NLP er sprogteknologi, der analyserer, klassificerer, søger i, oversætter eller genererer menneskeligt sprog. Begrebet dækker tokenisering, embeddings, transformer-modeller, store sprogmodeller og praktiske kontrolpunkter for datakvalitet, kontekst, privatliv, evaluering, fejlrisiko og ansvarlig drift i konkrete arbejdsgange.
Et neuralt netværk er en AI-model, der lærer mønstre i data gennem lag af beregninger med justerbare vægte. Begrebet dækker opbygning, træning, deep learning, typiske anvendelser og centrale kontrolpunkter for kvalitet, skævhed, forklarbarhed og drift.
GPT er en generativ transformer-model, der fortrænes på store datamængder og bruges til at danne sandsynlige svar ud fra brugerens input. Du får overblik over forskellen på GPT, LLM, NLP og almindelige chatbots samt centrale forbehold om fejl, data, sikkerhed og europæisk regulering.
AI-hallucinationer kan ikke fjernes helt, men risikoen kan reduceres med afgrænsede opgaver, kildegrundlag, lavere kreativitet og menneskelig kontrol. Fokus er på, hvorfor fejl opstår, hvor de er mest risikable, og hvordan AI-svar kan kontrolleres før brug i beslutninger.
AI billedgenkendelse fungerer ved, at en model omsætter billeder til tal og beregner sandsynlige labels, objekter, tekst eller visuelle egenskaber. Uddraget giver overblik over klassifikation, objektgenkendelse, datakvalitet, begrænsninger og de særlige risici ved ansigter, biometriske data og praktisk brug.
AGI er kunstig generel intelligens: et muligt AI-system, der kan løse mange typer kognitive opgaver på tværs af domæner uden at være bygget til én snæver funktion. Begrebet kræver klare definitioner, brede tests, sikker styring og skelnen mellem AGI, sprogmodeller, AI-agenter og general-purpose AI.
Data mining er systematisk analyse af større datasæt for at finde mønstre, afvigelser og sammenhænge, der kan bruges som beslutningsgrundlag. Du får overblik over processen, typiske metoder, forholdet til AI og centrale kontrolpunkter for datakvalitet, validering og persondata.
Kunstig intelligens defineres ved systemer, der udleder output fra input gennem modeller, mønstre og varierende autonomi. Begrebet dækker blandt andet forudsigelser, anbefalinger, beslutningsstøtte og generativt indhold, men ikke al almindelig software eller automatisering, og det kræver tydelige kontrolpunkter.
Mønstergenkendelse i kunstig intelligens handler om at finde brugbare strukturer i data og omsætte dem til klassifikation, forudsigelse, gruppering eller afvigelsesdetektion. Fokus er processen fra data til model, forskellen på centrale metoder, typiske fejl, bias og de kontrolpunkter, der afgør om et mønster kan bruges forsvarligt.
Data processering gør rå data brugbare gennem indsamling, kontrol, rensning, transformation og levering til analyse, automatisering eller AI. Begrebet dækker både tekniske datapipelines og behandling af personoplysninger, hvor formål, kvalitet, sikkerhed og dokumentation afgør, om resultatet kan bruges ansvarligt.