Kapittel 2.5Sentrale begreper

Definisjonen på et KI-system er etter KI-forordningen, og slik vi bruker betydningen i denne rapporten: "…et maskinbasert system som er designet for å operere med varierende nivåer av autonomi og som kan vise tilpasningsevne etter utplassering, og som, for eksplisitte eller implisitte mål, utleder, fra inndata det mottar, hvordan det skal generere utdata som prediksjoner, innhold, anbefalinger eller beslutninger som kan påvirke fysiske eller virtuelle miljøer [9].

Et KI-system kan ha ulike former: som en selvstendig applikasjon på en PC eller mobil­applikasjon, en webtjeneste, en del av et fagsystem eller et journalsystem.

Et KI-system er medisinsk utstyr etter lov om medisinsk utstyr dersom det er ment å skulle brukes på mennesker i den hensikt å bidra til diagnostisering, forebygging, overvåking, prediksjon, prognostisering, behandling eller lindring av sykdom [10][11]

Et KI-system kan bestå av én eller flere KI-modeller, i tillegg til forbedringforslag som kunnskapsforankring.

En algoritme er en oppskrift som forteller hvordan noe gjøres, og består enkelt forklart av et sett instrukser som forvandler inndata til utdata. En maskinlæringsalgoritme er oppskriften systemet bruker for å bygge en KI-modell av virkeligheten, basert på dataene som blir matet inn (treningsdataene). Denne modellen kan så brukes for å ta nye beslutninger om nye data som kommer inn [12].

Grunnmodeller er store nevrale nettverk som er trent på store generelle datasett som kan bestå av tekst, bilder, lyd m.m. Slike modeller kan danne utgangspunkt for en rekke ulike løsninger [13].

Generativ KI omfatter løsninger som først og fremst genererer, eller frembringer, nytt materiale, for eksempel tekst eller bilder [14]. Generative KI-modeller skiller seg fra ikke-generative KI-modeller på blant annet følgende måter:

Generative KI-modeller skaper nytt innhold, som tekst, bilder eller musikk, basert på innlærte data. For eksempel kan en generativ modell lage nye bilder av katter basert på tidligere kattebilder.

Ikke-generative, også kalt klassifiserende, KI-modeller skiller mellom ulike klasser eller forutsier sannsynligheter for spesifikke utfall. De fokuserer på å finne grensene mellom kategorier i dataene. En klassifiserende KI-modell kan avgjøre om et gitt bilde inneholder en katt eller ikke.

Store språkmodeller (Large Language Models - LLM) er generative KI-modeller. Store språkmodeller, som de kjente GPT-modellene, er en form for grunnmodeller som er trent på enorme mengder tekst for å kunne forutsi hva som kommer etter et ord eller en stavelse i en gitt kontekst. Språkmodeller lagrer ikke teksten de er trent på. De «vet» ingenting om verden, og de går ikke gjennom nettsider for å finne fakta. De kan bare språk. Det er likevel lett å tro at modellene tenker, eller kan noe, fordi de er så gode til å skrive tekst som vi mennesker opplever som meningsfull [15].

I senere tid har store språkmodeller blitt utvidet til å håndtere andre modaliteter, som bilder, lyd og video. Disse kalles multimodale KI-modeller, men likevel brukes ofte betegnelsen "LLM". Dette skyldes flere forhold:

• Kjernen i modellen er språklig: Selv om de kan behandle flere modaliteter, er tekstgrensesnittet fortsatt den primære måten brukere interagere med modellen på.
• Underliggende teknologi: Modellene bygger på arkitekturer utviklet for språkprosessering (som transformere), og mye av treningen skjer på store tekstdatasett.
• Generell faglig terminologi: Innen KI-feltet brukes begrepet "LLM" fortsatt bredt, da de fleste multimodale modeller springer ut fra LLM-er som er utvidet til å tolke andre datatyper.

I denne rapporten brukes samme definisjon av risiko som i KI-forordningen: "Risiko betyr kombinasjonen av sannsynligheten for at en skade oppstår og alvorlighetsgraden av denne skaden" [16].

For øvrig er begreper som brukes i rapporten beskrevet i KI-faktaark KI-begreper [17].