AI-ordbog.
Forstå mulighederne.

Anbefalingssystem

Et anbefalingssystem udvælger og prioriterer relevante produkter eller indhold ud fra brugerens situation, egenskaber og tilgængelige adfærdssignaler.

Anomalidetektion

Anomaly detection finder observationer eller forløb, der afviger fra et forventet mønster, så mulige fejl eller usædvanlige hændelser kan undersøges.

Clustering

Clustering grupperer observationer efter lighed uden et facit til hver gruppe, eksempelvis kunder med lignende købsmønstre eller dokumenter med beslægtede emner.

Convolutional neural network

Et convolutional neural network bruger lærte filtre til at genkende lokale mønstre, eksempelvis kanter og former i billeder.

Deep learning

Deep learning er maskinlæring med neurale netværk i flere lag, som lærer sammensatte repræsentationer af eksempelvis billeder, lyd og tekst.

Diskriminativ AI

Diskriminativ AI lærer at skelne mellem mulige resultater ud fra input, eksempelvis om en besked handler om en ordre, en reklamation eller noget andet.

Ensemble learning

Ensemble learning kombinerer flere modeller til ét resultat, eksempelvis ved at stemme, tage et gennemsnit eller lære, hvordan delresultaterne skal vægtes.

Generativ AI

Generativ AI er modeller, der skaber nyt indhold som tekst, billeder eller lyd ud fra mønstre lært under træning og det aktuelle input.

Klassifikation i AI

Klassifikation er en maskinlæringsopgave, hvor input tildeles en eller flere foruddefinerede kategorier, eksempelvis emne, sagstype eller fejltype.

Kunstig intelligens

Kunstig intelligens er systemer, der udleder eksempelvis forudsigelser, indhold eller handlinger fra input for at løse en defineret opgave.

Machine learning

Machine learning er metoder, der lærer mønstre fra data og bruger dem til at forudsige, sortere eller skabe resultater for nye input.

Neuralt netværk

Et neuralt netværk er en model, hvor forbundne beregningsenheder omsætter input til et resultat gennem lærte vægte og aktiveringsfunktioner.

Recurrent neural network

Et recurrent neural network behandler en sekvens trin for trin og fører en intern tilstand videre, så tidligere input kan påvirke næste beregning.

Regression i machine learning

Regression er en modelopgave, hvor resultatet er en numerisk værdi, eksempelvis forventet efterspørgsel, behandlingstid eller energiforbrug.

Reinforcement learning

Reinforcement learning lærer en strategi gennem handlinger og feedback, hvor målet er at opnå en høj samlet belønning over tid.

Self-supervised learning

Self-supervised learning skaber et træningssignal ud fra selve dataene, så modellen kan lære uden manuelt facit til hvert eksempel.

Semi-supervised learning

Semi-supervised learning kombinerer eksempler med kendte labels og eksempler uden labels for at lære en model.

Supervised learning

Supervised learning træner en model på eksempler med kendte svar, så den kan forudsige svar for nye observationer.

Transfer learning

Transfer learning genbruger en models lærte repræsentationer som udgangspunkt for en ny, beslægtet opgave, så projektet ikke nødvendigvis skal træne alt fra bunden.

Unsupervised learning

Unsupervised learning finder mønstre eller struktur i data uden et kendt facit for hvert træningseksempel.

Attention

Mekanismen der lader en model fokusere på forskellige dele af input når den genererer output.

Batch inference

Batch inference behandler mange modelopgaver samlet eller asynkront, når resultatet ikke behøver være klar som et øjeblikkeligt svar til en bruger.

Context Window

Modellens grænse for den kontekst og det output, der kan rummes i en forespørgsel, målt i tokens.

Encoder-decoder

En encoder-decoder-model bearbejder først input til repræsentationer og bruger derefter en decoder til at producere output. Arkitekturen bruges blandt andet til oversættelse og tekstomformning.

Foundation Model

En stor pre-trænet model, der fungerer som fundament for mange forskellige anvendelser.

Inference

Inferens er brugen af en trænet model til at beregne et resultat for nye input, eksempelvis en kategori, en prognose eller et genereret svar.

Kontekstkomprimering

Kontekstkomprimering forkorter det materiale, modellen får med, eksempelvis gennem resumé, udvælgelse eller fjernelse af gentagelser. Udfordringen er at bevare det, næste opgave kræver.

KV-cache

En KV-cache gemmer beregnede key- og value-repræsentationer fra tidligere tokens, så en transformer kan genbruge dem under videre tekstgenerering.

Kvantisering

Quantization bruger numeriske repræsentationer med lavere præcision til eksempelvis modelvægte, så modellen kan kræve mindre hukommelse og i visse opsætninger køre mere effektivt.

Latency i AI

Latency er den tid, der går mellem en hændelse og det relevante svar. I AI-systemer skal målingen præcisere, om den gælder første tekst, færdigt output eller en godkendt opgave.

LLM (Large Language Model)

En stor sprogmodel trænet på enorme tekstmængder til at forstå og generere naturligt sprog.

Mixture of Experts (MoE)

En arkitektur med flere delnetværk; i sparse MoE vælger en router et udsnit til den enkelte beregning.

Model cascade

En model cascade behandler en opgave i flere mulige trin og sender den videre, når et tidligere resultat ikke opfylder definerede kvalitets- eller sikkerhedskriterier.

Model pruning

Model pruning fjerner eller deaktiverer udvalgte parametre eller strukturer i en model for at undersøge, om den kan gøres mere kompakt uden uacceptabelt kvalitetstab.

Model routing

Model routing vælger, hvilken model der skal behandle en opgave, ud fra eksempelvis opgavetype, kvalitetskrav, dataregler og tilgængelig kapacitet.

Model serving

Model serving gør en trænet model tilgængelig for andre systemer og håndterer blandt andet forespørgsler, kapacitet, versioner og fejl omkring inferensen.

Multimodal model

En model, der kan behandle flere typer information, eksempelvis tekst og billeder.

Parametre

De numeriske vægte, der justeres under træning og former modellens beregninger.

Prompt caching

Prompt caching genbruger behandling af uændrede dele af input på tværs af kald. Det er ikke det samme som at genbruge et gammelt svar.

Sliding-window attention

Sliding-window attention begrænser direkte attention til et lokalt område omkring en position. Det reducerer forbindelserne, men ændrer hvordan fjern information kan påvirke resultatet.

Sparse attention

Sparse attention beregner et udvalgt sæt forbindelser mellem tokens frem for alle mulige par. Valget af forbindelser påvirker både ressourceforbrug og informationsadgang.

Speculative decoding

Speculative decoding forsøger at gøre tekstgenerering hurtigere ved at foreslå flere tokens på forhånd og lade målmodellen kontrollere forslagene samlet.

Streaming af AI-svar

Streaming leverer et modelresultat i mindre dele, mens det bliver dannet, så brugerfladen kan vise fremdrift før hele svaret er færdigt.

Throughput

Throughput er den mængde arbejde et system gennemfører pr. tidsenhed. For AI kan det være tokens, forespørgsler eller færdige, godkendte opgaver.

Time to first token

Time to first token måler ventetiden frem til modellens første outputtoken. Det er et andet mål end tiden til et færdigt, brugbart svar.

Token

En enhed, som en models tokenizer omsætter tekst til; ofte et ordstykke eller et tegn.

Tokenbudget

Et tokenbudget fordeler og begrænser pladsen til instruktioner, materiale og output. Det hjælper med at styre kontekst, omkostninger og lange forløb.

Tokenisering

Tokenisering omsætter tekst til de enheder, en sprogmodel arbejder med. En token kan være et ord, en del af et ord, tegnsætning eller en anden tekstsekvens.

Transformer

En neural netværksarkitektur med attention, som bruges i mange moderne sprogmodeller.

Afgrænsere i prompts

Afgrænsere markerer, hvor instruktioner, eksempler og kildemateriale begynder og slutter i en prompt, så deres forskellige funktioner bliver tydeligere.

Chain of Thought (CoT)

Mellemtrin i et ræsonnement, blandt andet brugt som eksempler i prompting.

Constrained decoding

Constrained decoding begrænser de næste tokens under genereringen, så output kan følge en bestemt grammatik eller et understøttet skema.

Context engineering

Context engineering handler om at vælge, strukturere og opdatere de instruktioner, data og værktøjer, en AI får adgang til i en bestemt arbejdssituation.

Few-shot learning

At give modellen et par eksempler i prompten på det format eller den opgave du ønsker.

Grounding

Grounding forbinder et AI-svar med et konkret informationsgrundlag, så udsagn kan undersøges i forhold til kilder frem for alene modellens indlærte mønstre.

Instruktionshierarki

Et instruktionshierarki angiver, hvilke instruktioner en AI skal prioritere, når systemregler, brugerønsker og tekst fra dokumenter er i konflikt.

JSON Schema til AI-output

JSON Schema beskriver regler for JSON-data, eksempelvis felter, datatyper og tilladte værdier. I AI-løsninger kan det definere kontrakten for et struktureret svar.

Least-to-most prompting

Least-to-most prompting opdeler først et problem i enklere delproblemer og løser dem derefter i en rækkefølge, hvor tidligere svar kan bruges i senere trin.

Negativ prompt

En negativ prompt angiver uønskede egenskaber ved et genereret resultat. I nogle billedmodeller er den et særskilt input; i tekst er det ofte blot en almindelig begrænsning.

Prompt

Den instruktion eller input du sender til en AI-model.

Prompt chaining

Prompt chaining opdeler en AI-opgave i en planlagt række modelkald, hvor resultatet fra ét trin bruges i det næste.

Prompt engineering

Arbejdet med at udforme og teste instruktioner, kontekst og outputkrav til AI-modeller.

Promptoptimering

Promptoptimering ændrer instruktioner eller eksempler ud fra målte fejl og aftalte kvalitetskriterier. Den kan udføres manuelt eller med automatiseret søgning efter bedre varianter.

Promptskabelon

En promptskabelon samler faste instruktioner og tydelige pladsholdere, så en tilbagevendende AI-opgave kan udføres med forskellige input.

Prompttest

Prompttest undersøger en prompts adfærd på et aftalt sæt opgaver og kriterier, herunder normale sager, undtagelser og input, hvor svaret bør være usikkert.

Promptversionering

Promptversionering registrerer ændringer i en prompt, så teamet kan se, hvilken udgave der blev testet, brugt og eventuelt rullet tilbage.

ReAct

ReAct kombinerer modelstyret problemløsning med handlinger og observationer, så nye oplysninger fra værktøjer kan påvirke det næste skridt.

Role prompting

Role prompting giver en AI et arbejdsståsted eller en rolle, som kan styre tone, perspektiv og hvilke hensyn den skal lægge vægt på.

Self-consistency

Self-consistency genererer flere løsningsforsøg til samme opgave og samler deres slutresultater, eksempelvis ved at vælge det svar, der går igen flest gange.

Spørgsmålsopdeling

Spørgsmålsopdeling omsætter et sammensat spørgsmål til flere afgrænsede underspørgsmål, så systemet kan finde og sammenholde det nødvendige materiale.

Struktureret output

Struktureret output er AI-resultater i et aftalt dataformat med navngivne felter, som et program kan kontrollere og arbejde videre med.

Svarverifikation

Svarverifikation kontrollerer, om et AI-svars konkrete påstande og konklusioner understøttes af relevante kilder, beregninger eller andre uafhængige kontroller.

System prompt

En særlig instruktion der definerer modellens rolle, regler og opførsel før samtalen begynder.

Temperature

En samplingparameter, som påvirker fordelingen af mulige næste tokens.

Top-p (nucleus sampling)

En alternativ parameter til temperature der filtrerer hvilke tokens modellen overvejer.

Tree of Thoughts

Tree of Thoughts organiserer problemløsning som flere mulige grene, hvor mellemresultater vurderes, før systemet vælger, hvilke muligheder det arbejder videre med.

Zero-shot

At bede en model løse en opgave uden at give nogen eksempler — kun en instruktion.

Backpropagation

Backpropagation beregner, hvordan et neuralt netværks parametre påvirker tabet, ved at føre afledte størrelser baglæns gennem beregningens lag.

Batch size

Batch size angiver, hvor mange træningseksempler der behandles sammen før en parameteropdatering, og påvirker hukommelsesbrug og træningsforløb.

Cross-validation

Cross-validation vurderer en model gennem flere opdelinger af data, så modelvalget ikke alene afhænger af ét enkelt trænings- og valideringssplit.

Data augmentation

Data augmentation skaber relevante variationer af træningseksempler, eksempelvis ændret billedudsnit eller lys, så modellen kan øve sig på mere varierede input.

Datamærkning

Data labeling er arbejdet med at tilføje fagligt definerede labels eller facit til eksempler, så en model kan trænes eller evalueres på en konkret opgave.

Distillation

Træning af en elevmodel ved hjælp af output eller signaler fra en lærermodel.

Epoch

En epoch er typisk én gennemgang af hele træningsdatasættet. Antallet beskriver, hvor mange gange materialet indgår i træningsforløbet.

Feature engineering

Feature engineering omformer rå data til inputvariable, der gør relevante mønstre lettere for en model at bruge, eksempelvis sæson, varighed eller historiske gennemsnit.

Feature selection

Feature selection vælger et relevant udsnit af modellens inputvariable for at reducere unødvendige data, kompleksitet og risiko for overtilpasning.

Fine-tuning

At tilpasse en pretrænet model til en specifik opgave ved at træne den videre på mindre, målrettede datasæt.

Gradient descent

Gradient descent er en optimeringsmetode, der justerer modellens parametre i en retning, som lokalt kan mindske den valgte tabsfunktion.

Hyperparametre

Hyperparametre er indstillinger, der styrer modellens struktur eller træningsproces, eksempelvis learning rate, batchstørrelse og regulariseringsstyrke.

Klasseubalance

Class imbalance betyder, at nogle kategorier forekommer langt oftere end andre i et datasæt. Det påvirker både læring, evaluering og valget af beslutningstærskel.

Learning rate

Learning rate styrer størrelsen af parameteropdateringer under gradientbaseret træning og påvirker, hvor hurtigt og stabilt modellen tilpasser sig.

LoRA (Low-Rank Adaptation)

En tilpasningsmetode, der holder grundvægte faste og træner mindre matricer.

Overfitting

Overfitting opstår, når en model tilpasser sig træningsmaterialets særlige detaljer så meget, at den klarer nye eksempler dårligere.

Pretraining

Indledende træning, hvor en model lærer brede mønstre før en mere specifik tilpasning.

Regularisering

Regularization er metoder, der begrænser en models tilpasning for at mindske overfitting og forbedre kvaliteten på nye eksempler.

RLHF (Reinforcement Learning from Human Feedback)

Reinforcement learning, hvor menneskelige vurderinger indgår som feedback i træningen.

Syntetiske data

Syntetiske data er data fremstillet gennem regler, simulering eller modeller til et bestemt formål, eksempelvis test af et system eller variation i træningsmateriale.

Tabsfunktion

En loss function giver en numerisk værdi for modellens fejl i forhold til et træningsmål. Optimeringen bruger værdien til at styre parameterændringer.

Testdata til AI

Testdata er tilbageholdte eksempler, som bruges til at vurdere en færdigvalgt model på data, der ikke har styret træning eller løbende modelvalg.

Træningsdata

Træningsdata er de eksempler, som bruges til at tilpasse en models parametre. Deres kvalitet og sammensætning påvirker, hvilke mønstre modellen kan lære.

Underfitting

Underfitting opstår, når en model ikke lærer tilstrækkeligt af de relevante mønstre og derfor klarer både træningsmateriale og nye eksempler utilfredsstillende.

Valideringsdata

Valideringsdata er eksempler, der bruges under udviklingen til at sammenligne modeller og indstillinger uden direkte at indgå i tilpasningen af modellens vægte.

Approximate nearest neighbor

Approximate nearest neighbor finder sandsynligt nærliggende vektorer uden at sammenligne forespørgslen udtømmende med alle poster. Det bytter noget præcision i nabosøgningen for effektivitet.

Bi-encoder

En bi-encoder omsætter spørgsmål og dokumenter til separate vektorer, som kan sammenlignes hurtigt. Dokumenternes repræsentationer kan beregnes før søgningen.

BM25

BM25 er en metode til at rangere dokumenter efter ordmatch. Den tager blandt andet højde for ordenes hyppighed, sjældenhed og dokumentets længde.

Chunking

Opdeling af dokumenter i mindre uddrag, eksempelvis til søgning og brug i RAG.

Computer vision

Metoder til at analysere billeder og video, eksempelvis genkende objekter, finde områder eller klassificere visuelle forhold.

Contextual retrieval

Contextual retrieval tilføjer en kort forklaring af et tekstuddrags dokumentkontekst før indeksering, så uddraget lettere kan findes og forstås i den rigtige sammenhæng.

Cosine similarity

Cosine similarity måler ligheden mellem to vektorers retning. I semantisk søgning kan målet bruges til at sammenligne embeddings af spørgsmål og dokumenter.

Cross-encoder

En cross-encoder behandler to tekster samlet, eksempelvis et spørgsmål og et dokumentuddrag, og beregner en vurdering af deres forhold eller relevans.

Dokumentopsummering

Indhold forkortes til et bestemt læseformål uden at tilføje påstande eller skjule væsentlige forbehold.

Dokumentparsing

Et dokument omsættes til tekst, struktur og metadata, så indholdet kan bruges uden at miste læserækkefølge og relationer.

Embedding

En numerisk repræsentation af tekst som en model kan sammenligne for ligheder.

Entity resolution

Entity resolution undersøger, om forskellige dataposter eller navne henviser til den samme virkelige enhed, eksempelvis en virksomhed, et produkt eller en kontaktperson.

GraphRAG

GraphRAG bruger strukturerede relationer mellem enheder som en del af grundlaget for AI-svar. Microsofts tilgang kombinerer en vidensgraf med sammenfatninger af grupper i materialet.

HNSW

HNSW er en grafbaseret metode til tilnærmet vektorsøgning. Den bruger flere lag af forbindelser til at navigere fra et groft område mod nærliggende kandidater.

Hybrid search

Hybrid search kombinerer flere søgemetoder, typisk ordmatch og vektorsøgning, så både præcise betegnelser og beslægtet betydning kan bidrage til resultatlisten.

Inkrementel indeksering

Inkrementel indeksering opdaterer et søgeindeks med ændrede, nye og fjernede oplysninger, så hele materialet ikke behøver at blive behandlet på ny ved hver ændring.

Knowledge graph

En knowledge graph beskriver enheder og relationer mellem dem, så information kan undersøges som forbindelser med en bestemt betydning frem for alene som løs tekst.

Late chunking

Late chunking beregner først kontekstuelle tokenrepræsentationer for en længere tekst og samler dem derefter til embeddings for mindre uddrag.

Metadatafiltrering

Metadatafiltrering begrænser søgning efter dokumentegenskaber som kunde, sprog, produktversion eller gyldighed, før materialet bruges i et AI-svar.

Multi-query retrieval

Multi-query retrieval søger med flere formuleringer af et informationsbehov og samler de fundne dokumenter, så én formulering ikke alene bestemmer dækningen.

Named entity recognition

Tekststykker mærkes som bestemte entiteter, eksempelvis personer, organisationer, steder, datoer eller specialiserede faglige kategorier.

Natural language processing

Computerbehandling af menneskeligt sprog, eksempelvis klassifikation, søgning, navnegenkendelse, oversættelse og tekstgenerering.

OCR

Tekst i billeder og scanninger omsættes til maskinlæsbare tegn, som efterfølgende kan søges, udtrækkes og kontrolleres.

Ontologi

En ontologi beskriver et områdes begreber, relationer og formelle betydning, så data og systemer kan bruge samme forståelse af eksempelvis produkter, roller eller processer.

Parent document retrieval

Parent document retrieval finder små tekstuddrag, men returnerer deres større overordnede afsnit eller dokumenter, så svaret får mere af den oprindelige sammenhæng.

Query expansion

Query expansion supplerer en søgeforespørgsel med relevante ord eller formuleringer, så søgningen kan finde materiale, der bruger et andet ordvalg end brugeren.

Query rewriting

Query rewriting omformulerer et spørgsmål til en søgning, der passer bedre til materialet eller søgesystemet, mens det oprindelige informationsbehov bevares.

RAG (Retrieval-Augmented Generation)

En metode, der kombinerer hentning af eksterne kilder med generering af et svar.

Reranking

Reranking vurderer allerede fundne søgeresultater igen og ændrer deres rækkefølge, så de mest relevante kandidater kan komme først.

Semantic search

Søgning baseret på betydning frem for keyword-match.

Sentimentanalyse

Tekst vurderes efter udtrykt holdning eller stemning, eksempelvis positiv, negativ eller blandet, inden for en defineret opgave.

Speaker diarization

En lydoptagelse opdeles efter, hvem der taler hvornår, normalt med neutrale talerlabels frem for navngiven identitet.

Tabeludtræk

Tabeller omsættes til strukturerede celler, mens relationer til overskrifter, enheder, fodnoter og dokumentkilde bevares.

Talegenkendelse

Lyd med tale omsættes til tekst, som skal kontrolleres for fejl i blandt andet navne, tal, negationer og fagudtryk.

Tekstklassifikation

Tekst tildeles én eller flere definerede kategorier, så beskeder og dokumenter kan sorteres og behandles mere konsekvent.

Text to speech

Tekst omsættes til syntetisk tale med valg af stemme, udtale, tempo og en passende ramme for anvendelsen.

Vector database

En database optimeret til at gemme og hurtigt finde lignende vektor-embeddings.

Agent loop

Et agent loop gentager observation, valg af næste handling og kontrol af resultatet, indtil opgaven er løst eller skal stoppes.

Agentevaluering

Agentevaluering undersøger, om en agent løser den rigtige opgave, bruger sine værktøjer korrekt og holder de aftalte grænser.

Agenthukommelse

Agenthukommelse er de oplysninger, et system bevarer og genfinder for at fortsætte opgaver eller tilpasse senere samtaler.

Agentic AI

Agentic AI er AI-systemer, der vælger og udfører flere trin mod et mål og justerer forløbet efter resultaterne.

Agentorkestrering

Agentorkestrering styrer, hvilke agenttrin der kører, hvilke oplysninger de får, og hvordan resultater og fejl føres videre.

Agentoverdragelse

Agentoverdragelse flytter en opgave til en anden agent eller person med de oplysninger og det ansvar, der kræves for at fortsætte.

Agentplanlægning

Agentplanlægning opdeler et mål i mulige trin og reviderer planen, når nye oplysninger eller værktøjsresultater ændrer opgaven.

Agenttilstand

Agenttilstand er en struktureret beskrivelse af opgavens aktuelle status, data, beslutninger og resterende arbejde.

AI Agent

Et AI-system, hvor en model kan vælge handlinger og næste skridt inden for en afgrænset opgave.

Browseragent

En browseragent bruger en browser til at undersøge eller udføre afgrænsede opgaver og kontrollerer løbende sidens aktuelle tilstand.

Computer use

Computer use lader en AI-agent betjene en brugerflade ved at læse dens aktuelle tilstand og udføre handlinger som klik og indtastning.

Function calling

Strukturerede anmodninger fra en model om at bruge funktioner med definerede argumenter.

Human in the loop

Human in the loop placerer en menneskelig vurdering som et nødvendigt trin, før et bestemt AI-resultat eller en handling går videre.

Human on the loop

Human on the loop betyder, at mennesker overvåger et AI-forløb og kan gribe ind, mens systemet udfører aftalte handlinger.

Kodeagent

En kodeagent kan undersøge et softwareprojekt, ændre filer og bruge værktøjer og tests til at arbejde mod en afgrænset udviklingsopgave.

Korttidshukommelse i AI-agenter

Korttidshukommelse holder styr på den aktuelle samtale eller opgave, så agenten kan bruge tidligere trin uden at blande andre sager ind.

Langtidshukommelse i AI-agenter

Langtidshukommelse gemmer udvalgte oplysninger på tværs af samtaler, så en agent kan genbruge relevant og bekræftet viden.

MCP (Model Context Protocol)

Model Context Protocol: en åben protokol til at forbinde AI-applikationer med værktøjer og datakilder.

Multiagentsystem

Et multiagentsystem fordeler arbejde mellem flere AI-agenter med forskellige roller, værktøjer eller datagrundlag.

Researchagent

En researchagent undersøger et afgrænset spørgsmål, finder og sammenligner kilder og samler et resultat med tydelig dokumentation.

Sandboxing af AI-agenter

Sandboxing isolerer en agents udførelse og begrænser dens adgang til filer, netværk og andre systemressourcer.

Tool use

Når en model anmoder om brug af eksterne værktøjer til eksempelvis opslag, beregning eller handling.

Værktøjsrettigheder

Værktøjsrettigheder bestemmer, hvilke data og handlinger en agent faktisk kan få adgang til, uanset hvad den bliver bedt om.

Værktøjsskema

Et værktøjsskema beskriver de argumenter og returdata, som en agent skal bruge for at kalde et værktøj korrekt.

Adgangskontrol i AI

Systemet håndhæver, hvem der må hente oplysninger og udføre handlinger, før data eller værktøjer gives til modellen.

AI red teaming

En autoriseret, systematisk afprøvning af misbrug og sikkerhedsgrænser i et AI-system med dokumenterede fund og rettelser.

AI-forordningen

EU’s regelsæt for bestemte AI-modeller og AI-systemer, hvor forpligtelser afhænger af rolle, anvendelse og gældende tidsplan.

AI-færdigheder

Viden og praktiske færdigheder, som gør mennesker i stand til at bruge og vurdere AI i deres konkrete rolle.

AI-governance

Fordeling af ansvar, beslutningsregler og løbende kontrol for de AI-systemer, virksomheden udvikler eller anvender.

AI-politik

Interne regler, der gør det klart, hvilke AI-værktøjer, data og handlinger medarbejdere må bruge i deres arbejde.

Alignment

Arbejdet med at få AI-systemers adfærd til at stemme overens med ønskede mål, værdier og begrænsninger.

Anonymisering

En proces, der gør oplysninger uigenkaldeligt anonyme; fjernelse af navn alene er ikke tilstrækkelig.

Data poisoning

Manipulation af trænings- eller kildedata, som kan få et AI-system til at lære eller anvende et forkert grundlag.

Data residency

Hvor data lagres og behandles, herunder hvilke regioner, underleverandører og adgangsveje der indgår i hele AI-løsningen.

Databehandleraftale

En aftale, der regulerer en databehandlers behandling af personoplysninger på vegne af en dataansvarlig.

Dataminimering

Personoplysninger begrænses til det, der er nødvendigt for det konkrete formål, også i prompts, dokumenter og logs.

Dataopbevaring

Regler og tekniske rutiner for, hvor længe AI-data og deres kopier gemmes, og hvordan de slettes eller anonymiseres.

DPIA

En dokumenteret proces, der vurderer nødvendighed, proportionalitet og risici ved en konkret behandling af personoplysninger.

Hallucination

Når en AI-model selvsikkert genererer information der lyder rigtigt men er forkert eller opfundet.

Hændelseshåndtering for AI

En aftalt proces til at opdage, afgrænse, undersøge og rette alvorlige fejl eller sikkerhedshændelser i en AI-løsning.

Jailbreak

Teknikker til at få en AI til at overskride sine sikkerhedsgrænser og generere upassende indhold.

Membership inference

Et angreb, der forsøger at afgøre, om en bestemt observation eller person indgik i en models træningsdata.

Mindst mulige rettigheder

En bruger eller AI-agent får kun de data, funktioner og tidsrum, der er nødvendige for den afgrænsede opgave.

Model extraction

Forsøg på at udlede eller efterligne en models adfærd gennem adgang til dens svar eller andre eksponerede oplysninger.

Prompt injection

Forsøg på at lade ubetroet indhold ændre en AI-applikations instruktioner eller handlinger.

Pseudonymisering

Identifikatorer erstattes eller adskilles, så oplysninger ikke kan knyttes til en person uden yderligere information.

Redigering af personoplysninger

Udvalgte personoplysninger fjernes eller maskeres før videre behandling; resultatet er ikke automatisk anonymt.

Risikoklassifikation af AI

En begrundet vurdering af et systems anvendelse og konsekvenser, herunder om særlige regler finder anvendelse.

Claude

Anthropics familie af AI-modeller, som kan anvendes gennem blandt andet chatprodukter og API.

Gemini

Googles familie af AI-modeller med modelafhængig understøttelse af tekst og andre modaliteter.

GPT

En modelfamilie fra OpenAI; ChatGPT er et produkt, som kan give adgang til OpenAI-modeller.

Llama

Metas familie af modeller med tilgængelige modelvægte under versionsspecifikke licensvilkår.

Make

Make er en visuel automatiseringsplatform, hvor scenarier forbinder apps med moduler, datafelter, filtre og forgreninger.

n8n

n8n er en platform til visuelle workflows, hvor integrationer, kode og AI-trin kan forbindes i en samlet arbejdsgang.

Reasoning model

En model, der kan bruge ekstra beregning til at arbejde gennem en opgave før eller under sit svar.

Zapier

Zapier er en platform, der forbinder apps gennem workflows med en trigger og en eller flere efterfølgende handlinger.

API

Et API er en defineret grænseflade, som software bruger til at udveksle data eller bede et andet system udføre en handling.

Change data capture

Change data capture registrerer ændringer i en datakilde, så andre systemer kan opdateres løbende uden at hente hele datasættet igen.

Dead-letter queue

En dead-letter queue samler beskeder, som ikke kan behandles normalt, så de kan undersøges og eventuelt genkøres kontrolleret.

Durable execution

Durable execution gemmer en arbejdsgangs fremdrift, så den kan fortsætte efter ventetid eller nedbrud uden at starte hele forløbet forfra.

ETL

ETL er en dataproces, hvor oplysninger udtrækkes fra kilder, omformes efter regler og indlæses i et målsystem.

Exponential backoff

Exponential backoff øger ventetiden mellem genforsøg, så et midlertidigt fejlramt system ikke belastes med hurtige gentagne kald.

Hændelsesdrevet arkitektur

Hændelsesdrevet arkitektur lader systemer reagere på beskeder om ændringer gennem adskilte producenter, kanaler og modtagere.

Idempotens

Idempotens betyder, at gentagelse af samme logiske handling har samme tilsigtede virkning som at udføre den én gang.

Intelligent document processing

Intelligent document processing kombinerer dokumentlæsning, klassificering, dataudtræk og kontrol, så dokumenter kan indgå i en arbejdsgang.

OAuth

OAuth lader en applikation få afgrænset adgang til et andet system uden at modtage brugerens adgangskode til systemet.

Process mining

Process mining analyserer hændelsesdata fra virksomhedens systemer for at vise, hvordan arbejdsgange faktisk forløber, og hvor de stopper eller gentages.

Rate limiting

Rate limiting begrænser, hvor mange kald eller hvor meget arbejde en klient må sende inden for en bestemt periode.

REST API

Et REST API organiserer en webgrænseflade omkring ressourcer og en ensartet kontrakt for at læse eller ændre deres repræsentationer.

RPA

RPA automatiserer gentagne, regelbaserede handlinger i programmer, ofte gennem de samme brugerflader som medarbejderne bruger.

Servicekonto

En servicekonto er en særskilt systemidentitet, som en applikation eller integration bruger til at tilgå ressourcer med afgrænsede rettigheder.

Webhook

En webhook sender en hændelse fra ét system til et endpoint i et andet, så en arbejdsgang kan reagere på ændringen.

Workflow automation

Workflow automation forbinder gentagne arbejdstrin, så en hændelse kan føre til kontrollerede handlinger på tværs af systemer.

Accuracy

Accuracy er andelen af korrekte klassifikationer blandt alle vurderede tilfælde. Tallet skal fortolkes ud fra klassefordeling og fejlkonsekvenser.

Answer relevance

Answer relevance vurderer, om AI-svaret direkte og tilstrækkeligt besvarer brugerens spørgsmål uden at drukne svaret i uvedkommende indhold.

Context precision

Et mål for relevansen og eventuelt rækkefølgen af de tekststykker, en RAG-søgning giver modellen.

Context recall

Et mål for, om søgningen har hentet de oplysninger, der er nødvendige for et korrekt og dækkende svar.

F1-score

F1-score sammenfatter precision og recall i ét tal, som bliver lavt, hvis systemet enten finder for få relevante tilfælde eller laver mange falske fund.

Faithfulness i RAG

Faithfulness i RAG måler, om et AI-svars påstande kan understøttes af det kildemateriale, systemet faktisk havde til rådighed.

Forvekslingsmatrix

En forvekslingsmatrix viser, hvilke kategorier en model rammer korrekt, og hvilke den forveksler, så fejl kan undersøges frem for at gemmes i et gennemsnit.

Golden dataset

Et versionsstyret sæt repræsentative opgaver med godkendte svar eller kriterier, som bruges til at teste ændringer.

Kalibrering

Kalibrering undersøger, om modellens angivne sandsynligheder passer til, hvor ofte de tilsvarende udfald faktisk indtræffer.

LLM as a judge

En sprogmodel vurderer andre svar efter en rubric; bedømmelsen kræver kontrol for bias, fejl og påvirkning fra svarteksten.

Mean reciprocal rank

Et mål for, hvor tidligt det første relevante resultat vises på tværs af en samling søgninger.

Menneskelig evaluering

Fagpersoner vurderer AI-output efter aftalte kriterier og dokumenterer både kvalitet og uenighed.

Model drift

Ændringer i data, opgaver eller modeladfærd kan gøre en tidligere velfungerende AI-løsning mindre pålidelig over tid.

NDCG

En rangordningsmetrik, der belønner værdifulde søgeresultater højt på listen og sammenligner med en ideel rækkefølge.

Precision

Precision måler, hvor stor en andel af modellens positive fund der faktisk er korrekte, eksempelvis hvor mange markerede leads der er relevante.

Recall

Recall måler, hvor stor en andel af alle reelt relevante tilfælde systemet finder, og gør de oversete tilfælde synlige.

Regressionstest af AI

Gentag kendte tests efter ændringer for at opdage, om tidligere accepteret adfærd er blevet dårligere.

Robusthedstest

Systematiske variationer af input og omgivelser viser, om AI-løsningen stadig opfylder sine krav under mindre ideelle forhold.

ROC-AUC

ROC-AUC måler, hvor godt en model rangerer positive tilfælde over negative på tværs af tærskler. Det er ikke andelen af korrekte beslutninger.

Task success rate

Task success rate er andelen af forsøg, hvor en AI-løsning gennemfører hele den aftalte opgave efter tydelige succeskriterier.

AI Overviews

Googles AI-genererede oversigter i søgeresultater, som kan sammenfatte et emne og linke til understøttende websider.

AI-søgning

Søgning, hvor modeller hjælper med at finde, fortolke eller sammenfatte information og kan vise links til de anvendte kilder.

Entity SEO

Indhold og metadata gør det tydeligt, hvilke personer, virksomheder, produkter og begreber en side handler om, og hvordan de hænger sammen.

Generative Engine Optimization

Arbejde med at gøre indhold tydeligt, dokumenteret og anvendeligt i generative søgesvar uden at love citationer eller placeringer.

Indholdsproveniens

Dokumentation af, hvor indhold kommer fra, hvem der har ændret det, og hvilke kilder og processer der ligger bag.

Strukturerede data

Maskinlæsbare beskrivelser af sidens indhold og relationer, typisk med schema.org-typer i JSON-LD.

Søgeintention

Den opgave eller det informationsbehov, en søgning udtrykker, og som en relevant side skal hjælpe brugeren med at løse.

Søgeordskannibalisering

Flere sider overlapper så meget i læsebehov og indhold, at det bliver uklart, hvilken side der bør være den primære destination.