Episode Description: In this episode, the hosts examine the complex relationship between quantitative data metrics and the human realities they aim to measure. The discussion focuses on the process of commensuration, where qualitative experiences, professional judgments, and complex social interactions are transformed into standardized numbers, ratings, and performance indicators.

The hosts explore how the drive to measure and optimize can inadvertently distort organizational priorities, creating proxies that measure easily countable behaviors rather than true value or wellbeing. The conversation details how algorithmic risk scoring and predictive metrics can obscure structural issues, shift responsibility onto individuals, and create feedback loops that reinforce existing biases, as illustrated by examples such as predictive risk modeling in municipal child welfare cases in Silkeborg Kommune and Hjørring Kommune.

Furthermore, the episode addresses the phenomenon of surveillance capitalism and behavioral tracking, analyzing how data metrics shape human behavior in both public institutions and private platforms. The hosts conclude by highlighting the critical need for ethical governance, domain expertise, and human judgment to balance quantitative metrics with contextual understanding, ensuring that data serves as a meaningful tool rather than a distorting lens.

I denne episode tager værterne lytteren med på en dybdegående rejse ind i ledelsens rolle, ansvar og strategiske tilgange, når organisationer skal udvikles til at blive reelt datadrevne. Samtalen undersøger den nødvendige transformation fra at træffe beslutninger baseret på traditionel leder-intuition og mavefornemmelse til at opbygge en evidensbaseret beslutningskultur.

Værterne stiller skarpt på det grundlæggende spændingsfelt mellem at anvende data i et klassisk styringsparadigme med fokus på kontrol, rapportering og faste nøgletal over for at bruge data som et eksplorativt lærings- og udviklingsværktøj. Med udgangspunkt i begrebet datafantasi belyses det, hvordan organisationer ved at arbejde langs datadiamantens forskellige akser kan anvende både strukturelle og ustrukturerede data til at afdække og gentænke komplekse organisatoriske problemstillinger. Dette illustreres med konkrete eksempler som undersøgelser af trivsel i Helsingør Kommune samt arbejdet med Smart City-initiativer og datarammer i Københavns Kommune.

Derudover drøftes det, hvordan ledelsen skal navigere i interne modstridende opfattelser af data og teknologi, samt hvordan sammenkoblingen af dyb fagekspertise og moderne teknologianvendelse kan skabe markante effektforbedringer i både kvalitet og produktivitet. Episoden afrundes med centrale læringspunkter for ledere, der ønsker at skabe reel forretningsmæssig og organisatorisk værdi gennem data.

Episodebeskrivelse: I denne episode tager værterne lytteren med på en dybdegående udforskning af, hvordan ny teknologi og sprogmodeller forandrer vores tilgang til dataanalyse og organisatorisk læring. Samtalen bevæger sig fra den klassiske anvendelse af strukturelle Excel-ark og fastlåste nøgletal til opbygningen af en mere eksplorativ og nuanceret datafantasi.

Episoden stiller skarpt på det grundlæggende tekniske og matematiske spørgsmål om, hvordan computere og sprogmodeller genkender mønstre i ustrukturerede data. Værterne forklarer, hvordan tekst og data omdannes til talværdier og vektorer i flerdimensionale rum, hvor algoritmer beregner sandsynligheder og statistiske sammenhænge uden at besidde menneskelig forståelse. Derudover behandles den videnskabsteoretiske debat om teoriens rolle i dataalderen, hvor påstanden om, at store datamængder gør teoretiske modeller overflødige, udfordres. I stedet vises det, hvordan data og algoritmer fungerer som eksplorative undersøgelsesredskaber, der skaber produktiv dissonans og udfordrer organisationens eksisterende antagelser.

Sammenspillet mellem menneske og maskine belyses med fokus på opbygningen af velfungerende socio-tekniske systemer. Gennem princippet om at kombinere stærk fag- og domæneekspertise med kompetent AI-anvendelse vises det, hvordan organisationer kan opnå markante effektforbedringer i både kvalitet og produktivitet. Dette illustreres blandt andet med eksempler fra undersøgelser af trivsel i Helsingør Kommune. Afslutningsvis afdækkes de skjulte antagelser, klassifikationsvalg og utilsigtede skævheder, der ligger begravet i algoritmisk modeludvikling fra dataindsamling til fortolkning, samt vigtigheden af kritisk faglig refleksion.

I denne episode stiller værterne skarpt på de usynlige strukturer, der former vores digitale hverdag og beslutningsprocesser. Data er aldrig blot neutrale tal eller objektive kendsgerninger – de er resultatet af menneskelige valg, kategoriseringer og standarder, som ofte forbliver skjult i baggrunden.

Værterne undersøger først, hvordan klassifikationssystemer opstår, og hvilke konsekvenser det har, når virkeligheden presses ind i faste kasser. Hvad sker der med det arbejde eller de informationer, der ikke passer perfekt ind i systemerne? Gennem eksempler fra sundhedssektoren – blandt andet arbejdet med at skabe faste klassifikationer og standarder for sygepleje – belyses dilemmaet mellem at gøre usynligt arbejde synligt og målbart kontra risikoen for at reducere kompleks faglighed til bureaukratiske kategorier. Episoden gennemgår her fire tilgange til at opdage disse skjulte infrastrukturer ved at fokusere på systemernes skævheder, deres fysiske og digitale materialitet, deres historiske forudsætninger samt de kontroverser, der opstår, når systemerne svigter.

Derefter vendes blikket mod de algoritmer, der sorterer og prioriterer vores informationer. Værterne forklarer, hvordan algoritmer ikke blot er tekniske beregningsværktøjer, men indeholder indbyggede politiske filosofier og bestemte opfattelser af, hvad der er værdifuldt. Som eksempler diskuteres det, hvordan store digitale platforme som Google, Facebook og Twitter benytter vidt forskellige logikker – fra autoritet og citationer over socialt engagement til øjeblikkets aktuelle dagsordener – til at strukturere den information, vi møder.

Afslutningsvis drøftes det, hvordan man som fagperson kan forholde sig kritisk og konstruktivt til de underliggende antagelser i datamodeller. Lytteren får en dybere forståelse for, hvorfor arbejdet med data kræver mere end blot teknisk indsigt: Det kræver opmærksomhed på de valg, værdier og usynlige grænser, der ligger indlejret i moderne teknologiske systemer.

Episodebeskrivelse: I denne episode dykker værterne ned i en tankevækkende og faglig analyse af, hvordan digitale platforme og deres bagvedliggende algoritmer fungerer som skjulte politiske filosofier og sociologiske værktøjer. Samtalen tager afsæt i forståelsen af, at algoritmer ikke blot er neutrale filtre for information, men aktive infrastrukturer, der konstruerer specifikke udgaver af den digitale offentlighed.

Værterne gennemgår de iboende ordningsprincipper, der styrer de store platforme, illustreret med eksempler som Googles fokus på autoritet og relevans, Facebooks prioritering af sociale relationer og nære netværk samt Twitters fremhævelse af dagsordener og meningsudvekslinger. Episoden belyser, hvordan disse teknologiske valg strukturerer vores adgang til viden og samfundsdebat.

Derudover udforskes alternative beregnings- og visualiseringsmetoder, herunder semantiske netværkskort og visuel datakortlægning. Værterne forklarer, hvordan man ved at eksperimentere med alternative algoritmiske designprincipper kan skabe stærke topologier, der gør det muligt at opdage strukturelle udelukkelser, oversete perspektiver og nuancerede fagområder, som konventionelle popularitetskonkurrencer usynliggør. Afslutningsvis diskuterer værterne, hvordan viden om algoritmers politiske logik understøtter en mere bevidst, kritisk og værdifuld anvendelse af data i både offentlige og private organisationer.

I denne episode tager værterne dig med på en grundig og faglig rejse gennem den teknologiske udvikling af kunstig intelligens og maskinlæring, fra de tidligste matematiske principper til nutidens mest avancerede verdensmodeller. Episoden giver en dyb forståelse af de centrale databegreber og træningsmetoder, der ligger bag moderne datadrevne systemer.

Værterne starter med at afmystificere, hvad der reelt sker under træningen af en AI-model. De gennemgår kredsløbet mellem parametre, tabsfunktioner, backpropagation og optimeringsalgoritmer som gradient descent. Der stilles desuden skarpt på den vigtige skelnen mellem fire fundamentale begreber: træning, validering, test og inferens, herunder hvorfor hurtig eller realtidsbaseret inferens ikke må forveksles med løbende eller kontinuerlig træning.

Derefter udforskes den historiske og faglige udvikling i netværksarkitekturer. Episoden dækker Frank Rosenblatts perceptron fra 1950'erne og dens lineære begrænsninger, opgavespecifik deep learning som konvolutionelle neurale netværk (CNN) og forstærkningslæring med Deep Q-networks. Værterne forklarer overgangen fra dyre mærkede datasæt til selv-superviseret læring gennem modeller som Word2vec og BERT, samt generative tilgange som GANs, diffusionsmodeller og multimodal træning som CLIP.

Lytteren får også indsigt i processen med eftertræning, herunder superviseret finjustering og reinforcement learning from human feedback (RLHF), som former rå grundmodeller til reelle assistenter. Episoden rundes af med en fokuseret gennemgang af nyere world models, der evner at repræsentere og forudsige dynamiske miljøer og handlinger, illustreret med enkelte eksempler på teknologier fra aktører som DeepMind og NVIDIA.

Afslutningsvis perspektiveres der til 10 til 100-princippet som ledetråd for, hvordan kombinationen af fagekspertise og optimal AI-anvendelse kan løfte både produktivitet og kvalitet i en datadrevet organisation.

I denne episode tager værterne et dybdegående kig på forholdet mellem store datamængder, kunstig intelligens og værdien af den menneskelige fagekspertise. Selvom avancerede algoritmer og Big Data giver os mulighed for at opdage mønstre med uovertruffen hastighed, rejses det helt centrale spørgsmål: Kan statistiske korrelationer erstatte en egentlig forståelse af årsag og virkning, eller gør datamængderne os i virkeligheden endnu mere afhængige af menneskelig dømmekraft?

Diskussionen dækker en bred række af de muligheder og faldgruber, der opstår, når organisationer og fagpersoner forlader sig på datadrevne modeller. Værterne gennemgår blandt andet, hvordan mønsterigenkendelse bruges succesfuldt i e-handel som eksempelvis Amazon til tilpassede anbefalinger, men også hvordan anvendelse af historiske data kan skabe alvorlige blinde vinkler. Som eksempel belyses det, hvordan algoritmisk risikovurdering i kommunale børnesager kan indbygge aldersmæssig bias og skabe selvopfyldende profetier, hvis softwaren blindt vægter fortidens mønstre uden hensyntagen til børnenes reelle situation.

Derudover sætter episoden fokus på fænomenet automation bias – faren for, at fagpersoner som eksempelvis jurister eller sagsbehandlere udviser blind tillid til AI-genererede svar og dermed slukker for deres egen kritiske sans.

Afslutningsvis præsenteres et strategisk pejlemærke for arbejdet med datadrevet forretningsudvikling: 10-til-100-princippet. Her vises det, hvordan ibrugtagning af AI i sig selv kan give beskedne effektiviseringer på omkring 10 %, men at det først er i krydsfeltet mellem dyb domæneindsigt og stærke kompetencer i AI-anvendelse, at man kan frigøre produktivitets- og kvalitetsløft på over 100 %. Lytterne får dermed en klar forståelse for, hvorfor kritisk sans og faglig sparrepartner-rolle er uundværlig, når algoritmer integreres i komplekse beslutningsprocesser.

I denne episode dykker værterne ned i de grundlæggende principper for maskinlæring og dyb læring (deep learning) med fokus på, hvordan datadrevne modeller opdager mønstre, tilpasses og skaber praktisk værdi.

Episoden afdækker først de væsentlige forskelle mellem klassisk maskinlæring og deep learning. Du får en gennemgang af, hvordan maskinlæring arbejder med strukturerede data og enklere algoritmetyper som lineære modeller og beslutningstræer, mens deep learning udnytter flerlagede neurale netværk til at behandle store mængder ustrukturerede data. Værterne belyser også de datamæssige og ressourcemæssige overvejelser, der afgør, hvornår man bør vælge den ene teknologi frem for den anden.

Derefter gennemgås de centrale læringsprincipper i dybden:

* Superviseret læring: Læring ud fra kendte facit (labels) til klassifikation og regression, samt hvorfor prøvning på usete data er afgørende for at undgå overtilpasning.
* Ikke-superviseret læring: Identifikation af strukturer, grupper og afvigelser i data uden facit via clustering og anomalidetektion.
* Halv-superviseret og aktiv læring: Metoder til at optimere modeltræning, når mærkede data er knappe eller omkostningstunge.
* Forstærkningslæring: Hvordan handlende systemer opbygger en optimal strategi over tid baseret på belønninger og omkostninger.

De faglige begreber illustreres undervejs med praktiske eksempler fra hverdagen, herunder eksempler som automatisk sortering af supporthenvendelser i en virksomhed samt registrering af usædvanlig sensordrift på et kølelager.

Episoden giver en helhedsorienteret forståelse af, hvordan man matcher det rette læringsprincip med den konkrete opgave og datadisciplin.