Syntetiske data i maskinlæring er kunstigt genererede data, der efterligner relevante mønstre i rigtige data. De kan bruges til træning, test og simulering, men de skal vurderes for kvalitet, bias, privatlivsrisiko og sammenhæng med virkelige data, før de får praktisk betydning.
Syntetiske personaer er kunstigt konstruerede brugerprofiler, som kan bruges til idéudvikling, scenarier og tidlig test, men de dokumenterer ikke rigtige menneskers adfærd. De bør behandles som hypoteser, valideres mod data eller brugere og vurderes for bias, persondata og repræsentativitet.
Temperatur i AI-prompts styrer, hvor forudsigeligt eller varieret en sprogmodel vælger næste token. Lavere temperatur giver typisk mere stabile svar, mens højere temperatur kan give flere kreative variationer, men også større behov for faktatjek og systematisk test.
Tokenization opdeler tekst i tokens, mens et context window angiver, hvor mange tokens en sprogmodel kan bruge på én gang. Begreberne forklarer, hvorfor lange dokumenter, samtaler og instruktioner skal struktureres tydeligt, og hvorfor større kontekst ikke automatisk giver mere præcise AI-svar.
Web scraping af AI-træningsdata er automatiseret indsamling af webindhold, som kan blive råmateriale til modeltræning. Overblikket forklarer forskellen på crawl og træningskorpus, hvorfor robots.txt ikke er en adgangslås, og hvilke kontrolpunkter der er relevante for rettigheder, persondata og datakvalitet.
Zapier Central var Zapiers tidlige AI-arbejdsrum til at bygge agenter, som kunne bruge instruktioner, datakilder og handlinger i forbundne apps. I dag bør begrebet forstås sammen med Zapier Agents, hvor den praktiske værdi afhænger af klare rammer, begrænsede tilladelser og grundig test.
Zero-shot prompting bruger kun opgaven og kravene, mens few-shot prompting tilføjer få eksempler på ønsket input og output. Forskellen er praktisk vigtig, fordi eksempler kan styre format, tone og kategorier, men de erstatter ikke test, faglig kontrol eller et klart datagrundlag.
AI og ChatGPT bruger strøm i datacentre, men der findes ikke ét fast tal for alle forespørgsler. Forbruget afhænger af model, svarlængde, hardware, køling og elmix, så både små per-brug-tal og den voksende samlede datacenterbelastning skal vurderes med tydelige forbehold.
Onboarding kan automatiseres med AI, når faste opgaver, dokumenter, læring og support samles i kontrollerede arbejdsgange. Den centrale afgrænsning er, at AI kan foreslå, koordinere og finde svar, mens mennesker bør godkende adgang, ansættelsesvilkår og vurderinger med praktiske konsekvenser.
Regnskab kan automatiseres med AI, når bilag, konteringsforslag, afstemning, fejldetektion og rapportudkast kobles til kontrollerede data og tydelige godkendelser. Den vigtigste afgrænsning er, at AI kan effektivisere processen, men virksomheden skal bevare dokumentation, kontrolspor, databeskyttelse og fagligt ansvar.