Opslagsværk

AI-ordbog

De begreber, der går igen, når man arbejder med AI i praksis — kort og præcist forklaret på dansk, med den engelske term, du møder i værktøjer og dokumentation.

205 begreber · opdateres løbende

A

A/B-test: En metode til at sammenligne to varianter, kaldet A og B, ved at vise dem for hver sin gruppe brugere og måle, hvilken der præsterer bedst på et fastlagt mål. Tilgangen bygger på kontrolleret eksperimentering, hvor kun den ene faktor varieres ad gangen. Inden for AI bruges A/B-test til at vurdere effekten af modeller, prompts eller funktioner under reelle forhold.
Agentisk AI: En betegnelse for AI-systemer, der handler selvstændigt over flere trin mod et mål frem for blot at besvare en enkelt forespørgsel. Agentisk AI kendetegnes ved at kunne planlægge, anvende værktøjer, reagere på resultater og justere sin fremgangsmåde undervejs. Begrebet beskriver en grad af selvstændig handlekraft snarere end en bestemt teknologi.
AI literacy / AI-kompetence: Evnen til at forstå, vurdere og bruge AI på et informeret grundlag. Det omfatter en grundlæggende forståelse af, hvad AI kan og ikke kan, hvordan resultater bør efterprøves, og hvilke risici og etiske spørgsmål brugen rejser. AI-kompetence ses i stigende grad som en forudsætning for, at medarbejdere kan bruge AI forsvarligt, og indgår som krav i EU AI Act.
AI på enheden: Udførelse af AI-modeller direkte på en lokal enhed som en telefon eller computer frem for på en ekstern server. Tilgangen kan reducere svartider og afhængighed af netværk og holde data på enheden, men begrænses af enhedens regnekraft og hukommelse.
AI-agent: Et softwaresystem, der kan opfatte sine omgivelser, træffe beslutninger og udføre handlinger for at nå et mål med en vis grad af selvstændighed. En AI-agent kombinerer typisk en sprogmodel eller anden model med adgang til værktøjer, hukommelse og evnen til at planlægge over flere trin. Den adskiller sig fra et enkeltstående svar ved at kunne tage flere skridt mod et resultat.
AI-etik: Et felt, der undersøger de moralske spørgsmål forbundet med udvikling og anvendelse af kunstig intelligens. AI-etik omfatter emner som retfærdighed, gennemsigtighed, ansvar, privatliv og konsekvenser for mennesker og samfund. Feltet søger at opstille principper og praksis, der kan vejlede beslutninger, hvor teknologiske valg har betydning for grundlæggende rettigheder og værdier.
AI-governance: De rammer, roller og processer en organisation bruger til at styre, hvordan AI udvikles, indkøbes og anvendes. AI-governance dækker bl.a. ansvarsfordeling, godkendelse af use cases, risikovurdering, dokumentation og kontrol med data og modeller. Formålet er at sikre, at brugen af AI er lovlig, sikker og i tråd med organisationens mål.
AI-modenhed: Et udtryk for, hvor langt en organisation er nået i sin evne til at indføre og udnytte kunstig intelligens. AI-modenhed vurderes typisk ud fra forhold som strategi, data, kompetencer, styring og graden af integration i arbejdsgange. Begrebet bruges ofte med modenhedsmodeller, der beskriver en udvikling fra spredte forsøg mod systematisk og forankret anvendelse.
AI-ROI: Forholdet mellem den værdi, en AI-investering skaber, og hvad den koster. Ud over direkte besparelser indgår ofte sværere målbare effekter som tid, kvalitet og risiko, og omkostningerne omfatter både udvikling, drift (inferens) og forandringsledelse. AI-ROI bruges til at vurdere, om en use case er værd at skalere.
AI-sikkerhed: Feltet, der arbejder på at sikre, at AI-systemer opfører sig som tilsigtet og ikke forvolder skade. Det spænder fra konkrete tiltag som test, guardrails og overvågning til mere grundlæggende forskning i, hvordan stærke systemer holdes pålidelige og under menneskelig kontrol. AI-sikkerhed adskiller sig fra cybersikkerhed ved at handle om systemets egen adfærd, ikke kun beskyttelse mod angreb udefra.
Aktiveringsfunktion: En matematisk funktion i et neuralt netværk, der bestemmer, hvordan en neurons samlede input omsættes til et output. Funktionen indfører ikke-linearitet, så netværket kan lære komplekse sammenhænge i data frem for blot lineære. Uden aktiveringsfunktioner ville selv et dybt netværk svare til en enkelt lineær transformation og dermed have stærkt begrænset udtrykskraft.
Algoritme: En præcist defineret række af trin eller regler, der følges for at løse en opgave eller beregne et resultat. En algoritme tager typisk et input, bearbejder det efter faste anvisninger og frembringer et output. Inden for kunstig intelligens udgør algoritmer grundlaget for både databehandling og de procedurer, hvormed modeller trænes og anvender det lærte.
Alignment: Bestræbelsen på at få et AI-systems adfærd til at flugte med menneskelige hensigter, mål og værdier. Alignment handler om, at en model ikke blot udfører den bogstavelige instruktion, men også de bagvedliggende intentioner, og at den undgår utilsigtede eller skadelige resultater. Det er et centralt område inden for forskning i sikker og ansvarlig kunstig intelligens.
Anbefalingssystem: Et system, der forudsiger og foreslår elementer, en bruger sandsynligvis vil finde relevante, ud fra tidligere adfærd, brugerens profil eller ligheder med andre brugere. Anbefalingssystemer (recommendation systems) anvendes blandt andet i webshops, streamingtjenester og indholdsplatforme til at personalisere, hvad der vises.
Anonymisering: En proces, hvor personoplysninger ændres eller fjernes, så en person ikke længere kan identificeres, hverken direkte eller indirekte. Når anonymisering er fuldstændig, anses data ikke længere for personoplysninger og falder uden for databeskyttelsesreglerne. Anonymisering adskiller sig fra pseudonymisering, hvor data stadig kan henføres til en person ved hjælp af supplerende oplysninger.
API: En grænseflade, der gør det muligt for forskellige softwaresystemer at kommunikere og udveksle data efter et fastlagt sæt regler. En API (application programming interface) skjuler den underliggende kompleksitet og stiller bestemte funktioner til rådighed for andre programmer. Inden for AI bruges API'er ofte til at give applikationer adgang til modeller, så funktionalitet kan integreres uden lokal drift.
Artificial general intelligence (AGI) / Generel kunstig intelligens (AGI): Et tænkt niveau af kunstig intelligens, hvor et system kan forstå, lære og løse opgaver på tværs af vidt forskellige områder på linje med et menneske. Generel kunstig intelligens (artificial general intelligence) står i modsætning til snæver AI, som er specialiseret til afgrænsede opgaver. Begrebet er endnu teoretisk, og der er ikke enighed om, hvornår eller hvordan det kan opnås.
Artificial intelligence / Kunstig intelligens: En samlebetegnelse for teknologier og metoder, der gør det muligt for computere at udføre opgaver, som normalt forbindes med menneskelig intelligens. Kunstig intelligens omfatter blandt andet læring fra data, mønstergenkendelse, sprogforståelse og beslutningstagning. Feltet spænder bredt fra regelbaserede systemer til moderne modeller, der trænes på store mængder data.
Attention: En mekanisme i neurale netværk, der lader modellen vægte forskellige dele af et input efter, hvor relevante de er for den aktuelle opgave. Attention gør det muligt at fange sammenhænge mellem elementer, selv når de står langt fra hinanden i en tekst. Mekanismen er central i transformer-arkitekturen, der ligger til grund for mange moderne sprogmodeller.
Augmentering: Anvendelse af kunstig intelligens til at forstærke og understøtte menneskeligt arbejde frem for at erstatte det. Augmentering indebærer, at mennesker og AI-systemer løser opgaver i samspil, hvor teknologien tager sig af dele af arbejdet og lader mennesket bevare overblik og beslutning. Begrebet bruges ofte i modsætning til fuld automatisering af en proces.
Autonomi: Graden af, hvor selvstændigt et AI-system kan handle uden løbende menneskelig indgriben. Et system med høj autonomi kan træffe beslutninger og udføre handlinger på egen hånd inden for sit område, mens lav autonomi indebærer, at et menneske godkender eller styrer hvert skridt. Niveauet af autonomi har betydning for både ansvar, sikkerhed og kontrol.

B

Backpropagation: En algoritme til træning af neurale netværk, der beregner, hvordan hver vægt i netværket bidrager til fejlen i outputtet, og justerer vægtene derefter. Backpropagation arbejder baglæns gennem netværkets lag og fordeler fejlen ved hjælp af differentialregning. Metoden er grundlaget for, at dybe netværk kan lære, og anvendes sammen med en optimeringsmetode.
Batch: En samling af dataeksempler, der behandles samlet i ét gennemløb under træning eller anvendelse af en model. Ved at gruppere data i batches kan beregningerne udføres mere effektivt, og opdateringer af modellen baseres på flere eksempler ad gangen. Størrelsen på en batch påvirker både hastigheden af træningen og stabiliteten i indlæringen.
Beam search: En søgemetode, der bruges, når en model genererer en sekvens, for eksempel tekst, ved at holde styr på flere mulige fortsættelser samtidig. Beam search beholder et fast antal af de mest lovende delsekvenser i hvert trin og forkaster resten. Metoden søger en balance mellem at finde et samlet set godt resultat og at begrænse mængden af beregninger.
Benchmark: En standardiseret opgave eller et datasæt, der bruges til at måle og sammenligne præstationen af modeller eller systemer under ensartede betingelser. Et benchmark gør det muligt at vurdere fremskridt og sammenholde forskellige tilgange på et fælles grundlag. Resultater på et benchmark afspejler dog kun de afgrænsede forhold, der måles, og ikke nødvendigvis ydeevnen i praksis.
Bias (skævhed): En skævhed i et AI-system, der fører til systematisk ulige eller uretfærdig behandling af bestemte grupper af mennesker. Denne form for bias kan opstå, når træningsdata afspejler eksisterende uligheder, eller når modellen knytter beslutninger til følsomme træk som køn eller oprindelse. Den udgør en central bekymring inden for retfærdighed og ansvarlig brug af kunstig intelligens.
Bias (statistisk): En systematisk afvigelse mellem en models forudsigelser og de sande værdier, den forsøger at ramme. Statistisk bias opstår, når modellen gør forsimplede antagelser og derfor konsekvent rammer ved siden af på en bestemt måde, uafhængigt af tilfældig variation. Begrebet indgår i afvejningen mellem bias og varians, hvor begge bidrager til en models samlede fejl.

C

Caching: Mellemlagring af data eller beregninger, så de kan genbruges i stedet for at blive udført på ny. I sprogmodeller kan dele af en samtale eller et fast systemprompt caches, så modellen ikke skal behandle den samme tekst flere gange. Caching reducerer ventetid og forbrug af regnekraft, især når de samme input går igen på tværs af mange forespørgsler.
Catastrophic forgetting / Katastrofal glemsel: Det fænomen, at en model glemmer tidligere indlært viden, når den trænes videre på nye opgaver eller data. De parametre, der bar den gamle viden, justeres mod den nye opgave, og ydelsen på de oprindelige opgaver falder. Fænomenet er en central udfordring ved løbende træning og ved tilpasning af modeller til nye domæner.
Chain of thought / Tankekæde: En måde at få en sprogmodel til at arbejde et problem igennem i flere mellemtrin, før den giver sit endelige svar. Ved at lade ræsonnementet udfolde sig i tekst kan modellen håndtere opgaver, der kræver flere led af logik eller beregning. Tilgangen kan forbedre nøjagtigheden på sammensatte opgaver, men de viste trin afspejler ikke nødvendigvis modellens faktiske beslutningsproces.
Chatbot: Et program, der fører en samtale med brugeren i naturligt sprog via tekst eller tale. Moderne chatbots bygger ofte på sprogmodeller og kan besvare spørgsmål, løse opgaver og indgå i længere dialoger, mens ældre versioner typisk fulgte faste regler og forudbestemte svar. Chatbots bruges blandt andet til kundeservice, intern support og informationssøgning.
Chunking / Opdeling: Den proces, hvor et dokument deles op i mindre stykker (chunks), før det indekseres og hentes i et RAG-system. Strategien har stor betydning for kvaliteten: opdeling i faste størrelser tager ikke hensyn til indholdets betydning og kan klippe sammenhængende afsnit midt over, mens semantisk opdeling forsøger at holde meningsfuldt indhold samlet. Uhensigtsmæssig chunking er en hyppig årsag til, at et system henter irrelevante eller ufuldstændige passager.
Compliance: At overholde de love, regler og standarder, der gælder for en organisations brug af AI og data. I en AI-sammenhæng omfatter det bl.a. databeskyttelse (GDPR), sektorregler og krav fra EU AI Act. Compliance dokumenteres typisk gennem politikker, risikovurderinger og kontroller, så efterlevelsen kan vises over for myndigheder og kunder.
Compute: Den regnekraft, der kræves for at træne eller anvende en AI-model, ofte målt i antallet af beregningsoperationer. Træning af store modeller forbruger betydelig compute og afvikles på specialiseret hardware som grafikkort eller dedikerede acceleratorer. Mængden af tilgængelig compute er en væsentlig faktor for, hvor store og avancerede modeller der kan bygges.
Computer use: En evne hos et AI-system til at betjene en computer ved at aflæse skærmen og udføre handlinger som at klikke, skrive og navigere i programmer. Systemet styrer grænsefladen på samme måde som en menneskelig bruger og kan dermed løse opgaver på tværs af eksisterende software uden særlige integrationer. Funktionen anvendes til at automatisere arbejdsgange, der involverer flere værktøjer.
Computervision: Det felt inden for AI, der handler om at få computere til at fortolke billeder og video. Teknikkerne dækker blandt andet genkendelse af objekter, ansigter og tekst samt opdeling af et billede i meningsfulde områder. Computervision indgår i anvendelser som kvalitetskontrol, medicinsk billedanalyse, overvågning og selvkørende køretøjer.
Context collapse / Kontekst-kollaps: Det fald i kvalitet, der opstår, når en models kontekstvindue fyldes med for meget eller dårligt udvalgt information. Når mængden af tekst vokser, bliver det sværere for modellen at finde og prioritere de relevante detaljer, og dens evne til at huske tidligere indhold forringes. Problemet løses sjældent ved at gøre vinduet større, men ved at udvælge indholdet mere præcist.
Context window / Kontekstvindue: Den mængde tekst en sprogmodel kan behandle på én gang, målt i tokens. Vinduet rummer både modellens input og det svar, den genererer; når en samtale eller et dokument overstiger grænsen, falder den ældste tekst ud af modellens synsfelt. Et større vindue er ikke i sig selv bedre — det afgørende er, hvor relevant det indhold er, der ligger i vinduet.
Convolutional neural network (CNN) / Foldningsnetværk (CNN): En type neuralt netværk, der er særligt egnet til at behandle data med en rumlig struktur, fx billeder. Netværket anvender foldningslag, der søger efter lokale mønstre som kanter og former, og som gradvis sammensættes til mere komplekse træk. Foldningsnetværk har været en bærende teknik inden for billedgenkendelse og computervision.
Copilot: En AI-assistent, der er indbygget i et eksisterende værktøj og hjælper brugeren undervejs i arbejdet. Assistenten kan fx foreslå tekst, kode eller næste handling ud fra den sammenhæng, brugeren befinder sig i. Betegnelsen understreger en understøttende rolle, hvor mennesket træffer beslutningerne, og AI'en kommer med forslag.
Cosinus-lighed: Et mål for, hvor ens to vektorer er, ud fra vinklen mellem dem frem for deres længde. Værdien ligger typisk mellem minus én og én, hvor en høj værdi betyder, at vektorerne peger i samme retning. Inden for AI bruges cosinus-lighed ofte til at sammenligne tekster eller andre data repræsenteret som indlejringer, fx i søgning og anbefalinger.
Curriculum learning: En træningsstrategi, hvor en model præsenteres for opgaver i en bevidst rækkefølge fra lette til sværere. Tanken er, at modellen først lærer enkle mønstre og derefter bygger videre på dem, ligesom et menneske følger et pensum. Tilgangen kan i nogle tilfælde gøre træningen mere stabil eller effektiv end at vise eksemplerne i tilfældig orden.

D

Data labeling / Datamærkning: Den proces, hvor data forsynes med mærkater, der angiver det rigtige svar eller den relevante kategori. Det kan fx være at markere objekter i billeder eller at angive, om en anmeldelse er positiv eller negativ. Mærkede data er en forudsætning for overvåget læring, og kvaliteten af mærkningen påvirker direkte, hvor godt den resulterende model fungerer.
Data privacy / Datasikkerhed: Beskyttelsen af personoplysninger mod uberettiget indsamling, brug og videregivelse. I AI-sammenhæng er det centralt, fordi modeller ofte trænes på og behandler store mængder data, der kan indeholde personhenførbare oplysninger. Reglerne sættes i EU især af GDPR, der bl.a. stiller krav om lovligt grundlag, formålsbegrænsning og datasikkerhed.
Dataaugmentering: En teknik, hvor et træningsdatasæt udvides ved at lave ændrede versioner af de eksisterende eksempler. For billeder kan det fx være at beskære, spejle eller justere farver, og for tekst at omformulere sætninger. Dataaugmentering bruges til at give modellen mere variation at lære fra og kan mindske risikoen for overtilpasning til de oprindelige data.
Datasæt: En struktureret samling af data, der bruges til at træne, validere eller teste en model. Et datasæt kan bestå af tekst, billeder, lyd, tal eller en kombination og er ofte opdelt i adskilte dele til forskellige faser af udviklingen. Datasættets størrelse, kvalitet og repræsentativitet har stor betydning for, hvad den færdige model kan og ikke kan.
Decoder: Den del af en model, der genererer et output ud fra en intern repræsentation, ofte ét element ad gangen. I sprogmodeller forudsiger decoderen det næste token på baggrund af den hidtidige tekst og bygger på den måde svaret op trin for trin. Decoderen optræder både i modeller, der oversætter fra en repræsentation, og i modeller, der udelukkende genererer tekst.
Deep learning / Dyb læring: En gren af maskinlæring, der bygger på neurale netværk med mange lag. Lagene gør det muligt for modellen selv at finde stadig mere abstrakte mønstre i data uden, at træk skal angives på forhånd af mennesker. Dyb læring ligger til grund for store fremskridt inden for blandt andet billedgenkendelse, talegenkendelse og sprogmodeller.
Deepfake: Syntetisk lyd, billede eller video, hvor en person fremstilles, så det fejlagtigt fremstår, at vedkommende siger eller gør noget bestemt. Materialet skabes med generative AI-teknikker og kan virke meget overbevisende. Deepfakes rejser bekymringer om misinformation, svindel og krænkelser og er en del af baggrunden for arbejdet med at kunne påvise manipuleret indhold.
Destillation: En teknik, hvor en stor og kompleks model bruges til at oplære en mindre model, så den efterligner den stores adfærd. Den mindre model lærer af den stores output og kan ofte opnå en stor del af ydelsen med færre ressourcer. Destillation bruges til at gøre modeller hurtigere og billigere at afvikle, fx på enheder med begrænset regnekraft.
Differentielt privatliv: En matematisk tilgang til at beskytte enkeltpersoner i et datasæt ved at tilføje en kontrolleret mængde tilfældig støj til resultater eller beregninger. Formålet er, at det ikke kan afgøres, om en bestemt persons data indgår, samtidig med at samlede mønstre bevares. Differentielt privatliv bruges blandt andet ved analyse og træning på følsomme data.
Diffusionsmodel: En type generativ model, der skaber indhold ved gradvis at fjerne støj fra et tilfældigt udgangspunkt, indtil et sammenhængende resultat træder frem. Modellen er trænet ved at lære at vende en proces, hvor data trinvis tilføres støj. Diffusionsmodeller anvendes især til at generere billeder, men bruges også til lyd og andre datatyper.
Digital medarbejder: En softwareagent, der selvstændigt udfører en afgrænset arbejdsopgave eller -proces, ofte beskrevet i analogi med en menneskelig medarbejder. En digital medarbejder kan fx håndtere henvendelser, behandle dokumenter eller udføre rutineopgaver på tværs af systemer. Begrebet bruges mest i forretningssammenhæng om AI-drevet automatisering af hele opgaver frem for enkeltstående handlinger.
DPO: En metode til at finjustere sprogmodeller, så de bedre afspejler menneskelige præferencer. Direct preference optimization (DPO) træner modellen direkte på par af svar, hvor det ene er foretrukket frem for det andet, uden at der først skal opbygges en separat belønningsmodel. Teknikken er et enklere alternativ til forstærkningslæring baseret på menneskelig feedback.

E

Edge AI: AI-modeller, der kører lokalt på en enhed tæt på, hvor data opstår, fremfor i et centralt datacenter. Edge AI omfatter behandling på fx telefoner, sensorer eller industrielt udstyr. Tilgangen reducerer forsinkelse og afhængighed af netværk og kan styrke databeskyttelsen, da data ikke nødvendigvis behøver at forlade enheden.
Embedding: En repræsentation af tekst, billeder eller andre data som en vektor af tal i et flerdimensionelt rum. En embedding fanger semantisk betydning, så indhold med beslægtet betydning placeres tæt på hinanden. Embeddings danner grundlag for søgning, anbefaling og sammenligning af indhold ud fra lighed snarere end nøjagtig ordmatch.
Emergente evner: Evner, der opstår i store sprogmodeller, når de når en vis størrelse, og som ikke er tydeligt til stede i mindre modeller. Emergente evner kan omfatte fx ræsonnement i flere trin eller løsning af opgaver, modellen ikke direkte er trænet til. Begrebet er omdiskuteret, da observationerne delvist afhænger af, hvordan præstation måles.
Encoder: Den del af en model, der omdanner input til en intern, talbaseret repræsentation, som fanger inputtets betydning. En encoder bruges blandt andet til klassifikation, søgning og som første led i modeller, der både læser og genererer tekst. Den udgør modstykket til en decoder, som omsætter repræsentationen til output.
Ensemble: En teknik, hvor flere modeller kombineres, og deres forudsigelser lægges sammen til et samlet resultat. Et ensemble giver typisk mere robuste og nøjagtige svar end en enkelt model, fordi modellernes fejl ofte udjævner hinanden. Til gengæld øges beregningsomkostningen og kompleksiteten, da flere modeller skal køres samtidig.
Epoch / Epoke: En fuld gennemløbning af hele træningsdatasættet under træning af en model. Modellen trænes normalt over flere epoker, så den gradvist justerer sine vægte ved gentagne gange at se de samme data. For få epoker kan give utilstrækkelig læring, mens for mange kan føre til overtilpasning til træningsdataene.
EU AI Act / EU's AI-forordning: EU's regulering af kunstig intelligens, der inddeler AI-systemer efter risiko og stiller krav derefter. Systemer med uacceptabel risiko forbydes, højrisikosystemer underlægges krav om bl.a. dokumentation, dataforvaltning og menneskeligt tilsyn, og visse anvendelser kræver gennemsigtighed over for brugerne. Forordningen gælder bredt for udbydere og brugere, der opererer på EU-markedet, og håndhæves med bøder.
Evals / Evalueringer: Strukturerede tests, der måler en models præstation på konkrete, veldefinerede opgaver frem for på enkeltstående demonstrationer eller subjektive indtryk. En eval består typisk af et sæt opgaver med kendte, ønskede svar, så modellens output kan scores systematisk og sammenlignes over tid. Evals bruges til at vurdere modeller mod hinanden, opdage forringelser og dokumentere, at et system rent faktisk løser sin opgave.
Explainability (XAI) / Forklarbarhed (XAI): Egenskaber og metoder, der gør det muligt at forstå, hvorfor en AI-model når frem til et bestemt resultat. Explainability, også kaldet forklarbar AI (XAI), omfatter teknikker, der belyser hvilke faktorer der påvirker en forudsigelse. Det er centralt for tillid, fejlsøgning og dokumentation i regulerede sammenhænge.
Explainable AI (XAI) / Forklarlig AI (XAI): Et felt og et sæt metoder, der har til formål at gøre AI-systemers beslutninger forståelige for mennesker (explainable AI, XAI). Forklarlig AI søger at vise, hvilke faktorer der ligger bag et givet output, så systemets adfærd kan vurderes, efterprøves og begrundes, hvilket er særligt vigtigt i kritiske anvendelser.

F

F1-score: Et mål for en klassifikationsmodels nøjagtighed, der kombinerer præcision og recall i ét tal. F1-score beregnes som det harmoniske gennemsnit af de to og ligger mellem nul og ét, hvor højere er bedre. Målet er især nyttigt, når klasserne er ujævnt fordelt, og hvor ren andel korrekte svar kan være vildledende.
Few-shot læring: At en model løser en opgave ud fra ganske få eksempler, der gives som en del af instruktionen. Ved few-shot læring vises modellen nogle eksempler på ønsket input og output, hvorefter den anvender mønsteret på nye tilfælde. Tilgangen kræver ikke yderligere træning og adskiller sig fra zero-shot, hvor ingen eksempler gives.
Fine-tuning / Finjustering: At videreuddanne en allerede trænet model på et mere afgrænset datasæt, så den tilpasses en bestemt opgave, domæne eller stil. Fine-tuning justerer modellens vægte og bygger videre på dens eksisterende viden fremfor at træne fra bunden. Tilgangen kræver langt færre data og ressourcer end den oprindelige træning.
FLOPS: Et mål inden for AI-beregning, der findes i to beslægtede betydninger. FLOP/s (floating point operations per second) angiver, hvor mange flydende-komma-beregninger en computer udfører per sekund, og bruges om hardwarens ydeevne. Det samlede antal flydende-komma-operationer (FLOPs) bruges derimod til at angive en models beregningsbehov, fx hvor meget regnekraft træningen af en stor model kræver.
Fødereret læring: En metode til at træne en fælles model på tværs af flere enheder eller organisationer, uden at de underliggende data samles ét sted. Ved fødereret læring beregnes opdateringer lokalt, og kun disse deles og kombineres centralt. Tilgangen kan styrke databeskyttelsen, fordi rådata forbliver hos den enkelte part.
Fortolkelighed: Forskningsfeltet og de metoder, der søger at forklare, hvordan en model når frem til sine resultater (interpretability). Målet er at gøre modellens indre virkemåde forståelig for mennesker, så beslutninger kan efterprøves, fejl spores og tillid vurderes.
Foundation model / Fundamentmodel: En stor model, der er trænet på brede mængder data og kan tilpasses mange forskellige opgaver. En foundation model fungerer som et fælles udgangspunkt, der gennem finjustering eller instruktion kan anvendes til alt fra tekst og billeder til kode. Sprogmodeller er det mest udbredte eksempel på denne type model.
Frontier model: Betegnelse for de mest avancerede modeller på et givet tidspunkt, typisk kendetegnet ved deres størrelse, brede evner og høje krav til regnekraft. En frontier model ligger forrest i den teknologiske udvikling og indgår ofte i diskussioner om sikkerhed og regulering, fordi dens kapacitet kan medføre nye risici og ukendte egenskaber.
Function calling: En evne, hvor en sprogmodel kan udløse foruddefinerede funktioner eller værktøjer ved at returnere et struktureret kald med de nødvendige parametre. Function calling lader modellen hente data, udføre handlinger eller forbinde til eksterne systemer som led i et svar. Selve funktionen køres uden for modellen, og resultatet føres tilbage.

G

GAN: En type model bestående af to neurale netværk, der trænes mod hinanden. I et generative adversarial network (GAN) skaber det ene netværk nye data, mens det andet forsøger at skelne ægte data fra de genererede. Gennem denne konkurrence forbedres kvaliteten, og teknikken bruges blandt andet til at frembringe realistiske billeder.
Generalisering: En models evne til at fungere godt på nye data, den ikke har set under træningen. God generalisering betyder, at modellen har lært underliggende mønstre fremfor blot at huske træningseksemplerne. Manglende generalisering viser sig som overtilpasning, hvor modellen klarer træningsdata godt, men svigter på ukendte tilfælde.
Generativ AI: AI-systemer, der frembringer nyt indhold som tekst, billeder, lyd eller kode ud fra mønstre lært fra store mængder data. Generativ AI adskiller sig fra modeller, der alene klassificerer eller forudsiger, ved selv at producere output. Indholdet skabes på baggrund af statistiske sammenhænge og kan derfor variere fra gang til gang.
Gennemsigtighed: Den grad, hvori det er muligt at forstå og efterprøve, hvordan et AI-system fungerer, herunder dets data, metoder og beslutninger. Gennemsigtighed kan omfatte dokumentation af modellen, indsigt i træningsdata og forklaringer af enkelte output, og den understøtter ansvarlighed, tillid og kontrol.
GPU: En processortype, der oprindeligt blev udviklet til grafik, men som er central i AI på grund af dens evne til at udføre mange beregninger parallelt. En GPU egner sig særligt til den slags matrixberegninger, der indgår i træning og kørsel af neurale netværk. Den udgør i dag en væsentlig del af infrastrukturen bag store modeller.
Gradientnedstigning: En grundlæggende metode til at træne modeller ved trinvist at justere deres parametre, så fejlen mindskes. Gradientnedstigning beregner, i hvilken retning fejlen falder hurtigst, og bevæger sig et lille skridt i den retning gentagne gange. Processen fortsætter, indtil modellens fejl er reduceret til et acceptabelt niveau.
GraphRAG: En form for retrieval-augmented generation (RAG), hvor information hentes fra en vidensgraf frem for fra isolerede tekststykker. Hvor klassisk vektorbaseret RAG finder enkeltstående passager, følger GraphRAG relationerne mellem entiteter i grafen og kan derfor besvare spørgsmål, der kræver flere sammenkædede led af ræsonnement (multi-hop). Det gør tilgangen velegnet til komplekse vidensbaser, hvor et svar afhænger af sammenhænge på tværs af mange kilder.
Ground truth: De korrekte, verificerede svar eller mærkninger, som en models output sammenlignes med under træning og evaluering. Ground truth fungerer som facit og afgør, om en forudsigelse regnes for rigtig eller forkert. Kvaliteten af denne reference er afgørende, da fejl heri forplanter sig til både træning og målte resultater.
Grounding: At forankre en models svar i konkrete kilder, data eller fakta fremfor alene i dens interne træning. Grounding indebærer typisk, at relevant materiale hentes og indgår i grundlaget for svaret, så det kan henvise til dokumenterbare oplysninger. Tilgangen reducerer risikoen for opdigtede påstande og gør svar lettere at efterprøve.
Guardrails / Sikkerhedsrammer: Regler og filtre, der afgrænser, hvad en model må sige og gøre. De kan virke på flere tidspunkter — før generering (ved at afvise bestemte input), under generering (ved at styre indhold og tone) og efter generering (ved at frasortere uønsket output). Guardrails anvendes især, når AI gøres tilgængelig for kunder eller borgere, for at begrænse fejl, misbrug og uønskede svar.

H

Hallucination: Når en sprogmodel producerer indhold, der lyder plausibelt, men er forkert eller opdigtet. Det sker, fordi modellen forudsiger sandsynlig tekst frem for at slå fakta op, og den kan derfor angive falske detaljer med samme selvsikkerhed som korrekte. Hallucinationer er en central grund til, at output fra AI bør kunne efterprøves, især i kritiske sammenhænge.
Hardwareaccelerator: Specialiseret hardware (hardware accelerator), der udfører bestemte beregninger hurtigere og mere energieffektivt end en almindelig processor. Typiske eksempler er grafikkort (GPU) og særlige AI-chips (TPU), der er bygget til den slags parallelle matrixberegninger, som træning og kørsel af neurale netværk kræver.
Hukommelse: De mekanismer, der lader en AI-agent fastholde og genbruge information på tværs af trin eller samtaler (memory). Hukommelsen kan rumme tidligere beskeder, fakta eller resultater og gør det muligt for agenten at handle sammenhængende ud over det aktuelle kontekstvindue.
Human in the loop / Menneske i loopet: En arbejdsform, hvor et menneske indgår aktivt i et automatiseret systems beslutningsforløb (human in the loop). Mennesket kan godkende, korrigere eller afvise modellens output, før det får virkning, og bruges typisk ved beslutninger med høj risiko eller juridisk og etisk betydning.
Hybrid søgning: En søgemetode (hybrid search), der kombinerer klassisk nøgleordssøgning med vektorsøgning baseret på betydning. Nøgleordssøgning fanger præcise ord og termer, mens vektorsøgning fanger indholdsmæssig lighed, og kombinationen giver ofte mere relevante resultater end hver metode for sig.
Hyperparameter: En indstilling, der fastlægges før træningen af en model, og som styrer selve læringsprocessen frem for at blive lært fra data. Eksempler er læringsrate og antal lag, og valget af hyperparametre har stor betydning for, hvor godt den færdige model præsterer.

I

In-context learning: En sprogmodels evne til at løse en opgave ud fra eksempler og instruktioner givet direkte i prompten, uden at modellens vægte ændres. Modellen tilpasser sit svar til mønstret i de givne eksempler, og effekten gælder kun inden for den aktuelle samtale.
Indeksering: Processen, hvor data forberedes og organiseres i en struktur, der gør efterfølgende søgning og opslag hurtig (indexing). I AI-sammenhæng omfatter det ofte, at dokumenter deles op, omdannes til vektorer og lagres, så et system kan finde relevant indhold til at besvare forespørgsler.
Indholdsmoderering: Den proces, hvor indhold vurderes og håndteres for at frasortere materiale, der er ulovligt, skadeligt eller i strid med gældende regler. AI bruges både til at opdage sådant indhold automatisk og kan selv være genstand for moderering, så modellers output afgrænses. Indholdsmoderering anvendes blandt andet på platforme med brugergenereret indhold og i AI-tjenester rettet mod offentligheden.
Inference / Inferens: Det at køre en allerede trænet model for at producere svar. Inferens er den løbende omkostning ved at bruge en AI-model, til forskel fra træningen, som er en engangsinvestering. Omkostningen vokser med, hvor meget modellen bruges, og med hvor lange input og output den håndterer.
Instruktionsjustering: En form for finjustering (instruction tuning), hvor en sprogmodel trænes på eksempler bestående af instruktioner og tilhørende ønskede svar. Formålet er at gøre modellen bedre til at følge anvisninger og løse opgaver formuleret i naturligt sprog frem for blot at fortsætte tekst.

J

Jailbreak: En teknik, der får en AI-model til at omgå sine egne sikkerhedsregler og producere indhold, den er sat til at afvise. Det sker typisk gennem snedigt formulerede prompts, der narrer modellen til at ignorere sine instruktioner. Jailbreaks bruges både til at teste robustheden af et systems guardrails og til at misbruge det.

K

Klassifikation: En opgave, hvor en model placerer et input i en eller flere foruddefinerede kategorier. Det kan fx være at afgøre, om en e-mail er spam, hvilket sprog en tekst er skrevet på, eller hvilket emne et dokument hører til. Klassifikation er en grundlæggende form for maskinlæring og indgår i mange praktiske AI-løsninger.
Knowledge base / Vidensbase: En struktureret samling af information om et bestemt område, som et system kan slå op i for at besvare spørgsmål (knowledge base). I AI-løsninger fungerer den ofte som ekstern kilde, en model henter fakta fra, så svarene bygger på et afgrænset og opdateret indhold.
Knowledge graph / Vidensgraf: En datastruktur, der repræsenterer viden som enheder forbundet af relationer (knowledge graph). Personer, steder og begreber optræder som knuder, og forbindelserne mellem dem beskriver, hvordan de hænger sammen, hvilket gør det muligt at udlede og slå sammensat information op.
Konfabulation: Det forhold, at en sprogmodel danner indhold, der fremstår sammenhængende og troværdigt, men ikke har dækning i fakta eller kilder. Begrebet bruges som et alternativ til hallucination og understreger, at modellen ikke bevidst lyver, men udfylder huller ved at generere det mest sandsynlige sprog. Konfabulation er en central risiko, når output bruges uden kontrol.
KV cache: De gemte key-value-tensorer (KV) fra en models attention-mekanisme, som gør det muligt at genbruge beregninger fra tidligere tokens i stedet for at regne dem forfra ved hvert nyt skridt. KV-cachen vokser med længden af konteksten og optager plads i hukommelsen, og den er derfor en væsentlig del af omkostningen ved lange kontekstvinduer. Lange kontekster er med andre ord ikke gratis — de belaster både hukommelse og beregning.

L

Læringsrate: En hyperparameter, der bestemmer, hvor store skridt en model tager, når den justerer sine vægte under træningen (learning rate). En for høj værdi kan gøre træningen ustabil, mens en for lav værdi gør den langsom, og en passende værdi er afgørende for et godt resultat.
Large language model (LLM) / Stor sprogmodel (LLM): En type sprogmodel (large language model) trænet på meget store mængder tekst med henblik på at forstå og generere naturligt sprog. Modellen forudsiger tekst ord for ord ud fra mønstre i træningsdata og kan løse opgaver som oversættelse, opsummering og besvarelse af spørgsmål.
Latens: Den tid, der går fra en forespørgsel sendes, til et svar begynder at komme tilbage (latency). Lav latens opleves som hurtig respons og er især vigtig i interaktive anvendelser, hvor brugeren venter på modellens svar i realtid.
Latent rum: Den abstrakte talmæssige repræsentation, hvor en model placerer data ud fra deres egenskaber (latent space). Lignende data ligger tæt på hinanden i rummet, og afstande og retninger fanger mønstre, som ikke er direkte synlige i de oprindelige data.
LLM-as-a-judge: En fremgangsmåde, hvor en sprogmodel bruges til at vurdere kvaliteten af output fra andre modeller (LLM-as-a-judge). Modellen bedømmer fx svar ud fra angivne kriterier som korrekthed eller relevans og anvendes som et skalerbart alternativ til manuel evaluering.
LLMOps: Praksis og værktøjer til at udvikle, drive og vedligeholde løsninger bygget på sprogmodeller (LLMOps). Området dækker blandt andet håndtering af prompts, overvågning af output, versionsstyring, evaluering og kontrol med omkostninger og kvalitet i produktion.
LoRA: En metode til effektiv finjustering af store modeller (low-rank adaptation, LoRA), hvor kun et lille sæt ekstra parametre trænes, mens modellens oprindelige vægte holdes fastlåste. Det reducerer behovet for hukommelse og regnekraft betydeligt sammenlignet med at træne hele modellen.
Loss function / Tabsfunktion: En matematisk funktion, der måler afstanden mellem en models forudsigelse og det ønskede resultat (loss function). Under træningen forsøger modellen at gøre denne værdi så lille som muligt, og funktionen styrer dermed, hvad modellen lærer at optimere imod.
LSTM: En type tilbagevendende neuralt netværk (long short-term memory, LSTM), der er designet til at behandle sekvenser og fastholde information over længere afstande. Gennem indbyggede portmekanismer kan netværket vælge, hvad det husker og glemmer, hvilket afhjælper et problem ved tidligere sekvensmodeller.
Lukket model: En model, hvis vægte, træningsdata og opbygning ikke offentliggøres, og som typisk kun er tilgængelig gennem en udbyders grænseflade eller API. Brugeren kan sende input og modtage svar, men kan ikke inspicere eller selv afvikle modellen. Modsætningen er åbne modeller, hvor vægtene gøres frit tilgængelige.

M

Machine learning / Maskinlæring: Et felt inden for kunstig intelligens (machine learning), hvor systemer lærer mønstre fra data frem for at følge eksplicit programmerede regler. Ud fra eksempler opbygger en model en evne til at genkende mønstre og foretage forudsigelser eller beslutninger på nye, ukendte data.
Mixture of Experts (MoE): En modelarkitektur (Mixture of Experts, MoE), hvor netværket består af flere specialiserede delmodeller, og kun nogle få aktiveres for hvert input. En styringsmekanisme vælger de relevante eksperter, hvilket giver stor samlet kapacitet uden at hele modellen skal beregnes for hvert input.
MLOps: Praksis og værktøjer, der bringer udvikling og drift af maskinlæringsmodeller sammen (MLOps). Området dækker hele livscyklussen fra dataforberedelse og træning til udrulning, overvågning og genoptræning, så modeller kan køre pålideligt og vedligeholdes i produktion.
Model: Den matematiske struktur, der er resultatet af at træne et system på data, og som anvendes til at foretage forudsigelser eller generere output (AI-model). Modellen rummer de mønstre, der er lært fra træningsdata, kodet i et sæt parametre, der bestemmer dens adfærd.
Model Context Protocol (MCP): En åben standard, der definerer, hvordan sprogmodeller og AI-agenter forbindes med eksterne værktøjer, datakilder og tjenester gennem et fælles format. Formålet er at lade en model hente kontekst og udføre handlinger uden særskilt integration for hver enkelt kilde.
Modeldrift: At en models præstation gradvist forringes, fordi de data, den møder i drift, med tiden afviger fra de data, den blev trænet på. Modeldrift kan skyldes ændringer i den underliggende virkelighed eller i brugernes adfærd. Fænomenet håndteres typisk gennem løbende overvågning og periodisk genoptræning på nyere data.
Modelkollaps: Forringelse af en models kvalitet, der opstår, når den trænes på data genereret af andre modeller frem for menneskeskabt indhold. Over flere generationer mister modellen variation og hænger fast i statistiske gennemsnit, hvilket forstærker fejl og udvisker sjældne mønstre i fordelingen.
Modelkort: Et standardiseret dokument, der beskriver en model (model card), herunder dens formål, træningsdata, kendte begrænsninger og anbefalede anvendelser. Modelkortet skal gøre det lettere at vurdere, om modellen er egnet til en given opgave, og fremme ansvarlig brug.
Modelovervågning: Løbende opfølgning på en model i drift, hvor input, output og nøgletal registreres for at opdage afvigelser over tid. Det omfatter typisk overvågning af svartider, fejlrater og ændringer i datamønstre (data drift), så fald i kvalitet kan opdages og udbedres.
Multi-agent-system: Et system, hvor flere selvstændige AI-agenter samarbejder eller forhandler om at løse en opgave, som hver enkelt agent ikke kan løse alene. Agenterne kan have forskellige roller og værktøjer og koordinerer ved at udveksle delresultater, ofte styret af en overordnet orkestrering.
Multi-head attention: En mekanisme i transformer-arkitekturen, hvor attention beregnes parallelt i flere separate hoveder. Hvert hoved lærer at fokusere på forskellige relationer mellem elementer i en sekvens, og resultaterne samles, så modellen kan opfange flere typer sammenhænge på én gang.
Multimodal model: En model, der kan modtage eller producere flere typer data, såsom tekst, billeder, lyd og video, inden for samme system. De forskellige modaliteter omsættes til en fælles repræsentation, så modellen kan kombinere information på tværs af formater i sine svar.

N

Named entity recognition (NER) / Entitetsgenkendelse (NER): En opgave inden for sprogteknologi, hvor navngivne enheder i en tekst identificeres og klassificeres, for eksempel personer, organisationer, steder og datoer. Det bruges blandt andet til at strukturere ustruktureret tekst og til at udtrække information til søgning og analyse.
Natural language processing (NLP) / Sprogteknologi (NLP): Et felt inden for kunstig intelligens, der beskæftiger sig med, hvordan computere behandler og fortolker menneskeligt sprog i tekst og tale. Det dækker opgaver som oversættelse, klassifikation, opsummering og spørgsmål-svar og udgør grundlaget for moderne sprogmodeller.
Neural network / Neuralt netværk: En beregningsmodel opbygget af lag af forbundne enheder, hvor hver forbindelse har en vægt, der justeres under træning. Netværket lærer at omsætte input til output ved gradvist at tilpasse vægtene og danner grundlaget for de fleste former for dyb læring (deep learning).
Nøjagtighed: Et mål for en models ydeevne, der angiver andelen af forudsigelser, som er korrekte, ud af det samlede antal forudsigelser. Nøjagtighed er let at fortolke, men kan være misvisende ved skæve datasæt, hvor én klasse dominerer, fordi en model kan opnå en høj værdi blot ved at gætte på den hyppigste klasse. Derfor suppleres nøjagtighed ofte med andre mål.

O

Observerbarhed: Evnen til at forstå et AI-systems indre tilstand ud fra de signaler, det udsender, såsom logfiler, sporing og målinger. Observerbarhed gør det muligt at undersøge, hvorfor et system opfører sig på en bestemt måde, og er bredere end ren overvågning af forud definerede nøgletal.
OCR: En teknik, der omdanner tekst i billeder eller scannede dokumenter til maskinlæsbar tekst. Den genkender bogstaver og tal pixel for pixel og bruges til at digitalisere papirdokumenter, så indholdet kan søges i, redigeres og behandles videre.
Open source-model: En model, hvis kildekode og ofte vægte udgives under en licens, der tillader fri brug, ændring og videredeling. Det giver mulighed for at granske, tilpasse og køre modellen lokalt, til forskel fra lukkede modeller, der kun tilgås gennem en leverandørs tjeneste.
Open-weight-model: En model, hvis trænede vægte er offentligt tilgængelige til download og kørsel, så den kan anvendes og tilpasses uden for leverandørens tjeneste. Til forskel fra fuldt open source følger træningsdata og kode ikke nødvendigvis med, selv om selve vægtene er frie.
Opsummering: Den opgave, hvor et længere stykke tekst kondenseres til en kortere udgave, der bevarer det centrale indhold. Ekstraktiv opsummering udvælger eksisterende sætninger fra kildeteksten, mens abstraktiv opsummering formulerer nyt indhold, der gengiver meningen med egne ord.
Orkestrering: Koordineringen af flere modeller, værktøjer eller agenter, så de tilsammen løser en sammensat opgave i en bestemt rækkefølge. Et orkestreringslag styrer dataflow, kald og betingelser mellem komponenterne og håndterer fejl og afhængigheder undervejs.
Overfitting / Overtilpasning: Et problem, hvor en model lærer træningsdataene for detaljeret, inklusive støj og tilfældigheder, og derfor klarer sig dårligt på nye data. Modellen husker frem for at generalisere, og det modvirkes typisk med mere data, regularisering eller tidligere stop af træningen.
Oversættelse: Automatisk oversættelse af tekst eller tale fra ét sprog til et andet ved hjælp af en model. Moderne maskinoversættelse bygger på neurale netværk, der lærer sammenhænge mellem sprog ud fra store mængder oversatte tekster, og som tager hensyn til kontekst frem for at oversætte ord for ord.

P

Parameter: En af de talværdier i en model, som justeres under træning, og som bestemmer, hvordan input omsættes til output. I neurale netværk er parametrene primært vægte, og antallet af parametre er et almindeligt mål for en models størrelse og kapacitet.
PEFT: En gruppe metoder til at tilpasse en stor, fortrænet model til en ny opgave ved kun at justere en lille del af parametrene. Det reducerer behovet for regnekraft og hukommelse i forhold til fuld finjustering og gør det lettere at vedligeholde flere tilpasninger af samme grundmodel.
Perpleksitet: Et mål for, hvor godt en sprogmodel forudsiger en tekst, udtrykt som hvor overrasket modellen er over de faktiske ord. Lavere perpleksitet betyder bedre forudsigelse, og målet bruges til at sammenligne sprogmodeller på samme datasæt.
Planlægning: En agents evne til at nedbryde et mål i en række delopgaver og fastlægge en rækkefølge af handlinger, der fører frem til målet. Planlægning gør det muligt at håndtere opgaver med flere trin og at tilpasse fremgangsmåden, efterhånden som nye oplysninger kommer til.
Præcision: Et evalueringsmål, der angiver, hvor stor en andel af de tilfælde, en model har markeret som positive, der faktisk er korrekte. Høj præcision betyder få falske positive og vurderes ofte sammen med genkald (recall), der måler, hvor mange af de reelt positive tilfælde modellen fanger.
Pre-training: Den indledende træningsfase, hvor en model lærer generelle mønstre fra store mængder data, ofte uden manuel mærkning. Resultatet er en grundmodel med bred viden, som siden kan finjusteres til mere specifikke opgaver, og fasen er typisk den mest ressourcekrævende del af træningen.
Prompt: Det input i tekst eller anden form, der gives til en sprogmodel for at fremkalde et svar. En prompt kan indeholde en instruktion, et spørgsmål, eksempler eller kontekst, og dens formulering har stor betydning for, hvad modellen producerer.
Prompt injection / Prompt-injektion: Et angreb, hvor skadelige instruktioner skjules i tekst, som en sprogmodel læser, så modellen følger angriberens hensigt frem for brugerens. Det kan fx ske via et dokument eller en hjemmeside, modellen får adgang til, og bruges til at omgå regler eller franarre data. Prompt-injektion er en af de mest omtalte sikkerhedsrisici ved AI-systemer, der henter eksternt indhold.
Prompt-engineering: Arbejdet med at formulere og strukturere prompts, så en sprogmodel giver mere præcise og brugbare svar. Det omfatter teknikker som tydelige instruktioner, eksempler og angivelse af kontekst og bruges til at styre modellens output uden at ændre selve modellen.
Proof of concept (PoC): En begrænset afprøvning, der skal vise, om en idé eller teknisk løsning er gennemførlig i praksis, før den udvikles i fuld skala. Et proof of concept fokuserer på at bekræfte centrale antagelser og indebærer typisk ikke en færdig eller driftsklar løsning.
Proveniens: Dokumenteret oprindelse og historik for data eller indhold, herunder hvor det stammer fra, og hvilke transformationer det har gennemgået undervejs. Proveniens (provenance) gør det muligt at spore et output tilbage til dets kilder, vurdere troværdighed og dokumentere, om materiale er genereret af et AI-system.
Pruning: En teknik til at gøre et neuralt netværk mindre ved at fjerne forbindelser eller enheder, der bidrager mindst til modellens output. Pruning (beskæring) reducerer modellens størrelse og beregningskrav, så den kan køre hurtigere eller på enheder med begrænsede ressourcer, ofte med kun et lille tab af præcision.

Q

Quantization / Kvantisering: En teknik til at reducere en models størrelse ved at sænke den numeriske præcision af dens vægte, fx fra FP16 til INT8 eller INT4. Modellen kommer til at fylde markant mindre i hukommelsen og kan køre på billigere hardware, typisk med kun begrænset tab af nøjagtighed. Kvantisering er en af grundene til, at åbne modeller i stigende grad kan måle sig med de største, lukkede modeller.
Query / Forespørgsel: En forespørgsel, der sendes til et system for at hente information eller fremkalde et svar. I søgning og databaser angiver en query de kriterier, der skal matches, mens den i sprogmodeller og retrieval-systemer er den tekst, der danner grundlag for at finde relevante dokumenter eller generere et output.

R

Rate limit: En grænse for, hvor mange forespørgsler en bruger eller applikation må sende til en tjeneste inden for et givet tidsrum. Rate limits bruges til at beskytte infrastruktur mod overbelastning, fordele kapacitet retfærdigt og styre omkostninger, og overskridelse fører typisk til, at yderligere forespørgsler afvises midlertidigt.
ReAct: Et mønster for AI-agenter, hvor en sprogmodel skiftevis ræsonnerer i tekst og udfører handlinger, fx kald til værktøjer, og bruger resultatet af hver handling til at planlægge det næste skridt. ReAct (reasoning og acting) kombinerer trinvis tænkning med interaktion med omverdenen, så modellen kan løse opgaver, der kræver flere mellemled.
Recall: Et evalueringsmål, der angiver, hvor stor en andel af de relevante elementer et system rent faktisk finder, ud af samtlige relevante elementer der findes. Recall (genkald) bruges ofte sammen med precision og er især vigtigt, når det er kritisk ikke at overse relevante tilfælde, fx i søgning eller klassifikation.
Recurrent neural network (RNN): En type neuralt netværk, der behandler sekventielle data ved at føre information videre fra et trin til det næste gennem en intern tilstand. Recurrent neural networks (RNN) blev udbredt til opgaver som sprog og tidsserier, men er på mange områder afløst af transformer-arkitekturer, der håndterer lange afhængigheder mere effektivt.
Red teaming: En struktureret afprøvning, hvor man bevidst forsøger at få et AI-system til at fejle, så svagheder findes før udrulning. Holdet angriber systemet med fx jailbreaks, prompt-injektion og kanttilfælde for at afdække sikkerheds- og kvalitetsproblemer. Red teaming bruges til at dokumentere og forbedre et systems robusthed inden og efter lancering.
Regression: En opgavetype inden for maskinlæring, hvor en model forudsiger en kontinuerlig talværdi frem for en kategori. Regression bruges fx til at estimere priser, efterspørgsel eller temperaturer, og adskiller sig fra klassifikation, hvor outputtet er en af et begrænset antal klasser.
Reinforcement learning / Forstærkningslæring: En tilgang til maskinlæring, hvor en agent lærer at træffe beslutninger ved at interagere med et miljø og modtage belønning eller straf for sine handlinger. Forstærkningslæring (reinforcement learning) optimerer agenten mod den adfærd, der over tid giver den højeste samlede belønning, og anvendes blandt andet til styring, spil og finjustering af sprogmodeller.
Reranking: Et trin i et retrieval-system, hvor en indledende liste af kandidatresultater sorteres på ny af en mere præcis, men beregningstung model. Reranking forbedrer rækkefølgen, så de mest relevante dokumenter placeres øverst, og bruges ofte oven på en hurtig første søgning for at hæve den samlede kvalitet.
Responsible AI / Ansvarlig AI: En tilgang til udvikling og brug af AI, der lægger vægt på, at systemerne er retfærdige, gennemsigtige, sikre og under menneskeligt ansvar. Responsible AI omsætter principper som ansvarlighed, ikke-diskrimination og forklarbarhed til konkrete krav i design, test og drift. Begrebet bruges ofte som paraply for en organisations etiske og governance-mæssige rammer for AI.
Retfærdighed: Et princip om, at en AI-models resultater ikke uretmæssigt forskelsbehandler personer eller grupper på baggrund af fx køn, alder eller etnicitet. Fairness vurderes ud fra flere konkurrerende kriterier, der ikke altid kan opfyldes samtidig. Skævheder stammer ofte fra mønstre i træningsdataene og adresseres gennem måling, justering og kontrol.
Retrieval-augmented generation (RAG): En arkitektur, hvor en sprogmodel suppleres med information, der hentes fra en ekstern videnskilde og indsættes i modellens kontekst, før svaret genereres. Retrieval-augmented generation (RAG) lader modellen besvare spørgsmål med opdateret eller virksomhedsspecifik viden uden, at indholdet skal være indlejret i modellens parametre.
RLHF: En metode til at finjustere sprogmodeller, hvor menneskelige vurderinger af modellens output bruges til at træne en belønningsmodel, der derefter styrer videre træning med forstærkningslæring. RLHF (reinforcement learning from human feedback) bruges til at gøre modellers svar mere nyttige og i tråd med menneskelige forventninger.
Robusthed: Et systems evne til at bevare pålidelig ydeevne, selv når input afviger fra det forventede, indeholder støj eller forsøger at føre modellen på afveje. Robusthed (robustness) handler om, at en model ikke fejler uforholdsmæssigt på usædvanlige, fejlbehæftede eller bevidst manipulerede data.

S

Sampling: Den proces, hvor en sprogmodel ved generering vælger det næste token ud fra en sandsynlighedsfordeling frem for altid at vælge det mest sandsynlige. Sampling indfører variation i outputtet og styres af parametre som temperatur, der regulerer balancen mellem forudsigelige og mere varierede svar.
Scaling laws / Skaleringslove: Empiriske sammenhænge, der beskriver, hvordan en models ydeevne typisk forbedres, når mængden af parametre, træningsdata og beregning øges. Skaleringslove (scaling laws) bruges til at forudsige udbyttet af større modeller og til at vejlede, hvordan ressourcer fordeles mellem model, data og beregning.
Self-attention: En mekanisme, der lader hvert element i en sekvens vægte og inddrage de øvrige elementer, så modellen kan afgøre, hvilke dele af inputtet der er relevante for hinanden. Self-attention er kernen i transformer-arkitekturen og gør det muligt at fange sammenhænge på tværs af lange afstande i teksten.
Self-supervised learning / Selvsuperviseret læring: En læringsform, hvor en model trænes på umærkede data ved selv at udlede træningssignalet fra dataene, fx ved at forudsige skjulte eller manglende dele. Selvsuperviseret læring (self-supervised learning) ligger til grund for fortræning af store sprogmodeller og udnytter store mængder data uden behov for manuel mærkning.
Semantic search / Semantisk søgning: En søgemetode, der finder resultater ud fra betydning frem for nøjagtigt ordmatch, typisk ved at repræsentere både forespørgsel og indhold som vektorer og måle deres indbyrdes nærhed. Semantisk søgning (semantic search) kan returnere relevante dokumenter, selv når de bruger andre ord end forespørgslen.
Sentiment analysis / Sentimentanalyse: En teknik til automatisk at bestemme den holdning eller følelsesmæssige tone, der kommer til udtryk i en tekst, fx positiv, negativ eller neutral. Sentimentanalyse (sentiment analysis) bruges blandt andet til at vurdere kundeanmeldelser, omtale på sociale medier og henvendelser i kundeservice.
Shadow AI: Medarbejderes brug af AI-værktøjer uden organisationens viden, godkendelse eller kontrol. Det opstår typisk, når ansatte tager offentlige AI-tjenester i brug hurtigere, end virksomheden får etableret politikker og sikre løsninger. Shadow AI kan skabe risici for datasikkerhed, compliance og kvalitet, fordi brugen ikke er underlagt tilsyn.
Skalerbarhed: Et systems evne til at håndtere voksende mængder data, brugere eller forespørgsler, uden at ydeevnen falder uforholdsmæssigt. Skalerbarhed (scalability) er afgørende for AI-løsninger i drift og afhænger blandt andet af arkitektur, infrastruktur og hvor effektivt beregning kan fordeles.
Small language model (SLM) / Lille sprogmodel (SLM): En sprogmodel med et væsentligt mindre antal parametre end de største modeller, designet til at køre med lavere beregnings- og hukommelseskrav. Små sprogmodeller (small language models, SLM) kan ofte afvikles lokalt eller på begrænset hardware og egner sig til afgrænsede opgaver, hvor lav latens eller datafortrolighed prioriteres.
Stemmekloning: En teknik, hvor en bestemt persons stemme efterlignes ud fra lydoptagelser, så ny tale kan genereres med samme stemmeklang. Stemmekloning bygger på modeller, der lærer stemmens karakteristika fra et begrænset lydmateriale, og rejser spørgsmål om samtykke og misbrug, da resultatet kan virke ægte.
Streaming: En leveringsform, hvor en sprogmodels svar sendes løbende, token for token, efterhånden som det genereres, frem for først, når hele svaret er færdigt. Streaming reducerer den oplevede ventetid og gør det muligt at vise tekst, mens den dannes, hvilket er udbredt i samtalebaserede grænseflader.
Supervised learning / Superviseret læring: En form for maskinlæring, hvor en model trænes på data, der på forhånd er forsynet med korrekte svar i form af mærkater (labels). Modellen lærer at forudsige output ud fra input ved at minimere forskellen mellem sine forudsigelser og de kendte svar, og metoden anvendes til klassifikation og regression.
Syntetiske data: Data, der er genereret kunstigt frem for indsamlet fra virkelige hændelser, ofte ved hjælp af modeller eller simuleringer. Syntetiske data bruges til at supplere eller erstatte rigtige data, når disse er knappe, følsomme eller dyre at indhente, men kvaliteten afhænger af, hvor godt de afspejler de virkelige forhold.
Systemprompt: En instruktion, der angives til en sprogmodel forud for selve samtalen, og som fastlægger modellens rolle, tone, rammer og begrænsninger. Systemprompten er typisk skjult for slutbrugeren og har forrang over efterfølgende brugerinput, og den bruges til at styre modellens adfærd gennem en hel session.

T

Tale-til-tekst (STT): Den specifikke funktion, hvor talt lyd konverteres til skrevet tekst. Tale-til-tekst (speech-to-text, STT) er en form for talegenkendelse, der bruges til transskription, undertekstning og stemmestyrede grænseflader, og indgår ofte som det første trin i systemer, der viderebehandler det talte sprog.
Talegenkendelse: Teknologi, der automatisk omsætter talt sprog til en maskinlæsbar repræsentation, oftest tekst. Talegenkendelse (speech recognition) anvendes i blandt andet diktering, stemmestyring og automatisk transskription, og kvaliteten afhænger af faktorer som baggrundsstøj, accent og talesprogets kompleksitet.
Tekst-til-billede: En type generativ model, der omdanner en tekstbeskrivelse til et billede, som svarer til indholdet i beskrivelsen. Modellen er trænet på par af billeder og tilhørende tekst og lærer at oversætte sproglige begreber til visuelle elementer som motiver, stil og komposition.
Tekst-til-tale (TTS): Teknologi, der omdanner skreven tekst til talt lyd (text-to-speech, TTS). Moderne systemer bygger på neurale modeller, der genererer naturligt klingende stemmer med kontrol over udtale, intonation og tempo, og de anvendes blandt andet til oplæsning, stemmeassistenter og tilgængelighed.
Tekst-til-video: En type generativ model, der skaber en videosekvens ud fra en tekstbeskrivelse. Ud over at gengive indholdet skal modellen sikre sammenhæng mellem billeder over tid, så bevægelse og motiver forbliver konsistente gennem klippet, hvilket gør opgaven mere krævende end generering af enkeltbilleder.
Temperatur: En parameter, der styrer graden af tilfældighed, når en sprogmodel vælger det næste token. Lav temperatur gør output mere forudsigeligt og fokuseret på de mest sandsynlige valg, mens høj temperatur giver mere varieret og kreativt output ved at give mindre sandsynlige muligheder større vægt.
Throughput: Et mål for, hvor meget arbejde et system kan udføre per tidsenhed, typisk angivet som antal tokens behandlet per sekund. Throughput beskriver den samlede kapacitet ved betjening af mange forespørgsler samtidig og adskiller sig fra latens, der måler ventetiden for en enkelt forespørgsel.
Token: Den mindste enhed af tekst, som en sprogmodel behandler, og som kan svare til et helt ord, en orddel eller et enkelt tegn. Tekst omdannes til en sekvens af tokens, før den bearbejdes, og forbrug, kontekstlængde og omkostninger opgøres som regel i antal tokens.
Tokenisering: Den proces, hvor tekst opdeles i tokens, så den kan behandles af en sprogmodel. Opdelingen følger et fast vokabular, der er bestemt under træningen, og valget af metode påvirker, hvor effektivt teksten repræsenteres, samt hvordan sjældne ord og andre sprog håndteres.
Toksicitet: Skadeligt eller stødende indhold i et AI-systems output, som for eksempel hadefulde, nedværdigende eller chikanerende formuleringer. Toksicitet kan opstå, fordi modeller afspejler mønstre i deres træningsdata, og den måles og begrænses gennem filtre, evalueringsmetoder og justering af modellens adfærd.
Tool use: Den evne, en model har til at kalde eksterne værktøjer, som funktioner, databaser eller API'er, for at udføre opgaver, den ikke selv kan løse internt. Modellen afgør ud fra en forespørgsel, hvilket værktøj der skal bruges og med hvilke parametre, og indarbejder resultatet i sit svar.
Total cost of ownership (TCO): De samlede omkostninger ved at eje og drive en AI-løsning over hele dens levetid (total cost of ownership). Ud over indkøb eller udvikling omfatter TCO udgifter til data, beregningskraft, drift, vedligehold, overvågning og personale, og det giver et mere fuldstændigt billede end den umiddelbare anskaffelsespris.
TPU: En processortype udviklet specifikt til at fremskynde de beregninger, der indgår i maskinlæring, særligt matrixoperationer i neurale netværk (tensor processing unit). En TPU er en form for specialiseret hardware, der ligesom grafikprocessorer bruges til at træne og afvikle modeller mere effektivt end almindelige processorer.
Træning: Den proces, hvor en models parametre justeres ud fra data, så modellen gradvist bliver bedre til en given opgave. Under træningen sammenlignes modellens output med et ønsket resultat, og parametrene opdateres for at mindske fejlen, hvilket typisk kræver store mængder data og betydelig beregningskraft.
Træningsdata: De data, en model lærer af under træningen, og som danner grundlag for de mønstre, modellen tilegner sig. Træningsdataenes omfang, kvalitet og repræsentativitet har stor betydning for modellens ydeevne, og skævheder eller fejl i dataene kan videreføres til modellens output.
Transfer learning / Overførselslæring: En metode, hvor en model, der allerede er trænet på én opgave eller ét datasæt, genbruges som udgangspunkt for en ny, beslægtet opgave. Ved at bygge videre på allerede tilegnet viden kan den nye opgave løses med mindre data og kortere træningstid end ved at starte forfra.
Transformer: En arkitektur for neurale netværk, der behandler sekvenser ved hjælp af en attention-mekanisme, som vægter sammenhænge mellem elementer uafhængigt af deres indbyrdes afstand. Transformer-arkitekturen ligger til grund for de fleste moderne sprogmodeller og kan trænes effektivt på store datamængder parallelt.

U

Underfitting / Undertilpasning: En situation, hvor en model er for enkel til at indfange de mønstre, der findes i data, og derfor præsterer dårligt både på træningsdata og på nye data. Undertilpasning skyldes ofte for ringe modelkapacitet eller utilstrækkelig træning og står i modsætning til overtilpasning.
Unsupervised learning / Ikke-superviseret læring: En form for maskinlæring, hvor en model arbejder med data uden forhåndsdefinerede mærkater og selv søger at finde struktur eller mønstre. Metoden anvendes blandt andet til at gruppere ensartede datapunkter (clustering) eller reducere antallet af dimensioner, og den bruges, når mærkede data ikke er tilgængelige.
Use case: En konkret, afgrænset anvendelse af AI, der løser en bestemt opgave eller skaber en bestemt værdi. En velbeskrevet use case angiver problemet, brugerne, data, den forventede gevinst og hvordan succes måles. Begrebet bruges til at prioritere, hvor AI skal sættes ind først, frem for at indføre teknologien bredt uden retning.

V

Vægte: De justerbare talparametre i et neuralt netværk, der bestemmer styrken af forbindelserne mellem netværkets enheder. Vægtene fastlægges under træningen og rummer den viden, modellen har tilegnet sig, og det er ændringer i vægtene, der gør modellen i stand til at løse en given opgave.
Valideringssæt: En delmængde af data, der holdes adskilt fra træningsdataene og bruges til at vurdere modellen undervejs i udviklingen. Valideringssættet anvendes til at justere indstillinger og vælge mellem modeller, og det adskiller sig fra testsættet, der først bruges til den endelige bedømmelse.
Vandmærkning: En metode til at indlejre et skjult eller synligt mærke i AI-genereret indhold, så dets oprindelse senere kan identificeres. Vandmærkning anvendes blandt andet på tekst, billeder og lyd for at gøre det muligt at skelne maskingenereret materiale fra menneskeskabt og dermed understøtte gennemsigtighed.
Variational autoencoder (VAE): En type generativ model, der lærer at indkode data til en kompakt, sandsynlighedsbaseret repræsentation og afkode den igen til nye eksempler (variational autoencoder). Ved at modellere repræsentationen som en fordeling kan en VAE generere variationer af de data, den er trænet på, og bruges blandt andet til billeder.
Vektor: En ordnet række af tal, der repræsenterer data i et flerdimensionelt rum. I maskinlæring bruges vektorer til at udtrykke ord, billeder eller andre objekter numerisk, så lighed og sammenhænge kan beregnes ud fra afstanden eller vinklen mellem vektorerne.
Vektordatabase: En database, der er indrettet til at gemme og søge i data repræsenteret som vektorer. En vektordatabase finder de poster, hvis vektorer ligger tættest på en forespørgselsvektor, og den anvendes ofte i RAG-systemer og søgning, hvor lighed i betydning er vigtigere end ordret overensstemmelse.
Vektorsøgning: En søgemetode, der finder de mest relevante data ved at sammenligne vektorer ud fra deres indbyrdes lighed frem for at matche nøjagtige ord. Indhold omdannes til vektorer, og søgningen returnerer de poster, der ligger nærmest forespørgslen, hvilket gør det muligt at finde indhold med beslægtet betydning.
Versionering: Den praksis at registrere og navngive forskellige udgaver af modeller, prompts eller datasæt, så de kan skelnes, genskabes og sammenlignes over tid. Versionering understøtter sporbarhed og gør det muligt at vende tilbage til en tidligere udgave, hvis en ændring giver uønskede resultater.

W

Workflow: En struktureret rækkefølge af trin, der tilsammen udfører en opgave, og som i AI-automatisering ofte kombinerer modeller, værktøjer og regler. En arbejdsgang fastlægger, hvordan input bevæger sig gennem de enkelte trin til et færdigt resultat, og kan omfatte både automatiske skridt og menneskelig kontrol.

Z

Zero-shot læring: En tilgang, hvor en model løser en opgave uden at have set eksempler på netop den opgave under træningen, alene ud fra en instruktion og sin generelle viden. Zero-shot læring udnytter mønstre, modellen har tilegnet sig bredt, og adskiller sig fra few-shot læring, hvor enkelte eksempler gives som vejledning.

Nyhedsbrev · Low frequency, high impact

Hver anden uge skriver jeg om hvad jeg ser virke i praksis — og hvad jeg ser fejle. Ingen spam. Afmeld med ét klik.

Udkommer hver anden mandag · Ingen spam.

AI-ordbog

A

B

C

D

E

F

G

H

I

J

K

L

M

N

O

P

Q

R

S

T

U

V

W

Z

Få skarpe pointer om AI-transformation direkte i indbakken.