AI-ordbog

Programmer, der kan handle selvstændigt for at nå et mål. Agenterne kombinerer sprogforståelse, beslutningstagning og optimering af opgaver.

Digitale repræsentationer, der kombinerer AI og visuelle elementer for at skabe dialog. Formålet er at forbedre borgerkontakt og tilgængelighed i digitale løsninger.

Digitale assistenter, der kan forstå og besvare talehenvendelser. De bruges i kontaktcentre til at modtage opkald og guide borgere videre. Voicebots kan identificere brugerens behov og henvise til rette afdeling eller selvbetjening. De aflaster medarbejdere ved at håndtere simple forespørgsler.

En trinvis opskrift eller en række instruktioner, som en computer følger for at løse en opgave. I AI-sammenhæng er algoritmer ofte avancerede matematiske metoder, der behandler data for at lave outputs til brugeren. Machine learning-algoritmer kan tilpasse sig ved at justere interne parametre ud fra træningsdata.

Systematiske skævheder i data eller modeller, som kan føre til uretfærdige eller diskriminerende resultater.

GenAI-teknologi, hvor billeder skabes ud fra tekstbeskrivelser. Brugeren kan give både simple og detaljerede prompts om motiv, stil og stemning.

Med black box i AI menes der, at det er svært at forstå, hvordan outputs bliver generet af komplekse AI-systemer.

Det sted, hvor brugeren interagerer med AI-systemet – fx en chatboks, en app eller en stemmeassistent. En velfungerende brugergrænseflade gør AI let at anvende i praksis.

Et program, der fører samtale med brugere via tekst eller tale. Moderne chatbots bruger sprogmodeller til at forstå og svare på naturlig vis.

En gren af AI, der handler om at få computere til at forstå og analysere visuel information som billeder eller video. Ved hjælp af avancerede algoritmer og neurale netværk kan sådanne systemer genkende objekter, personer eller mønstre i visuelt materiale. Teknologien anvendes i funktioner som ansigtsgenkendelse, billedanalyse m.fl.

En organiseret samling af data (fx tekster, billeder eller tal), som bruges i forbindelse med AI. Træningsdata er det datasæt, der anvendes til at “lære” en model op ved at vise den mange eksempler. Datasættets kvalitet og repræsentativitet har stor betydning for for modellens præstation.

AI-systemer skal beskytte personoplysninger og sikre individers rettigheder. 

En avanceret form for machine learning baseret på kunstige neurale netværk med mange lag (deraf betegnelsen “dyb”). Disse dybe netværk kan lære meget komplekse mønstre og sammenhænge fra store datamængder. Deep Learning har muliggjort fremskridt inden for områder som fxbilledgenkendelse og sprogteknologi.

Hvis træningsdata indeholder systematiske skævheder eller fordomme, kan sprogmodeller skævvride fremstillingen af bestemte etniske eller kulturelle grupper.

En måleenhed for, hvor mange matematiske beregninger en computer kan udføre. I AI bruges FLOP til at måle den samlede regnekraft, der kræves for at træne en model - jo flere FLOP, desto mere kompleks og kraftfuld er modellen.

AI-teknologi, der kan skabe nyt indhold (tekst, billeder, lyd, video m.m.) i stedet for blot at analysere eksisterende data. Disse modeller lærer mønstre fra træningsdata og kan derefter generere originale resultater, som ligner de eksempler, de har set. Et eksempel er en tekstgenerator, som kan skrive en sammenhængende historie, eller en billedgenerator, der skaber et nyt billede ud fra en tekstbeskrivelse.

En type stor sprogmodel baseret på transformer-arkitekturen – designet til at håndtere og analysere sekvenser af tekst – med det formål at generere tekst. “Pre-trained” betyder, at modellen først er fortrænet på enorme mængder generel tekst, før den eventuelt finjusteres til en specifik opgave. GPT-modeller (fx dem bag ChatGPT) kan producere sammenhængende og menneskelignende svar på prompts og er kendt for deres brede viden og evne til at generere tekst.

Når en AI-model “finder på” fakta eller svar, som lyder plausible, men er forkerte eller opdigtede.

Et princip, hvor mennesker indgår i beslutningsprocessen for at sikre, at AI ikke handler autonomt uden menneskelig kontrol.

Den fase, hvor en trænet AI-model anvendes på nye data for at lave en forudsigelse. Det er selve anvendelsesfasen, hvor modellen bruger det, den har lært, til at give et svar uden yderligere træning. Inferens er typisk meget hurtigere end træning.

Data eller beskeder, brugeren giver til et AI-system – fx en tekstbesked, et spørgsmål eller et billede. Kvaliteten og tydeligheden af inputtet har stor betydning for resultatet.

AI refererer til computersystemer, der kan udføre opgaver som normalt kræver menneskelig intelligens. Det kan omfatte evner som læring, problemløsning og mønstergenkendelse. AI spænder fra simple regelbaserede systemer til avancerede machine-learning-modeller, der lærer af store datamængder.

AI-modeller kan reproducere kønsstereotyper, fx ved at forbinde bestemte job eller interesser med mænd eller kvinder. Det sker typisk, hvis modellerne er trænet på data medunderliggende fordomme.

Teknologi, der skaber tale og lyde ud fra tekstinput. Brugeren kan vælge mellem syntetiske stemmer eller imitationer af virkelige personer. Teknologien bruges både professionelt og kreativt – fx til at gøre tekst tilgængeligt på alternative måder.

En gren af AI, hvor algoritmer lærer af data i stedet for at blive eksplicit programmeret. Machine Learning trænes på store datamængder for at forbedre præcisionen af sine forudsigelser eller beslutninger. Machine Learning gør det muligt for AI-systemer løbende at blive bedre baseret på erfaring (data).

I AI-sammenhæng er en model det færdige system, der er trænet til at udføre en bestemt opgave. Modellen indeholder de mønstre og regler, som algoritmen har lært fra træningsdata. Når modellen får nyt input, kan den give et resultat (f.eks. en forudsigelse eller klassifikation) baseret på det, den er trænet på.

En gren af AI, der fokuserer på at få computere til at forstå og generere menneskeligt sprog. NLP omfatter teknikker til at bearbejde tekst og tale, fx maskinoversættelse, automatisk tekstopsummering og stemmegenkendelse. Teknologien gør det muligt for AI-systemer at kommunikere med mennesker på vores eget sprog og udtrække mening fra både tekst og tale.

En model inspireret af menneskehjernens neuroner, hvor mange kunstige “neuroner” er forbundet i lag. Under træning justerer netværket styrken af forbindelserne baseret på data. Neurale netværk kan lære komplekse mønstre og er grundstenen i deep learning.

Software eller teknologi, hvor kildekoden er frit tilgængelig for alle. Det betyder, at enhver kan læse, ændre og dele koden. Open source er en vigtig drivkraft i AI-udvikling, da det fremmer samarbejde, transparens og innovation.

Det svar eller den handling, som et AI-system giver, baseret på det input, det har fået. Svaret kan fx være tekst, tale, anbefalinger eller beslutningsstøtte.

Når en AI-model lærer træningsdataene for godt, inklusive støj og irrelevante detaljer, hvilket resulterer i dårlig ydeevne på nye data.

AI-modeller skal respektere ophavsretten, især med hensyn til det materiale, de er trænet på.

Sprogmodeller kan reflektere bestemte politisk eller ideologiske holdninger, hvilket kan skabe indtryk af, at nogle perspektiver er mere neutrale eller korrekte end andre.

Den tekst eller instruktion, brugeren giver AI-systemet for at få et svar eller en handling. Formuleringen af prompten påvirker resultatet.

At designe og justere prompts med henblik på at styre AI-systemets svar optimalt.

Et RAG-setup kombinerer en generativ AI-model med en søgefunktion. Når brugeren stiller et spørgsmål, hentes relevant information fra en vidensbase, som AI-modellen bruger til at generere et præcist og faktuelt svar. Det reducerer risikoen for fejl og øger pålideligheden.

Kontrollerede miljøer etableret af offentlige myndigheder, hvor nye AI-systemer kan testes under opsyn. I Danmark giver Datatilsynet og Digitaliseringsstyrelsens sandkasse fx myndigheder adgang til vejledning i GDPR og risikoklassifikation efter AI-forordningen, når de udvikler eller anvender AI-løsninger.

Nogle sprog er stærkere repræsenteret i træningsmaterialet end andre. Det kan føre til lavere kvalitet i svar på underrepræsenterede sprog. I en dansk kontekst betyder det, at man nogle gange får bedre svar ved at bruge engelsk frem for dansk.

En AI-model der er trænet til at forstå og generere menneskeligt sprog ved at forudsige de næste ord i en tekst. Modellen beregner sandsynligheden for ordsekvenser på baggrund af et stort tekstgrundlag, som den er trænet på. Modellen kan producere sammenhængende sætninger og besvare spørgsmål i et naturligt sprog.

En ekstra stor sprogmodel med et enormt antal parametre, trænet på kolossale mængder data. En LLM kan genkende komplekse sprogmønstre og sammenhænge og skabe lange, sammenhængende og kontekstuelle svar. Sådanne modeller ligger bag de nyeste, avancerede chatbots.

Risici, der opstår, når AI-modeller har en betydelig indvirkning på samfund, økonomi eller marked, og derfor kræver særlig opmærksomhed og regulering.

En teknologi, der omdanner det, man siger, til skrevet tekst. Bruges bl.a. i diktering, mødeopsummering og stemmestyrede assistenter.

En teknologi, der får AI til at læse tekst højt med syntetisk stemme. Bruges til oplæsning, hjælpemidler og digitale assistenter.

Udbredt form for generativ AI, hvor systemet skaber tekst ud fra brugerens input. Det kan producere alt fra digte og kode til analyser og oversættelser. Teknologien anvendes ofte i chatbots, der assisterer brugere med information og opgaver.

Et token er en grundlæggende enhed, som AI-modeller bruger til at analysere og generere tekst. Det kan være et ord, en del af et ord eller et tegn, afhængigt af sproget og modellen.Generative AI-systemer opdeler inputs i tokens for at forstå og forudsige næste enhed i rækken.

En type neural netværksarkitektur, der er særlig effektiv til sprog. En transformer vurderer relationen mellem alle elementer i inputtet (fx alle ordene i en sætning) på én gang. Denne arkitektur håndterer kontekst meget effektivt og muliggør træning af meget store sprogmodeller (LLM’er) som fx GPT, der kan producere sammenhængende tekst.

Henviser til, hvor åben og gennemskuelig et AI-system er – både i forhold til dets opbygning og de resultater, det leverer.

Processen hvor en machine learning-model lærer fra data over tid. Under træningen justerer modellen sine interne parametre for gradvist at forbedre sine resultater og minimere fejl.

Når en AI-model er for simpel til at fange de underliggende mønstre i dataene, hvilket fører til dårlig ydeevne både på trænings- og testdata.

Teknologi, der skaber billedsekvenser ud fra tekstbeskrivelser og danner video. Teknologien er mere kompleks, da den kræver naturlige overgange mellem billeder.