Hvad er Machine Learning?

Machine Learning (maskinlæring) er en gren af AI, hvor computere lærer af data fremfor at følge faste regler. I stedet for at en programmør skriver "hvis x, så gør y", fodres systemet med eksempler, så det selv kan finde mønstre og træffe beslutninger eller forudsigelser om fremtiden.

Hvorfor er Machine Learning vigtigt for Prompt Engineering?

Forestil dig, at Machine Learning er "motoren" under motorhjelmen på din bil. Som Prompt Engineer er du chaufføren. Hvis du ikke forstår, hvordan motoren reagerer på dit tråd på speederen (din prompt), får du aldrig en glidende kørsel.

Når du prompter en Large Language Model (LLM), interagerer du direkte med resultatet af massiv Machine Learning. Ved at forstå, at modellen arbejder ud fra sandsynlighed og statistiske mønstre (og ikke menneskelig logik), kan du skrive prompts, der guider modellen mod de mest sandsynlige, korrekte svar.

Machine Learning i praksis

I hverdagen ser vi Machine Learning, når Netflix anbefaler en film, eller når dit spamfilter sorterer din indbakke. Inden for prompting kan vi bruge viden om ML til at "fintune" modellens opførsel gennem kontekst. Her er et eksempel på en prompt, der beder AI'en om at agere som en ML-klassifikator:

Analysér følgende kundebeskeder og kategorisér dem som "Positiv", "Negativ" eller "Neutral" baseret på Machine Learning mønstre:
1. "Jeg elsker dette produkt, det har ændret min hverdag!" -> 
2. "Leveringen var forsinket, og varen var gået i stykker." -> 
3. "Jeg modtog pakken i går." -> 

Eksperttip til Machine Learning

Husk på "Garbage In, Garbage Out". En Machine Learning model er aldrig klogere end de data, den er trænet på. Hvis du oplever "hallucinationer" eller skæve svar, er det ofte fordi, din prompt ikke giver nok vægt til de korrekte mønstre. Brug Few-Shot Prompting (giv eksempler i din prompt) for at hjælpe maskinen med at "lære" din specifikke opgave lynhurtigt.

De tre typer af Machine Learning

For at forstå Machine Learning i dybden, skal vi kigge på de tre primære metoder, algoritmerne lærer på:

• Overvåget læring: Maskinen trænes med "labelede" data (input med et kendt svar). God til klassificering og forudsigelser.
• Uovervåget læring: Maskinen finder selv mønstre i ustrukturerede data uden facit. Perfekt til at finde skjulte sammenhænge.
• Forstærkningslæring (Reinforcement Learning): Maskinen lærer gennem belønning og straf i et dynamisk miljø. Det er fundamentet for de mest avancerede AI-systemer.

Når du bruger ChatGPT eller andre store sprogmodeller, er de faktisk trænet med en kombination af alle tre, herunder en teknik kaldet RLHF (Reinforcement Learning from Human Feedback), hvor mennesker giver karakterer til AI'ens svar for at gøre dem mere hjælpsomme.