AI Ordbog

En åben kommunikationsprotokol, der lader AI-agenter fra forskellige leverandører og frameworks samarbejde og udveksle information på tværs af platforme.

En åben standard der standardiserer kommunikationen mellem kode-editorer og AI coding agents, så enhver agent kan fungere i enhver editor uden specialbyggede integrationer.

En åben standard udviklet af IBM til agent-til-agent-kommunikation, der gør det muligt for AI-agenter fra forskellige systemer at samarbejde og udveksle information.

En praksis, hvor konkurrenter systematisk udtrækker viden fra en AI-models API-svar for at træne deres egne modeller – uden tilladelse eller betaling.

Systematisk test og kvalitetsvurdering af AI-agenter — måler om de løser opgaver korrekt, følger regler og håndterer fejl fornuftigt, før de sættes i produktion.

En standardiseret oplysningsprofil for AI-agenter, der beskriver agentens kapaciteter, begrænsninger, tilladte handlingsdomæner og eskaleringsprocedurer.

En sikkerhedsarkitektur der forbinder flere AI-agenter i et kontrolleret netværk med krypteret kommunikation og gensidige tillidspolitikker.

En central fortegnelse over alle AI-agenter i en organisation — med metadata om hver agents formål, ejer, tilladelser, status og afhængigheder.

Fænomenet hvor en virksomhed ender med hundredvis af AI-agenter uden samlet overblik — ofte med overlappende funktioner, uklare ejerskaber og manglende styring.

Et netværk af mange uafhængige AI-agenter, der samarbejder decentralt om at løse komplekse, storskalerede opgaver.

AI-systemer, der har en grad af handlekraft (agency) – de kan planlægge, træffe beslutninger og udføre handlinger autonomt for at nå et mål.

En afdeling under Linux Foundation, der styrer åbne standarder for AI-agenter — herunder Model Context Protocol (MCP) og andre interoperabilitetsprotokoller.

En webbrowser med indbygget AI-agent, der selvstændigt kan navigere websider, udfylde formularer og udføre flertrinsopgaver på brugerens vegne.

En softwareudviklingsmetode, hvor AI-agenter selvstændigt skriver, tester og refaktorerer kode baseret på overordnede instruktioner fra en udvikler.

En ny handelsform, hvor AI-agenter selvstændigt researscher, sammenligner og gennemfører køb på vegne af forbrugere eller virksomheder.

Ingeniørdisciplinen bag design, opbygning og drift af AI-agentsystemer – fra arkitektur og orkestrering til test og overvågning.

Disciplinen og de processer, der sikrer kontrol, overvågning og ansvarlighed på tværs af en virksomheds fleet af autonome AI-agenter.

En betalingsform, hvor AI-agenter selvstændigt kan gennemføre køb, godkende transaktioner og håndtere betaling på vegne af en bruger eller virksomhed – med indbyggede sikkerhedskontroller.

En avanceret form for RAG, hvor autonome AI-agenter styrer hele søge- og svarprocessen – fra at vælge datakilder til at validere og sammensætte det endelige svar.

Skaleringsmetode hvor AI-agenter interagerer med andre agenter og værktøjer for at løse komplekse opgaver – en ny fase ud over traditionel træning og inferens.

En åben sikkerhedsstandard fra Cloud Security Alliance, der anvender Zero Trust-principper til styring af autonome AI-agenter.

En dynamisk sekvens af forretningsopgaver, der udføres af AI-agenter, som selv kan ræsonnere, træffe beslutninger og tilpasse sig ændringer undervejs – i modsætning til traditionel regelbaseret automatisering.

Den operationelle disciplin for styring, overvågning og drift af AI-agenter i produktion – svarende til hvad DevOps er for software og MLOps for maskinlæring.

En åben standard, der giver AI-kodningsagenter struktureret vejledning om, hvordan de skal arbejde i et specifikt softwareprojekt – som en README, men skrevet til AI.

Paraplybetegnelsen for maskiner og systemer, der kan udføre opgaver, som normalt kræver menneskelig intelligens (f.eks. problemløsning og mønstergenkendelse).

Et autonomt AI-system, der ikke bare svarer på spørgsmål, men aktivt kan udføre handlinger i andre softwaresystemer.

Den grundlæggende arkitektur bag autonome AI-agenter: en cyklus af observation, ræsonnering, handling og ny observation, der gentages, indtil opgaven er løst.

En platform eller markedsplads, hvor virksomheder kan finde, sammenligne og implementere specialiserede AI-agenter til specifikke forretningsopgaver.

Mekanismer der gør det muligt for AI-agenter at huske information på tværs af sessioner og interaktioner, så de kan opbygge kontekst og blive mere personaliserede over tid.

Fælles standarder og protokoller, der sikrer, at AI-agenter fra forskellige leverandører kan kommunikere sikkert og arbejde sammen.

Værktøjer, der genererer komplette applikationer – med database, login og hosting – ud fra en naturlig sprogbeskrivelse, helt uden traditionel kodning.

En sporbar log over beslutninger, modelversioner, træningsdata og ændringer, der gør det muligt at revidere et AI-system.

En økonomisk begrundelse for et AI-projekt, der afvejer implementeringsomkostninger mod forventet ROI, tidsbesparelser og øget omsætning.

Et tværfagligt team, der driver AI-strategi, standarder, governance og best practice på tværs af virksomheden.

En AI-drevet digital assistent, der er designet til løbende, personlig interaktion – i modsætning til enkeltopgavebaserede chatbots.

Den praktiske proces med at sikre, at en virksomheds brug af AI lever op til gældende love, regler og branchestandarder – herunder EU AI Act.

Automatisering af indholdsproduktion (tekst, billeder, video) til SEO, sociale medier og e-mail marketing ved hjælp af generativ AI.

Brugen af kunstig intelligens til at opdage, forebygge og reagere på cybertrusler – fra sårbarhedsscanning og trusselsanalyse til automatiseret incident response.

En samlet infrastruktur, der automatiserer hele livscyklussen for AI-træningsdata – fra generering og augmentering til kvalitetskontrol og evaluering i stor skala.

Anvendelsen af AI-modeller til at accelerere opdagelsen og udviklingen af nye lægemidler – fra molekyledesign til kliniske forsøg.

Et datacenter specifikt designet og optimeret til at træne og køre AI-modeller i stor skala – en fabrik, der producerer intelligens.

Disciplinen for at styre, optimere og forudsige omkostningerne ved en virksomheds AI-infrastruktur og -forbrug på tværs af cloud, on-premise og hybrid-miljøer.

Et centralt infrastrukturlag, der sidder mellem virksomhedens applikationer og de AI-modeller, der bruges – og håndterer sikkerhed, overvågning, caching og adgangskontrol på tværs af flere modeller.

Det interne regelsæt, framework og processer en virksomhed sætter op for at sikre, at AI udvikles og bruges etisk, sikkert og lovligt.

En systematisk evaluering af, hvordan et AI-system påvirker mennesker, rettigheder og samfund – påkrævet under EU AI Act for højrisiko-systemer og i flere amerikanske delstatslovgivninger.

En intelligent indbakke der bruger AI til automatisk at prioritere, opsummere og kategorisere beskeder – så brugeren ser det vigtigste først.

Algoritmer der automatisk vurderer og rangerer indkomne leads, ofte integreret direkte i CRM-systemer som HubSpot.

Det generelle vidensniveau i organisationen om, hvad AI kan og ikke kan, så ledere og medarbejdere kan træffe kvalificerede beslutninger.

Brug af AI til at automatisere, optimere og tidsindstille marketingkampagner på tværs af kanaler.

AI-systemers evne til at huske kontekst, præferencer og tidligere samtaler på tværs af sessioner – i modsætning til traditionelle stateless modeller.

Den måde en virksomhed organiserer roller, ansvar, processer og teknologier omkring AI, så det bliver en integreret del af forretningen.

Styring og koordinering af flere AI-komponenter og workflows (f.eks. RAG, agenter, API-kald) i én samlet løsning.

En arbejdsform, hvor en AI-assistent skriver kode side om side med udvikleren – foreslår løsninger, finder fejl og genererer hele funktioner i realtid.

En runtime-komponent der opfanger og evaluerer enhver AI-agenthandling mod foruddefinerede regler, før handlingen udføres.

En vurdering af, hvor klar en virksomhed er til at implementere AI – målt på data, infrastruktur, kultur og kompetencer.

Et kontrolleret testmiljø oprettet af en national myndighed, hvor virksomheder kan udvikle og afprøve innovative AI-systemer under myndighedstilsyn – før de lanceres på markedet.

Processen med at oplære medarbejdere i nye kompetencer, fordi deres eksisterende opgaver helt eller delvist automatiseres af AI.

Den systematiske proces med at identificere, vurdere og mitigere risici ved AI – fra datasikkerhed og bias til regulatoriske konsekvenser.

En konkret plan, der beskriver virksomhedens AI-rejse over 12–36 måneder – fra pilotprojekter til fuld skalering.

Foruddefinerede, genbrugelige AI-arbejdsgange, der automatisk udfører tilbagevendende opgaver som rapporter, opsummeringer eller dataopdateringer.

Et softwarelag der fungerer som 'styresystem' for AI-applikationer — det håndterer modelkald, agentorkestering, kontekststyring og sikkerhed i ét samlet lag.

Sikkerhedsmekanismer, der overvåger og håndhæver regler for AI-agenter i realtid – mens de kører, ikke kun før deployment.

AI-værktøjer, der hjælper sælgere med at forberede møder, skrive mails, opsummere kundekald og foreslå næste skridt.

Et lukket, sikkert testmiljø, hvor medarbejdere kan eksperimentere med AI-værktøjer uden risiko for at lække data til internettet.

Et forsikringsvilkår, der kræver dokumenteret AI-sikkerhed – fx red teaming, risikovurdering og tekniske sikkerhedsforanstaltninger – som forudsætning for dækning.

Lavkvalitetsindhold masseproduceret med generativ AI, som mangler dybde, originalitet og reel værdi for læseren.

En samlet desktop- eller mobilapplikation, der kombinerer flere AI-værktøjer – chat, kodning, browsing og agenter – i én fælles grænseflade.

Inddelingen af AI-systemer i risikoniveauer (uacceptabel, høj, begrænset, minimal risiko) ifølge EU AI Act.

Det lag af specifikke værktøjer og plugins, som giver en AI-agent evnen til at udføre handlinger i eksterne systemer.

Processen hvor en virksomhed integrerer AI i kerneprocesser for at ændre og optimere forretningsmodellen.

Krav i EU AI Act om, at AI-genereret indhold skal mærkes maskinlæsbart, og at deepfakes og AI-tekster tydeligt skal markeres over for brugerne.

Det systematiske arbejde med at måle, dokumentere og optimere den forretningsværdi, som AI-løsninger faktisk skaber efter go-live.

Den målbare lønforskel, som medarbejdere med AI-kompetencer opnår sammenlignet med kollegaer i tilsvarende roller uden disse færdigheder – aktuelt op til 56 % ekstra.

Teknikker til at indlejre usynlige, maskinlæsbare signaler i AI-genereret indhold, så det efterfølgende kan identificeres som syntetisk.

Programkode, der er skrevet helt eller delvist af AI-modeller som GitHub Copilot, Claude Code eller Cursor – i 2026 er 41 % af al ny kode AI-genereret.

Lovpligtig mærkning af indhold, der er produceret eller væsentligt redigeret af AI, så modtageren kan se, at AI har været involveret.

En ny kategori af designværktøjer, hvor AI ikke blot assisterer, men er den primære skabende kraft – fra idé til færdigt visuelt output.

IT-infrastruktur, der fra grunden er designet til AI-arbejdsbelastninger – med specialiserede chips, netværk og storage optimeret til modeltræning og inferens.

En softwareudviklingsmetode, hvor AI er integreret i hele udviklingsprocessen fra start – ikke tilføjet efterfølgende som et ekstra lag.

Teknikker, der gør det muligt for AI-agenter automatisk at kontrollere rigtigheden af deres egne svar og handlinger.

Princippet om at en organisation eller nation bevarer kontrol over sine AI-systemer, data og infrastruktur – uafhængigt af udenlandske leverandører og cloud-platforme.

Indbyggede fordomme eller skævheder i en AI-model, oftest opstået fordi træningsdataen var mangelfuld eller forudindtaget.

Praksissen med at designe og implementere AI med fokus på etik, gennemsigtighed og fairness.

Koden der gør det muligt for to systemer (f.eks. HubSpot og en LLM) at tale sammen og udveksle data.

En åben teknisk standard, der kryptografisk dokumenterer et digitalt indholds oprindelse, herunder om det er skabt eller redigeret med AI.

Brug af AI til automatisk at transskribere salgskald eller kundeservice-samtaler og udtrække nøgleemner, sentiment og næste skridt.

En foruddefineret grænse for, hvornår en AI-models evner bliver tilstrækkeligt avancerede til at udløse skærpede sikkerhedskrav og kontrolforanstaltninger.

Et fænomen, hvor en AI-model glemmer tidligere lært viden, når den trænes på nye data – en central udfordring for modeller, der skal opdateres løbende.

En prompting-teknik, der beder AI'en om at tænke højt og forklare sine mellemregninger trin-for-trin, før den giver det endelige svar.

Organisatoriske tiltag, træning og kommunikation, der skal til for at medarbejdere accepterer og bruger nye AI-løsninger i praksis.

Processen hvor lange dokumenter brydes ned i mindre, meningsfulde bidder (chunks), før de lægges ind i en AI's database.

AI-modeller, der identificerer kunder, som er i høj risiko for at opsige deres abonnement eller forlade virksomheden, før det sker.

AI-modeller, der forstår og kan arbejde på tværs af flere forskellige medietyper, såsom tekst, billeder, lyd og video på samme tid.

AI-tjenester leveret via internettet fra store udbydere (som Google Cloud eller Azure), som kræver minimal lokal infrastruktur.

AI-modellens evne til at skrive, køre og teste programkode i et sikret miljø midt i en samtale — og bruge resultatet til at give et bedre svar.

En tilgang, der kombinerer flere AI-teknikker – fx machine learning, videngrafer, NLP og regelbaserede systemer – i én samlet løsning for at håndtere komplekse forretningsproblemer.

En AI-kapabilitet, hvor modellen selvstændigt kan betjene en computer – klikke, skrive, navigere mellem programmer og udføre opgaver på brugerens vegne.

En sikkerhedsteknologi, der beskytter data, mens den aktivt behandles af AI-modeller, ved at køre beregninger i krypterede hardware-enklaver.

Den formelle proces hvor virksomheden får vurderet, om et højrisiko AI-system lever op til kravene i AI Act, før lancering.

En tilgang til AI-sikkerhed, hvor modellen styres af et sæt nedskrevne principper ('en forfatning') og i høj grad evaluerer sig selv frem for udelukkende at afhænge af menneskelig feedback.

En teknik, der gemmer og genbruger dele af en AI-models kontekst mellem forespørgsler for at reducere omkostninger og svartider.

Et softwarelag mellem brugeren og AI-modellen, der i realtid samler, strukturerer og leverer den rette kontekst – fra databaser, dokumenter og API'er – til modellens prompt.

Disciplinen at designe og styre den kontekst – data, instruktioner og hukommelse – som en AI-model modtager for at sikre præcise og relevante svar.

Den maksimale mængde tekst (input + historik), en LLM kan 'have i hovedet' på én gang.

En AI-arkitektur, hvor modeller løbende lærer af nye data i produktion – uden at skulle genoptrænes fra bunden hver gang.

Avancerede chatbots og stemmeassistenter, der kan føre naturlige, dynamiske samtaler med kunder i stedet for at følge fastlagte regelsæt.

En AI-assistent, der arbejder side om side med en menneskelig bruger for at øge produktiviteten, men kræver brugerens konstante styring.

En AI-agent, der selvstændigt kan orkestrere kreative arbejdsgange – fra design og billedredigering til videoproduktion – ved at koordinere flere værktøjer i én samlet proces.

Et open source Python-framework til at bygge multi-agent-systemer, hvor AI-agenter tildeles roller, mål og baggrundsviden og samarbejder om komplekse opgaver.

Skræddersyede processorer, som techvirksomheder selv udvikler specifikt til AI-træning og inferens — i stedet for at bruge standardchips fra f.eks. NVIDIA.

En samlet, AI-beriget visning af kundens historik, adfærd og præferencer på tværs af systemer (CRM, support, marketing).

Ændringer i inputdataenes fordeling over tid, som kan gøre eksisterende modeller mindre pålidelige.

Krav til kvalitet, repræsentativitet og dokumentation af de datasæt, der bruges til at træne, validere og teste AI-modeller.

De automatiserede flows, der indsamler, renser, transformerer og leverer data til AI-modeller.

Når angribere bevidst forurener træningsdata eller RAG-dokumenter, så AI-modellen lærer forkerte mønstre.

Beskyttelse af personoplysninger (GDPR) i forbindelse med indsamling af træningsdata og input/output i AI-modeller.

Et mål for, hvor hurtigt en organisation kan automatisere og eksekvere beslutninger ved hjælp af AI – fra datainput til handling.

En avanceret form for Machine Learning inspireret af den menneskelige hjerne (neurale netværk), som bruges til komplekse opgaver som billed- og talegenkendelse.

En autonom AI-agent, der selvstændigt planlægger, søger, læser og syntetiserer information fra flere kilder til en samlet rapport med kilder og visualiseringer.

Kravet om tydeligt at markere AI-genereret eller AI-manipuleret indhold – herunder syntetiske billeder, videoer og lyd – så modtageren kan skelne det fra autentisk materiale.

Kinesisk AI-laboratorium og open source-udfordrer, der har rystet AI-industrien med modeller, som matcher vestlige frontiermodeller til en brøkdel af træningsomkostningerne.

Kinesisk AI-laboratorium og open source-udfordrer, der har rystet AI-industrien med modeller, som matcher vestlige frontiermodeller til en brøkdel af træningsomkostningerne.

Sikkerhedsstrategi hvor flere lag af beskyttelsesforanstaltninger kombineres for at reducere risikoen ved AI-systemer – frem for at stole på én enkelt sikkerhedsmekanisme.

Brugen af kunstig intelligens til at forsvare organisationer mod cyberangreb – ved at opdage, analysere og reagere på trusler i maskinhastighed.

En virtuel kopi af et fysisk objekt, system eller proces, der opdateres med realtidsdata og bruges til simulering, overvågning og optimering.

Et angreb, hvor en aktør systematisk udtrækker viden fra en proprietær AI-model ved at sende tusindvis af forespørgsler og bruge svarene til at træne en kopi.

Et open source-værktøj fra IBM Research, der konverterer dokumenter (PDF, Word, HTML, regneark) til AI-klar formatering med fuld sporbarhed til kilderne.

AI-modeller der er specialtrænet til ét fagområde – f.eks. medicin, jura eller cybersikkerhed – frem for at være generelle sprogmodeller.

En nyere metode til at tilpasse AI-modellers adfærd efter menneskelige præferencer – enklere og mere stabil end den ældre RLHF-tilgang.

En infrastrukturtilgang, hvor en AI-agents tilstand løbende gemmes, så den kan genoptages præcis dér, hvor den stoppede – selv efter nedbrud eller genstart.

Indhold på website eller e-mail, der ændres automatisk baseret på brugerens adfærd og profil, drevet af AI.

AI-beregninger, der foregår direkte på den lokale enhed (f.eks. en smartphone, en maskine i produktionen eller en bil) frem for i skyen.

Numeriske repræsentationer af tekst, billeder eller andre objekter i et flerdimensionelt rum.

Uventede evner eller mønstre, der opstår i AI-modeller, uden at de er blevet eksplicit programmeret eller trænet til dem.

Betegnelsen for AI-løsninger, der er designet til hele organisationen – på tværs af afdelinger, systemer og processer – med fokus på skalerbarhed, governance og forretningsværdi.

EUs lovgivning om kunstig intelligens (træder fuldt i kraft i 2026), som inddeler AI-systemer i risikoklasser og stiller strenge krav til transparens.

EU-Kommissionens frivillige adfærdskodeks, der fastlægger praktiske standarder for mærkning og gennemsigtighed af AI-genereret indhold som tekst, billeder, lyd og video.

En samlet EU-lovpakke fra 2026, der justerer tidsfrister og krav i bl.a. AI Act, og giver virksomheder mere tid til at implementere de strengeste regler.

Et automatiseret test-setup, der systematisk evaluerer kvaliteten, nøjagtigheden og sikkerheden af en AI-models output.

AI-systemer, der er designet således, at mennesker kan forstå, hvordan og hvorfor AI'en traf en bestemt beslutning.

Et centralt bibliotek for de data-features, som bruges på tværs af AI-modeller, så de kan genbruges.

En metode til at træne AI-modeller på distribuerede datasæt uden at samle rå data ét sted – modellen rejser til dataene i stedet for omvendt.

En prompting-teknik, hvor man giver AI'en et par eksempler på den ønskede opgave og output-format, før den skal løse selve opgaven.

Processen hvor man tager en eksisterende AI-model og videre-træner den på virksomhedsspecifikke data.

Kæmpestore, generelle AI-modeller (som GPT-4 eller Claude 3), der er trænet på enorme mængder data og danner basis for mange specifikke applikationer.

Et lovkrav i bl.a. Californien og New York om, at udviklere af de mest avancerede AI-modeller skal dokumentere, hvordan de håndterer katastrofale risici.

En struktureret plan, som AI-virksomheder udgiver for at beskrive, hvordan de identificerer, evaluerer og mitigerer risici ved deres mest avancerede modeller.

Lovgivning rettet specifikt mod de mest avancerede AI-modeller (frontier-modeller), der kræver transparens, risikovurdering og sikkerhedsprocedurer fra udviklerne.

Specialiserede AI-modeller trænet til at finde sårbarheder i software, vurdere trusler og styrke en organisations cyberforsvar.

Betegnelsen for de mest avancerede og kapable AI-modeller, som typisk trænes af de største AI-laboratorier med enorme mængder data og beregningskraft.

En nonprofitorganisation grundlagt af OpenAI, Anthropic, Google og Microsoft til at fremme sikker og ansvarlig udvikling af de mest avancerede AI-modeller.

Googles flagskibs-AI-modelfamilie, der er designet til at arbejde nativt på tværs af tekst, billeder, lyd og video i én samlet arkitektur.

Googles familie af åbne AI-modeller, der kan downloades og køres lokalt eller i egen cloud – uden afhængighed af Googles API.

En type AI, der kan skabe nyt indhold – tekst, billeder, kode eller lyd – baseret på de data, den er trænet på.

Et filformat til kvantiserede AI-modeller, der gør det muligt at køre store sprogmodeller lokalt via værktøjer som Ollama og llama.cpp. GGUF-filer komprimerer modeller markant, så de kan køre på consumer-hardware med reduceret, men brugbar kvalitet.

Googles open source-framework til at bygge, teste og deploye AI-agenter — designet til at fungere med både Gemini-modeller og tredjeparts-LLM'er.

EU AI Acts betegnelse for AI-modeller med bred anvendelighed, der kan løse mange forskellige opgaver og integreres i andre systemer – f.eks. GPT, Claude og Gemini.

En avanceret videreudvikling af RAG, der kombinerer semantisk søgning med vidensgrafer for at forstå komplekse relationer i data.

Teknikken til at forankre en AI's svar i specifikke, verificerbare kilder for at forhindre opdigtede informationer (hallucinationer).

En træningsmetode til store sprogmodeller, der forbedrer deres ræsonneringsevne ved at lade modellen generere flere løsninger og forstærke de bedste – uden behov for en separat evalueringsmodel.

Regler og filtre omkring en LLM, der forhindrer uønsket adfærd – f.eks. læk af persondata eller diskriminerende output.

Når en AI-sprogmodel opfinder fakta eller genererer selvsikre, men fuldstændig forkerte svar.

Disciplinen bag design af den infrastruktur, der styrer, overvåger og sikrer AI-agenter i produktion – fra sandboxing og fejlhåndtering til observerbarhed og adgangsstyring.

Krav og praksis for at sikre, at mennesker overvåger og kan overrule vigtige AI-beslutninger – især i højrisiko-scenarier.

Et systemdesign, hvor menneskelig dømmekraft, godkendelse eller feedback er integreret direkte i AI'ens arbejdsproces.

En arkitekturtilgang, der kombinerer forskellige AI-modeller eller -implementeringsformer – typisk lokal (edge) og cloud-baseret AI – for at opnå den bedste balance mellem hastighed, sikkerhed og kapacitet.

En avanceret RAG-arkitektur, der kombinerer semantisk vektorsøgning med traditionel nøgleordssøgning for at levere mere præcise og pålidelige svar fra virksomhedens data.

Brug af AI til at skræddersy indhold, produktanbefalinger og budskaber til den enkelte bruger i realtid.

Kæmpe datacentre designet specifikt til at træne og køre AI-modeller i stor skala, ofte med hundredtusindvis af GPU'er og et massivt energiforbrug.

AI-systemer, der kan påvirke menneskers sikkerhed eller grundlæggende rettigheder (f.eks. AI til rekruttering eller kreditvurdering).

Selve kørselstidspunktet hvor en AI-model tager imod input og genererer et output.

Disciplinen der handler om at forstå, styre og optimere omkostningerne ved at køre AI-modeller i produktion – fra tokenpriser og hardwarevalg til arkitektoniske beslutninger.

En cloud-baseret tjenestemodel, hvor virksomheder kører AI-modeller via en ekstern udbyder uden selv at eje eller administrere den underliggende GPU-infrastruktur.

Samlebetegnelsen for teknikker, der gør det hurtigere og billigere at køre AI-modeller i produktion – uden at gå på kompromis med kvaliteten.

Et nyt handelsparadigme, hvor AI-agenter selvstændigt kan browse, vælge og betale for varer og tjenester på vegne af brugeren.

AI-funktionalitet, der er så dybt integreret i eksisterende produkter og tjenester, at brugeren ikke aktivt oplever at interagere med AI.

Den internationale standard for et ledelsessystem til ansvarlig brug af kunstig intelligens – AI's svar på ISO 27001 for informationssikkerhed.

Metoder hvor en bruger bevidst manipulerer en AI til at bryde sine egne etiske og sikkerhedsmæssige retningslinjer.

Et governance-framework for AI-agenter, der – ligesom KYC (Know Your Customer) i finanssektoren – sikrer, at autonome AI-systemer er identificerbare, autoriserede og overvågede.

Et centraliseret, struktureret arkiv af virksomhedens interne viden, dokumenter og data, som AI-systemer kan tilgå.

En teknik, hvor viden fra en stor, kompleks AI-model overføres til en mindre og hurtigere model, der bevarer det meste af den oprindelige kvalitet.

En optimeringsstrategi for store sprogmodeller, der gemmer mellemregninger fra tidligere tokens, så modellen ikke behøver at genberegne hele konteksten for hvert nyt token.

Et open source-framework til at bygge stateful, kontrollerbare AI-agentworkflows, hvor flere agenter kan samarbejde i komplekse, flertrinsprocesforløb.

En avanceret AI-type, der ikke blot forstår og genererer tekst, men også selvstændigt kan planlægge og udføre handlinger i digitale systemer – f.eks. bestille varer, udfylde formularer eller navigere i software.

Den tid det tager fra en bruger sender en forespørgsel, til AI’en returnerer et svar.

Modeller der beregner sandsynligheden for, at et lead konverterer til kunde, baseret på adfærd, demografi og historik.

Forskningsfeltet, der forbinder jura og AI-alignment ved at anvende juridiske principper om delegation, ansvar og incitamenter til at sikre, at AI-systemer handler i overensstemmelse med lovgivning og menneskelige værdier.

Metas familie af open source-sprogmodeller, der har demokratiseret adgangen til avanceret AI ved at gøre kraftfulde modeller frit tilgængelige for alle.

Store sprogmodeller, der er trænet på enorme mængder tekstdata for at kunne forstå og generere menneskelignende sprog.

Løbende logning af input, output og modelversioner, så man efterfølgende kan undersøge en AI-beslutning.

En teknik til at tilpasse store AI-modeller ved kun at opdatere en lille brøkdel af modellens parametre – typisk under 1 % – i stedet for at genoptræne hele modellen.

En underkategori af AI, hvor systemer lærer og forbedrer sig fra data uden at være eksplicit programmeret til hver enkelt opgave.

Cloud-hostede AI-agenter, der kører i fuldt administrerede miljøer med sandboxing, checkpointing, adgangsstyring og overvågning – klar til produktion uden egen infrastruktur.

Et forskningsfelt inden for AI-sikkerhed, der handler om at forstå præcis, hvordan en AI-models interne neuroner og kredsløb producerer bestemte svar.

Microsofts open source-platform til at bygge, orkestrere og udrulle AI-agenter og multi-agent-applikationer i .NET og Python.

Microsofts samlede AI-platform, der giver virksomheder adgang til at bygge, tilpasse og udbrede AI-modeller fra en bred vifte af udbydere via Azure.

En AI-arkitektur, hvor flere specialiserede undermodeller ('eksperter') samarbejder, og kun de mest relevante aktiveres for hver opgave.

Et sæt praksisser og værktøjer, der automatiserer og standardiserer hele livscyklussen for ML-modeller.

Et standardiseret dokumentationsark, der beskriver en AI-models formål, træningsdata, begrænsninger og testresultater – nu et lovkrav under EU AI Act for udbydere af generelle AI-modeller.

Et fænomen hvor AI-modeller gradvist forringes i kvalitet, når de trænes på data genereret af andre AI-modeller frem for ægte menneskeskabt data.