01
Machine Learning
ML
Den grundlæggende disciplin hvor algoritmer lærer af data frem for at følge eksplicitte regler. Fundamentet for næsten al moderne AI.
The foundational discipline where algorithms learn from data rather than following explicit rules. The foundation for almost all modern AI.
"ML er det der sker når vi lader data tale i stedet for at programmere svarene."
"ML is what happens when we let the data speak instead of programming the answers."
02
Large Language Model
LLM
En meget stor sprogmodel trænet på enorme mængder tekst. GPT-4 og Claude er eksempler. Kernen i moderne generativ AI.
A very large language model trained on enormous amounts of text. GPT-4 and Claude are examples. The core of modern generative AI.
"En LLM er i bund og grund en meget sofistikeret mønstergenkender for sprog."
"An LLM is essentially a very sophisticated pattern recogniser for language."
03
Generativ AI
Generative AI
GenAI
AI der kan skabe nyt indhold — tekst, billeder, kode, lyd — frem for blot at klassificere eller forudsige. ChatGPT og Midjourney er eksempler.
AI that can create new content — text, images, code, audio — rather than just classifying or predicting. ChatGPT and Midjourney are examples.
"Generativ AI skaber — ikke bare genkender."
"Generative AI creates — it doesn't just recognise."
04
RAG
Retrieval Augmented Generation
En teknik hvor LLM'en suppleres med et eksternt vidensindeks — f.eks. virksomhedens egne dokumenter — så modellen svarer baseret på opdateret og kontekstrelevant information.
A technique where the LLM is supplemented with an external knowledge index — e.g. the company's own documents — so the model responds based on up-to-date and context-relevant information.
"RAG giver LLM'en hukommelse og adgang til din virksomheds viden."
"RAG gives the LLM memory and access to your company's knowledge."
05
AI Agenter
AI Agents
Agents
Selvstændigt opererende AI-systemer der kan planlægge, beslutte og handle over flere trin uden menneskelig indgriben — f.eks. søge, skrive kode og sende email.
Independently operating AI systems that can plan, decide and act across multiple steps without human intervention — e.g. searching, writing code and sending emails.
"En agent er AI der ikke bare svarer — den handler."
"An agent is AI that doesn't just answer — it acts."
06
Prompt Engineering
Prompt Engineering
Kunsten at formulere instruktioner til en LLM så man får de bedste og mest præcise svar. En kritisk kompetence i arbejdet med generativ AI.
The art of formulating instructions to an LLM to get the best and most precise answers. A critical skill when working with generative AI.
"Garbage in, garbage out — prompt engineering er kvalitetssikring af input."
"Garbage in, garbage out — prompt engineering is quality assurance of input."
07
Fine-tuning
Fine-tuning
Processen hvor en generel LLM trænes videre på et specifikt datasæt — f.eks. juridiske dokumenter — så den bliver specialiseret inden for et domæne.
The process where a general LLM is further trained on a specific dataset — e.g. legal documents — so it becomes specialised within a domain.
"Fine-tuning er forskellen på en generalist og en specialist."
"Fine-tuning is the difference between a generalist and a specialist."
08
Neuralt Netværk
Neural Network
Neural Network
Den grundlæggende computerstruktur bag moderne AI — løst inspireret af den menneskelige hjerne. Består af lag af matematiske funktioner der bearbejder data.
The fundamental computing structure behind modern AI — loosely inspired by the human brain. Consists of layers of mathematical functions that process data.
"Tænk på det som lag af filtre der hver især finder mønstre i data."
"Think of it as layers of filters that each find patterns in data."
09
Transformer
Transformer Architecture (2017)
Arkitekturen fra 2017 der erstattede sekventiel læsning med parallel "self-attention" — modellen ser hele teksten på én gang og kortlægger relationer. Fundamentet for alle LLM'er.
The architecture from 2017 that replaced sequential reading with parallel "self-attention" — the model sees the entire text at once and maps relationships. The foundation for all LLMs.
"Som at lægge en hel roman på et bord i stedet for at læse ét ord ad gangen."
"Like laying an entire novel on a table instead of reading one word at a time."
10
Inferens
Inference
Inference
Det øjeblik hvor en trænet model bruges i praksis — altså når den "tænker" og genererer et svar. Modsat træning, som er den forudgående læringsproces.
The moment when a trained model is used in practice — when it "thinks" and generates an answer. The opposite of training, which is the preceding learning process.
"Træning er at lære. Inferens er at bruge det man har lært."
"Training is learning. Inference is applying what you've learned."
11
Hallucination
Hallucination
Når en LLM producerer overbevisende men faktisk forkert information. En af de vigtigste udfordringer ved deployment af AI i forretningskritiske sammenhænge.
When an LLM produces convincing but factually incorrect information. One of the most important challenges in deploying AI in business-critical contexts.
"Derfor er menneskelig validering og gode processer aldrig blevet vigtigere."
"That is exactly why human validation and good processes have never been more important."
12
Embeddings
Embeddings / Vector Search
Tekst eller data repræsenteret som matematiske vektorer — så AI kan forstå og sammenligne betydning og lighed mellem begreber. Fundamentet for RAG og semantisk søgning.
Text or data represented as mathematical vectors — so AI can understand and compare meaning and similarity between concepts. The foundation for RAG and semantic search.
"Embeddings er det der giver AI forståelse for betydning, ikke bare stavning."
"Embeddings are what give AI an understanding of meaning, not just spelling."
13
Supervised Learning
Supervised vs Unsupervised Learning
Supervised: Modellen trænes på data med kendte svar — f.eks. "disse emails er spam, disse er ikke". Den lærer ved at se eksempler med facit. Unsupervised: Modellen finder selv mønstre i data uden facit — f.eks. segmentering af kunder i grupper den selv opdager.
Supervised: The model is trained on data with known answers — e.g. "these emails are spam, these are not". It learns by seeing labelled examples. Unsupervised: The model finds patterns in data on its own without labels — e.g. segmenting customers into groups it discovers itself.
"Supervised er at lære med en lærer. Unsupervised er at udforske uden kort."
"Supervised is learning with a teacher. Unsupervised is exploring without a map."
14
Lineær Regression
Linear Regression
Linear Regression
En af de enkleste ML-modeller — finder den bedste rette linje gennem datapunkter for at forudsige en numerisk værdi. F.eks. forudsige en salgspris baseret på historiske data.
One of the simplest ML models — finds the best straight line through data points to predict a numerical value. E.g. predicting a sales price based on historical data.
"Lineær regression er ML's svar på en simpel, men kraftfuld tommelfingerregel."
"Linear regression is ML's answer to a simple but powerful rule of thumb."
15
Logistisk Regression
Logistic Regression
Logistic Regression
På trods af navnet er det en klassifikationsmodel, ikke en regressionsmodel. Den forudsiger sandsynligheden for et udfald med to muligheder — f.eks. "vil kunden churne: ja eller nej?"
Despite the name, it is a classification model, not a regression model. It predicts the probability of an outcome with two options — e.g. "will the customer churn: yes or no?"
"Logistisk regression svarer ikke med et tal — den svarer med en sandsynlighed."
"Logistic regression doesn't answer with a number — it answers with a probability."
16
K-Nearest Neighbour
KNN
En simpel men intuitiv algoritme: klassificer et datapunkt ved at se på de K nærmeste naboer i datasættet. Flertallet bestemmer. Bruges til anbefalingssystemer og klassifikation.
A simple but intuitive algorithm: classify a data point by looking at the K nearest neighbours in the dataset. The majority decides. Used for recommendation systems and classification.
"Du er summen af dine nærmeste naboer — KNN tager det helt bogstaveligt."
"You are the sum of your nearest neighbours — KNN takes that completely literally."
17
Support Vector Machine
SVM
En klassifikationsalgoritme der finder den optimale grænse mellem to klasser i data — med størst mulig margin til begge sider. Særligt effektiv ved komplekse data med få eksempler.
A classification algorithm that finds the optimal boundary between two classes in data — with the largest possible margin on both sides. Particularly effective for complex data with few examples.
"SVM finder den vejlinje der holder to grupper så langt fra hinanden som muligt."
"SVM finds the dividing line that keeps two groups as far apart as possible."
18
Vektordimensioner
Vector Dimensions
Vector Dimensions
Når AI konverterer tekst til embeddings, repræsenteres hvert begreb som et punkt i et rum med hundredvis eller tusindvis af dimensioner. Jo tættere to punkter er, jo mere ens er deres betydning. Det er fundamentet for semantisk søgning og RAG.
When AI converts text to embeddings, each concept is represented as a point in a space with hundreds or thousands of dimensions. The closer two points are, the more similar their meaning. The foundation for semantic search and RAG.
"Forestil dig et 1.536-dimensionelt rum hvor 'konge' og 'dronning' ligger tæt på hinanden."
"Imagine a 1,536-dimensional space where 'king' and 'queen' sit close to each other."
19
LangChain
LangChain Framework
Et open source Python-framework der gør det enkelt at bygge applikationer med LLM'er som kerne. LangChain forbinder modeller, databaser, API'er og agenter i en sammenhængende pipeline — og er blevet standardinfrastruktur for AI-udviklere verden over.
An open source Python framework that makes it straightforward to build applications with LLMs at the core. LangChain connects models, databases, APIs and agents in a coherent pipeline — and has become standard infrastructure for AI developers worldwide.
"LangChain er det lim der holder en AI-applikations komponenter sammen."
"LangChain is the glue that holds an AI application's components together."
20
LangSmith
Observability & Evaluation Platform
En observabilitets- og evalueringsplatform til LLM-applikationer, udviklet af LangChain-teamet. Med LangSmith kan man tracke, debugge og evaluere sine AI-pipelines — et uundværligt værktøj når man bevæger sig fra prototype til produktion.
An observability and evaluation platform for LLM applications, developed by the LangChain team. LangSmith lets you trace, debug and evaluate your AI pipelines — an indispensable tool when moving from prototype to production.
"LangSmith er dit kontroltårn: du kan se præcis hvad din AI gør — og hvorfor."
"LangSmith is your control tower: you can see exactly what your AI is doing — and why."
