Perplexity AI er en AI-baseret svarmotor, der kombinerer websøgning, generative svar og kildehenvisninger. Den er nyttig til research og overblik, men svaret bør kontrolleres mod primærkilder, især ved nye funktioner, dataforhold, sikkerhed, priser eller beslutninger med praktiske konsekvenser.
Poe.com er Quoras platform til at bruge og sammenligne mange AI-bots, modeller og apps i én brugerflade. Den er praktisk til udforskning og botbygning, men brugen kræver kontrol med modelvalg, datadeling, kildekritik og de konkrete regler for hver bot eller app.
Q-Star (Q*) er bedst forstået som et rapporteret og ikke offentligt dokumenteret OpenAI-projekt, der blev koblet til matematisk ræsonnering og AI-sikkerhed. Emnet kræver skelnen mellem medieberetninger, kendte teknikker som processupervision og reinforcement learning samt ubekræftede påstande om AGI.
Quantum Machine Learning (QML) kombinerer kvantecomputing og machine learning, men feltet er stadig mest relevant som forskning og afgrænsede eksperimenter. Begrebet dækker quantum kernels, quantum neural networks, hybridmodeller, dataindkodning og de hardwarebegrænsninger, der gør praktisk kvantefordel svær at dokumentere.
AI-ophavsret i Danmark afgøres efter de almindelige regler for ophavsret, hvor menneskelige kreative valg er afgørende. Overblikket dækker input, output, tekst- og datamining, EU AI Act, leverandørkrav og praktiske kontrolpunkter før offentlig brug af AI-genereret indhold.
Retrieval-Augmented Generation (RAG) gør en sprogmodel mere nyttig ved at hente relevante kilder, før den svarer. Metoden giver overblik over arkitektur, dataforberedelse, embeddings, adgangskontrol, sikkerhed, kvalitetstjek, drift og forskellen på RAG, fine-tuning og lang kontekst.
RLHF er en metode, hvor menneskelige præferencevalg bruges til at styre AI-modeller mod mere ønsket adfærd. Forklaringen dækker feedbackflowet, belønningsmodeller, forskellen til fine-tuning og DPO samt de vigtigste begrænsninger omkring bias, sikkerhed, datakvalitet og evaluering.
Shadow AI er uautoriseret eller uregistreret brug af AI-værktøjer i en organisation. Uddraget giver overblik over, hvorfor fænomenet opstår, hvilke data- og sikkerhedsrisici det skaber, og hvordan organisationer kan reducere risikoen med klare regler, godkendte alternativer og løbende styring.
Supervised learning bruger mærkede eksempler til at lære en model at forudsige et kendt svar, mens unsupervised learning finder mønstre i data uden facitliste. Forskellen handler især om labels, mål, evaluering og om opgaven kræver forudsigelse, gruppering, segmentering eller mønsteropdagelse.
Swarm AI og multi-agent systemer handler om AI-arkitekturer, hvor flere agenter samarbejder om en opgave. Begrebet dækker både klassisk swarm intelligence og moderne agentmønstre med roller, værktøjer og kontrol. Den praktiske værdi afhænger af opgavens kompleksitet, testbarhed, sikkerhed og klare ansvarsgrænser.