AI Edge Computing betyder, at AI-modeller kører tæt på de enheder, sensorer eller systemer, hvor data opstår. Det giver især værdi ved lav svartid, lokal databehandling, ustabil forbindelse og behov for bedre kontrol med rådata, men kræver også styring af modelopdateringer, sikkerhed og driftskvalitet.

Parameterstørrelser i sprogmodeller beskriver, hvor mange lærte vægte modellen bruger til at omsætte input til sandsynlige næste ord. Antallet siger noget om kapacitet og ressourcekrav, men kvalitet afhænger også af træningsdata, arkitektur, tilpasning, evaluering og den konkrete opgave.

GitHub Copilot er ofte stærkest i GitHub-baserede udviklingsflows, mens Tabnine typisk passer bedre til teams med høje krav til kodeprivatliv, deployment-kontrol og governance. Valget afhænger især af IDE’er, dataregler, modeladgang, prisstruktur og hvor meget menneskelig review AI-genereret kode kræver.

Gemini Advanced og ChatGPT Plus adskiller sig først og fremmest ved økosystem, arbejdsform og datakontrol. Gemini passer bedst til brugere, der arbejder i Googles tjenester, mens ChatGPT Plus typisk er stærkere som selvstændigt AI-værktøj til analyse, skrivning, kodning og tilpassede arbejdsrum.

Claude 3 og ChatGPT er ikke samme type størrelse: Claude 3 var Anthropics modelserie fra 2024, mens ChatGPT er OpenAIs skiftende chatprodukt. Forskellen handler især om modelgeneration, brugerflade, multimodalitet, lange dokumenter, sikkerhed, datakontrol og hvilke konkrete modeller der faktisk er tilgængelige.

Retrieval-Augmented Generation (RAG) kobler en sprogmodel til eksterne kilder, så svar kan bygge på opdateret og kontrollerbar viden. Uddraget forklarer, hvordan metoden fungerer, hvornår den giver mening, og hvilke krav der stilles til datakvalitet, adgangsstyring og kildekontrol.

AI-drevet dynamisk prissætning bruger data og algoritmer til at justere priser efter efterspørgsel, lager, konkurrence og kundesignal. Metoden kan give mere præcis prisstyring, men kræver klare grænser for personalisering, persondata, gennemsigtighed og løbende kontrol af modellens prisforslag.

AI-drevet CRO kombinerer konverteringsoptimering, dataanalyse, maskinlæring og kontrollerede tests for at forbedre konkrete brugerhandlinger. Metoden bruges til hypoteser, personalisering, måling og risikostyring, men kræver klare mål, datakvalitet, privatlivshensyn, dokumentation og menneskelig kontrol før ændringer rulles ud.

AI-drevet churn prediction bruger kundedata og maskinlæring til at vurdere risikoen for kundeafgang, men scoren er kun nyttig, når data, tærskler og opfølgende handlinger hænger sammen. Fokus er modeller, målepunkter, GDPR-forbehold og praktiske kontrolspørgsmål før brug.

AI-bias i rekruttering opstår, når data, modeller eller menneskelig brug får et AI-system til at vurdere kandidater skævt. Overblikket viser, hvor skævheder kan opstå, hvordan de testes, og hvilke kontrolpunkter der er relevante, før automatiserede screenings- eller vurderingsværktøjer bruges i praksis.