Mere end 350 begreber fra A som agent til Z som zero-shot – klart forklaret, med henvisninger til, hvor KI.ordo kan hjælpe.
Account-based marketing (ABM) retter marketing og salg mod et udvalgt sæt erhvervskunder i stedet for brede målgrupper. Orkestrering betyder, at alle kontaktpunkter koordineres: hvilket medlem af indkøbsgruppen der får hvilket budskab, via hvilken kanal og hvornår. AI hjælper ved at samle oplysninger om målvirksomheder, skrive udkast til rollespecifikke budskaber og planlægge sekvenser på tværs af e-mail, telefon, events og sociale netværk.
Adaptiv læring betegner læringsprogrammer, der løbende tilpasser sig den lærendes viden, tempo og fejl. Softwaren analyserer svarene og vælger derefter passende øvelser, forklaringer eller repetition. Det bruges i skoler, på universiteter og i virksomhedsuddannelse – for eksempel når en platform automatisk tilbyder et lettere mellemtrin, efter at en opgave er besvaret forkert. Inden for maskinlæring beskriver begrebet også modeller, der løbende tilpasser sig nye data.
Adversarial machine learning undersøger, hvordan AI-modeller kan vildledes af bevidst manipulerede input eller træningsdata – og hvordan man beskytter dem. Velkendte eksempler er næsten usynlige billedændringer, der vender en klassificering, eller forgiftede træningsdata. Emnet bliver relevant for organisationer, så snart AI understøtter sikkerhedsrelevante beslutninger. Modforanstaltninger omfatter robust træning, inputkontrol, overvågning og regelmæssige sikkerhedstest.
Afhængighedsparsing (dependency parsing) er en teknik inden for naturlig sprogbehandling, der gengiver en sætnings grammatiske struktur som afhængigheder mellem ordene. Hvert ord knyttes til et styrende ord, f.eks. subjekt og objekt til verbet: I 'Kunden bestiller to lamper' afhænger 'kunden' og 'lamper' af 'bestiller'. Det hjælper ved udtrækning af information, f.eks. til at afgøre, hvem der har gjort hvad.
En afsnitsomskriver er et AI-værktøj, der omformulerer en eksisterende tekstpassage uden at ændre dens indhold. Almindelige formål er en anden tone, en kortere version, et enklere sprog eller færre gentagelser. Det er nyttigt, for eksempel når en intern teknisk tekst skal gøres tydeligere for kunderne. Indhold og fakta bør stadig tjekkes bagefter, da omformuleringer kan forskyde nuancer.
»Agentisk« beskriver AI-systemer, der gør mere end at besvare et enkelt spørgsmål: De forfølger et mål over flere trin, planlægger, bruger værktøjer som websøgning eller API'er, tjekker delresultater og beslutter, hvad der skal ske derefter. Et eksempel er en assistent, der kategoriserer en henvendelse, slår oplysninger op og forbereder et svarudkast. Klare grænser, logning og menneskelig godkendelse på kritiske punkter er afgørende.
AI i cybersikkerhed har to sider. På den ene side hjælper AI-teknikker med at opdage angreb hurtigere, f.eks. ved at spotte afvigelser i netværkstrafik, mistænkelige logins eller phishing-mails, og aflaster sikkerhedsteams ved vurdering af alarmer. På den anden side skal selve AI-systemerne beskyttes, f.eks. mod prompt injection eller datalæk. AI er kun effektiv her i kombination med klare processer, opdaterede systemer og uddannede medarbejdere.
AI i detailhandlen dækker anvendelser i hele detailkæden: salgsprognoser og lagerplanlægning, personlige produktanbefalinger, dynamisk prissætning, opdagelse af svindel i webshops og kundeservice via chat. Detailhandlere kan mindske overlager og varemangel og besvare henvendelser hurtigere. Det kræver rene data og omhyggelig omgang med kundeoplysninger. Eksempel: En chatassistent besvarer spørgsmål om leveringstider og returnering døgnet rundt.
AI i produktion dækker anvendelser i produktion og industri, f.eks. prædiktiv vedligeholdelse baseret på sensordata, automatiseret kamerabaseret kvalitetskontrol, optimering af procesparametre og produktionsplanlægning samt robotter, der arbejder side om side med mennesker. Målene er færre nedbrud, mindre spild og mere stabil drift. Det kræver pålidelige maskindata og inddragelse af eksperter på værkstedsgulvet. Eksempel: Et system genkender ud fra vibrationsmønstre, at et leje snart kan svigte.
AI i sundhedsvæsenet dækker anvendelser, der støtter klinisk personale og administration, f.eks. ved analyse af medicinske billeder, dokumentation, aftaleplanlægning eller evaluering af forskningsdata. Sådanne systemer giver fingerpeg og letter arbejdsbyrden, men erstatter ikke klinisk skøn og lover ikke helbredelse. Mange medicinske AI-anvendelser er underlagt regulering af medicinsk udstyr og strenge databeskyttelsesregler for helbredsdata. Eksempel: Software fremhæver påfaldende områder på røntgenbilleder til gennemgang af specialister.
AI i transport dækker anvendelser inden for logistik, trafik og mobilitet: rute- og turplanlægning, trafikprognoser, prædiktiv vedligeholdelse af køretøjer og infrastruktur samt førerassistentsystemer helt op til autonome køretøjer. Målene er kortere ruter, færre tomkørsler, lavere omkostninger og større sikkerhed. Mange anvendelser er sikkerhedskritiske og derfor strengt reguleret. Eksempel: En pakketjeneste omplanlægger hver dag sine leveringsruter ud fra forsendelsesmængde og trafikforhold.
AI i underholdning betegner brugen af AI inden for film, musik, spil, streaming og medier. Typiske anvendelser er anbefalingssystemer, der foreslår indhold efter smag, støtte til redigering, visuelle effekter og dubbing, genererede spilverdener eller figurer samt musik- og billedgenerering. Samtidig rejser det spørgsmål om ophavsret, udøvende kunstneres samtykke og deepfakes. Eksempel: En streamingplatform tilpasser sin startskærm til hver enkelt profil.
Begrebet beskriver, hvordan AI-systemer kan påvirke menneskerettigheder som privatliv, ligebehandling, ytringsfrihed eller retfærdig rettergang, både positivt og negativt. Risici opstår f.eks. af diskriminerende afgørelser, masseovervågning, biometrisk identifikation eller manglende mulighed for at anfægte afgørelser. Internationale rammer som Europarådets rammekonvention om AI og EU's AI-forordning behandler disse spørgsmål. Organisationer reagerer med konsekvensanalyser, gennemsigtighed og menneskeligt tilsyn.
AI red teaming er en struktureret undersøgelse af et AI-system set fra potentielle angriberes eller misbrugeres perspektiv. Specialister tester under kontrollerede forhold, om en chatbot afslører fortrolige instruktioner, kan lokkes til uønsket adfærd, leverer forkerte fakta eller eksponerer data. Resultaterne bruges til bedre instruktioner, filtre og tilladelser. En sikkerhedsaudit af en chatbot er en lettere form: Den vurderer konfiguration og eksempelsamtaler ud fra kendte risikoområder som OWASP Top 10 for LLM Applications.
En AI-model med faste instruktioner og adgang til udvalgt viden, som løser en bestemt opgave.
Et AI-automatiseringssystem kombinerer traditionel procesautomatisering med AI-evner som tekstforståelse, klassifikation eller beslutningsstøtte. Det gør det muligt også at automatisere arbejdsgange med ustrukturerede input som e-mails, formularer eller henvendelser. En typisk opbygning er en kæde af udløser, behandlingstrin, betingelser og output med menneskelig godkendelse på kritiske punkter. Eksempel: Indkomne henvendelser kategoriseres, opsummeres og videresendes automatisk til den rette afdeling.
AI-baseret feedback til elever betegner kommentarer til opgaver, afleveringer eller projekter, som et AI-system genererer ud fra fastlagte kriterier. De lærende får hurtigere fingerpeg om styrker, struktur, argumentation eller sprog, og lærerne aflastes for gentaget rettearbejde. Vurderingen bør være gennemsigtig og kriteriebaseret; karakterer og afgørelser om præstationer forbliver lærernes ansvar. Eksempel: Et udkast til en opgave får forbedringsforslag før aflevering.
AI-baseret marketing bruger AI-teknikker til at forstå målgrupper bedre, skabe indhold og styre kampagner. Typiske anvendelser er segmentering, personlig kommunikation, prognoser for købssandsynlighed, analyse af kundefeedback og annonceoptimering. Den bygger på lovligt indsamlede data og klare mål, og resultater bør verificeres gennem test. Eksempel: En netforhandler sender nyhedsbreve med produktanbefalinger, der passer til tidligere købsadfærd.
AI-certificeringsprocesser er procedurer, hvor et uafhængigt organ kontrollerer, om en organisation eller et AI-system opfylder fastlagte krav. Et udbredt eksempel er certificering efter ISO/IEC 42001 (udgivet 2023), der beskriver et ledelsessystem for ansvarlig brug af AI; kravene til de certificerende organer er fastlagt i ISO/IEC 42006 (2025). Et sådant certifikat er frivilligt og erstatter ikke den overensstemmelsesvurdering, som AI-forordningen kræver for højrisikosystemer (status oktober 2026).
En AI-dataanalytiker er et AI-system eller en assistent, der analyserer data som regneark, eksporter eller nøgletal og forklarer resultaterne i klart sprog. Den beregner summer og ændringer, identificerer tendenser og afvigelser og foreslår næste skridt. Det giver forretningsteams uden statistisk ekspertise hurtigere svar. Sprogmodeller kan dog lave regnefejl, så tal bør kontrolleres en ekstra gang. Eksempel: Månedligt salg indsættes som CSV og kommenteres.
En AI-drevet startup er en ung virksomhed, hvis produkt eller forretningsmodel grundlæggende bygger på kunstig intelligens, f.eks. specialiserede assistenter til en branche, analyseværktøjer eller automatiserede tjenester. Sådanne startups bygger ofte på eksisterende fundamentmodeller og differentierer sig gennem domæneviden, data, brugervenlighed og integration. Udfordringer er afhængighed af modeludbydere, omkostning pr. forespørgsel og regulering. Eksempel: En startup, der automatisk udarbejder inspektionsrapporter til håndværksvirksomheder.
Begrebet dækker de økonomiske konsekvenser af at bruge kunstig intelligens: produktivitetsgevinster, nye produkter og forretningsmodeller, ændrede opgaver og kompetencekrav og forskydninger i konkurrencen. Omfanget og fordelingen af disse virkninger er omstridt og afhænger stærkt af branche, investeringer og uddannelse. For den enkelte organisation er det mest afgørende den målbare nytte af konkrete anvendelser. Eksempel: Kortere behandlingstider i kundeservice mindsker omkostningen pr. henvendelse.
AI-etik beskæftiger sig med de moralske spørgsmål omkring udvikling og brug af AI: retfærdighed og diskrimination, gennemsigtighed og forklarlighed, databeskyttelse, ansvar for fejl, sikkerhed og konsekvenserne for arbejde og samfund. For organisationer bliver det konkret i retningslinjer, risikovurderinger, menneskeligt tilsyn og ærlig kommunikation om AI's begrænsninger. Eksempel: Før et værktøj til screening af CV'er indføres, kontrolleres det, om det stiller bestemte grupper dårligere.
En AI-firewall er et beskyttelseslag mellem brugere, datakilder og en AI-model. Den screener input for manipulationsforsøg som prompt injection eller jailbreaks og kontrollerer output, f.eks. for fortrolige data eller uønsket indhold, før det sendes videre. Den kan bruge regler, klassifikationsmodeller eller en anden sprogmodel. En AI-firewall mindsker risikoen, men giver ikke fuldstændig beskyttelse og erstatter hverken begrænsede tilladelser eller test.
AI-forskningsstøtte og -finansiering finansierer forskningsprojekter, grupper af yngre forskere eller samarbejder inden for kunstig intelligens. I Tyskland finansierer f.eks. den tyske forskningsfond (DFG) Emmy Noether-grupper om AI-metoder som led i sit AI-initiativ, mens forbundsministeriet for forskning, teknologi og rumfart (BMFTR) uddeler støtte gennem tematiske støtteprogrammer. På EU-niveau udskriver Horizon Europe og Det Europæiske Forskningsråd (ERC) udbud. Frister og betingelser ændres løbende (status oktober 2026).
AI-gennemsigtighed betyder at oplyse, hvornår AI er involveret, hvilke data og kilder dens resultater bygger på, og hvordan beslutninger træffes. Det omfatter mærkning af AI-indhold, sporbare kildehenvisninger, logfiler og dokumenterede ændringer. Gennemsigtighed skaber tillid, letter fejlfinding og er delvis lovpligtig, f.eks. gennem AI-forordningens gennemsigtighedspligter, hvorefter folk skal kunne se, at de interagerer med en AI.
En AI-kvalitetssikringsspecialist kontrollerer, om AI-applikationer fungerer pålideligt, korrekt og hensigtsmæssigt. Rollen omfatter testspørgsmål og benchmarks, sammenligning af forskellige modeller, analyse af brugervurderinger samt opsporing af hallucinationer og forringelse over tid. For eksempel besvares 50 typiske kundehenvendelser af begge modeller før et skift til en ny model og sammenlignes med faste kriterier.
AI-markedssegmentering bruger AI til at opdele et marked eller en kundebase i grupper med ensartede egenskaber, behov eller adfærd. Traditionelt sker det med klyngemetoder på kundedata; sprogmodeller kan desuden udlede segmenter af beskrivelser, undersøgelser eller henvendelser og foreslå budskaber og kanaler. Resultaterne er hypoteser, som bør valideres med virkelige data. Eksempel: En softwareudbyder skelner mellem prisbevidste begyndere og vækstorienterede teams.
Et AI-partnerskab er et samarbejde mellem organisationer om sammen at udvikle, indføre eller ansvarligt udforme AI-løsninger, f.eks. mellem virksomheder og teknologileverandører, universiteter eller forskningsinstitutter. Partnerne deler ekspertise, data, infrastruktur eller omkostninger. Klare aftaler om databrug, immaterielle rettigheder, ansvar og exitmuligheder er afgørende. Begrebet refererer også til initiativer som Partnership on AI, en nonprofitorganisation grundlagt i 2016.
En AI-penetrationstest er en bestilt, kontrolleret sikkerhedsvurdering, hvor specialister bevidst afprøver et AI-system for svagheder, f.eks. prompt injection, lækage af fortrolige data eller en agent med for vidtgående tilladelser. I modsætning til bredere red teaming fokuserer den på et klart afgrænset område med dokumenterede fund og afhjælpning. Den er umagen værd, før en chatbot går live, og efter større ændringer.
AI-projektledelse i forskning og udvikling dækker to ting: at styre projekter, hvor AI bygges, og at bruge AI til at støtte F&U-projekter. Typiske opgaver er at opsummere litteratur, strukturere forsøgsplaner, følge milepæle og dokumentere resultater. Faglige beslutninger og godkendelser bør forblive hos mennesker.
En AI-reguleringsramme omfatter de love, standarder og tilsynsstrukturer, der styrer, hvordan AI udvikles og bruges. I EU er den centrale lov AI-forordningen (forordning (EU) 2024/1689), der følger en risikobaseret tilgang: Forbud har gjaldt siden februar 2025, forpligtelser for AI-modeller til almen brug siden august 2025 og gennemsigtighedspligter siden august 2026. Efter »Digital Omnibus« (forordning (EU) 2026/1744) gælder forpligtelserne for højrisikosystemer fra 2. december 2027 eller 2. august 2028 (status oktober 2026; ikke juridisk rådgivning).
En flowblok, der tildeler en tekst en af flere kategorier og forgrener tilsvarende.
En AI-rådgiver hjælper organisationer med at bruge AI fornuftigt og ansvarligt. Typiske opgaver er vurdering af potentiale, valg af egnede anvendelsesområder og værktøjer, forankring i eksisterende processer og ansvarsområder, spørgsmål om databeskyttelse og compliance samt undervisning. God rådgivning afvejer fordele og risici nøgternt og tager højde for de mennesker, der arbejder med systemerne. Eksempel: En mellemstor virksomhed afklarer, hvilke kundehenvendelser der pålideligt kan automatiseres.
En AI-SDR (sales development representative) er en AI-agent, der overtager opgaver fra den tidlige salgsfase: at besvare indgående henvendelser, kvalificere emner, udarbejde samtalemanuskripter og opfølgningsmails eller forberede møder. Den aflaster salgsteamet, men erstatter ikke dets dømmekraft og relationsarbejde. Når man kontakter nye kontakter i Tyskland og EU, skal databeskyttelse og regler mod uopfordret markedsføring overholdes.
En AI-systemingeniør designer og driver AI-applikationer som et samlet system: forbinder modeller med datakilder, grænseflader og eksisterende software, sikrer sikkerhed, overvågning og omkostningskontrol og får prototyper over i stabil drift. I modsætning til ren modeludvikling ligger fokus på integration. Et eksempel er at forbinde en supportagent med ticketsystemet, inklusive logning og adgangsrettigheder.
AI-søgning betegner søgemetoder, der bruger AI til at fatte hensigten bag en forespørgsel, vægte resultater og ofte generere et sammenfattet svar med kilder i stedet for en almindelig liste af links. Teknisk bruger de nøgleordssøgning, vektorsøgning over embeddings eller en kombination, ofte efterfulgt af en sprogmodel. Eksempler er svarmotorer på nettet og intern vidensøgning, der hjælper medarbejdere med at finde det, de skal bruge, i manualer og politikker.
Pr. oktober 2026. Teknisk set flytter fokus sig fra chatbots til AI-agenter, der løser opgaver i flere trin og bruger værktøjer via standarder som Model Context Protocol. Ifølge data fra Crunchbase gik omkring 64 % af den globale venturekapital i 3. kvartal 2026 til AI-startups. I EU har forpligtelserne for AI-modeller til almen brug gældt siden august 2025; fristerne for højrisikosystemer blev udskudt til december 2027 og august 2028.
AI-tilsynsmyndigheder er offentlige organer, der overvåger overholdelsen af AI-regler. På EU-niveau koordinerer Europa-Kommissionens AI-kontor gennemførelsen af AI-forordningen og fører tilsyn med AI-modeller til almen brug. I Tyskland gør gennemførelsesloven KI-MIG (i kraft siden 29. juli 2026) Forbundsnetagenturet (Bundesnetzagentur) til den centrale markedsovervågningsmyndighed, mens sektortilsyn som BaFin fortsat har ansvaret. Under Digital Omnibus gælder forpligtelserne for højrisikosystemer først fra december 2027 eller august 2028 (status oktober 2026; ikke juridisk rådgivning).
AI-udbredelsesgraden angiver, hvor stor en andel af virksomheder, medarbejdere eller husstande der bruger AI, og fungerer som et mål for, hvor udbredt teknologien er. Ifølge det tyske statistikkontor (Destatis) brugte 20 % af de tyske virksomheder med ti eller flere ansatte AI i 2024 (2023: 12 %). Digitalforeningen Bitkom fandt en andel på 36 % i 2025 blandt virksomheder med 20 eller flere ansatte. Forskellige definitioner og stikprøver gør, at undersøgelser kun delvis kan sammenlignes.
AI-understøttet indholdsproduktion betyder at producere tekst, billeder eller andet indhold ved hjælp af generativ AI, f.eks. til websites, nyhedsbreve, produktbeskrivelser eller sociale medier. AI leverer hurtigt udkast, varianter og oversættelser, mens faglig ekspertise, brandets stemme og faktatjek fortsat er menneskelige opgaver. Det hjælper med klar vejledning om målgruppe, tone og kilder. Eksempel: Stikord om et nyt tilbud bliver til et udkast til et blogindlæg og tre opslag på sociale medier.
Aktiveringsfunktioner bestemmer, hvor kraftigt en neuron i et kunstigt neuralt netværk sender sit signal videre. De tilføjer ikke-linearitet – først da kan netværket gengive komplekse sammenhænge som sprog eller billeder. Almindelige eksempler er ReLU, der sætter negative værdier til nul, sigmoid til sandsynligheder mellem 0 og 1 og GELU, der bruges i mange transformermodeller. Valget påvirker træningens hastighed og stabilitet.
Algoritmisk gennemsigtighed betyder, at det er muligt at forstå, hvordan et automatiseret system når frem til et resultat: hvilke data det bruger, hvilke regler det følger, og hvor dets begrænsninger ligger. Det skaber tillid, gør fejl lettere at spore og er i stigende grad et lovkrav, for eksempel gennem oplysningspligterne i GDPR og EU's AI-forordning. I praksis hjælper dokumentation, kildehenvisninger, logfiler og tydelige oplysninger til de berørte.
AllenNLP er et open source-Python-bibliotek til forskning i naturlig sprogbehandling, udviklet af Allen Institute for AI oven på PyTorch. Det tilbød færdige komponenter og modeller til opgaver som tekstklassificering, koreferenceopløsning og besvarelse af spørgsmål. Siden slutningen af 2022 er AllenNLP ikke længere blevet aktivt udviklet og er i vedligeholdelsestilstand; udviklerne henviser til alternativer som AI2 Tango, flair eller Hugging Face Transformers (pr. oktober 2026).
Amazon Kindle Direct Publishing (KDP) er Amazons platform, hvor forfattere selv kan udgive e-bøger, paperbacks og hardcovers. Titler, beskrivelser, nøgleord og kategorier skal følge platformens egne regler. Den, der genererer indhold med AI – tekst, omslagsbilleder eller oversættelser – skal oplyse det til Amazon ved udgivelsen; rent AI-assisteret arbejde som brainstorming eller korrekturlæsning er undtaget (pr. oktober 2026). De gældende retningslinjer bør tjekkes før hver udgivelse.
Amazon SageMaker er Amazon Web Services' (AWS) cloudtjeneste til at bygge, træne og implementere maskinlæringsmodeller. I slutningen af 2024 blev den oprindelige tjeneste omdøbt til »Amazon SageMaker AI«; siden da har »Amazon SageMaker« betegnet en bredere platform for data, analyse og AI med brugerfladen SageMaker Unified Studio (pr. oktober 2026). Den bruges primært af data science-teams, der kører modeller på AWS-infrastruktur.
Anaconda er en udbredt distribution af programmeringssprogene Python og R til dataanalyse og maskinlæring, udgivet af Anaconda Inc. Den samler pakkehåndteringen conda med forudinstallerede biblioteker som NumPy, pandas og Jupyter og gør det nemt at have separate miljøer pr. projekt. Organisationer med mere end 200 ansatte skal have en betalt licens til Anaconda Distribution og dens standardpakkekanal; conda selv og fællesskabskanalen conda-forge er fortsat gratis at bruge (pr. oktober 2026).
Anomalidetektion finder datapunkter, hændelser eller mønstre, der afviger markant fra normen. Det kan være usædvanligt store transaktioner, pludselige spring i sensormålinger, dublerede poster eller mistænkelig netværksaktivitet. Det bruges inden for finans, IT-sikkerhed, produktion og kvalitetskontrol. Metoderne spænder fra simple statistiske tærskler til lærende modeller; fund er indikationer, som en person bør vurdere.
Anomalidetektion i billeder leder efter afvigelser fra normaltilstanden i fotos eller kameraoptagelser – såsom ridser, revner eller misfarvninger på emner i produktionen eller uregelmæssigheder i medicinske billeder. Ofte lærer en model først af mange fejlfri eksempler og markerer derefter alt, der afviger. Det er nyttigt, fordi reelle fejl er sjældne og næppe kan beskrives fuldstændigt på forhånd.
En tabel, der for hver opgave fastlægger, hvem der er udførende (R), ansvarlig (A), rådspurgt (C) og informeret (I). Kaldes også RACI.
Antropomorfisme er tendensen til at tillægge maskiner menneskelige egenskaber som følelser, hensigter eller forståelse. Med chatbots sker det helt naturligt, fordi de skriver flydende og personligt. Det kan gøre interaktionen mere behagelig, men indebærer risici: Folk kan stole for meget på svarene eller dele følsomme oplysninger. Tydelige oplysninger om, at brugerne har med AI at gøre, og ærlige udsagn om dens begrænsninger hjælper med at modvirke dette.
Anyword er en AI-skriveplatform til marketingtekster, der er udsprunget af virksomheden Keywee, grundlagt i 2013. Den producerer korte tekster som annoncer, emnelinjer til e-mails, overskrifter og produktbeskrivelser og giver varianterne en forventet score for, hvor godt de kan appellere til en målgruppe. Den tilbyder også indstillinger for brand voice og analyse af eksisterende indhold (pr. oktober 2026). Sådanne forudsigelser er skøn og erstatter ikke test under virkelige forhold.
En hemmelig kode, der giver andre programmer lov til at kalde KI.ordo.
Et applikationsspecifikt integreret kredsløb (ASIC) er en chip, der er designet til én bestemt opgave i stedet for generelle beregninger som en CPU. Inden for AI er ASIC'er skræddersyet til de beregninger, neurale netværk udfører – Googles Tensor Processing Units (TPU'er) er et eksempel. Til den opgave kører de hurtigere og mere energieffektivt end generelle chips, men de er dyre at udvikle og svære at tilpasse til nye arbejdsbelastninger.
Arealet under kurven (area under the curve, AUC) er en måleværdi for klassifikationsmodeller og refererer som regel til ROC-kurven. Det angiver, hvor godt en model adskiller positive fra negative tilfælde, uafhængigt af en bestemt tærskelværdi. En værdi på 1 betyder perfekt adskillelse; 0,5 er ikke bedre end at gætte. Eksempel: En model for kundeafgang med en AUC på 0,85 rangerer en tilfældigt valgt kunde, der forlader virksomheden, som mere risikabel end en loyal i 85 % af tilfældene.
En associativ hukommelse henter lagrede oplysninger ud fra deres indhold i stedet for en adresse: Et delvist eller støjfyldt signal er nok til at genkalde det tilsvarende hele – ligesom de første takter kan bringe en hel sang tilbage. Hopfield-netværk er et klassisk eksempel i AI-forskningen. Princippet findes også i hardware (indholdsadresserbar hukommelse) og i analyser af attention-mekanismen i moderne sprogmodeller.
Automatisering af kundeservice betyder, at software helt eller delvist håndterer tilbagevendende kundehenvendelser – for eksempel via chatbots, svarforslag eller forsortering af tickets. Almindelige spørgsmål om åbningstider, leveringsstatus eller returnering kan besvares døgnet rundt, mens teamet får mere tid til de svære sager. Pålidelige videnskilder og en nem overdragelse til mennesker er afgørende.
Automatisk klassificering tildeler tekster, dokumenter eller poster foruddefinerede kategorier uden manuel sortering. Traditionelt lærer modeller dette ud fra mærkede eksempler; store sprogmodeller kan også tildele kategorier alene ud fra en beskrivelse. Typiske anvendelser er at sortere indgående e-mails efter type henvendelse, kontere bilag eller markere hastende supporttickets. I vigtige sager anbefales stikprøvekontrol udført af mennesker.
B2B-databerigelse tilføjer oplysninger til eksisterende virksomhedsposter – for eksempel i et CRM – såsom branche, udbud, beliggenhed, virksomhedsstørrelse eller website. Det gør segmentering, lead scoring og målrettet salgsindsats lettere. Kilderne omfatter offentlige websites, registre og specialiserede dataudbydere. Persondata om kontaktpersoner er omfattet af GDPR og bør behandles sparsomt og kun med et retsgrundlag.
Backpropagation er standardmetoden, som neurale netværk lærer med. Efter hver forudsigelse måles fejlen og sendes baglæns gennem netværkets lag, så det fremgår, hvor meget hver vægt har bidraget til den. En optimeringsmetode som gradient descent justerer derefter vægtene trin for trin. Uden backpropagation ville det i praksis være umuligt at træne nutidens sprog- og billedmodeller.
Bagging (kort for bootstrap aggregating) er en ensemblemetode inden for maskinlæring: Mange modeller trænes på tilfældigt udtrukne stikprøver af træningsdataene, og deres forudsigelser tages som gennemsnit eller kombineres ved flertalsafstemning. Det gør resultaterne mere stabile og mindsker overfitting. Det bedst kendte eksempel er random forest, som kombinerer mange beslutningstræer – for eksempel til at forudsige kundeafgang eller priser.
Batch normalization er en teknik til træning af dybe neurale netværk, der for hver batch af data skalerer et lags mellemværdier til et ensartet gennemsnit og en ensartet spredning. Det gør træningen mere stabil og ofte hurtigere, og netværket bliver mindre følsomt over for sine startværdier. Teknikken blev introduceret i 2015 og er almindelig i netværk til billedgenkendelse; transformere bruger som regel den beslægtede layer normalization.
Bayesianske netværk er grafiske modeller, der repræsenterer variabler som knuder og deres sandsynlighedsmæssige afhængigheder som rettede pile. Ved hjælp af Bayes' sætning viser de, hvordan nye observationer ændrer sandsynligheden for andre hændelser. Et eksempel er diagnosestøtte: at anslå den mest sandsynlige årsag ud fra observerede symptomer. Deres styrker er gennemsigtighed og evnen til at håndtere usikre eller ufuldstændige data.
Inden for AI betyder benchmarking en systematisk sammenligning af modeller eller systemer ud fra definerede opgaver og kriterier. Offentlige benchmarks måler for eksempel almen viden, ræsonnement eller programmeringsevner; til praktisk brug er testcases fra din egen hverdag dog det vigtigste. Typiske kriterier er nøjagtighed, fuldstændighed, svartid og omkostninger. Det hjælper med at afgøre, om en mindre og billigere model er god nok til en opgave.
BERT (Bidirectional Encoder Representations from Transformers) er en sprogmodel, som Google introducerede i 2018. I modsætning til tidligere modeller tager den hensyn til konteksten både til venstre og højre for et ord på samme tid, hvilket hjælper den med at løse tvetydigheder. BERT er designet til at forstå tekst snarere end til at skrive længere passager. Den bruges til søgning, tekstklassificering, genkendelse af navngivne entiteter og besvarelse af spørgsmål og har præget mange efterfølgende modeller.
Et beslutningstræ er en model, der fremstiller en beslutning som en række enkle ja/nej-spørgsmål: Hver gren tester ét træk, og hvert blad giver et udfald. I maskinlæring læres sådanne træer automatisk ud fra data og bruges til klassifikation eller prognoser. Deres største styrke er gennemsigtighed – f.eks. kan de vise, hvorfor en låneansøgning blev markeret ud fra indkomst, løbetid og betalingshistorik.
Inden for AI betegner bias en systematisk skævhed i resultaterne. Den skyldes ofte ubalancerede eller historisk skæve træningsdata, men kan også stamme fra modellens design eller fra, hvordan et spørgsmål formuleres. Et kendt eksempel: Et værktøj til screening af ansøgere, der lærer af tidligere ansættelsesbeslutninger, kan videreføre eksisterende ulemper for bestemte grupper. Inden for statistik betyder bias også et estimats afvigelse fra den sande værdi. Modforanstaltninger omfatter forskelligartede data, regelmæssige audits og menneskelige beslutninger i personalesager.
En bidirektionel LSTM (BiLSTM) er et rekurrent neuralt netværk, der læser en sekvens både forlæns og baglæns og kombinerer de to perspektiver. Dermed tages der også hensyn til den kontekst, der følger efter hvert ord. Før transformerne tog over, var den et standardvalg til opgaver som ordklassemærkning, genkendelse af navngivne entiteter og talegenkendelse. Ved meget lange tekster og store datasæt klarer transformere sig nu som regel bedre.
BigML er en maskinlæringsplatform fra virksomheden af samme navn, grundlagt i 2011 og med hovedsæde i Corvallis, Oregon (USA). Via en webbrugerflade eller en API kan brugerne bygge modeller som beslutningstræer, ensembler, klyngeanalyse eller anomalidetektion uden megen programmering. Platformen lægger vægt på fortolkelige modeller og automatiserbare arbejdsgange. Den tilbydes som cloudtjeneste og til drift i eget datacenter (pr. oktober 2026).
Billedgenkendelse er et område inden for computer vision, hvor software identificerer, hvad et billede viser – objekter, personer, tekst, logoer eller scener. Det bygger som regel på neurale netværk, der er trænet på et stort antal mærkede billeder. Anvendelserne spænder fra kvalitetskontrol i produktionen og sortering af produktfotos til understøttelse af medicinsk billeddiagnostik. Ved billeder af personer kræver databeskyttelse og mulig bias særlig opmærksomhed.
BLEU-scoren (Bilingual Evaluation Understudy) er et mål udviklet hos IBM i 2002 til automatisk evaluering af maskinoversættelser. Den måler, hvor mange ordsekvenser i en oversættelse der også forekommer i en eller flere menneskelige referenceoversættelser, og giver en værdi mellem 0 og 1 (ofte vist som 0–100). BLEU er hurtig og sammenlignelig, men indfanger hverken betydning eller stil særlig godt – gode omskrivninger kan score lavt.
Blokering af AI-bots betyder at forhindre AI-udbyderes crawlere i at læse dit website, som regel gennem regler i filen robots.txt for user agents som GPTBot, ClaudeBot eller Google-Extended. Filen er en anmodning, ikke en teknisk spærring; strengere kontrol kræver firewall- eller serverregler. Afvejningen: Blokering beskytter indhold mod at blive brugt til træning, men kan mindske synligheden i AI-søgning og AI-genererede svar. Det giver ofte mening at behandle træningscrawlere og søgecrawlere forskelligt.
BMXNet er et open source-bibliotek til binære neurale netværk, udgivet i 2017 af Hasso Plattner Institute i Potsdam og bygget på frameworket Apache MXNet. Binære netværk gemmer vægte og aktiveringer med en enkelt bit i stedet for 32, hvilket gør modellerne langt mindre og hurtigere – attraktivt til smartphones og indlejrede enheder, dog som regel på bekostning af en vis nøjagtighed. Da MXNet blev udfaset i 2023, er BMXNet nu primært af forskningsmæssig interesse (pr. oktober 2026).
Boosting er en ensemblemetode inden for maskinlæring, hvor mange simple modeller trænes efter hinanden, og hver ny model fokuserer på de tilfælde, som forgængerne tog fejl af. Tilsammen danner de en langt mere præcis samlet model. Kendte varianter er AdaBoost og gradient boosting med biblioteker som XGBoost eller LightGBM. Boosting er særlig stærk på tabeldata, for eksempel prognoser for kreditrisiko, salg eller kundeafgang.
Botpress er en platform til at bygge chatbots og AI-agenter fra den canadiske virksomhed af samme navn med hovedsæde i Montreal. I et visuelt arbejdsområde kan brugerne designe samtaleforløb, forbinde videnskilder og koble agenter til kanaler som websites eller beskedapps via integrationer; afregningen er forbrugsbaseret. Den tidligere open source-version 12 til selvhosting er udgået – nye projekter kører på Botpress Cloud (pr. oktober 2026).
En brag book er en løbende opdateret samling af ens faglige resultater: afsluttede projekter, nøgletal, positiv feedback, priser og kurser. Den fungerer som grundlag for medarbejdersamtaler, lønforhandlinger, jobansøgninger eller forfremmelser. En velafprøvet struktur er situation, opgave, handling og resultat. Kun oplysninger, der kan dokumenteres, bør medtages, og tal bør ikke pyntes på.
Cache-augmented generation (CAG) er en tilgang, hvor en sprogmodel ikke søger efter viden ved hvert spørgsmål. I stedet indlæses en overskuelig videnbase på forhånd i modellens kontekstvindue, og denne tilstand caches, så svarene ikke kræver et separat søgetrin. Begrebet blev udbredt af en forskningsartikel fra slutningen af 2024 som et alternativ til retrieval-augmented generation (RAG). CAG egner sig til små, stabile videnbaser; ved store eller hyppigt skiftende data er RAG som regel stadig mere praktisk.
Caffe (Convolutional Architecture for Fast Feature Embedding) er et open source-framework til deep learning, udviklet af Yangqing Jia ved University of California, Berkeley, og udgivet i 2013. Det var især populært til billedgenkendelse med konvolutionelle neurale netværk, da det kørte hurtigt, og modellerne blev defineret i konfigurationsfiler. Den sidste version, 1.0, udkom i 2017; efterfølgeren Caffe2 blev lagt sammen med PyTorch i 2018. Caffe bruges i dag sjældent til nye projekter.
Chainer er et open source-framework til deep learning i Python, udviklet af den japanske virksomhed Preferred Networks. Det gjorde tilgangen »define-by-run« populær, hvor det neurale netværk bygges, mens beregningen kører, hvilket gør det lettere at eksperimentere med fleksible modelstrukturer. Siden december 2019 er Chainer kun blevet vedligeholdt, ikke videreudviklet; Preferred Networks gik over til PyTorch, som følger samme princip.
En chatbot er et program, der modtager spørgsmål i tekst eller tale og besvarer dem i en dialog. Simple chatbots følger faste regler og beslutningstræer, mens moderne chatbots bruger store sprogmodeller og forstår frit formulerede henvendelser. Typiske anvendelser er kundeservice, interne helpdesks og tidsbestillinger – for eksempel en websitechat, der døgnet rundt besvarer spørgsmål om leveringstider.
ChatGPT er en AI-assistent fra den amerikanske virksomhed OpenAI, lanceret i november 2022, som bragte generativ AI ud til et bredt publikum. Den bygger på store sprogmodeller fra GPT-serien og besvarer spørgsmål, skriver og redigerer tekster, opsummerer dokumenter og hjælper med programmering. ChatGPT findes i browseren og som app, i gratis og betalte versioner samt i udgaver til teams og virksomheder.
Claude er en familie af store sprogmodeller fra den amerikanske AI-virksomhed Anthropic. Modellerne forstår og skriver tekst på mange sprog, analyserer dokumenter, skriver kode og kan bruge værktøjer, for eksempel til research eller automatisering. Bedst kendt er modelfamilierne Haiku, Sonnet og Opus, der adskiller sig i hastighed, omkostninger og ydeevne. Anthropic lægger særlig vægt på sikkerhed og pålidelig modeladfærd.
Claude Haiku er den hurtigste og billigste af Anthropics tre Claude-modelfamilier ved siden af Sonnet og Opus. Den egner sig til opgaver med store mængder, der kræver korte svartider, såsom sortering af e-mails, udtræk af data fra tekster eller viderestilling af henvendelser til det rette sted. Den aktuelle generation er Claude Haiku 5.5 (pr. oktober 2026).
Claude Opus er den mest kapable af Anthropics tre Claude-modelfamilier: Haiku, Sonnet og Opus. Den er designet til krævende opgaver, der kræver ræsonnement i flere trin, såsom komplekse analyser, store programmeringsprojekter eller agenter, der arbejder selvstændigt over længere tid. Til gengæld er den langsommere og dyrere end de mindre familier. Den aktuelle version er Claude Opus 5.5 (pr. oktober 2026).
Claude Sonnet er den mellemste af Anthropics tre Claude-modelfamilier og kombinerer stærk ydeevne med korte svartider og moderate omkostninger. Den egner sig til en bred vifte af daglige forretningsopgaver: udkast til tekster, analyse af dokumenter, besvarelse af videnspørgsmål eller skrivning af kode. Anthropic udgiver jævnligt nye versioner; den aktuelle er Claude Sonnet 5.5 (pr. oktober 2026).
Clearbit er en tjeneste til B2B-databerigelse: Ud fra en e-mailadresse eller et domæne tilføjer den oplysninger som branche, virksomhedsstørrelse eller beliggenhed. Salgs- og marketingteams bruger sådanne data til at score leads, forkorte formularer og knytte websitebesøg til virksomheder. Clearbit blev opkøbt af HubSpot i 2023; funktionerne tilbydes nu som Breeze Intelligence i HubSpot (pr. oktober 2026).
Klyngeanalyse (clustering) er en metode inden for unsupervised learning, der inddeler datapunkter i grupper ud fra deres lighed uden foruddefinerede kategorier. Den afslører mønstre, som ingen har sat navn på før – for eksempel kundesegmenter med lignende købsadfærd. Ved tekster hjælper klyngeanalyse med at sortere hundredvis af kundehenvendelser i emner som levering, fakturering eller klager og viser, hvor tyngdepunktet ligger.
Compliancerapportering er den regelmæssige, sporbare dokumentation af, om en organisation overholder lovkrav, standarder og interne politikker. En typisk rapport angiver periode og omfang, status for hvert krav, afvigelser samt tiltag med ansvarlige og frister. Den fungerer som dokumentation over for ledelse, bestyrelse, revisorer eller myndigheder, for eksempel inden for databeskyttelse eller informationssikkerhed.
Computer vision er et område inden for AI, hvor computere fortolker billeder og video. Typiske opgaver er at genkende og lokalisere objekter, læse tekst i billeder og måle komponenter. Teknologien bruges for eksempel til kvalitetskontrol i produktionen, i førerassistentsystemer, i logistik og i medicinsk billeddiagnostik.
Constitutional AI er en træningsmetode til sprogmodeller, som Anthropic offentliggjorde i 2022; den har intet med forfatningsret at gøre. Den bygger på et skriftligt sæt principper, »forfatningen« (constitution): Modellen kritiserer og reviderer sine egne svar ud fra disse principper, derefter sammenligner en AI par af svar, og denne feedback bruges som belønningssignal til reinforcement learning (RLAIF). Det mindsker behovet for menneskelig mærkning af skadeligt indhold; i januar 2026 offentliggjorde Anthropic en revideret forfatning for Claude.
Copilot er det brand, som Microsoft samler sine AI-assistenter under. Det omfatter en generel assistent til nettet og Windows, Microsoft 365 Copilot til arbejdet i Word, Excel, Outlook eller Teams og Copilot Studio til at bygge egne agenter; GitHub Copilot hjælper med programmering. Assistenterne bygger på store sprogmodeller og kan, afhængigt af varianten, tilgå organisationens data i Microsoft 365 (status oktober 2026).
Copy.ai er en amerikansk AI-platform, der startede som tekstgenerator til marketingtekster som annoncer, e-mails eller produktbeskrivelser. Fokus rykkede senere over på automatiserede workflows til salg og marketing, som virksomheden samler under betegnelsen 'GTM AI'. I oktober 2025 blev Copy.ai købt af revenue operations-udbyderen Fullcast (status oktober 2026).
Copysmith er en amerikansk udbyder af AI-værktøjer, som blev kendt for en tekstgenerator til marketing- og e-handelstekster, f.eks. produktbeskrivelser og annoncer. I 2022 overtog Copysmith skrive- og SEO-værktøjerne Rytr og Frase. I dag fungerer virksomheden som paraplyorganisation for flere produkter, bl.a. Describely til produkttekster i online detailhandel (status oktober 2026).
CrewAI er et open source-framework i Python, der kombinerer flere AI-agenter til et team (en 'crew'). Hver agent får en rolle, et mål og passende værktøjer; opgaver fordeles, og resultater gives videre. Derudover giver 'flows' mulighed for stramt styrede, hændelsesdrevne arbejdsgange. Eksempelvis indsamler en researchagent informationer, og en skriveagent gør dem til en rapport.
DALL-E er en serie af billedgenereringsmodeller fra OpenAI, som skaber billeder ud fra tekstbeskrivelser. Den første version udkom i 2021; DALL-E 3 blev integreret i ChatGPT i 2023 og gjorde tekst-til-billede tilgængeligt for et bredt publikum. OpenAI har siden erstattet DALL-E med nyere billedmodeller i GPT Image-serien; API-adgangen til DALL-E 2 og 3 ophørte i maj 2026 (status oktober 2026).
Dash er et open source-framework fra virksomheden Plotly til at bygge interaktive webapplikationer til dataanalyse i Python, uden at man selv skal skrive JavaScript. Diagrammer, filtre og skydere kobles direkte til Python-kode. Typiske eksempler er dashboards, hvor forretningsteams filtrerer salget efter region eller afprøver en maskinlæringsmodels forudsigelser med egne værdier.
En tjenesteudbyder behandler personoplysninger på vegne af en virksomhed. Det kræver en aftale efter GDPR artikel 28.
Databeskyttelsesregler er retlige bestemmelser om håndtering af personoplysninger. I EU er den generelle forordning om databeskyttelse (GDPR) den centrale ramme; den kræver bl.a. et behandlingsgrundlag for enhver behandling, dataminimering, gennemsigtighed over for de registrerede og databehandleraftaler med tjenesteudbydere. Ved brug af AI skal organisationer afklare, hvilke data der havner i input, videnskilder og logfiler, og hvor de behandles.
Datamangel opstår, når der er for få egnede eller mærkede data til, at en AI-opgave kan træne eller teste en model pålideligt. Det rammer f.eks. sjældne fejltyper i produktionen, nichesprog eller nye produkter uden salgshistorik. Afhjælpning kan være transfer learning, syntetiske data, dataforøgelse (data augmentation) eller fortrænede sprogmodeller, der giver brugbare resultater ud fra blot få eksempler.
Datamining er den systematiske søgen efter mønstre, sammenhænge og afvigelser i store datasæt. Det trækker på statistiske teknikker og maskinlæringsmetoder som klyngeanalyse, klassifikation eller associationsanalyse. Et klassisk eksempel er kurvanalyse i detailhandlen, som viser, hvilke produkter der ofte købes sammen – et grundlag for sortiment, placering og anbefalinger.
Datarensning er opsporing og rettelse af forkerte, duplikerede eller inkonsistente poster i datasæt. Typiske trin er at ensrette stavemåder og datoformater, fjerne overflødige mellemrum og samle dubletter som 'Hansen ApS' og 'Hansen A/S'. Rene data er en forudsætning for pålidelige analyser, udsendelser og AI-applikationer.
DataRobot er en amerikansk softwarevirksomhed, hvis platform hjælper organisationer med at bygge, drive og overvåge AI-applikationer. Den blev kendt for automatiseret maskinlæring (AutoML), som automatisk træner og sammenligner mange modelvarianter – f.eks. til at forudsige kundeafgang eller efterspørgsel. I dag fokuserer virksomheden også på drift og styring af AI-agenter (status oktober 2026).
Datastyring omfatter de regler, roller og processer, hvormed en organisation fastlægger, hvem der må indsamle, bruge, ændre og slette hvilke data. Det dækker ansvaret for datakvalitet, adgangsrettigheder, opbevaringsfrister og overholdelse af databeskyttelseskrav. Det er særligt vigtigt i AI-projekter, fordi modeller og agenter kun er så pålidelige som de data, de bygger på.
Dataudsivning (data exfiltration) er uautoriseret overførsel af data ud af et system. I AI-applikationer kan det ske, når en chatbot eller agent manipuleres af målrettede input eller forberedt indhold – f.eks. på en webside, den læser – til at afsløre eller videresende fortrolige oplysninger. Beskyttelsen omfatter minimale adgangsrettigheder, inputkontrol, begrænsning af udgående forbindelser og overvågning af svar.
Datavalidering kontrollerer, om data er fuldstændige, korrekt formaterede og plausible, før de behandles videre. Typiske kontroller omfatter obligatoriske felter, formatet på e-mailadresser, postnumre eller datoer samt logiske modsigelser – f.eks. en leveringsdato før bestillingsdatoen. Dermed fanges fejl tidligt i stedet for at slå igennem i rapporter, fakturaer eller AI-analyser.
Deep belief-netværk (DBN'er) er neurale netværk bestående af flere lag stablet oven på hinanden, som først fortrænes lag for lag uden supervision, som regel som såkaldte begrænsede Boltzmann-maskiner (restricted Boltzmann machines). Geoffrey Hinton og kolleger introducerede metoden i 2006; den viste, at dybe netværk kunne trænes effektivt, og bidrog dermed til deep learning-gennembruddet. I praksis er DBN'er siden stort set blevet afløst af andre arkitekturer.
Deep learning er en gren af maskinlæring, der bruger kunstige neurale netværk med mange lag. Sådanne netværk lærer ud fra store datamængder, hvilke træk der er vigtige – fra kanter i billeder til betydningsrelationer i tekster. Deep learning ligger til grund for nutidens sprogmodeller, billed- og talegenkendelse og maskinoversættelse og kræver som regel betydelig regnekraft og mange træningsdata.
Et deepfake er et billede, en video eller en lydoptagelse, der er skabt eller ændret med AI, og som overbevisende viser virkelige personer sige eller gøre ting, der aldrig er sket. Ved siden af legitime anvendelser i film eller dubbing bruges deepfakes til desinformation, ærekrænkelse og svindel – f.eks. falske opkald fra en påstået chef, der beder om en bankoverførsel. Beskyttelsen består af tilbageopkald via kendte kanaler, klare godkendelsesprocesser og mærkning af AI-genereret indhold.
En deterministisk model giver altid samme resultat ved samme input, fordi den følger faste regler eller formler og ikke indeholder tilfældighed – f.eks. reglen '5 % rabat på ordrer over 100 €'. Store sprogmodeller arbejder derimod sandsynlighedsbaseret: Deres svar på det samme spørgsmål kan variere. I praksis kombineres de to ofte for at balancere fleksibilitet med sporbarhed.
Developmental Reading Assessment (DRA) er en metode, der er udbredt i USA, og som lærere bruger til at fastslå børns læseniveau fra børnehaveklasse til 8. klasse; den udgives af Pearson. Børnene læser tekster på forskellige niveauer højt og besvarer spørgsmål til dem, og vurderingen dækker aspekter som flydende læsning og forståelse. Resultatet er et læseniveau, der vejleder valget af egnede bøger og støttetiltag.
Dimensionsreduktion nedbringer antallet af features i et datasæt uden at miste den væsentlige information. Kendte metoder er principalkomponentanalyse (PCA) samt t-SNE og UMAP, som ofte bruges til visualisering. Det fremskynder beregninger, mindsker risikoen for overfitting og gør data lettere at overskue – f.eks. når hundredvis af kundeegenskaber afbildes på et todimensionalt diagram, hvor ensartede kunder ligger tæt på hinanden.
Diskrimination i AI opstår, når et AI-system uberettiget stiller personer dårligere på grund af egenskaber som køn, etnisk oprindelse, alder eller handicap. Årsagerne er som regel skæve træningsdata, uegnede proxyvariabler som postnumre eller manglende test; kendte tilfælde stammer fra rekruttering og kreditgivning. Modforanstaltninger er repræsentative data, regelmæssige retfærdighedstest, gennemsigtighed og menneskeligt tilsyn med afgørelser, der berører personer.
Diskriminative modeller lærer at skelne datapunkter fra hinanden ved direkte at bestemme grænsen mellem klasser – de besvarer spørgsmålet 'Hvilken kategori hører dette input til?'. Eksempler er logistisk regression, støttevektormaskiner og mange neurale klassifikatorer, f.eks. til spamgenkendelse. Generative modeller opfanger derimod, hvordan selve dataene opstår, og kan derfor frembringe nye eksempler.
DL4J (Eclipse Deeplearning4j) er et open source-bibliotek til deep learning på Java Virtual Machine (JVM). Det gør det muligt at træne og køre neurale netværk i Java eller Scala, så det passer ind i eksisterende Java-baserede virksomhedssystemer. Projektet omfatter også værktøjer til import af modeller fra andre frameworks. Det vedligeholdes som et projekt under Eclipse Foundation.
Dokument-reranking er et andet sorteringstrin i søge- og RAG-systemer: En hurtig indledende søgning returnerer et sæt kandidatresultater, som en mere præcis, men dyrere metode derefter omsorterer efter relevans. Det sker ofte med en såkaldt cross-encoder, der vurderer spørgsmålet og en passage samlet. Dermed ender de mest relevante passager øverst, før en sprogmodel formulerer et svar ud fra dem.
Dokumentsøgning med NLP bruger teknikker inden for naturlig sprogbehandling til at finde information i dokumentsamlinger som svar på et frit formuleret spørgsmål. I stedet for kun at matche præcise ordfølger tager sådanne systemer højde for bøjningsformer, vægtning af sjældne ord eller lighed i betydning. Skriver man f.eks. 'Hvordan ansøger jeg om fri?', får man det relevante afsnit i personalehåndbogen, også selv om der står 'ferieansøgning'.
I retrieval-augmented generation (RAG) betyder dokumentvurdering, at man kontrollerer hentede passager for at se, om de passer til spørgsmålet og kan understøtte et svar. Kun passager, der vurderes som relevante, sendes videre til sprogmodellen; uegnede resultater kasseres eller udløser en ny søgning. Det mindsker risikoen for opdigtede svar eller svar med forkerte kilder, f.eks. når et forældet dokument dukker op på et spørgsmål om aktuelle priser.
Dropout er en regulariseringsteknik, der bruges ved træning af neurale netværk: I hvert træningstrin slås en tilfældig andel af neuronerne midlertidigt fra. Det forhindrer netværket i at støtte sig til enkelte forbindelser, så det lærer mere robuste mønstre. Det reducerer overfitting, dvs. at modellen blot lærer træningsdataene udenad. Når den færdige model senere bruges, er alle neuroner aktive igen.
Dybdeestimering bestemmer ud fra billeder, hvor langt objekter eller enkelte pixels er fra kameraet. Det kan ske med to kameraer (stereo), med dybdesensorer eller, ved hjælp af neurale netværk, endda ud fra et enkelt foto (monokulær dybdeestimering). Det er nødvendigt inden for robotteknologi, førerassistance, augmented reality og 3D-modeller af rum.
Et ekspertsystem er et computerprogram, der gemmer menneskelige specialisters knowhow som regler og fakta og drager konklusioner ud fra dem. Det består typisk af en vidensbase og en inferensmotor, der anvender reglerne. Ekspertsystemer prægede AI i 1970'erne og 1980'erne, f.eks. inden for medicinsk diagnose eller konfiguration af teknisk udstyr. Deres idéer lever videre i dag i regelbaserede kontroller og vidensgrafer.
Eksplorativ dataanalyse (exploratory data analysis, EDA) er det første, åbne blik på et datasæt: Man beregner sammenfattende tal, undersøger fordelinger og diagrammer og leder efter mønstre, outliers og manglende værdier – endnu uden en fast hypotese. Den hjælper med at vurdere datakvaliteten og finde fornuftige spørgsmål til videre analyse eller modellering. Eksempel: Før en salgsprognose afslører EDA, at én måned blev registreret ufuldstændigt på grund af en systemmigrering.
Ekstraktiv AI betegner metoder, der trækker eksisterende information ud af tekster eller dokumenter i stedet for at skrive nyt indhold. Outputtet kommer ordret eller i en fast struktur fra kilden – f.eks. fakturanumre fra PDF'er, nøglesætninger til et resumé eller den relevante passage som svar på et spørgsmål. Fordi intet opdigtes, er risikoen for forkerte udsagn lavere end ved rent generative tilgange; de to kombineres ofte.
En embeddingvektor (embedding) er en liste af tal, der repræsenterer betydningen af et ord, en sætning eller et dokument, så tekster med lignende indhold ligger tæt på hinanden. Det gør det muligt at genkende, at f.eks. 'opsigelse' og 'ophør af kontrakten' hænger sammen, selv om de ikke deler ord. Embeddings ligger til grund for mange semantiske søgesystemer, anbefalingstjenester og RAG-applikationer; de beregnes af specialtrænede modeller.
Embodied AI-agenter har en fysisk eller simuleret krop, hvormed de opfatter omgivelserne via sensorer og påvirker dem gennem bevægelse. Eksempler er lager- og husholdningsrobotter, humanoide robotter og figurer i simuleringer, hvor robotter trænes før brug i den virkelige verden. Udfordringen ligger i at kombinere perception, planlægning og sikker handling i en uforudsigelig verden.
Emergens beskriver egenskaber ved et system, som opstår af samspillet mellem mange simple dele, men som ikke kan ses i nogen enkelt del. I AI-forskning kaldes evner emergente, når store sprogmodeller over en vis størrelse løser opgaver som flertrinsregning eller oversættelse markant bedre end mindre modeller. Om sådanne spring er reelle, eller delvis afhænger af, hvordan de måles, diskuteres blandt forskere.
F-scoren er en måleværdi til evaluering af klassifikationsmodeller. Den almindelige F1-score er det harmoniske gennemsnit af præcision (hvor mange af de forudsagte træffere der er korrekte) og recall (hvor mange af de faktiske træffere der blev fundet) og ligger mellem 0 og 1. Den er især nyttig ved ubalancerede data: Et spamfilter, der næsten aldrig markerer spam, kan have høj nøjagtighed, men en lav F1-score.
Ved facetteret søgning indsnævrer brugerne resultaterne trin for trin med filtre, der er bygget af indholdets egenskaber – f.eks. kategori, pris, mærke, dato eller forfatter. Hver facet viser som regel, hvor mange resultater der er tilbage. Fremgangsmåden kendes fra webshops, men bruges også i biblioteker, intranet og dokumentarkiver til at gøre store samlinger overskuelige uden præcise søgeord.
fastai er et open source-bibliotek i Python til deep learning, bygget oven på PyTorch. Det samler gennemprøvede standardindstillinger, så modeller til billeder, tekst eller tabeldata kan trænes med få linjer kode, samtidig med at det tillader omfattende tilpasning på alle niveauer. Det voksede ud af læringsinitiativet fast.ai og følger dets gratis kurser, og derfor er det populært i undervisning og til hurtigt at afprøve modeller.
Feature engineering betyder at udvælge, omdanne og skabe egenskaber (features) ud fra rådata, så en læringsalgoritme lettere kan opdage mønstre. Feature-udtræk udleder kompakte, meningsfulde værdier af komplekse data som tekst, billeder eller signaler. Eksempel: Enkelte købsposter omdannes til features som 'dage siden sidste køb' eller 'gennemsnitlig ordreværdi', hvilket kan forbedre en prognose for kundeafgang mærkbart.
Feature-udtræk er processen, hvor man udleder meningsfulde værdier af rådata, så en model kan behandle dem effektivt. I stedet for millioner af enkeltpixel kan et system bruge kanter, farver eller former; tekster omdannes til ordvægte eller embedding-vektorer. Gode features reducerer datamængden, mindsker beregningsindsatsen og forbedrer ofte nøjagtigheden. Feature-udtræk er en central del af feature engineering.
Federeret læring er en træningstilgang, hvor en AI-model lærer på tværs af mange enheder eller lokationer, uden at rådata nogensinde forlader dem. Hver deltager træner lokalt og sender kun modelopdateringer til en central server, som samler dem. Det beskytter privatlivets fred og egner sig f.eks. til hospitaler, der sammen vil forbedre en diagnosemodel, eller til smartphonetastaturer, der lærer ordforslag.
Few-shot learning er en models evne til at løse en opgave ud fra blot en håndfuld eksempler. Med sprogmodeller sker det som regel direkte i inputtet: Man viser to eller tre par af spørgsmål og ønsket svar, og modellen anvender samme format og stil på nye tilfælde – uden omtræning. Eksempel: Tre korrekt kategoriserede kundehenvendelser er ofte nok til, at yderligere henvendelser sorteres på samme måde.
Finjustering (fine-tuning) betyder at videretræne en allerede fortrænet AI-model på yderligere, som regel opgavespecifikke data. Dens interne vægte justeres, så modellen f.eks. håndterer en bestemt skrivestil, fagterminologi eller outputformat mere pålideligt. Finjustering kræver omhyggeligt forberedte eksempeldata, regnekraft og test. Til mange anvendelser er velskrevne instruktioner og tilknyttet viden tilstrækkeligt og lettere at ændre.
Flesch læsbarhedsindeks vurderer, hvor let en tekst er at forstå, på baggrund af den gennemsnitlige sætningslængde og antallet af stavelser pr. ord. Rudolf Flesch udviklede det til engelsk i 1948, og der findes tilpassede formler til andre sprog. Skalaen går groft sagt fra 0 til 100 – jo højere score, desto lettere tekst. Det måler kun formen, ikke om indhold og fagsprog passer til den tiltænkte målgruppe.
En række forbundne trin, der kører gentagne gange, f.eks. »sortér og besvar en henvendelse«.
Flux er en familie af AI-modeller, der genererer og redigerer billeder ud fra tekstbeskrivelser. Den udvikles af Black Forest Labs med base i Freiburg im Breisgau i Tyskland. Den første generation udkom i august 2024 og FLUX.2 i november 2025, sammen med varianter til redigering af billeder via tekstinstruktion. Nogle versioner er tilgængelige med åbne vægte, delvis kun til ikke-kommerciel brug, mens andre udelukkende tilbydes via en API (status oktober 2026).
Forklarlighed (explainable AI, XAI) beskriver, hvor godt man kan forstå, hvorfor et AI-system nåede frem til et bestemt resultat. Det omfatter metoder, der viser, hvilke input der påvirkede en beslutning mest, samt praktiske hjælpemidler som kildehenvisninger og logfiler. Forklarlighed er vigtig for tillid, fejlfinding og regulering – f.eks. når en bank skal begrunde, hvorfor en ansøgning blev afslået.
En forvekslingsmatrix (confusion matrix) er en tabel, der sammenligner en klassifikators forudsigelser med de faktiske klasser. For to klasser viser den sande positive, falske positive, sande negative og falske negative. Heraf kan der beregnes nøgletal som præcision, recall og F1-score, og det bliver tydeligt, hvilke fejl der opstår. Eksempel: Et spamfilter, der markerer mange ægte e-mails som spam, har mange falske positive, hvilket ofte er dyrere end en overset spambesked.
Frase er software til research og optimering af webindhold. Den analyserer, hvilke emner, spørgsmål og begreber højtplacerede sider dækker for en søgning, gør det til indholdsbriefs og scorer tekster, mens de bearbejdes. Frase tilbyder nu også funktioner til at følge og forbedre, om indhold bliver citeret i svar fra AI-søgesystemer som ChatGPT eller Perplexity (status oktober 2026).
Fréchet inception distance (FID) er en måleværdi til vurdering af kvaliteten af AI-genererede billeder. Virkelige og genererede billeder sendes gennem et fortrænet billedgenkendelsesnetværk (Inception v3), og de statistiske fordelinger af deres features sammenlignes. Jo lavere værdi, desto tættere er de genererede billeder på virkelige fotos i realisme og variation. FID blev introduceret i 2017 og er en standard til sammenligning af billedgeneratorer.
En fundamentmodel (foundation model) er en stor AI-model, der er fortrænet på meget omfattende, varierede data, og som derefter kan bruges til mange forskellige opgaver. Begrebet blev skabt på Stanford University i 2021. Kendte eksempler er store sprogmodeller som Claude eller GPT samt billedmodeller. Virksomheder bygger som regel deres applikationer på sådanne modeller i stedet for at træne egne fra bunden; EU's AI-forordning omtaler AI-modeller til almen brug.
Fuzzy matching finder poster, der ligner hinanden, men ikke er helt identiske – f.eks. på grund af tastefejl, forkortelser eller forskellige stavemåder. Metoden bygger på lighedsmål som Levenshtein-afstanden, der tæller, hvor mange tegn der skal ændres. En typisk anvendelse er opsporing af dubletter i adresse- og kundedata: 'Hansen ApS, Algade 5' og 'Hansen A/S, Algade 5' genkendes som sandsynligvis samme post.
'Garbage in, garbage out' beskriver princippet om, at et system kun kan give resultater, der er lige så gode som de data, det modtager. Det gælder dobbelt for AI: Forkerte, forældede eller ensidige trænings- eller videndata fører til forkerte eller skæve svar. En chatbot, der støtter sig til en forældet prisliste, vil oplyse forældede priser. Pleje af data er derfor en løbende opgave i ethvert AI-projekt.
Generaliseringsfejlen måler, hvor meget en AI-model rammer ved siden af på nye, tidligere usete data – i modsætning til dens fejl på træningsdataene. Et stort gab mellem de to peger på overfitting: Modellen har lært eksempler udenad i stedet for at lære generelle mønstre. Den estimeres med tilbageholdte testdata eller krydsvalidering. Det er det tal, der virkelig tæller, fordi en model i praksis næsten kun møder nye tilfælde.
Generativ AI betegner AI-systemer, der skaber nyt indhold – tekst, billeder, lyd, video eller programkode – i stedet for blot at sortere eller vurdere eksisterende data. De bygger på modeller, der lærer mønstre ud fra store datamængder og bruger dem til at frembringe sandsynlige nye outputs. I erhvervslivet bruges den f.eks. til at udarbejde udkast til e-mails, resuméer, produktbeskrivelser eller billedidéer. Resultater kan indeholde fejl og bør kontrolleres før brug.
Et generative adversarial network (GAN) består af to neurale netværk, der trænes mod hinanden: Generatoren skaber kunstige data som f.eks. billeder, og diskriminatoren forsøger at skelne dem fra rigtige. Gennem denne kappestrid bliver resultaterne stadig mere realistiske. GAN'er blev introduceret i 2014 og prægede billedgenerering, før diffusionsmodeller blev mere udbredte; de bruges f.eks. til syntetiske træningsdata eller billedforbedring.
Generative engine optimization (GEO) omfatter tiltag, der hjælper indhold med at blive synligt i og citeret som kilde af AI-baserede søgesystemer som ChatGPT, Perplexity eller AI-oversigterne i søgemaskiner. Begrebet stammer fra en forskningsartikel fra 2023. Vigtige faktorer er klare, direkte citerbare svar, en ren struktur, dokumenterede fakta, opdaterede oplysninger og identificerbare forfattere. GEO supplerer klassisk søgemaskineoptimering (SEO) og erstatter den ikke.
GPT (generative pre-trained transformer) betegner en serie store sprogmodeller udviklet af OpenAI og baseret på transformerarkitekturen. Modellerne fortrænes først på enorme tekstmængder til at forudsige det næste token og trænes derefter videre til dialog og til at følge instruktioner. Den første GPT-model udkom i 2018; senere generationer ligger til grund for ChatGPT. I dagligdags tale bruges 'GPT' ofte om sprogmodeller i almindelighed.
En generator til salgsmanuskripter er et AI-værktøj, der udarbejder samtaleguides til salgssamtaler – f.eks. koldt salgsopkald, møder eller opfølgninger. Ud fra oplysninger om tilbuddet og målgruppen producerer den en indledning, afdækkende spørgsmål, fordelsargumenter, svar på typiske indvendinger og et forslag til næste skridt. En god guide giver orientering frem for et stift manuskript: at lytte og give ærlig rådgivning er stadig vigtigere end færdige vendinger.
Genkendelse af navngivne entiteter (named entity recognition, NER) er en teknik inden for naturlig sprogbehandling, som finder navne på personer, virksomheder og steder samt datoer eller beløb i tekst og tildeler hver en kategori. Den omdanner fri tekst til strukturerede data. Eksempel: Afsenderens virksomhed, kontaktperson, leveringsdato og fakturabeløb udtrækkes automatisk fra en e-mail og overføres til et CRM.
Ved AI-understøttet gennemgang af juridiske dokumenter analyserer en sprogmodel kontrakter, vilkår og betingelser eller juridiske notater: den opsummerer centrale punkter som løbetid, opsigelse og ansvar, markerer usædvanlige klausuler og peger på manglende bestemmelser. Det fremskynder den første gennemgang betydeligt, men erstatter ikke juridisk rådgivning; vurderingen og ansvaret forbliver hos kvalificerede personer.
Gensim er et open source-bibliotek i Python til analyse af store tekstsamlinger. Det er kendt for emnemodeller som LDA, for træning af ordvektorer (f.eks. Word2Vec, FastText og Doc2Vec) og for sammenligning af dokumenter efter lighed. Fordi Gensim behandler data i bidder, kan det også håndtere korpusser, der ikke kan være i hukommelsen. En typisk anvendelse: at gruppere tusindvis af kundekommentarer automatisk efter tilbagevendende temaer.
En go-to-market-strategi (GTM) fastlægger, hvordan et produkt eller en tjeneste lanceres med succes på et marked: Hvilken målgruppe har hvilket problem, hvordan tilbuddet positioneres og prissættes, gennem hvilke kanaler det sælges, og hvilke nøgletal der måler succes. En GTM-plan forbinder marketing, salg og produkt. Eksempel: En softwareudbyder starter med én branche, én partnerkanal og et 90-dages mål.
Google Colab (Colaboratory) er en cloudtjeneste fra Google til at køre Python-kode i notebooks i Jupyter-stil direkte i browseren uden lokal installation. Den gratis version giver også adgang til GPU'er og TPU'er, afhængigt af tilgængelighed og med begrænsninger i kørselstid; betalte abonnementer giver mere regnekraft. Colab er populært til undervisning, dataanalyse og afprøvning af modeller, og en indbygget Gemini-assistent hjælper med at skrive og rette kode (status oktober 2026).
Gradient boosting er en maskinlæringsteknik, der kombinerer mange simple modeller – som regel små beslutningstræer – efter hinanden. Hvert nyt træ trænes specifikt til at mindske de resterende fejl fra de foregående. Resultatet er yderst nøjagtige modeller til tabeldata, f.eks. til kreditrisiko, salgsprognoser eller sandsynlighed for kundeafgang. Kendte implementeringer er XGBoost, LightGBM og CatBoost; omhyggelig tuning er nødvendig for at undgå overfitting.
Gradientnedstigning er den optimeringsmetode, der bruges til at træne de fleste AI-modeller. Man måler, hvor stor modellens fejl er, beregner i hvilken retning parametrene skal ændres for at mindske den, og tager derefter et lille skridt i den retning – igen og igen. Det er som en vandrer i tåge, der bliver ved med at gå nedad for at nå dalen. Skridtlængden (læringsraten) afgør hastighed og stabilitet.
Grok er en AI-assistent baseret på store sprogmodeller og udviklet af xAI. Den er integreret i platformen X og er også tilgængelig via sit eget website, mobilapps og en API. Et særkende er adgangen til aktuelle opslag på X og til websøgning. Siden februar 2026 har xAI været en del af SpaceX og opererer nu under navnet SpaceXAI; modelversioner opdateres jævnligt (status oktober 2026).
En hallucination er output fra en AI-model, der lyder overbevisende, men er forkert eller helt opdigtet – f.eks. en ikke-eksisterende retsafgørelse, et forkert tal eller en opfundet kilde. Årsagen: Sprogmodeller frembringer sandsynlige formuleringer; de slår ikke automatisk fakta op. Risikoen falder, når svarene bygger på verificerede kilder, dokumentation angives, og mennesker kontrollerer vigtige resultater.
Et heteronym er et ord, der staves som et andet, men udtales anderledes og har en anden betydning – f.eks. engelsk 'lead' (at lede) og 'lead' (metallet bly) eller 'wind' (vind) og 'wind' (at sno). Heteronymer er en delmængde af homografer. De udgør en udfordring for tekst-til-tale-systemer, fordi den korrekte udtale kun kan udledes af konteksten, ofte ved hjælp af ordklasseanalyse.
Heuristikker er tommelfingerregler eller forenklede strategier, der inden for rimelig tid fører til en god, men ikke garanteret optimal løsning. I datalogi og AI hjælper de med at indsnævre enorme søgerum – f.eks. i ruteplanlægning, hvor luftlinjeafstanden til målet bruges som estimat, eller i skak, hvor stillinger vurderes. Mennesker bruger også heuristikker i hverdagen og i forretningsbeslutninger, med risiko for systematiske tankefejl.
Horovod er et open source-framework til distribueret træning af deep learning-modeller på tværs af mange GPU'er eller maskiner. Det er oprindelig udviklet hos Uber, understøtter TensorFlow, Keras, PyTorch og MXNet og synkroniserer de gradienter, som de deltagende maskiner beregner, med ring-allreduce uden en central parameterserver. Projektet hostes af LF AI & Data Foundation; den seneste stabile udgivelse, 0.28.1, stammer fra 2023 (status oktober 2026).
Hugging Face Transformers er et open source-bibliotek i Python, der giver adgang til fortrænede modeller til tekst, billeder og lyd gennem én samlet grænseflade. Udviklere bruger det til at hente modeller fra Hugging Face Hub, afprøve dem, tilpasse dem til egne data eller køre dem lokalt. Siden version 5 har biblioteket primært fokuseret på PyTorch (status oktober 2026). Eksempel: Et team tester en model til sentimentanalyse med blot nogle få linjer kode.
Human-in-the-loop beskriver arbejdsgange, hvor mennesker træder ind i en AI-proces på bestemte punkter: De gennemgår resultater, godkender eller retter dem eller overtager vanskelige sager. Princippet mindsker risikoen for fejlbehæftet output og lader ansvaret ligge hos mennesker, især ved beslutninger, der berører enkeltpersoner, penge eller juridiske forhold. Eksempel: En AI-agent udarbejder udkast til svar på kundehenvendelser, og en medarbejder gennemgår dem, før de sendes.
Hyperparametre er indstillinger, der fastlægges, før en model trænes, f.eks. læringsraten, antallet af lag eller regulariseringens styrke. Hyperparameteroptimering søger systematisk efter den kombination, der klarer sig bedst på valideringsdata, f.eks. gennem grid search, random search eller bayesiansk optimering. Velvalgte værdier forbedrer nøjagtigheden og mindsker over- eller underfitting, men søgningen koster regnetid.
Ideogram er en AI-tjeneste, der genererer billeder ud fra tekstbeskrivelser, udviklet af virksomheden af samme navn, grundlagt i 2022. Den er især kendt for at gengive læselig tekst i billeder, hvilket gør den nyttig til plakater, invitationer eller grafik til sociale medier. Den fås som webapp og via en API; modelversioner og licensvilkår ændres jævnligt (status oktober 2026). Brugsrettighederne bør kontrolleres før kommerciel brug.
Indholdsberigelse betyder at tilføje struktur og supplerende information til eksisterende tekst, f.eks. overskrifter, en disposition, et resumé, nøgleord eller metadata. AI-modeller kan gøre det hurtigt og ensartet, så indhold bliver lettere at finde, læse og genbruge. Hovedreglen er at ordne det, der allerede er der, i stedet for at opfinde nye fakta. Eksempel: Rå mødenotater bliver til et struktureret referat med et resumé.
Ved en indirekte prompt injection ligger de manipulerende instruktioner ikke i brugerens input, men er skjult i indhold, som et AI-system behandler undervejs, f.eks. websider, e-mails eller dokumenter. Når en agent læser sådant indhold, kan den forveksle skjulte kommandoer med ægte opgaver og f.eks. afsløre data. Sikringstiltag er at behandle eksternt indhold strengt som data, begrænse tilladelser, screene input og kræve menneskelig godkendelse af kritiske handlinger.
I maskinlæring er en indlæringskurve et diagram, der viser en models ydeevne eller fejl over træningstid eller mængden af træningsdata, som regel adskilt for trænings- og valideringsdata. Dens form afslører, om en model underfitter eller overfitter, og om flere data sandsynligvis vil hjælpe. Hvis valideringsfejlen f.eks. forbliver klart over træningsfejlen, peger det på overfitting. I dagligdags sprog beskriver begrebet også, hvor hurtigt mennesker mestrer en ny teknologi.
Information retrieval omfatter metoder til at finde de dokumenter eller passager i en stor tekstmasse, der matcher en forespørgsel, og rangere dem efter relevans. Klassiske tilgange som BM25 vægter søgeord efter, hvor ofte og hvor sjældent de forekommer; nyere tilføjer semantisk lighed. Det ligger til grund for søgemaskiner, virksomhedssøgning og retrieval-augmented generation, hvor en sprogmodel bruger de hentede passager som grundlag for sit svar.
En insight engine er en form for virksomhedssøgning, der samler information fra mange kilder, f.eks. dokumenter, e-mails, databaser og applikationer, og analyserer den med AI-teknikker. I stedet for blotte trefflister leverer den bearbejdede svar, sammenhænge eller anbefalinger, ofte i sammenhæng med den aktuelle opgave. Begrebet er især blevet udbredt af brancheanalytikere. Eksempel: Før et kundemøde ser et salgsteam alle relevante kontrakter, sager og noter samlet ét sted.
Instanssegmentering er en computer vision-teknik, der registrerer hvert enkelt objekt i et billede og optegner det pixel for pixel. I modsætning til semantisk segmentering skelner den også mellem objekter af samme klasse: Tre personer får tre separate masker i stedet for ét fælles område. Den bruges f.eks. i kvalitetskontrol, medicinsk billeddannelse, robotteknologi eller til at tælle produkter på en hylde.
Instruktionstuning (instruction tuning) er en form for finjustering, hvor en fortrænet sprogmodel trænes videre på mange par af instruktioner og ønskede svar. Det lærer modellen at følge opgaver formuleret i naturligt sprog i stedet for blot at fortsætte tekst. Det er et vigtigt trin i at gøre en basismodel til en assistent og kombineres ofte med metoder som RLHF. Eksempel: 'Opsummér denne tekst i tre sætninger' udføres pålideligt.
Den faste opgavebeskrivelse for en agent: rolle, tone, grænser. Kaldes ofte en »prompt«.
Intelligent dokumentbehandling (intelligent document processing, IDP) læser automatisk dokumenter som fakturaer, kontrakter eller formularer, identificerer deres type og omdanner de relevante oplysninger til strukturerede data. Den kombinerer tekstgenkendelse til scanninger, naturlig sprogbehandling og valideringsregler. Organisationer sparer manuel dataindtastning og fremskynder processer som håndtering af indgående fakturaer eller post. Usikre felter bør kontrolleres af mennesker.
En intelligent agent er et system, der opfatter sine omgivelser, behandler information og selv vælger handlinger for at nå et mål. I dag refererer begrebet som regel til software bygget på store sprogmodeller, som følger instruktioner, trækker på viden og kalder værktøjer som en søgefunktion eller en API. Hvor meget en agent selv må gøre, bør afgøres bevidst. Eksempel: En agent besvarer kundespørgsmål ud fra produktdokumentationen.
Jailbreaking betegner forsøg på at omgå en AI-models sikkerhedsregler med snedigt formulerede input, så den frembringer indhold eller foretager handlinger, den skulle afvise. For organisationer er det en risiko, fordi en chatbot f.eks. kan afsløre fortrolige instruktioner eller svare upassende. Beskyttelsesforanstaltninger er klare systeminstruktioner, screening af input og output, begrænsede tilladelser, logning og regelmæssige sikkerhedstest (red teaming).
Jasper er en AI-platform til marketingteams fra Jasper AI, en amerikansk virksomhed grundlagt i 2021. Den hjælper med at skabe tekster som blogindlæg, annoncer eller opslag på sociale medier og kan tage hensyn til gemte brandretningslinjer og tone of voice. Udbyderen positionerer sig nu omkring specialiserede agenter og automatiserede indholdsworkflows (status oktober 2026). Som ved enhver tekstgenerator bør fakta og påstande kontrolleres før offentliggørelse.
Jupyter Notebook er en open source-applikation fra Project Jupyter, der kører i browseren og samler eksekverbar kode, resultater, diagrammer og forklarende tekst i ét dokument. Notebooks er udbredt inden for dataanalyse, maskinlæring, forskning og undervisning, fordi hvert trin kan dokumenteres og deles på en sporbar måde. Python er det mest almindelige sprog. Eksempel: En analytiker indlæser salgsdata, renser dem og viser resultaterne som et diagram lige nedenunder.
Justeret R-kvadreret måler, hvor godt en regressionsmodel forklarer variationen i dataene, korrigeret for antallet af anvendte forklarende variabler. Almindelig R-kvadreret stiger med hver ekstra variabel, også en, der ikke tilføjer noget; den justerede version straffer unødvendige variabler. Det giver en mere retfærdig sammenligning af modeller af forskellig størrelse, for eksempel en salgsprognose med tre i stedet for ti faktorer.
K-means er en metode til uovervåget læring, der opdeler datapunkter i et forud fastlagt antal k grupper. Den tildeler hvert punkt til det nærmeste gruppecentrum og bliver ved med at flytte disse centre, til tildelingerne næsten ikke ændrer sig. Metoden er hurtig og let at forstå, men kræver et fornuftigt valg af k og features på sammenlignelige skalaer. Eksempel: Gruppering af kunder efter købsfrekvens og kurvværdi.
K-nærmeste naboer (k-NN) er en simpel metode til overvåget læring. For at klassificere et nyt datapunkt leder den efter de k mest ensartede kendte eksempler og overtager deres hyppigste klasse eller, for numeriske værdier, deres gennemsnit. Den kræver ingen egentlig træningsfase, men bliver langsom med store datasæt og er følsom over for, hvordan features skaleres. Eksempel: Produktanbefalinger baseret på lignende kunder.
Kaggle er en onlineplatform til data science og maskinlæring, som har været ejet af Google siden 2017. Den tilbyder offentlige datasæt, konkurrencer baseret på virkelige problemer, notebooks i browseren med regnekraft og læringsforløb. For organisationer og lærende er den nyttig til at afprøve metoder, sammenligne tilgange eller spotte talenter. Licens og oprindelse for et datasæt bør kontrolleres før brug.
Kausal inferens omfatter metoder til at udlede årsag-virkning-sammenhænge af data i stedet for blot at identificere korrelationer. Den besvarer spørgsmål som 'Hvad ville der være sket, hvis vi ikke havde gennemført denne foranstaltning?'. Redskaber omfatter randomiserede forsøg som A/B-test, kausalgrafer og statistiske teknikker til observationsdata. Eksempel: At undersøge, om en rabatkampagne faktisk øgede salget, eller om det under alle omstændigheder var steget af sæsonmæssige årsager.
Keras er et open source-bibliotek i Python til at bygge og træne neurale netværk, oprindelig udviklet af François Chollet. Det tilbyder en lettilgængelig grænseflade på højt niveau til at sammensætte modeller af lag. Siden version 3 kan Keras køre på JAX, TensorFlow eller PyTorch som beregningsbackend. Eksempel: Et team bygger en prototype på en model til billedklassifikation med blot nogle få linjer kode.
Henvisningen i et svar, der viser, hvilket afsnit af viden det stammer fra.
I læsbarhedsforskning er klassetrin et mål for det skoleår, hvorfra en tekst som regel forstås. Et kendt eksempel er Flesch–Kincaid Grade Level, som ud fra sætningslængde og stavelser pr. ord beregner et amerikansk klassetrin; en score på 8 svarer nogenlunde til 8. klasse. Sådanne scorer lader sig kun delvis overføre til andre sprog, så der bruges ofte tilpassede formler som Amstads version af Flesch eller LIX til tysk.
En klassifikator er en model eller metode, der tildeler input til én af flere foruddefinerede kategorier. Klassiske varianter som beslutningstræer eller naive Bayes trænes på mærkede eksempler; sprogmodeller kan også sortere tekster ud fra en beskrivelse af kategorierne. Typiske anvendelser er spamgenkendelse, sortering af kundehenvendelser efter emne og kategorisering af bilag. Kvaliteten måles med nøgletal som nøjagtighed, præcision og recall.
KNIME er dataanalysesoftware, hvor arbejdsgange sættes sammen visuelt af byggeklodser (»noder«) i stedet for at blive programmeret. Open source-platformen KNIME Analytics Platform dækker dataimport, rensning, analyse, maskinlæring og rapportering, mens udbyderens kommercielle tilbud tilføjer samarbejde og drift i organisationer. Et typisk eksempel er en arbejdsgang, der samler månedlige salgsdata fra flere Excel-filer, renser dem og laver en prognose.
Knowledge cutoff er det tidspunkt, hvortil en sprogmodels træningsdata rækker. Modellen har ingen iboende viden om begivenheder, priser, love eller produkter, der er kommet til senere, og kan give forældede oplysninger, medmindre den får tilført aktuelle data. Det kan imødegås med metoder, der inddrager egne dokumenter eller aktuelt webindhold under kørslen.
Knowledge engineering omfatter indsamling, organisering og forberedelse af ekspertviden, så IT-systemer kan bruge den. Oprindeligt handlede det om regler til ekspertsystemer; i dag er det ofte vigtigst at dokumentere spredt viden fra manualer, procesbeskrivelser og folks hoveder, så AI-agenter kan svare pålideligt ud fra den. Det indebærer klare strukturer, opdaterede kilder, definerede ansvarsområder og lukning af identificerede huller.
Kognitiv databehandling (cognitive computing) er en samlebetegnelse for systemer, der skal efterligne menneskelige tankeprocesser som sprogforståelse, ræsonnement og læring af erfaring for at støtte menneskers beslutninger. Begrebet blev kendt i 2010'erne, især gennem IBM Watson. Det kombinerer metoder som naturlig sprogbehandling, maskinlæring og videnrepræsentation; i dag taler man oftere om AI-assistenter eller sprogmodeller i stedet.
Et kognitivt kort er oprindelig et begreb fra psykologien, der beskriver den mentale repræsentation, som mennesker eller dyr danner af deres omgivelser. I ledelse og AI refererer det også til grafiske modeller, der viser begreber som noder og deres årsag-virkning-forhold som vægtede pile, f.eks. »fuzzy cognitive maps«. Sådanne kort hjælper med at strukturere ekspertviden og udforske scenarier, f.eks. hvordan prisændringer påvirker efterspørgsel og lagerbeholdning.
Kollaborative robotter, eller cobots, er industrirobotter, der er konstrueret til at arbejde direkte side om side med mennesker uden et adskillende sikkerhedshegn. Sensorer, begrænsede kræfter og hastigheder samt sikkerhedsfunktioner sikrer, at de stopper eller viger ved berøring; kravene er fastlagt i standarder som ISO 10218-serien. Cobots klarer opgaver som at fylde maskiner, skrue eller pakke, mens medarbejderne tager sig af kontrol og særtilfælde.
En voldgrav (moat) er en varig konkurrencefordel, der beskytter en virksomhed mod efterlignere, f.eks. netværkseffekter, skiftomkostninger, et stærkt brand, eksklusive data eller dyb integration i kundernes processer. Spørgsmålet er særligt relevant for AI-tilbud, fordi mange produkter bygger på de samme tilgængelige modeller. Fordelene kommer så snarere fra domæneekspertise, kundenærhed, gode processer og tillid end fra teknologien alene.
I maskinlæring betyder konvergens, at en træningsprocedure nærmer sig en stabil tilstand: Tabet falder næsten ikke længere, og modellens parametre ændrer sig kun minimalt. Om og hvor hurtigt en model konvergerer, afhænger af faktorer som læringsrate, datakvalitet og modelarkitektur. Er læringsraten for høj, hopper tabet rundt; er den for lav, tager træningen unødigt lang tid. Konvergens garanterer ikke en god model, da den stadig kan være overfittet.
Et konvolutionelt neuralt netværk (CNN) er en arkitektur for neurale netværk, der er særlig velegnet til billeddata. Det gennemsøger inputtet med små filtre og genkender simple træk som kanter i de første lag og mere komplekse former i de dybere lag. CNN'er prægede billedgenkendelsen i mange år og bruges for eksempel til at finde fejl på produktfotos eller i medicinsk billedanalyse.
Koreferensopløsning er en opgave inden for naturlig sprogbehandling, der identificerer, hvilke udtryk i en tekst der henviser til den samme person, ting eller sag. I »Fru Weber ringede. Hun vil gerne ringes op igen« skal systemet forstå, at »hun« betyder fru Weber. Det er vigtigt for resuméer, informationsudtræk og chatbots, der skal holde styr på henvisninger på tværs af flere sætninger eller samtaleomgange.
Et korpus er en struktureret samling af tekster eller sprogdata, der er sammensat til analyse, forskning eller træning af sprogmodeller. Det kan være generelt, f.eks. nyhedstekster over mange år, eller domænespecifikt, f.eks. alle en virksomheds kontrakter og manualer. Størrelse, balance, aktualitet og rettighederne til tekster afgør, hvor nyttige de resulterende indsigter er.
Korrekturlæsning er kontrol af en tekst for stavning, grammatik og tegnsætning, ofte sammen med ensartet sprogbrug; redigering går videre og tager også fat på stil, struktur og indhold. AI kan hurtigt markere fejl og foreslå rettelser, f.eks. i tilbud, nyhedsbreve eller websider. Det anbefales at opregne alle ændringer gennemsigtigt og lade et menneske foretage en afsluttende kontrol af fagudtryk, egennavne og betydning.
Krydsentropi er et mål fra informationsteorien, der angiver, hvor meget en forudsagt sandsynlighedsfordeling afviger fra den faktiske. I maskinlæring er det den mest almindelige tabsfunktion til klassifikationsopgaver og også til sprogmodeller, der forudsiger det næste token. Den straffer sikre, forkerte forudsigelser særligt hårdt: At tildele 99 % til den forkerte klasse giver et langt højere tab end at tildele 60 %.
Krydsvalidering er en metode til at kontrollere, hvor godt en model generaliserer til nye, usete data. Ved k-fold-krydsvalidering deles data i k dele; modellen trænes k gange på k−1 dele og testes hver gang på den resterende del, hvorefter resultaterne gennemsnitsberegnes. Det hjælper med at opdage overfitting og sammenligne modeller eller indstillinger fair, især når der er få data.
Kubeflow er en open source-platform til at køre maskinlæringsarbejdsgange på Kubernetes, fra dataforberedelse over træning og hyperparametersøgning til modeldrift. Projektet er oprindelig igangsat af Google og hører under Cloud Native Computing Foundation, hvor det nåede »graduated«-status i august 2026 (status oktober 2026). Det retter sig primært mod teams, der træner egne modeller i stor skala på egen eller cloudbaseret infrastruktur.
Kunstig generel intelligens (artificial general intelligence, AGI) betegner et hypotetisk AI-system, der kan klare en bred vifte af intellektuelle opgaver på menneskeligt niveau og fleksibelt overføre det lærte til nye områder. Nutidens systemer klarer sig godt på mange opgaver, men viser stadig begrænsninger, f.eks. i pålidelighed. Der findes ingen almindeligt accepteret definition eller målemetode, og om og hvornår AGI nås, er omstridt blandt eksperter.
Kunstig superintelligens (artificial superintelligence, ASI) er et teoretisk begreb for en AI, der væsentligt overgår mennesker i næsten alle intellektuelle evner, herunder forskning, planlægning og socialt skøn. Et sådant system findes ikke. Begrebet bruges hovedsagelig i filosofi og AI-sikkerhedsforskning til at diskutere spørgsmål om kontrol og om at afstemme fremtidige systemer med menneskelige værdier.
Kunstige neurale netværk (ANN'er) er beregningsmodeller bestående af mange forbundne enheder (»neuroner«) arrangeret i lag, som behandler input via vægtede forbindelser. Under træning justeres vægtene trin for trin ud fra eksempler, som regel ved backpropagation. ANN'er er fundamentet for deep learning og driver billedgenkendelse, talegenkendelse og store sprogmodeller. På trods af den biologiske inspiration fungerer de langt mere enkelt end den menneskelige hjerne.
Kvanteberegning bruger effekter fra kvantefysikken som superposition og sammenfiltring til at regne med qubits i stedet for klassiske bits. Der forventes store hastighedsfordele ved visse opgaver, f.eks. simulering af molekyler, nogle optimeringsproblemer eller brydning af nutidens krypteringsmetoder. Maskinerne er dog stadig fejlbehæftede og bruges mest i forskning og pilotprojekter (pr. oktober 2026). For nutidens AI-applikationer spiller kvanteberegning stort set ingen rolle endnu.
LangChain er et open source-framework til Python og JavaScript, som udviklere bruger til at bygge applikationer baseret på sprogmodeller. Det giver ensartede grænseflader til mange modeludbydere samt byggeklodser til værktøjskald, agenter, dokumentbehandling og retrieval-augmented generation. Siden version 1.0 (oktober 2025) er LangChains agenter bygget på LangGraph. Typiske anvendelser er chatbots, der søger i interne dokumenter, og agenter, der kalder eksterne tjenester.
LangGraph er et open source-framework fra LangChain-økosystemet til at modellere AI-agenter og flertrinsprocesser som en graf af noder og kanter. En fælles tilstand gives videre fra trin til trin, og løkker, forgreninger, checkpointing og afbrydelser til menneskelig godkendelse er indbygget. Version 1.0 udkom i oktober 2025. Et eksempel er en agent, der researcher et emne, skriver et udkast og venter på godkendelse, før det sendes.
LazyGraphRAG er en tilgang til grafbaseret retrieval-augmented generation, som Microsoft Research præsenterede i 2024. I modsætning til GraphRAG lader den ikke en sprogmodel skabe resuméer under indeksering; i stedet identificerer den begreber og deres samforekomster med klassisk naturlig sprogbehandling, og sprogmodellen bruges først på forespørgselstidspunktet. Ifølge Microsoft bringer det indekseringsomkostningerne ned på niveau med almindelig vektor-RAG. Den egner sig især til spørgsmål, der kræver overblik over store dokumentsamlinger.
Lead routing er den automatiske tildeling af indgående henvendelser til den ansvarlige person, afdeling eller region. Kriterier kan være emne, produkt, virksomhedsstørrelse, sprog eller hastighed. AI kan forstå og kategorisere en henvendelses frie tekst, f.eks. om den drejer sig om et nyt tilbud, et supportspørgsmål eller en jobansøgning. Hurtig, præcis fordeling forkorter svartiderne og forhindrer, at henvendelser bliver ubesvarede.
En lead scraper er et værktøj, der automatisk indsamler kontaktoplysninger på potentielle kunder fra websites, kataloger eller sociale netværk. I Tyskland og EU er det juridisk følsomt: Kontaktpersoners navne og e-mailadresser er personoplysninger, så behandlingen kræver et behandlingsgrundlag og information til de registrerede efter GDPR, og efter tysk markedsføringsret (UWG, § 7) kræver reklame-e-mails som hovedregel forudgående udtrykkeligt samtykke, også over for virksomheder. Indgående henvendelser via dit website, indhold og anbefalinger er den bedre vej (ikke juridisk rådgivning).
Lexile Framework for Reading er et system udviklet af den amerikanske virksomhed MetaMetrics, som måler både en persons læsefærdighed og en teksts sværhedsgrad på den samme skala. Værdier angives med et »L«, f.eks. 850L; en tekst passer godt, når dens værdi ligger tæt på læserens. Det bygger hovedsagelig på sætningslængde og ordfrekvens. Systemet er udbredt i skoler og forlagsbranchen, især i engelsksprogede lande.
LightGBM er et open source-bibliotek til gradient boosting med beslutningstræer, oprindelig udviklet af Microsoft. Det er konstrueret til hastighed og lavt hukommelsesforbrug, bl.a. gennem histogrambaseret træning og træer, der vokser bladvist ved det mest lovende blad. LightGBM egner sig især til store tabeldatasæt, f.eks. salgsprognoser, forudsigelse af kundeafgang eller opdagelse af svindel, og sammenlignes ofte med XGBoost.
Lineær regression er en statistisk metode, der beskriver sammenhængen mellem en målvariabel og en eller flere prædiktorer ved hjælp af en ret linje eller et plan. Koefficienterne vælges som regel, så summen af de kvadrerede afvigelser bliver mindst mulig. Metoden er let at forstå og fortolke: Den kan f.eks. estimere, hvor meget omsætningen stiger, når reklamebudgettet øges med 1.000 €. Den når sine grænser ved ikke-lineære sammenhænge.
LIX (läsbarhetsindex) er et læsbarhedsmål udviklet i Sverige af Carl-Hugo Björnsson. Det lægger den gennemsnitlige sætningslængde i ord sammen med procentandelen af lange ord på mere end seks bogstaver. Eksempel: 15 ord pr. sætning og 30 % lange ord giver et LIX på 45. Da det ikke kræver optælling af stavelser, kan det anvendes på mange sprog, herunder tysk; lave værdier angiver lette tekster og værdier fra omkring 60 meget vanskelige.
LLaMA, nu som regel skrevet »Llama«, er en familie af store sprogmodeller fra Meta. Mange versioner blev udgivet med downloadbare vægte under Metas egen licens, så organisationer kan køre og tilpasse dem på egen infrastruktur. Den seneste store generation er Llama 4 (2025); i 2026 introducerede Meta også Muse-modelserien, hvoraf kun en del er udgivet åbent (status oktober 2026).
Omkostningerne ved store sprogmodeller afregnes som regel pr. token, dvs. tekstenheder på størrelse med en stavelse til et ord; input- og outputtokens prissættes hver for sig, og output er generelt dyrere. Større modeller koster mere pr. token end små, hurtige modeller som Claude Haiku, der ofte er tilstrækkelige til enkle opgaver. Prompt caching sænker omkostningerne, når den samme lange kontekst sendes gentagne gange. Korte instruktioner og omhyggeligt udvalgt viden hjælper også.
LLM-sikkerhed omfatter alle foranstaltninger, der beskytter applikationer bygget på store sprogmodeller mod misbrug, datalæk og uønsket adfærd. Typiske risici er prompt injection, afsløring af fortrolige instruktioner eller data og agenter med for vidtgående tilladelser. Beskyttelsen kommer fra flere lag: klare instruktioner, begrænsede rettigheder, kontrol af input og output, AI-firewalls, red teaming og regelmæssige audits.
llms.txt er en Markdown-tekstfil placeret i et websites rodmappe, som giver sprogmodeller et kortfattet overblik over det vigtigste indhold med links. Idéen blev fremsat af Jeremy Howard (Answer.AI) i september 2024. Det er et forslag og ikke en officiel standard; store AI-udbydere har ikke forpligtet sig til at læse den (status oktober 2026). Den supplerer robots.txt og sitemap, men erstatter dem ikke.
Log loss (logaritmisk tab) måler, hvor godt de forudsagte sandsynligheder fra en klassifikationsmodel stemmer overens med de faktiske udfald. Sikre, men forkerte forudsigelser straffes særligt hårdt; en værdi tæt på nul angiver velkalibrerede prognoser. Eksempel: Hvis en model giver en kunde, der bliver, 95 % sandsynlighed for at forlade virksomheden, stiger log loss kraftigt. Matematisk er det det samme som binær krydsentropi.
Logistisk regression er en statistisk metode, der forudsiger sandsynligheden for et af to udfald, f.eks. »køber« eller »køber ikke«. Den vægter input-features og omdanner deres sum til en værdi mellem 0 og 1 med en S-formet funktion. Fordi vægtene er lette at fortolke, er den udbredt inden for kreditscoring, medicin og marketing, ofte som en solid baseline for mere komplekse modeller.
Long Short-Term Memory (LSTM) er en type rekurrent neuralt netværk, der kan bevare information over lange sekvenser. Såkaldte gates afgør i hvert trin, hvad der skal gemmes, glemmes eller udsendes, hvilket afhjælper problemet med forsvindende gradienter. I mange år prægede LSTM'er talegenkendelse, oversættelse og tidsserieprognoser. Inden for sprogbehandling er de stort set afløst af transformere, men de er stadig almindelige til sensordata.
Lydtransskription omdanner talt sprog fra optagelser til skrevet tekst. Moderne systemer til automatisk talegenkendelse tilføjer også tegnsætning, skelner mellem talere og giver nogle gange tidsstempler. Det bruges til mødereferater, interviews, undertekster og dokumentation af kundesamtaler. Kvaliteten afhænger i høj grad af lydkvalitet, accent og fagsprog; ved samtaler med persondata skal samtykke og databeskyttelse tages i betragtning.
Læsbarhed beskriver, hvor let en tekst kan læses og forstås. Den afhænger af sætningslængde, ordlængde, fagudtryk, sætningsopbygning og layout og kan tilnærmes med formler som Flesch-indekset eller LIX. God læsbarhed er vigtig for kundekommunikation, vejledninger, websites og tilgængeligt indhold. Formler giver dog kun en pejling; om en tekst er klar, afhænger i sidste ende af dens målgruppe.
Læseniveau angiver det niveau af læsefærdighed, som en tekst kræver, eller som en person har nået. Afhængigt af systemet udtrykkes det som et klassetrin, en værdi på en skala som Lexile eller et niveau i læreplaner og sprogrammer, f.eks. A2 eller B1 i den fælles europæiske referenceramme for sprog. I praksis hjælper det med at tilpasse tekster til den tiltænkte målgruppe, f.eks. kundeinformation på letforståeligt sprog.
Manipulation af kontekstvinduet betegner angreb, der bevidst påvirker den tekst, en sprogmodel behandler på én gang, f.eks. gennem skjulte instruktioner i dokumenter, opdigtede tidligere dele af en samtale eller store mængder fyldstof, der skubber de oprindelige regler i baggrunden. Beskyttelsen består i klart at adskille betroede instruktioner fra eksternt indhold, længdegrænser, inputkontrol og i at give agenter så få tilladelser som muligt.
Maskinlæring er en gren af kunstig intelligens, hvor computere udleder mønstre af data i stedet for at få hver regel programmeret eksplicit. Afhængigt af opgaven lærer modeller af mærkede eksempler (overvåget), af umærkede data (uovervåget) eller gennem belønninger (reinforcement). Anvendelserne spænder fra spamfiltre og efterspørgselsprognoser til produktanbefalinger. Kvaliteten afhænger i høj grad af mængden og kvaliteten af træningsdataene.
En maskinlæringspipeline er en defineret rækkefølge af trin, der omdanner rådata til en model, der kan tages i brug: indsamling og rensning af data, forberedelse af features, træning, evaluering, udrulning og overvågning. Automatisering af disse trin gør resultaterne reproducerbare og lader nye data blive behandlet med lille indsats. En detailhandler kan f.eks. omtræne og teste sin salgsprognosemodel hver uge med de nyeste tal.
Mean absolute error (MAE) viser, hvor langt en models forudsigelser i gennemsnit afviger fra de faktiske værdier, uanset retning. Den udtrykkes i målvariablens enhed, hvilket gør den let at forstå. Eksempel: en MAE på 12 for en daglig salgsprognose betyder, at modellen i gennemsnit er 12 enheder ved siden af. Den vægter outliers mindre end kvadrerede fejlmål.
Mean average precision (mAP) er en måleværdi, der vurderer, hvor godt et system finder relevante resultater og rangerer dem højt. Gennemsnitlig præcision (average precision) beregnes over resultatlisten for hver forespørgsel eller objektklasse; mAP er gennemsnittet over dem alle. Det er et standardmål for søgemaskiner, anbefalingssystemer og objektgenkendelse i billeder, hvor det også afhænger af det krævede overlap mellem afgrænsningsrammer.
»Mente du« (did you mean, DYM) er en søgefunktion, der foreslår en rettet forespørgsel, når inputtet ser ud til at være stavet forkert eller usædvanligt. Den bygger på lighedsmål mellem ord, sprogmodeller og analyse af hyppige søgninger. Eksempel: Skriver man »kaffemaskne« i en webshop, ser man »Mente du: kaffemaskine?«. Funktionen mindsker tomme resultatsider og forbedrer dermed søgeoplevelsen.
En metaprompt er en instruktion, der beder en sprogmodel om selv at udarbejde eller forbedre prompts eller systeminstruktioner. Du beskriver mål, målgruppe og ønsket tone og leverer eksempler; modellen producerer så strukturerede instruktioner med en rolle, regler og grænser. Det giver hurtigere gode førsteudkast, som derefter testes og finpudses af mennesker. Eksempel: »kundeservice for en cykelbutik« bliver til et komplet udkast til instruktioner.
Mistral AI er en AI-virksomhed med base i Paris, grundlagt i 2023 af Arthur Mensch, Guillaume Lample og Timothée Lacroix. Den udvikler store sprogmodeller og tilbyder både modeller med åbent tilgængelige vægte, nogle under Apache 2.0-licensen, og kommercielle modeller via sin egen platform. For europæiske organisationer nævnes Mistral AI ofte i debatter om datasuverænitet og drift af modeller på egen infrastruktur.
MLflow er en open source-platform til styring af hele livscyklussen for machine learning-modeller, oprindeligt introduceret af Databricks i 2018. Den registrerer eksperimenter med deres parametre og målinger, administrerer modelversioner i et register og forenkler udrulning. Nyere versioner understøtter også tracing og evaluering af applikationer bygget på sprogmodeller. Teams kan dermed spore, hvilken model der er skabt med hvilke data og indstillinger.
Model Context Protocol (MCP) er en åben standard, der giver AI-applikationer adgang til eksterne værktøjer, datakilder og tjenester på en ensartet måde. En MCP-server stiller funktioner til rådighed, og en MCP-klient, f.eks. en AI-assistent, kan kalde dem. Anthropic introducerede MCP i november 2024; siden december 2025 udvikles den under Agentic AI Foundation i Linux Foundation (pr. oktober 2026). Det undgår, at hver integration skal bygges separat.
Modeldrift er den gradvise forringelse af en models forudsigelseskvalitet under drift, fordi virkeligheden ændrer sig i forhold til træningsdataene. Man skelner mellem ændringer i inputdataene (data drift) og ændringer i sammenhængen mellem input og resultater (concept drift). Eksempel: en model til opdagelse af svindel overser nye svindelmetoder. Afhjælpning sker ved løbende overvågning af målinger og regelmæssig gentræning.
Modelfortolkelighed beskriver, hvor godt mennesker kan forstå, hvordan en AI-model når frem til sine resultater. Enkle modeller som beslutningstræer er i sig selv lette at læse; ved komplekse neurale netværk kan teknikker, der afslører de enkelte features' indflydelse, hjælpe. Fortolkelighed er vigtig for fejlfinding, tillid og lovkrav, f.eks. når et afslag på et lån skal begrundes.
Modelkollaps er det kvalitetstab, der kan opstå, når generative modeller gentagne gange trænes på data, som selv er skabt af AI. Sjældent indhold og grænsetilfælde går gradvist tabt, og outputtet bliver mere ensartet og mere fejlbehæftet. Problemet bliver mere aktuelt, fordi andelen af AI-genereret tekst og billeder på internettet vokser. Omhyggeligt kurateret, menneskeskabt data kan modvirke det.
Modelkædning betyder, at flere AI-modeller eller AI-trin forbindes i rækkefølge, så outputtet fra ét trin bliver input til det næste. Komplekse opgaver kan dermed opdeles i overskuelige delopgaver, som kan kontrolleres og forbedres enkeltvis. Eksempel: ét trin opsummerer en kundehenvendelse, et andet fordeler den til en afdeling, og et tredje udarbejder svaret.
Modelrobusthed beskriver, hvor pålideligt en AI-model fungerer, når input er støjende, ufuldstændige, usædvanlige eller bevidst manipulerede. En robust model leverer stadig stabile resultater, f.eks. billedgenkendelse i dårligt lys eller en sprogmodel, der håndterer tastefejl. Robusthed vurderes med stresstests, varierede træningsdata og test mod bevidste forsøg på at snyde modellen, og den er særligt vigtig i sikkerhedskritiske anvendelser.
Monte Carlo-metoder er beregningsteknikker, der bruger et meget stort antal tilfældige stikprøver til at tilnærme resultater, som er svære at beregne analytisk. Et system simuleres tusindvis af gange med tilfældigt varierede forudsætninger, og fordelingen af udfaldene analyseres. Organisationer bruger det til risikoanalyse, projektplanlægning eller porteføljevurdering. Inden for AI bruges metoderne bl.a. i reinforcement learning og i træsøgning til spil.
Multi-hop reasoning er et AI-systems evne til at besvare et spørgsmål gennem flere på hinanden følgende slutninger, ofte ved at kombinere oplysninger fra forskellige kilder. Eksempel: »Hvilken afdeling ledes af den person, der er ansvarlig for projekt X?« kræver først, at man finder den ansvarlige person og derefter vedkommendes afdeling. Den slags spørgsmål er krævende for søgnings- og RAG-systemer, fordi hvert mellemtrin skal findes og kobles korrekt.
Apache MXNet var et open source deep learning-framework, der effektivt kunne træne modeller på tværs af flere GPU'er og maskiner, med grænseflader til Python, C++, R, Scala og andre sprog. Amazon Web Services støttede det i nogle år som sit foretrukne framework. Apache Software Foundation lukkede projektet i september 2023 og flyttede det til Apache Attic i februar 2024; det udvikles ikke længere. Eksisterende modeller migreres som regel til andre frameworks.
Mønstergenkendelse er den automatiske identifikation af regelmæssigheder, strukturer eller tilbagevendende træk i data som billeder, lyde, tekster eller målinger. Systemer placerer nye observationer i kendte kategorier eller finder grupper uden foruddefinerede labels. Anvendelser omfatter ansigtsgenkendelse, håndskriftgenkendelse, kvalitetskontrol i produktionen og opsporing af usædvanlige transaktioner. Disciplinen er et vigtigt fundament for machine learning.
Naive Bayes er en familie af enkle klassifikationsmetoder baseret på Bayes' sætning. De kaldes »naive«, fordi de antager, at alle features er uafhængige af hinanden, hvilket sjældent er tilfældet i praksis, men alligevel ofte giver gode resultater. Metoderne er hurtige, kræver kun få træningsdata og er særligt velegnede til tekst. Et klassisk eksempel er spamfilteret, der sorterer e-mails ud fra typiske ord.
Natural language generation (NLG) er det område inden for sprogbehandling, der producerer forståelig tekst ud fra data, stikord eller andet input. Tidligere NLG-systemer byggede på skabeloner og regler; i dag bruger de fleste store sprogmodeller. Typiske anvendelser er vejr- og børsrapporter, produktbeskrivelser, opsummeringer af nøgletal og chatbot-svar. Det er vigtigt, at tal og fakta fra inputtet overføres korrekt og uændret.
Natural language processing er den gren af AI, der gør det muligt for computere at analysere, forstå og generere menneskeligt sprog i tekst eller tale. Det omfatter opgaver som oversættelse, klassifikation, opsummering, sentimentanalyse og spørgsmålsbesvarelse. Tidligere dominerede regler og statistiske metoder; i dag er feltet præget af store sprogmodeller.
Natural language understanding er den del af sprogbehandlingen, der fanger betydningen af en ytring: hvilken hensigt ligger bag, hvilke personer, steder eller datoer nævnes, og hvad er tonen? Sammen med natural language generation (NLG) udgør NLU den ene af NLP's to sider. Et eksempel er et kundeservicesystem, der genkender »Min pakke er stadig ikke kommet« som en leveringsforespørgsel.
En negativ prompt angiver, hvad en AI-model udtrykkeligt ikke må generere eller gøre. Ved billedgenerering, f.eks. med Stable Diffusion, er det et særskilt inputfelt til uønskede elementer som »sløret« eller »tekst i billedet«. Ved sprogmodeller har den form af regler i instruktionerne, f.eks. »Opfind ikke priser« eller »Giv ikke juridisk rådgivning«. Sådanne grænser gør resultaterne mere forudsigelige, men erstatter ikke kontrol.
Net new business betegner omsætning fra kunder, der ikke fandtes før, til forskel fra fornyelser, opsalg eller udvidelser hos eksisterende kunder. Nøgletallet viser, hvor godt en virksomhed åbner nye markeder og målgrupper, og salgsteams planlægger og belønner det ofte særskilt. Eksempel: en softwareleverandør rapporterer, at 40 % af kvartalets ordreindgang er net new business.
Neuromorphic computing er en tilgang til hardware og software, der er modelleret over hjernens opbygning. I stedet for at flytte data mellem separat hukommelse og processor i takter arbejder kunstige neuroner og synapser parallelt og reagerer kun på hændelser, de såkaldte spikes. Det lover et meget lavt energiforbrug, f.eks. i sensorer eller robotter. Kendte forskningschips er Intel Loihi og IBM TrueNorth; bred kommerciel anvendelse er stadig på et tidligt stadie.
NLTK (Natural Language Toolkit) er et open source Python-bibliotek til naturlig sprogbehandling, skabt på University of Pennsylvania i begyndelsen af 2000'erne. Det indeholder værktøjer til tokenisering, stemming, ordklassemærkning og enkel klassifikation samt adgang til talrige tekstkorpora. NLTK bruges hovedsageligt i undervisning og forskning; produktionsapplikationer bygger ofte på biblioteker som spaCy eller på transformer-modeller.
No-code betegner værktøjer, der lader folk bygge applikationer, automatiseringer eller websites via grafiske grænseflader uden at skrive programkode. Fagafdelinger kan selv implementere og teste processer i stedet for at vente på IT-udvikling. Der opstår grænser ved meget specialiserede krav, store datamængder eller dybe integrationer. Eksempel: et salgsteam bygger med træk og slip et flow, der sorterer og opsummerer nye henvendelser.
NumPy er det grundlæggende open source Python-bibliotek til numeriske beregninger. Det leverer flerdimensionale arrays og hurtige funktioner til lineær algebra, statistik og tilfældige tal, hvor kernen kører i kompileret kode. Mange værktøjer til dataanalyse og machine learning, som pandas, scikit-learn og talrige visualiseringsbiblioteker, bygger på NumPy. Den, der arbejder med data i Python, bruger det derfor næsten altid, direkte eller indirekte.
Nøjagtighed beskriver, hvor ofte en AI-model giver korrekte resultater; stabilitet beskriver, hvor pålideligt denne ydeevne holder – ved let ændrede input, nye data eller over tid. En model kan være meget nøjagtig i test og alligevel ustabil, hvis blot en omformulering af et spørgsmål giver et andet svar. Ved brug i praksis kontrolleres begge egenskaber med faste testcases, krydsvalidering og løbende overvågning.
At omformulere betyder at gengive det, en anden har sagt, med egne ord uden at ændre meningen. I en samtale er det en aktiv lyttende teknik: man sikrer sig, at man har forstået rigtigt, og viser opmærksomhed, f.eks.: »Hvis jeg forstår dig ret, er leveringstiden det vigtigste for dig?« I skrift hjælper omformulering med at gøre indhold klarere, kortere eller bedre tilpasset en bestemt målgruppe.
Inden for datalogi er en ontologi en formel model af et fagområde, som entydigt definerer begreber, deres egenskaber og relationerne imellem dem. Det gør det muligt for mennesker og maskiner at fortolke data ensartet og drage slutninger ud fra dem. Ontologier ligger til grund for mange vidensgrafer, semantiske søgesystemer og dataintegrationsprojekter. Eksempel: en produktontologi fastslår, at en »elcykel« er en »cykel« og har et »batteri«.
Opdagelse af finansiel svindel omfatter metoder, der afslører svigagtig aktivitet inden for betalinger, kreditkort, forsikring eller regnskab. AI-modeller lærer de typiske mønstre i legitime transaktioner og markerer afvigelser – f.eks. usædvanlige beløb, steder eller tidspunkter – ofte i realtid. Det er afgørende at finde den rette balance mellem opdaget svindel og falske alarmer. Mistænkelige sager bør gennemgås af mennesker, før konti spærres, eller betalinger afvises.
Open Neural Network Exchange (ONNX) er et åbent filformat til machine learning-modeller, introduceret i 2017 af Microsoft og Facebook (nu Meta) og i dag hostet af LF AI & Data Foundation. En model trænet i f.eks. PyTorch kan eksporteres til ONNX og køres med andre værktøjer eller runtimes som ONNX Runtime. Det gør det lettere at skifte mellem frameworks og udrulle på forskellig hardware.
OpenAI er en AI-virksomhed med base i San Francisco, grundlagt i 2015 som en nonprofitorganisation. Siden omstruktureringen i oktober 2025 består den af nonprofitorganisationen OpenAI Foundation, som kontrollerer det profitorienterede selskab OpenAI Group PBC (pr. oktober 2026). OpenAI er bedst kendt for ChatGPT og GPT-sprogmodellerne samt billedgeneratoren DALL·E og talegenkendelsesmodellen Whisper. Virksomhedens modeller tilbydes via apps og en API.
OpenCV (Open Source Computer Vision Library) er et open source softwarebibliotek til billedbehandling og computer vision, hvis udvikling begyndte hos Intel omkring år 2000. Det tilbyder tusindvis af funktioner, f.eks. til filtrering af billeder, registrering af kanter og ansigter, sporing af objekter i video eller kalibrering af kameraer. OpenCV er skrevet i C++, men bruges ofte via Python, f.eks. til kvalitetskontrol, robotteknologi og forskning.
Optical character recognition (OCR) omdanner tekst i billeder, f.eks. scanninger, fotos eller faxer, til maskinlæsbar tekst. Først derefter kan dokumenter søges, kopieres eller behandles automatisk. Moderne OCR bruger neurale netværk og kan også genkende tabeller, layouts og i nogle tilfælde håndskrift. Typiske anvendelser er fakturabehandling, digitalisering af arkiver og indlæsning af formularer; kvaliteten afhænger i høj grad af billedkvaliteten.
Ordklassemærkning tildeler automatisk hvert ord i en sætning dets grammatiske kategori, f.eks. navneord, udsagnsord, tillægsord eller forholdsord. Fordi mange ord er flertydige (»kort« som navneord eller tillægsord, »lys« som navneord eller tillægsord), tager metoderne højde for sætningens sammenhæng. POS-tagging er et klassisk forbehandlingstrin til parsing, informationsudtræk eller stavekontrol og tilbydes af biblioteker som spaCy og NLTK.
Et diagram over en virksomheds struktur: afdelinger, roller og hvem der refererer til hvem.
Overfitting opstår, når en model lærer træningsdataene udenad, inklusive tilfældige særheder og støj, i stedet for at fange generelt gyldige mønstre. Den virker så meget nøjagtig på kendte data, men klarer sig dårligt på nye data. En stor forskel mellem trænings- og testfejl er et typisk tegn. Modforanstaltninger er flere eller mere varierede data, enklere modeller, regularisering, dropout og krydsvalidering.
OWASP Top 10 for LLM Applications er en liste over de vigtigste sikkerhedsrisici i applikationer bygget på store sprogmodeller, udgivet af OWASP GenAI Security Project. Den aktuelle udgave fra 2026 udkom i august 2026 (pr. oktober 2026) og omfatter: prompt injection, offentliggørelse af følsomme oplysninger, for vidtgående handlefrihed (excessive agency), forsyningskæde, forgiftning af data og modeller, ubegrænset forbrug, misinformation, eksponering af skjult kontekst, svagheder i vektorer og embeddings samt forkert håndtering af output. Den fungerer som tjekliste til udvikling og audits.
pandas er et open source Python-bibliotek til analyse og bearbejdning af tabeldata, udviklet fra 2008 af Wes McKinney. Dets centrale objekt, DataFrame, ligner en tabel med navngivne kolonner. Med det kan man indlæse data fra CSV-filer, Excel eller databaser og rense, filtrere, gruppere og samle dem. pandas bygger på NumPy og er et standardværktøj inden for dataanalyse, rapportering og forberedelse af træningsdata.
Parameter-efficient fine-tuning (PEFT) omfatter teknikker, der tilpasser en stor fortrænet model til en opgave ved kun at træne en lille del af dens parametre eller tilføje nogle få ekstra. Kendte metoder er LoRA, QLoRA, adaptere og prefix tuning. Det reducerer beregnings- og hukommelsesbehovet kraftigt, og små tillægsmoduler kan gemmes til flere opgaver i stedet for fulde modelkopier. Eksempel: en sprogmodel tilpasses stilen i interne tekniske dokumenter.
PaLM er en stor sprogmodel fra Google, præsenteret i 2022 med 540 milliarder parametre og trænet på mange TPU-chips samtidig med Googles træningssystem Pathways. PaLM 2 fulgte i 2023 og drev bl.a. chatbotten Bard. Google har siden erstattet PaLM med sine Gemini-modeller, og udvikler-API'et til PaLM blev lukket i august 2024. I dag har PaLM især betydning som en milepæl i udviklingen af store sprogmodeller.
Perplexity AI er en virksomhed i San Francisco, grundlagt i 2022, der driver en AI-baseret søgemaskine. I stedet for en liste med links giver den et skrevet svar, der opsummerer aktuelt webindhold og angiver de anvendte kilder. Ud over en gratis version findes der betalte niveauer med et udvalg af sprogmodeller samt AI-browseren Comet (pr. oktober 2026). For virksomheder er Perplexity også relevant, fordi den ændrer, hvordan indhold på nettet bliver fundet.
Personaliseret markedsføring betyder, at budskaber, tilbud og timing tilpasses den enkelte kunde eller små grupper i stedet for at henvende sig til alle på samme måde. Den bygger på oplysninger som tidligere køb, interesser eller årsagen til kontakten. AI kan omsætte det til passende tekst, f.eks. en e-mail, der henviser til et nyligt købt produkt. Det er vigtigt kun at bruge data, der er givet samtykke til, og at udelade følsomme oplysninger.
Pose estimation er en computer vision-teknik, der bestemmer menneskers kropsholdning, eller objekters position og orientering, i billeder eller video. Typisk registrerer en model nøglepunkter som skuldre, albuer og knæ og forbinder dem til et skelet. Teknikken bruges f.eks. i fitness-apps, der kontrollerer øvelser, i analyse af ergonomi på arbejdspladsen, i sportsanalyse og i robotteknologi.
Predictive analytics bruger historiske data, statistik og machine learning til at vurdere sandsynlige fremtidige begivenheder. Det besvarer spørgsmål som: Hvilke kunder er på vej til at opsige? Hvor stort lager får vi brug for næste måned? Hvornår går en maskine sandsynligvis i stykker? Resultaterne er sandsynligheder, ikke sikkerheder. Deres værdi afhænger i høj grad af datakvaliteten og af, om forudsigelserne rent faktisk indgår i beslutninger og processer.
Predictive modelling er den tekniske kerne i predictive analytics: eksempeldata med kendte udfald bruges til at bygge en model, der forudsiger en værdi eller klasse for nye tilfælde. Almindelige metoder er regression, beslutningstræer, random forests og neurale netværk. En model kan f.eks. vurdere en ejendomspris ud fra boligareal, beliggenhed og byggeår. Før den tages i brug, testes den på tilbageholdte data for at opdage overfitting.
Et overblik over en virksomheds vigtigste processer og deres sammenhæng.
En prompt er det input, der fortæller en AI-model, hvad den skal gøre – et spørgsmål, en opgave eller en instruktion, ofte suppleret med kontekst, eksempler og det ønskede format. Svarets kvalitet afhænger i høj grad af, hvor klar og fuldstændig prompten er. For eksempel: i stedet for »Skriv noget om vores produkt« kan man skrive »Skriv tre korte fordele ved produkt X for håndværksvirksomheder i en saglig tone«.
Prompt leaking betegner utilsigtet offentliggørelse af et AI-systems interne instruktioner, f.eks. når en chatbot afslører sin systemprompt som svar på en snedigt formuleret forespørgsel. Det bliver et problem, hvis instruktionerne indeholder forretningslogik, interne oplysninger eller endda adgangsoplysninger. OWASP-listen for LLM-applikationer nævner udtrykkeligt denne risiko. Den mest effektive beskyttelse er at skrive instruktioner, som om de kunne blive offentlige, aldrig gemme hemmeligheder i dem og også kontrollere outputtet.
PyTorch er et open source framework til machine learning og deep learning i programmeringssproget Python. Det blev oprindeligt udviklet hos Meta (dengang Facebook) og er siden 2022 blevet forvaltet af PyTorch Foundation under Linux Foundation. PyTorch er udbredt i forskning og industri, fordi udviklere fleksibelt kan bygge modeller, træne dem på GPU'er og teste dem trin for trin; mange kendte sprog- og billedmodeller er bygget med det.
Q-learning er en grundlæggende reinforcement learning-metode. En agent lærer ved at prøve sig frem, hvilken langsigtet værdi (»Q-værdien«) en bestemt handling har i en bestemt situation, og vælger med tiden de mest lovende handlinger. Den behøver ikke en model af sit miljø til det. Kombineret med neurale netværk (deep Q-learning) brugte et system fra DeepMind denne tilgang til at lære at spille mange Atari-videospil alene ud fra skærmens pixels.
Query expansion tilføjer automatisk beslægtede termer til en søgeforespørgsel, så relevante dokumenter med andre formuleringer også bliver fundet. Typiske tilføjelser er synonymer, forkortelser, ordformer eller oversættelser: en søgning på »opsigelse« kan så også finde tekster om »ophævelse af kontrakt«. Det er især nyttigt ved nøgleordssøgning, men kan nedsætte præcisionen, hvis der tilføjes for mange eller uegnede termer. I dag bruges sprogmodeller ofte til at generere de udvidede forespørgsler.
Random forest-regression forudsiger numeriske værdier ved at kombinere mange beslutningstræer. Hvert træ trænes på en tilfældig stikprøve af dataene og et tilfældigt udvalg af features; resultatet er gennemsnittet af alle træernes forudsigelser. Det gør metoden mere robust og mindre tilbøjelig til overfitting end et enkelt træ. Den bruges f.eks. til salgsprognoser, prisvurderinger eller energibehov – ofte som et solidt udgangspunkt for tabeldata.
Recall (også kaldet sensitivitet eller true positive rate) måler, hvor stor en andel af de faktiske positive tilfælde en model registrerer: korrekt identificerede positive divideret med alle reelle positive. Hvis et svindelfilter fanger 80 ud af 100 reelle svindeltilfælde, er dets recall 0,8. Høj recall er vigtig, når oversete tilfælde er dyre, f.eks. ved medicinsk diagnose. Fordi den ignorerer falske alarmer, ses den som regel sammen med precision, f.eks. i F-scoren.
Et recurrent neural network behandler data i rækkefølge og giver en intern tilstand videre fra hvert trin til det næste – en slags korttidshukommelse. Det gør det velegnet til sekvenser som tekst, tale eller tidsserier, f.eks. til at forudsige det næste ord eller den næste sensormåling. Enkle RNN'er glemmer let information langt tilbage; varianter som LSTM og GRU afhjælper det. For sprogmodeller er RNN'er stort set afløst af transformere.
Regularisering omfatter teknikker, der under træningen forhindrer en model i at tilpasse sig træningsdataene for tæt (overfitting). Eksempler er straf for store vægte (L1- eller L2-regularisering), tilfældig frakobling af neuroner (dropout) eller at stoppe træningen på det rette tidspunkt (early stopping). Målet er en enklere model, der fungerer mere pålideligt på nye, usete data, selv om den scorer lidt lavere på træningsdataene.
Reinforcement learning er en gren af machine learning, hvor en agent lærer ved at prøve sig frem. Den handler i et miljø, får belønninger for gode udfald og straf for dårlige og udvikler på den måde en strategi, der maksimerer dens samlede belønning. Kendte eksempler er programmer, der mestrer brætspil som Go, robotstyring og fine-tuning af sprogmodeller på baggrund af menneskelige vurderinger.
RLHF er en træningsmetode, der gør sprogmodeller mere hjælpsomme og sikrere. Mennesker sammenligner og bedømmer flere af modellens svar; disse vurderinger bruges til at træne en belønningsmodel, som derefter træner selve sprogmodellen videre gennem reinforcement learning. Det lærer den f.eks. at svare mere klart eller at afvise problematiske forespørgsler. RLHF foregår hos modeludbyderen, før en model udgives – ikke hos de enkelte brugere.
Rekursiv prompting betegner teknikker, hvor en sprogmodels output føres tilbage som nyt input – f.eks. for at få et udkast gennemgået og revideret, eller for at opdele en stor opgave trin for trin i delopgaver. For eksempel udarbejdes først et udkast til et tilbud, derefter vurderer modellen det op mod en tjekliste, og til sidst forbedres det. Det hæver ofte kvaliteten, men koster ekstra behandlingstid og kræver et klart stopkriterium.
Remote MCP betegner en MCP-server, der ikke kører lokalt på din egen computer, men kan nås over internettet via HTTP. Model Context Protocol er en åben standard, der lader AI-applikationer bruge eksterne værktøjer og data; for eksterne servere indeholder specifikationen transporten »Streamable HTTP« og autentificering, f.eks. via OAuth eller en API-nøgle. Fordelen er, at en centralt hostet tjeneste er tilgængelig for mange brugere og AI-programmer uden lokal installation.
En retrieval pipeline er rækken af behandlingstrin, et system bruger til at finde de rigtige oplysninger til et spørgsmål. Typiske trin er: indlæsning og rensning af dokumenter, opdeling i chunks, opbygning af et søgeindeks, eventuelt omskrivning af forespørgslen, hentning af matches, rangering (reranking) og videregivelse af de bedste til sprogmodellen. Den er fundamentet for enhver RAG-applikation, og dens kvalitet er i høj grad afgørende for, hvor gode de endelige svar bliver.
Retrieval-augmented generation kombinerer søgning med tekstgenerering: før svaret søger systemet i en vidensamling – f.eks. manualer, politikker eller FAQ'er – efter relevante passager og giver dem til sprogmodellen som kontekst. Svaret bygger dermed på aktuelt, virksomhedsspecifikt indhold og ikke kun på modellens træningsviden. Det reducerer opfundne udsagn, gør kilder sporbare og muliggør opdateringer uden gentræning.
Return on AI beskriver den økonomiske gevinst ved en AI-anvendelse i forhold til omkostningerne. Et enkelt overslag er: sparede timer pr. måned × timepris, minus omkostninger til licenser, modelforbrug, opsætning og support. Hvis et team med 200 henvendelser bruger 4 i stedet for 10 minutter pr. henvendelse, sparer det 20 timer om måneden. Sådanne beregninger forbliver estimater; kvalitet, fejlrater og indkøringstid bør også tages i betragtning.
ROC-kurven (receiver operating characteristic) viser, hvor godt en klassifikationsmodel adskiller to klasser. For hver mulig beslutningstærskel afbilder den true positive rate (recall) mod false positive rate. Jo tættere kurven kommer på det øverste venstre hjørne, desto bedre; diagonalen svarer til ren gætning. Arealet under den (AUC) sammenfatter kurven i ét tal og hjælper f.eks. ved sammenligning af forskellige modeller til opdagelse af svindel.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) er en familie af målinger til sammenligning af automatisk genererede tekster – især resuméer – med referencetekster skrevet af mennesker. Den måler, hvor mange ord eller ordfølger der overlapper, f.eks. enkeltord i ROUGE-1 eller den længste fælles delsekvens i ROUGE-L. Scoren er hurtig at beregne, men fanger ikke pålideligt omskrivninger med samme betydning eller faktuel korrekthed.
Rytr er en AI-skriveassistent, der har eksisteret siden 2021, og som producerer korte marketing- og hverdagstekster. Brugerne vælger en anvendelse – f.eks. en e-mail, produktbeskrivelse, opslag på sociale medier eller en blogdisposition – en tone og et af mere end 30 sprog; en editor hjælper med at omformulere, forkorte eller udvide. Ud over en gratis version med begrænset tegnkvote findes der betalte abonnementer (pr. oktober 2026). Som ved alle den slags værktøjer bør resultaterne kontrolleres før offentliggørelse.
Samtale-AI (conversational AI) dækker teknologier, der gør det muligt for computere at føre dialoger i naturligt sprog, enten skriftligt via chat eller mundtligt via stemmeassistenter. Moderne systemer bygger som regel på store sprogmodeller, der forstår forespørgsler, tager højde for samtalehistorikken og formulerer passende svar. Organisationer bruger dem i kundeservice, til bookning af aftaler eller i interne helpdesks. Pålidelig viden, klare grænser og en overdragelse til mennesker, når AI'en ikke kan hjælpe, er afgørende.
Scene text recognition læser tekst, der optræder i fotos og videoer af omgivelser i den virkelige verden, f.eks. vejskilte, emballage eller nummerplader. I modsætning til klassisk OCR til scannede dokumenter skal den kunne håndtere skæve perspektiver, skiftende lys, usædvanlige skrifttyper og rodede baggrunde. En typisk fremgangsmåde har to trin: først lokaliseres tekstområderne, derefter genkendes tegnene i dem.
Scikit-learn er et open source Python-bibliotek til klassisk machine learning. Det leverer ensartede værktøjer til klassifikation, regression, clustering, dimensionsreduktion, databehandling før modellering og modelevaluering, f.eks. krydsvalidering. Bygget på NumPy og SciPy er det udbredt i uddannelse, forskning og praksis takket være sin enkle, ensartede grænseflade. Til dybe neurale netværk vælger man som regel frameworks som PyTorch eller TensorFlow i stedet.
Seed er et startnummer til en billedmodels tilfældighedsgenerator. Diffusionsmodeller begynder med tilfældig billedstøj, hvorfra et billede gradvist opstår; seed bestemmer, hvordan denne startstøj ser ud. Med samme seed, prompt og indstillinger kan et billede i vid udstrækning gengives i samme model. Det er nyttigt, når man kun vil ændre en enkelt detalje i prompten eller senere genskabe en vellykket billedvariant.
Sekvensmodellering omfatter metoder, der behandler og forudsiger data i en fast rækkefølge, hvor hvert elements position har betydning. Typiske sekvenser er tekst, talt sprog, tidsserier som salg eller sensormålinger og DNA-segmenter. Anvendelserne spænder fra oversættelse og tekstgenerering til talegenkendelse og salgsprognoser. Skjulte Markov-modeller og rekurrente netværk er blevet brugt til det; i dag dominerer transformer-modeller inden for sprog.
Selvkørende køretøjer bevæger sig helt eller delvist uden menneskelig indgriben ved hjælp af kameraer, radar, lidar og AI-software. Standarden SAE J3016 definerer seks niveauer – fra 0 (ingen automatisering) til 5 (fuldt førerløs overalt). AI håndterer opfattelsen af omgivelserne, forudsigelsen af andre trafikanters adfærd og ruteplanlægningen. Ud over biler omfatter det robottaxaer, lastbiler, shuttlebusser og lagerkøretøjer; godkendelse og ansvar reguleres separat i hvert land.
Semantisk analyse undersøger sprogets betydning – ikke kun hvilke ord der optræder, men hvad der menes. Det omfatter at fortolke flertydige ord rigtigt i sammenhængen (f.eks. »leder« som chef eller som elektrisk leder), at genkende relationer mellem begreber og at klassificere udsagn efter indhold. Det ligger til grund for anvendelser som analyse af kundefeedback, spørgsmålsbesvarelse eller søgesystemer, der også skal forstå forskelligt formulerede forespørgsler med samme betydning.
Semantisk segmentering tildeler hver enkelt pixel i et billede en klasse, f.eks. vej, køretøj, person eller himmel. Resultatet er en slags farvekodet kort over billedets indhold. I modsætning til instanssegmentering skelnes der ikke mellem objekter af samme type: tre biler behandles samlet som »bil«. Det bruges f.eks. i selvkørende biler, i medicinsk billeddannelse til at afgrænse væv og i analyse af luft- og satellitbilleder.
Semi-supervised learning kombinerer en lille mængde mærkede data med en stor mængde umærkede data. Modellen lærer først af de få eksempler med kendte svar og bruger derefter mønstre i de øvrige data til at forbedre sig – f.eks. ved at overtage sikre forudsigelser som yderligere træningseksempler. Det betaler sig, når mærkning er dyr, f.eks. ved medicinske billeder eller tusindvis af supporthenvendelser.
Sentimentanalyse afgør automatisk den stemning eller holdning, en tekst udtrykker – som regel positiv, neutral eller negativ, nogle gange mere nuancerede følelser. Virksomheder bruger den til at evaluere store mængder produktanmeldelser, support-e-mails, spørgeundersøgelser eller opslag på sociale medier og hurtigt se, hvor kunderne er tilfredse, og hvor der er problemer. Ironi, sarkasme og blandede udsagn som »hurtig levering, skuffende kvalitet« er stadig svære, så stikprøver bør kontrolleres af mennesker.
En SEO-score er et mål, som analyseværktøjer bruger til at vurdere, hvor godt en webside er optimeret til søgemaskiner – som regel på en skala fra 0 til 100. Faktorerne kan være titler og beskrivelser, overskriftsstruktur, indlæsningshastighed, mobilvenlighed, interne links og strukturerede data. Hvert værktøj beregner scoren forskelligt; det er ikke en officiel Google-vurdering. Scoren er derfor nyttig som tjekliste til forbedringer, ikke som garanti for gode placeringer.
En sikkerhedsaudit af en chatbot er en struktureret gennemgang af, om en AI-chatbot i tilstrækkelig grad beskytter fortrolige data, sine interne instruktioner og sine handlerettigheder. Den undersøger blandt andet sårbarheden over for prompt injection, utilsigtet videregivelse af oplysninger og for vid adgang til værktøjer – ofte med udgangspunkt i OWASP Top 10 for LLM Applications. Resultatet er en rapport med en vurdering pr. risikoområde og konkrete tiltag.
Den teknologiske singularitet er en teoretisk forestilling: et punkt, hvor kunstig intelligens forbedrer sig selv så hurtigt, at den teknologiske udvikling ikke længere kan forudsiges eller styres af mennesker. Begrebet blev gjort kendt af forfatteren Vernor Vinge og futuristen Ray Kurzweil. Om og hvornår det kan ske, er videnskabeligt åbent og omstridt. Ikke desto mindre påvirker ideen debatten om AI-sikkerhed, regulering og langsigtede risici.
En skjult Markov-model (hidden Markov model, HMM) er en statistisk model for sekvenser, hvor de egentlige tilstande er skjulte og kun kan udledes af observerbare signaler. Den beskriver sandsynligheden for, at én tilstand følger efter en anden, og for at hver tilstand giver en bestemt observation. HMM'er var længe standard inden for talegenkendelse og ordklassetagging; i dag bruges de stadig f.eks. i bioinformatik og tidsserieanalyse.
spaCy er et open source Python-bibliotek til naturlig sprogbehandling, udviklet af det berlinbaserede firma Explosion. Det opdeler tekster i ord og sætninger, bestemmer ordklasser og grundformer, analyserer sætningsstruktur og genkender navngivne entiteter som personer, virksomheder eller steder. Fortrænede modeller findes til mange sprog, herunder tysk. spaCy er designet til hastighed og til brug i rigtige applikationer, f.eks. til forbehandling af store mængder dokumenter.
Sprogidentifikation afgør automatisk, hvilket sprog en tekst er skrevet på, f.eks. tysk, italiensk eller spansk. Klassiske metoder analyserer karakteristiske bogstavfølger, mens store sprogmodeller genkender sproget som et biprodukt. Det bruges til at sende henvendelser til det rigtige team, udløse passende oversættelser eller svare på den andens sprog. Meget korte tekster og blandinger af flere sprog er vanskelige.
Spørgsmål-svar (question answering, QA) er et område inden for naturlig sprogbehandling, hvor et system besvarer spørgsmål stillet i dagligdags sprog direkte i stedet for at returnere en liste med søgeresultater. Moderne systemer leder efter relevante passager i en vidensbase og sammensætter et svar ud fra dem, helst med en kildehenvisning. Typiske anvendelser er kundeservice, interne vidensbaser og manualer – f.eks. at spørge personalehåndbogen: 'Hvor mange feriedage får jeg i mit første år?'
Stable Diffusion er en familie af billedgenereringsmodeller, der skaber billeder ud fra en tekstbeskrivelse. Den første version udkom i 2022, udviklet under ledelse af Stability AI sammen med forskningspartnere. Teknisk er det en latent diffusionsmodel, der gradvist omdanner billedstøj til et billede. Fordi modelvægtene er offentliggjort, kan den køres og tilpasses lokalt; kommerciel brug af nyere versioner er reguleret af Stability AI's egen licens (pr. oktober 2026).
En stor sprogmodel (large language model, LLM) er et neuralt netværk, der er trænet på meget store tekstmængder, så det kan forstå og generere sprog. Den fungerer ved trin for trin at beregne det mest sandsynlige næste token. LLM'er skriver, opsummerer, oversætter, besvarer spørgsmål og genererer kode; kendte eksempler er Claude, GPT, Gemini og Llama. Uden adgang til aktuelle kilder ved de kun det, der stod i deres træningsdata.
Strukturerede data følger et fast skema med tydeligt navngivne felter, f.eks. tabeller, databaser eller JSON-objekter med oplysninger som navn, pris og dato. Maskiner kan læse, filtrere og behandle dem pålideligt – i modsætning til fri tekst eller billeder. På websites beskriver schema.org-markup f.eks. produkter, begivenheder eller FAQ'er, så søgemaskiner og AI-systemer forstår indholdet entydigt. AI kan også udtrække strukturerede data fra ustruktureret tekst.
Ved supervised learning lærer en model af eksempler, hvor det rigtige svar allerede er kendt, f.eks. e-mails mærket »spam« eller »ikke spam«. Ud fra dem udleder den regler til at klassificere nye, usete tilfælde eller forudsige værdier. Typiske opgaver er klassifikation og regression; det meste af indsatsen går med at skabe rent mærkede data.
Svindeldetektion omfatter metoder, der tidligt identificerer mistænkelige transaktioner, ordrer, konti eller ansøgninger. Regler og lærende modeller leder efter advarselstegn som forskellige leverings- og faktureringsadresser, usædvanlige mængder, påfaldende tidspres eller engangs-e-mailadresser. Det bruges inden for e-handel, bankvirksomhed, forsikring og betalingstjenester. Da falske alarmer kan ramme ægte kunder, bør fund gennemgås af mennesker i stedet for at blive afvist automatisk.
Syntetiske data er skabt kunstigt i stedet for at være indsamlet i den virkelige verden, men efterligner de virkelige datas mønstre og egenskaber. De hjælper, når ægte data er knappe, dyre eller følsomme ud fra et databeskyttelsessynspunkt – f.eks. til test af software, træning af modeller eller afprøvning af en chatbot med realistiske eksempelforespørgsler. Det er vigtigt, at de afspejler virkeligheden tæt nok og ikke tillader slutninger om rigtige personer.
Systemprompt-udtrækning betegner forsøg på at få en chatbot eller AI-agent til at afsløre sine skjulte systeminstruktioner. Lykkes et sådant forsøg, kaldes resultatet prompt leaking: udtrækningen er angrebet, lækagen er konsekvensen. Effektiv beskyttelse begynder med at holde adgangskoder, nøgler og fortrolige regler ude af instruktionerne og gå ud fra, at de kan blive offentlige; inputkontroller og regelmæssig testning giver yderligere sikkerhed.
En sætningsomskriver omformulerer enkelte sætninger eller korte passager uden at ændre betydningen. Den kan forenkle en sætning, få den til at lyde mere formel eller venligere, forkorte den eller undgå gentagelser. Det er nyttigt f.eks. til kundesvar, produkttekster eller når en sætning læses akavet. Et hurtigt tjek er stadig vigtigt for at sikre, at fagudtryk, tal og udsagn forbliver korrekte efter omformuleringen.
Talegenkendelse, også kaldet ASR (automatic speech recognition), omdanner automatisk talt sprog til skrevet tekst. Moderne systemer bruger neurale netværk trænet på store mængder lydoptagelser og håndterer accenter og baggrundsstøj nogenlunde godt. Anvendelserne omfatter diktering, undertekster, stemmeassistenter og transskription af møder og kundesamtaler. Fagudtryk, egennavne og dårlig lydkvalitet er stadig almindelige fejlkilder.
TAM-analyse vurderer det samlede adresserbare marked: hele den omsætning, et tilbud teoretisk kan generere. En top-down-tilgang indsnævrer tal fra markedsundersøgelser, mens en bottom-up-tilgang ganger antallet af potentielle kunder med den forventede pris. Sammen med SAM (serviceable market) og SOM (realistisk opnåelig andel) understøtter den investerings- og planlægningsbeslutninger, men den giver kun mening med gennemsigtige antagelser og intervaller frem for falsk præcision.
Tekstgenerering er AI's automatiske produktion af tekst, i dag som regel ved hjælp af store sprogmodeller, der beregner den mest sandsynlige fortsættelse ord for ord. Det er en gren af natural language generation og en central anvendelse af generativ AI. Organisationer bruger det til at udarbejde e-mails, rapporter eller produktbeskrivelser; fakta og tal bør kontrolleres før offentliggørelse.
Tekstklassifikation placerer automatisk tekster i foruddefinerede kategorier, f.eks. e-mails efter henvendelsestype, anmeldelser efter sentiment eller dokumenter efter emne. Tidligere krævede det, at man trænede dedikerede modeller på mærkede eksempler; i dag kan store sprogmodeller ofte tildele kategorier alene ud fra en beskrivelse. Det gør det muligt at forsortere henvendelser og sende dem hurtigere til det rigtige team.
Ved automatisk tekstopsummering destillerer AI lange tekster ned til deres hovedpunkter. Ekstraktive metoder kopierer vigtige sætninger ordret, mens abstraktive metoder omformulerer indholdet; store sprogmodeller arbejder hovedsageligt abstraktivt. Det er nyttigt til referater, rapporter eller lange e-mailtråde; ved vigtige beslutninger bør resuméet kontrolleres mod originalen.
TensorFlow er et open source machine learning-framework udviklet af Google og udgivet i 2015. Det bruges til at bygge, træne og udrulle neurale netværk i applikationer, på servere eller på mobile enheder. Keras giver en tilgængelig grænseflade på højt niveau; typiske anvendelser er billedklassifikation, prognoser og anbefalingssystemer.
Text-to-speech omdanner skrevet tekst til talt sprog og er dermed modstykket til talegenkendelse (speech-to-text). Moderne systemer bruger neurale netværk til at skabe naturligt klingende stemmer med passende intonation. TTS bruges i telefonmeddelelser, navigationsenheder, oplæsningsfunktioner til tilgængelige websites og stemmeassistenter.
Starter et flow automatisk, for eksempel hver time, dagligt, på hverdage eller ugentligt.
Den enhed, sprogmodeller tæller tekst i. Et token svarer omtrent til en del af et ord; AI-omkostninger beregnes ud fra det.
Et token er den mindste tekstenhed, en sprogmodel behandler, som regel en del af et ord, et kort ord eller et tegnsætningstegn. Modeller læser input og genererer svar token for token, og størrelsen på kontekstvinduet måles også i tokens. Fordi udbydere tager betaling for input- og output-tokens, bestemmer tokens direkte omkostninger og grænser: lange instruktioner og omfattende baggrundsviden øger forbruget.
Token smuggling er en form for jailbreaking, hvor uønskede instruktioner forklædes, f.eks. ved at blive delt i fragmenter, omkodet eller skrevet med tegn, der ligner andre, så simple nøgleordsfiltre overser dem, mens sprogmodellen stadig forstår deres betydning. Beskyttelse omfatter normalisering af input, før de vurderes, indholdsbaserede frem for rent ordbaserede kontroller, gennemgang af output og at give AI-agenter så få rettigheder som muligt.
Månedligt loft over et arbejdsområdes AI-forbrug.
Top-k-nøjagtighed måler, hvor ofte det rigtige svar findes blandt en models k mest sandsynlige forslag. Med top-1 tæller kun den første forudsigelse; med top-5 er det nok, at den rigtige klasse er blandt de fem bedste, en velkendt måling fra benchmarks for billedgenkendelse som ImageNet. Den er nyttig overalt, hvor brugerne ser flere forslag, f.eks. produktanbefalinger eller autofuldførelse.
Torch er et open source machine learning-framework baseret på scriptsproget Lua; dets Torch7-version var meget brugt i forskning og industri i 2010'erne. Det regnes for forgænger til PyTorch, som overtog idéer og dele af Torchs C-biblioteker, men bruger Python. Ifølge det officielle repository er Torch ikke længere under aktiv udvikling og har nu kun ringe relevans for nye projekter.
Ved transfer learning bruges en model, der allerede har lært en stor generel opgave, som udgangspunkt for en ny, specialiseret opgave. I stedet for at starte fra bunden tilpasses den, f.eks. gennem fine-tuning, med forholdsvis få egne data. Det sparer beregningstid og data, f.eks. når en generel billedmodel skal lære at opdage produktionsfejl på fotos.
Transformeren er en neural netværksarkitektur, der blev introduceret i 2017 i forskningsartiklen »Attention Is All You Need«. Kernen er attention-mekanismen: hvert ord vægtes i forhold til alle andre ord i en tekst, og beregningen kan paralleliseres effektivt. Transformere ligger til grund for nutidens sprogmodeller som GPT, Claude og BERT og bruges også til billeder og lyd.
Træningsdata er de eksempler, som en AI-model lærer mønstre af: store tekstsamlinger til sprogmodeller, mærkede billeder til billedmodeller. Deres kvalitet, mangfoldighed og aktualitet er i høj grad afgørende for, hvor pålidelig og fair en model er, og hvor opdateret dens viden bliver. For organisationer er det også vigtigt, om en udbyder bruger de kundedata, der indtastes, til yderligere træning.
Træningsfejl angiver, hvor langt en models forudsigelser afviger fra de korrekte værdier på netop de data, den er trænet på. I sig selv siger den ikke meget: det afgørende er sammenligningen med generaliseringsfejlen på nye data. En høj træningsfejl peger på underfitting; en meget lav træningsfejl kombineret med en høj fejl på testdata er som regel et tegn på overfitting.
Turing-testen går tilbage til matematikeren Alan Turing, som beskrev den i 1950 som »imitationsspillet«. Et menneske fører skriftlige samtaler med et menneske og en maskine; hvis det ikke pålideligt kan afgøre, hvem der er maskinen, anses testen for bestået. Nutidens sprogmodeller fører ofte meget menneskelignende samtaler, men testen siger kun noget om overbevisende sprog, ikke om forståelse eller pålidelighed.
Udvidelsesmuligheder er softwarens evne til at tage nye funktioner, datakilder eller forbindelser ind uden at bygge kernen om. Typiske midler er programmeringsgrænseflader (API'er), webhooks, plugins og åbne standarder som Model Context Protocol (MCP). For virksomheder betyder en udvidelig AI-løsning, at den arbejder sammen med eksisterende systemer som et CRM eller en webshop og kan vokse med skiftende krav.
En AI-prototype er en tidlig, fungerende version af en AI-applikation, som lader et team teste en idé hurtigt og til lav pris. I stedet for at planlægge i månedsvis prøver man den af med virkelige data og brugere for at se, om AI'en løser opgaven pålideligt nok, hvilke data der mangler, og hvilken værdi den skaber. Eksempel: En assistent, der forsorterer kundehenvendelser, afprøves på en del af indbakken i to uger, før man beslutter en bredere udrulning.
Underfitting opstår, når en model er for enkel til at fange sammenhængene i dataene. Den laver så mange fejl både på træningsdataene og på nye data, f.eks. når en ret linje bruges til at gengive et tydeligt kurvet mønster. Afhjælpning er en kraftigere model, mere informative features, længere træning eller mindre regularisering; det modsatte problem er overfitting.
Ved unsupervised learning får en model data uden foruddefinerede rigtige svar og leder selv efter strukturer. Typiske metoder er clustering, som grupperer ensartede datasæt, og dimensionsreduktion, som komprimerer mange features til nogle få væsentlige. Organisationer bruger det til at opdage kundesegmenter eller spotte usædvanlige transaktioner; de fundne grupper skal derefter fortolkes af fagfolk.
Ustrukturerede data følger ikke noget fast tabelskema: e-mails, kontrakter, manualer, websider, præsentationer, billeder eller lydoptagelser. De udgør en stor del af organisationers viden, men har længe været svære at analysere automatisk. Sprogmodeller kan læse og søge i sådant indhold og omdanne det til strukturerede oplysninger, f.eks. ved at udtrække frister og beløb fra en kontrakt til en tabel.
En vertikal AI-agent er skræddersyet til en bestemt branche eller specialopgave, f.eks. kundesupport i e-handel, tidsbestilling hos lægepraksis eller salgsforespørgsler inden for maskinbygning. I modsætning til universalassistenter kender den sit områdes terminologi, processer og regler, fordi den er udstyret med passende instruktioner, viden og værktøjer. Derfor leverer den som regel mere præcise og pålidelige resultater inden for sit domæne.
Vibe coding betegner en arbejdsform, hvor software hovedsageligt skabes via beskrivelser på naturligt sprog, og AI-genereret kode i vid udstrækning accepteres uden gennemgang. Begrebet blev lanceret af AI-forskeren Andrej Karpathy i februar 2025. Det kan være nyttigt til hurtige prototyper, men i produktion indebærer det risiko for uopdagede sikkerhedshuller, kode der er svær at vedligeholde, og afhængigheder, som ingen i teamet reelt forstår, så kodegennemgang og test er fortsat afgørende.
Et spørgsmål, som en agent ikke fandt noget om i sin viden. KI.ordo samler disse, så du kan lukke hullerne.
En tekst, som KI.ordo opdeler i afsnit og gør søgbar for agenter.
En internetadresse, der starter et flow, så snart et andet program sender data til den.
En AI-websitegenerator opretter automatisk et website, inklusive sidestruktur, layout, tekst og billedforslag, ud fra nogle få input som branche, tilbud og foretrukken stil. Det giver små virksomheder eller projekter en hurtig onlinetilstedeværelse uden programmeringskundskaber. Resultaterne er et udgangspunkt: indhold, lovpligtige oplysninger, tilgængelighed og søgemaskineoptimering bør derefter kontrolleres og justeres.
Whisper er en automatisk talegenkendelsesmodel, som OpenAI udgav i september 2022. Den omdanner talt sprog på mange sprog til tekst og kan også oversætte optagelser til engelsk. Dens kode og modelvægte er tilgængelige under open source-licensen MIT, så Whisper også kan køre på egen hardware, hvilket er en fordel, når lyddata ikke må forlade organisationen. Typiske anvendelser er transskriptioner af møder, interviews og undertekster.
Windowing betyder, at lange data opdeles i sektioner (»vinduer«) af fast længde, som ofte overlapper. I AI-applikationer opdeler det lange dokumenter i søgbare dele; overlappet sikrer, at en sætning ved en sektionsgrænse ikke mister sin kontekst. Glidende vinduer bruges også til tidsserier og lydsignaler for at analysere data stykke for stykke.
Word embeddings repræsenterer ord som numeriske vektorer, så ord med lignende betydning ligger tæt på hinanden i vektorrummet, f.eks. »bil« og »køretøj«. Metoder som Word2Vec eller GloVe lærer disse vektorer af store tekstmængder. De var et vigtigt skridt i sprogbehandlingen, f.eks. til søgning eller klassifikation; nutidens sprogmodeller bruger kontekstuelle embeddings, hvor et ord repræsenteres forskelligt afhængigt af sætningen.
Writer (writer.com) er en amerikansk virksomhed grundlagt i 2020, der tilbyder en platform til generativ AI i virksomheder. Den udvikler sin egen familie af sprogmodeller kaldet Palmyra og leverer værktøjer, som virksomheder kan bruge til at bygge AI-agenter, forbinde dem med deres egen viden og styre dem med regler for brandets tone og godkendelser (pr. oktober 2026). Den bruges hovedsageligt til indhold og arbejdsgange inden for marketing, salg og kundekommunikation.
Writesonic er en AI-tjeneste, der først blev kendt som et værktøj til at lave marketingtekster. Udbyderen positionerer sig nu som en platform for synlighed i både traditionel og AI-baseret søgning: den skal måle, hvor ofte et brand nævnes i AI-assistenters svar, og forbedre indhold til SEO og generative engine optimisation (GEO) (pr. oktober 2026). Målgruppen er hovedsageligt marketingteams og bureauer.
XGBoost (Extreme Gradient Boosting) er et open source-bibliotek, der implementerer gradient boosting med beslutningstræer særligt effektivt. Mange små træer trænes efter hinanden, hvor hvert enkelt retter fejlene fra de foregående, mens regularisering er med til at forebygge overfitting. XGBoost regnes for et gennemprøvet valg til tabeldata, f.eks. til kreditrisikoscoring, churn-forudsigelse eller salgsprognoser.
En zero-click-søgning opstår, når brugerne får deres svar direkte på resultatsiden, f.eks. via fremhævede svarbokse eller AI-genererede resuméer, og ikke længere klikker videre til et website. For virksomheder mindsker det trafikken, selv når deres indhold er kilden. Det bliver derfor vigtigere at være synlig som en citeret kilde: med klare svar, understøttede fakta og velstrukturerede sider.
Zero-shot learning betyder, at en model kan løse en opgave uden på forhånd at have set konkrete eksempler på den. Store sprogmodeller kan f.eks. udføre en oversættelse eller klassifikation alene ud fra en beskrivelse i prompten. Hvis kvaliteten ikke er tilstrækkelig, hjælper few-shot learning ofte: man tilføjer nogle få eksempler på det ønskede svar.
3D-rekonstruktion dækker over metoder, der beregner en tredimensionel model af et objekt eller et rum ud fra fotos, video eller sensordata. Typiske tilgange sammenholder flere billeder taget fra forskellige vinkler eller vurderer dybdedata fra laser- og dybdesensorer. Det bruges inden for opmåling, bevaring af kulturarv, medicin, robotteknologi og e-handel – for eksempel når en smartphonescanning omdannes til en 3D-produktmodel, der kan drejes.
