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 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.

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 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 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.

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

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.

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.

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.

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.

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

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.

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

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 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.

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.

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.

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

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

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

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

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 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.

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.

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.

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 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.

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

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.

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

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.

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.

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.

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.

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.

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

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.

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.

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 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.

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

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.

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

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

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.

En åben standard der forbinder AI-modeller med eksterne værktøjer, databaser og forretningssystemer – tænk på det som en universel adapter mellem AI og virksomhedens data.

Processen hvor en AI- eller ML-model flyttes fra udviklingsmiljø til drift.

Når en AI-models præcision falder over tid, fordi verden og data ændrer sig i forhold til dens træningsdata.

Løbende overvågning af en AI-models performance i produktion for at opdage fejl, datadrift eller bias.

En optimeringsteknik, der reducerer en AI-models størrelse og beregningskrav ved at sænke præcisionen af dens interne talrepræsentation.

Et katalog over alle AI-modeller i organisationen, med versioner, ejerskab, performance-metrics og godkendelsesstatus.

Beskyttelse af AI-modeller mod cyberangreb som model-tyveri, prompt injection, data poisoning og adversarial attacks.

Et systemdesign, hvor flere specialiserede AI-agenter opererer sammen, ofte med hver deres specifikke rolle og værktøjer.

En arkitektur hvor flere specialiserede AI-agenter samarbejder om en opgave for at opnå bedre resultater.

AI-modeller, der fra starten er trænet til at forstå og producere flere datatyper – tekst, billeder, lyd og video – i én samlet arkitektur.

NVIDIAs sikkerhedsplatform for AI-agenter, der tilføjer sandboxing, adgangskontrol og privatlivsbeskyttelse til autonome AI-systemer i virksomheder.

NVIDIAs familie af open source-sprogmodeller, designet til enterprise-brug med høj ydeevne og lav ressourceforbrug via Mixture of Experts-arkitektur.

En AI-tilgang, der kombinerer neurale netværks mønstergenkendelse med symbolsk logik og regelbaseret ræsonnering for mere pålidelige og forklarlige resultater.

AI-drevet anbefaling af den mest relevante næste handling overfor en kunde – f.eks. hvilket tilbud eller indhold der bør komme nu.

NVIDIAs platform af præoptimerede containers, der gør det enkelt at deploye og køre AI-modeller i produktion på NVIDIA-hardware.

Evnen til at overvåge, måle og forstå de indre processer i et AI-system i realtid for at sikre kvalitet, performance og sikkerhed.

AI-systemer der kan forstå og behandle hundredvis af sprog, herunder underrepræsenterede sprog, uden separate modeller for hvert sprog.

AI-løsninger, der hostes lokalt på virksomhedens egne servere frem for i skyen.

AI-modeller, hvor kildekoden er frit tilgængelig, hvilket giver virksomheder stor frihed til at tilpasse og hoste dem lokalt.

Et open-source værktøj/framework designet til at lade AI-agenter interagere dybt med digitale miljøer og udtrække data effektivt.

Den software-infrastruktur, der binder forskellige AI-modeller, databaser, API'er og brugergrænseflader sammen til én fungerende løsning.

En sikkerhedsstandard fra OWASP, der identificerer de ti mest kritiske sikkerhedsrisici ved autonome AI-agenter i produktion.

En AI-agent, der kører kontinuerligt i baggrunden frem for kun at reagere på enkeltstående forespørgsler – altid tændt, altid klar.

AI-systemer designet til at forstå og interagere med den fysiske verden – fra robotter og autonome køretøjer til industriel automatisering.

Automatiserede processer, der fjerner eller slører personhenførbare oplysninger (PII) fra data, inden det sendes til en AI-model.

Samlebetegnelse for teknikker, der forbedrer en AI-models evner efter den indledende træning – fx RLHF, DPO og domænespecifik tilpasning.

AI der analyserer historiske data for at forudsige fremtidige begivenheder – f.eks. hvilke leads der er tættest på at købe.

Teknik hvor man kæder flere prompts sammen i en sekvens, så output fra ét trin bliver input til næste.

Kunsten at formulere præcise og effektive instruktioner (prompts) til en AI-model for at få det bedst mulige output.

Et sikkerhedsangreb, hvor ondsindede instruktioner skjules i input for at få en LLM til at ignorere regler og udføre uønskede handlinger.

En genbrugelig prompt-struktur med pladsholdere, som kan udfyldes dynamisk i workflows og integrationer.

Et lille, afgrænset AI-projekt, der testes i praksis for at bevise, at teknologien fungerer og skaber værdi, før fuld udrulning.

En metode, hvor man kobler en sprogmodel op på virksomhedens egne, lukkede data for at undgå hallucinationer.

En ny kategori af AI-modeller, der er designet til at "tænke trin-for-trin" gennem komplekse problemer, i stedet for at generere svar med det samme.

Kontrollerede tests, hvor eksperter bevidst forsøger at få en AI til at opføre sig skadeligt for at lukke sikkerhedshuller.

Processen og infrastrukturen, der fremsøger relevant information fra en virksomheds vidensbase for at forsyne en AI-model med kontekst.

Krav i EU AI Act om, at højrisiko AI-systemer skal have et dokumenteret risikostyringssystem, der løbende opdateres.

En søgeteknik, hvor AI forstår betydningen bag et spørgsmål og ikke kun matcher eksakte keywords.

Brugen af AI-værktøjer blandt medarbejdere uden formel godkendelse eller overvågning fra it-afdelingen.

Mindre og mere specialiserede sprogmodeller, der kræver langt mindre regnekraft og data end de massive LLM'er.

En inferensteknik, der accelererer AI-modellers svartid ved at lade en mindre model 'gætte' de næste tokens, som en større model derefter verificerer i ét hug.

Den kollektive adfærd og problemløsningsevne, der opstår, når mange simple AI-agenter interagerer med hinanden.

Styringen og koordineringen af en gruppe AI-agenter (en sværm) for at sikre, at de arbejder mod et fælles mål uden at spænde ben for hinanden.

Kunstigt genereret data, der statistisk set minder om ægte data, men ikke indeholder nogen rigtige personoplysninger.

Indhold – video, lyd, billeder eller tekst – der er helt eller delvist skabt af AI, ofte så realistisk at det er svært at skelne fra autentisk materiale.

Den overordnede instruktion, som sætter rammerne for, hvordan en sprogmodel skal opføre sig, før brugeren stiller spørgsmål.

Den dokumentation virksomheden skal fremvise for et AI-system – herunder formål, datasæt, modeller, test og kontrolmekanismer.

En generativ AI-teknologi, der skaber videosekvenser direkte fra tekstbeskrivelser – fra enkle animationer til realistiske filmklip.

En indstilling i sprogmodeller, der styrer graden af tilfældighed og 'kreativitet' i AI'ens svar.

En teknik hvor AI-modellen bruger ekstra beregningstid på at "tænke længere" over svære spørgsmål, frem for blot at svare med det samme – det forbedrer præcisionen markant.

Den mindste byggeklods af tekst (typisk et ord eller en stavelse), som en sprogmodel læser og genererer.

Økonomien bag AI-forbrug, hvor tokens – de små dataenheder, en AI-model behandler – er den grundlæggende valuta for beregning af omkostninger og værdi.

Når en LLM automatisk kan kalde eksterne værktøjer eller API’er for at udføre handlinger og hente live-data.

Metoden til at vælge og rangere AI-brugsscenarier baseret på potentiel forretningsværdi, teknisk kompleksitet og risiko.

En specialiseret database til at gemme numeriske vektor-repræsentationer (embeddings) af data, som muliggør semantisk søgning.

NVIDIAs næste generation af GPU-arkitektur efter Blackwell, designet til at levere op til 10 gange bedre energieffektivitet pr. AI-beregning.

En AI-assisteret udviklingsmetode, hvor man beskriver ønsket funktionalitet i naturligt sprog og lader AI generere koden – fokus flyttes fra at skrive kode til at styre resultatet.

En AI-model, der opbygger en intern repræsentation af den fysiske verden og kan forudsige, hvordan objekter og miljøer opfører sig over tid.

En sikkerhedsramme, der udvider Zero Trust-princippet til AI-systemer – ingen AI-komponent stoler automatisk på andre, og al adgang verificeres løbende.

En virksomhedsmodel, hvor AI-agenter varetager alle operationelle funktioner – fra strategi og ressourceallokering til kundeservice og regnskab – uden menneskelig medarbejderindsats.

En AI-models evne til at udføre en opgave, den aldrig er blevet eksplicit trænet til eller har set eksempler på før.