AI Ordbogen fra IZARA
Der skrives enorme mængder om AI i øjeblikket, og særligt ChatGPT og generativ AI har fået stor opmærksomhed. Men AI er mere end et buzzword – det er en teknologi, der allerede nu forandrer forretningsudvikling, digital strategi og operationel effektivitet.
For at navigere i denne udvikling kræver det en solid forståelse af de centrale begreber, der former AI-landskabet. Derfor har vi samlet en oversigt over de vigtigste AI-termer, du bør kende, hvis du arbejder med digital transformation eller ønsker at forstå, hvordan AI kan skabe værdi i din virksomhed.
Vi udbygger løbende listen, så du altid har et opdateret overblik over de mest relevante AI-begreber.
Bemærk: Flere af disse begreber har ikke en dækkende dansk oversættelse, hvorfor vi bevarer de engelske termer for præcisionens skyld.
Kernebegreber inden for AI
- API (Application Programming Interface) – Et sæt regler og definitioner, som software bruger til at kommunikere med hinanden. API’er gør det muligt at integrere funktioner på tværs af systemer og bygge mere komplekse løsninger.
- Kunstig intelligens (AI) – En gren af datalogi, der udvikler systemer, som kan udføre opgaver, der normalt kræver menneskelig intelligens. AI spænder fra enkle algoritmer til avancerede deep learning-modeller.
- Neurale netværk – AI-modeller, der efterligner den menneskelige hjernes måde at behandle data på. De er særligt velegnede til at identificere mønstre i store datamængder.
- Maskinlæring (Machine Learning, ML) – En del af AI, hvor modeller lærer og forbedrer sig baseret på data. I stedet for at blive eksplicit programmeret, tilpasser ML-algoritmer sig over tid gennem erfaring.
- Deep Learning – En avanceret form for maskinlæring, hvor dybe neurale netværk bruges til at analysere og forstå komplekse datamønstre som tekst, billeder og lyd.
- Foundation Models (FM) – Store AI-modeller trænet på enorme mængder data, der kan bruges til mange formål. Eksempler er GPT-4, DALL·E 2 og PaLM.
- Transformers – Neurale netværk, der anvendes i moderne AI-modeller for at forstå kontekst i tekst og sprog. De er centrale i store sprogmodeller som GPT-4.
- Generativ AI – En type AI, der kan skabe nyt indhold, såsom tekst, billeder eller musik. Denne form for AI bygger ofte på foundation-modeller.
- GPU (Graphics Processing Unit) – Specialiserede processorer, der bruges til AI-beregninger, særligt inden for deep learning.
- Store sprogmodeller (LLMs, Large Language Models) – AI-modeller, der er trænet på store mængder tekst og kan generere naturligt sprog. Eksempler er GPT-4 og LaMDA.
Udvikling og implementering af AI
- Pre-training – Første fase i træningen af en AI-model, hvor den lærer basale mønstre fra store datasæt.
- Fine-tuning – Efterfølgende træning af en AI-model på et specifikt datasæt for at gøre den mere præcis i en bestemt opgave.
- Chatbots – Software, der simulerer menneskelig samtale. Simpel automation kan drive en chatbot, mens avanceret conversational AI anvender AI-modeller for mere dynamisk dialog.
- MLOps – Metoder til at integrere, automatisere og vedligeholde AI-løsninger i en virksomhed, så de kører stabilt og effektivt over tid.
- Prompt Engineering – Processen med at designe og finjustere de input (prompts), der gives til AI-modeller for at opnå de bedste resultater.
AI, data og etik
- Bias i AI – Når en AI-model systematisk laver forkerte eller skæve forudsigelser på grund af skævheder i de data, den er trænet på.
- Strukturerede data – Data, der er organiseret i tabeller eller databaser og nemt kan analyseres.
- Ustrukturerede data – Data som tekst, billeder eller lyd, der kræver avanceret AI for at blive analyseret og brugt meningsfuldt.
- Data Mining – Processen med at identificere mønstre og tendenser i store datasæt for at udvinde forretningsrelevante indsigter.
Denne AI-ordbog giver dig et solidt fundament til at forstå de vigtigste begreber inden for AI og maskinlæring.
Hvis du vil følge med i den nyeste udvikling, kan du følge IZARA på LinkedIn eller dykke ned i vores artikler om digital strategi og AI-transformation.