Hvad er en Foundation Model?
En foundation model er en stor AI-model, der er pretrænet på massive mængder data og bygget til at fungere som fundament for mange forskellige AI-applikationer. GPT, Claude, Gemini og Llama er alle eksempler.
Ordet 'foundation' peger på, at modellen er et fundament, man bygger ovenpå. I stedet for at træne en ny model til hver opgave starter man med en foundation model og tilpasser den via prompt engineering, RAG eller fine-tuning.
Det er det skift, der har gjort avanceret AI tilgængelig for almindelige virksomheder: man behøver ikke bygge modellen, kun bruge den klogt. Resten af siden gennemgår, hvad der kendetegner en foundation model, de førende valg, og hvad den ikke er.
Hvad kendetegner en foundation model?
Fire træk adskiller en foundation model fra en almindelig, opgavespecifik model.
Skala: den er trænet på enorme datamængder, fra milliarder til billioner af tokens, med tilsvarende regnekraft. Det giver en bred forståelse af sprog, logik og verden.
Generalitet: én model kan håndtere mange opgaver, fra tekstgenerering og oversættelse til opsummering, kodning og analyse. Det er netop derfor, den kan fungere som fundament.
Tilpasningsevne: den kan rettes mod et bestemt domæne via prompt engineering (lettest), RAG (mest fleksibelt til data, der ændrer sig) eller fine-tuning (mest grundigt).
Multimodalitet: de nyere modeller håndterer flere datatyper på én gang, tekst, billeder, lyd og video, og er ikke længere bundet til ét medie.
Vi hjælper med at vælge den rette foundation model og bygge løsningen ovenpå, fra prompt og RAG til fine-tuning. Kontakt os for en vurdering af jeres behov.
De førende foundation models
Markedet domineres af en håndfuld modelfamilier, og valget afhænger af use case, datapolitik og budget.
GPT fra OpenAI: blandt de mest udbredte kommercielle modeller, tilgængelige via API og Azure.
Claude fra Anthropic: kendt for store context windows, stærk ræsonnering og fokus på sikkerhed.
Gemini fra Google: tæt integreret i Google-økosystemet med stærke multimodale evner.
Llama fra Meta: open-weight-model, der kan hostes i eget miljø.
Mistral: europæisk udbyder med stærke open source-modeller i flere størrelser, relevant for virksomheder med fokus på datasuverænitet.
Ud over de store findes small language models, der er mindre og billigere at køre, og ofte rigeligt til en afgrænset opgave.
Hvad en foundation model ikke er
En foundation model er ikke en færdig løsning. Den er et fundament, der skal konfigureres, tilpasses og integreres, før den skaber værdi. Afstanden fra en rå model til en velfungerende AI-løsning er stor, og det er der, det meste af arbejdet ligger.
Den er heller ikke en garanti for kvalitet. Foundation models kan hallucinere, gengive bias og mangle viden om jeres domæne. Derfor hører RAG, guardrails og menneskeligt tilsyn med, når den sættes i drift.
Og I skal sjældent bygge jeres egen. At træne en foundation model koster typisk millioner og kræver sjælden ekspertise. For næsten alle virksomheder er det rette valg at bygge oven på en eksisterende.
Relaterede termer
En LLM (large language model) er en stor sprogmodel som GPT, Claude og Gemini. Lær hvordan LLM'er virker, hvad de bruges til, og hvad de koster.
Generativ AI skaber nyt indhold: tekst, billeder, kode. Se hvordan GenAI virker, hvad danske virksomheder bruger det til, og hvor det går galt.
Fine-tuning træner en eksisterende AI-model videre på jeres egne data. Forstå hvordan det virker, og hvornår det slår RAG og prompt engineering.
Deep learning er machine learning med dybe neurale netværk. Forstå hvordan lagene lærer, hvor det bruges, og hvornår enklere metoder er bedre.
Small Language Models er kompakte AI-modeller, der løser specifikke opgaver hurtigere og billigere end store modeller. Lær, hvornår SLM er det rette valg.
RAG kombinerer en AI-model med virksomhedens egne data, så svarene er præcise og opdaterede. Lær hvordan RAG virker, og hvornår det giver mening.
Ofte stillede spørgsmål om foundation models
Skal vi bygge vores egen foundation model?+
For næsten alle virksomheder er svaret nej. At træne en foundation model koster millioner og kræver sjælden ekspertise. Det er langt mere effektivt at bruge en eksisterende model og tilpasse den med RAG eller fine-tuning.
Hvad er forskellen på en foundation model og en LLM?+
En LLM er en type foundation model, der er specialiseret i sprog. Foundation model er det bredere begreb, der også dækker modeller for billeder, lyd og video.
Hvordan vælger vi den rigtige?+
Det afhænger af opgaven, jeres datapolitik og budget. Skal data blive i eget miljø, peger det mod open-weight-modeller som Llama eller Mistral. Skal I bare hurtigt i gang, er en managed model via API ofte nemmest. Tit giver det mening at teste to mod hinanden på jeres egen opgave.