Et generative adversarial network (GAN) består af to neurale netværk, der trænes mod hinanden: Generatoren skaber kunstige data som f.eks. billeder, og diskriminatoren forsøger at skelne dem fra rigtige. Gennem denne kappestrid bliver resultaterne stadig mere realistiske. GAN'er blev introduceret i 2014 og prægede billedgenerering, før diffusionsmodeller blev mere udbredte; de bruges f.eks. til syntetiske træningsdata eller billedforbedring.
Fréchet inception distance (FID) er en måleværdi til vurdering af kvaliteten af AI-genererede billeder. Virkelige og genererede billeder sendes gennem et fortrænet billedgenkendelsesnetværk (Inception v3), og de statistiske fordelinger af deres features sammenlignes. Jo lavere værdi, desto tættere er de genererede billeder på virkelige fotos i realisme og variation. FID blev introduceret i 2017 og er en standard til sammenligning af billedgeneratorer.
Et deepfake er et billede, en video eller en lydoptagelse, der er skabt eller ændret med AI, og som overbevisende viser virkelige personer sige eller gøre ting, der aldrig er sket. Ved siden af legitime anvendelser i film eller dubbing bruges deepfakes til desinformation, ærekrænkelse og svindel – f.eks. falske opkald fra en påstået chef, der beder om en bankoverførsel. Beskyttelsen består af tilbageopkald via kendte kanaler, klare godkendelsesprocesser og mærkning af AI-genereret indhold.
Syntetiske data er skabt kunstigt i stedet for at være indsamlet i den virkelige verden, men efterligner de virkelige datas mønstre og egenskaber. De hjælper, når ægte data er knappe, dyre eller følsomme ud fra et databeskyttelsessynspunkt – f.eks. til test af software, træning af modeller eller afprøvning af en chatbot med realistiske eksempelforespørgsler. Det er vigtigt, at de afspejler virkeligheden tæt nok og ikke tillader slutninger om rigtige personer.
Generativ AI betegner AI-systemer, der skaber nyt indhold – tekst, billeder, lyd, video eller programkode – i stedet for blot at sortere eller vurdere eksisterende data. De bygger på modeller, der lærer mønstre ud fra store datamængder og bruger dem til at frembringe sandsynlige nye outputs. I erhvervslivet bruges den f.eks. til at udarbejde udkast til e-mails, resuméer, produktbeskrivelser eller billedidéer. Resultater kan indeholde fejl og bør kontrolleres før brug.
