En type kunstig intelligens, der er trænet på enorme mængder tekst og kan generere og forstå naturligt sprog. LLM'er kan skrive tekster, besvare spørgsmål og føre samtaler, der ligner menneskelig kommunikation.
Eksempel: GPT-4, Claude og LLaMA er populære LLM'er, der kan generere komplekse tekster baseret på brugerinput.
Prompt Engineering
Kunsten at formulere præcise og effektive anvisninger (prompts) til AI-systemer for at opnå de ønskede resultater. God prompt engineering kan drastisk forbedre kvaliteten af AI-genereret indhold.
Eksempel: I stedet for at skrive "Fortæl om klimaforandringer" kan en bedre prompt være "Forklar klimaforandringernes påvirkning på havniveauet i Danmark med 5 specifikke eksempler, målrettet gymnasieelever."
Hallucination
Når en AI opfinder eller genererer information, der fremstår som fakta, men som er ukorrekt eller ikke eksisterer i virkeligheden. Hallucinationer opstår fordi AI-modeller forsøger at fuldføre mønstre baseret på deres træningsdata.
Eksempel: En AI kan påstå, at "København blev grundlagt i år 825 af Kong Haakon III", selvom dette er historisk ukorrekt.
Fine-tuning
Processen hvor en allerede trænet AI-model yderligere oplæres på et specifikt datasæt for at forbedre dens præstation inden for et bestemt domæne eller opgave, såsom medicinsk terminologi eller juridisk sprog.
Eksempel: En virksomhed fine-tuner en generel AI-model med deres kundeservicesamtaler for at skabe en chatbot, der kan besvare produktspecifikke spørgsmål i virksomhedens tone.
Embeddings
Numeriske repræsentationer af ord, sætninger eller dokumenter i et flerdimensionelt rum, hvor semantisk lignende begreber placeres tæt på hinanden. Embeddings gør det muligt for AI at "forstå" betydningen og konteksten af tekst.
Eksempel: I et embedding-rum vil ordene "hund", "kat" og "kæledyr" være placeret tættere på hinanden end på ord som "bil" eller "computer".
RAG (Retrieval-Augmented Generation)
En teknik hvor AI-modeller kombinerer deres egen viden med information hentet fra eksterne kilder (som databaser eller dokumenter) for at generere mere præcise og opdaterede svar.
Eksempel: En AI bruger RAG til at besvare et spørgsmål om nye produkter ved først at søge i virksomhedens produktdatabase og derefter formulere et detaljeret svar baseret på de indhentede oplysninger.
Tokens
De grundlæggende byggesten som AI-modeller behandler tekst i. Tokens kan være hele ord, dele af ord, eller individuelle tegn, afhængigt af sproget og modellen. Antallet af tokens påvirker både behandlingstid og omkostninger ved brug af AI-tjenester.
Eksempel: Sætningen "Hej, hvordan går det?" kan opdeles i tokens som ["Hej", ",", " hvordan", " går", " det", "?"].
Multimodal AI
AI-systemer der kan behandle og generere indhold på tværs af forskellige modaliteter som tekst, billeder, lyd og video. Multimodale AI'er kan forstå sammenhænge mellem forskellige typer af data.
Eksempel: En multimodal AI kan analysere et billede af en hudfejl, kombinere det med patientens beskrivelse og medicinske journal, og derefter generere en preliminær diagnose.
Bias i AI
Systematiske skævheder i AI-output, der afspejler ubalancer eller fordomme i træningsdataene. Bias kan føre til uretfærdige eller diskriminerende resultater og er et vigtigt etisk problem i AI-udvikling.
Eksempel: En AI trænet primært på tekster skrevet af mænd kan generere indhold, der favoriserer maskuline perspektiver eller reproducerer kønsstereotyper.
Chatbot
Et computerprogram designet til at simulere samtale med menneskelige brugere, især over internettet. Moderne chatbots drives ofte af avancerede AI-modeller og kan håndtere komplekse dialoger.
Eksempel: En kundeservice-chatbot på en webshop kan besvare spørgsmål om produkter, leveringstider og returpolitik uden menneskelig indgriben.