Prediktiv KI blir fort oversett i KI-diskusjonen. Hva er egentlig forskjellen på generativ og prediktiv kunstig intelligens?
Tenk på generativ KI som «kunstneren», mens prediktiv KI er «analytikeren». Kunstneren har masse idéer og lager noe nytt hver gang. Analytikeren finner ikke på ting selv og gir deg akkurat det du har bestilt. Derfor ser vi at prediktiv KI typisk brukes i industrielle prosesser, mens generativ KI kan være en støttefunksjon på kontoret.
Beslutning eller innhold
Prediktive metoder analyserer eksisterende data for å kategorisere eller forutsi en verdi og lærer i hovedsak fra data med merkelapper – såkalt styrt læring. Kort sagt predikerer denne typen KI merkelapper – og brukes når du trenger et konkret svar eller skal ta en beslutning. Det kan være for å oppdage avvik i tidsserier, predikere framtidig utfall eller gjenkjenne ting i bilder. Vi på Norsk Regnesentral utvikler blant annet prediktive metoder for automatisk å inspisere skinnegangen til tog eller finne ut når en maskin kan komme til å feile.
Generativ KI lærer først fra store data uten merkelapper – såkalt ikke-styrt læring, mens andre runde typisk innebærer finjustering gjennom menneskelig tilbakemelding (forsterkningslæring). Denne teknologien produserer innhold – og brukes når du for eksempel trenger hjelp til å generere tekst, bilder, video, syntetiske data eller programvarekode. KI-verktøy for å lage programvare er veldig i vinden om dagen – og ifølge mange en slags revolusjon – takket være verktøy fra blant annet Anthropic.
Fra prediktiv KI får vi vanligvis ut et strukturert resultat med samme format hver gang. Det kan for eksempel være en klassifisering eller en sannsynlighet for noe. Det er ofte dette vi ønsker i en industriell eller automatisert prosess.
Med generativ KI er det motsatt. Herfra får vi gjerne et ustrukturert resultat, formatet vil variere, og metodene er laget for interaktiv bruk. Vi mennesker må altså veilede denne typen KI.
Fordeler med prediktiv KI
Noen av de store fordelene med prediktive metoder er at de er godt egnet for automatiske prosesser uten menneskelig inngripen. De er også gjerne billigere ettersom de kan basere seg på kunstig intelligens med et mindre fotavtrykk og enklere kan kjøres lokalt uten behov for kraftige regneservere fra eksterne datasentre. Dessuten er det lettere å finne ut om prediktiv KI fungerer godt: Vi har en fasit, nemlig merkelappene, og vi kan regne på kost/nytte. Å vurdere om generativ KI fungerer bra, er ofte en mer kvalitativ og kontekstavhengig prosess.
Mens generative metoder åpner for kreativitet, sikrer den prediktive teknologien i større grad presisjon og etterrettelighet. Vi ser derfor fortsatt et stort potensial i å utnytte prediktive metoder til å levere pålitelige svar der det trengs mest. Utviklingen går nå ellers i retning av agentisk KI, hvor generative og prediktive metoder kan integreres i samme system. Dette kan gjøre det mulig å kombinere evnen til å generere innhold og forslag med mer analytisk presisjon. Uansett vil industrielle problemer fortsatt trenge prediktiv kunstig intelligens.
Nå må IT-direktører bli gode på endringsledelse
