Grounding
Sådan sikrer I, at AI svarer fra jeres dokumenter og ikke kun fra sin træning.
Indhold
- Sådan virker grounding i praksis
- Hvorfor I bør kræve grounding, når AI skal svare om jeres fakta
- Grounding er ikke det samme som RAG eller træning
- Eksempel: Grounding hos en IT-ansvarlig i en mindre produktionsvirksomhed
- Sådan kommer I i gang med grounding
- Hvad du skal være opmærksom på
- Ofte stillede spørgsmål om Grounding
Grounding er, når en sprogmodel bygger sine svar direkte på konkrete, verificerbare kilder, websøgning, jeres egne dokumenter eller en given database, instead of kun på mønstre den har lært under træning. Målet er, at modellen peger på hvor svaret kommer fra eller direkte citerer materialet, så I kan kontrollere fakta i efterkant.
Sådan virker grounding i praksis
Grounding betyder, at modellen får ekstra input før den svarer: en liste med dokumenter, søgeresultater eller relevante tekstuddrag. Modellen bruger det input til at formulere sit svar og angive kilden i svaret, i stedet for at digte et svar ud fra dens generelle viden. En hverdagssammenligning: modellen svarer ikke længere som en person, der håber at huske rigtigt, men som en person, der åbner en mappe og læser højt fra den relevante side.
Hvorfor I bør kræve grounding, når AI skal svare om jeres fakta
Leverandører siger "grounded" i deres marketing, og store udbydere som OpenAI, Google og Microsoft tilbyder funktioner der gør det muligt. Som leder skal du stille det krav, når svaret skal være jeres fakta: priser, kontraktvilkår, garantier eller interne processer. Ellers risikerer I, at modellen blander generel viden fra træningen med jeres virkelighed, og så har I et svar der lyder overbevisende, men som ikke kan dokumenteres.
Grounding er ikke det samme som RAG eller træning
Grounding er en samlebetegnelse. RAG (Retrieval-Augmented Generation) er en teknik til at hente relevant tekst før generering, og det er en måde at lave grounding på. Træning er derimod den proces, hvor modellen lærer mønstre fra store datasæt over tid. Grounding bruger kilder i det øjeblik, svaret laves; træning ændrer modellen langsigtet. Det betyder også, at grounded svar kan kontrolleres efterfølgende, mens træningsbaserede svar er sværere at teste.
Eksempel: Grounding hos en IT-ansvarlig i en mindre produktionsvirksomhed
IT-ansvarligens opgave var at gøre søgbar produkt- og garantidokumentation klar til en intern assistent. Midt i en mandag skulle hun samle mapper: ti PDF'er med tekniske tegninger, tre Excel-prislister fra 2019 og to scannede servicehistorikker. Leverandøren satte en RAG-løsning op, så assistenten kunne hente relevante sider. Første uge gik med justeringer: søgeresultater pegede forkert på ældre manualer, og citater blev ikke formateret, så slutbrugeren blev forvirret. Fejlen kostede tre dage i ekstra korrespondance, men gav også klarhed: hver kilde måtte mærkes med version og dato, og et kort feedbackfelt blev tilføjet, så kolleger kunne markere forkerte matches. Resultatet var en assistent, der nu ofte henviser til en specifik PDF og en sidetalsangivelse, men projektet krævede tid til oprydning og klare regelsæt for hvilke dokumenter der må bruges.
Sådan kommer I i gang med grounding
- Identificer klare kildesæt: hvilke mapper, databaser og web-udsigter må modellen bruge. Begræns fra starten.
- Vælg teknikken: RAG, direkte upload af dokumenter eller live websøgning. Beslut ud fra hvor opdaterede kilderne skal være.
- Stil krav til kildeangivelse: modellen skal pege på dokument, side eller URL i svaret. Det gør I ikke til en nice-to-have.
- Test med rigtige spørgsmål: giv assistenten 20 ofte stillede spørgsmål og tjek om kilderne er relevante og præcise.
- Lav regler for vedligehold: hvem opdaterer dokumenter, og hvordan fjerner I forældet materiale.
En skæv sammenligning: Grounding er lidt som at give AI et fysisk bibliotek, og så bede den sige præcis hvilken hylde den fandt sit citat på. Det lyder simpelt, men kræver struktur og vedligeholdelse.
Hvad du skal være opmærksom på
Grounding reducerer risikoen for hallucinationer, men fjerner den ikke helt. Hvis kilderne er forældede, modstridende eller dårligt strukturerede, giver modellen stadig upræcise svar. Sørg for versionstyring, metadata og en simpel feedback-loop, så brugerne kan pege på forkerte kilder. Og forlang altid, at leverandøren dokumenterer hvordan kilder hentes og caches, så I kan vurdere sikkerhed og privatliv.
Vil I arbejde videre med grounding på jeres egne opgaver, er det dét, en AI-workshop går ud på. Skal I beslutte, hvor meget grounding må fylde hos jer, er det den slags valg, AI-rådgivning handler om.
Ofte stillede spørgsmål om Grounding
Er grounding det samme som RAG (Retrieval-Augmented Generation)?
Nej. RAG er en konkret teknik til at hente tekst før modellen genererer et svar. Grounding er det overordnede mål: at få svar bundet til verificerbare kilder. RAG kan være en måde at lave grounding på.
Koster grounding ekstra penge eller tid?
Ja, typisk både tid og penge. I skal bruge tid på at samle og strukturere kilder, sætte løsningen op og teste. Derudover kan leverandører tage ekstra for søgning, lagring og kildeangivelse.
Kan vi bruge grounding uden udviklere?
For simple sager ja: nogle værktøjer tillader upload af dokumenter og klar konfiguration uden kode. Ved integration til interne databaser eller avanceret søgning vil I ofte få brug for IT-hjælp.
Hvordan ved jeg, at et svar virkelig er grounded?
Kravet er, at svaret medfølger en kildeangivelse: dokumentnavn, sidetal eller URL. Test ved at stille spørgsmål, hvor I allerede kender svaret, og se om modellen peger på den rigtige kilde.
AI-rådgiver og underviser, grundlægger af AI Hero i Herning. Har bygget digitalt i over 20 år og hjælper danske virksomheder med at få AI i drift. Læs mere om Brian.