I modsætning til mere generelle AI-værktøjer som ChatGPT er Fire Assistant målrettet mod at levere specialistviden inden for brandteknik i en dansk kontekst og er tilpasset dansk lovgivning. Her kan du læse mere om de tekniske forskellige.

ChatGPT

ChatGPT og Fire Assistent er designet til forskellige formål og bygger på forskellige teknologiske tilgange. ChatGPT anvender avancerede OpenAI-sprogmodeller, såsom GPT-4o, o1 og GPT-4, der er trænet på store, varierede datasæt. Denne brede træning gør ChatGPT i stand til at generere svar på en lang række emner og gør den velegnet til generelle forespørgsler.

Dog er ChatGPT baseret på en statisk videnbase, hvilket betyder, at den ikke kan opdatere sin viden løbende eller trække direkte på eksterne datakilder under samtaler. Dette sikrer stabilitet og konsistens i svarene, men begrænser dens evne til at levere specifikke eller lokalt forankrede informationer, såsom detaljeret dansk brandlovgivning.

Fire Assistent er specialiseret til at håndtere brandtekniske spørgsmål og adskiller sig fra ChatGPT ved sin målrettede tilgang til dansk brandlovgivning og relateret praksis. Modellen benytter en RAG-tilgang (Retrieval-Augmented Generation), hvor den kombinerer en avanceret AI-model, baseret på GPT-4o, med en database, der indeholder opdateret og autoritativ viden om dansk brandlovgivning.

Denne struktur gør Fire Assistent i stand til at levere faglige og relevante svar, der er direkte baseret på specifikke lovtekster og brandfaglige vejlederninger. Fire Assistent kan på sigt udvides med DBI’s interne ekspertise og unikke viden om brandsikkerhed. Viden som ChatGPT ikke har adgang til. Dette vil på sigt sikrer, at Fire Assistent ikke blot leverer svar, der er korrekte i forhold til lovgivningen, men også afspejler DBI’s omfattende erfaring og praksis inden for området.

Denne fokuserede tilgang gør Fire Assistent til et specialiseret værktøj, der er skræddersyet til fagfolk, der arbejder med brandsikkerhed og har brug for pålidelige og kontekstspecifikke svar.

Når du stiller et spørgsmål til Fire Assistant, begynder systemet med at analysere indholdet for at vurdere, om det er relateret til brandteknik.

Systemet anvender avanceret databehandling til at fortolke og integrere informationen fra de relevante dokumenter. 

Denne proces indebærer en dybere analyse og sammenkobling af tekniske data. Rent teknisk er Fire Assistant bygget op om en såkaldt RAG-model, der står for Retrieval-Augmented Generation. Det betyder, at den slår op i de BR18-relaterede tekster om brandforhold, hver gang en bruger stiller et spørgsmål (retrieval). Derefter bearbejder den informationen til den rette kontekst (augmentation) og danner et svar til brugeren (generation). 

I modsætning til fx ChatGPT, som er trænet på en meget stor tekstmængde og herefter bruger ’summen’ af den indbyggede viden til sit bedste gæt på et svar, give RAG-modellen mere præcise og pålidelige svar, fordi den i hvert opslag finder den bedste teksthenvisning og ikke på samme måde som ChatGPT kan finde på at ’hallucinere’.

Svaret præsenteres for brugeren, uanset om det er baseret på specifikke brandtekniske standarder eller bredere generel viden.

Denne specialiserede tilgang, hvor både brandspecifikke data og en generel AI-sprogmodel kombineres, udvider anvendelsesmulighederne for Fire Assistant. Dette gør systemet ideelt til fagfolk inden for brandteknik eller dem, der har brug for relevant og fagligt funderet svar på komplekse spørgsmål inden for dette område.