Data og AI - vidensformidling via AI

Session 9. I denne episode stiller værterne skarpt på maskinrummet bag kunstig intelligens og datadrevne beslutningssystemer. Episoden dekonstruerer den udbredte forestilling om, at algoritmer udgør en neutral og objektiv spejling af virkeligheden, og belyser, hvordan AI i praksis fungerer som menneskeligt skabte klassifikationssystemer, hvor kulturelle antagelser og historiske præcedenser indlejres i kodningen. 

Gennem episoden gennemgås forskellen på stærk og svag AI samt de iboende begrænsninger ved at benytte historiske data som objektiv sandhed, det såkaldte Ground Truth. Værterne følger AI-modellens livscyklus i fem stadier – fra opgavedefinition og dataindsamling til datarensning, modelvalg og udrulning. Det forklares indgående, hvordan menneskelige fravalg, usynliggørelse af residualkategorier og håndtering af tavs viden uundgåeligt påvirker modellernes resultater. 

Derudover afdækkes det vigtige skel mellem statistisk bias og reel digital diskrimination. Episoden belyser, hvordan tekniske skævheder udmønter sig i praksis, med eksempler på erfaringer fra virksomheder og platforme som Amazon inden for automatiseret rekruttering, Microsoft i arbejdet med chatbots, Facebook ved billed- og tekstanalyse samt Cambridge Analytica i forbindelse med granulær adfærdsprofilering. 

Afslutningsvis drøftes metoder til måling og auditering af algoritmiske skævheder via både procedurelle og relationelle tilgange. Værterne behandler faldgruberne ved proxy-variabler og såkaldt blindhed over for beskyttede data, og de peger på intersectionality samt princippet om value-accountability-by-design som afgørende forudsætninger for fremtidens ansvarlige databrug.

Studielektion 8. I denne episode dykkes der ned i den datadrevne transformation og det fundamentale paradigmeskift i, hvordan viden og beslutninger skabes i dag. Værterne stiller skarpt på overgangen fra traditionelle teoretiske modeller til petabyte-alderens massive datamængder, hvor statistisk mønstergenkendelse og korrelation i stigende grad erstatter den klassiske søgen efter årsagsforklaringer og kausalitet. Episoden afdækker, hvordan algoritmer og anvendt matematik benyttes til at forudsige adfærd og mønstre på tværs af sektorer. 

Som eksempler berøres det, hvordan globale virksomheder som Amazon og Walmart anvender datakorrelationer til henholdsvis anbefalingssystemer og logistik, samt hvordan algoritmiske risikoscorer har været afprøvet i danske kommuner som Silkeborg og Hjørring til at støtte socialrådgiveres vurderinger i børne- og ungesager. Derudover sættes der fokus på de etiske og faglige faldgruber ved datadreven styring. 

Værterne behandler udfordringer som aldersbias og algoritmisk forstærkede blinde vinkler, hvor historiske skævheder i datagrundlaget risikerer at gentage fortidens fejl eller skabe selvopfyldende profetier. Episoden fremhæver afslutningsvis den afgørende betydning af en velfungerende menneske-maskine-forhandling, hvor menneskelig faglighed, intuition og lokalkendskab fungerer som en nødvendig modvægt til algoritmens tal og beregninger.

Studielektion A. I denne episode dykker vi ned i det faglige fundament for datadrevet beslutningstagning og undersøger, hvordan rå biter af information forvandles til reel strategisk viden og organisatorisk visdom. Der stilles skarpt på databegrebets kerne og rejsen gennem DIKW-pyramiden. 

Episoden belyser, hvordan data altid udgør en menneskeligt skabt og ufuldstændig abstraktion af virkeligheden, hvilket stiller høje krav til kvaliteten og præcisionen i de valgte attributter. Derudover gennemgås informationsarkitekturens usynlige rygrad – metadata. Du får en indføring i, hvordan kontrollerede vokabularer, thesauri og ontologier skaber struktur og sammenhæng på tværs af databaser, samt hvorfor princippet om entydig identifikationsstruktur er afgørende for moderne datastyring. Episoden tager også et praktisk kig på arbejdsgangen i dataprojekter med afsæt i CRISP-DM-modellen. 

Værterne drøfter, hvorfor op mod 80 procent af arbejdet går med dataforberedelse, fejlretning af tegnkoder og integration af semi-strukturerede data som JSON og web-API'er. Emnet perspektiveres med enkelte eksempler fra virkeligheden, blandt andet Walmarts brug af datamønstre til optimering af lagerstyring samt Moneyball-tilgangen til præstationsanalyse i professionel sport. Afslutningsvis rettes blikket mod nyere teknologiske løsninger som syntetisk datagenerering. 

Her forklares det, hvordan AI-genererede data kan løse kritiske udfordringer i forbindelse med privatlivsbeskyttelse, datasparsomhed og etiske hensyn ved træning af nye modeller. Episoden henvender sig til alle, der ønsker en dybdegående faglig forståelse af datasammenhænge, datakvalitet og den metodiske proces bag succesfulde datadrevne projekter.

Studielektion 6. I denne episode stiller værterne skarpt på en af den digitale tidsalders største myter: ideen om, at data udgør et neutralt og objektivt spejlbillede af virkeligheden. Gennem samtalen udforskes det, hvordan data altid er socialt konstruerede og født ud af specifikke organisatoriske valg, kontekster og prioriteringer. 

Værterne undersøger de fundamentale modsætninger i, hvordan forskellige aktører i en organisation forstår og anvender data. På den ene side står et eksperimenterende syn, hvor data betragtes som en fri ressource til agil innovation, realtidsmålinger og åbne løsninger. På den anden side står driftsorganisationens perspektiv, hvor data opfattes som følsomme, strategiske og politiske aktiver, der kræver dyb kontekstuel viden for at opretholde tillid og forhindre fejlfortolkninger ved dekontekstualisering. 

Dette spændingsfelt belyses blandt andet gennem eksempler fra kommunal forvaltning af Smart City-initiativer, herunder styring af affaldssystemer og trafikmålinger. Derudover dykker episoden ned i dataficeringens mekanismer, og hvordan organisationer opdeler information om individer i uforanderlige attributter og adfærdsbaserede handlinger. Værterne diskuterer de etiske implikationer ved at anvende digitale spor – med eksempler som registrering af WiFi-netværksaktivitet på uddannelsesinstitutioner som proxy for fysisk tilstedeværelse og engagement. Når prædiktive modeller og nudging udelukkende fokuserer på individuel adfærd, risikerer organisationen uforvarende at forskyde ansvaret for succes eller fiasko over på den enkelte borger eller studerende, mens bagvedliggende systemiske uligheder usynliggøres. 

Episoden giver dermed en dybdegående indføring i, hvorfor datadrevet ledelse kræver et kritisk blik på datakonstruktion, proxy-målinger og organisatoriske magtdynamikker frem for blind tillid til automatiserede dashboards.

Studielektion 5. I denne episode dykker værterne ned i de centrale magtstrukturer, organisatoriske udfordringer og samfundsmæssige konsekvenser, der knytter sig til den stigende udbredelse af data og kunstig intelligens.

Episoden tager afsæt i en kritisk analyse af overvågningskapitalismen som en ny økonomisk logik. Værterne gennemgår, hvordan menneskelig erfaring i stigende grad udnyttes som gratis råmateriale og omdannes til adfærdsmæssige forudsigelser og kommercielle produkter. I den forbindelse belyses begrebet instrumentarisme og automatiserede systemers evne til at forme menneskelig adfærd uden direkte samtykke.

Derudover udfordres den gængse opfattelse af kunstig intelligens som en autonom eller magisk teknologi. Værterne argumenterer for at forstå AI som komplekse socio-tekniske systemer, hvor organisatoriske valg, ansvar og infrastrukturelle afhængigheder skal placeres hos menneskelige aktører. Begreber som teknologiske hallucinationer analyseres som reelle produktfejl og systemiske svagheder frem for uforklarlige fænomener.

Et andet centralt emne i episoden er digital suverænitet og de geopolitiske risici ved udbredt afhængighed af få dominerede cloud-leverandører. Værterne drøfter faren ved vendor lock-in og behovet for at sikre kritisk datainfrastruktur under europæisk kontrol.

Afslutningsvis stiller episoden skarpt på den praktiske implementering af AI i både den offentlige og private sektor. Værterne fremhæver skiftet væk fra sensationsdrevne eksperimenter og hen mod realistiske, administrative løsninger – den såkaldte kedelige AI, der skaber reel værdi. Episoden afdækker de primære barrierer for succesfuld ibrugtagning: juridiske rammer, datakvalitet og ældre it-infrastruktur, samt behovet for styrket demokratisk tilsyn og regulering af afhængighedsskabende platformskonstruktioner.

I løbet af episoden inddrages enkelte konkrete eksempler, herunder virksomheder som Google og Microsoft i forhold til infrastruktur og dataindsamling fra smarte enheder, samt EU-regulering og håndhævelsesudfordringer belyst ved eksempler fra Irland.

Studielektion 4. I denne episode dykker værterne ned i de centrale magtstrukturer, organisatoriske udfordringer og samfundsmæssige konsekvenser, der knytter sig til den stigende udbredelse af data og kunstig intelligens. Episoden tager afsæt i en kritisk analyse af overvågningskapitalismen som en ny økonomisk logik. Værterne gennemgår, hvordan menneskelig erfaring i stigende grad udnyttes som gratis råmateriale og omdannes til adfærdsmæssige forudsigelser og kommercielle produkter. 

I den forbindelse belyses begrebet instrumentarisme og automatiserede systemers evne til at forme menneskelig adfærd uden direkte samtykke. Derudover udfordres den gængse opfattelse af kunstig intelligens som en autonom eller magisk teknologi. Værterne argumenterer for at forstå AI som komplekse socio-tekniske systemer, hvor organisatoriske valg, ansvar og infrastrukturelle afhængigheder skal placeres hos menneskelige aktører. Begreber som teknologiske hallucinationer analyseres som reelle produktfejl og systemiske svagheder frem for uforklarlige fænomener. 

Et andet centralt emne i episoden er digital suverænitet og de geopolitiske risici ved udbredt afhængighed af få dominerede cloud-leverandører. Værterne drøfter faren ved vendor lock-in og behovet for at sikre kritisk datainfrastruktur under europæisk kontrol. Afslutningsvis stiller episoden skarpt på den praktiske implementering af AI i både den offentlige og private sektor. Værterne fremhæver skiftet væk fra sensationsdrevne eksperimenter og hen mod realistiske, administrative løsninger – den såkaldte kedelige AI, der skaber reel værdi. 

Episoden afdækker de primære barrierer for succesfuld ibrugtagning: juridiske rammer, datakvalitet og ældre it-infrastruktur, samt behovet for styrket demokratisk tilsyn og regulering af afhængighedsskabende platformskonstruktioner. I løbet af episoden inddrages enkelte konkrete eksempler, herunder virksomheder som Google og Microsoft i forhold til infrastruktur og dataindsamling fra smarte enheder, samt EU-regulering og håndhævelsesudfordringer belyst ved eksempler fra Irland.

Studielektion 3. I denne episode stilles der skarpt på datas rolle i moderne organisationer og bevægelsen fra et klassisk styringsparadigme til et dynamisk læringsparadigme. Værterne undersøger, hvordan den traditionelle brug af data ofte fastlåser organisationer i snævre rammer af kontrol, KPI-målstyring og overfladisk effektivisering, samt hvorfor denne tilgang risikerer at udviske afgørende lokal viden og kontekst. Centralt i episoden står begrebet kommensuration – den sociale proces, hvor komplekse og forskelligartede kvaliteter oversættes til en fælles kvantitativ målestok. Episoden afdækker de mekanismer og faldgruber, der opstår, når virkeligheden reduceres til talstørrelser, og hvordan afhængigheden af mekanisk objektivitet kan svække den faglige dømmekraft. Som et alternativ udfoldes begrebet datafantasi og den strategiske model datadiamanten. Værterne gennemgår, hvordan organisationer ved at inddrage ustrukturerede data – såsom tekster, fortællinger og uformelle ytringer – samt eksplorative analyseteknikker kan aktivere data som et dynamisk læringsværktøj. Gennem koncepterne om produktiv dissonans og heterarkiske strukturer forklares det, hvordan modstridende målingsprincipper kan skabe den faglige gnidningsmodstand, der kræves for at innovation kan opstå og vilde problemer kan genbeskrives. Som et konkret eksempel belyses en undersøgelse fra Helsingør Kommune, hvor analysen af elevers ustrukturerede fritekster om trivsel gav mulighed for at afdække nære, lokale temaer og relationer, som traditionelle, nationale survey-målinger helt overså.

Studielektion 2. Denne episode introducerer centrale perspektiver på, hvad data er, og hvordan begrebet kan forstås. Hvad virker, hvad virker ikke - hvad er der bag. Der tages udgangspunkt i en klassisk tekst om Big Data og de såkaldte 3 v’er, som i høj grad har præget den udbredte forståelse af data i de senere år. Episoden inddrager også filosoffen Floridis bredere teoretiske ramme, som giver et mere grundlæggende blik på, hvordan data kan italesættes og forstås.

Studielektion 1. I denne episode udforsker vi den fundamentale transformation, som organisationer gennemgår, når ledelsesbeslutninger flytter sig fra mavefornemmelser og personlige erfaringer til empiriske data og avanceret analyse.

Vi ser nærmere på de tre centrale dimensioner af Big Data – datamængde (volume), hastighed (velocity) og variation (variety) – og hvordan evnen til at håndtere ustrukturerede data i realtid ændrer måden, virksomheder styrer deres drift og forudser fremtiden på. Episoden belyser blandt andet konkrete eksempler på, hvordan realtidsdata fra mobiltelefoner kan bruges til at estimere kundestrømme i detailhandlen (som hos Macy's), og hvordan præcise sporingsdata kan optimere ankomsttider inden for luftfart.

Udover de praktiske og strategiske aspekter dykker vi ned i den dybere forståelse af, hvad data egentlig udgøres af: fra primære registreringer og metadata til afledte mønstre. Vi diskuterer også det nødvendige opgør med den traditionelle ledelseskultur, hvor den højeste lønning ofte har haft det sidste ord, og hvorfor domæneekspertise og kritisk tænkning er vigtigere end nogensinde før for at stille de rigtige spørgsmål og omsætte analyserne til reel forretningsværdi.