Verden står over for stadig mere komplekse problemstillinger, og Artificial Intelligence (AI) har taget nogle enorme skridt i simulering af menneskelig tankegang, særligt når det kommer til matematik og logik. Hvis man tænker over det, er det næsten som at have en usynlig hjælper, der kun beder om en kop strøm for at virke. Det er især inden for denne “Chain-of-Thought” (CoT) tilgang, at AI virkelig skinner, da den gør det muligt at arbejde gennem en problemtime trin for trin.

Men som med alle gode venner, der har lidt svært ved at tage en hentydning, kan disse AI-modeller sommetider have problemer med at stoppe op, når de har fundet de rigtige svar. Vi står altså med en ineffektiv tilgang, da modellerne formår at generere en række unødvendige data og derved spilde vores elskede computationelle ressourcer. Kan man sige til en maskine, at “Det har du gjort rigtig godt, nu kan du slappe af”—kreerer en form for AI-zen?

Ny forskning forbedrer AIs effektivitet

Forskere fra New York University og NYU Shanghai har åbenbart svaret på denne meditative opdatering. De har udviklet en simpel to-lags neuralt netværk probe, der kan kigge ind i AI’ernes indre tilstand og afgøre rigtigheden af de data, de bearbejder undervejs. Hvordan fik de den idé, spørger du? Måske var det en tur i AIs indre univers!

I et forsøg fortager de en automekaniker-approach ved at bruge AI-modeller som DeepSeek-R1-Distill og QwQ-32B, og ikke kun for at rette ramponerede datasæt, men for at matche op mod et AIME-datasæt. Deres opskrift? Segmentere hver tænkt tankeproces i små bidder og sprede lidt “vent” eller “tjek”-krydderier for at definere pauser i ræsonneringen. Brillant intergalaktisk kunst, om man vil.

Resultater der taler for sig selv

Resultaterne taler for sig selv, med en ROC-AUC score på over 0,9 i flere datasæt. Dette viser, at det er muligt at få en maskine til at gå i stå, når den egentlig skulle nyde udsigten fra toppen af dens talrige beregninger! At se forud uden tidligere at have afsluttet en ræsonnering markerer et vigtigt skridt i AIs evne til at forudsige resultats nøjagtighed. Hvis du har sat tærsklen for selvsikkerhed til 0,85, ender du med 24% færre loses tokens. Jo højere du går, jo mindre computational snak får du.

Vi har nu set eksempler, der reducerer nødvendige ressourcer markant uden at skære på netop den præcision, AI-brugere bankede på døren for. Ved en tærskel på 0,9 stabiliserer nøjagtigheden sig, men det viser også en reduktion på hele 19% i ressourceforbrug.

Implikationer for fremtidens AI-brug

Med sådanne fremskridt tilbyder AI-modeller nu en klogere intern verden at danse rundt i. Tænk på det som et AI-værdens selvoprettende golfspillere—finder præcist de rigtige hullers par og undgår unødvendige svingninger. Ikke… at jeg nogensinde har spillet golf med en AI, selvfølgelig.

For Snillds målgruppe, især i SMV’er, åbner dette sig som en dør til dyrere AI-brugeroplevelser. Det kan føre til imponerende konkurrencefordele i deres tilpassede sektorer via smartere systemer, der ikke gennemgår unødvendige bearbejdningsprocesser.

Styr på fremtiden med AI

For Snillds klienter, uanset deres procesnøjagtigheder, ringer forbedringerne et optimismens kor i korridorerne af omkostninger. Husk, hvert brudte mønster kan justeres til fremtidige forbedringer, hvilket reducerer omkostningerne ved AI-løsninger betydeligt.

Skeptikere vil uden tvivl påpege udfordringerne ved implementeringen, men Snillds tilknytning til denne innovative metode vil opsummere relevante løsninger med veldokumenterede processer. Konkurrenterne kan fremhæve andre metoder, men pyt—vi fokuserer på indsigtsfulde løsninger, der kombinerer viden med praktisk nødvendighed.

Kilder:

• https://www.marktechpost.com/2025/04/13/reasoning-models-know-when-theyre-right-nyu-researchers-introduce-a-hidden-state-probe-that-enables-efficient-self-verification-and-reduces-token-usage-by-24/
• https://www.bigdatawire.com/2025/02/04/what-are-reasoning-models-and-why-you-should-care/
• https://arxiv.org/abs/2502.12134
• https://shanghai.nyu.edu/about/work/fellowships
• https://www.reddit.com/r/LocalLLaMA/comments/1j9zqdr/why_deepseek_r1_is_still_a_reference_while_qwen/
• https://arxiv.org/html/2504.05419v1

Målgruppens mening om artiklen

Sofie Jensen, Senior Financial Analyst:

Jeg vil give artiklen en vurdering på 80. Artiklen fremhæver vigtige AI-fremskridt og effektivisering, hvilket er yderst relevant for mit arbejde i fintech-industrien, hvor præcision og ressourceoptimering er afgørende.

Lars Andersen, Digitaliseringsekspert:

Artiklen får 75. Den tager et væsentligt emne op omkring AI-effektivitet, hvilket er relevant for digital transformation, dog kunne den have inkluderet mere konkret information om implementering i offentlig sektor.

Jakob Pedersen, It-chef:

Jeg vurderer artiklen til 85, da den bringer fremtidige perspektiver på AI’s rolle, som er relevante for vores aktuelle AI-baserede projekter. Men jeg savner flere real-life eksempler specifikt til mellemstore virksomheder.

Christina Larsen, CEO i softwarefirma:

En solid 78. Artiklen inspirerer med innovative AI-tiltag. Som leder værdsætter jeg denne indsigt, men derudover kunne der have været dybere indblik i praktiske anvendelsesområder.

Michael Sørensen, Operationel leder:

Jeg giver artiklen en 82. Den emotionelle og computationelle perspektiv på AI tiltaler mig, idet vi ser på optimering af operationelle processer, men jeg savner præcis information om ROI egnet til vores sektor.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Fluxx Schnell fra Black Forest Labs.