Slik velger du en KI-modell til forskning

Image: "A view of the server room at The National Archives" by The National Archives (UK) (CC BY 3.0) via Wikimedia Commons, recoloured.

Oppdatert 6. november 2026. Velg modell ved å teste arbeidet den skal utføre. Et overbevisende svar i en chat er et utgangspunkt. Forskning krever også sporbare kilder, egnet databehandling og dokumentasjon av arbeidsprosessen.

Start med en liten, realistisk oppgave

Beskriv inndata, ønsket resultat og en feil som ville gjøre resultatet ubrukelig. I en litteraturgjennomgang kan oppgaven være å hente ut utvalg, metode og begrensninger fra en artikkel, med sidehenvisninger. Ved tekstklassifisering kan den være å tilordne en kode og samtidig bevare tekstutdraget som støtter valget.

Lag et pilotutvalg med vanlige tilfeller, tvetydige tilfeller og tilfeller der riktig svar er «utilstrekkelig grunnlag». Hold noen eksempler utenfor mens du utvikler instruksjonen. Bruk samme materiale og instruksjoner når du sammenligner verktøy.

Kontroller kontoen og driftsløsningen

Dokumenter leverandør, produkt, kontotype, aktiverte funksjoner og avtalen som gjelder prosjektet. Undersøk bruk til modelltrening, lagringstid, lagringssted, sletting, tilgangskontroll og underleverandører hver for seg. Et betalt abonnement eller reservasjon mot modelltrening fastslår ikke alene at løsningen oppfyller institusjonens krav.

Anthropic skiller for eksempel mellom kommersielle produkter og forbrukerkontoer. Dokumentasjonen om API-lagring beskriver også funksjonsspesifikk lagring og unntak. Les reglene for akkurat tjenesten du skal bruke: kommersiell datalagring, API-lagring.

Bruk godkjente eksempeldata i piloten. Dersom data må forbli i institusjonen, avklar godkjent driftsløsning med IT eller forskningsstøtte. Ved lokal modellkjøring må du fortsatt kontrollere tilkoblede tjenester, logger og sikkerhetskopier. Maskinvarebehovet avhenger av modell, kvantisering og arbeidsmengde.

Vurder resultatene ut fra forskningsbehovet

• Kildepresisjon: Kan hver opplysning finnes igjen i kilden?

• Dekning: Hvilke viktige felt eller vanskelige tilfeller mangler?

• Usikkerhet: Gjenkjenner verktøyet manglende informasjon?

• Stabilitet: Endrer gjentatte kjøringer svar som har betydning?

• Arbeidsinnsats: Hvor mye menneskelig korrigering krever hvert resultat?

• Ressurser: Hva koster piloten faktisk, og hvor lang tid tar den?

Kontekstvinduets størrelse er en grense for inndata. Test om verktøyet finner relevant dokumentasjon gjennom hele dokumentet. Bevar dokumentidentifikatorer når du behandler en samling, og undersøk utelatelser før du sammenstiller resultatene.

Bevar en etterprøvbar arbeidslogg

Lagre modellidentifikatoren tjenesten viser, dato, instruksjoner, kildeversjoner, innstillinger, resultater og vurderingsbeslutninger. Lås versjoner der det støttes, og dokumenter endringer når en versjon ikke lenger er tilgjengelig. Lav temperatur kan fortsatt gi ulike resultater. Gjenta viktige kontroller.

Velg den rimeligste arbeidsflyten som oppfyller kravene til kvalitet og dataforvaltning. Dokumenter beslutningen, og gjenta piloten etter vesentlige verktøyendringer.

Neste steg: bygg en kontrollert evidensmatrise, kontroller en KI-generert analyse, eller utforsk forskningsverktøyene.