Hvad vi lavede#
Første gang gik med at få styr på hvad kurset egentlig handler om — AI-drevne applikationer, hvordan LLM’er bruges i rigtig software, og hvad eksamen kommer til at se ud. Ret hurtigt efter gik vi i gang: alle skulle have et portfolio-site op at køre, som vi kan bruge til at dokumentere det vi bygger hen ad vejen.
Stacken:
- Hugo — statisk site-generator, hurtige builds og nemt at deploye
- Blowfish — et Hugo-tema med dark mode og et fedt profilayout
- GitHub Pages — gratis hosting direkte fra repo’ets
docs/-mappe
Fra nul til live site tog ca. 30 minutter. Installer Hugo, klon Blowfish, konfigurer params.toml, kør hugo, push til GitHub og slå Pages til. Ret simpelt.
Refleksion — Hvad jeg håber at få ud af det her#
Inden kurset har jeg mest brugt LLM’er som en lidt klogere autocomplete — få svar på spørgsmål, generere boilerplate, forstå fejlmeddelelser. Det er praktisk, men det er bare et lag ovenpå den samme arbejdsgang som altid.
Det jeg synes er interessant er skridtet videre: AI ikke bare som hjælp mens man koder, men som en del af selve applikationen. En LLM der selv læser data, tager beslutninger og kalder andre systemer — det er en anden slags arkitektur end det vi normalt arbejder med.
Et par ting jeg er nysgerrig på:
Prompt engineering som design. Måden man formulerer en opgave til en LLM har lige så meget at sige for resultatet som koden rundt om. Det lyder mere som at skrive specifikationer end instruktioner.
Hvornår skal man ikke bruge en LLM. Ikke alt skal være AI. Jeg tror den svære del er at finde ud af præcis hvor det giver mening og hvor det bare er unødigt komplekst.
Hvordan tester man det her. Normal software har unit tests. LLM-output er ikke deterministisk. Jeg aner ikke rigtigt hvordan man definerer “korrekt” i det setup, og det vil jeg gerne finde ud af.
Den ting jeg er mest skeptisk over for er hype. Mange “AI-drevne” produkter er bare et tyndt lag oven på en API. Jeg håber kurset giver mig nok indsigt til at se forskel på det og noget der faktisk er gennemtænkt.