Przejdź do treści
promptowy.com / KI-ordbok / Grounding (forankring)
Teknologi

Grounding (forankring)

Grounding i kunstig intelligens betyr å forankre modellens svar i konkrete, etterprøvbare kilder fremfor å la den generere tekst fritt etter hukommelsen.

Grounding, ofte omtalt som forankring på norsk, betyr at en språkmodell tvinges til å basere svarene sine på konkrete, kontrollerbare kilder i stedet for å stole blindt på sitt eget innlærte minne. Når en modell er forankret, henter den fakta direkte fra vedlagte dokumenter, søkeresultater eller interne databaser, og formulerer svar utelukkende ut fra dette underlaget.

Uten forankring fungerer en stor språkmodell som en avansert tekstgenerator som gjetter hvilket ord som statistisk sett bør følge det forrige. Dette kan gi velskrevne og overbevisende setninger, men modellen har ingen innebygd forståelse av sannhet. Grounding fungerer derfor som en sikkerhetsline: Den sikrer at svarene reflekterer faktiske data du selv har kontroll over, i stedet for fri fantasi.

Hvorfor fri gjetting er risikabelt

Standard språkmodeller lider ofte av det fagmiljøet kaller hallusinasjoner. Modellen dikter opp troverdige kildehenvisninger, lover, historiske hendelser eller økonomiske tall fordi mønsteret i språket krever at et slikt svar eksisterer. I kreative yrker kan dette være en fordel, men i oppgaver der presisjon er avgjørende, blir det raskt en alvorlig feilkilde.

Forankring løser dette ved å endre modellens rolle. I stedet for å være et orakel som vet alt, fungerer modellen som en analytiker som leser gjennom et bestemt materiale og oppsummerer det for deg. Hvis svaret ikke finnes i kildene, skal en godt forankret modell gi beskjed om nettopp det, fremfor å finne på en løsning.

Slik fungerer forankring i praksis

I moderne systemer oppnås forankring hovedsakelig på tre måter, som ofte kombineres for best mulig resultat:

  • Dokumentforankring i prompten: Brukeren limer inn en tekst eller laster opp en fil og gir en streng instruks om at modellen kun skal bruke denne informasjonen.
  • Søkebasert forankring (RAG): Systemet henter automatisk ut relevante avsnitt fra en stor database eller filserver rett før spørsmålet sendes til modellen.
  • Integrasjon mot eksterne verktøy: Modellen slår opp sanntidsdata via API-er, for eksempel et regnskapssystem eller et lagerregister, og bruker returdataene som fasit.

Et norsk eksempel: Byggesak i en distriktskommune

Tenk deg et lite arkitektkontor i Bodø som forbereder en byggesøknad for et boligfelt. Norsk plan- og bygningsrett er full av lokale reguleringsplaner, kommunale vedtekter og nasjonale krav til snølast og vindforhold. Hvis arkitekten spør en generell språkmodell om hvilke regler som gjelder for gesimshøyde på en bestemt tomt, vil modellen sannsynligvis svare med en blanding av generelle norske regler og ren gjetting.

Med grounding laster arkitekten opp den spesifikke reguleringsplanen for området i Bodø kommune sammen med byggteknisk forskrift. Modellen instrueres til å svare: Bruk kun de vedlagte dokumentene for å svare på spørsmålet. Hvis dokumentene ikke nevner maksimal gesimshøyde for felt B2, skal du svare at informasjonen mangler. Nå svarer modellen presist med referanse til riktig paragraf i den lokale planen. Svaret er forankret i virkeligheten, og risikoen for en kostbar prosjekteringsfeil reduseres kraftig.

Vanlige feller ved grounding

En vanlig misforståelse er at forankring gjør en språkmodell ufeilbarlig. Grounding er aldri bedre enn kvaliteten på kildematerialet du mater den med. Hvis et internt personalreglement i en bedrift inneholder motstridende retningslinjer, vil modellen enten bli forvirret eller plukke ut feil avsnitt.

En annen feil er å formulere for løse instruksjoner. Hvis du gir modellen tilgang til et dokument, men glemmer å presisere at den utelukkende skal holde seg til dette, vil den ofte blande inn ekstern kunnskap fra treningsdataene sine. En vellykket forankring krever både pålitelige kildedata og tydelige rammer for hvordan dataene skal tolkes.

Ofte stilte spørsmål

Er grounding det samme som RAG?

Nei, grounding er selve prinsippet om å forankre svar i kilder, mens RAG (Retrieval-Augmented Generation) er en teknisk metode som brukes for å hente kildene automatisk.

Fjerner forankring alle hallusinasjoner fra AI?

Det reduserer hallusinasjoner dramatisk, men feil kan fortsatt oppstå hvis kildeteksten er uklar, eller hvis modellen mistolker sammenhengen mellom to avsnitt.

Kan jeg forankre svar uten teknisk kunnskap?

Ja, den enkleste formen for grounding gjør du selv ved å laste opp en PDF og be modellen om å kun svare ut fra innholdet i den aktuelle filen.

← Alle begreper i KI-ordboken

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