have af
• 38:23
  teksttyper. Hvis den er for lille, så har
• 38:27
  den for få tal til at repræsentere alle de mange
• 38:30
  mulige måder. Man kan skrive mange forskellige
• 38:34
  sprog på i mange forskellige kontekster og så videre og så
• 38:37
  videre og så videre. Og Der er et eller andet Sådan
• 38:39
  helt logisk fornuftigt i at sige, at hvis nu den bare får
• 38:43
  mange flere tal. I sig til, at ligesom at eller
• 38:47
  nogle ronald, lad os kalde det det korte øjeblik for at lave en
• 38:49
  analogi over til hjernen. Lad os gøre den større hjernen,
• 38:52
  så kan den sikkert begribe mere tekst eller eller eller ligesom
• 38:56
  modulere flere forskellige variationer.
• 38:59
  Fordi Det er det den gør den den har simpelthen så mange
• 39:02
  forskellige vægte og parametre at at den kan den kan ende i
• 39:07
  sine beregninger i alle mulige former for for sprogene nuancer.
• 39:12
  Og det. Det er det der gør, at den den
• 39:15
  kan, tror jeg ikke kan svare på ting som som virker umiddelbart
• 39:19
  Sådan. Det er den jo ikke trænet til.
• 39:20
  Nej, men den har har set noget den har givetvis kan du finde i
• 39:25
  dens træningsdata noget tekst som er meget tæt på.
• 39:29
  Det kontekstuelle som den genererer til dig.
• 39:33
  Det er rigtig svært og og hvad kan man sige bevise den slags
• 39:37
  påstande, fordi man søger ikke bare lige ned i den mængde
• 39:41
  tekst, den er træt. På for at finde noget, der
• 39:44
  passer kontekstuelt med det, den har genereret for eksempel.
• 39:47
  Men Der er nogen, der har vist det der med, at man man kan
• 39:50
  næsten faktisk få den til at at reproducere det data, den er
• 39:55
  trænet på, og det siger noget om, at den har Sådan en eller
• 39:57
  anden form for meget stærk hukommelse af, hvad Det er for
• 39:59
  noget data, den har inde i sig, ikke?
• 40:01
  Det tror også man skal huske på at den opgave man sætter chat
• 40:06
  til at løse, når man træner den på alt altså Sådan et hav af
• 40:09
  tekst. Det er jo Det er jo en umulig
• 40:12
  opgave altså du kan du kan ikke få en den kan ikke få 100%
• 40:15
  accuracy fordi. Jeg er.
• 40:19
  Det er ikke muligt at forudsige 100%, hvad det næste år vil være
• 40:23
  der, fordi Det kan være alle mulige ting, så Det er på en
• 40:25
  måde et uløseligt problem. Så det vil sige at at du det den
• 40:30
  1 ikke løse det men og når man så ligesom skalerer så meget
• 40:33
  data op og den får lov at se så meget data.
• 40:36
  Så for at den skal blive god til at forudsige det næste ord.
• 40:41
  Så er det brugbart altså så bliver modellen ligesom tvunget
• 40:45
  til at ligesom skrue på sin vægte altså alle de tal der lige
• 40:50
  pludselig er med til at præsentere modellen på en Sådan
• 40:52
  måde, at den får. Den skal ligesom en kode en
• 40:56
  altså indkode noget viden i modellen.
• 40:59
  Som gør, at den bliver bedre næste gang til at forudsige et
• 41:02
  eller andet ord, så Jeg tror, at den her.
• 41:05
  Hvad skal man sige det her med, at den lærer ting, den ikke er
• 41:07
  trænet til? Det er fordi den bliver trænet i
• 41:11
  så stor en skala så meget data, at den ligesom lærer det for at
• 41:16
  kunne løse det problem. Den er blevet lidt ligesom det
• 41:19
  som er at forudsige det næste ord så.
• 41:22
  For at kunne løse det problem på så stor skala, så bliver den
• 41:26
  nødt til at skabe nogle interne med intern viden, der ligesom
• 41:29
  gør at den den får bedre forudsætninger for at forudsige
• 41:33
  de næste ord i. Hvilken som helst given
• 41:36
  situation du hvilken som helst tekst du kunne finde på at kaste
• 41:38
  efter den? Det som jo unge nævner der.
• 41:41
  Det er også noget, vi nogle gange kalder for for Sådan
• 41:45
  features. Altså Det er nogle nogle nogle
• 41:47
  interne. Man skal forestille sig Sådan en
• 41:51
  kæmpe excelark med med en masse tal, der lige præcis er justeret
• 41:55
  op og ned, eller man kan forestille sig en masse knapper
• 41:58
  Der er lige præcis og justeret op og ned på en Sådan måde, at
• 42:01
  når man laver en beregning igennem den.
• 42:04
  Med 1 1 1 1 Formel af en eller anden art.
• 42:08
  Så når man hen til XYZ, som man gerne ville.
• 42:12
  Og Det er jo det, der sker i den her læringsproces.
• 42:14
  Det er jo noget jeg derhen, hvor jeg gerne ville netop forudsige
• 42:17
  næste ord. Nej, det gør jeg ikke.
• 42:19
  Nå, men så må jeg justere på et eller andet.
• 42:21
  Vi prøver noget nu, tror nu justerer vi på det her gik det
• 42:25
  godt eller gik det skidt? Nå, det gik skidt.
• 42:28
  Jeg kom ikke tættere på det jeg skulle, så prøver vi noget nyt
• 42:31
  og i den proces, Der er i den der læring der så får den
• 42:34
  justeret på nogle ting Sådan så den når hen til til til til
• 42:38
  noget Der er, hvad kan vi sige meningsfuldt og hvem bestemmer
• 42:41
  hvad Der er meningsfuldt? Det gør mennesket ikke, og Det
• 42:45
  er jo fordi Det er os, der laver og siger, nu har du ramt
• 42:48
  rigtigt, eller også har du ramt forkert, ikke?
• 42:50
  Det gør vi også, når vi træner den i de her de her chat
• 42:54
  sessions, så Det er jo det, Der er fine tuning som som jeg også
• 42:57
  snakkede om, at Det er der hvor den rigtige bliver brugbare for
• 42:59
  os, der har siddet et hav af mennesker og lavet data til den
• 43:03
  rigtige mennesker, der har svaret på rigtige spørgsmål,
• 43:05
  ikke på en rigtig fornuftig måde.
• 43:08
  Så i og med at det så er de subjektive svar og vurderinger
• 43:13
  fra mennesker, der ligesom. Er med til at sige, nu har du
• 43:16
  ramt rigtigt. Nu har du ramt forkert.
• 43:18
  Jamen, så hvor kommer så intelligensen fra?
• 43:20
  Ikke når intelligensen ligger i data, kommer den jo ultimativt
• 43:24
  set mennesket, så Det er også derfor, jeg nu er vi tilbage til
• 43:28
  det der intelligens. Spørgsmål kan ikke lade være med
• 43:30
  lige at runde halen ind på det. Så ja, nå, Det var.
• 43:35
  Jeg jeg bliver jeg. Jeg lærer blive lidt med det
• 43:37
  intelligente i hvert fald. Det er mit sprog, ikke?
• 43:41
  Det er fordi at jeg kommer jo til at tænke på det her med nu.
• 43:44
  Vi rører egentlig ved det emergente ikke og spørgsmålet
• 43:47
  om, hvorfor den lige pludselig løser opgaver, som vi måske ikke
• 43:50
  forventede den kunne og og jeg tænker også at spørge på en
• 43:55
  anden måde, når man snakker om om børn ikke så så har man før
• 43:58
  haft Sådan en lagdelt tankegang om intelligens ikke så man
• 44:01
  starter på et eller andet niveau man kan.
• 44:03
  Man kan måske sætte ord sammen på et eller andet tidspunkt kan
• 44:04
  man perspektivere meget mere kompleks ting.
• 44:09
  Jeg tror man ser det væsentligt mere plastisk i dag.
• 44:11
  Det gør jeg i hvert fald, så underviser.
• 44:13
  Jeg ser børn, der kan de mest utrolige analytiske ting ikke?
• 44:16
  Men men jeg tænker på at stille spørgsmålet anderledes her,
• 44:19
  fordi er det, kan man sige, er det lige så komplekst som
• 44:24
  maskinen at svare på? Hvad er hovedstaden i Frankrig
• 44:26
  som og få? Et et meget mere komplekst
• 44:30
  spørgsmål hvor den hvor Der er en masse sammenhænge Der er sat
• 44:32
  sammen, hvor den både skal analysere noget og lave et
• 44:35
  resume af det resume af det og gøre det på en meget bestemt
• 44:38
  måde er Det er det samme beregning.
• 44:42
  Som giver det ud som som hvis Jeg er mere simple spørgsmål, at
• 44:47
  hvordan skal man overhovedet tænke om det i forhold til når
• 44:50
  man. Når man selv oplever, give
• 44:51
  maskinen forskellige udfordringer og sagde, at jamen
• 44:54
  den klarer begge 2 måske mere eller mindre godt.
• 44:56
  Men er det den samme udfordring for den på sin vis?
• 44:59
  Jeg har en lille hurtig første ting, så skal du nok få lov.
• 45:01
  Jo Jeg er jo ikke. Jeg er ekspert i at evaluere de
• 45:06
  her elever, men det Vi har for nylig haft dans outrup II
• 45:09
  studiet som er er rigtig skarp til den slags, og han siger at
• 45:14
  en af hans yndlings evaluerings datasæt, altså Det er hvad kan
• 45:17
  man sige en eller anden kundskab der?
• 45:19
  Det er faktisk det her kan man sige syntaktisk forståelse af
• 45:23
  sproget. Og og og der har jeg det Sådan
• 45:27
  lidt. Og svare på det du siger med, er
• 45:30
  der Sådan ligesom som er er Det er Det er det ene den ene
• 45:35
  kundskabs sværere for for for hvad kan man sige modellen end
• 45:38
  den anden kundskab? Men der vil sige det, hvis Det
• 45:42
  er det, Der er tilfældet, så tror jeg ikke, at Det er ligesom
• 45:47
  korrelere med den måde menneskets sværhed.
• 45:50
  Niveauer og hvad kan man sige, hvordan vi udvikler Vores
• 45:53
  hjerner i forhold til det? På ingen måde.
• 45:55
  Jeg tror Der er ingen sammenhæng imellem det, fordi netop en af
• 45:58
  de ting, som er ret svært at træne en model til at være god
• 46:01
  til Det er det her er Sådan syntaktiske i sproget.
• 46:06
  Så det husker jeg korrekt junge, at jeg mener at Det er en af de
• 46:10
  ting som faktisk er svære. Der er nogle andre tasker, som
• 46:12
  man ligesom kan kan sige, lave en en opsummering eller eller
• 46:16
  svare ja eller nej korrekt til et spørgsmål givet en eller
• 46:20
  anden logisk kontekst og Sådan noget.
• 46:21
  Det kan den sagtens være rigtig fin til og så stadigvæk være
• 46:25
  utrolig dårlig til, når den så genererer et mange ting at at
• 46:28
  holde Sådan en eller anden form for syntaktisk korrekthed.
• 46:32
  Så så Der er et eller andet du ved og det ville.
• 46:34
  Det er Sådan nogle ting som børn aldrig nogensinde ville ville
• 46:37
  lave II sproget fordi Det er så indgroet i dem, at du kan ikke
• 46:41
  sige det her på dansk og og Det er virkelig virkelig.
• 46:46
  Altså jo, Det er selvfølgelig har det taktiske ting, når de er
• 46:49
  Sådan meget små børn ikke også og de bliver bedre og bedre til
• 46:51
  det, men når Vi er Sådan, snakker almindelig Sådan. 10
• 46:56
  plus år vil jeg sige ikke. Altså så er det der syntaktiske
• 46:59
  II sproget i hvert fald i deres udtale.
• 47:01
  Det er altså Det er altså meget meget sjældent det laver Sådan,
• 47:04
  og hvis de laver så næsten Sådan helt brain fart ikke.
• 47:09
  Så er der et eller andet der. Jeg synes Der er ikke helt en
• 47:12
  pendant til, hvordan menneskets hjerneudvikling og modellerne
• 47:16
  udvikler sig. Nå, Det var for langt jo var
• 47:19
  dig. Ja så så det du spørger om Det
• 47:21
  er faktisk sjovt jeg lige hører det cremens interview det tredje
• 47:24
  interview med jern con og han nævner faktisk lige præcis det
• 47:26
  her. Altså hvis man får 2 bliver
• 47:29
  stillet 2 forskellige sproglige opgaver, så den ene er nemmere
• 47:35
  end den anden. Det vil sige at at den ene er
• 47:38
  mindre komplekse den anden. Og det man mener med det.
• 47:41
  Det er, at den ene kræver mindre enheder af tankevirksomhed.
• 47:46
  End den anden gør så du skal måske bruge 10 på at løse den
• 47:49
  ene og du skal måske bruge 100 på at løse den anden.
• 47:52
  Og der kan man jo passende sammenligne det med tokens II
• 47:56
  lange mødes, og Det er en Det er en en meget Sådan.
• 48:01
  Hvad skal man sige? Typisk kritikpunkt for de her
• 48:04
  sprogmoduler? Det er, at de kan faktisk kan
• 48:06
  faktisk bruge samme mængde, altså tankevirksomhed enheder på
• 48:10
  at løse det ene problem, som er nemt som Det kan med det andet
• 48:14
  problem, som er svært, hvor man ligesom skulle mere
• 48:17
  tankevirksomhed. Men Jeg tror i virkeligheden
• 48:18
  også Det er der hvor man har fundet ud af, at Det er derfor
• 48:21
  at Sådan nogle prompting teknikker som tjener.
• 48:24
  Flot virker. Altså at.
• 48:27
  Lars launchers bliver bedre, hvis de ligesom får lov til at
• 48:31
  tænke højt, fordi Det er deres måde at tænke på.
• 48:34
  De kan ikke tåle tænke internt på samme måde, så de Der er man
• 48:38
  ligesom. Der har man ligesom så
• 48:41
  spørgsmålet er om. Lars language models i
• 48:46
  virkeligheden ikke også skal bruge flere tanke enheder på at
• 48:50
  løse svære problemer end de skal på korte eller nemmere
• 48:55
  problemer, ikke? Men de bruger altså, så er det
• 48:58
  måske, at i virkeligheden bare konstant tænker jeg jo her,
• 49:01
  fordi at det den bruger samme antal parametre, altså de her
• 49:06
  tal som er inde i mellem. Den vælger ikke forud for at den
• 49:09
  skal gå igennem og lave alle de her beregninger nu nu nu synes
• 49:14
  jeg lige i dag jeg skulle. Se bort fra de her tal herovre
• 49:17
  og kun bruge dem her herovre. Den laver den samme mængde
• 49:20
  beregning så at sige. Samme energi bliver lagt ind i
• 49:24
  hver som. Det er fuldstændig.
• 49:28
  Som man ikke har trænet i at være doven man kan jo man kan jo
• 49:32
  give den feedback at nogle gange faktisk får man mulighed for at
• 49:34
  give feedback at den var doven. Faktisk arkitektur, der kan det
• 49:39
  der. Det er dem, vi kalder for
• 49:40
  mixture of experts også. Det er de kan godt ligesom
• 49:43
  vælge. Hvad for nogle vægte de skal
• 49:46
  bruge så og sige i deres store vokabular, når de skal ned og
• 49:50
  løse en opgave versus en anden opgave.
• 49:52
  Det kan de træne sig til, og Det er også noget, så bliver de mere
• 49:55
  effektive og Sådan nogle ting, der ligesom prøver at gøre lidt
• 49:58
  op med det her, fordi Det er jo klart, Det er uhensigtsmæssigt
• 50:00
  at bruge vildt meget computer hver evig eneste gang for alle
• 50:03
  alle typer af tokens. Hvis nu Det er Det er at
• 50:07
  forudsige det næste token krævede.
• 50:10
  Altså langt mindre og var så var så var så nemt så at sige Det
• 50:15
  var nemt at modellere lige præcis fra det her token til det
• 50:18
  næste token, men i andre sekvenser var måske krævede det
• 50:22
  en en større altså ja, Der er Sådan ligesom noget af det der,
• 50:25
  så Det har man der arbejder med. På en eller anden måde, så synes
• 50:28
  jeg også at det bliver lidt nørdet, men Jeg har lidt coon.
• 50:30
  Han er ude med noget der hedder jabba i øjeblikket, som er Sådan
• 50:34
  en model arkitektur, som han er meget oppe at køre over.
• 50:37
  Og da han kritiserer meget det her med det så meget II
• 50:40
  videobilledet domænet og han får han kritiserer meget og og det
• 50:44
  skal siges i videobillede domænet måske mere billede
• 50:46
  domænet der har det været Sådan en meget populær træningsteknik
• 50:51
  II sprog der en supervisor eller en metode som man ikke ligesom
• 50:56
  behøver at notere, altså Sådan manuelt, gå ind og fortælle dem
• 51:00
  noget om data. Det kan lige så bare sætte sig
• 51:02
  til. At løse problemet selv det man
• 51:04
  har gjort i billedverden. Det er, at man ligesom har taget
• 51:06
  et billede, så har man fjernet noget af billedet og så har man
• 51:08
  fået en model til at prøve at forudsige det der mangler.
• 51:11
  Og så har man ligesom på den måde forsøgt at lære de her
• 51:14
  modeller noget om. Visuel altså visuelle ting.
• 51:19
  Det har været nogle teknikker, man har brugt for ligesom at
• 51:21
  prøve at at at lave noget selv. Supervised learning der, men Der
• 51:26
  er man ligesom kommer ind i et problem hvor man ligesom.
• 51:31
  Ja, hvad er det? Det er Sådan noget med, at det
• 51:32
  giver ikke nogen mening at predicted, hvad skal man sige?
• 51:36
  Hvad skal man sige prøve at lave en model af verdenen på pixel
• 51:40
  niveau og det bliver Jeg er ikke sikker på jeg helt har forstået
• 51:43
  det endnu, men men i hvert fald det giver ikke mening.
• 51:46
  Lad mig sige det Sådan her, du ved når jeg ser 3.
• 51:50
  Så ved jeg Det er 3. Så ser det et egetræ, så når jeg
• 51:54
  så ser et andet egetræ. Så ser det ser jo ikke ens ud
• 51:58
  som det første egetræ jeg så, men jeg bliver ikke hylet helt
• 52:01
  ud af den Sådan fuck mand. Hvad fanden er det Sådan altså
• 52:03
  Jeg har ligesom Jeg har ligesom min intelligens er ligesom
• 52:06
  robust nok til at forstå konceptet af 3 og det behøver
• 52:09
  ikke være lige 100% samme pixels der repræsenterer det 3 for at
• 52:13
  jeg ved at Det er 3 Jeg har ligesom noget udover det rent
• 52:17
  Sådan eksam. Det datamæssigt, der kommer ind
• 52:20
  i et system, der har ligesom en eller anden intern
• 52:23
  repræsentation, som ligesom fortæller mig, skaber et andet
• 52:26
  koncept med 3 og gør, at jeg ikke bliver hyldet ud af den
• 52:28
  eneste gang jeg ser et nyt 3 og en ny type 3 og så videre, fordi
• 52:30
  Der er en eller anden form for præstation der og der arbejder
• 52:36
  man meget med mit indtryk. Hvert fald gerne kunne gøre, at
• 52:39
  i stedet for at prædike pixels altså prøve at få de her
• 52:42
  generative modeller til at prædike selve de der pixels og
• 52:47
  predictive selve de her tokens, altså de her ord.
• 52:50
  Så vil man meget hellere prøve, ligesom at forudsige, hvad der
• 52:55
  sker i det her interne konceptuelle space på en eller
• 52:59
  anden måde, fordi så er der en masse overhead man ikke så så så
• 53:06
  så skal man ikke så bruger modellerne ikke energi på at
• 53:10
  bekymre sig om lige præcis hvad Det er for nogle pixels.
• 53:12
  Det er Der er på billedet, eller lige præcis hvad Det er for
• 53:15
  nogle ord der ligesom optræder en anden sekvens, men bruger i
• 53:18
  virkeligheden mere energi på Sådan at modellere koncepterne
• 53:22
  og interaktionen mellem dem. Og nu har jeg jeg.
• 53:27
  Tror faktisk altså selv mig der kommer udefra, så mit min måde
• 53:33
  at forstå det du siger på Det er kan man kan man finde en maskine
• 53:36
  der ikke behøver at starte helt forfra på samle verden igen,
• 53:39
  altså når man stiller den spørgsmål for eksempel.
• 53:42
  Altså fordi at den allerede har er hurtig til at begribe,
• 53:46
  ligesom Vi er. Altså hvis Vi har set et
• 53:48
  prototypisk eksempel, så går det som en så hurtigt.
• 53:51
  Altså Vi er inde i vaner det rene rutiner.
• 53:53
  Vi behøver næsten ikke bruge energi på det, vel?
• 53:55
  Det? Det er jo Sådan, vi gennemlever
• 53:57
  som mennesker og verden for det meste.
• 53:59
  Og så har vi en en opmærksomhed, der kan vække så lige pludselig
• 54:03
  opdage alt Vores energi, når vi prøver at begribe et eller
• 54:05
  andet, som er uden for Vores fatteevne eller Sådan noget.
• 54:08
  Men så det virker som om, når vi taler om om BT en, så så er den
• 54:11
  også lidt forfra. Altså den laver beregningen igen
• 54:14
  igen. På samme måde måske.
• 54:19
  Jeg ville jo. Jeg ville karakterisere det du
• 54:22
  siger. Det er som et lærings eksempel
• 54:25
  og et lærings eksempel II hvad kan man sige neurale netværk
• 54:30
  eller med skinning r land? Det vil jo være, at den fik
• 54:34
  noget ny data. Den blev trænet på, så vi deler
• 54:38
  jo tit det her om i, at hvornår er jeg i gang med at forudsige
• 54:41
  noget på baggrund af noget data? Eller hvornår tager jeg det her
• 54:45
  data ind i maskineriet for så at justere?
• 54:50
  På min forståelse af verden og og hvis man tager, hvis man
• 54:55
  tager det det ind som et lærings eksempel, så kommer det
• 54:57
  simpelthen ind i træningsforløbet.
• 54:59
  Og så har man den her lærings algoritme, der går tilbage og
• 55:02
  siger hov nu så jeg det her, og så nu ser jeg verden Sådan her
• 55:05
  ud. Derfor skal i justere de her
• 55:06
  vægte op og ned Sådan og og. Så Der er væsentlig forskel på,
• 55:12
  om man ligesom anvender det, er det vi kalder inferens tit eller
• 55:16
  om man man justerer sin vægte på baggrund af de data man putter
• 55:19
  igennem. De ligner hinanden i
• 55:21
  virkeligheden i processen. Hvordan beregninger som ting,
• 55:23
  men ja. Men Det er jo mega vigtigt for
• 55:26
  folk udefra at vide Der er jo mange der altså jeg ved godt vi
• 55:30
  løber tør for tid. Nej en hel, uddannelsessektor.
• 55:35
  Jeg ved ikke, men derfor tænker jeg faktisk, Det er vigtigt at
• 55:39
  vide, fordi Sådan nogle spørgsmål som man vil stille Det
• 55:41
  var, hvad vil det egentlig sige at give ens data væk på en eller
• 55:45
  anden måde ikke giver man data væk til dem, når man bare laver
• 55:49
  en chat eller kører man bare noget igennem som den, så
• 55:51
  glemmer bagefter, så når bare lave den forudsigelse eller
• 55:54
  bliver ens data brugt til at træne på?
• 55:56
  Altså Det er jo Sådan helt banalt spørgsmål som på en eller
• 55:59
  anden måde, men som er meget vigtigt.
• 56:02
  Og når man sender noget data, når man sender noget tekst til
• 56:04
  en stor sprog model og den ligesom kommer med et svar, så
• 56:08
  bliver den ikke trænet. Det er først når man aktivt
• 56:12
  ligesom har samlet med data og ligesom sætter sig ind og så
• 56:15
  køre noget ved siden, altså noget computer ved siden af og
• 56:17
  siger, nu træner vi den nu skal den være igen, men den den lærer
• 56:21
  er ikke Sådan hele tiden on the fly, det gør den ikke.
• 56:25
  Nej. Og og noget.
• 56:29
  Ja Det er Sådan lidt urimeligt fordi Jeg kan godt mærke i
• 56:31
  elsker gammel dybden og Det er også det jeg elsker vi også
• 56:33
  podcast og lige med alt hvad jeg prøve at være lidt hastende.
• 56:39
  Lad os nu bare give os lidt tid, ikke?
• 56:41
  Fordi Det er fordi at Jeg har set fra skoleverdenen Der er en
• 56:47
  stor afklaring i gang med at prøve at se.
• 56:49
  Hvordan kan vi gøre ting forståeligt.
• 56:51
  For for os elever også selv. Og en af de ting, jeg tænker
• 56:55
  meget på Det er interfasen man møder, så jeg springer jo lidt
• 56:59
  nu, men det Det er simpelthen fordi jeg føler jeg bliver nødt
• 57:01
  til at høre jer om det. Vi har for eksempel et
• 57:03
  skoleverden der hedder skolegruppe, og den tilbyder
• 57:06
  også se top p system og. Hvad er det nu den sidste der
• 57:10
  hedder Kasper, som vi også skal se temperatur temperatur lige
• 57:14
  præcis mit spørgsmål til jer er ikke så meget hvad de betyder.
• 57:17
  Det kan vi godt finde ud af det går nogenlunde med at få
• 57:19
  forklaret det, men Det er faktisk det dybere design.
• 57:22
  Spørgsmål, hvis man som den der sætter og prompter, og Det er
• 57:26
  der mange der gør lige nu skulle have en interface som mere
• 57:31
  tilbød, at man kunne forstå hvad der sker i maskinen når man
• 57:34
  sætter prompter, så vil jeg høre jer hvad i tænker, hvordan
• 57:37
  skulle Sådan interface faktisk se ud?
• 57:39
  Det tror jeg Der er mange af os der tænker meget over.
• 57:42
  Hvad tænker i om det? Jo du ved noget om skole tv kan
• 57:45
  vi T har jeg hørt ikke så kan du ikke lige tage den.
• 57:51
  Altså du tænker interface i forhold til at sætte
• 57:55
  temperaturer og de forskellige parametre der eller hvordan?
• 57:59
  Fordi at lige nu der kan vi jo med skolekvalitet.
• 58:01
  Der kan vi snakke om hvad et system der, og vi kan også
• 58:03
  snakke om, at temperatur for eksempel gør, at den kunne være
• 58:06
  tilbøjelig til at vælge mindre sandsynlige ord i
• 58:08
  konstellationen derovre og så p ligesom peger hen på at at den
• 58:12
  tager en større pulje af ord med, når den udvælger ord, og
• 58:16
  det synes jeg det. Det synes Jeg er en en god start
• 58:19
  på en en samtaler. Hvordan Sådan en maskine laver
• 58:23
  beregninger? Og jeg.
• 58:25
  Jeg spørger jo så videre. Hvad er det der skal være med i
• 58:28
  interface som kan pege på hvad der egentlig foregår i maskinen?
• 58:31
  Hov Jeg har et. Man kan visualisere de der
• 58:36
  netværk. Og så kan man visualisere de lag
• 58:40
  man kommer igennem. Det kan nogle gange godt blive
• 58:42
  lidt uoverskueligt, hvis den er meget stor men men men Jeg har
• 58:46
  også hørt, at man godt kan reducere den visualisering til
• 58:49
  stadigvæk ligesom at give en eller anden ide om at.
• 58:52
  Der er det her med med neurale lag og neuroner, som hænger
• 58:56
  sammen. Altså Det er jo Sådan Det er
• 58:58
  tegnet, ikke og. Og og ikke alle de her neuroners
• 59:02
  interaktioner bliver aktiveret så at sige undervejs.
• 59:05
  Og Det er simpelthen bare fordi Der er nogle nogle tal, der
• 59:07
  resulterer i nogle nogle nuller. Og og og Det er jo.
• 59:13
  Jeg ved ikke hvad du siger junge.
• 59:15
  Jeg synes Det er en god måde at forstå noget af den der
• 59:17
  beregning på. Altså de de er jo tit utroligt
• 59:22
  populære. Der findes jo en youtube kanal
• 59:24
  der hedder the blue one Brown som er en matematik formidlings
• 59:28
  youtube kanal som ligesom. Er blevet kæmpestor på at være
• 59:32
  rigtig god til at lave animationer af matrix
• 59:34
  multiplikationer og lineær algebra, ting og sager og så
• 59:37
  videre. Ikke og hver eneste gang der
• 59:38
  bliver postet Sådan en visualisering af transform.
• 59:41
  Sådan træet i visualisering af hvordan transformere
• 59:43
  arkitekturen ser ud på hacker news eller det ved jeg ikke hver
• 59:46
  eneste gang den ene gang Jeg har set det ske i hvert fald.
• 59:49
  Der er den der var der var, der har været rigtig mange uploads,
• 59:52
  så så Det kan helt klart et eller andet det her med at se.
• 59:56
  Tallene for sig, og Det har flow information.
• 59:59
  Hvor meget mening det giver er jeg ikke sikker.
• 1:00:02
  Altså Jeg tror ikke, men man ser jo eksempler på Sådan II hvad
• 1:00:05
  hedder det i Sådan noget der hedder convolutional networks
• 1:00:08
  altså meget Sådan bilmodeller, at man nærmest kan se lag for
• 1:00:12
  lag hvor at de her? Hvad skal man sige billedlige
• 1:00:16
  mønstre den leder efter for at lave en anden klassifikation
• 1:00:20
  bliver mere og mere altså Sådan man kan der kan man Det er et
• 1:00:23
  meget visuelt hvordan man ligesom kan se det ske ikke?
• 1:00:26
  Jeg tvivler på at Det er lige så visuelt i de her.
• 1:00:29
  Sprog modeller, men Jeg synes Det er et godt bud, altså for
• 1:00:32
  ligesom at vise at det altså bare dataflow.
• 1:00:36
  Det er en masse beregninger der sker ikke og så udover det så er
• 1:00:39
  der jo noget så er der nogle har jeg set der har lavet for
• 1:00:41
  eksempel med temperatur temperatur, så har de kaldt det
• 1:00:44
  for hvor kreative versus formelt den skal være for eksempel eller
• 1:00:49
  Sådan prøve at bruge nogle andre ord end de der tekniske ord,
• 1:00:51
  ikke? Der er faktisk også nu vi
• 1:00:55
  snakker om temperatur kort. Der er jeg mener Der er en en
• 1:00:58
  ret god side til at forklare det.
• 1:01:00
  Vi har også haft fat i unge og og snakket lidt om hvor man
• 1:01:03
  netop også kan gå ind og stille på den og se hvordan fordelingen
• 1:01:07
  af af. Hvad kan man sige fra nul til et
• 1:01:10
  bevæger sig over de forskellige tunes, fordi Det er jo en måde
• 1:01:13
  hvad kan man sige ligesom at at tvinge den her?
• 1:01:17
  Nej, Det er altid bare jeg vægter bare altid rigtig meget
• 1:01:21
  den øverste præstere. Versus ja nu kan jeg huske
• 1:01:26
  hvordan Det er. Det er en eller anden en eller
• 1:01:28
  anden eksponent, Der er inde i den her Formel, hvor det her det
• 1:01:33
  her temperatur kommer ind. Som så så det det.
• 1:01:38
  Det er i hvert fald noget vi kunne prøve, og måske kan vi
• 1:01:41
  linke til det i podcasten, hvis vi finder nogle af de der
• 1:01:43
  ressourcer. Øv og det.
• 1:01:47
  Det er også så leder det mig lidt til at spørge, hvis
• 1:01:49
  interface ikke kan klare det hele ikke altså det ved jeg godt
• 1:01:52
  den ikke i grundskole verden der har man meget tænkt i at Vi skal
• 1:01:57
  lære de her unge mennesker at programmere.
• 1:01:58
  Det har virkelig fyldt rigtig meget i grundskole verden ikke?
• 1:02:02
  Og Det er enig, men mit spørgsmål går videre til i
• 1:02:06
  forhold til jamen skal vi også gøre noget med matematikfag det
• 1:02:09
  eventuelt ikke, altså nu leger vi bare hypotetisk, men vi kunne
• 1:02:11
  gøre noget. Hvis det ikke er nok at ind og
• 1:02:14
  vise interfacet der sætter prompt, så bliver man god til
• 1:02:17
  det, men man bliver måske ikke så god til maskinlæring og man
• 1:02:21
  bliver ikke selv skaberne. Som jeg håber, at mange flere
• 1:02:26
  unge mennesker vil blive i fremtiden.
• 1:02:27
  Jo. Hvad, hvad skal man?
• 1:02:30
  Hvad kunne man så gøre? Altså en ting er at starte med
• 1:02:33
  programmering. Det går vist.
• 1:02:34
  Det går faktisk rigtig godt mange steder.
• 1:02:36
  Hvad kan man gøre i matematikken?
• 1:02:38
  Hvis Det er det fan Vi skal gribe ind i.
• 1:02:42
  I forhold til brugen af i. Forhold til hvad i forhold til
• 1:02:44
  at at at man har, at man nærmer sig have et sprog og kunne noget
• 1:02:49
  som faktisk hjælper en til at kunne komme tættere på og.
• 1:02:53
  Opleve data scientist eller gå videre med maskinlæring, eller
• 1:02:56
  hvad det nu er, man arbejder videre med i sit fremtidige
• 1:02:59
  uddannelsesvalg. Jeg vil jo sige statistik i
• 1:03:05
  virkeligheden. Koblingen mellem statistik og
• 1:03:08
  matematik og så så et fag som fysik er jo genial til at forstå
• 1:03:12
  modellering af af fænomener. Fordi Det er jo den praktiske
• 1:03:19
  anvendelse af matematikken på den virkelige verden.
• 1:03:22
  Og og et eller andet sted er 1, 1 1 transformer også en en
• 1:03:29
  modellering af et fænomen i et virkeligt verden.
• 1:03:31
  Hvor sprog. Så.
• 1:03:35
  Jeg synes Det er det. Det er det tætteste vi kommer
• 1:03:37
  på. Det er jo bare meget avanceret,
• 1:03:39
  og Det er jo nok. Det er svært at begribe alt det
• 1:03:42
  linje af algebra, der foregår, men men Det kan man jo så få en
• 1:03:46
  smag på II nogle nogle simple todimensionelle.
• 1:03:50
  Verden er ikke. Ja.
• 1:03:53
  Jeg, Jeg tror, at Jeg tror, at det handler om at være og prøve
• 1:03:57
  at være konkret. Nu hvis jeg prøver hvis jeg
• 1:04:01
  forstår dig rigtigt. Altså jeg havde jo en oplevelse
• 1:04:03
  en vild oplevelse hvor at jeg min kammerat han har en tiktok
• 1:04:06
  kanal hvor han formidler videnskab til børn og der skulle
• 1:04:09
  ellers stå og forklare om kunstig intelligens til hans
• 1:04:12
  tiktok kanal og så begyndte jeg ved den sædvanlige smøre der og
• 1:04:16
  så sagde han at Det er alt, alt alt alt, alt for kompliceret.
• 1:04:18
  Det skal være meget mere konkret ikke altså og det synes jeg bare
• 1:04:21
  er en virkelig var virkelig en øjenåbner for mig det der med at
• 1:04:24
  formidling til børn, Det er bare en helt anden disciplin, og det
• 1:04:27
  handler om at være konkret, det handler om at.
• 1:04:30
  Forstå hvad de forstår og hvad der betyder noget for dem og så
• 1:04:34
  på en eller anden måde møde dem der.
• 1:04:37
  Og der der Jeg kan da også huske altså jeg jeg havde jeg jeg brød
• 1:04:41
  mig. Jeg hadede faktisk matematik i
• 1:04:43
  folkeskolen. Det gjorde jeg.
• 1:04:44
  Og og og Det var en altså. Jeg, jeg blev faktisk matematik,
• 1:04:51
  da jeg fik en en lærer på KBOC som hedder Niels, som var havde
• 1:04:56
  været ingeniørstuderende på dtu II mange år og.
• 1:05:01
  Og ligesom bare hver eneste gang han forklarede om et eller
• 1:05:03
  andet, så forklarede han om den ingeniør.
• 1:05:05
  Engineering med at sige ting, som ligesom var, hvor det blev
• 1:05:09
  anvendt. Og så var det bare Sådan.
• 1:05:11
  Wow kan du lave satellitter eller paraboler og Sådan?
• 1:05:16
  Altså. Det var bare en rigtig god måde,
• 1:05:19
  at det blev gjort konkret på. Og så tror jeg også i den det
• 1:05:24
  fag der brugte vi også excel. Og Det kan jeg også huske.
• 1:05:28
  Det var Det var fedt det der med at.
• 1:05:31
  Altså hvad er det programmeringen er som skabt til
• 1:05:34
  matematik? På mange måder ikke det.
• 1:05:36
  Det hænger meget tæt sammen i virkeligheden, og Det er et.
• 1:05:38
  Rigtig fedt redskab at have når man skal ligesom opdage hvor
• 1:05:42
  fedt matematik er fordi. Det er fandme tungt at sidde og
• 1:05:46
  regne ting og sager ud, men hvis du ligesom får nogle redskaber,
• 1:05:48
  der føler der gør, at du føler du får en anden form for
• 1:05:51
  superpowers og kan orkestrere det hele selv og Sådan noget, så
• 1:05:55
  det det Det var noget der motiverede mig rigtig meget også
• 1:05:57
  i hvert fald, men så tror jeg også, jeg ved ikke.
• 1:06:00
  Jeg tror også Der er et eller andet med det her tit selv selv
• 1:06:03
  spekuleret meget over hvad meget nysgerrig på hvor gamle skal
• 1:06:06
  børn være for at kunne lære programmering for eksempel altså
• 1:06:10
  Sådan det virker som om at. Altså Vi har ikke.
• 1:06:14
  Vi har bare interesseret i klasse.
• 1:06:15
  Vi er helt nede i første klasse, men Det er fordi vi laver Sådan
• 1:06:18
  noget blog amering nu altså man lægger lag på lag hele tiden for
• 1:06:22
  for at tage kompleksiteten væk, altså for at kompleksiteten
• 1:06:25
  slagene jeg går Sådan så er man blevet.
• 1:06:28
  Jeg tror man er blevet meget bedre i dag.
• 1:06:30
  Til at lave maskiner, der også reagerer med det samme, altså
• 1:06:33
  som fysiske maskiner, ikke? Og så kan du se lige med det
• 1:06:37
  samme du gør noget så kan du se et resultat at du får feedback
• 1:06:41
  med det samme i den fysiske virkelighed og Det har jo gjort
• 1:06:45
  at man faktisk sætter med ja ned i indskolingen og gør det nu.
• 1:06:49
  Ja. Men jeg tænker, hvornår kan man
• 1:06:51
  give 1 1 1 lille barn eller et lille hvornår kan man give et
• 1:06:53
  barn en linux terminal og så bare sige værsgo altså.
• 1:06:57
  Allergi. Er Det er det kun meget
• 1:06:59
  specielle børn der der begynder på Sådan noget eller hvad?
• 1:07:04
  Jeg har Jeg har et fra fra fra min egen hjemlige verden med min
• 1:07:07
  søn, før han kom hjem fra fra sit matematik.
• 1:07:11
  Fag og så sagde han får i matematik.
• 1:07:15
  Han er vild matematik. Der var vi ude at tælle cykler i
• 1:07:19
  skolegården. Åh fedt altså Sådan og ja og så
• 1:07:23
  skulle vi. Jeg tror han sagde Det var noget
• 1:07:24
  med, så skulle vi finde ud af hvor meget Det var, hvor hurtigt
• 1:07:26
  vi kunne. Vi kunne finde ud af hvor hvor
• 1:07:28
  meget Det var ikke. Og så sagde jeg til ham Sådan
• 1:07:31
  nå, men det minder jo rigtig meget om det far laver med de
• 1:07:35
  der maskiner, der kan tælle vildt hurtigt.
• 1:07:37
  Det er den der computer Vi har foran os ikke og så sagde han
• 1:07:40
  okay, men bare hvor hurtigt kan Sådan en computer til?
• 1:07:44
  Og så lavede jeg et godt gammelt forløb og printede fra nul til
• 1:07:49
  til til næsten 10 millioner. Ikke på den der skærm, og så
• 1:07:53
  kunne den ellers bare køre derned af, og så kunne han se
• 1:07:56
  hvordan den hvor hurtigt den ligesom talte det der, og så fik
• 1:07:59
  han en fornemmelse af, at det går virkelig hurtigt.
• 1:08:04
  Og så var han Sådan da den var færdig, så han kan du ikke lige
• 1:08:07
  gøre det igen og der vidste jeg bare det synes han faktisk var
• 1:08:10
  ret interessant det forløb. Så Der er et eller andet også
• 1:08:14
  bare vise den slags, ikke? Der er der fordi at det
• 1:08:17
  spørgsmål, som i stedet som er så grundlæggende som vi
• 1:08:20
  underviser stil, og Det er jo om.
• 1:08:22
  Om, Der er noget der bare er for nogen og noget der ikke er for
• 1:08:24
  noget, og vi må helst ikke sige det for højt til den vel selvom
• 1:08:27
  man nogle gange kan tænke det. Men et af de store eksperimenter
• 1:08:30
  man har gang i grundskolen lige nu Det er jamen kan man gøre.
• 1:08:34
  Flere unge mennesker interesserede i naturfag og
• 1:08:36
  teknologiforståelse, fordi at vi mærker jo også, at også med
• 1:08:41
  opkomsten er er det her af de her nye store lars language
• 1:08:45
  model ser, som vi arbejder med at at behovet for at forstå
• 1:08:49
  teknologi dybere. Og kunne gøre noget med det, som
• 1:08:54
  ikke bare sætte på overfladen måske og og og lave input
• 1:08:57
  output. Den den er den den den den
• 1:09:01
  ræsonnerer ekstra hårdt lige nu ikke altså.
• 1:09:03
  Især nu når vi ser i grundskolen, og det ser især på
• 1:09:07
  gymnasiet, at de er jo begyndt at bruge de her maskiner her.
• 1:09:12
  Og de bruger dem til at løse deres opgaver selvfølgelig,
• 1:09:14
  ligesom vi gør på Vores arbejdspladser alle andre
• 1:09:17
  steder, men. Men det viser også, Der er et
• 1:09:20
  behov for, at vi bliver dygtigere til at at indvie dem
• 1:09:23
  i, hvordan en computer for eksempel laver beregninger på en
• 1:09:26
  måde, som inviterer dem med ind i det maskinrum.
• 1:09:30
  Jamen og det jeg jeg ved godt jeg runder det igen og igen, men
• 1:09:33
  det sætter minder mig om, hvorfor Jeg er her i dag og
• 1:09:36
  stiller jeg spørgsmålet ikke. Og og Det er også fordi, at jeg
• 1:09:39
  spørger mig selv. Er det godt nok at lære dem?
• 1:09:43
  Og bruge værktøjet. Altså er det godt nok at lære
• 1:09:46
  andre mennesker for eksempel og få nogle rigtig godt outkast til
• 1:09:50
  deres markedsføringskampagner, hvis de arbejder med det, eller
• 1:09:53
  at man nede i fjerde klasse faktisk får en god forståelse af
• 1:09:56
  sproget, vil jeg sidde og prompte.
• 1:09:58
  Det kan man jo også gøre eller eller skal der mere til?
• 1:10:01
  Ikke Det er det spørgsmål grundlæggende spørgsmål.
• 1:10:03
  Jeg sætter lige nogle med som underviser, ikke?
• 1:10:06
  Altså jeg ved godt det. Jeg stiller det meget åbent.
• 1:10:09
  Men hvad tænker i som jer, der har taget dykket ned?
• 1:10:14
  Og så Jeg har faktisk. Jeg har faktisk lyst til at lave
• 1:10:16
  data science. Altså ja, hvad tænker i om også
• 1:10:22
  os der ikke har lært det og de unge mennesker der måske ikke
• 1:10:24
  har lært det man sætter på overfladen?
• 1:10:27
  Det er sjovt fordi jeg der gik lang tid før jeg fik lyst til at
• 1:10:31
  være ingeniør i virkeligheden ikke og men men så er det.
• 1:10:34
  Det gik op for mig at jeg ville det.
• 1:10:36
  Så blev det også bare ligesom om det blev Sådan et helligt mål
• 1:10:40
  for mig. Altså det blev Sådan det.
• 1:10:41
  Det havde så meget mening og det det Det er det der med at det
• 1:10:44
  skal give mening for folk at sidde og lave de der ting ikke
• 1:10:47
  og der tror jeg bare for mig der handler det bare om det der med
• 1:10:49
  at finde den der nordstjerne og så ligesom bare sige.
• 1:10:52
  Det der. Hvis jeg lærer det der?
• 1:10:56
  Så så bliver jeg fandme synes jeg var den sejeste i verden
• 1:10:59
  agtigt ikke og det og Det er bare helt for mig selv.
• 1:11:02
  Jeg ville synes det, fordi Jeg synes at der andre der lærte af
• 1:11:05
  at sejre ikke eller Sådan. Jeg ved ikke Sådan Jeg tror bare
• 1:11:10
  og Det er svært for mig. Altså det der med.
• 1:11:13
  Det der med at folk skal på en eller anden måde forstå hvad man
• 1:11:16
  kan med det ikke og og og Det kan fandme være svært, og Det er
• 1:11:20
  fandme også en lang vej og Der er fandme meget man skal lære og
• 1:11:24
  men. Ja jeg så det bare som
• 1:11:28
  superkræfter, altså virkelig så det ja.
• 1:11:31
  Vække en interesse tænker Jeg er er det første skridt at holde
• 1:11:35
  den vedlige i den grad, og Det er du jo simpelthen bannerfører
• 1:11:40
  for Martin, før du er helt ude der hvor man holder interessen
• 1:11:43
  ved lige og vækker den. Der har vi jo simpelthen for
• 1:11:46
  langt væk med mindre det. Det vi prøver med Vores egne
• 1:11:49
  børn. Øh måske vi kan lidt med
• 1:11:52
  podcasten? Måske jo.
• 1:11:55
  Men men. Men ja tror det, Jeg tror Det er
• 1:11:59
  det, der skal til at holde en lille smule ved lige hele tiden,
• 1:12:04
  indtil at den ruller selv den der snebold ikke.
• 1:12:09
  Og så jeg jamen jeg tænker ikke i iup på en måde.
• 1:12:12
  Dem Der er tættest på links, så Jeg kan ikke fordi at Det er jer
• 1:12:15
  der arbejder med det i dagligdagen og og noget af det i
• 1:12:17
  også nævner Det er det her anvendelse og opdage at man får
• 1:12:21
  superkraft det. Det er en af de stærkeste
• 1:12:24
  motiver for børn, altså vi snakker meget om superhelt og
• 1:12:27
  dyrs evner, som for dem også er magiske superkræfter.
• 1:12:31
  Så Jeg tror virkelig også i er tættest.
• 1:12:33
  Nogle af dem er tættest på at forstå, hvad der skal til for at
• 1:12:35
  motivere. Hvilket kan være svært, når man
• 1:12:38
  ikke har den forståelse selv, men måske lidt i blinde lærer
• 1:12:41
  dem noget matematik og lidt i blinde lærer dem noget
• 1:12:43
  programmering, så Jeg synes det møde Der er mellem os og jer,
• 1:12:48
  Der er eksperter det. Det er bare mega vigtigt.
• 1:12:53
  Men jeg tænkte igen på, og nu holder jeg fast i spørgsmålet
• 1:12:56
  det her prompting. Ikke fordi det fylder rigtig
• 1:12:58
  meget nu. Men, men jeg spørger mig selv,
• 1:13:02
  er Det er det vigtigt at lære dem?
• 1:13:06
  Er Det er det nok fordi at jeg ser 2 ting der sker lige nu den
• 1:13:11
  ene Det er at det vækker en nysgerrighed for eksempel hos
• 1:13:13
  mig, der begynder at spørge til det, der ligger Underholdning,
• 1:13:17
  men jeg ser også nogle der begynder at bruge den meget
• 1:13:19
  hurtigt som et værktøj til at opnå et output resultat mod.
• 1:13:24
  Og så er Der er der en fjerner det, men det.
• 1:13:28
  Det får dem ikke til at at tage et dybere dyk.
• 1:13:33
  Ja, jeg ved ikke. Det er jo ikke et klart
• 1:13:34
  spørgsmål. Det var en bekymring og en
• 1:13:37
  undren som som er meget presset lige nu i uddannelsessektor.
• 1:13:42
  Det her skal vi lære dem at prompte skal vi have
• 1:13:45
  teknologiforståelse endnu som fag skal vi ligesom begynde at
• 1:13:48
  danse det hen mod eller eller skal vi trække i land nu lidt
• 1:13:52
  mere analog passe lidt mere på de ikke bruger maskinen hele
• 1:13:55
  tiden til alting og alt Sådan noget ikke Det er Sådan et
• 1:13:57
  dilemma. Godt spørgsmål.
• 1:13:59
  Det har vi da selv stillet os selv som hvad kan man sige?
• 1:14:03
  Det er designtips og og og. Programmører, vi bliver bare
• 1:14:07
  prompt engineers alle sammen. Vi sidder bare og prompten, og
• 1:14:09
  så får vi noget ud. Pace har vi og Sådan noget, så
• 1:14:11
  forsvinder Vores evner på en eller anden måde ikke eller hvad
• 1:14:15
  er det nu og jeg? Jeg er jo storforbruger af af
• 1:14:18
  chatty i mit daglige arbejde og og og og bruger den i den grad
• 1:14:21
  til at kode og nogle dage er det måske kun 2 forskellige 3
• 1:14:26
  forskellige chats Jeg har kørende med den ikke, og andre
• 1:14:29
  dage kører jeg bare derudad og der sker alle mulige ting og jeg
• 1:14:32
  koder samtidig selvfølgelig, men men jeg jeg bruger den jo som en
• 1:14:36
  en partner, så jeg føler også at jeg lærer noget. 18 hele tiden,
• 1:14:41
  og Jeg har også selv udviklet mig så så længe man føler man
• 1:14:44
  også udvikler sig. Altså så så så tænker jeg ikke
• 1:14:48
  at Der er en fare for at at at anvendelsen på en eller anden
• 1:14:52
  måde bliver Sådan en sovepude for egen udvikling.
• 1:14:55
  Det tror jeg ikke, for Jeg tror den den den den den kan på en
• 1:14:58
  måde for en til også at. Komme dybere ned i nogle emner,
• 1:15:03
  som som som vil være svært at komme dybt ned i ved at sidde og
• 1:15:09
  Google for eksempel el eller finde lige præcis den rigtige
• 1:15:13
  bog, der der der handler om det her emne og gå ned i det her
• 1:15:16
  emne, fordi man kan blive ved med at spørge ned og dykke ned i
• 1:15:18
  de der emner i Sådan 1 1 1 chat og en prompt ikke.
• 1:15:22
  Det har han jo sin force vil jeg vove at påstå ikke.
• 1:15:26
  Men, men Jeg tror faktisk godt, jeg ved hvad du mener, fordi
• 1:15:28
  nogle gange er jeg også gået i gang med, at Jeg har et eller
• 1:15:33
  andet med med et programmeringssprog der hedder
• 1:15:35
  java script. At jeg Jeg har bare rigtig svært
• 1:15:39
  ved at tage mig sammen til at lære det, men nogle gange skal
• 1:15:42
  jeg kode noget i javascript eller Det kan være brugbart hvis
• 1:15:45
  jeg skal kode noget hvis jeg kunne kode noget.
• 1:15:47
  Og så kan jeg godt mærke, så bliver doven så siger jeg chat
• 1:15:50
  kan vi te kød i det her for mig? Og så copy paste Det er det ind
• 1:15:55
  og så virker det Sådan nogenlunde og så får jeg en fejl
• 1:15:58
  og så siger Jeg kan du ikke lige løse den her fejl og Jeg vil
• 1:16:01
  bare du skal altså så Jeg kan godt mærke som nogle gange
• 1:16:04
  bliver jeg doven så så så vil jeg ikke rigtig altså så vil jeg
• 1:16:08
  bare have den korte vej. Og jeg gider ikke lære.
• 1:16:11
  Jeg vil bare gerne have funken løst mit problem ikke?
• 1:16:14
  Hvilket jeg måske kan sammenligne lidt med en
• 1:16:17
  skoleelev der har en skoleopgave for i skolen, og ligesom bare
• 1:16:21
  gerne vil til fest i weekenden eller et eller andet.
• 1:16:25
  Så Jeg synes også godt jeg fanger nogle gange mig selv i at
• 1:16:28
  være lidt for doven Sådan okay prøv.
• 1:16:30
  Du kan godt være du lige skulle lade være med at spørge chat
• 1:16:32
  give dig til om alt altså Det kan være du lige skulle Sådan
• 1:16:36
  prøve lige at. Prøv lige at tænke, selv ikke.
• 1:16:40
  Så måske måske i virkeligheden det her med det måske være meget
• 1:16:43
  sundt at tage den her samtale med.
• 1:16:44
  Hvornår? Bliver man doven, og hvornår
• 1:16:48
  bruger man den? Til, og Det er i virkeligheden
• 1:16:52
  høj grad ting man godt ved i forvejen, men som man bare ikke
• 1:16:54
  lige gider at slå op eller gider at bruge energi på at sidde og
• 1:16:58
  taste, kan man sige ikke. Det er måske en meget relevant
• 1:17:01
  ting, ligesom at. Tage nu cyklen ud til
• 1:17:03
  fodboldtræningen i stedet for at køre i bil.
• 1:17:07
  Jeg er glad for, i er så menneskelige jo.
• 1:17:11
  Det er sandt. Det er også den samtale jeg
• 1:17:12
  tænker over at jeg med mine elever.
• 1:17:14
  Altså Det er jo hvornår. Hvornår bliver det for doven der
• 1:17:17
  lavet og hvornår fjerner det også for meget for at forstå
• 1:17:20
  noget, fordi vi lærer noget andet løse noget for os?
• 1:17:22
  Og hvornår er det vi? Skal som mennesker også
• 1:17:25
  oparbejde evnen til at være disciplineret og og og gøre sig
• 1:17:28
  umage med at lave noget, men men grundlæggende så stiller det jo
• 1:17:31
  netop spørgsmålet ved hvornår Det er meningsfuldt for os at
• 1:17:34
  gøre det, fordi at. Vi får lige nu får mange
• 1:17:38
  mennesker et tilbud om, at noget bliver lettere, og Det er jo
• 1:17:43
  det, vi mødes med, at hvis noget ikke er rigtig meningsfuldt, at
• 1:17:45
  man hellere vil tage den fest, ikke så hvorfor ikke gøre det
• 1:17:49
  lettere? Altså hvorfor ikke gøre det
• 1:17:50
  smartere? Det er jo Det er jo så åbenlyst
• 1:17:53
  et valg, ikke at at selvfølgelig.
• 1:17:56
  Men Det er også en udfordring, altså.
• 1:17:58
  Dovenskaben har også været med til at drive teknologisk
• 1:18:01
  udvikling. Vil jeg vove at påstå II rigtig
• 1:18:04
  lang tid, ikke? Altså den dovne ingeniør og
• 1:18:07
  matematiker ikke altså Det er at at finde finde smutveje III de
• 1:18:12
  der ting der og så springer over hvor gærdet er lavest.
• 1:18:15
  Altså Det er er det det fører til noget udvikling fordi at Det
• 1:18:18
  er også. Det er også en udfordring at at
• 1:18:22
  at finde ud af, hvordan man kan gøre tingene nemmere næste gang,
• 1:18:24
  så man ikke i de her repetitive opgaver ikke skal gøre det.
• 1:18:28
  Og Det er både altså effektivisering og
• 1:18:30
  automatisering, økonomisering og og ingeniør kundskab.
• 1:18:33
  Men det hænger jo Sådan set uløseligt sammen.
• 1:18:36
  Så ja, Der er Sådan et eller andet.
• 1:18:39
  En lille en lille smule visdom i den der dovenskab synes jeg
• 1:18:42
  alligevel ikke, men men jeg men altså hjernen skal selvfølgelig
• 1:18:45
  holdes i gang, så vi må. Vi må stadig holde os til nogle
• 1:18:48
  bøger på en eller anden måde. Men Jeg er glad for Det er et
• 1:18:50
  dilemma, altså at Det er ikke bare altså doven og smart hænger
• 1:18:54
  også sammen og udvikling hænger også sammen med at gøre noget
• 1:18:57
  lettere for sig selv. Jeg jeg bliver meget, men Det er
• 1:19:01
  vigtigt at have den, at det ikke kun er os 3 her i det her studie
• 1:19:03
  der sætter har den samtale, men Det er jo den Vi skal have med
• 1:19:06
  hinanden. Ofte handler det jo om at at
• 1:19:10
  lære noget, så du især Sådan noget, når Det er Sådan noget
• 1:19:14
  teknisk noget, så handler det om at lære det, så du ligesom kan
• 1:19:16
  på et tidspunkt, så kan du opnå så stor forståelse og så stor
• 1:19:19
  indsigt, at du ligesom kan pakke det ind i en pakke og så
• 1:19:22
  behandle det som en et modul. Du ligesom bare trækker frem,
• 1:19:25
  når du skal bruge det ikke og så behøver du ikke at vide hvordan
• 1:19:28
  man differentierer hver gang eller hvordan man dividerer hver
• 1:19:30
  gang så bruger du bare de redskaber du har til at løse de
• 1:19:35
  problemer som du gør ved hvad handler om og og det ville være
• 1:19:38
  skørt ikke at gøre det. Men det kræver ligesom at du
• 1:19:42
  kommer hen, og altså det kræver en ja du ligesom har det
• 1:19:47
  abstraktionsniveau, før du ligesom kan tillade dig at gøre
• 1:19:50
  det hele tiden føler jeg ikke og så en gang imellem, så er det
• 1:19:52
  måske også meget godt lige at sætte sig ned, og hvordan var
• 1:19:54
  det nu lige man gjorde det ikke? Nå ja, Det var Sådan her, ikke.
• 1:19:59
  Nu lærte mig at kende som lærer. Jeg, jeg skal lige dele ved at
• 1:20:02
  fascinere af live syre og Sådan en lille smule bekymret også
• 1:20:06
  tror Det er en stor del af rollerne.
• 1:20:07
  Kender jo også som forældre, ikke?
• 1:20:11
  Ja kan jeg stille et par spørgsmål mere?
• 1:20:15
  Hvad siger du? Til 2 2 spørgsmål mere 2 korte
• 1:20:17
  spørgsmål. Jeg så udvalget af noget nu, og
• 1:20:21
  Det er. En lille sag igen ikke, men men
• 1:20:25
  Det er det her med bias og hallucination.
• 1:20:29
  Fordi at. Jeg synes Det er interessant af
• 1:20:32
  flere grunde. Jeg synes den er bias er
• 1:20:34
  interessant fordi at Jeg har en fornemmelse af at hvis vi
• 1:20:36
  overhovedet skal forstå noget, så må vi starte med at være
• 1:20:38
  bias. Vi kan ikke.
• 1:20:39
  Vi kan ikke lade være med at være bias ligesom Det er også
• 1:20:42
  viser sig maskinen selvfølge. Og det andet er det her med, at
• 1:20:45
  hallucinationer delen, som bekymrer mange lige nu, fordi at
• 1:20:48
  at man ligesom ikke får valide kilder, men hvor er mere
• 1:20:51
  tværtimod tænkt hold kæft hvor er det dejligt at Vi har Sådan
• 1:20:54
  et digterværk kørende som bare udfylder mening og skaber
• 1:20:58
  mening, ligesom vi mennesker er så gode til ikke, og Jeg tror
• 1:21:02
  mest det her det som som ligger mange på sinde lige nu det Det
• 1:21:06
  er det her med hallucination. Det er den her lotioner, mening
• 1:21:09
  frem. Og Jeg tror mit spørgsmål til
• 1:21:13
  jer Det er ud fra en fornemmelse.
• 1:21:16
  At, det må være ekstremt svært at lave en maskine der ikke
• 1:21:19
  hallucinerer fordi fordi kan det overhovedet lade sig gøre at
• 1:21:23
  have et eller andet given faktum, som man overhovedet kan
• 1:21:26
  referere til som binder noget fast.
• 1:21:29
  Altså Jeg synes der bliver forstår i hvor i vil hen.
• 1:21:31
  Det er Sådan lidt mærkeligt overhovedet at snakke om, at
• 1:21:33
  noget ikke har løsner en eller anden grad fordi hvad er det
• 1:21:37
  ikke at have visioner? Altså hvad er det for et
• 1:21:40
  mærkeligt grangiveligt faktum som står helt fast i verden, som
• 1:21:43
  vi kan føre alt tilbage til, som gør at at Det er helt ægte og
• 1:21:46
  objektivt? Men hvordan så hvordan snakker i
• 1:21:50
  om det hallucinerende inden for jeres sprog?
• 1:21:53
  Vil du jo? Ellers skærer jeg prøver.
• 1:21:55
  Lige Det er jo. Nej.
• 1:21:59
  Jeg vil jo sige at at at. De er fordi de jo ikke er
• 1:22:06
  groundet i en eller anden virkelighed omkring sig, så kan
• 1:22:09
  de jo ikke. De kan jo på den måde ikke
• 1:22:11
  faktatjekke hvis de skulle faktatjekke, så ville de gøre
• 1:22:14
  det med nogle fakta som er produceret af nogle andre,
• 1:22:18
  nemlig vi mennesker at at forestille sig at vi mennesker
• 1:22:24
  så ikke er bare Sådan så at de fakta som modellen er groundet i
• 1:22:28
  rent faktisk er fakta er også spændende i sig selv.
• 1:22:36
  Så man kan sige, man slipper nok ikke udenom, at man skal beholde
• 1:22:40
  den kritiske sans, som man havde i Google, men Google bruger som
• 1:22:48
  den skal man også have med i sin i sin chat kapitel i brug, og
• 1:22:54
  det tror jeg Der er mange der ikke helt har fanget at hov.
• 1:22:59
  Det er også et værktøj, hvor der kan man kan finde ting på nettet
• 1:23:01
  som ikke er sande, men Jeg tror at.
• 1:23:05
  At. Det at man var vant til at
• 1:23:08
  Google sig til informationer, og at man meget hurtigt stiller sig
• 1:23:13
  tilfreds med hvad var fakta? På Google når man fandt noget
• 1:23:16
  kan jeg finde det på Google eller vicki for eksempel.
• 1:23:18
  Jamen så er det fakta. Har ligesom på en eller anden
• 1:23:23
  måde sat en standard for at hvad skal så den der det andet
• 1:23:27
  tekstfelt, hvor jeg også putter noget ind i som nu er chat tv,
• 1:23:30
  hvad skal det så kunne? Det skal så kunne som minimum
• 1:23:34
  det samme som som Google kan ved at man går ind på en vega og ser
• 1:23:37
  Det er rigtigt. Og ja, det bliver svært, og Jeg
• 1:23:41
  tror, det bliver rigtig svært at komme helt udenom.
• 1:23:43
  Altså selve modellen tror jeg ikke man kan træne til at hviske
• 1:23:47
  ikke korrekte ting væk, så så får man godt nok noget af et et
• 1:23:54
  sjovt træningsløb, så tænker du ikke det junge.
• 1:23:57
  Ja og og Jeg tror, i forsøget på det ville man formentlig få en
• 1:24:02
  værre model til det sproglige, fordi man skal rense i rigtig
• 1:24:06
  meget data pludselig. Og hvad har det af konsekvenser
• 1:24:08
  og. Og Der er alt muligt.
• 1:24:10
  Jeg kan ikke forudsige, hvad det skulle være, men Jeg tror, Det
• 1:24:12
  er rigtig svært. Men lidt snak er virkelig god
• 1:24:15
  mening Jonas tror jeg for mange også det der især det du sagde
• 1:24:19
  med at. At Google søgninger og vipedia
• 1:24:22
  er ligesom blevet en standard for hvad noget fakta er, selvom
• 1:24:25
  vi siger til elever. Det er ikke fakta, så er det vel
• 1:24:28
  på en eller anden måde blevet en Golden standard, og Det er nok
• 1:24:31
  det man meget sammenligner med i stedet for egentlig at forstå
• 1:24:34
  hvad kildekritik måske er på et dybere niveau.
• 1:24:37
  Tror jeg, Det er vigtigt at holde fast i, hvad Det er.
• 1:24:41
  Jeg tror bare hvis man skal forstå at det ikke Det er ikke
• 1:24:45
  databaser. Hvad hedder det sports modeller
• 1:24:47
  ikke databaser? De er sprogmoduler.
• 1:24:51
  Så så det de kan. Det er at processere sprog.
• 1:24:57
  Og ikke, at hvad skal man sige? Trække viden ud, gemme og trække
• 1:25:04
  viden ud. Vel husk kunne huske alt det
• 1:25:06
  data de er blevet trænet på, og så skulle de jo også fylde det
• 1:25:09
  samme, altså Sådan rent gigabyte terabyte whatever mæssigt som
• 1:25:13
  som de det data Der er blevet trænet på og det gør de jo ikke
• 1:25:17
  trods selvom de store, så fylder de ikke så meget, så de på en
• 1:25:20
  eller anden måde en komprimeret version af internettet og alt
• 1:25:24
  det sprog de blev trænet på, og man kan sige Det er også sjovt
• 1:25:27
  fordi det problem at sætte til at løse er jo uløseligt.
• 1:25:30
  Du kan jo ikke 100% sikkerhed forudsige.
• 1:25:32
  Alle ord i alle tilfældige sammenhænge, du bliver sat ind
• 1:25:35
  i, så på den måde. Hvis du bare kigger på selve
• 1:25:39
  modellerings problemet og hvad man sætter dem til at løse, så.
• 1:25:42
  Så er det jo umuligt kan man sige.
• 1:25:44
  Og hvad hedder det hvis du spurgte en eller anden tilfældig
• 1:25:47
  på gaden i? Tjekkiet hvem bamse og kylling
• 1:25:51
  var og de svarede så ville de heller ikke så ville de.
• 1:25:54
  Så, og Det er jo det hvor man har trænet de modeller til at
• 1:25:56
  sige i højere grad. Det ved jeg ikke, hvis ikke de
• 1:25:59
  ved det problemet er med. Dem er jo så bare at de
• 1:26:01
  budgetter, fordi Det er det de er blevet trænet til.
• 1:26:04
  Ikke så. Så Det var også Sådan.
• 1:26:08
  Der er også meget forvent af dem, at de ved alt.
• 1:26:11
  Det forventer man jo heller ikke af en eller anden person man
• 1:26:13
  går. Man går ned til, men man får.
• 1:26:15
  Men man forventer selvfølgelig heller ikke, at en eller anden
• 1:26:17
  tilfældig person man møder på gaden eller andet tilfældigt
• 1:26:19
  sted i verden, at de så bare budgetter.
• 1:26:23
  Efter bedste evne vel så ja. Men Jeg synes virkelig Det er
• 1:26:27
  vigtigt svar. Altså fordi at at Jeg tror der
• 1:26:29
  ligger en grundlæggende misforståelse i, at når noget
• 1:26:31
  bliver så intelligent. Så så kan vi nemt at bruge det
• 1:26:35
  som en database hent information ud af.
• 1:26:37
  Det er jo den måde Vi har forstået at navigere på nettet
• 1:26:39
  som elever, at man går ind og så henter man noget faktor for en
• 1:26:43
  form for database. Det kunne være wikipedia, og så
• 1:26:45
  har man ligesom givet det og så så er det ligesom det der jo
• 1:26:48
  sker ude i skoleverdenen nu. Det er jo at folk bruger den på
• 1:26:50
  den måde. Og så bliver man overrasket
• 1:26:53
  eller forstår ikke hvorfor noget der kan så meget hallucinerer og
• 1:26:58
  bullshit og og digter så jeg ja så Jeg er glad for at jeg
• 1:27:02
  svarer, fordi det hjælper med at afklare nogle ting tror jeg for
• 1:27:05
  for mange. I forhold til at Der er mange de
• 1:27:08
  her misforståelser her, de. De leder til at man ønsker noget
• 1:27:11
  af maskinen og bruger maskinen på en anden måde.
• 1:27:13
  Måske egnet til. Ja men ja.
• 1:27:18
  Men, men hvad forsøger at løse det der Sådan ingeniørmæssigt
• 1:27:22
  ikke med med mange forskellige tricks, hvor man man man drager
• 1:27:25
  den der information ind fra siden og så bagved maskineriet,
• 1:27:28
  så i den her prompt, så putter man så noget af det, der måske
• 1:27:31
  kunne være fakta til at svare på det.
• 1:27:33
  Måske et spørgsmål der passede med det information man nu
• 1:27:38
  fandt. Ikke så.
• 1:27:40
  Og og det, Det er jo egentlig succesfuldt nok, men men man har
• 1:27:44
  også nogle begrænsninger og bliver aldrig 100% perfekt og.
• 1:27:48
  Googles løsning har det her med, at den kan den kan ligesom prøve
• 1:27:51
  at at finde de her funktioner, så har den nogle nogle links,
• 1:27:54
  den så genererer den den. Det er den rigtig god til den
• 1:27:57
  generer links, og så verificerer de de her links findes de her
• 1:28:01
  ting er, findes de her faktorer herude og Sådan noget og det
• 1:28:05
  her, Det var ikke verificeret oplysninger kan den så sige
• 1:28:08
  altså hov Jeg har verificeret de her oplysninger, de er korrekte
• 1:28:11
  for eksempel, så Der er ligesom er Sådan et eller andet lag hen
• 1:28:14
  over den der generative model der Sådan, og Det er jo Google
• 1:28:17
  der laver et eller andet kæmpe ingeniør show nedenunder, de
• 1:28:19
  kender virkelig godt til søgemaskiner og hente
• 1:28:22
  information og ind selv. Og så så har man måske noget som
• 1:28:27
  som kan lidt mere noget andet, men men Det er der, er vi jo så
• 1:28:29
  ude i. Det er Det er svært at lave
• 1:28:32
  rigtig godt. Ikke så.
• 1:28:35
  Det er jo noget du må forholde dig til.
• 1:28:36
  På ekstra Bladet tænker jeg også, er det ikke netop derfor,
• 1:28:40
  at Det er virkelig interessant, ikke?
• 1:28:44
  Det er det også i skoleverdenen samme måde, fordi det løser jo
• 1:28:48
  nogle opgaver for os. Hvis Det kan det, som jeg
• 1:28:51
  tænker, Der er en meget, meget meget stor interesse, så kan du
• 1:28:52
  også mange penge i og rigtig mange gode hjerner til at prøve
• 1:28:56
  at løse, at man kan retrieve information på en mere sikker
• 1:28:58
  måde. Ikke altså.
• 1:29:01
  Ja den findes allerede på chat kapitel med at du så lægger du
• 1:29:04
  en fil ind i en pdf fil og så bliver så prøver du retrieve
• 1:29:08
  information for den pdf fil uden at jeg evalueret helt vildt på
• 1:29:12
  det ikke? Men så ja.
• 1:29:13
  Og Det er jo også noget, man ser, at man kan mindske
• 1:29:15
  hallucinationer helt vildt meget, hvis man ligesom tager
• 1:29:17
  den information den altså jo mindre sprog modellen skal
• 1:29:20
  trække på sine egne interne viden og kan trække på noget,
• 1:29:24
  der allerede står i pumpen, jo mindre hallucinere.
• 1:29:29
  Vil man få ikke? Så det.
• 1:29:31
  Det er et godt eksempel det der med at at ligesom at sige hvis
• 1:29:34
  man hvis man tvinger den til at kun at bruge fakta man har givet
• 1:29:38
  den når den skal skrive noget. Det kunne for eksempel være, at
• 1:29:40
  man gerne vil have den, skrev en lille opsummering af en
• 1:29:44
  virksomhedsrapport til Ekstra Bladet.
• 1:29:46
  Og så siger man til den, please lad være med at finde på noget
• 1:29:51
  til der står ikke står i den her virksomhedsrapport her, men brug
• 1:29:56
  bare fakta fra den her rapport og lav så en opsummering.
• 1:29:58
  Så vil man gerne have den ikke finder på noget selv ikke altså
• 1:30:02
  det jeg. Det er heldigvis så god til også
• 1:30:05
  at Det kan faktisk godt. Det kan jeg.
• 1:30:08
  Godt sige. Nu ved jeg ikke om jeg taler,
• 1:30:11
  men Jeg har lyst til at skrive til den.
• 1:30:12
  Kan du så forstå det Marianne? Jeg kender godt det der.
• 1:30:17
  Jeg har også lavet det der prompting med andre, som
• 1:30:20
  arbejder i mange af dem der arbejder i teksttunge verdener
• 1:30:23
  som skal forstå noget hurtigt, altså hvilket som helst anfald.
• 1:30:27
  Der er det jo fantastisk at kunne sige.
• 1:30:29
  Find den type information i de her 100 sider her, fordi Det er
• 1:30:33
  dem jeg skal bruge i dag. Ja.
• 1:30:37
  Der er noget, jeg skal sige, jeg skal Kasper.
• 1:30:39
  Jeg skal sige tillykke med det nye job også er ikke lang tid
• 1:30:42
  siden det skal man altså stort tillykke. 1000 tak ja dinero Det
• 1:30:47
  er jo lige startet i dinero så. Og Vi skal også.
• 1:30:51
  Vi skal også sige tillykke til Martin for at have at være med
• 1:30:55
  til at producere den længste podcast tror jeg og afsnit 45.
• 1:31:02
  Men Jeg er filosof og. Frygtet, og Det har været
• 1:31:06
  fuldstændig fantastisk Martin, fordi at Jeg tror endda, Vi er
• 1:31:09
  kommet igennem næsten alt hvad du havde på programmet.
• 1:31:13
  Det. Tror jeg faktisk Vi er det tror
• 1:31:14
  jeg Vi er og, og Vi har ikke forsøgt at ruske noget, så vi
• 1:31:17
  bliver Sådan lidt lækre Street. Men nu hvor vi bare kører
• 1:31:20
  derudaf. Vi ved ikke om Det er 4 eller 5
• 1:31:22
  timer eller hvad Det er. Vi håber at Vores lyttere ikke
• 1:31:26
  er stået fuldstændig af derude, og ellers så kan man også godt
• 1:31:28
  få noget ud af at lytte til halvdelen.
• 1:31:31
  Det er okay det det gør nogle gange ikke screen nå om that
• 1:31:36
  note. Super tak.
• 1:31:39
  Martin jamen 1000 tak til jer og jeg glæder mig bare til at følge
• 1:31:43
  jer videre på rejsen i jeres podcast.
• 1:31:44
  Jeg håber vi ses ude i virkeligheden som time når det
• 1:31:47
  giver mening. Og bare lige hurtigt budskab ud
• 1:31:50
  til alle. Som ikke er lige så nørdet altså
• 1:31:55
  som ikke er super super overdrevet teknisk inden for det
• 1:31:57
  her. Og Jeg vil bare opfordre alle
• 1:32:02
  til at stille spørgsmål og Det er for Det er ikke dumme
• 1:32:05
  spørgsmål det og det Det er tit bare Det er tit bare noget som
• 1:32:08
  øger at alle kan forstå det og blive ved med at spørge indtil
• 1:32:13
  til hvad hedder det? Til dem der snakker teknisk
• 1:32:18
  bliver bedre til at forklare det, fordi at det Det er
• 1:32:22
  rigtigt. Indtil at man har et
• 1:32:24
  tilfredsstillende svar fra ja, helt klart.
• 1:32:29
  Super hvad hedder det 1000? Tak fordi du gad at være med
• 1:32:32
  Martin Det var en fornøjelse at blive interviewet af dig.
• 1:32:35
  Det var jo os der blev interviewet i det her afsnit, så
• 1:32:38
  ja det blev lige vendt om men 1000 tak fordi du var med og
• 1:32:42
  1000 tak fordi i alle sammen lyttede med derude og vi lyttes.
• 1:32:46
  I næste uge, ikke?