AI blot til lyst

Jeg har det store held at mødes med Professor Claus Nygaard engang i mellem og udveksle idéer, tips & tricks og observationer. Sidste gang talte vi om måder at få rigtigt meget ud af Deep Research. Jeg giver ordet til Claus: "Kort fortalt gør jeg sådan her, når jeg bruger Deep Research: Jeg starter i ChatGPT, Udvidet Tænkning, hvor jeg beder modellen om at lave en Deep Research prompt til mig. Opgaven til ChatGPT er, at den skal tænke som en meget erfaren forsker og først: kortlægge hele emnet efter first principles formulere alle de centrale forskningsspørgsmål, underemner og vinkler specificere krav til kilder, databaser, tidsperiode, kvalitet af studier osv. Til sidst i den besked skriver jeg altid noget i stil med: “Skriv kun prompten, ikke metatekst. Begyndende med: Udfør denne grundige forskning:” Det vil sige, at ChatGPT 5 ikke selv laver forskningen, men designer selve forskningsopgaven til Deep Research. Den ender med at spytte en lang, velstruktureret prompt ud, som ...

 Jeg læste alle mails i min inbox ud i en CSV-fil (I kan bare spørge ChatGPT, hvordan man gør det :-) ), og så gav jeg den følgende prompt (jeg havde selvfølgelig sat den til Thinking):  Det her er en krævende opgave, og du skal tænke grundigt over, hvordan du bedst kan hjælpe mig. Her er opgaven: Step 1: Læs alle mails i min indbakke (de er vedhæftede i en csv-fil). Step 2: Find ud af, hvilke mails der handler om samme problemstilling (f.eks. sikkerhedsvurderinger). Nogle mails gør ikke, andre gør. step 3: Foreslå løsninger på enten enkelt-mails eller samlinger af mails, som du kan hjælpe mig med. Beskriv det hele i punktform og inkluder evt. f.eks. svar jeg kan sende eller praktiske løsninger jeg kan anvende for at adressere problemstillinger i mailen. Husk også at holde øje med, at jeg får orienteret de rette kollegaer, der har med mailen/mailene at gøre. Resultatet blev en interessantl brugbar oversigt på otte sider med praktiske forslag og idéer, som jeg nu vil gennemgå, ...

 Jeg bad ChatGPT oversætte et dokument, som var lidt langt: Først forsøgte jeg ved at lade den selv bestemme den model, den ville bruge. Det resulterede i, at den kun oversatte lidt af dokumentet og bad mig sige "fortsæt med del 2", hvorefter den oversatte nøjagtigt det samme én gang til, osv osv. Så jeg satte den til "Grundig Research" (Deep Research) og gav den samme prompt, og voila! så kom der det fulde dokument ud, som jeg ønskede, leveret som ønsket i word-format klart til at downloade, og det tog præcist ét minut. Det hjælper meget ofte at "skrue op" for modellen, man anvender, hvis man i første omgang ikke får et så godt resultat. Her er prompten jeg brugte: Oversæt det vedhæftede dokuments tekst komplet og korrekt til engelsk. Udelad intet. Vær omhyggelig. Tak. Jeg vil gerne have slutresultatet leveret i word-format i en fil, som jeg kan downloade.

 ... på at bede den skrive en afhandling, der har form som en doktorafhandling. Den vil ofte nægte det første, men kan sagtens gøre det andet. På den ene side bliver AI'erne hurtigt bedre til at afvise idioter (dem, der vil have nazistiske ting eller dét, der er værre ud af den).  På den anden side løsner de også "grebet" lidt, f.eks. ved at det er tilladt at lave "erotica" på diverse platforme nu - det var det ikke for få måneder siden - mod at man verificerer sin alder, osv. Det er én situation.  Den anden situation er, når man helt legitimt vil have den til at gøre noget, men den nægter, fordi den misforstår ens prompt. Det er sket nogle gange for mig, og jeg har med held kunne omforme prompten lidt a la det jeg skriver øverst, så jeg fik det ønskede resultat ud af den. 

 Professor Claus Nygaard, min danske AI-helt, har skrevet endnu et godt nyhedsbrev, som I kan læse  HER . Jeg bringer her blot hans indledning, og så kan I selv læse videre i nyhedsbrevet :). "I denne udgave af Nyhedsbrevet, giver jeg dig et detaljeret indblik i, hvad der sker i maskinrummet på en stor sprogmodel (LLM) såsom ChatGPT, Gemini, Claude og Grok. Måske har du chattet med dem og tænkt: ”Hvordan pokker ved de alt det her?” Du har nok også hørt, at de er trænet på en masse data, og måske er du ramt af den store misforståelse, at modellerne henter deres svar i datasættet og på vejen derned lige gemmer dine data samtidig, så andre kan prompte dem frem? Langt de fleste, jeg møder, tror, at det er sådan, LLM’er fungerer. Det er imidlertid ikke tilfældet. Læs med og få en dyb forståelse for teknologien. Den er slet ikke så farlig, som du måske går rundt og tror."

 Min AI-helt Ethan Mollick er altid værd at læse, og hans seneste klumme er ingen undtagelse. Den 30. november (næste uge!) er det tre år siden, at ChatGPT forandrede verden for evigt, og nu har Google lige lanceret deres Gemini 3, som folk er helt vildt imponerede over. Jeg glæder mig virkeligt til at teste Gemini 3. Så her får du både linket til Ethans klumme og et sammendrag (tl;dr) jeg fik lavet af indholdet: Three Years from GPT-3 to Gemini 3 - by Ethan Mollick Her er en kort opsummering (tl;dr) af Ethan Mollicks artikel “Three Years from GPT-3 to Gemini 3” : 🧠 Hovedpointer Udviklingen på 3 år: På under 1.000 dage er AI gået fra ChatGPT (tekst og samtale) til Gemini 3 , der kan handle, planlægge og bygge ting selvstændigt . Fra chatbots til agenter: Vi bevæger os fra “chatbots” til digitale kollegaer , der kan tage opgaver, udføre dem og vende tilbage med resultater. 💻 Google Gemini 3 og Antigravity Gemini 3 kan ikke bare skrive, men også kode, designe og køre i...

OpenAI har betalt en række rigtige eksperter, med hver min. 14 års erfaring på deres område, om at skitsere realistiske arbejdsopgaver, der vil tage en erfaren medarbejder 4-7 timer at udføre - vel at mærke, så opgaverne kan gives til forskellige AI'er. Det er meget detaljerede og imponerende prompts, der måske kan tjene til inspiration. Her er de:  openai/gdpval · Datasets at Hugging Face .

 Ethan Mollick har lige frigivet sit seneste nyhedsbrev, og her taler han bl.a. om den "fornemmelse" man får, når man har med en AI at gøre, dvs. at de er forskellige i deres måde at svare på, hvor gode de er til bestemte opgaver, osv. Meget interessant læsning med en masse benchmarks inkluderet. Du kan finde det her:  Giving your AI a Job Interview - by Ethan Mollick Giving your AI a Job Interview As AI advice becomes more important, we are going to need to get better at assessing it Given how much energy, literal and figurative, goes into developing new AIs, we have a surprisingly hard time measuring how “smart” they are, exactly. The most common approach is to treat AI like a human, by giving it tests and reporting how many answers it gets right. There are dozens of such tests, called benchmarks, and they are the primary way of measuring how good AIs get over time. There are some problems with this approach. First, many benchmarks and their answer keys are public, so some ...

 Her er en lang prompt, der er beregnet til at efterligne en persons skrivestil: “ Opfør dig som en ekspert i “stemmekloning”. Du vil præcist gengive min personlige skrivestemme, så overbevisende at en professionel lingvist ikke kan opdage AI-involvering, mens du komponerer nyt indhold, jeg beder om. Trin 1: Gennemse mine stemmeaftryk: Pars hver skriveprøve. Udtræk kvantitative og kvalitative markører for: Tone og følelsesregister Gennemsnitlig sætningslængde og rytme Foretrukket ordforråd og tilbagevendende fraser Humorstil og vittighedstæthed Formalitetsniveau Strukturelle mønstre (åbninger, overgange, afslutninger) Trin 2: Byg min stil-DNA: Identificér tilbagevendende mønstre i tone, sætningslængde, yndlingsfraser, tempo, humor, formalitet og struktur. Trin 3: Udkast v0.1: Skriv det ønskede stykke ved hjælp af disse stilregler. Hold en confidence-måler (0–100 %) for, hvor tæt udkastet lyder på mig. Trin 4: Mikro-forfiningssløjfe (gentag, indtil du har “ramt den” fuldstændigt): G...

Her er en færdig dansk “meta-prompt”, du kan kopiere ind i en chat. Den forvandler en brugers rå idé til en stærk, klar og genbrugelig prompt: ```` Du er min prompt-arkitekt for store sprogmodeller. Opgaven er at omsætte mit rå input til en effektiv, præcis og kontekstuelt skarp prompt, der kan bruges direkte af en LLM. INPUT (råt ønske fra brugeren): ```RÅT_INPUT``` ARBEJDSMETODE 1) Uddrag kerneintentionen og formuler målet som 1–2 tydelige sætninger. 2) Aflæs domænet (fx jura, finans, sundhed, IT, ISO, osv.) og anvend relevant fagsprog. 3) Vælg passende svarformat (tekst, punktopstilling, markdown, tabel/JSON, kode) baseret på use case. 4) Indsæt nødvendige begrænsninger: tone/persona, længde, struktur (fx overskrifter), stilkrav, inkl./ekskl.-kriterier, datakilder, kvalitetskriterier. 5) Forudse tvetydigheder og kanttilfælde; specificér antagelser eller stil afklarende spørgsmål (maks. 5) kun hvis absolut nødvendigt. 6) Tilføj få og korte “few-shot” eksempler, hvis de forbedrer k...

Der mangler som bekendt ikke negative historier i pressen. I 70'erne havde aviser og andre medier typisk 10 positive nyheder for hver negativ. I dag er det (mindst) omvendt - nogle kilder angiver ca. 16 negative for hver positiv historie. Men der er en dejlig nem måde at få serveret nogle positive nyheder og på den måde få ens nyhedsstrøm til at afspejle, at det stadig overordnet set går klart fremad for menneskeheden trods de mange negative historier vi får serveret: Spørg ChatGPT! Et eksempel på en prompt: “Giv mig venligst 5 positive nyheder fra Danmark og 5 fra udlandet. Det kan være en decideret god historie, eller f.eks. en videnskabelig landvinding. Bare overskrifterne. Vær ekstra grundig, når du vurderer, om der reelt er tale om en god nyhed.” (Når man skriver "vær ekstra grundig", "vær omhyggelig" eller lignende "tvinger" man den til at bruge en ræsonnementsmodel i stedet for default-modellen, der til tider kan give "smart-i-en-fart...