Udviklingen af kunstig intelligens har aldrig gået hurtigere end nu. Potentialet synes at være enormt, og det er svært at forestille sig, hvor udviklingen ender.
For blot få år siden var der næppe mange, der havde forestillet sig en løsning som Open AI’s ChatGPT, som hele verden nu kender og anvender. Det er en løsning baseret på kunstig intelligens - eller AI, som det også kaldes efter det engelske udtryk artificial intelligence. Kunstig intelligens vinder stadig mere indpas, både i vores private liv og i samfundsmæssige funktioner.
Kunstig intelligens bygger på matematik og logik. Vi kender arbejdsprocesserne i den kunstige intelligens, men ved ikke altid, hvordan den kommer frem til en bestemt løsning eller vurdering. Det understreger vigtigheden af, at forskere og samfund stiller de rette krav til anvendelse af teknologien, både i lovgivningen og moralsk.
Denne side indeholder inspiration og undervisningsmateriale til brug i gymnasieundervisningen: Lad eleverne selv få erfaringer med at arbejde med kunstig intelligens i undervisningsmaterialet ’Regn Lyden Ud’, og brug artikler og video til at blive klogere på, hvor langt vi egentlig er i udviklingen af kunstig intelligens, og hvordan DTU’s forskere arbejder med det etiske aspekt, så kommende AI-løsninger for eksempel ikke indeholder fordomme eller favoriserer visse grupper af mennesker. Besøg desuden DTU’s temaside, hvor I finder en lang række eksempler på, hvordan kunstig intelligens i dag bruges i fx sundheds- og energisektoren.
Materialet tager udgangspunkt i viden om andengradspolynomier, linjer, lineære funktioner, lineær regression, basal differentialregning og funktioner af to variable.
Det centrale emne i undervisningsmaterialet er funktioner af to variable, og der benyttes begreber som funktioner af to variable, grafen for funktion af to variable, snitkurver, niveaukurver, partielle afledede, gradienter, stationære punkter og simple ekstrema-betragtninger.
Idéen i materialet er at inddrage velkendt stof (især lineær regression og de mindste kvadraters metode, samt top-punktsformlen for andengradspolynomier) i introduktionen af første-ordens iterativ optimering (på engelsk også kendt som "gradient descent" eller "steepest descent"). Som avanceret materiale (del-elementer af materialet, der kan ignoreres uden at miste kontinuitet) behandles også kort stokastiske variable (uniform- og normal-fordelingen).
Er du underviser?
Klik på linket her for at hente lærervejledningen som PDF.
