Przejdź do treści
promptowy.com / AI-ordbog / Grounding (forankring af AI)
Teknologi

Grounding (forankring af AI)

Grounding er en metode, hvor en sprogmodels svar bindes direkte til konkrete, verificerbare kilder, så den ikke digter eller gætter på fakta.

Grounding, ofte oversat til forankring på dansk, betyder at låse en sprogmodels svar fast til konkrete, verificerbare kilder i stedet for at lade den svare ud fra ren statistisk sandsynlighed. Når en model er uforankret, genererer den tekst baseret på mønstre, den har lært under sin træning, hvilket let kan føre til overbevisende fejlslutninger eller fri fantasi. Ved grounding tvinges modellen til udelukkende at bygge sine svar på faktiske dokumenter, databaser eller søgeresultater, som den får stillet til rådighed.

Metoden fungerer som et anker i virkeligheden. I stedet for at spørge modellen, hvad den tror svaret er, giver man den det rigtige materiale i hånden og beder den fungere som en præcis assistent, der læser og sammenfatter oplysningerne uden at tilføje egne gæt.

Hvorfor fri hukommelse skaber problemer

Store sprogmodeller er sproggeneratorer, ikke søgemaskiner eller sandhedsvidner. Uden grounding forsøger modellen blot at forudsige det næste mest logiske ord i en sætning. Det kan lyde yderst troværdigt og velformuleret, men indholdet kan være grebet ud af den blå luft. Dette fænomen kaldes for en hallucination.

I brancher hvor præcision er afgørende, for eksempel inden for jura, økonomi eller sundhed, kan en lille opdigtet detalje have store konsekvenser. Hvis en advokatsekretær beder en model om at referere en dom, må modellen ikke opfinde en fiktiv paragraf. Grounding løser netop dette problem ved at kræve, at hvert eneste udsagn kan spores direkte tilbage til kildeteksten.

Sådan fungerer grounding i hverdagen

Forestil dig et mellemstort VVS-firma i Kolding, der ønsker en digital assistent på deres hjemmeside. Virksomheden vil gerne have, at assistenten kan svare kunderne på spørgsmål om prisaftaler, åbningstider i vagttelefonen og garantiregler for fjernvarmeinstallationer.

Hvis man bare slipper en almindelig sprogmodel løs uden grounding, vil den gætte på priser og betingelser ud fra et gennemsnit af alt det, den har set på internettet. Den vil måske love kunden gratis service i tre år, fordi det lyder som en god sætning i en samtale. Med grounding fodrer firmaet modellen med deres egne officielle forretningsbetingelser og prislister via en teknik som RAG (Retrieval-Augmented Generation). Når kunden spørger, henter systemet firmaets faktiske pdf, viser den til sprogmodellen og instruerer den til kun at svare ud fra dette dokument. Hvis svaret ikke står i papirerne, får kunden en ærlig besked om, at assistenten ikke ved det.

Teknikkerne bag forankringen

Der er flere måder at skabe grounding på i praksis, afhængigt af hvor avanceret en løsning man bygger:

  • Klar prompt-instruktion: Den mest enkle metode. Du indsætter en tekst direkte i dit spørgsmål og skriver: "Besvar udelukkende spørgsmålet ud fra nedenstående uddrag. Hvis svaret ikke findes heri, skal du svare: 'Det fremgår ikke af teksten'."
  • Dokumentsøgning (RAG): Systemet søger automatisk i virksomhedens interne rapporter, manualer eller kundesager, finder de mest relevante afsnit frem og sender dem med som kontekst til modellen.
  • Live websøgning: Modellen slår op på internettet i realtid, inden den svarer, så den kan citere aktuelle nyheder, vejrudsigter eller valutakurser.
  • Værktøjsforbindelser: Modellen kobles direkte til et regnskabsprogram eller et lagersystem via et API, så den trækker nøjagtige tal fra databasen.

En udbredt misforståelse om grounding

En almindelig fejl er at tro, at grounding automatisk gør svaret perfekt. Grounding garanterer kun, at modellen forholder sig til det udleverede materiale, ikke at selve materialet er sandt. Hvis du fodrer modellen med en forældet personalepolitik fra 2012 eller et dokument fuld af stavefejl og forkerte beregninger, vil modellens svar også være forældede eller forkerte.

Derudover kan en sprogmodel stadig misforstå komplekse sammenhænge i en lang kildetekst, hvis instruktionerne er uklare. Det er derfor altid en god vane at lade modellen vise kildehenvisninger eller citere de specifikke sætninger, den bygger sin konklusion på.

Ofte stillede spørgsmål

Hvad er forskellen på grounding og almindelig AI-træning?

Træning handler om at lære modellen grammatik og mønstre ud fra enorme datamængder. Grounding handler om at give modellen konkrete kildedokumenter lige i det øjeblik, den skal svare, så den citerer aktuel viden i stedet for at gætte.

Er grounding det samme som RAG?

RAG (Retrieval-Augmented Generation) er den mest udbredte tekniske metode til at opnå grounding, men grounding er det overordnede princip: at svaret skal være forankret i virkelige kilder.

Kan en model stadig hallucinere, når den er grounded?

Risikoen falder drastisk, men den forsvinder ikke 100 procent. Hvis kildeteksten er for lang, uklar eller modstridende, kan modellen i sjældne tilfælde stadig drage forkerte følgeslutninger.

Hvordan ved jeg, om et svar fra AI er ordentligt grounded?

Et godt tegn er, når modellen inkluderer præcise citater eller henviser direkte til sidetal og kilder, så du selv kan efterprøve oplysningerne i originalteksten.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›