# AI Ordbog > Den danske ordbog over kunstig intelligens — fra transformer til token, forklaret i dybden. 1488 opslag, tosproget (dansk/engelsk). AI-assistenter kan tilgå ordbogen direkte via MCP (ingen auth): https://aiord.dk/api/mcp ## arkitektur (architecture) - [activation layer](https://aiord.dk/ord/activation-layer): Et aktiveringslag er et lag i et neuralt netværk, der anvender en ikke-lineær funktion på inputtet for at introducere ikke-linearitet. - [agent-baseret arkitektur](https://aiord.dk/ord/agent-baseret-arkitektur): En softwarearkitektur, hvor et system består af autonome enheder (agenter), der interagerer indbyrdes og med omgivelserne for at nå individuelle eller fælles mål. - [Agentarkitektur](https://aiord.dk/ord/agentarkitektur): En agentarkitektur definerer strukturen af en AI-agent, herunder hvordan den opfatter miljøet, træffer beslutninger og udfører handlinger. - [ANN](https://aiord.dk/ord/ann): Et ANN (kunstigt neuralt netværk) er et computersystem opbygget af sammenkoblede noder (neuroner) der kan indlære mønstre fra data. - [attention-mekanisme](https://aiord.dk/ord/attention-mekanisme): En komponent i neurale netværk der vægter input-sekvensens elementer efter relevans, så modellen kan fokusere på de vigtigste dele af data. - [Autoencoder](https://aiord.dk/ord/autoencoder): Et autoencoder er et neuralt netværk, der trænes uovervåget til at lære en komprimeret repræsentation af inputdata ved at rekonstruere output, der ligner input så meget som muligt. - [BDI-arkitektur](https://aiord.dk/ord/bdi-arkitektur): BDI-arkitektur er en softwarearkitektur for intelligente agenter baseret på eksplicitte repræsentationer af overbevisninger (beliefs), ønsker (desires) og intentioner (intentions). - [Bi-Encoder](https://aiord.dk/ord/bi-encoder): En Bi-Encoder er en neural netværksarkitektur, der bruger to separate enkodere til at kortlægge to inputstrenge (f.eks. en forespørgsel og et dokument) hver for sig til vektorer, hvorefter ligheden måles. - [bi-GRU](https://aiord.dk/ord/bi-gru): bi-GRU er en arkitektur, hvor to GRU'er (Gated Recurrent Units) behandler en sekvens i hver sin retning for at opfange kontekst fra både fortid og fremtid. - [Bidirectional GRU](https://aiord.dk/ord/bidirectional-gru): En variant af GRU der behandler sekvenser i både fremad- og bagudrettet retning. - [Bidirectional RNN](https://aiord.dk/ord/bidirectional-rnn): En type recurrent neural network (RNN), der behandler en sekvens i både fremad- og bagudrettet retning, så hvert tidstrin har adgang til kontekst fra både fortid og fremtid. - [bidirektional GRU](https://aiord.dk/ord/bidirektional-gru): En variant af GRU (Gated Recurrent Unit) der behandler sekvenser i både fremad- og bagudrettet retning for at fange kontekst fra begge sider. - [BiGRU](https://aiord.dk/ord/bigru): En BiGRU er et neuralt netværk bestående af to GRU'er, der læser en inputsekvens henholdsvis forfra og bagfra og sammenkæder deres skjulte tilstande for at fange kontekst fra begge retninger. - [biLSTM](https://aiord.dk/ord/bilstm): En type rekurrent neurale netværk, der behandler sekvenser i både fremad- og bagudgående retning for at fange kontekst fra begge sider. - [biLSTM-CRF](https://aiord.dk/ord/bilstm-crf): biLSTM-CRF er en arkitektur, der anvender en bidirectional LSTM til at fange kontekst fra begge sider af et ord og en CRF til at lære sekvensafhængigheder mellem etiketterne. - [bottleneck layer](https://aiord.dk/ord/bottleneck-layer): Et lag i et neuralt netværk med færre neuroner end de omkringliggende lag, som tvinger netværket til at lære en komprimeret repræsentation af inputdata. - [CNN](https://aiord.dk/ord/cnn): En CNN (Convolutional Neural Network) er et neuralt netværk designet til at bearbejde data med grid-lignende topologi, såsom billeder, ved hjælp af konvolutionelle lag til at lære hierarkiske mønstre. - [CNN-arkitektur](https://aiord.dk/ord/cnn-arkitektur): Arkitekturen for et konvolutionelt neuralt netværk består af en stak af konvolutionslag, aktiveringsfunktioner, poolinglag og til sidst fuldt forbundne lag, designet til at udtrække hierarkiske træk fra inputdata som billeder. - [Conditional GAN](https://aiord.dk/ord/conditional-gan): Conditional GAN (cGAN) er en variant af Generative Adversarial Network (GAN), hvor generator og diskriminator modtager en betingelsesvariabel (fx en klasse-etiket) udover støj, så genereringen kan styres. - [ConvNet](https://aiord.dk/ord/convnet): ConvNet er en type neuralt netværk, der primært bruger konvolutionslag til at udtrække hierarkiske mønstre fra inputdata som billeder. - [ConvNet-lag](https://aiord.dk/ord/convnet-lag): Et lag i et convolutional neural network, der udfører foldning for at ekstrahere lokale mønstre. - [convolutional layer](https://aiord.dk/ord/convolutional-layer): Et convolutional layer er et neuralt netværkslag, der anvender foldningsoperationer (konvolution) på inputdata for at ekstrahere hierarkiske træk, typisk i form af feature maps. - [Convolutional neural network](https://aiord.dk/ord/convolutional-neural-network): Et neuralt netværk der anvender konvolutionelle lag til at ekstrahere hierarkiske træk fra input som billeder. - [cross-attention](https://aiord.dk/ord/cross-attention): Cross-attention er en mekanisme i Transformer-modeller, hvor attention beregnes mellem to forskellige sekvenser, typisk en encoder og en decoder. - [cross-attention modul](https://aiord.dk/ord/cross-attention-modul): Et modul i transformer-arkitekturer der beregner opmærksomhedsfordelingen mellem to forskellige sekvenser (f.eks. en encoder- og en decoder-sekvens) i stedet for inden for én sekvens. - [cross encoder](https://aiord.dk/ord/cross-encoder): Cross encoder er en neural netværksarkitektur, der behandler et par af sekvenser (fx forespørgsel og dokument) samtidigt og direkte beregner en relevansscore eller relation mellem dem. - [CycleGAN](https://aiord.dk/ord/cyclegan): En type generativt modstridende netværk der muliggør uparret billed-til-billede-oversættelse ved hjælp af cykluskonsistens. - [DCGAN](https://aiord.dk/ord/dcgan): En DCGAN er en generativ adversarial netværksarkitektur, der anvender dybe konvolutionelle neurale netværk til både generator og diskriminator. - [DCGAN-diskriminator](https://aiord.dk/ord/dcgan-diskriminator): DCGAN-diskriminator er det neurale netværk i en DCGAN, der klassificerer inputbilleder som ægte eller falske ved hjælp af konvolutionelle lag, batch-normalisering og Leaky ReLU-aktivering. - [DCGAN-generator](https://aiord.dk/ord/dcgan-generator): DCGAN-generatoren er den del af et Deep Convolutional GAN, der genererer syntetiske billeder ved hjælp af transponerede convolutionelle lag. - [Decoder](https://aiord.dk/ord/decoder): En neural netværkskomponent, der transformerer en latent repræsentation til en output-sekvens, ofte ved autoregressiv generering. - [decoder-only](https://aiord.dk/ord/decoder-only): En transformer-model, som kun består af decoder-lag med kausal maskering og bruges til autoregressiv tekstgenerering. - [decoder-only model](https://aiord.dk/ord/decoder-only-model): En transformer-model udelukkende bestående af dekoderblokke, typisk brugt til autoregressiv tekstgenerering. - [Decoder-only Transformer](https://aiord.dk/ord/decoder-only-transformer): En decoder-only transformer er en transformerarkitektur, der kun består af decoderblokke og anvendes til autoregressiv generering af sekvenser uden en separat encoder. - [decoder stack](https://aiord.dk/ord/decoder-stack): Stakken af identisk opbyggede decoderlag i en transformerarkitektur, der transformerer en målsekvens til en outputsekvens ved hjælp af selvopmærksomhed, krydsopmærksomhed og feedforward-netværk. - [decoderblok](https://aiord.dk/ord/decoderblok): En decoderblok er en komponent i transformer-arkitekturen, der består af et maskeret multi-head attention-lag, et kryds-opmærksomhedslag og et feed-forward neuralt netværk, arrangeret med residualforbindelser og lag-normalisering. - [decoderlag](https://aiord.dk/ord/decoderlag): Et enkelt lag i en transformer-dekoder, typisk bestående af selvopmærksomhed (maskeret), krydsopmærksomhed (hvis encoder findes) og et feed-forward-netværk. - [deep feedforward network](https://aiord.dk/ord/deep-feedforward-network): Et dybt feedforward-netværk er et neuralt netværk med flere lag, hvor information flyder fra input til output uden cykler. - [deep GRU](https://aiord.dk/ord/deep-gru): En deep GRU er et neuralt netværk med flere stablede GRU-lag, der muliggør læring af hierarkiske tidsmæssige repræsentationer. - [deep LSTM](https://aiord.dk/ord/deep-lstm): Et neuralt netværk med flere LSTM-lag stablet oven på hinanden for at lære hierarkiske tidsmæssige repræsentationer. - [deep neural network](https://aiord.dk/ord/deep-neural-network): Et dybt neuralt netværk er et neuralt netværk med flere skjulte lag mellem input og output. - [Dekoderblok](https://aiord.dk/ord/dekoderblok): Dekoderblok er en central komponent i transformer-arkitekturen, der bruger selvopmærksomhed og krydsopmærksomhed til at generere outputsekvenser. - [deliberativ arkitektur](https://aiord.dk/ord/deliberativ-arkitektur): En arkitektur til sprogmodeller, der eksplicit genererer og evaluerer mellemliggende ræsonnementstrin før et endeligt svar. - [Denoising autoencoder](https://aiord.dk/ord/denoising-autoencoder): En denoising autoencoder er en autoencoder, der trænes til at rekonstruere et rent input fra en støjfyldt version. - [discriminator network](https://aiord.dk/ord/discriminator-network): Et neuralt netværk der klassificerer om et input er ægte eller genereret. - [distribueret GPU-klynge](https://aiord.dk/ord/distribueret-gpu-klynge): En samling af flere GPU'er forbundet via et højhastighedsnetværk, der arbejder som én enhed for at udføre parallelle beregninger. - [DNN](https://aiord.dk/ord/dnn): En dyb neurale netværk er et neuralt netværk med mange skjulte lag, der kan lære komplekse mønstre. - [dybt neuralt netværk](https://aiord.dk/ord/dybt-neuralt-netvaerk): Et neuralt netværk med flere skjulte lag mellem input- og outputlaget, hvilket muliggør indlæring af komplekse hierarkiske repræsentationer. - [Embedding-matrix](https://aiord.dk/ord/embedding-matrix): En embedding-matrix er en vægtmatrix i et neuralt netværk, der kortlægger diskrete tokens til kontinuerte vektorer med lav dimensionalitet. - [embeddinglag](https://aiord.dk/ord/embeddinglag): Et lag i et neuralt netværk, der kortlægger diskrete kategoriske input, såsom ord eller tokens, til tætte vektorer af faste dimensioner. - [Encoder](https://aiord.dk/ord/encoder): En neural netværkskomponent, der transformerer inputdata til en latent repræsentation. - [encoder-decoder](https://aiord.dk/ord/encoder-decoder): En arkitektur med to neurale netværk: en encoder, der komprimerer input til en latent repræsentation, og en decoder, der genererer output fra denne repræsentation. - [encoder-decoder-transformer](https://aiord.dk/ord/encoder-decoder-transformer): En encoder-decoder-transformer er en variant af transformer-arkitekturen, der består af en encoder, der behandler inputsekvensen, og en decoder, der genererer outputsekvensen ved hjælp af krydsopmærksomhed over encoderens repræsentationer. - [encoder-only](https://aiord.dk/ord/encoder-only): En transformerarkitektur der kun består af encoder-delen, typisk brugt til repræsentationslæring og forståelsesopgaver. - [encoder-only model](https://aiord.dk/ord/encoder-only-model): En transformer-baseret model bestående udelukkende af encoder-stakken, som genererer en kontekstafhængig repræsentation af inputsekvensen. - [encoder-only transformer](https://aiord.dk/ord/encoder-only-transformer): En transformerarkitektur der udelukkende består af encoderblokke, anvendt til at generere kontekstuelle repræsentationer af inputsekvenser, typisk til klassifikation eller forståelse. - [encoderblok](https://aiord.dk/ord/encoderblok): En encoderblok er en byggesten i en transformer-arkitektur, der består af et multi-head self-attention-lag og et feed-forward neuralt netværk, omgivet af residualforbindelser og lag-normalisering. - [expert network](https://aiord.dk/ord/expert-network): Et ensemble af specialiserede delmodeller (eksperter) styret af en portmekanisme, der vælger eller vægter eksperternes output baseret på inputtet. - [feedforward neural network](https://aiord.dk/ord/feedforward-neural-network): Et neuralt netværk, hvor informationen flyder i én retning fra input til output uden tilbageløb. - [GAN](https://aiord.dk/ord/gan): Et generativt neuralt netværk bestående af to konkurrerende netværk: en generator og en diskriminator. - [gating network](https://aiord.dk/ord/gating-network): Et gating network er en komponent i en blanding af eksperter (MoE), der bestemmer, hvilke eksperter der skal aktiveres for et givet input. - [generativ adversarial network](https://aiord.dk/ord/generativ-adversarial-network): Et generativt adversarial network (GAN) er en maskinlæringsarkitektur, hvor to neurale netværk – en generator og en diskriminator – konkurrerer mod hinanden for at generere realistiske syntetiske data. - [Generative Adversarial Network](https://aiord.dk/ord/generative-adversarial-network): Et neuralt netværk bestående af to modeller, en generator og en diskriminator, der trænes samtidigt i et konkurrencepræget spil, hvor generatoren forsøger at producere data, der kan narre diskriminatoren. - [generator-netværk](https://aiord.dk/ord/generator-netvaerk): Del af et generativt adversarielt netværk (GAN), der genererer syntetiske data, typisk for at narre diskriminator-netværket. - [GRU](https://aiord.dk/ord/gru): En GRU er en variant af en rekurrent neural netværksenhed, der bruger gate-mekanismer til at kontrollere informationsflow og afhjælpe forsvindende gradient-problemet. - [GRU-celle](https://aiord.dk/ord/gru-celle): GRU-celle er en type tilbagevendende neural netværkscelle med to porte (reset og update), der regulerer informationsflowet og mindsker problemet med forsvindende gradienter. - [GRU-lag](https://aiord.dk/ord/gru-lag): Et GRU-lag er et neuralt netværkslag baseret på en portstyret recurrent enhed, der løser problemet med forsvindende gradienter i traditionelle RNN’er ved hjælp af opdaterings- og nulstillingsporte. - [GRU-netværk](https://aiord.dk/ord/gru-netvaerk): GRU-netværk er en variant af et tilbagevendende neuralt netværk (RNN), der bruger opdaterings- og nulstille-porte til at kontrollere informationsstrømmen og afhjælpe forsvindende gradienter. - [hybrid arkitektur](https://aiord.dk/ord/hybrid-arkitektur): En hybrid arkitektur i kunstig intelligens kombinerer to eller flere forskellige arkitekturtyper eller tilgange for at udnytte styrkerne fra hver. - [Keras-layer](https://aiord.dk/ord/keras-layer): En byggesten i Keras-modeller, der transformerer data gennem en eller flere operationer såsom fuldt forbundne lag, konvolutioner eller aktiveringsfunktioner. - [konvolutionel autoencoder](https://aiord.dk/ord/konvolutionel-autoencoder): En konvolutionel autoencoder er en type neuralt netværk, der består af et encoder-netværk med konvolutionelle lag og et decoder-netværk med transponerede konvolutionelle lag, trænet til at rekonstruere inputdata. - [konvolutionelt neuralt netværk](https://aiord.dk/ord/konvolutionelt-neuralt-netvaerk): Et konvolutionelt neuralt netværk (CNN) er en type neurale netværk, der anvender konvolutionelle lag til at lære hierarkiske repræsentationer fra data med grid-lignende topologi, især billeder. - [lag](https://aiord.dk/ord/lag): Et lag er en samling af neuroner eller enheder i et neuralt netværk, der behandler input og sender output til næste lag. - [LeakyReLU-lag](https://aiord.dk/ord/leakyrelu-lag): Et aktiveringslag i neurale netværk, der anvender LeakyReLU-funktionen, som tillader en lille, ikke-nul gradient for negative inputværdier. - [LightningModule](https://aiord.dk/ord/lightningmodule): LightningModule er en basisklasse i PyTorch Lightning, der definerer en grænseflade til organisering af deep learning-modeller, herunder forward-pass, træningstrin og konfiguration. - [LSTM](https://aiord.dk/ord/lstm): LSTM er en type recurrent neural network (RNN)-arkitektur, der kan lære langvarige afhængigheder ved hjælp af en hukommelsescelle og porte, der styrer informationsflowet. - [LSTM-celle](https://aiord.dk/ord/lstm-celle): En LSTM-celle er en byggesten i LSTM-netværk, der kan lære at gemme og glemme information over tid. - [LSTM-lag](https://aiord.dk/ord/lstm-lag): LSTM-lag er et type recurrent neural network lag der anvender gating-mekanismer til at styre informationsflowet og håndtere langtidsafhængigheder. - [LSTM-netværk](https://aiord.dk/ord/lstm-netvaerk): En type recurrent neuralt netværk, der er designet til at lære langtidsafhængigheder i sekventielle data ved hjælp af hukommelsesceller og gating-mekanismer. - [Mamba](https://aiord.dk/ord/mamba): Mamba er en modelarkitektur til sekvensmodellering baseret på selective state space models, der opnår lineær kompleksitet og overgår Transformers på langtrækkende opgaver. - [Mamba-2](https://aiord.dk/ord/mamba-2): Mamba-2 er en state space model (SSM) med en selektiv mekanisme, der forbedrer effektiviteten for lange sekvenser ved at eliminere softmax-opmærksomhed. - [Mamba-2-arkitektur](https://aiord.dk/ord/mamba-2-arkitektur): Mamba-2 er en state space model (SSM) arkitektur, der forbedrer Mamba ved at introducere state space duality (SSD) for effektiv sekventiel behandling uden opmærksomhedsmekanismer. - [Mamba-blok](https://aiord.dk/ord/mamba-blok): Mamba-blok er den grundlæggende byggesten i Mamba-modellen, en state space model (SSM) der bruger en selektiv scanning-mekanisme til at opnå lineær tid og hukommelse i forhold til sekvenslængden. - [Mamba](https://aiord.dk/ord/mamba-model): Mamba er en state space model-arkitektur designet til effektiv sekvensmodellering med lineær kompleksitet i sekvenslængden, der anvender en selektiv mekanisme til at fokusere på relevant information. - [maskeret decoderlag](https://aiord.dk/ord/maskeret-decoderlag): Et lag i en Transformer-decoder der anvender maskering for at forhindre modellen i at se fremtidige tokens under autoregressiv generering. - [maskeret multi-head self-attention](https://aiord.dk/ord/maskeret-multi-head-self-attention): En mekanisme i neurale netværk, hvor opmærksomhedsberegningen begrænses til en specifik del af inputsekvensen ved hjælp af en maske, samtidig med at opmærksomheden opdeles i flere uafhængige hoveder. - [memory-augmented neural network](https://aiord.dk/ord/memory-augmented-neural-network): En neural netværksarkitektur, der inkorporerer en ekstern hukommelsesstruktur, som modellen dynamisk kan læse og skrive til under behandling. - [memory cell](https://aiord.dk/ord/memory-cell): En komponent i et neuralt netværk, typisk i LSTM, der kan lagre og opdatere information over lange sekvenser. - [Mixture of Experts](https://aiord.dk/ord/mixture-of-experts): En arkitektur hvor flere specialiserede netværk (eksperter) kombineres med en gate-mekanisme, så kun et subset aktiveres per input. - [modelarkitektur](https://aiord.dk/ord/modelarkitektur): Betegnelse for en maskinlæringsmodel overordnede struktur, herunder antal lag, lagtyper og forbindelser mellem dem. - [MoE](https://aiord.dk/ord/moe): MoE er en neural netværksarkitektur, der opdeler opgaven i flere specialiserede eksperter og en gate-mekanisme, der dynamisk vælger en sparsom kombination af eksperter for hvert input. - [MoE layer](https://aiord.dk/ord/moe-layer): Et MoE-lag er et neurale netværkslag der består af flere ekspertnetværk og en gate-mekanisme, som dynamisk vælger en sparsom aktivering af eksperter for hvert input. - [Multi-head attention](https://aiord.dk/ord/multi-head-attention): Multi-head attention er en mekanisme i Transformer-modeller, hvor inputtet opdeles i flere parallelle attention-hoveder, der hver især lærer forskellige repræsentationer af relationer mellem elementer i en sekvens. - [multi-head cross-attention](https://aiord.dk/ord/multi-head-cross-attention): En mekanisme i transformer-modeller hvor hvert hoved udfører kryds-opmærksomhed mellem to forskellige sekvenser, ofte mellem encoder og decoder. - [multi-head opmærksomhed](https://aiord.dk/ord/multi-head-opmaerksomhed): Multi-head opmærksomhed er en mekanisme i Transformer-arkitekturen, der udfører skalær dot-produkt opmærksomhed flere gange parallelt med forskellige lineære projektioner og sammenkæder resultaterne. - [multi-head self-attention](https://aiord.dk/ord/multi-head-self-attention): Multi-head self-attention er en mekanisme i transformer-arkitekturer, hvor opmærksomheden beregnes parallelt over flere repræsentationsunderrum (heads) for hvert element i en sekvens. - [multilayer feedforward network](https://aiord.dk/ord/multilayer-feedforward-network): Et neuralt netværk med mindst ét skjult lag mellem input og output, hvor signaler flyder i én retning (fremad) og ikke danner cykler. - [multilayer perceptron](https://aiord.dk/ord/multilayer-perceptron): Et multilayer perceptron er et kunstigt neuralt netværk bestående af mindst tre lag af neuroner: et inputlag, et eller flere skjulte lag og et outputlag, hvor neuronerne i hvert lag er fuldt forbundet til neuronerne i det næste lag. - [multimodal fusionslag](https://aiord.dk/ord/multimodal-fusionslag): Et neuralt netværkslag der kombinerer repræsentationer fra flere datatyper (modaliteter) som tekst, billede og lyd til en fælles repræsentation. - [MuZero-netværk](https://aiord.dk/ord/muzero): MuZero er en forstærkende læringsalgoritme, der kombinerer Monte Carlo-træsøgning med et lært dynamikmodel i latent rum uden adgang til miljøets regler. - [Neural network](https://aiord.dk/ord/neural-network): Et neuralt netværk er en beregningsmodel inspireret af hjernens struktur, bestående af lag af sammenkoblede noder (neuroner) der lærer mønstre fra data. - [Neuralt netværk](https://aiord.dk/ord/neuralt-netvaerk): Et neuralt netværk er en beregningsmodel inspireret af hjernens neurale struktur, bestående af lag af sammenkoblede knuder (neuroner) der kan lære komplekse mønstre fra data. - [Parametric ReLU](https://aiord.dk/ord/parametric-relu): Parametric ReLU (PReLU) er en aktiveringsfunktion, der tillader en lærebar hældning for negative input, hvilket giver modellen fleksibilitet til at tilpasse ikke-lineariteten. - [PReLU-lag](https://aiord.dk/ord/prelu-lag): Et neuralt netværkslag, der anvender den parametrisk rettede lineære enhed (PReLU) som aktiveringsfunktion, hvilket giver mulighed for at lære hældningen for negative inputværdier under træning. - [RAG-generator](https://aiord.dk/ord/rag-generator): Den generative del af et RAG-system, typisk en stor sprogmodel, der producerer svar baseret på kontekst fra en retriever. - [reaktiv arkitektur](https://aiord.dk/ord/reaktiv-arkitektur): En softwarearkitektur, der fokuserer på at opbygge systemer, der er responsive, robuste, elastiske og meddelelsesdrevne, især anvendt i AI-systemer til realtidsinferens. - [recurrent state space model](https://aiord.dk/ord/recurrent-state-space-model): En modelklasse der kombinerer et tilbagevendende neuralt netværk med en tilstandsrummodel for at lære latente repræsentationer af sekventielle data og forudsige fremtidige tilstande. - [Residualblok](https://aiord.dk/ord/residualblok): En Residualblok er en byggesten i et residualt neuralt netværk, der består af en eller flere vægtede lag kombineret med en springende forbindelse (skip connection), så outputtet er summen af inputtet og transformationen af inputtet. - [ResNet](https://aiord.dk/ord/resnet): ResNet er et konvolutionelt neuralt netværk, der anvender residualforbindelser (springforbindelser) til at muliggøre træning af meget dybe netværk med hundredvis eller tusindvis af lag. - [retriever](https://aiord.dk/ord/retriever): En komponent i et RAG-system (Retrieval-Augmented Generation) der henter relevante dokumenter eller informationer fra en stor samling baseret på en forespørgsel. - [RNN](https://aiord.dk/ord/rnn): Et RNN er et neuralt netværk med cykliske forbindelser, designet til at behandle sekventielle data. - [RNN-celle](https://aiord.dk/ord/rnn-celle): En RNN-celle er den grundlæggende byggesten i et rekurrent neuralt netværk, der opdaterer en skjult tilstand baseret på et input og den foregående tilstand. - [RNN-lag](https://aiord.dk/ord/rnn-lag): Et RNN-lag er et neuralt netværkslag med en skjult tilstand, der bevares over tid og muliggør behandling af sekventielle data. - [S4](https://aiord.dk/ord/s4): S4 er en modelarkitektur baseret på strukturerede tilstandsrum, designet til effektiv behandling af lange sekvenser med lineær eller nær-lineær kompleksitet. - [scaled dot product attention](https://aiord.dk/ord/scaled-dot-product-attention): Op mærksomhedsmekanisme, der beregner opmærksomhedsvægte som softmax af skalerede prikprodukter mellem queries og keys. - [selektiv tilstandsmodel-arkitektur](https://aiord.dk/ord/selective-state-space-model-architecture): En neurale netværksarkitektur, der anvender en selektionsmekanisme i tilstandsrummet til at filtrere irrelevante input og opnå effektiv sekvensbehandling. - [selektiv tilstandsmodel](https://aiord.dk/ord/selektiv-tilstandsmodel): En selektiv tilstandsmodel er en type state space model, hvor overgangsdynamikken afhænger af inputtet, så modellen selektivt kan fremhæve eller undertrykke information. - [Self-attention](https://aiord.dk/ord/self-attention): En mekanisme i neurale netværk, hvor hvert element i en sekvens vægtes i forhold til alle andre elementer. - [self-attention layer](https://aiord.dk/ord/self-attention-layer): Et neuralt netværkslag der beregner vægtede repræsentationer af en sekvens ved at lade hvert element 'kigge på' alle andre elementer. - [Self-Attention Mechanism](https://aiord.dk/ord/self-attention-mechanism): Selvopmærksomhedsmekanisme er en operation i neurale netværk, der beregner vægtede repræsentationer af elementer i en sekvens baseret på deres indbyrdes relationer. - [seq2seq](https://aiord.dk/ord/seq2seq): En modelarkitektur, der består af en encoder og en decoder, som begge typisk er rekursive neurale netværk (RNN'er), og som transformerer en inputsekvens til en outputsekvens af varierende længde. - [seq2seq med attention](https://aiord.dk/ord/seq2seq-med-attention): En encoder-decoder-model, hvor decoderens output på hvert tidstrin afhænger af en vægtet sum af encoderens skjulte tilstande, så modellen kan fokusere på relevante dele af inputsekvensen. - [seq2seq-model](https://aiord.dk/ord/seq2seq-model): En modelarkitektur, der transformerer en inputsekvens til en outputsekvens via en encoder og en decoder, typisk baseret på RNN'er eller transformere. - [Softmax-lag](https://aiord.dk/ord/softmax-lag): Et softmax-lag er et outputlag i et neuralt netværk, der anvender softmax-funktionen til at konvertere en vektor af logits til en sandsynlighedsfordeling over klasser. - [softmax-layer](https://aiord.dk/ord/softmax-layer): Softmax-laget er et outputlag i neurale netværk, der konverterer logits til en sandsynlighedsfordeling, hvor alle sandsynligheder summer til 1. - [Sparse autoencoder](https://aiord.dk/ord/sparse-autoencoder): En sparse autoencoder er en type autoencoder, der pålægger en sparsitetsbegrænsning på de latente repræsentationer for at fremme læring af sjældne, men informative features. - [sparse mixture of experts](https://aiord.dk/ord/sparse-mixture-of-experts): En neural netværksarkitektur, hvor kun en lille del af 'eksperterne' aktiveres for hvert input, hvilket reducerer beregningsomkostningerne. - [sparse MoE](https://aiord.dk/ord/sparse-moe): En neural netværksarkitektur, der anvender en gate-mekanisme til at dirigere hvert input til et lille, sparsomt aktiveret subset af ekspertnetværk. - [stacked bidirectional LSTM](https://aiord.dk/ord/stacked-bidirectional-lstm): En neural netværksarkitektur, der stabler flere lag af bidirektionelle LSTM-enheder, så hvert lag behandler input i både fremad- og bagudrettet retning for at indfange hierarkiske tidsmæssige afhængigheder. - [stacked LSTM](https://aiord.dk/ord/stacked-lstm): En arkitektur, hvor flere LSTM-lag stables oven på hinanden, så outputtet fra et lag sendes som input til det næste. - [State space model](https://aiord.dk/ord/state-space-model): En modelklasse der beskriver et dynamisk system ved hjælp af en latent tilstand, der udvikler sig over tid, og som anvendes inden for sekvensmodellering i kunstig intelligens. - [Structured State Space Model](https://aiord.dk/ord/structured-state-space-model): En sekvensmodel der bruger lineære dynamiske systemer til effektiv langtidsafhængighedsmodellering. - [struktureret tilstandsmodel](https://aiord.dk/ord/struktureret-tilstandsmodel): En arkitektur for sekvensmodellering der repræsenterer skjulte tilstande via et struktureret lineært system og opnår lineær kompleksitet i sekvenslængden. - [StyleGAN](https://aiord.dk/ord/stylegan): StyleGAN er en type GAN med en stilbaseret generator, der muliggør kontrol over forskellige aspekter af det genererede billede ved at manipulere latente variabler. - [StyleGAN2](https://aiord.dk/ord/stylegan2): StyleGAN2 er en forbedret version af StyleGAN, et generativt adversarial netværk (GAN) til billedsyntese, der adresserer artefakter i StyleGAN og introducerer vægtmodulation. - [Switch Transformer](https://aiord.dk/ord/switch-transformer): Switch Transformer er en transformerarkitektur, der anvender en blanding af eksperter (MoE) med en 'switch'-routing, hvor hver token kun sendes til én ekspert, hvilket muliggør effektiv skalering til trillioner af parametre. - [tensor core](https://aiord.dk/ord/tensor-core): En specialiseret hardwareenhed i NVIDIA GPU'er designet til effektivt at udføre matrix-multiplikation og andre tensoroperationer, typisk med blandet præcision. - [tensor processing unit](https://aiord.dk/ord/tensor-processing-unit): En specialbygget hardware-accelerator designet til at udføre tensoroperationer hurtigt og energieffektivt, primært brugt til træning og inferens af neurale netværk. - [tilbagekoblet neuralt netværk](https://aiord.dk/ord/tilbagekoblet-neuralt-netvaerk): Et tilbagekoblet neuralt netværk (RNN) er en type neuralt netværk designet til at behandle sekventielle data ved at bevare en intern tilstand over tid gennem feedback-forbindelser. - [Transformer](https://aiord.dk/ord/transformer): Transformer er en neural netværksarkitektur, der udelukkende er baseret på selvopmærksomhedsmekanismer og uden brug af rekurente eller konvolutionelle lag. - [Transformer-arkitektur](https://aiord.dk/ord/transformer-arkitektur): Transformer-arkitekturen er en neural netværksarkitektur, der udelukkende baserer sig på opmærksomhedsmekanismer og har revolutionerende betydning for behandling af sekvensdata. - [Transformer-baseret](https://aiord.dk/ord/transformer-baseret): Transformer-baseret beskriver en model eller et system, der bygger på Transformer-arkitekturen, karakteriseret ved attention-mekanismer og parallel behandling. - [Transformer-blok](https://aiord.dk/ord/transformer-blok): En Transformer-blok er den grundlæggende byggesten i Transformer-modellen, bestående af et multi-head attention-lag efterfulgt af et feed-forward neuralt netværk, hver omgivet af residualforbindelser og layer normalization. - [Transformer-decoder](https://aiord.dk/ord/transformer-decoder): Den del af Transformer-arkitekturen, der ansvarlig for autoregressiv generering af outputsekvenser ved at anvende maskeret selvopmærksomhed og krydsopmærksomhed. - [Transformer-encoder](https://aiord.dk/ord/transformer-encoder): En Transformer-encoder er den del af Transformer-arkitekturen, der behandler input-sekvensen ved hjælp af selvopmærksomhed og feed-forward lag for at producere kontekstualiserede repræsentationer for hvert token. - [Transformer-model](https://aiord.dk/ord/transformer-model): Transformer-modellen er en neural netværksarkitektur baseret på self-attention-mekanismer, der erstatter rekursive og konvolutionelle lag. - [transposed convolutional layer](https://aiord.dk/ord/transposed-convolutional-layer): Et transponeret konvolutionslag er en type neuralt netværkslag, der anvender en transponeret konvolution for at opnå op-sampling af en input-featuremap, i modsætning til et almindeligt konvolutionslag, der udfører nedsampling. - [VAE](https://aiord.dk/ord/vae): En generativ model der kombinerer en encoder-decoder-struktur med variationel inferens for at lære en latent repræsentation af data. - [Vision Transformer](https://aiord.dk/ord/vision-transformer): Vision Transformer (ViT) er en neural netværksarkitektur, der anvender Transformer-modellen direkte på billeder ved at opdele dem i patches og behandle disse som en sekvens af tokens. - [ViT](https://aiord.dk/ord/vit): Vision Transformer (ViT) er en neural netværksarkitektur, der anvender transformer-mekanismen direkte på billeder opdelt i patches. - [VQ-VAE](https://aiord.dk/ord/vq-vae): VQ-VAE er en type variational autoencoder der anvender vektorkvantisering til at lære diskrete latente repræsentationer. - [VQ-VAE-2](https://aiord.dk/ord/vq-vae-2): VQ-VAE-2 er en hierarkisk udgave af VQ-VAE, der bruger flere niveauer af kvantiserede latente repræsentationer og autoregressive priors for at generere højkvalitetsbilleder. - [Wasserstein GAN](https://aiord.dk/ord/wasserstein-gan): En Generative Adversarial Network (GAN), der anvender Wasserstein-afstanden (Earth Mover's Distance) som tabsfunktion for at stabilisere træningen og undgå mode collapse. ## model (model) - [BERT](https://aiord.dk/ord/bert): BERT er en præ-trænet transformermodel, der bruger bidirektionel kontekst til at lære dybe ordrepræsentationer. - [BERT-base](https://aiord.dk/ord/bert-base): BERT-base er en specifik konfiguration af BERT-modellen med 12 lag, 768 skjulte enheder og 12 opmærksomhedshoveder, hvilket giver cirka 110 millioner parametre. - [BERT-large](https://aiord.dk/ord/bert-large): BERT-large er den store version af BERT-modellen med 340 millioner parametre, trænet på store mængder ustruktureret tekst. - [β-VAE](https://aiord.dk/ord/beta-vae): β-VAE er en variant af variational autoencoder (VAE), der introducerer en vægtningsparameter β for at kontrollere graden af disentanglement i den latente repræsentation. - [billedklassifikationsmodel](https://aiord.dk/ord/billedklassifikationsmodel): En model, der trænes til at tildele et inputbillede en etiket fra et foruddefineret sæt klasser. - [ChatGPT](https://aiord.dk/ord/chatgpt): ChatGPT er en chatbott baseret på OpenAI's GPT-sprogmodel, der er finjusteret til samtale. - [classification model](https://aiord.dk/ord/classification-model): En model, der forudsiger en diskret klasse (kategori) for en given input. - [computer vision-model](https://aiord.dk/ord/computer-vision-model): En computer vision-model er en maskinlæringsmodel trænet til at fortolke og forstå visuel information fra billeder eller video. - [Conditional VAE](https://aiord.dk/ord/conditional-vae): En generativ model, der udvider VAE med betingelsesvariable for at styre outputtet. - [ConvNet-model](https://aiord.dk/ord/convnet-model): En neural netværksarkitektur, der anvender konvolutionslag til at lære hierarkiske repræsentationer af strukturelle data, typisk billeder. - [cross-encoder model](https://aiord.dk/ord/cross-encoder-model): En cross-encoder model er en transformer-baseret arkitektur, der tager to tekster som input og direkte producerer en sammenligningsscore, typisk til re-ranking eller parvis klassifikation. - [CVAE](https://aiord.dk/ord/cvae): En CVAE er en variant af variational autoencoder (VAE), der betinger den latente repræsentation på en ekstra inputvariabel for at generere betingede uddata. - [deep-RL-agent](https://aiord.dk/ord/deep-rl-agent): En agent i reinforcement learning, der bruger dybe neurale netværk til at tilnærme politik eller værdifunktion. - [Denoising Diffusion Probabilistic Model](https://aiord.dk/ord/denoising-diffusion-probabilistic-model): En generativ model, der lærer at generere data ved at vende en gradvis støjtilførselsproces om. - [Diffusion model](https://aiord.dk/ord/diffusion-model): En generativ model, der lærer at reversere en gradvis støjproces for at generere data fra tilfældig støj. - [diffusionsmodel](https://aiord.dk/ord/diffusionsmodel): En generativ model, der lærer at omvendt en støjtilførselsproces for at generere data fra tilfældig støj. - [discriminator](https://aiord.dk/ord/discriminator): En neural netværkskomponent, der klassificerer inputdata som ægte eller falsk i et generativt adversarisk netværk. - [DistilBERT](https://aiord.dk/ord/distilbert): En mindre og hurtigere version af BERT, trænet ved hjælp af knowledge distillation. - [DreamerV3](https://aiord.dk/ord/dreamerv3): DreamerV3 er en modelbaseret forstærkningslæringsalgoritme, der lærer en verdensmodel fra erfaring og bruger den til at planlægge gennem imaginære baner for at opnå høj præstation på tværs af mange opgaver. - [dVAE](https://aiord.dk/ord/dvae): En dVAE (discrete Variational Autoencoder) er en type variational autoencoder, der kortlægger kontinuerte inputdata til et diskret latent repræsentationsrum via kvantisering. - [embeddingmodel](https://aiord.dk/ord/embedding-model): En model der konverterer sprogdata (ord, sætninger, dokumenter) til tætte vektorer (embeddings) i et kontinuerligt vektorrum, så semantisk lighed afspejles i afstanden mellem vektorerne. - [embeddingmodel](https://aiord.dk/ord/embeddingmodel): En neural netværksmodel, der kortlægger diskrete objekter (ord, sætninger, dokumenter) til kontinuerte vektorer i et højdimensionelt rum, kaldet embeddings. - [environment model](https://aiord.dk/ord/environment-model): En model, der repræsenterer dynamikken i et miljø, typisk brugt i forstærkningslæring til at forudsige næste tilstand og belønning givet en handling. - [few-shot indlæringsmodel](https://aiord.dk/ord/few-shot-indlaeringsmodel): En model der er trænet til at genkende nye klasser eller udføre nye opgaver med kun få træningseksempler. - [fortrænet billedmodel](https://aiord.dk/ord/fortraenet-billedmodel): En fortrænet billedmodel er et neuralt netværk, der er blevet trænet på en stor billeddatabase (f.eks. ImageNet) og derefter genbruges eller finjusteres til specifikke opgaver inden for computer vision. - [fortrænet model](https://aiord.dk/ord/fortraenet-model): En fortrænet model er en maskinlæringsmodel, der er trænet på et stort datasæt og derefter tilpasses til en specifik opgave gennem finjustering. - [fortrænet sprogmodel](https://aiord.dk/ord/fortraenet-sprogmodel): En sprogmodel, der er trænet på en stor tekstkorpus og efterfølgende finjusteres til specifikke opgaver. - [forudtrænet billede-model](https://aiord.dk/ord/forudtraenet-billede-model): En forudtrænet billede-model er en neural netværksmodel, der er trænet på et stort datasæt af billeder og efterfølgende anvendes som udgangspunkt for andre opgaver. - [forudtrænet ord-embedding](https://aiord.dk/ord/forudtraenet-ord-embedding): En forudtrænet ord-embedding er en vektorrepræsentation af ord, der er lært på et stort tekstkorpus og derefter genbrugt i andre NLP-opgaver. - [forudtrænet sprogmodel](https://aiord.dk/ord/forudtraenet-sprogmodel): En sprogmodel der er trænet på en stor generel tekstmængde, typisk ved selvovervåget læring, for derefter at blive finjusteret til specifikke opgaver. - [forudtrænet transformer](https://aiord.dk/ord/forudtraenet-transformer): En transformer-baseret sprogmodel der er blevet forudtrænet på et stort korpus og efterfølgende finjusteres til specifikke NLP-opgaver. - [forudtrænet transformer-model](https://aiord.dk/ord/forudtraenet-transformer-model): En transformer-model, der er blevet trænet på en stor og generel datasæt (foruddannelse) og efterfølgende kan finjusteres til specifikke opgaver. - [forudtrænet transformer-model](https://aiord.dk/ord/forudtranet-transformer-model): En transformer-model, der er blevet trænet på en stor mængde tekstdata for at lære generelle sprogmønstre, inden den eventuelt finjusteres til specifikke opgaver. - [Foundation model](https://aiord.dk/ord/foundation-model): En stor, forudtrænet model trænet på bredt data, der kan finjusteres til en bred vifte af opgaver. - [generativ AI-model](https://aiord.dk/ord/generativ-ai-model): En type kunstig intelligens-model, der lærer at generere nye datapunkter lignende dets træningsdata. - [Generative model](https://aiord.dk/ord/generative-model): En generativ model er en type maskinlæringsmodel, der lærer den underliggende fordeling af træningsdata og kan generere nye, realistiske datapunkter. - [generator](https://aiord.dk/ord/generator): En generator er en neural netværkskomponent der genererer nye data (f.eks. billeder, tekst) fra en latent repræsentation. - [GloVe](https://aiord.dk/ord/glove): GloVe er en uovervåget læringsalgoritme, der producerer tætte ordvektorer ved at faktorisere en ord-med-forekomstmatrix. - [GloVe-model](https://aiord.dk/ord/glove-model): En model der lærer ordvektorer ved at udnytte globale co-forekomststatistikker fra et korpus. - [GPT](https://aiord.dk/ord/gpt): GPT er en type sprogmodel baseret på transformeren, der er fortrænet på store tekstmængder og finjusteret til forskellige opgaver. - [GPT-3](https://aiord.dk/ord/gpt-3): GPT-3 er en stor sprogmodel udviklet af OpenAI, der kan generere menneskelignende tekst baseret på inputprompts. - [GPT-4](https://aiord.dk/ord/gpt-4): OpenAIs fjerde generation af sprogmodeller i GPT-serien, trænet på store mængder tekst og kode. - [kodegenereringsmodel](https://aiord.dk/ord/kodegenereringsmodel): En maskinlæringsmodel, der automatisk genererer kildekode baseret på en given beskrivelse eller kontekst. - [language model](https://aiord.dk/ord/language-model): En sprogmodel er en statistisk eller neural model, der tillægger en sandsynlighed til en sekvens af ord eller tokens. - [Large Language Model](https://aiord.dk/ord/large-language-model): En stor sprogmodel er en neural netværksbaseret model, typisk baseret på transformerarkitekturen, trænet på enorme mængder tekstdata til at generere, forstå og manipulere naturligt sprog. - [latent diffusion model](https://aiord.dk/ord/latent-diffusion-model): En latent diffusionsmodel (LDM) er en type generativ model, der udfører diffusionsprocessen i et komprimeret latent rum (indkodet af en VAE) i stedet for i det originale pixelrum, hvilket reducerer beregningsomkostningerne markant. - [latent dynamics model](https://aiord.dk/ord/latent-dynamics-model): En latent dynamics model er en model, der lærer overgangsfunktionen for en latent tilstandsrepræsentation i et system, ofte brugt til planlægning og kontrol i forstærkningslæring. - [LDM](https://aiord.dk/ord/ldm): LDM (Latent Diffusion Model) er en type diffusionsmodel, der udfører diffusionsprocessen i et latent repræsentationsrum i stedet for i pixelrummet. - [lineær tids model](https://aiord.dk/ord/lineaer-tids-model): En model hvis tidsmæssige kompleksitet er lineær i længden af inputsekvensen, typisk opnået ved at erstatte fuld attention med tilnærmelser eller lineære transformationer. - [LLM](https://aiord.dk/ord/llm): En LLM (Large Language Model) er en neural netværksbaseret model, typisk en transformer, trænet på enorme tekstmængder til at generere og forstå menneskeligt sprog. - [logistisk regression](https://aiord.dk/ord/logistisk-regression): En statistisk model der forudsiger sandsynligheden for en binær udfaldsvariabel ved at anvende en logistisk funktion på en lineær kombination af inputvariabler. - [meta-learning model](https://aiord.dk/ord/meta-learning-model): En meta-learning model er en model, der er trænet til at lære nye opgaver hurtigt ved at udnytte erfaring fra tidligere opgaver. - [multimodal model](https://aiord.dk/ord/multimodal-model): En model der kan behandle og integrere flere datatyper (fx tekst, billeder, lyd). - [neural language model](https://aiord.dk/ord/neural-language-model): En neural language model er en type sprogmodel baseret på neurale netværk, der forudsiger sandsynligheden af sekvenser af ord. - [neurale sprogmodel](https://aiord.dk/ord/neurale-sprogmodel): En sprogmodel baseret på neurale netværk, der forudsiger sandsynligheden af sekvenser af ord. - [objektdetektionsmodel](https://aiord.dk/ord/objektdetektionsmodel): En model, der identificerer og lokaliserer objekter i et billede ved at forudsige bounding boxes og klasser. - [opsummeringsmodel](https://aiord.dk/ord/opsummeringsmodel): En maskinlæringsmodel, der genererer en kortfattet, sammenhængende tekst, der bevarer hovedindholdet i en længere tekst. - [ord-embeddingmodel](https://aiord.dk/ord/ord-embeddingmodel): En model der transformerer sproglige elementer (ord, tokens) til tætte vektorer (embeddings) i et kontinuert vektorrum, så semantisk lighed afspejles i vektorafstande. - [Perceptron](https://aiord.dk/ord/perceptron): En perceptron er den enkleste form for et neuralt netværk, en lineær binær klassifikator. - [prætrænet model](https://aiord.dk/ord/praetraenet-model): En model, der er trænet på en stor, generel datasæt for at lære grundlæggende repræsentationer, som derefter kan finjusteres til specifikke opgaver. - [PTM](https://aiord.dk/ord/ptm): En PTM er en model, der er blevet trænet på en stor, generel datasæt, som derefter kan finjusteres til specifikke opgaver. - [Recurrent neural network](https://aiord.dk/ord/recurrent-neural-network): En klasse af neurale netværk med hukommelse via tilbagekoblede forbindelser, designet til sekventielle data. - [Reranker-model](https://aiord.dk/ord/reranker-model): En reranker-model er en sekundær model, der rangerer et mindre sæt af kandidatdokumenter efter relevans for en given forespørgsel, typisk brugt efter en grov første udvælgelse. - [reranking-model](https://aiord.dk/ord/reranking-model): En model der genrangerer en liste af kandidater for at forbedre rækkefølgen. - [resumé-model](https://aiord.dk/ord/resume-model): En AI-model der genererer en kortfattet version af en længere tekst. - [Reward model](https://aiord.dk/ord/reward-model): En model, der forudsiger en belønningsscore for inputsekvenser for at guide forstærkningslæring. - [RLHF-model](https://aiord.dk/ord/rlhf-model): En model, der er finjusteret ved hjælp af forstærkningslæring baseret på menneskelig feedback (RLHF) for at tilpasse sig menneskelige præferencer. - [RoBERTa](https://aiord.dk/ord/roberta): RoBERTa er en forbedret version af BERT, der optimerer træningsproceduren for bedre ydeevne. - [sætnings-embedding-model](https://aiord.dk/ord/saetnings-embedding-model): En model der transformerer en sætning til en tæt vektor (embedding), som fanger dens semantiske betydning, så sætninger med lignende betydning placeres tæt i vektorrummet. - [sætnings-embeddingmodel](https://aiord.dk/ord/saetnings-embeddingmodel): En sætnings-embeddingmodel er en neurale netværksmodel, der kortlægger sætninger til fikserede vektorer (embeddings), som fanger sætningens semantiske betydning. - [score-based generative model](https://aiord.dk/ord/score-based-generative-model): En generativ model der lærer gradienten af log-sandsynlighedstætheden (score-funktionen) og genererer samples via Langevin-dynamik. - [score-based model](https://aiord.dk/ord/score-based-model): En generativ model der lærer gradienten af datæns log-tæthed (score-funktionen) for at generere nye data via Langevin-dynamik. - [sekvensmodel](https://aiord.dk/ord/sekvensmodel): En sekvensmodel er en type maskinlæringsmodel, der behandler sekventielle data, hvor rækkefølgen af input har betydning, såsom tidsserier, tekst eller tale. - [Skip-gram](https://aiord.dk/ord/skip-gram): Skip-gram er en neural netværksarkitektur i word2vec, der forudsiger kontekstord ud fra et målord. - [Small Language Model](https://aiord.dk/ord/small-language-model): En sprogmodel med et relativt lille antal parametre, typisk under 1 milliard, optimeret til effektivitet og implementering på enheder med begrænsede ressourcer. - [Softmax-regression](https://aiord.dk/ord/softmax-regression): En generalisering af logistisk regression til multiklasse-klassifikation, hvor softmax-funktionen bruges til at forudsige sandsynlighedsfordelingen over flere klasser. - [sprogmodel](https://aiord.dk/ord/sprogmodel): En sprogmodel er en statistisk eller neural model, der beregner sandsynligheden for sekvenser af ord eller tokens. - [SRCNN](https://aiord.dk/ord/srcnn): SRCNN er et konvolutionelt neuralt netværk, der lærer en direkte mapping fra lavopløselige til højopløselige billeder. - [SRGAN](https://aiord.dk/ord/srgan): SRGAN er en dyb lærings-model baseret på et generativt adversarial netværk (GAN), der anvendes til at generere højopløsningsbilleder fra lavopløsningsinput. - [Stable Diffusion](https://aiord.dk/ord/stable-diffusion): Stable Diffusion er en latent diffusionsmodel, der genererer billeder ud fra tekstbeskrivelser ved at anvende en diffusionsproces i et latent rum. - [Stable Diffusion XL](https://aiord.dk/ord/stable-diffusion-xl): En avanceret latent diffusionsmodel til tekst-til-billede-generering, udviklet af Stability AI, der producerer billeder i høj opløsning med forbedret detaljegrad og komposition sammenlignet med forgængeren. - [stor sprogmodel](https://aiord.dk/ord/stor-sprogmodel): En stor sprogmodel er en type neural netværksmodel med et meget stort antal parametre, trænet på store mængder tekstdata, som kan generere og forstå menneskeligt sprog. - [student model](https://aiord.dk/ord/student-model): En mindre, komprimeret model der trænes til at efterligne en større og mere kompleks lærer-models adfærd og prædiktioner. - [StyleGAN-ADA](https://aiord.dk/ord/stylegan-ada): StyleGAN-ADA er en variant af StyleGAN, der anvender adaptiv diskriminator-augmentering for at træne på begrænsede datasæt. - [StyleGAN3](https://aiord.dk/ord/stylegan3): StyleGAN3 er en generativ adversarial netværksarkitektur til billedgenerering, der forbedrer translation- og rotationsækvarians ved at eliminere aliasing i netværket. - [supervised learning-model](https://aiord.dk/ord/supervised-learning-model): En supervised learning-model er en maskinlæringsmodel, der trænes på et mærket datasæt, hvor hvert input har en kendt output-værdi. - [target model](https://aiord.dk/ord/target-model): Den model der er genstand for optimering, træning eller tilpasning, i modsætning til en reference-, kilde- eller lærer-model. - [tool-augmented language model](https://aiord.dk/ord/tool-augmented-language-model): En sprogmodel, der er udvidet med eksterne værktøjer (f.eks. søgning, beregning) for at udføre opgaver uden for ren tekstgenerering. - [Transformer-baseret sprogmodel](https://aiord.dk/ord/transformer-baseret-sprogmodel): En transformer-baseret sprogmodel er en neural netværksmodel, der anvender Transformer-arkitekturen til at forudsige eller generere sprog ved at lære mønstre fra store tekstmængder. - [Variational Autoencoder](https://aiord.dk/ord/variational-autoencoder): En generativ model der kombinerer en autoencoder med variational inference for at lære en latent repræsentation af data. - [voice cloning model](https://aiord.dk/ord/voice-cloning-model): En model der kan generere tale der lyder som en bestemt person, baseret på en lydprøve. - [voice cloning system](https://aiord.dk/ord/voice-cloning-system): Et AI-system der syntetiserer naturligt klingende tale, der efterligner en specifik persons stemme baseret på en lydprøve. - [VQ-GAN](https://aiord.dk/ord/vq-gan): En generativ adversarial netværksarkitektur, der kombinerer vektorkvantisering i latent rum med en GAN for at lære diskrete repræsentationer til billedgenerering. - [Word2vec](https://aiord.dk/ord/word2vec): Word2vec er en familie af neurale netværksmodeller, der lærer vektorrepræsentationer af ord fra store tekstkorpus. ## begreb (concept) - [åbent ordforråd](https://aiord.dk/ord/aabent-ordforraad): Et åbent ordforråd betyder, at en model kan håndtere ord eller tokens, der ikke er set under træning, typisk ved hjælp af underordsenheder eller karakterbaserede repræsentationer. - [handlingsværdfunktion](https://aiord.dk/ord/action-value-function): En funktion der estimerer den forventede samlede fremtidige belønning ved at tage en given handling i en given tilstand og derefter følge en bestemt politik. - [Activation function](https://aiord.dk/ord/activation-function): En aktiveringsfunktion er en matematisk funktion, der bestemmer outputtet af en neuron i et neuralt netværk baseret på dens input. - [adversarial attack](https://aiord.dk/ord/adversarial-attack): Et adversarisk angreb er en bevidst, lille perturbation af et input til en AI-model, der får modellen til at lave en fejl. - [Adversarial example](https://aiord.dk/ord/adversarial-example): Et adversarial example er en input, der er blevet manipuleret med små, uopdagede ændringer for at få en model til at lave en forkert forudsigelse. - [adversarial robustness](https://aiord.dk/ord/adversarial-robustness): Adversarial robustness betegner en maskinlæringsmodel's evne til at modstå bevidst fremstillede, små perturbationer i inputdata, der har til formål at narre modellen til at lave fejl. - [afstandsmetrik](https://aiord.dk/ord/afstandsmetrik): En afstandsmetrik er en funktion, der kvantificerer afstanden mellem to punkter i et rum, ofte brugt til at måle lighed eller forskellighed i maskinlæring. - [Agent](https://aiord.dk/ord/agent): En agent er en enhed, der sanser sit miljø og handler på baggrund af det for at nå specifikke mål. - [Agentic workflow](https://aiord.dk/ord/agentic-workflow): En agentic workflow er en arbejdsgang, hvor en AI-agent autonomt udfører en række trin, ofte ved brug af værktøjer og feedback, for at opnå et komplekst mål. - [AI alignment](https://aiord.dk/ord/ai-alignment): Forskning og praksis, der sigter mod at sikre, at kunstig intelligens-systemer handler i overensstemmelse med menneskelige værdier og intentioner. - [AI safety](https://aiord.dk/ord/ai-safety): AI safety er et forsknings- og praksisfelt, der beskæftiger sig med at sikre, at kunstig intelligens-systemer er pålidelige, robuste og ikke forårsager utilsigtede skader. - [AI-sikkerhed](https://aiord.dk/ord/ai-sikkerhed): AI-sikkerhed er forskning og praksis, der sigter mod at sikre, at kunstig intelligens-systemer handler i overensstemmelse med menneskelige værdier og ikke forårsager utilsigtet skade. - [AI-sikkerhedsforskning](https://aiord.dk/ord/ai-sikkerhedsforskning): Forskning, der fokuserer på at sikre, at kunstig intelligens-systemer er pålidelige, sikre og i overensstemmelse med menneskelige værdier. - [AI-sikkerhedsingeniør](https://aiord.dk/ord/ai-sikkerhedsingenioer): En ingeniør med speciale i at identificere, analysere og afbøde sikkerhedsrisici ved AI-systemer. - [aktiveringsfunktion](https://aiord.dk/ord/aktiveringsfunktion): En aktiveringsfunktion er en matematisk funktion, der anvendes på outputtet af en neuron i et neuralt netværk for at introducere ikke-linearitet og bestemme, om neuronen skal aktiveres. - [algorithmic fairness](https://aiord.dk/ord/algorithmic-fairness): Algorithmic fairness betegner fraværet af systematisk bias eller diskrimination i algoritmers resultater, så forskellige grupper behandles retfærdigt. - [alignment](https://aiord.dk/ord/alignment): Alignment betegner problemet med at sikre, at kunstig intelligens handler i overensstemmelse med menneskelige værdier, intentioner og mål. - [alignmentsforskning](https://aiord.dk/ord/alignmentsforskning): Forskningsområde inden for kunstig intelligens der sigter mod at sikre, at AI-systemers adfærd og mål overensstemmer med menneskelige værdier og intentioner. - [alignmentsproblem](https://aiord.dk/ord/alignmentsproblem): Problemet med at sikre, at kunstig intelligens handler i overensstemmelse med menneskelige intentioner og værdier. - [API](https://aiord.dk/ord/api): API er et sæt af definerede regler og protokoller, der gør det muligt for softwareapplikationer at kommunikere og udveksle data. - [API-endepunkt](https://aiord.dk/ord/api-endepunkt): En specifik URL eller adresse, som en API anvender til at modtage anmodninger og sende svar. - [API-nøgle](https://aiord.dk/ord/api-nogle): En API-nøgle er en unik streng, der autentificerer en bruger eller applikation ved kald til en API, ofte brugt til at kontrollere adgang til AI-tjenester. - [argmax](https://aiord.dk/ord/argmax): Argumentet (inputværdien) der maksimerer en given funktion. - [array](https://aiord.dk/ord/array): En ordnet samling af elementer, typisk af samme datatype, indekseret med heltal. - [array-indeksering](https://aiord.dk/ord/array-indeksering): Teknik til at vælge enkeltelementer eller udsnit af et array ved brug af indeksnumre, udsnit, boolske betingelser eller lister af indeks. - [attention score](https://aiord.dk/ord/attention-score): Den rå værdi, der beregnes som prikproduktet mellem en query- og en key-vektor i en attention-mekanisme, før softmax-normalisering. - [attribut](https://aiord.dk/ord/attribut): En attribut er en egenskab eller et kendetegn ved en datapost, typisk repræsenteret som en kolonne i et datasæt. - [autonom agent](https://aiord.dk/ord/autonom-agent): En autonom agent er et system, der uafhængigt kan handle og træffe beslutninger i et miljø for at opfylde sine mål. - [autonom kørsel](https://aiord.dk/ord/autonom-koersel): Evnen for et køretøj til at navigere og operere uden menneskelig indgriben ved hjælp af sensorer, kameraer, radar og AI. - [autonomi](https://aiord.dk/ord/autonomi): Autonomi er evnen for et AI-system til at træffe beslutninger og udføre handlinger uden ekstern styring inden for et givent domæne. - [autoregressiv model](https://aiord.dk/ord/autoregressiv-model): En autoregressiv model forudsiger fremtidige værdier i en sekvens baseret på en lineær eller ikke-lineær kombination af tidligere værdier. - [Bayes' theorem](https://aiord.dk/ord/bayes-theorem): Bayes' sætning er en matematisk formel, der beskriver den betingede sandsynlighed for en begivenhed givet en anden begivenhed. - [Benchmark](https://aiord.dk/ord/benchmark): Standardiseret test eller datasæt brugt til at evaluere og sammenligne AI-modellers ydelse. - [benchmark-datasæt](https://aiord.dk/ord/benchmark-datasaet): En standardiseret samling af data brugt til at evaluere og sammenligne ydeevnen af AI-modeller. - [benchmark-resultat](https://aiord.dk/ord/benchmark-resultat): Resultatet af en standardiseret evaluering af en AI-models ydeevne på en specifik opgave. - [benchmark-suite](https://aiord.dk/ord/benchmark-suite): En samling af standardiserede tests (benchmarks) designet til at evaluere og sammenligne ydeevnen af AI-modeller på tværs af forskellige opgaver. - [betinget forventning](https://aiord.dk/ord/betinget-forventning): Den forventede værdi af en stokastisk variabel givet en anden stokastisk variabel eller begivenhed. - [betinget sandsynlighedsfordeling](https://aiord.dk/ord/betinget-sandsynlighedsfordeling): En betinget sandsynlighedsfordeling beskriver sandsynligheden for en stokastisk variabel givet, at en anden variabel har en bestemt værdi. - [bias](https://aiord.dk/ord/bias): Systematisk afvigelse i en models forudsigelser eller i data, der fører til skæve eller uretfærdige resultater. - [bias-parameter](https://aiord.dk/ord/bias-parameter): En bias-parameter er et justerbart tal i et neuralt netværk, der tilføjes til den vægtede sum af input for at forskyde aktiveringsfunktionen. - [bias-term](https://aiord.dk/ord/bias-term): En bias-term er en ekstra tilføjelse til en neurons vægtede sum, som muliggør forskydning af aktiveringsfunktionen. - [bias test datasæt](https://aiord.dk/ord/bias-test-datasaet): Et datasæt konstrueret til at afsløre og kvantificere skævhed (bias) i en AI-models forudsigelser. - [bias-værdi](https://aiord.dk/ord/bias-vaerdi): En bias-værdi refererer enten til en systematisk afvigelse i en models forudsigelser eller til et konstant led i en lineær model/neuron, der tillader fleksibel tilpasning. - [bias-variance-afvejning](https://aiord.dk/ord/bias-variance-afvejning): Kompromis mellem bias (systematisk fejl) og varians (følsomhed over for træningsdata) i en model, der påvirker dens generaliseringsevne. - [bias-varians-afvejning](https://aiord.dk/ord/bias-varians-afvejning): Afvejningen mellem bias (systematisk fejl) og varians (følsomhed over for datasvingninger) i en model, hvor reduktion af den ene typisk øger den anden. - [billedklassifikation](https://aiord.dk/ord/billedklassifikation): Billedklassifikation er opgaven med at tildele en foruddefineret kategori til et inputbillede ved hjælp af en model. - [binary classification](https://aiord.dk/ord/binary-classification): En klassifikationsopgave, hvor output kun kan tilhøre én af to mulige klasser. - [bounding box](https://aiord.dk/ord/bounding-box): En rektangulær afgrænsning omkring et objekt i et billede, typisk defineret ved koordinaterne for hjørnerne (x_min, y_min, x_max, y_max) eller (center, bredde, højde). - [chain rule](https://aiord.dk/ord/chain-rule): Kædereglen er en matematisk formel til at beregne den afledte af en sammensat funktion, og den er central i backpropagation til at opdatere vægte i neurale netværk. - [Chinchilla-optimal](https://aiord.dk/ord/chinchilla-optimal): En træningsstrategi for store sprogmodeller, hvor modelstørrelse og mængde af træningsdata skaleres ligeligt for at opnå optimal udnyttelse af en given beregningsressource. - [Chinchilla scaling](https://aiord.dk/ord/chinchilla-scaling): Chinchilla scaling er et princip inden for scaling laws, der siger at antallet af modelparametre og træningstokens bør skaleres proportionelt (cirka 20 tokens per parameter) for at opnå optimal ydelse for en given computerressource. - [Chinchilla scaling law](https://aiord.dk/ord/chinchilla-scaling-law): En empirisk lov fra DeepMinds Chinchilla-studie, der siger at modelstørrelse og mængden af træningsdata skal skaleres i samme takt for at opnå optimal ydeevne inden for et givet compute-budget. - [Chinchilla scaling laws](https://aiord.dk/ord/chinchilla-scaling-laws): Chinchilla scaling laws beskriver det optimale forhold mellem modelstørrelse og mængden af træningsdata for at opnå den bedste performance inden for en given beregningsressource. - [Chinchilla skaleringslove](https://aiord.dk/ord/chinchilla-skaleringslove): Chinchilla skaleringslove er en samling empiriske fund om det optimale forhold mellem modelstørrelse og træningsdatamængde for sprogmodeller under en fast beregningsbudget, som viste at model og data bør skaleres nogenlunde lige meget. - [chunk-overlap-tokens](https://aiord.dk/ord/chunk-overlap-tokens): Antallet af tokens, der overlapper mellem på hinanden følgende tekstchunks i en chunking-strategi. - [chunk-størrelse](https://aiord.dk/ord/chunk-storrelse): Størrelsen af de tekststykker (chunks) som et dokument opdeles i før indeksering eller behandling. - [common sense reasoning](https://aiord.dk/ord/common-sense-reasoning): Evnen til at ræsonnere ud fra almen viden om verden, som mennesker opfatter som indlysende. - [Compute-optimal scaling](https://aiord.dk/ord/compute-optimal-scaling): Metode til at bestemme den optimale fordeling af en given beregningsressource mellem modelstørrelse og træningsdata for at opnå den laveste tabsfunktion. - [computer vision](https://aiord.dk/ord/computer-vision): Computer vision er et forskningsfelt inden for kunstig intelligens, der beskæftiger sig med at gøre computere i stand til at fortolke og forstå visuel information fra omverdenen. - [computer vision-system](https://aiord.dk/ord/computer-vision-system): Et computer vision-system er et integreret sæt af hardware og software, designet til at give computere evnen til at fortolke og forstå visuelle data fra den virkelige verden. - [Concept drift](https://aiord.dk/ord/concept-drift): Ændring i den statistiske fordeling af måldata over tid, hvilket får en model til at blive mindre præcis. - [Context window](https://aiord.dk/ord/context-window): Det maksimale antal tokens som en sprogmodel samtidig kan tage som input. - [context window length](https://aiord.dk/ord/context-window-length): Den maksimale mængde tokens en sprogmodel kan behandle i én sekvens. - [context window size](https://aiord.dk/ord/context-window-size): Maksimalt antal tokens en sprogmodel kan behandle i én sekvens. - [Cost Function](https://aiord.dk/ord/cost-function): En cost function, også kaldet tabsfunktion, kvantificerer forskellen mellem en models forudsigelser og de faktiske værdier. - [CPU](https://aiord.dk/ord/cpu): CPU'en er computerens centrale processor, der udfører generelle beregninger, men er mindre effektiv end GPU'er til parallelle operationer i AI. - [cross-attention lag](https://aiord.dk/ord/cross-attention-lag): Fenomen i transformer-modeller hvor kryds-opmærksomhedsmekanismen introducerer en forsinkelse i at tilpasse information mellem kilde- og målsekvens. - [cross-modal](https://aiord.dk/ord/cross-modal): Betegnelse for processer, modeller og teknikker der arbejder på tværs af forskellige modaliteter (fx tekst, billede, lyd) for at lære fælles repræsentationer eller udføre opgaver der kræver forståelse af relationer mellem modaliteter. - [cross-modal representation](https://aiord.dk/ord/cross-modal-representation): En repræsentation, der fanger information på tværs af forskellige modaliteter (fx tekst, billede, lyd) i et fælles latent rum. - [CUDA-kerne](https://aiord.dk/ord/cuda-kerne): En CUDA-kerne er en parallel processor-enhed i NVIDIA's GPU'er, designet til at udføre mange tråde samtidigt. - [dark knowledge](https://aiord.dk/ord/dark-knowledge): Dark knowledge betegner den ekstra information, der ligger i en lærerende models bløde sandsynlighedsfordelinger, og som overføres til en elevmodel under viden destillation. - [Data drift](https://aiord.dk/ord/data-drift): Data drift betegner ændringer i fordelingen af inputdata over tid, som kan forringe en models præstation. - [databias](https://aiord.dk/ord/databias): Databias er systematisk skævhed i et datasæt, der fører til uretfærdige eller ukorrekte resultater i en AI-model. - [datasæt-bias](https://aiord.dk/ord/datasaet-bias): Systematisk skævhed i et datasæt, der fører til partiske eller urimelige forudsigelser i en AI-model. - [dataset](https://aiord.dk/ord/dataset): En samling af strukturerede data, typisk bestående af eksempler med træk og eventuelle etiketter, der bruges til at træne, validere eller teste en maskinlæringsmodel. - [datasets](https://aiord.dk/ord/datasets): En struktureret samling af data, typisk brugt til træning og evaluering af maskinlæringsmodeller. - [demographic parity](https://aiord.dk/ord/demographic-parity): En fairness-metrik, der kræver, at sandsynligheden for en positiv forudsigelse er den samme på tværs af beskyttede grupper. - [dense reward](https://aiord.dk/ord/dense-reward): En tæt belønningsfunktion i forstærkningslæring, der giver feedback ved hvert tidskridt. - [direkte prompt injection](https://aiord.dk/ord/direkte-prompt-injection): En sårbarhed i LLM'er, hvor en angriber indlejrer ondsindede instruktioner i inputteksten for at tilsidesætte modellens tilsigtede adfærd. - [Discriminative model](https://aiord.dk/ord/discriminative-model): En type model, der lærer at skelne mellem klasser ved direkte at modellere betinget sandsynlighed P(y|x) eller beslutningsgrænsen. - [discriminator loss](https://aiord.dk/ord/discriminator-loss): Discriminator loss er tabet for diskriminatoren i et GAN, der måler hvor godt den adskiller rigtige fra genererede data. - [disentangled representation](https://aiord.dk/ord/disentangled-representation): En latent repræsentation, hvor hver dimension uafhængigt kontrollerer én faktor af variation i data. - [disentanglet repræsentationslæring](https://aiord.dk/ord/disentanglet-repraesentationslaering): Disentanglet repræsentationslæring er en metode inden for dyb delæring, hvor en models indre repræsentation opdeles i uafhængige, fortolkbare faktorer, så ændring af én faktor kun påvirker én bestemt egenskab i data. - [diskret stokastisk variabel](https://aiord.dk/ord/diskret-stokastisk-variabel): En stokastisk variabel, der kan antage et endeligt eller tælleligt uendeligt antal værdier. - [distillation temperature](https://aiord.dk/ord/distillation-temperature): Parametret i viden-destillering, der styrer blødheden af sandsynlighedsfordelinger fra lærermodellen. - [distributional robustness](https://aiord.dk/ord/distributional-robustness): Distributional robustness refererer til en models evne til at opretholde præstation, når testfordelingen afviger fra træningsfordelingen. - [downstream task](https://aiord.dk/ord/downstream-task): En opgave, der løses ved at finjustere en forudtrænet model på en specifik datamængde. - [dyb læring](https://aiord.dk/ord/dyb-laering): En underdisciplin af maskinlæring, der anvender neurale netværk med mange lag til at lære hierarkiske repræsentationer af data. - [egenskabsrum](https://aiord.dk/ord/egenskabsrum): Et flerdimensionelt rum, hvor hver dimension svarer til en egenskab eller et træk ved data. - [ELBO](https://aiord.dk/ord/elbo): ELBO er en nedre grænse for log-sandsynligheden af observerede data, der bruges i variational inference til at approksimere intractable posterior-fordelinger. - [ELBO-decomposition](https://aiord.dk/ord/elbo-decomposition): Opdeling af ELBO (Evidence Lower Bound) i komponenter, typisk rekonstruktionsterm og KL-divergens, for at forstå og optimere variational inference-modeller. - [ELBO-objective](https://aiord.dk/ord/elbo-objective): ELBO (Evidence Lower Bound) er en nedre grænse for log-marginal likelihood, der bruges som optimeringsmål i variational inference. - [embedding-rum](https://aiord.dk/ord/embedding-rum): Embedding-rum er et abstrakt vektorrum, hvor diskrete objekter (fx ord, billeder) repræsenteres som kontinuerte vektorer, så semantiske relationer svarer til geometriske afstande og retninger. - [embedding space](https://aiord.dk/ord/embedding-space): Et flerdimensionalt vektorrum, hvor hvert punkt repræsenterer en entitet (ord, sætning, billede) som en tæt vektor. - [embedding space dimension](https://aiord.dk/ord/embedding-space-dimension): Dimensionen af det vektorrum, som en embedding-model projicerer data ind i. - [Embedding space-geometri](https://aiord.dk/ord/embedding-space-geometry): Studiet af de geometriske egenskaber ved det vektorrum, hvor neurale netværks embedding-vektorer ligger, herunder afstande, retninger og struktur. - [embedding-vektor](https://aiord.dk/ord/embedding-vektor): En embedding-vektor er en tæt, flerdimensional vektorrepræsentation af et diskret objekt (fx et ord) lært af en neural netværksmodel, så semantisk lignende objekter har ens vektorer. - [embeddingdimension](https://aiord.dk/ord/embeddingdimension): Antallet af dimensioner i en embedding-vektor, som bestemmer hvor mange egenskaber modellen kan indfange for hvert objekt. - [embeddingspace](https://aiord.dk/ord/embeddingspace): Et embeddingspace er et vektorrum, hvor hvert diskret element (fx et ord, billede) repræsenteres af en kontinuert vektor. - [embodied cognition](https://aiord.dk/ord/embodied-cognition): Teorien om at kognitive processer er formet af kroppens interaktion med verden, ikke kun af hjernens abstrakte beregninger. - [Emergent ability](https://aiord.dk/ord/emergent-ability): Evne der opstår i en stor sprogmodel, som ikke var til stede i mindre modeller og ikke var eksplicit trænet for. - [empirisk kumulativ fordelingsfunktion](https://aiord.dk/ord/empirisk-kumulativ-fordelingsfunktion): Den empiriske kumulative fordelingsfunktion (ECDF) er en ikke-parametrisk estimator af den sande kumulative fordelingsfunktion, baseret på observerede data. - [encoder-embedding](https://aiord.dk/ord/encoder-embedding): En encoder-embedding er en kontekstualiseret vektorrepræsentation af et inputtoken genereret af encoderdelen af en transformerarkitektur. - [end-of-sequence token](https://aiord.dk/ord/end-of-sequence-token): Et specielt token der markerer afslutningen på en sekvens i en sprogmodel. - [environment](https://aiord.dk/ord/environment): I forstærkningslæring og AI-agent-systemer: den verden eller det system, som agenten interagerer med, herunder tilstande, overgange og belønninger. - [environment dynamics](https://aiord.dk/ord/environment-dynamics): De regler, der bestemmer, hvordan et miljø ændrer sig som reaktion på en agents handlinger, typisk beskrevet ved en overgangsfunktion i en Markov-beslutningsproces. - [epoch-loss](https://aiord.dk/ord/epoch-loss): Tabsfunktionens værdi målt ved slutningen af hver fuld gennemløb (epoke) af træningsdata. - [epoch number](https://aiord.dk/ord/epoch-number): Antallet af fulde gennemløb af hele træningsdatasættet under træning af en model. - [equal opportunity](https://aiord.dk/ord/equal-opportunity): Equal opportunity (lighed i muligheder) er et fairness-kriterium, der kræver, at en models sande positive rate (TPR) er ens på tværs af værdier af en beskyttet attribut. - [equalized odds](https://aiord.dk/ord/equalized-odds): Et fairness-kriterium i maskinlæring, der kræver, at sandsynligheden for en positiv forudsigelse er den samme på tværs af grupper for både positive og negative sande labels. - [ethical AI](https://aiord.dk/ord/ethical-ai): Etiske AI refererer til udvikling og brug af kunstig intelligens i overensstemmelse med etiske principper som retfærdighed, ansvarlighed, gennemsigtighed og respekt for menneskerettigheder. - [Eval](https://aiord.dk/ord/eval): Processen med at vurdere en models ydeevne på et datasæt, typisk ved brug af metrikker som accuracy, precision, recall eller F1-score. - [eval-målingsresultat](https://aiord.dk/ord/eval-maalingsresultat): En værdi, der angiver en models præstation målt på en bestemt opgave eller benchmark. - [eval-måling](https://aiord.dk/ord/eval-maling): Proces eller metode til at kvantificere en AI-models ydeevne ved hjælp af standardiserede metrikker. - [eval-resultat](https://aiord.dk/ord/eval-resultat): Et eval-resultat er den samlede vurdering af en models ydeevne baseret på et sæt metrikker, såsom nøjagtighed, præcision eller recall. - [Evaluering](https://aiord.dk/ord/evaluering): Proces, hvor en kunstig intelligensmodels præstation måles og vurderes ved hjælp af relevante metrikker. - [evalueringsdatasæt](https://aiord.dk/ord/evalueringsdatasaet): Et datasæt, der bruges til at måle en models præstation efter træning, typisk for at vurdere generaliseringsevne. - [evalueringsprotokol](https://aiord.dk/ord/evalueringsprotokol): En standardiseret fremgangsmåde og sæt af regler for at evaluere en AI-models ydeevne, herunder valg af data, metrikker og evalueringsmetode. - [evalueringssæt](https://aiord.dk/ord/evalueringssaet): Et evalueringssæt er en samling data, der bruges til at vurdere en models præstation efter træning. - [expectation](https://aiord.dk/ord/expectation): Forventningsværdi (forventning) er et mål for den gennemsnitlige værdi af en stokastisk variabel, vægtet med sandsynligheder. - [experiment metadata](https://aiord.dk/ord/experiment-metadata): Metadata om et eksperiment, herunder parametre, data, kode, resultater og miljø. - [Experiment tracking](https://aiord.dk/ord/experiment-tracking): Systematisk dokumentation og logning af parametre, data, metrikker og kode for maskinlæringseksperimenter. - [expert capacity](https://aiord.dk/ord/expert-capacity): Evne for en del af en model til at specialisere sig i og håndtere viden inden for et bestemt domæne. - [Explainability](https://aiord.dk/ord/explainability): Explainability betegner egenskaben ved et AI-system, at dets beslutninger og adfærd kan forklares på en forståelig måde for mennesker. - [fællessandsynlighedsfordeling](https://aiord.dk/ord/faellessandsynlighedsfordeling): En fællessandsynlighedsfordeling beskriver sandsynligheden for samtidige hændelser af to eller flere stokastiske variable. - [Fairness](https://aiord.dk/ord/fairness): Fairness refererer til princippet om, at AI-systemer ikke må udvise systematisk bias eller diskrimination over for bestemte grupper. - [fairness audit](https://aiord.dk/ord/fairness-audit): En fairness audit er en systematisk gennemgang af en AI-model for at identificere og adressere bias og diskrimination. - [fairness constraint](https://aiord.dk/ord/fairness-constraint): En fairness constraint er en betingelse, der pålægges en model for at sikre, at dens forudsigelser ikke diskriminerer på baggrund af beskyttede karakteristika som køn eller race. - [Feature](https://aiord.dk/ord/feature): En feature er en individuel, målelig egenskab eller karakteristik af et datapunkt, der bruges som input til en maskinlæringsmodel. - [feature map](https://aiord.dk/ord/feature-map): En feature map er en output-matrise fra et konvolutionelt lag i et neuralt netværk, der repræsenterer tilstedeværelsen af specifikke visuelle mønstre i inputdata. - [feature space](https://aiord.dk/ord/feature-space): Feature space er et multidimensionelt rum, hvor hver dimension svarer til en feature (træk) ved dataene, og hvert datapunkt er et punkt i dette rum. - [feature vector](https://aiord.dk/ord/feature-vector): En numerisk repræsentation af et objekts karakteristika (features) som en vektor i et flerdimensionalt rum. - [fine-tuning-datasæt](https://aiord.dk/ord/fine-tuning-datasaet): Et datasæt, der bruges til at finjustere en fortrænet model til en specifik opgave. - [Forklarbar AI](https://aiord.dk/ord/forklarbar-ai): Forklarbar AI (XAI) betegner metoder og teknikker, der gør det muligt for mennesker at forstå, fortolke og have tillid til resultater og beslutninger fra kunstig intelligens. - [forklarlig AI](https://aiord.dk/ord/forklarlig-ai): Forklarlig AI (XAI) betegner metoder og teknikker, der gør kunstig intelligens' beslutninger og forudsigelser forståelige for mennesker. - [Forklarlighed](https://aiord.dk/ord/forklarlighed): Evnen til at forstå og fortolke, hvordan en AI-model når frem til sine beslutninger eller forudsigelser. - [forsvindende gradient](https://aiord.dk/ord/forsvindende-gradient): Problem i træning af dybe neurale netværk, hvor gradienterne (hældningerne) bliver eksponentielt mindre, når de bakker gennem netværket, hvilket forhindrer vægtopdateringer i de tidligere lag. - [forsvindende gradient-problem](https://aiord.dk/ord/forsvindende-gradient-problem): Fænomenet hvor gradienterne aftager eksponentielt gennem lagene i et dybt neurale netværk under backpropagation, hvilket gør tidlige lag næsten umulige at træne. - [fortolkelig AI](https://aiord.dk/ord/fortolkelig-ai): Fortolkelig AI refererer til AI-systemer, hvis beslutninger og output kan forstås og forklares af mennesker. - [fortræningsdata](https://aiord.dk/ord/fortraeningsdata): Data brugt til at træne en AI-model fra bunden, inden eventuel finjustering. - [fortræningsdatasæt](https://aiord.dk/ord/fortraeningsdatasaet): Et fortræningsdatasæt er en stor samling af tekst-, billed- eller andre data, som en maskinlæringsmodel trænes på i en indledende fase (fortræning) for at lære generelle mønstre og repræsentationer. - [fortræningsfase](https://aiord.dk/ord/fortraeningsfase): Den indledende træning af en maskinlæringsmodel på et stort, ofte ikke-annoteret datasæt for at lære generelle repræsentationer. - [fortræningsmål](https://aiord.dk/ord/fortraeningsmaal): Et fortræningsmål er den specifikke opgave eller det mål, som en model optimeres mod under den indledende træning på store, umærkede datasæt, før den eventuelt finjusteres til specifikke opgaver. - [foundation-model-arkitektur](https://aiord.dk/ord/foundation-model-arkitektur): Den underliggende arkitektur af en foundation model, typisk en transformer-baseret neurale netværksstruktur, der muliggør prætræning på store datasæt. - [foundation-model-træningsdata](https://aiord.dk/ord/foundation-model-traeningsdata): De omfattende datasæt, der anvendes til at træne en foundation model, typisk bestående af store mængder ustruktureret tekst, billeder eller andet indhold fra internettet. - [foundation-model-træningsomkostning](https://aiord.dk/ord/foundation-model-traeningsomkostning): Omkostningerne ved at træne en foundation-model, typisk målt i GPU-timer, energi og finansielle ressourcer. - [generalisering](https://aiord.dk/ord/generalisering): En models evne til at præstere korrekt på nye, usete data efter træning på et begrænset datasæt. - [generaliseringsfejl](https://aiord.dk/ord/generaliseringsfejl): Generaliseringsfejl er den fejl, en model begår på nye, hidtil usete data, i modsætning til træningsfejlen. - [generaliseringsgab](https://aiord.dk/ord/generaliseringsgab): Forskellen mellem en models præstation på træningsdata og på hidtil usete data. - [generalization](https://aiord.dk/ord/generalization): Evnen hos en model til at præstere korrekt på nye, usete data efter at være trænet på et begrænset datasæt. - [generalization error](https://aiord.dk/ord/generalization-error): Generalization error er den forventede fejl på nye, usete data, målt på testfordelingen. - [generalization gap](https://aiord.dk/ord/generalization-gap): Forskellen mellem en models præstation på træningsdata og på hidtil usete testdata. - [generation](https://aiord.dk/ord/generation): Processen hvor en AI-model skaber nye data (f.eks. tekst, billeder, lyd) ud fra en given kontekst eller betingelse. - [generativ AI](https://aiord.dk/ord/generativ-ai): Generativ AI er en type kunstig intelligens, der kan skabe nyt indhold som tekst, billeder, lyd eller kode baseret på træningsdata. - [generativ AI-teknologi](https://aiord.dk/ord/generativ-ai-teknologi): Generativ AI-teknologi refererer til systemer, der kan skabe nyt indhold, såsom tekst, billeder, lyd eller kode, ved at lære mønstre fra eksisterende data. - [generativ model](https://aiord.dk/ord/generativ-model): En generativ model er en statistisk model, der lærer den fælles sandsynlighedsfordeling over data og kan generere nye syntetiske datapunkter. - [global kontekstvektor](https://aiord.dk/ord/global-kontekstvektor): En vektorrepræsentation, der opsummerer informationen fra hele inputsekvensen i en transformer- eller seq2seq-model. - [gradient](https://aiord.dk/ord/gradient): Vektor af partielle afledede, der angiver den stejleste stigningsretning for en funktion. - [grounded language learning](https://aiord.dk/ord/grounded-language-learning): En tilgang til sprogindlæring, hvor betydning forankres i perception, handling eller anden ikke-sproglig erfaring. - [Grounding](https://aiord.dk/ord/grounding): Grounding er processen hvorved en sprogmodel eller et AI-system forbinder symbolske repræsentationer med virkelige verdeners data, såsom billeder, lyd eller fysiske objekter. - [grounding data](https://aiord.dk/ord/grounding-data): Data, der bruges til at forankre en AI-models output i faktiske, verificerbare oplysninger. - [grounding module](https://aiord.dk/ord/grounding-module): Et grounding module er en komponent i en AI-model, der forbinder symbolske repræsentationer (fx sprog) med ikke-symbolske data (fx visuelle eller taktile input) for at give modellen en forståelse af den fysiske verden. - [guardrails-politik](https://aiord.dk/ord/guardrails-politik): En politik eller sæt af regler, der definerer acceptable grænser for en AI-systemets adfærd og output. - [Hallucination](https://aiord.dk/ord/hallucination): En hallucination i AI er, når en sprogmodel genererer tekst, der er faktuel forkert, opdigtet eller meningsløs, men som præsenteres med selvsikkerhed. - [hallucinationstendens](https://aiord.dk/ord/hallucinationstendens): Hallucinationstendens betegner en sprogmodels tilbøjelighed til at generere falsk, men plausibelt klingende information. - [hallucinere](https://aiord.dk/ord/hallucinere): At hallucinere er når en AI-model producerer falsk eller meningsløs information, der præsenteres som fakta. - [harmlessness objective](https://aiord.dk/ord/harmlessness-objective): Det mål i RLHF-træning, hvor en AI-model lærer at undgå at generere svar, der kan forårsage skade eller krænke etiske retningslinjer. - [harmlessness training data](https://aiord.dk/ord/harmlessness-training-data): Harmlessness training data er træningsdata, der er omhyggeligt udvalgt eller genereret for at lære en AI-model at undgå at producere skadelige, stødende eller farlige outputs. - [hidden layer](https://aiord.dk/ord/hidden-layer): Et lag i et neuralt netværk, der befinder sig mellem inputlaget og outputlaget og udfører ikke-lineære transformationer af data. - [hyperparameter](https://aiord.dk/ord/hyperparameter): En hyperparameter er en konfigurationsparameter, der sættes inden træning og styrer læringsprocessen, i modsætning til modelparametre, som læres fra data. - [ikke linearitet](https://aiord.dk/ord/ikke-linearitet): En egenskab ved en funktion eller model, hvor outputtet ikke er proportionalt med inputtet, hvilket er afgørende for neurale netværks evne til at lære komplekse mønstre. - [implicit bias](https://aiord.dk/ord/implicit-bias): Implicit bias refererer til systematiske skævheder i en AI-models output, der ikke er bevidst indprogrammeret, men som opstår fra skævheder i træningsdata, modelarkitektur eller træningsproces. - [implicit bias-fælden](https://aiord.dk/ord/implicit-bias-faelden): Den ubevidste og utilsigtede introduktion af bias i AI-systemer, ofte gennem skæve træningsdata eller modelantagelser, som fører til systematisk uretfærdige resultater. - [incremental learning scenario](https://aiord.dk/ord/incremental-learning-scenario): En læringssituation hvor en model trænes på en strøm af data, der ankommer over tid, og modellen skal tilpasse sig ny information uden at glemme tidligere læring. - [indlejring](https://aiord.dk/ord/indlejring): En indlejring er en kompakt, tæt vektorrepræsentation af et diskret element (fx et ord eller token) i et kontinuert vektorrum, typisk lært af en model. - [Inductive bias](https://aiord.dk/ord/inductive-bias): Inductive bias betegner de antagelser, en maskinlæringsalgoritme anvender for at foretrække bestemte hypoteser frem for andre, når den generaliserer fra træningsdata. - [Inference](https://aiord.dk/ord/inference): Processen hvor en trænet model anvendes på nye data for at generere output såsom forudsigelser, klassifikationer eller tekst. - [inference-time](https://aiord.dk/ord/inference-time): Den fase i en modellevetid, hvor en trænet model bruges til at generere forudsigelser på nye data. - [inferens](https://aiord.dk/ord/inferens): Processen hvor en trænet model anvendes til at lave forudsigelser eller beslutninger på nye data. - [inferenshastighed](https://aiord.dk/ord/inferenshastighed): Den hastighed, hvormed en trænet model behandler inputdata og genererer forudsigelser, typisk målt i tokens per sekund eller samples per sekund. - [information retrieval](https://aiord.dk/ord/information-retrieval): Information retrieval er processen med at finde relevante dokumenter eller information i en stor samling baseret på en forespørgsel. - [Intelligent agent](https://aiord.dk/ord/intelligent-agent): En intelligent agent er en autonom enhed, der opfatter sit miljø gennem sensorer, træffer beslutninger baseret på viden og mål, og handler i miljøet gennem aktuatorer for at opnå et specifikt formål. - [intern repræsentation](https://aiord.dk/ord/intern-repraesentation): Den kodning af inputdata, som en neural netværksmodel lærer i sine skjulte lag, og som fanger de relevante strukturer og mønstre. - [intern repræsentation](https://aiord.dk/ord/intern-representation): De indre (skjulte) repræsentationer af data, som en neural netværksmodel lærer i sine skjulte lag. - [internal covariate shift](https://aiord.dk/ord/internal-covariate-shift): Internal covariate shift beskriver fænomenet, hvor fordelingen af input til et lag i et neuralt netværk ændrer sig under træning, fordi parametrene i tidligere lag opdateres. - [Interpretability](https://aiord.dk/ord/interpretabilitet): Evnen til at forstå og forklare, hvordan en AI-model træffer beslutninger. - [Interpretability](https://aiord.dk/ord/interpretability): Interpretability er en models evne til at give menneskeligt forståelige forklaringer på sine forudsigelser og interne repræsentationer. - [invers kumulativ fordelingsfunktion](https://aiord.dk/ord/invers-kumulativ-fordelingsfunktion): Funktion der givet en sandsynlighed p returnerer den værdi x, for hvilken den kumulative fordelingsfunktion (CDF) er lig p. - [IRL](https://aiord.dk/ord/irl): IRL (In Real Life) refererer til den virkelige verden i modsætning til simulerede miljøer, ofte brugt i AI-sammenhænge som reinforcement learning og robotik. - [iteration](https://aiord.dk/ord/iteration): Én gennemgang af en gentagen proces, fx et trin i træning af en model. - [jailbreaking](https://aiord.dk/ord/jailbreaking): Jailbreaking betegner bevidst manipulation af prompts eller input for at omgå sikkerhedsmekanismerne i et AI-system, så det producerer skadelige, uetiske eller begrænsede output. - [jordforbindelse](https://aiord.dk/ord/jordforbindelse): Jordforbindelse er processen med at knytte sproglige symboler til virkelige verdensobjekter eller sansninger. - [jordforbindelse gennem interaktion](https://aiord.dk/ord/jordforbindelse-gennem-interaktion): En metode hvorved en AI-model lærer at forbinde sproglige eller abstrakte symboler med fysiske oplevelser og handlinger gennem interaktion med omgivelserne. - [Kaplan scaling laws](https://aiord.dk/ord/kaplan-scaling-laws): Kaplan scaling laws beskriver, hvordan modellens tab falder som en potensfunktion af modelstørrelse, datamængde og beregningsressourcer. - [Kaplan skaleringslove](https://aiord.dk/ord/kaplan-skaleringslove): Empiriske power-law relationer mellem neural netværks test-loss og antallet af parametre, datamængde og træningscompute. - [KL-divergens](https://aiord.dk/ord/kl-divergens): Mål for hvor meget en sandsynlighedsfordeling afviger fra en anden referencefordeling. - [knowledge base](https://aiord.dk/ord/knowledge-base): En struktureret samling af fakta, regler og relationer, der bruges af et AI-system til at understøtte ræsonnement og beslutningstagning. - [Knowledge graph](https://aiord.dk/ord/knowledge-graph): En knowledge graph er en struktureret repræsentation af enheder og deres relationer, ofte i form af en graf, hvor knuder er enheder og kanter er relationer. - [knowledge representation](https://aiord.dk/ord/knowledge-representation): Videnrepræsentation er den måde, hvorpå viden struktureres og lagres, så et AI-system kan ræsonnere og træffe beslutninger. - [kontekstuelt embedding](https://aiord.dk/ord/kontekstuelt-embedding): En tæt vektorrepræsentation af et ord eller token, hvor repræsentationen afhænger af den kontekst, ordet optræder i. - [kontekstvektor](https://aiord.dk/ord/kontekstvektor): En vektor, der repræsenterer en opsummeret kontekst af en inputsekvens, ofte genereret af en encoders sidste skjulte tilstand eller som output fra en attention-mekanisme. - [kontekstvektor-rum](https://aiord.dk/ord/kontekstvektor-rum): Et flerdimensionalt vektorrum, hvor hver dimension repræsenterer et semantisk træk, og ord eller sætninger repræsenteres som vektorer, så semantisk lighed afspejles i geometrisk nærhed. - [kontinuert stokastisk variabel](https://aiord.dk/ord/kontinuert-stokastisk-variabel): En stokastisk variabel, der kan antage et uendeligt antal værdier inden for et interval, typisk beskrevet ved en sandsynlighedstæthedsfunktion. - [kumulativ fordelingsfunktion](https://aiord.dk/ord/kumulativ-fordelingsfunktion): En funktion der angiver sandsynligheden for, at en stokastisk variabel er mindre end eller lig med en given værdi. - [labeled data](https://aiord.dk/ord/labeled-data): Labeled data er data, hvor hvert eksempel er mærket med den korrekte outputværdi til brug for træning af overvågede maskinlæringsmodeller. - [latent repræsentation](https://aiord.dk/ord/latent-repraesentation): En intern, komprimeret og ofte uobserveret vektor af numeriske værdier, som en model lærer at danne for at repræsentere inputdata på en meningsfuld måde. - [Latent space](https://aiord.dk/ord/latent-space): Det abstrakte rum af komprimerede repræsentationer som en generativ model lærer fra data. - [latent space arithmetic](https://aiord.dk/ord/latent-space-arithmetic): Latent space arithmetic betegner teknikken at udføre vektoraritmetik (addition, subtraktion) på repræsentationer i et latent rum for at manipulere eller kombinere begreber. - [latent world model](https://aiord.dk/ord/latent-world-model): En latent world model er en indlejret repræsentation af miljøets dynamik, der læres i et latent rum og bruges til planlægning og kontrol i modelbaseret forstærkningslæring. - [leaderboard](https://aiord.dk/ord/leaderboard): En offentlig rangliste, der viser modellers præstationer på en given opgave eller benchmark. - [lighedsmaal](https://aiord.dk/ord/lighedsmaal): Et mål for hvor ens to objekter eller datapunkter er, ofte brugt i maskinlæring og informationssøgning. - [LLM agent](https://aiord.dk/ord/llm-agent): En LLM-agent er et system, der kombinerer en stor sprogmodel med evnen til at foretage handlinger, bruge værktøjer og planlægge for at nå et mål. - [LLM-baseret](https://aiord.dk/ord/llm-baseret): Beskriver en løsning, model, system eller funktionalitet der bygger på en stor sprogmodel (LLM). - [Log Loss Kurve](https://aiord.dk/ord/log-loss-kurve): En grafisk fremstilling af log loss (cross-entropy) som funktion af træningsiterationer eller epoker, brugt til at vurdere modelkonvergens og overfitting. - [log softmax](https://aiord.dk/ord/log-softmax): En funktion der kombinerer softmax og logaritme, ofte brugt i neurale netværksklassifikation for numerisk stabilitet. - [logit](https://aiord.dk/ord/logit): En logit er den rå, uomsatte outputværdi fra en model før en aktiveringsfunktion (fx softmax) omdanner den til en sandsynlighed. - [logit-score](https://aiord.dk/ord/logit-score): Den rå, unormaliserede værdi som en model producerer før anvendelse af en aktiveringsfunktion som softmax, ofte brugt til at repræsentere sandsynlighedslog-odds. - [logit-softmax](https://aiord.dk/ord/logit-softmax): Logit-softmax er kombinationen af de rå scores (logits) fra en models sidste lag og softmax-funktionen, som omdanner dem til en sandsynlighedsfordeling over klasser. - [logits](https://aiord.dk/ord/logits): Logits er de rå, ubehandlede værdier (scorer), som en neural netværksmodel producerer før en aktiveringsfunktion som softmax, typisk i klassifikationsopgaver. - [Loss function](https://aiord.dk/ord/loss-function): En funktion der kvantificerer forskellen mellem en models forudsigelser og de sande værdier under træning. - [loss function gradient](https://aiord.dk/ord/loss-function-gradient): Gradienten af tabsfunktionen angiver retningen og størrelsen af den stejleste stigning af tabet i parameterrummet, og bruges til at opdatere modelparametre under træning via gradientbaseret optimering. - [loss landscape](https://aiord.dk/ord/loss-landscape): Det højdimensionelle landskab af tabsfunktionens værdier over modellens parameterrum. - [loss-overflade](https://aiord.dk/ord/loss-overflade): Den geometriske overflade, der beskriver værdien af tabsfunktionen over modellens parameterrum. - [målalignment](https://aiord.dk/ord/maalalignment): Målalignment er et begreb inden for AI-sikkerhed, der betegner bestræbelserne på at sikre, at kunstig intelligens’ mål og adfærd er i overensstemmelse med menneskelige værdier og intentioner. - [manifold](https://aiord.dk/ord/manifold): En manifold er en topologisk mængde, der lokalt ligner euklidisk rum, og som i maskinlæring bruges til at beskrive den underliggende lavdimensionelle struktur i højdimensionelle data. - [manifold-hypotese](https://aiord.dk/ord/manifold-hypotese): Antagelsen om at højdimensionelle data i virkeligheden ligger på eller nær en laveredimensionel mangfoldighed (manifold) indlejret i det højdimensionelle rum. - [manifold learning](https://aiord.dk/ord/manifold-learning): Manifold learning betegner en klasse af ikke-lineære dimensionalitetsreduktionsmetoder, der antager at højdimensionelle data ligger på eller tæt på en lavdimensionel manifold. - [Markov Decision Process](https://aiord.dk/ord/markov-decision-process): En matematisk ramme til modellering af beslutningstagning i stokastiske miljøer, defineret ved tilstande, handlinger, overgangssandsynligheder, belønninger og en diskonteringsfaktor. - [mask token](https://aiord.dk/ord/mask-token): Et specialtoken brugt i masked language modeling, som erstatter ord i inputtet, så modellen skal forudsige dem. - [maskinlæring](https://aiord.dk/ord/maskinlaering): En gren af kunstig intelligens, der giver systemer evnen til at lære og forbedre sig fra erfaring uden at være eksplicit programmeret. - [matrix](https://aiord.dk/ord/matrix): En rektangulær tabel af tal, symboler eller udtryk arrangeret i rækker og søjler, brugt i lineær algebra og AI-beregninger. - [Memory](https://aiord.dk/ord/memory): I kunstig intelligens betegner memory evnen hos en model eller et system til at lagre og genfinde information over tid. - [mode collapse](https://aiord.dk/ord/mode-collapse): En fejltilstand i generative modeller, især GAN'er, hvor generatoren producerer et begrænset sæt af uddata, der kun dækker nogle få tilstande (modes) i datafordelingen i stedet for hele variationen. - [model](https://aiord.dk/ord/model): En model er en matematisk eller beregningsmæssig repræsentation, der lærer fra data for at foretage forudsigelser eller beslutninger. - [model calibration](https://aiord.dk/ord/model-calibration): Modelkalibrering er processen med at justere en models forudsagte sandsynligheder, så de afspejler den faktiske sandsynlighed for udfald. - [Model card](https://aiord.dk/ord/model-card): Et standardiseret dokument, der beskriver en maskinlæringsmodel, herunder dens formål, træningsdata, evalueringsresultater og kendte begrænsninger. - [model card template](https://aiord.dk/ord/model-card-template): En standardiseret skabelon til at dokumentere en maskinlæringsmodel, herunder formål, ydeevne, begrænsninger og etiske overvejelser. - [Model drift](https://aiord.dk/ord/model-drift): Fænomen hvor en maskinlæringsmodel gradvist mister præcision over tid, ofte på grund af ændringer i de underliggende data eller relationer. - [model fortolkning](https://aiord.dk/ord/model-fortolkning): Model fortolkning er processen med at analysere og forklare, hvordan en maskinlæringsmodel træffer beslutninger, herunder hvilke faktorer der har størst betydning for modellens output. - [model-interpretabilitet](https://aiord.dk/ord/model-interpretabilitet): Model-interpretabilitet er egenskaben ved en AI-model, der gør det muligt for mennesker at forstå og forklare dens beslutninger og forudsigelser. - [modelkompleksitet](https://aiord.dk/ord/model-kompleksitet): Modelkompleksitet betegner en models kapacitet til at indfange mønstre i data, ofte målt ved antal parametre eller modelarkitekturens dybde. - [model registry stage](https://aiord.dk/ord/model-registry-stage): En tilstand i et model registry, der angiver modellens placering i livscyklussen, f.eks. 'Staging' eller 'Production'. - [model reliability](https://aiord.dk/ord/model-reliability): En models evne til at levere stabile, korrekte og forudsigelige resultater under varierende betingelser og over tid. - [model reliability metrics](https://aiord.dk/ord/model-reliability-metrics): Model reliability metrics er kvantitative mål for en models evne til at levere pålidelige, robuste og kalibrerede forudsigelser under varierende forhold. - [modelprædiktion](https://aiord.dk/ord/modelpraediktion): En models output ved inferens baseret på et givent input. - [Multi-agent system](https://aiord.dk/ord/multi-agent-system): Et system bestående af flere autonome software- eller robotagenter, der interagerer i et fælles miljø for at opnå individuelle eller fælles mål. - [multi-class classification](https://aiord.dk/ord/multi-class-classification): En klassifikationsopgave, hvor en model tildeler en instans til én af flere (tre eller flere) gensidigt udelukkende klasser. - [multiagent-system](https://aiord.dk/ord/multiagent-system): Et system bestående af flere autonome AI-agenter, der interagerer og samarbejder om at løse opgaver. - [Multimodal](https://aiord.dk/ord/multimodal): Multimodal refererer til AI-systemer, der kan behandle og integrere information fra flere forskellige datatyper såsom tekst, billeder, lyd og video. - [multimodal AI](https://aiord.dk/ord/multimodal-ai): AI-systemer der kan behandle og kombinere flere datatyper som tekst, billeder, lyd og video. - [multimodal data](https://aiord.dk/ord/multimodal-data): Data der består af eller integrerer information fra flere forskellige modaliteter som tekst, billede, lyd og video. - [multimodal embedding](https://aiord.dk/ord/multimodal-embedding): En vektorrepræsentation, der kortlægger data fra flere modaliteter (fx tekst og billeder) ind i et fælles latent rum, så lighed på tværs af modaliteter kan måles. - [natural language generation](https://aiord.dk/ord/natural-language-generation): Natural Language Generation (NLG) er den gren af naturlig sprogbehandling, der beskæftiger sig med at producere menneskelignende tekst eller tale ud fra data eller struktureret input. - [natural language processing](https://aiord.dk/ord/natural-language-processing): Natural language processing er det tværfaglige felt, der beskæftiger sig med, at computere kan forstå, fortolke og generere menneskeligt sprog. - [natural language understanding](https://aiord.dk/ord/natural-language-understanding): Natural language understanding (NLU) er den del af naturlig sprogbehandling (NLP) der fokuserer på maskinel forståelse af betydningen i menneskelig sprog. - [neural scaling law](https://aiord.dk/ord/neural-scaling-law): En empirisk lov, der beskriver, hvordan en neural netværks testfejl falder som en potensfunktion af modelstørrelse, datasætstørrelse eller beregningsressourcer. - [neural scaling laws](https://aiord.dk/ord/neural-scaling-laws): Empiriske love, der beskriver, hvordan en neurale models ydelse (fx test-loss) skalerer som en potenslov med modelstørrelse, datamængde og beregningsressourcer. - [neuron](https://aiord.dk/ord/neuron): En grundlæggende beregningsenhed i et kunstigt neuralt netværk, der modtager input, behandler dem via en vægtet sum og en aktiveringsfunktion og producerer et output. - [normal fordeling](https://aiord.dk/ord/normal-fordeling): Normal fordeling er en kontinuert sandsynlighedsfordeling, der er symmetrisk omkring middelværdien og har en klokkeformet tæthedsfunktion. - [normalfordeling](https://aiord.dk/ord/normalfordeling): En normalfordeling er en kontinuert sandsynlighedsfordeling, der beskrives ved en klokkeformet kurve og er defineret ved middelværdi μ og standardafvigelse σ. - [normalfordelingsantagelse](https://aiord.dk/ord/normalfordelingsantagelse): Antagelsen om at en given stokastisk variabel eller datasæt følger en normalfordeling. - [numpy-array](https://aiord.dk/ord/numpy-array): Et N-dimensionelt array-objekt implementeret i NumPy-biblioteket, der muliggør effektive vektor- og matrixoperationer. - [objective function](https://aiord.dk/ord/objective-function): En funktion der måler, hvor godt en model opfylder et bestemt mål. - [offline feature store](https://aiord.dk/ord/offline-feature-store): Et offline feature store er et centralt lager til lagring, styring og genfinding af features, der er optimeret til batch-processering, typisk brugt under modeltræning og evaluering. - [online feature store](https://aiord.dk/ord/online-feature-store): Et online feature store er et system til at servere maskinlæringsfunktioner (features) med lav latenstid til brug i produktion. - [ontologi](https://aiord.dk/ord/ontologi): Ontologi er en formel, eksplicit specifikation af en delt konceptualisering inden for et domæne. - [ordembedding](https://aiord.dk/ord/ordembedding): En ordembedding er en tæt, lavdimensionel vektorrepræsentation af et ord, hvor semantisk og syntaktisk lighed afspejles i vektorens afstand. - [ordforråd](https://aiord.dk/ord/ordforraad): Sæt af unikke tokens (ord eller underord) som en sprogmodel kender og kan generere. - [ordforrådsstørrelse](https://aiord.dk/ord/ordforraadsstoerrelse): Antallet af unikke tokens i en models ordforråd, typisk målt i antal tokens (ord eller underordselementer). - [ordforråd](https://aiord.dk/ord/ordforrad): Det sæt af tokens (ord, underord eller tegn) som en sprogmodel eller NLP-system genkender og kan behandle. - [overfittet](https://aiord.dk/ord/overfittet): Overfittet beskriver en situation hvor en model lærer træningsdataene for godt, inklusive støj og tilfældigheder, og derfor klarer sig dårligt på nye data. - [Overfitting](https://aiord.dk/ord/overfitting): Overfitting opstår når en model lærer støj og tilfældigheder i træningsdata, så den generaliserer dårligt til nye data. - [overgeneralisering](https://aiord.dk/ord/overgeneralisering): Overgeneralisering betegner en models tendens til at lære for brede eller forkerte mønstre, hvilket fører til dårlig præstation på nye data. - [overvåget læring](https://aiord.dk/ord/overvaaget-laering): En type maskinlæring, hvor modellen trænes på et mærket datasæt med input-output-par for at lære at forudsige output for nye input. - [overvåget læring](https://aiord.dk/ord/overvaget-laering): En maskinlæringstilgang, hvor en model trænes på et mærket datasæt med input-output-par for at lære en mapping fra input til output. - [Parameter](https://aiord.dk/ord/parameter): En variabel i en maskinlæringsmodel, hvis værdi læres fra data under træning. - [parameterantal](https://aiord.dk/ord/parameterantal): Antallet af trænbare vægte i en AI-model, der bestemmer modellens kapacitet og kompleksitet. - [parametereffektivitet](https://aiord.dk/ord/parametereffektivitet): Evnen hos en model til at opnå høj ydeevne med et begrænset antal parametre. - [parametertal](https://aiord.dk/ord/parametertal): Parametertal er det samlede antal af justerbare vægte og biases i en maskinlæringsmodel, som trænes under læring. - [partially observable Markov decision process](https://aiord.dk/ord/partially-observable-markov-decision-process): En delvist observerbar Markov-beslutningsproces (POMDP) er en generel ramme for beslutningstagning, hvor agenten kun har delvis viden om miljøets tilstand. - [patch-size](https://aiord.dk/ord/patch-size): Patch-størrelse er et hyperparameter, der angiver de rumlige dimensioner (højde og bredde) af de kvadratiske udsnit, et billede opdeles i, før behandling i en vision transformer eller konvolutionelt neuralt netværk. - [PDF](https://aiord.dk/ord/pdf): En sandsynlighedstæthedsfunktion (PDF) beskriver sandsynligheden for, at en kontinuert stokastisk variabel antager en bestemt værdi. - [perception action loop](https://aiord.dk/ord/perception-action-loop): Perception action loop er en grundlæggende cyklus i AI og robotik, hvor en agent sanser sine omgivelser, behandler informationen og udfører en handling, hvilket ændrer omgivelserne og starter en ny cyklus. - [pipeline](https://aiord.dk/ord/pipeline): En sekvens af databehandlingstrin, hvor output af ét trin er input til det næste, typisk brugt i maskinlæring og datavidenskab. - [Planning](https://aiord.dk/ord/planning): Planlægning i AI betegner processen med at finde en sekvens af handlinger, der fører fra en starttilstand til en måltilstand. - [policy gradient-teorem](https://aiord.dk/ord/policy-gradient-teorem): Poliy gradient-teoremet angiver en analytisk formel for gradienten af den forventede afkastsum med hensyn til politikparametre i forstærkningslæring. - [power law](https://aiord.dk/ord/power-law): En funktionel sammenhæng hvor én størrelse varierer som en potens af en anden, typisk udtrykt som y = k·x^α; i AI bruges power laws til at beskrive skaleringsforhold som tabsfunktionens afhængighed af data eller parametre. - [power law distribution](https://aiord.dk/ord/power-law-distribution): En sandsynlighedsfordeling, hvor en lille ændring i én variabel medfører en proportional ændring i en anden variabel, karakteriseret ved en potensfunktion. - [power law scaling](https://aiord.dk/ord/power-law-scaling): Empirisk observation af, at modelpræstation (fx tab) forbedres som en potensfunktion af stigende mængde data, modelstørrelse eller beregningsressourcer. - [præstationsmetrik](https://aiord.dk/ord/praestationsmetrik): Måleenhed for at vurdere en models præstation på en given opgave. - [prediction](https://aiord.dk/ord/prediction): En models output, når den anvendes på nye inputdata for at estimere en værdi eller klasse. - [prediction error](https://aiord.dk/ord/prediction-error): Forskellen mellem en models forudsigelse og den faktiske værdi. - [prediction interval](https://aiord.dk/ord/prediction-interval): Et interval inden for hvilket en fremtidig observation forventes at falde med en given sandsynlighed, givet en model. - [Probability distribution](https://aiord.dk/ord/probability-distribution): En funktion, der tildeler sandsynligheder til hvert muligt udfald af en stokastisk variabel. - [prompt hijacking](https://aiord.dk/ord/prompt-hijacking): Et angreb, hvor en ondsindet prompt overskriver eller manipulerer den oprindelige instruktion i en sprogmodel for at ændre dens opførsel. - [pruning threshold](https://aiord.dk/ord/pruning-threshold): En tærskelværdi der afgør, hvilke vægte eller neuroner der fjernes under beskæring af en neural netværksmodel. - [Q-table](https://aiord.dk/ord/q-table): En tabel, der i forstærkningslæring gemmer den forventede samlede belønning (Q-værdi) for hver kombination af tilstand og handling. - [Quantization error](https://aiord.dk/ord/quantization-error): Forskellen mellem den oprindelige værdi og den kvantiserede værdi, når et tal afrundes eller begrænses til et lavere præcisionsformat. - [query key value](https://aiord.dk/ord/query-key-value): De tre vektorer — forespørgsel (query), nøgle (key) og værdi (value) — der bruges i attention-mekanismen til at beregne opmærksomhedsvægte. - [random variable](https://aiord.dk/ord/random-variable): En stokastisk variabel er en variabel, hvis værdi bestemmes af et tilfældigt fænomen, og som tildeles sandsynligheder til sine mulige værdier. - [reasoning](https://aiord.dk/ord/reasoning): Ræsonnement er evnen til at drage logiske slutninger fra given information, traditionelt forbundet med symbolsystemer og nu også med sprogmodeller. - [red teamer](https://aiord.dk/ord/red-teamer): En person, der udfører systematiske angreb på AI-systemer for at afdække sårbarheder, bias eller sikkerhedsproblemer, ofte som del af en rød-holdsøvelse. - [regression](https://aiord.dk/ord/regression): Regression er en statistisk metode til at modellere forholdet mellem en afhængig variabel og en eller flere uafhængige variable, typisk ved at forudsige et kontinuert tal. - [ReLU activation](https://aiord.dk/ord/relu-activation): ReLU (Rectified Linear Unit) er en aktiveringsfunktion, der returnerer inputværdien, hvis den er positiv, ellers 0. - [ReLU-aktiveringsfunktion](https://aiord.dk/ord/relu-aktiveringsfunktion): ReLU-aktiveringsfunktionen er en ikke-lineær aktiveringsfunktion defineret som f(x) = max(0, x), der anvendes i neurale netværk for at introducere ikke-linearitet. - [repræsentationslæring](https://aiord.dk/ord/repraesentationslaering): Repræsentationslæring er en maskinlæringsteknik, hvor modellen automatisk lærer at omdanne rådata til meningsfulde repræsentationer, der bevarer relevant information til en given opgave. - [representation learning](https://aiord.dk/ord/representation-learning): Maskinlæringsteknikker, der automatisk afdækker de optimale repræsentationer af rådata til brug for detektion, klassifikation eller andre opgaver. - [reward function](https://aiord.dk/ord/reward-function): En reward function er en matematisk funktion i reinforcement learning, der tildeler en numerisk belønning til hver tilstand eller handling for at guide en agents læring. - [reward hacking](https://aiord.dk/ord/reward-hacking): Reward hacking er et fænomen i forstærkningslæring, hvor en agent finder en måde at maksimere en belønningsfunktion på, der ikke stemmer overens med den tilsigtede adfærd, ofte ved at manipulere miljøet eller udnytte ufuldkommenheder i belønningsspecifikationen. - [reward-hacking adfærd](https://aiord.dk/ord/reward-hacking-adfaerd): Adfærd hos en forstærkningslæringsagent, der udnytter huller i belønningsfunktionen til at opnå høj belønning uden at udføre den tilsigtede opgave. - [reward-hacking angreb](https://aiord.dk/ord/reward-hacking-angreb): Et reward-hacking angreb er en type uønsket adfærd i forstærkningslæring, hvor agenten finder en måde at manipulere belønningsfunktionen på for at opnå høje belønninger uden at fuldføre den tiltænkte opgave. - [RL-agent](https://aiord.dk/ord/rl-agent): En RL-agent er en selvstændig enhed, der interagerer med et miljø ved at vælge handlinger baseret på en politik for at maksimere kumulativ belønning. - [Robustness](https://aiord.dk/ord/robustness): En models evne til at opretholde sin ydeevne under forstyrrelser, såsom støj, modifikationer af input eller ændringer i datafordelingen. - [rule-based system](https://aiord.dk/ord/rule-based-system): Et rule-based system er et computersystem, der træffer beslutninger eller udfører handlinger baseret på et sæt foruddefinerede logiske regler (hvis-så). - [sætnings-embedding-vektor](https://aiord.dk/ord/saetnings-embedding-vektor): En sætnings-embedding-vektor er en numerisk vektor, der repræsenterer betydningen af en hel sætning i et kontinuerligt vektorrum. - [sætningsembedding](https://aiord.dk/ord/saetningsembedding): En sætningsembedding er en numerisk vektorrepræsentation af en hel sætning, der fanger dens semantiske betydning i et kontinuerligt vektorrum. - [Safety](https://aiord.dk/ord/safety): AI safety er et tværfagligt forskningsfelt, der beskæftiger sig med at sikre, at kunstige intelligenssystemer opfører sig pålideligt og ikke forårsager utilsigtet skade. - [safety-aligned](https://aiord.dk/ord/safety-aligned): En sprogmodel der er finjusteret til at følge sikkerhedsretningslinjer og undgå skadelige eller upassende outputs. - [safety alignment](https://aiord.dk/ord/safety-alignment): Processen med at sikre, at en AI-handler på en måde, der er i overensstemmelse med menneskelige værdier og undgår utilsigtede skadelige konsekvenser. - [safety-forskning](https://aiord.dk/ord/safety-forskning): Safety-forskning er det tværfaglige felt, der undersøger, hvordan man sikrer, at AI-systemer handler i overensstemmelse med menneskelige værdier og undgår utilsigtede skadelige konsekvenser. - [sampling bias](https://aiord.dk/ord/sampling-bias): Sampling bias er en systematisk fejl i dataindsamlingen, hvor udvalget ikke repræsenterer den sande population, hvilket fører til skæve modeller. - [sandsynlighedsmassefunktion](https://aiord.dk/ord/sandsynlighedsmassefunktion): En funktion der angiver sandsynligheden for hver mulig værdi af en diskret stokastisk variabel. - [sandsynlighedstæthed](https://aiord.dk/ord/sandsynlighedstaethed): En funktion der beskriver sandsynlighedsfordelingen af en kontinuert stokastisk variabel. - [sandsynlighedstæthedsfunktion](https://aiord.dk/ord/sandsynlighedstaethedsfunktion): En funktion der beskriver den relative sandsynlighed for at en kontinuert stokastisk variabel antager en given værdi. - [scalar](https://aiord.dk/ord/scalar): En skalar er en enkelt numerisk værdi, i modsætning til en vektor, matrix eller tensor. - [scaling hypothesis](https://aiord.dk/ord/scaling-hypothesis): Hypotesen om at modellers præstationer forbedres forudsigeligt efter en potenslov, når modelstørrelse, datamængde og beregningsressourcer øges samtidigt. - [Scaling Law](https://aiord.dk/ord/scaling-law): Empirisk lov der beskriver, hvordan en models performance (f.eks. test-loss) skalerer med modelstørrelse, datamængde og beregningsressourcer. - [Scaling laws](https://aiord.dk/ord/scaling-laws): Empiriske love, der beskriver, hvordan en models ydeevne (fx tab) skalerer med modelstørrelse, datamængde og beregningsressourcer. - [score function](https://aiord.dk/ord/score-function): En funktion der tildeler en numerisk værdi (score) til et data punkt eller en modeloutput, ofte brugt til at kvantificere sandsynlighed, relevans eller kvalitet. - [segmentation mask](https://aiord.dk/ord/segmentation-mask): En segmenteringsmaske er et binært eller flerklasses billede, der angiver, hvilke pixels der tilhører bestemte objekter eller regioner i et inputbillede. - [semantic embedding](https://aiord.dk/ord/semantic-embedding): En tæt vektorrepræsentation af ord, sætninger eller dokumenter, hvor semantisk lighed afspejles i vektorafstand. - [semantisk interpolation](https://aiord.dk/ord/semantisk-interpolation): Teknik til at generere jævne overgange mellem to punkter i et latent repræsentationsrum, så de mellemliggende punkter opretholder semantisk mening. - [sequence length](https://aiord.dk/ord/sequence-length): Antallet af tokens (f.eks. ord eller underord) i en sekvens, der behandles af en sprogmodel. - [sequence modeling](https://aiord.dk/ord/sequence-modeling): Sequence modeling er opgaven med at forudsige eller generere sekvenser af data ved at lære de underliggende mønstre og afhængigheder mellem elementer i en tidsmæssig rækkefølge. - [sigmoid activation](https://aiord.dk/ord/sigmoid-activation): Den sigmoide aktiveringsfunktion er en matematisk funktion, der mapper et reelt tal til et interval mellem 0 og 1, ofte brugt i neurale netværk som en ikke-lineær aktivering. - [sigmoid-aktiveringsfunktion](https://aiord.dk/ord/sigmoid-aktiveringsfunktion): En matematisk funktion, der mapper et hvilket som helst reelt tal til et tal mellem 0 og 1, ofte brugt som aktiveringsfunktion i neurale netværk. - [sigmoidefunktion](https://aiord.dk/ord/sigmoidefunktion): En matematisk funktion, der former input til en S-formet kurve, typisk anvendt til at klemme værdier mellem 0 og 1. - [simulation](https://aiord.dk/ord/simulation): En efterligning af en virkelig proces eller et system ved hjælp af en model, ofte en computermodel, inden for kunstig intelligens. - [skalar](https://aiord.dk/ord/skalar): En skalar er et enkelt reelt tal, der bruges som størrelse, værdi eller parameter i lineær algebra og maskinlæring. - [skalar multiplikation](https://aiord.dk/ord/skalar-multiplikation): Multiplikation af en skalær (et enkelt tal) med en vektor eller matrix, hvor hvert element i vektoren/matricen ganges med skalarren. - [skalarfelt](https://aiord.dk/ord/skalarfelt): Et skalarfelt er en funktion, der til hvert punkt i et rum knytter en enkelt skalarværdi. - [skaleringslov-koefficienter](https://aiord.dk/ord/skaleringslov-koefficienter): Eksponentielle parametre i skaleringslove, der beskriver, hvordan modelfejl (loss) aftager med stigende modelstørrelse, datamængde eller træningsberegning. - [soft target](https://aiord.dk/ord/soft-target): En målværdi i form af en sandsynlighedsfordeling over klasser, typisk genereret af en lærermodel, i modsætning til en hård etiket. - [softmax-funktion](https://aiord.dk/ord/softmax-funktion): Den normaliserede eksponentialfunktion der omdanner en vektor af reelle tal til en sandsynlighedsfordeling. - [softmax-temperature](https://aiord.dk/ord/softmax-temperature): En temperaturparameter, der skalerer logitterne inden softmax-aktiveringen for at kontrollere fordelingens 'skarphed'. - [softwareagent](https://aiord.dk/ord/softwareagent): En autonom softwareenhed, der opfatter sit miljø, træffer beslutninger og udfører handlinger for at nå specifikke mål. - [sort boks](https://aiord.dk/ord/sort-boks): En sort boks er et AI-system, hvis interne logik og beslutningsproces ikke er synlig eller forståelig for en udenforstående. - [sort boks model](https://aiord.dk/ord/sort-boks-model): En model, hvis interne beregninger og beslutningsproces ikke er direkte observerbare eller forståelige for mennesker. - [SOTA](https://aiord.dk/ord/sota): SOTA står for state-of-the-art og refererer til den bedste opnåede præstation inden for en given opgave. - [sparse reward](https://aiord.dk/ord/sparse-reward): Sparse reward (sparsom belønning) betegner i forstærkningslæring en situation, hvor agenten kun modtager et belønningssignal sjældent, typisk først efter at have fuldført en hel opgave. - [sparsomhed](https://aiord.dk/ord/sparsomhed): Egenskaben ved at have mange nullelementer eller ubenyttede parametre i en vektor, matrix eller model. - [special-token](https://aiord.dk/ord/special-token): Et særligt token, som modellen bruger til at markere begyndelse, slutning eller særlige kontekster i en sekvens. - [Standardnormalfordeling](https://aiord.dk/ord/standardnormalfordeling): Standardnormalfordelingen er en normalfordeling med middelværdi 0 og varians (eller standardafvigelse) 1. - [state](https://aiord.dk/ord/state): En intern repræsentation, som en model vedligeholder og opdaterer for at opsummere tidligere informationer i en sekvens eller beslutningsproces. - [state of the art](https://aiord.dk/ord/state-of-the-art): Det højeste præstationsniveau, der på et givet tidspunkt er opnået af et system på en specifik opgave eller benchmark. - [state-of-the-art model](https://aiord.dk/ord/state-of-the-art-model): En state-of-the-art model er den bedst præsterende model inden for et givet domæne på et bestemt tidspunkt. - [stokastisk vektor](https://aiord.dk/ord/stokastisk-vektor): En stokastisk vektor er en vektor med ikke-negative elementer, der summerer til 1, og som repræsenterer en sandsynlighedsfordeling over et endeligt antal hændelser. - [Superalignment](https://aiord.dk/ord/superalignment): Superalignment betegner problemet med at sikre, at kunstig intelligens, der overgår menneskelig intelligens, handler i overensstemmelse med menneskelige værdier og intentioner. - [symbol grounding](https://aiord.dk/ord/symbol-grounding): Symbol grounding er problemet med at knytte abstrakte symboler til konkrete, meningsfulde referenter i den virkelige verden. - [symbol grounding problem](https://aiord.dk/ord/symbol-grounding-problem): Problemet med at knytte symbolske repræsentationer til den virkelighed, de skal referere til, så de får betydning. - [symboljordforbindelse](https://aiord.dk/ord/symboljordforbindelse): Problemstillingen om, hvordan symboler i kunstig intelligens tillægges betydning ved at blive knyttet til virkelige objekter eller fænomener. - [syntetisk datasæt](https://aiord.dk/ord/syntetisk-datasaet): Syntetisk datasæt er et datasæt, der er kunstigt genereret frem for indsamlet fra virkelige hændelser, ofte brugt til træning af AI-modeller når reelle data er knappe, følsomme eller dyre. - [syntetiske data](https://aiord.dk/ord/syntetiske-data): Syntetiske data er kunstigt genererede data, der efterligner virkelige data, og som anvendes til at træne AI-modeller, når reelle data er knappe, følsomme eller skæve. - [Synthetic data](https://aiord.dk/ord/synthetic-data): Kunstigt genererede data, der efterligner egenskaberne ved virkelige data, skabt via algoritmer eller simulationer. - [tabsfunktion](https://aiord.dk/ord/tabsfunktion): En funktion i AI-systemer, der giver brugeren mulighed for at skifte mellem forskellige visningsområder eller samtaler. - [tæthedsfunktion](https://aiord.dk/ord/taethedsfunktion): En tæthedsfunktion er en funktion, der beskriver sandsynlighedstætheden af en kontinuert stokastisk variabel i et givet punkt. - [tanh](https://aiord.dk/ord/tanh): Den hyperbolske tangens (tanh) er en matematisk funktion, der som aktiveringsfunktion i neurale netværk mapper inputværdier til intervallet (-1,1). - [target domain](https://aiord.dk/ord/target-domain): Det domæne, som en model skal anvendes på, typisk efter at være trænet på et kildedomæne. - [target task](https://aiord.dk/ord/target-task): Den specifikke opgave, som en model er trænet eller finjusteret til at løse. - [task planning](https://aiord.dk/ord/task-planning): Planlægning af en sekvens af handlinger for at opnå et specifikt mål. - [teacher model](https://aiord.dk/ord/teacher-model): En stor, prætrænet model der bruges som vejleder i videnoverførsel (knowledge distillation) til at træne en mindre 'elevmodel'. - [temperaturparameter](https://aiord.dk/ord/temperaturparameter): En parameter, der styrer fordelingens 'skarphed' i softmax-funktionen, så en høj temperatur giver mere tilfældige outputs og en lav temperatur giver mere deterministiske outputs. - [Tensor](https://aiord.dk/ord/tensor): En tensor er en matematisk struktur, der generaliserer skalarer, vektorer og matricer til et vilkårligt antal dimensioner, og som er den grundlæggende datatype i maskinlæringsbiblioteker som TensorFlow og PyTorch. - [tensor core-accelereret](https://aiord.dk/ord/tensor-core-accelereret): Betegnelse for beregninger, typisk matrixmultiplikationer, der udføres ved hjælp af specialiserede tensor cores i GPU'er for at opnå højere gennemstrømning og energieffektivitet. - [tensorprodukt](https://aiord.dk/ord/tensorprodukt): En matematisk operation, der kombinerer to tensorer til en ny tensor med højere rang, defineret som ydre produkt generaliseret til flerdimensionale arrays. - [testdatasæt](https://aiord.dk/ord/test-dataset): Et testdatasæt er en samling data, der bruges til at evaluere en maskinlæringsmodel efter træning, for at vurdere dens generaliseringsevne på nye, usete data. - [test sæt](https://aiord.dk/ord/test-saet): Del af et datasæt der holdes adskilt fra træning og validering, og kun bruges til at evaluere modellens endelige ydeevne efter al træning. - [test sæt](https://aiord.dk/ord/test-set): Et test sæt er en delmængde af data, der anvendes til at evaluere en maskinlæringsmodels ydeevne efter træning. - [testdatasæt](https://aiord.dk/ord/testdatasaet): Et testdatasæt er en mængde data, der bruges til at evaluere en trænet models ydeevne på hidtil usete data. - [tilstandsværdifunktion](https://aiord.dk/ord/tilstandsvaerdi-funktion): Funktion der angiver den forventede kumulative belønning fra en given tilstand under en given politik. - [Token](https://aiord.dk/ord/token): En token er den mindste enhed af tekst, som en sprogmodel behandler, typisk et ord, en underdel af et ord eller et tegn. - [Token-grænse](https://aiord.dk/ord/token-graense): Maksimalt antal tokens en sprogmodel kan behandle i én forespørgsel eller session. - [token-grænseoverskridelse](https://aiord.dk/ord/token-graenseoverskridelse): Situation hvor en tokenisation af en tekst resulterer i at en meningsfuld enhed deles på tværs af to segmenter, fx i forbindelse med vinduesbaseret behandling af lange dokumenter. - [token-id](https://aiord.dk/ord/token-id): En numerisk identifikator, der entydigt repræsenterer et token i en models ordforråd. - [TPU-pod](https://aiord.dk/ord/tpu-pod): En TPU-pod er en samling af Tensor Processing Units (TPU'er), der er forbundet via et højhastighedsnetværk til stor-skala parallel databehandling og træning af maskinlæringsmodeller. - [træningsdata](https://aiord.dk/ord/traeningsdata): Data der bruges til at træne en maskinlæringsmodel, så den lærer mønstre og sammenhænge. - [træningsdatasæt](https://aiord.dk/ord/traeningsdatasaet): Et træningsdatasæt er en samling af data, der bruges til at træne en maskinlæringsmodel ved at justere dens parametre. - [træningsegenskaber](https://aiord.dk/ord/traeningsegenskaber): Træningsegenskaber er de konfigurerbare parametre og indstillinger, der styrer en maskinlæringsmodel under træning, såsom learning rate, batch size og antal epoker. - [træningssæt](https://aiord.dk/ord/traeningssaet): Et træningssæt er en samling af dataeksempler, der bruges til at træne en maskinlæringsmodel. - [træning](https://aiord.dk/ord/training): Processen hvor en maskinlæringsmodel optimerer sine parametre ved at lære fra data gennem gentagne iterationer. - [transparens](https://aiord.dk/ord/transparens): Transparens i AI refererer til graden, hvor et AI-systems funktion, beslutningsprocesser og data er åbne, forståelige og forklarbare for interessenter. - [transparensrapport](https://aiord.dk/ord/transparensrapport): En transparensrapport er et dokument, hvor en organisation offentliggør detaljerede oplysninger om sin brug af kunstig intelligens, herunder datasæt, modelarkitektur, biasvurderinger og etiske retningslinjer. - [Underfitting](https://aiord.dk/ord/underfitting): Underfitting opstår, når en model er for enkel til at fange datasættets underliggende mønstre. - [underrum](https://aiord.dk/ord/underrum): Et underrum er en delmængde af et vektorrum, der selv er et vektorrum under de samme operationer. - [unlabeled data](https://aiord.dk/ord/unlabeled-data): Data uden tilhørende etiketter eller annotations. - [Unsupervised learning](https://aiord.dk/ord/unsupervised-learning): En maskinlæringstype, hvor modellen lærer mønstre udelukkende fra ustrukturerede data uden foruddefinerede etiketter eller målvariable. - [vægt](https://aiord.dk/ord/vaegt): En vægt er en lærbar parameter i et neuralt netværk, der multipliceres med input for at beregne output, og som justeres under træning. - [vægtmatrix](https://aiord.dk/ord/vaegtmatrix): En matrix af justerbare parametre i et neuralt netværk, der transformerer input til output ved lineær transformation. - [værdialignment](https://aiord.dk/ord/vaerdialignment): Værdialignment betegner problemstillingen med at sikre, at kunstig intelligens handler i overensstemmelse med menneskelige værdier og intentioner. - [value alignment](https://aiord.dk/ord/value-alignment): Problemstillingen med at designe kunstig intelligens, så dens mål og handlinger konsekvent stemmer overens med menneskelige værdier og intentioner. - [value function](https://aiord.dk/ord/value-function): En funktion, der estimerer den forventede fremtidige belønning (afkast) for en given tilstand (eller tilstand-handling-par) under en bestemt politik. - [vanishing gradient](https://aiord.dk/ord/vanishing-gradient): Fænomenet hvor gradienter (afledte) bliver eksponentielt mindre, når de backpropageres gennem mange lag i et dybt neuralt netværk, hvilket gør træning af tidlige lag ineffektiv. - [vanishing gradient problem](https://aiord.dk/ord/vanishing-gradient-problem): Problem i træning af dybe neurale netværk, hvor gradienterne af tabsfunktionen bliver eksponentielt mindre, når de bakker tilbage gennem lagene, hvilket forhindrer vægtopdateringer i de tidlige lag. - [variance](https://aiord.dk/ord/variance): Varians er et mål for, hvor meget en stokastisk variabel spreder sig omkring sin middelværdi; i machine learning refererer det til modellens følsomhed over for små ændringer i træningsdata. - [Vector](https://aiord.dk/ord/vector): En vektor er en ordnet liste af tal, der repræsenterer et punkt i et flerdimensionalt rum, og som bruges til at beskrive data, funktioner eller modellens interne tilstande i AI. - [vektor](https://aiord.dk/ord/vektor): En vektor er en ordnet liste af tal, der repræsenterer et punkt i et flerdimensionalt rum, ofte brugt til at repræsentere data som ord eller billeder i AI. - [vektorrepræsentation](https://aiord.dk/ord/vektorrepraesentation): En numerisk fremstilling af data som en vektor i et flerdimensionelt rum, hvor lighed afspejles i geometriske afstande. - [vektorrepræsentationslæring](https://aiord.dk/ord/vektorrepraesentationslaering): Læring af en transformation, der kortlægger rådata til en kompakt, meningsfuld vektorrepræsentation, som bevarer relevante strukturer og relationer. - [vektorrepræsentationsrum](https://aiord.dk/ord/vektorrepraesentationsrum): Et matematisk rum, hvor hvert element (fx et ord eller en sætning) er repræsenteret som en vektor, således at semantiske relationer afspejles i geometriske afstande og retninger. - [vektorrum](https://aiord.dk/ord/vektorrum): Et vektorrum er en matematisk struktur bestående af en mængde vektorer, der kan adderes og multipliceres med skalarer under bestemte aksiomer. - [Weight](https://aiord.dk/ord/weight): En parameter i et neuralt netværk, der justeres under træning for at minimere tabsfunktionen og bestemmer styrken af forbindelsen mellem neuroner. - [working memory](https://aiord.dk/ord/working-memory): Working memory er en mekanisme i neurale netværk og sprogmodeller, der midlertidigt lagrer og manipulerer information under behandling af en opgave. - [World model](https://aiord.dk/ord/world-model): En intern repræsentation af omgivelserne, som en AI-agent bruger til at forudsige fremtidige tilstande og planlægge handlinger. - [world model agent](https://aiord.dk/ord/world-model-agent): En AI-agent der konstruerer og anvender en intern model af omverdenen til at forudsige fremtidige tilstande og planlægge handlinger. - [XAI](https://aiord.dk/ord/xai): XAI (Explainable Artificial Intelligence) betegner metoder og teknikker der gør AI-systemers beslutninger og output forståelige og fortolkbare for mennesker. - [XAI](https://aiord.dk/ord/xai-explainable-ai): XAI betegner metoder og teknikker, der gør det muligt for mennesker at forstå og fortolke, hvordan AI-systemer træffer beslutninger. - [zero-shot classifier](https://aiord.dk/ord/zero-shot-classifier): En zero-shot classifier er en klassifikationsmodel, der kan forudsige klasser, som den ikke er blevet eksplicit trænet på, ved at udnytte semantisk information fra en separat repræsentation. ## træning (training) - [Adam](https://aiord.dk/ord/adam): Adam er en adaptiv optimeringsalgoritme, der kombinerer momentum og RMSprop til effektiv træning af neurale netværk. - [Adam-optimizer](https://aiord.dk/ord/adam-optimizer): En adaptiv optimeringsalgoritme, der kombinerer momentum og RMSProp, og som justerer læringsraten for hver parameter baseret på første og andet moment af gradienterne. - [AdamW](https://aiord.dk/ord/adamw): AdamW er en optimeringsalgoritme, der modificerer Adam ved at dekopplere vægtdæmpning (weight decay) fra de adaptive gradientestimater. - [Backpropagation Through Time (BPTT)](https://aiord.dk/ord/backpropagation-through-time): BPTT er en algoritme til at beregne gradienter i tilbagevendende neurale netværk ved at udfolde netværket over tid og anvende almindelig backpropagation. - [batch gradient descent](https://aiord.dk/ord/batch-gradient-descent): Batch gradient descent er en variant af gradient descent, hvor gradienten beregnes over hele træningsdatasættet i én iteration. - [batch size](https://aiord.dk/ord/batch-size): Antallet af træningseksempler, der behandles i én iteration under træning af en model. - [batch-størrelse](https://aiord.dk/ord/batch-stoerrelse): Batch-størrelse er antallet af træningseksempler, der behandles samtidigt i en enkelt iteration under træning af en maskinlæringsmodel. - [BCE](https://aiord.dk/ord/bce): BCE (Binary Cross Entropy) er en tabfunktion til binær klassifikation, der måler forskellen mellem sandsynligheder og sande binære etiketter. - [binær krydsentropi](https://aiord.dk/ord/binaer-krydsentropi): En loss-funktion til binær klassifikation, der måler forskellen mellem forudsagte sandsynligheder og faktiske binære labels. - [Binary cross-entropy](https://aiord.dk/ord/binary-cross-entropy): Binary cross-entropy er en tabsfunktion, der måler forskellen mellem to binære sandsynlighedsfordelinger, typisk anvendt til binær klassifikation. - [binary cross-entropy loss](https://aiord.dk/ord/binary-cross-entropy-loss): En tabfunktion, der måler forskellen mellem sandsynligheder for to klasser i binær klassifikation. - [checkpoint-fil](https://aiord.dk/ord/checkpoint-fil): En checkpoint-fil er en lagret tilstand af en model under træning, der indeholder vægte, optimeringstilstand og metadata. - [checkpoint-frekvens](https://aiord.dk/ord/checkpoint-frekvens): Interval for, hvor ofte en models tilstand gemmes under træning. - [contrastive loss](https://aiord.dk/ord/contrastive-loss): En loss-funktion der minimerer afstanden mellem positive par (lignende datapunkter) og maksimerer afstanden mellem negative par (forskellige datapunkter) i repræsentationsrummet. - [cosine warmup](https://aiord.dk/ord/cosine-warmup): Cosine warmup er en learning rate-schedule, der starter med en lineær stigning (warmup) efterfulgt af en cosinusformet nedgang (cosine decay). - [Cross-entropi](https://aiord.dk/ord/cross-entropy): Cross-entropi er en tabsfunktion, der måler forskellen mellem to sandsynlighedsfordelinger, ofte den sande fordeling og den forudsagte. - [DDPG](https://aiord.dk/ord/ddpg): DDPG er en reinforcement learning-algoritme, der kombinerer en deterministisk policy-gradient-metode med deep learning til kontinuerlige handlingsrum. - [diffusion model training](https://aiord.dk/ord/diffusion-model-training): Træningsprocessen for diffusionsmodeller, hvor modellen lærer at omvende en gradvis støjtilføjelsesproces for at generere data. - [DPO-algoritme](https://aiord.dk/ord/dpo-algoritme): DPO-algoritme er en metode til at justere en sprogmodels præferencer direkte via parrede sammenligninger, uden at træne en separat belønningsmodel. - [DPO-pipeline](https://aiord.dk/ord/dpo-pipeline): En komplet arbejdsgang til at træne en sprogmodel ved hjælp af Direct Preference Optimization, hvor modellen lærer at foretrække menneskelige præferencer uden en separat belønningsmodel. - [Epoch](https://aiord.dk/ord/epoch): En epoch er én gennemgang af hele træningsdatasættet under træning af en maskinlæringsmodel. - [Fortræning](https://aiord.dk/ord/fortraening): Fortræning er den indledende træningsfase, hvor en model lærer generelle repræsentationer fra store mængder umærkede data. - [fortræningstrin](https://aiord.dk/ord/fortraeningstrin): Et fortræningstrin er en fase i maskinlæring, hvor en model trænes på et stort, generelt datasæt for at lære grundlæggende repræsentationer. - [foundation-model-træning](https://aiord.dk/ord/foundation-model-traening): Foundational model træning er den indledende fase, hvor en stor model trænes på massive, ustrukturerede datasæt ved hjælp af selvsuperviserede læringsmetoder. - [gradient clipper](https://aiord.dk/ord/gradient-clipper): En teknik under træning af neurale netværk, hvor gradienter begrænses til en maksimal værdi for at forhindre eksploderende gradienter. - [Gradient clipping](https://aiord.dk/ord/gradient-clipping): En teknik i træning af neurale netværk, der begrænser størrelsen af gradienter under backpropagation for at forhindre eksploderende gradienter. - [gradient clipping threshold](https://aiord.dk/ord/gradient-clipping-threshold): En hyperparameter, der sætter en maksimal grænse for gradienternes størrelse under træning af neurale netværk for at forhindre eksploderende gradienter. - [Gradient descent](https://aiord.dk/ord/gradient-descent): Gradient descent er en iterativ optimeringsalgoritme, der minimerer en funktion ved at opdatere parametre i modsat retning af gradienten af funktionen. - [Gradient descent optimizer](https://aiord.dk/ord/gradient-descent-optimizer): En optimeringsalgoritme der iterativt minimerer en tabsfunktion ved at opdatere modellens parametre i retning af den negative gradient. - [harmlessness training](https://aiord.dk/ord/harmlessness-training): Harmlessness training er en træningsmetode, der reducerer sandsynligheden for, at en sprogmodel genererer skadeligt, giftigt eller farligt indhold. - [hyperparameteroptimering](https://aiord.dk/ord/hyperparameteroptimering): Proces med at finde de optimale hyperparametre for en maskinlæringsmodel for at maksimere dens ydeevne. - [incremental learning](https://aiord.dk/ord/incremental-learning): Incremental learning er en maskinlæringsteknik, hvor en model opdateres løbende med nye data uden at blive genoptrænet fra bunden, samtidig med at den bevarer tidligere erhvervet viden. - [instruktions-fine-tuning-datasæt](https://aiord.dk/ord/instruktions-fine-tuning-datasaet): Et datasæt af (instruktion, output)-par, der bruges til at finjustere en sprogmodel til at følge anvisninger. - [Learning rate](https://aiord.dk/ord/learning-rate): En hyperparameter der styrer størrelsen af trinene mod en minimumsværdi af tabsfunktionen under træning af en model. - [learning rate schedule](https://aiord.dk/ord/learning-rate-schedule): En strategi til dynamisk at justere indlæringshastigheden under træning af en neural model for at forbedre konvergens. - [LightningTrainer](https://aiord.dk/ord/lightning-trainer): LightningTrainer er en central klasse i PyTorch Lightning, der automatiserer trænings-, validerings- og test-loops samt håndterer hardware-acceleration og distribuering. - [linear warmup](https://aiord.dk/ord/linear-warmup): En træningsteknik hvor learning rate lineært øges fra en startværdi til en mållæringrate over et bestemt antal trin. - [LoRA-adapter](https://aiord.dk/ord/lora-adapter): En LoRA-adapter er en metode til parameter-effektiv finjustering af store sprogmodeller, hvor en lille mængde trænbare parametre tilføjes i form af lav-rangs matricer, mens de oprindelige vægte fryses. - [LoRA-opsætningsparameter](https://aiord.dk/ord/lora-opsaetningsparameter): En hyperparameter, der specificeres ved opsætning af LoRA-fintuning, såsom rang (rank), skaleringsfaktor (alpha) og dropout. - [masked language modeling](https://aiord.dk/ord/masked-language-modeling): Masked language modeling er en selvovervåget træningsmetode, hvor en model forudsiger tilfældigt maskerede tokens i en tekst baseret på konteksten. - [mini batch](https://aiord.dk/ord/mini-batch): Mini batch er en delmængde af træningsdata, der bruges til at beregne gradienten og opdatere modelvægtene i én iteration under træning af neurale netværk. - [mini-batch gradient descent](https://aiord.dk/ord/mini-batch-gradient-descent): En optimeringsalgoritme, der opdaterer modelparametre ved at beregne gradienten over en lille delmængde (mini-batch) af træningsdataene ad gangen. - [mini-batch SGD](https://aiord.dk/ord/mini-batch-sgd): Mini-batch SGD er en optimeringsalgoritme, der opdaterer modelvægte baseret på en lille delmængde (mini-batch) af træningsdata i stedet for hele datasættet eller enkelte eksempler. - [mini-batch size](https://aiord.dk/ord/mini-batch-size): Mini-batch size er antallet af træningseksempler, der behandles i én iteration under gradientnedstigning. - [modeltræning](https://aiord.dk/ord/modeltraening): Processen med at justere en models parametre, så den minimerer en tabsfunktion på træningsdata. - [næste-sætnings-forudsigelse](https://aiord.dk/ord/naeste-saetnings-forudsigelse): Næste-sætnings-forudsigelse er en træningsopgave, hvor en model lærer at afgøre, om en given sætning følger logisk efter en anden sætning. - [optimizer](https://aiord.dk/ord/optimizer): En optimizer er en algoritme, der opdaterer modelparametre under træning for at minimere tabet. - [parameterfinjustering](https://aiord.dk/ord/parameterfinjustering): Parameterfinjustering er processen, hvor en allerede trænet model tilpasses til en ny, relateret opgave ved at fortsætte træningen med et mindre, opgavespecifikt datasæt, typisk med en lavere læringsrate. - [parameteropdatering](https://aiord.dk/ord/parameteropdatering): Proces hvor modellens vægte justeres for at minimere tabsfunktionen under træning. - [parameteropdateringsalgoritme](https://aiord.dk/ord/parameteropdateringsalgoritme): En algoritme, der opdaterer en models parametre baseret på gradienten af tabsfunktionen for at minimere fejlen. - [parameteropdateringsregel](https://aiord.dk/ord/parameteropdateringsregel): Reglen der specificerer, hvordan en models parametre justeres baseret på gradienten af tabfunktionen under træning. - [perceptron rule](https://aiord.dk/ord/perceptron-rule): En læringsalgoritme for perceptroner, der justerer vægte kun ved fejlklassifikation. - [præ-træning](https://aiord.dk/ord/prae-traening): Præ-træning er den indledende fase i træningen af en maskinlæringsmodel, hvor modellen lærer fra et stort, generelt datasæt før den finjusteres til specifikke opgaver. - [pre-training](https://aiord.dk/ord/pre-training): Processen, hvor en model trænes på en stor generel datasæt for at lære grundlæggende repræsentationer, før den finjusteres til en specifik opgave. - [pretext-task loss](https://aiord.dk/ord/pretext-task-loss): Pretext-task loss er tabsfunktionen, der optimeres under et forløbentræningsformål (pretext task) i selvovervåget læring for at lære repræsentationer fra umærkede data. - [proximal policy optimization](https://aiord.dk/ord/proximal-policy-optimization): En policy-gradient-algoritme der stabiliserer træning ved at begrænse opdateringernes størrelse til et lille område omkring den nuværende policy. - [QLoRA-finjustering](https://aiord.dk/ord/qloera-finjustering): QLoRA-finjustering er en metode til at finjustere store sprogmodeller ved at kombinere kvantisering (4-bit) med lav-rank adaptation (LoRA) for at reducere hukommelsesforbrug og beregningsomkostninger. - [resume training](https://aiord.dk/ord/resume-training): Genoptagelse af modeltræning fra et gemt checkpoint i stedet for at starte forfra. - [reward model training](https://aiord.dk/ord/reward-model-training): Træning af en belønningsmodel, der forudsiger menneskelige præferencer og bruges til at styre forstærkningslæring i RLHF. - [RLHF-pipeline](https://aiord.dk/ord/rlhf-pipeline): RLHF-pipeline er en træningsproces i tre trin, der bruger menneskelig feedback til at finjustere en sprogmodel via reinforcement learning. - [Self-paced curriculum learning](https://aiord.dk/ord/self-paced-curriculum-learning): Self-paced curriculum learning er en træningsstrategi, der dynamisk ordner træningseksempler efter sværhedsgrad og gradvist inkluderer sværere eksempler baseret på modellens nuværende præstation. - [Self-supervised learning](https://aiord.dk/ord/self-supervised-learning): Self-supervised learning er en maskinlæringsmetode, hvor modellen lærer repræsentationer fra umærkede data ved at udnytte strukturen i dataene selv til at generere et overvågningssignal. - [SGD](https://aiord.dk/ord/sgd): SGD er en optimeringsalgoritme, der opdaterer modelparametre ved at beregne gradienten af tabsfunktionen på en tilfældig stikprøve (mini-batch) i stedet for hele datasættet. - [SGD med momentum](https://aiord.dk/ord/sgd-med-momentum): Optimeringsteknik der tilføjer en momentumterm til SGD for at accelerere konvergensen og dæmpe oscillationer. - [SGD med Nesterov-momentum](https://aiord.dk/ord/sgd-med-nesterov-momentum): Stokastisk gradient descent med Nesterov-momentum er en optimeringsalgoritme, der anvender et forudsete opdateringstrin for at forbedre konvergenshastigheden. - [SGD with momentum](https://aiord.dk/ord/sgd-with-momentum): En optimeringsalgoritme der tilføjer en hastighedskomponent til SGD for at dæmpe oscillationer og accelerere konvergens. - [softmax-cross-entropy](https://aiord.dk/ord/softmax-cross-entropy): Softmax-cross-entropy er en losses-funktion, der kombinerer softmax-aktivering med cross-entropy-tab for flerklasseklassifikation. - [sprogmodelstræning](https://aiord.dk/ord/sprogmodelstraening): Processen med at optimere en sprogmodels parametre ved hjælp af store tekstmængder, så den kan forudsige eller generere tekst. - [Stokastisk backpropagation](https://aiord.dk/ord/stokastisk-backpropagation): En træningsalgoritme til neurale netværk, hvor gradienterne estimeres via stokastisk udvalgte mini-batches og anvendes til at opdatere vægtene via backpropagation. - [teacher-student training](https://aiord.dk/ord/teacher-student-training): En træningsteknik, hvor en stor, prætrænet model (læreren) overfører sin viden til en mindre model (eleven) ved at guide elevens læring via lærerens outputfordelinger eller logits. - [træning](https://aiord.dk/ord/traening): Træning er processen, hvor en maskinlæringsmodel lærer fra data ved at justere sine parametre for at minimere en tabsfunktion. - [træningsloop](https://aiord.dk/ord/traeningsloop): Den iterative proces, hvor en model gentagne gange præsenteres for data, beregner tab, og opdaterer vægte via backpropagation. - [training strategi](https://aiord.dk/ord/training-strategi): En planlagt tilgang til træning af en maskinlæringsmodel, der omfatter valg af optimeringsalgoritme, læringshastighedsplan, batchstørrelse, regularisering og andre hyperparametre for at opnå bedst mulig ydeevne. - [vægtjustering](https://aiord.dk/ord/vaegtjustering): Vægtjustering er opdateringen af en models parametre baseret på gradienten af tabsfunktionen for at minimere fejl. - [valideringsdatasæt](https://aiord.dk/ord/valideringsdatasaet): Et datasæt der bruges til at evaluere en models præstation under træning uden at påvirke vægtene. - [weight decay coefficient](https://aiord.dk/ord/weight-decay-coefficient): Hyperparameter der bestemmer styrken af weight decay-regularisering under træning af neurale netværk. - [weight decay rate](https://aiord.dk/ord/weight-decay-rate): En hyperparameter der angiver styrken af weight decay, en regulariseringsteknik der tilføjer en straf for store vægte under træning. ## teknik (technique) - [A2C](https://aiord.dk/ord/a2c): A2C er en synkron reinforcement learning-algoritme, der kombinerer en policy (actor) med en værdifunktion (critic) og bruger advantage-estimater til at reducere varians. - [A3C](https://aiord.dk/ord/a3c): En forstærkningslæringsalgoritme, der kombinerer actor-critic med asynkron parallel træning for at stabilisere og fremskynde indlæring. - [abstraktiv resumé-generering](https://aiord.dk/ord/abstraktiv-resume-generering): En NLP-teknik, der genererer et kort resumé af en tekst ved at formulere nye sætninger, ikke blot udvælge eksisterende. - [Active Learning](https://aiord.dk/ord/active-learning): Active learning er en maskinlæringsteknik, hvor algoritmen aktivt vælger de mest informative datapunkter til manuel annotering for at optimere modelpræstation med minimalt antal mærkede data. - [Actor-critic](https://aiord.dk/ord/actor-critic): En familie af reinforcement learning-algoritmer, der kombinerer en policy-baseret aktør (actor) og en værdibaseret kritiker (critic) for at forbedre træningseffektivitet. - [adapter](https://aiord.dk/ord/adapter): Adapter er en parameter-effektiv finjusteringsteknik, hvor små trænbare moduler indsættes i en forudtrænet models lag for at tilpasse den til en ny opgave uden at ændre de originale vægte. - [Adapter-modul](https://aiord.dk/ord/adapter-modul): Et letvægts neuralt netværksmodul, der indsættes mellem lagene i en fortrænet model, så kun adapterne trænes under finjustering, mens resten af modellen fryses. - [adapterbaseret finjustering](https://aiord.dk/ord/adapterbaseret-finjustering): En parameter-effektiv finjusteringsmetode, hvor små neurale moduler (adaptere) indsættes i et prætrænet sprogmodel-lag, og kun disse adaptere opdateres under træning. - [adapterlag](https://aiord.dk/ord/adapterlag): Et adapterlag er et lille neuralt lag, der indsættes i en forudtrænet model og trænes for at tilpasse modellen til en ny opgave, uden at ændre de oprindelige vægte. - [AdapterLayer](https://aiord.dk/ord/adapterlayer): Et lille neuralt netværk med en flaskehals, der indsættes mellem lagene i en fortrænet model, så kun adapterlagets parametre opdateres under finjustering, mens resten af modellen forbliver frossen. - [Adapters](https://aiord.dk/ord/adapters): En parameter-effektiv finjusteringsmetode, hvor små neurale moduler indsættes i en fortrænet model, så kun disse trænes. - [adaptiv learning rate](https://aiord.dk/ord/adaptiv-learning-rate): En teknik i træning af neurale netværk, hvor læringsraten automatisk justeres under træningen for at forbedre konvergens. - [adversarial training](https://aiord.dk/ord/adversarial-training): Adversarial training er en træningsteknik, hvor modellen trænes på både originale og bevidst forstyrrede (adversarial) eksempler for at øge robusthed over for modangreb. - [adversariel domænetilpasning](https://aiord.dk/ord/adversariel-domaenetilpasning): Adversariel domænetilpasning er en teknik inden for transfer learning, der bruger en modstandsdrevet (adversarial) træningsproces til at lære domæne-invariante repræsentationer ved at minimere en klassifikationsfejl på kildedomænet samtidig med at en domæneklassifikator bedrages. - [agent workflow](https://aiord.dk/ord/agent-workflow): En struktureret sekvens af handlinger, hvor autonome AI-agenter samarbejder om at udføre komplekse opgaver. - [agentbaseret modellering](https://aiord.dk/ord/agentbaseret-modellering): Agentbaseret modellering er en simulationsmetode, hvor individuelle agenter med egne regler interagerer og skaber kompleks kollektiv adfærd. - [AI-assisteret kodning](https://aiord.dk/ord/ai-assisteret-kodning): Brug af kunstig intelligens til at generere, foreslå eller fuldføre kildekode. - [AI-moderation](https://aiord.dk/ord/ai-moderation): Anvendelse af kunstig intelligens til automatisk at overvåge og regulere indhold på digitale platforme. - [alignment training](https://aiord.dk/ord/alignment-training): Træning af en AI-model for at sikre, at dens adfærd overholder menneskelige værdier, intentioner og sikkerhedshensyn. - [API query](https://aiord.dk/ord/api-query): En API query er en anmodning sendt til et API-endepunkt for at hente eller manipulere data, typisk brugt til at interagere med sprogmodeller. - [argmax-afkodning](https://aiord.dk/ord/argmax-afkodning): En deterministisk afkodningsstrategi, hvor modellen ved hvert tidsskridt vælger det token med højest sandsynlighed. - [argmax-politik](https://aiord.dk/ord/argmax-politik): En deterministisk politik, der for hver tilstand vælger den handling med højest estimeret værdi. - [artistic style transfer](https://aiord.dk/ord/artistic-style-transfer): Artistic style transfer er en teknik inden for computer vision, hvor en models stil fra et billede (f.eks. et maleri) overføres til indholdet af et andet billede, så resultatet beholder indholdets struktur men får stilens visuelle karakteristika. - [Attention](https://aiord.dk/ord/attention): En mekanisme i neurale netværk der vægter forskellige dele af inputtet forskelligt. - [augmenteringspipeline](https://aiord.dk/ord/augmenteringspipeline): En augmenteringspipeline er en række automatiserede transformationer anvendt på træningsdata for at øge datasættets variation og forbedre modelgeneralisation. - [Autograd](https://aiord.dk/ord/autograd): Autograd er en automatisk differentieringsteknik, der beregner gradienter af en funktion i forhold til dens input ved at opbygge et beregningsgraf og anvende kædereglen. - [automatic differentiation](https://aiord.dk/ord/automatic-differentiation): Automatisk differentiering er en samling teknikker til effektivt at beregne nøjagtige afledede af funktioner defineret af computerprogrammer. - [automatisk opsummering](https://aiord.dk/ord/automatisk-opsummering): Teknik inden for naturlig sprogbehandling, der automatisk producerer en kortfattet version af en længere tekst. - [autoregressiv generation](https://aiord.dk/ord/autoregressiv-generation): En genereringsteknik, hvor hvert nyt token i en sekvens forudsiges baseret på alle tidligere genererede tokens. - [backprop](https://aiord.dk/ord/backprop): Backpropagation er en algoritme, der beregner gradienter af en tabsfunktion med hensyn til netværksvægte ved hjælp af kædereglen, hvilket muliggør gradient descent-optimering. - [Backpropagation](https://aiord.dk/ord/backpropagation): Backpropagation er en algoritme, der beregner gradienten af en tabsfunktion med hensyn til netværkets vægte ved hjælp af kædereglen, hvilket muliggør gradientbaseret optimering i neurale netværk. - [Backpropagation gennem tid](https://aiord.dk/ord/backpropagation-gennem-tid): Backpropagation gennem tid (BPTT) er en algoritme til at beregne gradienter i tilbagevendende neurale netværk ved at udrulle netværket over tid og anvende den almindelige backpropagation på det udrullede netværk. - [Batch inference](https://aiord.dk/ord/batch-inference): Batch inference er processen med at udføre modelinferens på en gruppe af input samples på én gang for at udnytte hardwareparallelisme og øge gennemløb. - [batch inference engine](https://aiord.dk/ord/batch-inference-engine): En batch inference engine er et system, der behandler flere datapunkter samtidigt i en enkelt kørsel af en trænet model. - [batch normalisering](https://aiord.dk/ord/batch-normalisering): Teknik der normaliserer aktiveringer i et neuralt netværk ved at justere deres gennemsnit og varians inden for hver mini-batch under træning. - [batch-normaliseringslag](https://aiord.dk/ord/batch-normaliseringslag): Et batch-normaliseringslag er et lag i et neuralt netværk, der normaliserer aktiveringerne i et mini-batch ved at justere gennemsnit og varians for at stabilisere træningen. - [Batch normalization](https://aiord.dk/ord/batch-normalization): Batch normalization er en teknik, der normaliserer outputtet fra et lag i et neuralt netværk ved at trække batch-middelværdien og dividere med batch-standardafvigelsen for at reducere intern kovariateskift. - [Bayesiansk inferens](https://aiord.dk/ord/bayesiansk-inferens): Bayesiansk inferens er en statistisk metode, der opdaterer sandsynligheden for en hypotese baseret på ny evidens ved hjælp af Bayes' sætning. - [Beam search](https://aiord.dk/ord/beam-search): Beam search er en heuristisk søgealgoritme, der til hvert tidstrin holder styr på de k mest sandsynlige sekvenser (stråler) for at generere outputtekst i sekvens-til-sekvens-modeller. - [beam search decoding](https://aiord.dk/ord/beam-search-decoding): Beam search er en afkodningsstrategi, der til hvert tidspunkt holder styr på de k mest sandsynlige sekvenser (beams) og udvælger den endelige sekvens med højest samlet sandsynlighed. - [beam width](https://aiord.dk/ord/beam-width): Beam width er en hyperparameter i beam search, der bestemmer antallet af mest sandsynlige sekvenser, der bevares ved hvert dekodningstrin. - [benchmark-test](https://aiord.dk/ord/benchmark-test): En standardiseret test eller evalueringsprocedure, der anvendes til at sammenligne ydeevnen af forskellige AI-modeller eller algoritmer. - [benchmarking](https://aiord.dk/ord/benchmarking): Benchmarking er den systematiske proces med at evaluere og sammenligne en AI-models ydeevne på standardiserede testdatasæt og opgaver. - [beskæring](https://aiord.dk/ord/beskaering): Teknik til at reducere størrelsen af en model ved at fjerne overflødige parametre eller forgreninger. - [beskæringsrate](https://aiord.dk/ord/beskaeringsrate): Den andel af parametre eller forbindelser i et neuralt netværk der fjernes under beskarring for at reducere modelstørrelse uden væsentligt tab af nøjagtighed. - [bias-detektion](https://aiord.dk/ord/bias-detektion): Bias-detektion er processen med at identificere systematiske fejl eller skævheder i en AI-models output, som kan føre til uretfærdig eller diskriminerende behandling. - [bias-detektionsmetode](https://aiord.dk/ord/bias-detektionsmetode): En teknik eller metode til at identificere systematisk skævhed eller unfairness i en AI-models output eller træningsdata. - [bias-mitigation](https://aiord.dk/ord/bias-mitigation): Bias-mitigation er en samling af teknikker, der anvendes til at identificere, måle og reducere systematiske skævheder i AI-modellers data, træning eller beslutninger. - [bias-mitigationsstrategi](https://aiord.dk/ord/bias-mitigationsstrategi): En bias-mitigationsstrategi er en systematisk metode til at reducere eller eliminere bias i AI-modellers data, træning eller output. - [bias-mitigationsteknik](https://aiord.dk/ord/bias-mitigationsteknik): Teknikker til at reducere eller eliminere skævheder i kunstig intelligens, typisk opdelt i præ-processing, in-processing og post-processing metoder. - [bias testing](https://aiord.dk/ord/bias-testing): Bias testing er en systematisk evaluering af en AI-models output for at identificere og måle skævheder baseret på følsomme attributter som køn, race eller alder. - [billedgeneration](https://aiord.dk/ord/billedgeneration): Billedgeneration er processen med at skabe nye billeder fra en given beskrivelse eller betingelse ved hjælp af en AI-model. - [billedklassifikationsalgoritme](https://aiord.dk/ord/billedklassifikationsalgoritme): En algoritme der automatisk tildeler en foruddefineret klasse-etiket til et inputbillede baseret på dets visuelle indhold. - [black-box adversarial attack](https://aiord.dk/ord/black-box-adversarial-attack): Et black-box adversarial attack er et angreb på en maskinlæringsmodel, hvor angriberen kun har adgang til modellens input-output-adfærd og ikke kender modellens arkitektur, parametre eller træningsdata. - [BPE-segmentering](https://aiord.dk/ord/bpe-segmentering): BPE-segmentering er en datakomprimeringstilpasset metode til deling af ord i underord-enheder baseret på hyppigste tegnpar. - [BPE-token](https://aiord.dk/ord/bpe-token): En BPE-token er en enhed af tekst genereret af Byte Pair Encoding, en subord-tokeniseringsalgoritme, der opdeler ord i hyppigt forekommende underenheder. - [BPE-tokenisering](https://aiord.dk/ord/bpe-tokenisering): BPE-tokenisering er en subword-tokeniseringsalgoritme, der iterativt fusionerer de hyppigste tegnpar til et nyt token. - [BPE-tokenizer](https://aiord.dk/ord/bpe-tokenizer): En tokeniseringsteknik, der anvender Byte Pair Encoding til at opdele tekst i underordsenheder (subwords) ved iterativt at flette de hyppigste tegnpar. - [BPE-vokabularium](https://aiord.dk/ord/bpe-vokabularium): Et vokabularium af subword-tokens, genereret ved Byte Pair Encoding-algoritmen. - [Byte Pair Encoding](https://aiord.dk/ord/byte-pair-encoding): Byte Pair Encoding (BPE) er en subord-tokeniseringsalgoritme, der opdeler ord i hyppige underenheder (subwords) ved iterativt at flette de hyppigste tegnpar. - [CAI](https://aiord.dk/ord/cai): Constitutional AI (CAI) er en metode til at justere sprogmodellers adfærd ved hjælp af et sæt skrevne principper (en 'forfatning'), som modellen trænes til at følge. - [CAI-justering](https://aiord.dk/ord/cai-justering): Proces med at tilpasse en konversationel AI's adfærd til menneskelige forventninger, sikkerhedsretningslinjer eller specifikke opgaver. - [CBOW](https://aiord.dk/ord/cbow): CBOW er en neural netværksarkitektur til at lære ordindlejringer ved at forudsige et målord ud fra dets kontekst. - [Chain-of-thought](https://aiord.dk/ord/chain-of-thought): En prompting-teknik, hvor modellen opfordres til at generere en ræsonnerende tankekæde trin for trin, før den giver et endeligt svar. - [chain-of-thought-pattern](https://aiord.dk/ord/chain-of-thought-pattern): En prompting-teknik, hvor modellen opfordres til at generere en række mellemliggende ræsonnementstrin, før den afgiver det endelige svar. - [Chain-of-thought-prompting](https://aiord.dk/ord/chain-of-thought-prompting): En prompting-teknik hvor modellen opfordres til at generere mellemliggende ræsonnementstrin før det endelige svar for at forbedre nøjagtighed på komplekse opgaver. - [chat completion](https://aiord.dk/ord/chat-completion): Chat completion er en metode, hvor en sprogmodel genererer et svar baseret på en sekvens af beskeder i en samtale. - [chat completion endpoint](https://aiord.dk/ord/chat-completion-endpoint): En API-endpoint, der accepterer en liste af beskeder og returnerer et modelgenereret svar. - [Checkpoint](https://aiord.dk/ord/checkpoint): En gemt kopi af en models vægte og træningstilstand på et bestemt tidspunkt under træning. - [checkpointing](https://aiord.dk/ord/checkpointing): Checkpointing er teknikken at gemme en models vægte og optimerertilstand på bestemte tidspunkter under træning, så træningen kan genoptages fra det punkt. - [chunk-overlap](https://aiord.dk/ord/chunk-overlap): Chunk-overlap er den mængde af tegn eller tokens, der deles mellem to på hinanden følgende tekstbidder ved opdeling af et dokument. - [chunk-overlap-strategi](https://aiord.dk/ord/chunk-overlap-strategi): En teknik hvor dokumentchunks overlapper for at bevare kontekst ved splitpunkter. - [chunk-størrelse](https://aiord.dk/ord/chunk-stoerrelse): Antallet af tokens eller tegn pr. segment ved opdeling af et dokument til brug i retrieval-augmented generation. - [chunk-størrelsesparameter](https://aiord.dk/ord/chunk-stoerrelsesparameter): Parameter der bestemmer den maksimale størrelse af tekststykker (chunks) ved opdeling af dokumenter i forbindelse med indeksering. - [chunk-størrelsesstrategi](https://aiord.dk/ord/chunk-storrelsesstrategi): Strategi til valg af størrelsen på de segmenter (chunks), som et dokument opdeles i før indeksering i en RAG-pipeline, med afvejning mellem informationsmængde og præcision. - [Chunking](https://aiord.dk/ord/chunking): Opdeling af tekst i mindre enheder (chunks) for at optimere indeksering, søgning og indlejring i sprogmodeller. - [chunking-strategi](https://aiord.dk/ord/chunking-strategi): En metode til at opdele en tekst i mindre, semantisk eller strukturelt afgrænsede enheder (chunks) for at forbedre informationsgenfinding og behandling i RAG-systemer og sprogmodeller. - [classification](https://aiord.dk/ord/classification): Classification er en overvåget læringsopgave, hvor modellen forudsiger en kategorisk etiket for en input baseret på trænede klasser. - [clustering](https://aiord.dk/ord/clustering): Clusteranalyse er en uovervåget læringsmetode, der grupperer datapunkter i klynger baseret på lighed. - [conditional computation](https://aiord.dk/ord/conditional-computation): Conditional computation er en teknik i neurale netværk, hvor kun en delmængde af modellens parametre aktiveres baseret på input, hvilket reducerer beregningsomkostningerne. - [conditional image generation](https://aiord.dk/ord/conditional-image-generation): En generativ model der producerer billeder betinget af en given input, såsom en tekstbeskrivelse eller et klasseetikette. - [conditional routing](https://aiord.dk/ord/conditional-routing): En teknik, hvor en models eller systems beslutnings-flow dynamisk dirigeres til forskellige behandlingsveje baseret på input-specifikke betingelser. - [confusion matrix heatmap](https://aiord.dk/ord/confusion-matrix-heatmap): En confusion matrix heatmap er en grafisk repræsentation af en forvirringsmatrix, hvor celleværdier farvekodes for at visualisere klassifikationsydelse. - [Constitutional AI](https://aiord.dk/ord/constitutional-ai): Constitutional AI er en metode til AI-sikkerhed og -alignment, hvor en model trænes ved hjælp af et sæt skrevne principper (en 'forfatning') til at styre sin adfærd gennem selvforbedring og feedback. - [content moderation](https://aiord.dk/ord/content-moderation): Processen med at overvåge, filtrere og håndtere brugergenereret indhold for at sikre overholdelse af retningslinjer og love. - [context cache](https://aiord.dk/ord/context-cache): En teknik, der gemmer mellemliggende repræsentationer (KV-cache) af tidligere behandlede tokens for at undgå genberegning under inferens af sprogmodeller. - [Context caching](https://aiord.dk/ord/context-caching): Teknik til at gemme og genbruge tidligere beregnede repræsentationer af en kontekst for at reducere latens og beregningsomkostninger. - [Context engineering](https://aiord.dk/ord/context-engineering): Context engineering er den systematiske praksis at designe, strukturere og optimere den kontekst, der præsenteres for en sprogmodel for at styre dens output og opførsel. - [context window extension](https://aiord.dk/ord/context-window-extension): Teknikker til at udvide den maksimale kontekstlængde en sprogmodel kan bearbejde i én fremadrettet passage. - [context window truncation](https://aiord.dk/ord/context-window-truncation): Teknik til at forkorte en inputsekvens til den maksimale kontekststørrelse, som en sprogmodel kan håndtere, ved at fjerne dele af teksten. - [contrastive learning](https://aiord.dk/ord/contrastive-learning): En selvovervåget læringsmetode, hvor en model lærer repræsentationer ved at trække lignende eksempler tættere sammen og skubbe forskellige eksempler fra hinanden. - [contrastive learning objective](https://aiord.dk/ord/contrastive-learning-objective): En træningsmetode hvor en model lærer at skelne mellem lignende og forskellige datapunkter ved at maksimere ligheden mellem positive par og minimere ligheden mellem negative par. - [convolution](https://aiord.dk/ord/convolution): En matematisk operation, der anvender et filter (kernel) på inputdata for at detektere mønstre, og som udgør den grundlæggende byggesten i konvolutionelle neurale netværk. - [cosine annealing](https://aiord.dk/ord/cosine-annealing): En læringsrate-planlægningsteknik, der reducerer læringsraten efter en cosinusfunktion over et eller flere cyklusser. - [cross-modal learning](https://aiord.dk/ord/cross-modal-learning): Læring på tværs af forskellige datatyper som tekst, billede og lyd. - [cross-modal retrieval](https://aiord.dk/ord/cross-modal-retrieval): Teknik til at søge og matche data på tværs af forskellige modaliteter, fx tekst og billede. - [cross validation](https://aiord.dk/ord/cross-validation): En teknik til at evaluere en models præstation ved at opdele data i flere undergrupper, træne på nogle og teste på resten, gentagne gange. - [Curriculum learning](https://aiord.dk/ord/curriculum-learning): Træningsstrategi hvor data præsenteres i en stigende sværhedsgrad for at forbedre læring og konvergens. - [Curriculum scheduler](https://aiord.dk/ord/curriculum-scheduler): En strategi under træning, der bestemmer rækkefølgen og tempoet for præsentationen af træningseksempler, typisk fra let til svært. - [cyklus-konsistensstab](https://aiord.dk/ord/cyklus-konsistensstab): Tab, der måler, hvor godt en model bevarer information ved transformation frem og tilbage mellem domæner. - [Data augmentation](https://aiord.dk/ord/data-augmentation): Teknik til at øge mængden af træningsdata ved at anvende transformationer på eksisterende data. - [Data Distillation](https://aiord.dk/ord/data-distillation): Teknik til at overføre viden fra en stor model eller et stort datasæt til en mindre, mere effektiv model eller et komprimeret datasæt. - [data-drift-detektion](https://aiord.dk/ord/data-drift-detektion): Data-drift-detektion er processen med at overvåge og identificere ændringer i inputdatafordelingen over tid for at opdage, når en model modtager data, der afviger fra træningsdataene. - [data-drift-overvågning](https://aiord.dk/ord/data-drift-overvaagning): Data-drift-overvågning er processen med at løbende overvåge og detektere ændringer i fordelingen af inputdata i en maskinlæringsmodel over tid. - [Data labeling](https://aiord.dk/ord/data-labeling): Processen med at tilføje metadata (labels) til rådata for at gøre dem anvendelige til træning af overvågede maskinlæringsmodeller. - [Data Labeling Pipeline](https://aiord.dk/ord/data-labeling-pipeline): En data-labeling-pipeline er en struktureret arbejdsgang til at tildele etiketter til rådata, så de kan bruges til træning af overvågede maskinlæringsmodeller. - [Data parallelism](https://aiord.dk/ord/data-parallelism): Data parallelism er en distribueringsteknik, hvor en model kopieres til flere enheder, og hver enhed trænes på en delmængde af data, mens gradienter synkroniseres. - [Data pipeline](https://aiord.dk/ord/data-pipeline): En datapipeline er en sekvens af databehandlingstrin, der transporterer og transformerer rådata fra kilde til destinationssystem, ofte til brug i maskinlæringsmodeller. - [dataset distillation](https://aiord.dk/ord/dataset-distillation): Dataset distillation er en teknik, hvor man komprimerer et stort datasæt til et lille syntetisk datasæt, der bevarer nok information til at træne en model med sammenlignelig ydeevne. - [DBSCAN](https://aiord.dk/ord/dbscan): DBSCAN er en tæthedsbaseret klyngealgoritme, der grupperer datapunkter baseret på deres nærhed og antallet af naboer, og som kan identificere støj. - [DDIM](https://aiord.dk/ord/ddim): DDIM er en klasse af diffusionsmodeller der muliggør deterministisk og hurtig sampling ved at omgå Markov-kæde-antagelsen. - [deep deterministic policy gradient](https://aiord.dk/ord/deep-deterministic-policy-gradient): Deep Deterministic Policy Gradient (DDPG) er en reinforcement learning-algoritme, der kombinerer Q-learning med en deterministisk politik (policy) i et actor-critic-rammeværk til kontinuerte handlingsrum. - [deep learning](https://aiord.dk/ord/deep-learning): Deep learning er en underkategori af maskinlæring, der anvender neurale netværk med mange lag (dybe arkitekturer) til at lære hierarkiske repræsentationer af data. - [Deep Q-learning](https://aiord.dk/ord/deep-q-learning): Deep Q-learning er en forstærkningslæringsalgoritme, der bruger et dybt neuralt netværk til at tilnærme Q-funktionen, som vurderer kvaliteten af handlinger i en given tilstand. - [deep Q-network](https://aiord.dk/ord/deep-q-network): Deep Q-network (DQN) er en forstærkningslæringsalgoritme, der bruger et dybt neuralt netværk til at approksimere Q-værdifunktionen, så en agent kan lære optimale politikker direkte fra højdimensionelle sensoriske input. - [Deep reinforcement learning](https://aiord.dk/ord/deep-reinforcement-learning): Del af maskinlæring hvor en agent lærer at træffe beslutninger gennem interaktion med et miljø ved hjælp af dybe neurale netværk til at tilnærme værdi- eller politikfunktioner. - [deepfake](https://aiord.dk/ord/deepfake): Deepfake er syntetisk medie (video, billede eller lyd) genereret ved hjælp af deep learning-modeller, typisk ved at bytte eller manipulere ansigter. - [Dense Passage Retrieval](https://aiord.dk/ord/dense-passage-retrieval): En teknik inden for informationssøgning, der repræsenterer tekstpassager som tætte vektorer (embeddings) og finder relevante passager via vektorlighedssøgning. - [dense retrieval](https://aiord.dk/ord/dense-retrieval): Dense retrieval er en metode til informationssøgning, der bruger tætte vektorer (embeddings) til at repræsentere forespørgsler og dokumenter og beregner lighed mellem dem for at finde relevante resultater. - [dense retriever](https://aiord.dk/ord/dense-retriever): En retriever, der bruger tætte vektorrepræsentationer (embedding) til at matche en forespørgsel med relevante dokumenter i et vektorrum. - [depthwise separable convolution](https://aiord.dk/ord/depthwise-separable-convolution): En convolutionsteknik der dekomponerer en standard convolution i en dybdevis convolution efterfulgt af en punktvis convolution, hvilket reducerer antallet af parametre og beregninger. - [diffusion sampling](https://aiord.dk/ord/diffusion-sampling): En metode til at generere nye data ved at reversere en støjtilførselsproces i en diffusionsmodel. - [dimensionalitetsreduktion](https://aiord.dk/ord/dimensionalitetsreduktion): Teknikker til at reducere antallet af variable (dimensioner) i et datasæt, samtidig med at den væsentlige information bevares. - [direct preference optimization](https://aiord.dk/ord/direct-preference-optimization): En metode til at finjustere sprogmodeller ved at optimere direkte på par af foretrukne og ikke-foretrukne svar, uden brug af reinforcement learning. - [Distillation](https://aiord.dk/ord/distillation): En teknik hvor en lille 'student'-model trænes til at efterligne opførselen af en stor 'teacher'-model, typisk ved at minimere en kombination af hard labels og soft labels (logits). - [distillation loss](https://aiord.dk/ord/distillation-loss): Distillation loss er tabsfunktionen i knowledge distillation, der måler forskellen mellem en lærer- og en elevmodels bløde sandsynlighedsfordelinger. - [diversitetsprøvetagning](https://aiord.dk/ord/diversitetsproevetagning): Diversitetsprøvetagning er en prøveudtagningsmetode, der vælger et repræsentativt sæt af data ved at maksimere variationen i egenskaber mellem prøverne. - [Domænetilpasning](https://aiord.dk/ord/domaenetilpasning): Teknik til at tilpasse en maskinlæringsmodel, der er trænet på et kildedomæne, til at fungere godt på et måldomæne med en anden fordeling. - [domænetilpasningsmetode](https://aiord.dk/ord/domaenetilpasningsmetode): En metode til at tilpasse en maskinlæringsmodel trænet på et kildedomæne til at fungere effektivt på et måldomæne med en anden datafordeling. - [domænetilpasningsteknik](https://aiord.dk/ord/domaenetilpasningsteknik): En domænetilpasningsteknik er en metode til at justere en model, der er trænet på et kildedomæne, så den præsterer godt på et andet, men relateret, måldomæne. - [DPO](https://aiord.dk/ord/dpo): DPO er en metode til at tilpasse sprogmodeller ved at optimere direkte på præferencepar uden brug af reinforcement learning. - [DPO-træning](https://aiord.dk/ord/dpo-traening): En træningsmetode, der optimerer en sprogmodel direkte ud fra præferencepar uden behov for et belønningsmodul. - [DPO-træning](https://aiord.dk/ord/dpo-training): DPO-træning er en metode til at finjustere sprogmodeller direkte på præferencedata uden brug af en belønningsmodel. - [draft model](https://aiord.dk/ord/draft-model): En mindre, hurtig sprogmodel der genererer foreløbige tokens som verificeres af en større målmodel for at accelerere inferens. - [Dreamer](https://aiord.dk/ord/dreamer): Dreamer er en modelbaseret forstærkningslæringsalgoritme, der lærer en verdensmodel fra erfaring og bruger den til at planlægge og lære adfærd via forestillede trajektorier. - [DreamerV2](https://aiord.dk/ord/dreamerv2): DreamerV2 er en modelbaseret forstærkningslæringsalgoritme, der lærer en latent verdensmodel via en rekurrent state-space model (RSSM) og optimerer en politik ved at rulle frem i latent rum. - [Dropout](https://aiord.dk/ord/dropout): Dropout er en regulariseringsteknik, hvor tilfældige neuroner midlertidigt fjernes under træning for at mindske overfitting. - [dropout-lag](https://aiord.dk/ord/dropout-lag): Et dropout-lag er et regulariseringslag i et neuralt netværk, der tilfældigt deaktiverer en brøkdel af neuronerne under træning for at forhindre overfitting. - [dropout-rate](https://aiord.dk/ord/dropout-rate): Hyperparameter der angiver sandsynligheden for at en neuron deaktiveres under dropout-regulering. - [Dropout-regularisering](https://aiord.dk/ord/dropout-regularisering): Dropout-regularisering er en teknik under træning af neurale netværk, hvor tilfældigt udvalgte neuroner midlertidigt deaktiveres for at mindske risikoen for overfitting. - [early stopping](https://aiord.dk/ord/early-stopping): Early stopping er en reguleringsteknik, hvor træningen afbrydes, når modellens ydeevne på en valideringsmængde ikke længere forbedres. - [Edge inference](https://aiord.dk/ord/edge-inference): Kørsel af en trænet maskinlæringsmodel på en lokal enhed (fx mobiltelefon eller IoT-enhed) i stedet for i skyen. - [ekstraktiv resumé-generering](https://aiord.dk/ord/ekstraktiv-resume-generering): En automatisk metode til at skabe et resumé af en tekst ved at udvælge de vigtigste sætninger eller sætningsdele direkte fra kildeteksten. - [Elastic Net-regression](https://aiord.dk/ord/elastic-net-regression): Elastic Net-regression er en lineær regressionsmodel, der kombinerer L1- og L2-regulering for at opnå både variabelselektion og håndtering af multikollinearitet. - [Elastic Net-regularisering](https://aiord.dk/ord/elastic-net-regularisering): Elastic Net-regularisering er en kombination af L1- og L2-regulering, der både kan udvælge variable og håndtere multikollinearitet. - [Embedding](https://aiord.dk/ord/embedding): En embedding er en kompakt, tæt vektorrepræsentation af et objekt (fx et ord, en sætning eller et billede) i et kontinuert vektorrum, hvor semantisk lighed svarer til geometrisk nærhed. - [embeddingopslag](https://aiord.dk/ord/embeddingopslag): Embeddingopslag er processen med at slå en embedding op i en vektordatabase eller fra en indlejringstavle i en model. - [epoch-loss curve](https://aiord.dk/ord/epoch-loss-curve): En graf, der viser trænings- og valideringstab som funktion af antallet af epoker under træning af en model. - [epoch-loss plot](https://aiord.dk/ord/epoch-loss-plot): En graf der viser tabet efter hver epoke under træning af en maskinlæringsmodel. - [ETL-pipeline](https://aiord.dk/ord/etl-pipeline): ETL-pipeline er en dataarbejdsproces, der udtrækker data fra kilder, transformerer dem til analyseformål og indlæser dem i et målsystem. - [eval-målingsprotokol](https://aiord.dk/ord/eval-maalingsprotokol): En standardiseret procedure til måling og evaluering af en AI-models ydeevne, typisk omfattende både metrikker og et sæt testdata. - [eval-pipeline](https://aiord.dk/ord/eval-pipeline): En eval-pipeline er en struktureret sekvens af trin til systematisk evaluering af en AI-models ydeevne, typisk indeholdende dataindlæsning, kørsel af inference, beregning af metrikker og rapportering. - [feature engineering](https://aiord.dk/ord/feature-engineering): Feature engineering er processen med at udvælge, transformere og skabe relevante inputvariable (features) fra rådata for at forbedre præstationen af maskinlæringsmodeller. - [feature extraction](https://aiord.dk/ord/feature-extraction): Feature extraction er processen med at omdanne rådata til et sæt meningsfulde attributter (features), der kan bruges til maskinlæring eller mønstergenkendelse. - [feature selection](https://aiord.dk/ord/feature-selection): Proces hvor en delmængde af relevante features (inputvariable) udvælges til brug i en model. - [feature store-pipeline](https://aiord.dk/ord/feature-store-pipeline): En pipeline der automatiserer processen med at oprette, validere og levere features til en feature store. - [few-shot chain-of-thought](https://aiord.dk/ord/few-shot-chain-of-thought): Few-shot chain-of-thought er en prompting-teknik, hvor man giver sprogmodellen nogle få eksempler, der hver især indeholder et ræsonnementstrin, så modellen lærer at ræsonnere før den svarer. - [Few-shot classification](https://aiord.dk/ord/few-shot-classification): En klassifikationsmetode, hvor en model lærer at genkende nye klasser med kun få træningseksempler per klasse. - [few-shot klassifikation](https://aiord.dk/ord/few-shot-klassifikation): En maskinlæringsopgave, hvor en model skal klassificere nye klasser baseret på meget få labeled eksempler (typisk 1-5 per klasse). - [few-shot klassifikator](https://aiord.dk/ord/few-shot-klassifikator): En klassifikator der kan genkende nye klasser efter træning på kun få eksempler per klasse. - [Few-shot learning](https://aiord.dk/ord/few-shot-learning): Few-shot learning er en maskinlæringsparadigme, hvor en model trænes til at generalisere fra et meget lille antal mærkede eksempler per klasse. - [Few-shot object detection](https://aiord.dk/ord/few-shot-object-detection): Teknik inden for computer vision, der gør det muligt at detektere objekter fra nye klasser med kun få annoterede eksemplarer. - [few-shot prompting](https://aiord.dk/ord/few-shot-prompting): Few-shot prompting er en prompting-teknik, hvor brugeren inkluderer et lille antal eksempler (typisk 2-5) i prompten for at guide modellens respons uden at opdatere modelvægtene. - [few-shot regression](https://aiord.dk/ord/few-shot-regression): En maskinlæringsteknik, hvor en model trænes til at forudsige kontinuerte værdier baseret på kun få eksempler. - [FGSM](https://aiord.dk/ord/fgsm): FGSM er et hurtigt gradientbaseret angreb, der genererer adversarial examples ved at tilføje støj i retning af gradientens fortegn. - [Fine-tuning](https://aiord.dk/ord/fine-tuning): Træning af en forudtrænet model på en specifik opgave med et mindre datasæt for at tilpasse modellens vægte. - [finjustering](https://aiord.dk/ord/finjustering): Finjustering er processen med at videreoplære en allerede trænet model på en specifik, ofte mindre, mængde data for at tilpasse den til en bestemt opgave eller domæne. - [forstærkende læring](https://aiord.dk/ord/forstaerkende-laering): Forstærkende læring er en maskinlæringsteknik, hvor en agent lærer at træffe beslutninger ved at interagere med et miljø og modtage belønninger eller straf. - [forstærkningslæring](https://aiord.dk/ord/forstaerkningslaering): En type maskinlæring, hvor en agent lærer at træffe beslutninger ved at interagere med et miljø og modtage belønninger. - [forstærkningslæringsalgoritme](https://aiord.dk/ord/forstaerkningslaeringsalgoritme): En algoritme der træner en agent til at tage handlinger i et miljø for at maksimere en kumulativ belønning. - [fortolkningsteknik](https://aiord.dk/ord/fortolkningsteknik): En metode til at forstå eller forklare, hvordan en AI-model træffer beslutninger. - [fortræningsmål](https://aiord.dk/ord/fortraeningsmal): Et fortræningsmål er den specifikke opgave, en sprogmodel optimeres på under den indledende træning på store mængder umærkede data. - [Forudtræning](https://aiord.dk/ord/forudtraening): Forudtræning er en teknik, hvor en model først trænes på en stor, generel datasæt for at lære bredrepræsentationer, før den finjusteres på en specifik opgave. - [forventningsmaksimering](https://aiord.dk/ord/forventningsmaksimering): Forventningsmaksimering (EM) er en iterativ metode til at finde maksimum likelihood-estimater for parametre i statistiske modeller med latente variable. - [forward-mode AD](https://aiord.dk/ord/forward-mode-automatic-differentiation): En teknik inden for automatisk differentiering, hvor derivater beregnes ved at propagere tangentinformation fremad gennem beregningsgrafen, én uafhængig variabel ad gangen. - [foundation model prompting](https://aiord.dk/ord/foundation-model-prompting): Praksis med at designe input-prompter til at styre fundamentale modellers output. - [fuld fine-tuning](https://aiord.dk/ord/fuld-fine-tuning): En træningsmetode hvor alle parametre i en prætrænet model opdateres under tilpasning til en ny opgave. - [full fine tuning](https://aiord.dk/ord/full-fine-tuning): Full fine tuning er en finjusteringsmetode, hvor samtlige parametre i en prætrænet model opdateres under træning på en specifik opgave. - [function call API](https://aiord.dk/ord/function-call-api): En API, der gør det muligt for en sprogmodel at returnere strukturerede kald til eksterne funktioner i stedet for naturligt sprog. - [Function calling](https://aiord.dk/ord/function-calling): Evnen hos en sprogmodel til at generere strukturerede kald til eksterne funktioner eller API'er baseret på brugerens hensigt. - [funktionskald](https://aiord.dk/ord/funktionskald): Teknik, hvor en sprogmodel kan anmode om at udføre en foruddefineret funktion og integrere resultatet i sit svar. - [generalized zero-shot learning](https://aiord.dk/ord/generalized-zero-shot-learning): Generalized zero-shot learning (GZSL) er en læringsteknik, hvor modellen under testning klassificerer både sete og hidtil usete klasser, i modsætning til traditionel zero-shot learning, der kun tester på usete klasser. - [glidende vindue](https://aiord.dk/ord/glidende-vindue): En teknik, hvor et vindue af fast størrelse glider over en sekvens for at udføre en operation på hvert delafsnit. - [GloVe-embeddings](https://aiord.dk/ord/glove-embeddings): GloVe (Global Vectors for Word Representation) er en teknik til at generere ordindlejringer ved at faktorisere en ord-samtidighedsmatrix baseret på globale tekststatistikker. - [GPU-acceleration](https://aiord.dk/ord/gpu-acceleration): GPU-acceleration er brug af en grafikprocessor (GPU) til at udføre parallelle beregninger hurtigere end en almindelig CPU. - [GPU-accelereret](https://aiord.dk/ord/gpu-accelereret): GPU-accelereret betyder at udnytte en grafikprocessor (GPU) til at udføre beregninger hurtigere end en almindelig CPU, især til parallelle opgaver som træning af neurale netværk. - [gradientnedstigning](https://aiord.dk/ord/gradientnedstigning): Gradientnedstigning er en iterativ optimeringsalgoritme, der minimerer en funktion ved at bevæge sig i modsat retning af gradienten. - [Greedy decoding](https://aiord.dk/ord/greedy-decoding): En sekvensgenereringsstrategi, der ved hvert trin vælger det mest sandsynlige næste token. - [greedy search](https://aiord.dk/ord/greedy-search): Greedy search er en dekodningsstrategi, der ved hvert trin vælger det mest sandsynlige næste token uden at overveje fremtidige konsekvenser. - [grounding pipeline](https://aiord.dk/ord/grounding-pipeline): En grounding-pipeline er et system, der forbinder en sprogmodels output med eksterne datakilder eller sensoriske input for at forankre modellens svar i faktisk viden eller virkeligheden. - [guardrail-layer](https://aiord.dk/ord/guardrail-layer): Et guardrail-layer er en ekstra komponent i en AI-model, der håndhæver sikkerheds- eller adfærdsbegrænsninger ved at filtrere eller ændre modeloutputtet. - [guardrail-stacking](https://aiord.dk/ord/guardrail-stacking): Teknikken at anvende flere lag af sikkerhedsrestriktioner (guardrails) i en AI-pipeline for at øge robusthed og forhindre uønsket output. - [Guardrail Validator](https://aiord.dk/ord/guardrail-validator): En komponent eller system, der kontrollerer AI-output mod foruddefinerede sikkerhedsregler (guardrails) for at forhindre skadeligt eller uhensigtsmæssigt indhold. - [Guardrails](https://aiord.dk/ord/guardrails): Et sæt af regler, filtre eller mekanismer, der forhindrer en AI-model i at producere skadelige, upassende eller uønskede output. - [guardrails-configuration](https://aiord.dk/ord/guardrails-configuration): Guardrails-configuration er opsætningen af regler, begrænsninger og kontrolmekanismer, der sikrer, at en AI-model opfører sig sikkert og etisk forsvarligt. - [Guardrails-framework](https://aiord.dk/ord/guardrails-framework): Et guardrails-framework er et system af regler, validatorer og korrektioner, der anvendes til at styre og begrænse output fra sprogmodeller for at sikre sikkerhed, overholdelse og pålidelighed. - [Guardrails-pipeline](https://aiord.dk/ord/guardrails-pipeline): En Guardrails-pipeline er en sekvens af sikkerhedsforanstaltninger, der validerer, filtrerer og korrigerer input og output i en AI-model for at forhindre uønsket eller skadelig adfærd. - [Hallucination detection](https://aiord.dk/ord/hallucination-detection): Hallucination detection er processen med at identificere eller kvantificere hallucinationer i output fra sprogmodeller. - [He initialization](https://aiord.dk/ord/he-initialization): En metode til at initialisere vægte i neurale netværk, der tager højde for ReLU-aktiveringsfunktionens egenskaber ved at sætte variansen til 2/n_in. - [hierarchical planning](https://aiord.dk/ord/hierarchical-planning): En metode inden for AI, hvor et komplekst problem opdeles i hierarkiske delmål eller delopgaver, som planlægges og løses på forskellige abstraktionsniveauer. - [hierarkisk clustering](https://aiord.dk/ord/hierarkisk-clustering): Hierarkisk clustering er en metode til at gruppere data i et hierarki af klynger, hvor klyngerne indlejres i hinanden i et dendrogram. - [hybrid parallelism](https://aiord.dk/ord/hybrid-parallelism): Hybrid parallelism kombinerer data- og modelparallelisme for at fordele træningen af store neurale netværk på tværs af flere GPU'er eller noder. - [hybrid ranking](https://aiord.dk/ord/hybrid-ranking): Hybrid ranking er en søgeteknik, der kombinerer mindst to forskellige rangeringsmetoder, typisk en leksikalsk (f.eks. BM25) og en semantisk (f.eks. cosine similarity), for at forbedre relevansen af søgeresultater. - [hybrid retrieval-pipeline](https://aiord.dk/ord/hybrid-retrieval-pipeline): En søgepipeline der kombinerer to eller flere forskellige retrieval-metoder — typisk en semantisk (dense) og en leksikalsk (sparse) — for at forbedre kvaliteten af de hentede dokumenter i en RAG-arkitektur. - [hybrid søgning](https://aiord.dk/ord/hybrid-soegning): Hybrid søgning kombinerer nøgleordsbaseret (f.eks. BM25) og vektorbaseret (f.eks. embedding-cosine-lighed) søgning for at forbedre relevans og dækning i informationsgenfinding. - [hybrid søgningsalgoritme](https://aiord.dk/ord/hybrid-soegningsalgoritme): En hybrid søgningsalgoritme kombinerer to eller flere forskellige søgemetoder, typisk leksikalsk (f.eks. BM25) og semantisk (vektor-søgning), for at opnå bedre resultater end hver metode alene. - [hybrid søgningsmodel](https://aiord.dk/ord/hybrid-soegningsmodel): En søgestrategi der kombinerer traditionel søgning baseret på nøgleord (f.eks. BM25) med semantisk søgning baseret på vektorembeddings for at forbedre relevansen af søgeresultater. - [hybrid søgning](https://aiord.dk/ord/hybrid-sogning): Søgemetode der kombinerer leksikalsk søgning (f.eks. BM25) med vektorbaseret semantisk søgning for at forbedre relevans og dækning. - [hybrid søgningsmetode](https://aiord.dk/ord/hybrid-sogningsmetode): En søgningsmetode der kombinerer traditionel nøgleordsbaseret søgning (fx BM25) med semantisk søgning baseret på vektorembeddings for at forbedre relevansen. - [hyperparametersøgning](https://aiord.dk/ord/hyperparametersoegning): En systematisk metode til at finde optimale hyperparametre til en maskinlæringsmodel. - [ikke-superviseret læring](https://aiord.dk/ord/ikke-superviseret-laering): En maskinlæringsmetode, hvor modellen lærer mønstre i data uden brug af forhåndsannoterede labels. - [image augmentation](https://aiord.dk/ord/image-augmentation): Teknik til at øge mangfoldigheden af træningsdata ved at anvende tilfældige, men realistiske transformationer på eksisterende billeder. - [Image classification](https://aiord.dk/ord/image-classification): Billedklassifikation er opgaven at tildele et klassemærke til et inputbillede baseret på dets visuelle indhold. - [Image generation](https://aiord.dk/ord/image-generation): Teknik med kunstig intelligens til at skabe nye billeder baseret på en given betingelse eller tilfældig støj. - [image segmentation](https://aiord.dk/ord/image-segmentation): Teknik der opdeler et digitalt billede i flere segmenter eller regioner for at forenkle analyse. - [image-to-image generation](https://aiord.dk/ord/image-to-image-generation): Billede-til-billede generation er en teknik inden for generativ AI, hvor et inputbillede transformeres til et outputbillede, ofte styret af en tekstprompt eller en målstil. - [implicit bias-afbødning](https://aiord.dk/ord/implicit-bias-afbodning): Implicit bias-afbødning er processen med at reducere utilsigtede skævheder i AI-modellers adfærd, som opstår fra underliggende stereotyper eller skæve træningsdata. - [In-context learning](https://aiord.dk/ord/in-context-learning): In-context learning er en metode, hvor en sprogmodel lærer at udføre en opgave udelukkende ved hjælp af eksempler i prompten, uden at opdatere sine vægte. - [incremental learning algorithm](https://aiord.dk/ord/incremental-learning-algorithm): En type maskinlæringsalgoritme, der opdaterer sin model løbende efterhånden som nye data bliver tilgængelige, uden at skulle genlære hele datasættet. - [indirekte prompt injection](https://aiord.dk/ord/indirekte-prompt-injection): Indirekte prompt injection er en form for prompt injection-angreb, hvor modellen angribes via en sekundær kilde (f.eks. en hjemmeside eller et dokument) i stedet for direkte brugerinput. - [inference acceleration](https://aiord.dk/ord/inference-acceleration): Inference acceleration betegner teknikker og metoder til at reducere beregningstiden og ressourceforbruget ved at anvende en trænet AI-model til inferens. - [inference-mode](https://aiord.dk/ord/inference-mode): I inferens-tilstand kører en model uden træning, kun til at lave forudsigelser. - [inference optimization](https://aiord.dk/ord/inference-optimization): Samling af teknikker til at reducere beregningsomkostningerne og forsinkelsen ved at køre en trænet model, uden at ændre på træningen. - [inference pipeline](https://aiord.dk/ord/inference-pipeline): En inference pipeline er en sekvens af forarbejdningstrin, der anvender en trænet model til at producere forudsigelser fra rå inputdata. - [inferens acceleration](https://aiord.dk/ord/inferens-acceleration): Teknikker til at øge hastigheden af inferens i neurale netværk uden at ændre modelarkitekturen væsentligt. - [Instruction fine-tuning](https://aiord.dk/ord/instruction-fine-tuning): En teknik hvor en prætrænet sprogmodel viderefinjusteres på et datasæt af instruktioner og forventede svar for at forbedre dens evne til at følge instruktioner. - [instruktionsfinjustering](https://aiord.dk/ord/instruktionsfinjustering): Instruktionsfinjustering er en træningsmetode, hvor en fortrænet sprogmodel finjusteres på et datasæt af instruktion-svar-par for at forbedre modellens evne til at følge instruktioner. - [int8 kvantisering](https://aiord.dk/ord/int8-kvantisering): Præcisionsreduktion af modelvægte og aktiveringer til 8-bit heltalsværdier for at opnå lavere hukommelsesforbrug og hurtigere inferens. - [interpolationsmetode](https://aiord.dk/ord/interpolationsmetode): En metode til at estimere værdier mellem kendte datapunkter, ofte anvendt i maskinlæring til at udfylde manglende data eller generere nye repræsentationer. - [interpretabilitetsmetode](https://aiord.dk/ord/interpretabilitetsmetode): En metode til at gøre en maskinlæringsmodel beslutningsproces forståelig for mennesker. - [interpretabilitetsværktøj](https://aiord.dk/ord/interpretabilitetsvaerktoej): Værktøj der bruges til at analysere og visualisere, hvordan en AI-model træffer beslutninger. - [Inverse reinforcement learning](https://aiord.dk/ord/inverse-reinforcement-learning): Inverse reinforcement learning (IRL) er en teknik, hvor en agent lærer en belønningsfunktion ud fra observeret adfærd. - [iterationsbaseret optimering](https://aiord.dk/ord/iterationsbaseret-optimering): En optimeringsmetode der gentagne gange opdaterer parametre baseret på en fejlfunktions gradient for at minimere fejlen. - [iterativ træning](https://aiord.dk/ord/iterativ-traening): Træning af en model gentagne gange i cyklusser, hvor hver iteration forbedrer modellen baseret på tidligere resultater. - [Jailbreak](https://aiord.dk/ord/jailbreak): Teknik til at omgå sikkerhedsforanstaltninger og restriktioner i en sprogmodel for at få den til at producere ellers blokerede outputs. - [jailbreak-angreb](https://aiord.dk/ord/jailbreak-angreb): Et jailbreak-angreb er et forsøg på at omgå en AI-models sikkerhedsforanstaltninger ved hjælp af specialdesignede prompter eller kontekster. - [jailbreak-metode](https://aiord.dk/ord/jailbreak-metode): En metode til at manipulere en sprogmodel til at ignorere dens sikkerhedstræning og generere forbudt eller skadeligt indhold. - [jailbreak-prompt](https://aiord.dk/ord/jailbreak-prompt): En jailbreak-prompt er en specialdesignet prompt, der forsøger at omgå en AI-models sikkerhedsrestriktioner og få den til at generere ellers blokeret indhold. - [jailbreak-teknik](https://aiord.dk/ord/jailbreak-teknik): En metode til at omgå de sikkerhedsforanstaltninger, der er indbygget i en sprogmodel, for at få den til at producere indhold, den normalt ville blokere. - [jax.vmap](https://aiord.dk/ord/jax-vmap): jax.vmap er en funktion i JAX, der automatisk vektoriserer en funktion ved at tilføje en batch-dimension. - [k-fold cross-validation](https://aiord.dk/ord/k-fold-cross-validation): K-fold cross-validation er en valideringsteknik, hvor datasættet opdeles i k lige store dele, og modellen trænes og evalueres k gange, hver gang med en anden del som testdata og resten som træningsdata. - [k-means](https://aiord.dk/ord/k-means): En clustering-algoritme, der deler et datasæt i k grupper ved at minimere den samlede afstand mellem punkterne og deres nærmeste gruppecentrum. - [k-means clustering](https://aiord.dk/ord/k-means-clustering): En iterativ algoritme til at partionere et datasæt i k clusters, hvor hvert punkt tilhører det cluster med nærmeste centroid. - [kausal sprogmodellering](https://aiord.dk/ord/kausal-sprogmodellering): Kausal sprogmodellering er en træningsteknik for sprogmodeller, hvor målet er at forudsige næste token givet alle foregående tokens i en strengt venstre-mod-højre retning. - [kernel-tæthedsestimat](https://aiord.dk/ord/kernel-taethedsestimat): Kernel-tæthedsestimat er en ikke-parametrisk metode til at estimere sandsynlighedstætheden af en tilfældig variabel baseret på en stikprøve. - [Knowledge distillation](https://aiord.dk/ord/knowledge-distillation): En teknik hvor en kompakt 'elevmodel' trænes til at efterligne adfærden fra en større 'lærermodel' ved at bruge dens output-sandsynligheder. - [Knowledge Graph Completion](https://aiord.dk/ord/knowledge-graph-completion): Teknik til at forudsige manglende kanter (relationer) i en vidensgraf baseret på eksisterende entiteter og relationer. - [knowledge graph embedding](https://aiord.dk/ord/knowledge-graph-embedding): Teknik der repræsenterer entiteter og relationer i en videnstruktur (knowledge graph) som vektorer i et kontinuerligt rum. - [KV cache](https://aiord.dk/ord/kv-cache): En KV cache er en hukommelsesstruktur, der gemmer Key- og Value-vektorerne fra tidligere attention-beregninger i en transformer-model for at undgå genberegning under autoregressiv generering. - [kvantisering](https://aiord.dk/ord/kvantisering): Teknik til at reducere præcisionen af en models vægte og aktiveringer for at formindske modelstørrelse og øge inferenshastighed. - [kvantiseringsbevidst træning](https://aiord.dk/ord/kvantiseringsbevidst-traening): En træningsmetode, hvor kvantiseringens effekter simuleres under træning for at opnå en model, der bevarer præcision efter kvantisering. - [L1-regularisering](https://aiord.dk/ord/l1-regularisering): L1-regularisering er en regulariseringsteknik, der tilføjer en straf proportional med summen af de absolutte værdier af modelparametrene for at fremme sparsomhed. - [L1-regularization](https://aiord.dk/ord/l1-regularization): Teknik der tilføjer en straf proportional med summen af de absolutte værdier af modelvægte for at fremme sparsommelighed. - [L2-regularisering](https://aiord.dk/ord/l2-regularisering): L2-regularisering er en regulariseringsteknik, der tilføjer en straf proportional med kvadratet af modelparametrenes værdi for at mindske overfitting. - [L2-regularization](https://aiord.dk/ord/l2-regularization): En reguleringsteknik, der tilføjer en straf til tabet baseret på kvadratet af vægtenes L2-norm for at forhindre overfitting. - [labeling](https://aiord.dk/ord/labeling): Processen med at tildele etiketter (labels) til data som grundlag for træning af en maskinlæringsmodel. - [Langevin dynamics](https://aiord.dk/ord/langevin-dynamics): Langevin dynamics er en stokastisk differentialligningsbaseret metode til at generere prøver fra en sandsynlighedsfordeling ved at tilføje støj til gradienten af fordelingens energi. - [Lasso](https://aiord.dk/ord/lasso): Lasso er en regulariseringsmetode til lineær regression, der anvender L1-straf for at fremme sparsommelighed og automatisk variabelselektion. - [Lasso-regression](https://aiord.dk/ord/lasso-regression): Lasso-regression er en lineær regressionsmetode, der anvender L1-regularisering til at udvælge variable og forhindre overfitting ved at straffe absolutte koefficientstørrelser. - [latent diffusion](https://aiord.dk/ord/latent-diffusion): Latent diffusion er en generativ teknik, der udfører diffusionsprocessen i et latenterum i stedet for pixelrummet, hvilket reducerer beregningsomkostningerne. - [latent space interpolation](https://aiord.dk/ord/latent-space-interpolation): Teknik hvor man gradvist skifter mellem to punkter i et latent rum for at skabe nye, meningsfulde output. - [latent space traversal](https://aiord.dk/ord/latent-space-traversal): Teknik inden for generative modeller, hvor man bevæger sig gennem latent rum for at generere nye prøver, typisk via interpolation mellem latente vektorer. - [latent space walk](https://aiord.dk/ord/latent-space-walk): En teknik, hvor man gradvist ændrer latente vektorer for at generere en jævn overgang mellem punkter i et generativt models latentrum. - [Layer normalization](https://aiord.dk/ord/layer-normalization): Layer normalization er en normaliseringsteknik, der standardiserer aktiveringerne over feature-dimensionen for hvert træningseksempel ved at trække middelværdien og dividere med standardafvigelsen. - [LeakyReLU](https://aiord.dk/ord/leaky-relu): LeakyReLU er en aktiveringsfunktion der tillader en lille, positiv gradient for negative input, hvilket adresserer problemet med døende neuroner i ReLU. - [LeakyReLU](https://aiord.dk/ord/leakyrelu): Aktiveringsfunktion der tillader en lille negativ gradient for negative input. - [learning rate warmup](https://aiord.dk/ord/learning-rate-warmup): En træningsteknik, hvor learning rate gradvist øges fra en lille værdi til den planlagte startværdi over et antal steps eller epochs. - [leave-one-out cross-validation](https://aiord.dk/ord/leave-one-out-cross-validation): En krydsvalideringsteknik hvor modellen trænes på alle dataundtagen én observation, som bruges til test, og dette gentages for hver observation. - [left-side truncation](https://aiord.dk/ord/left-side-truncation): Teknik til at forkorte en sekvens ved at fjerne tidlige dele og bevare de seneste, typisk anvendt i sprogmodeller til at holde sig inden for kontekstvinduet. - [lineær interpolation](https://aiord.dk/ord/lineaer-interpolation): En metode til at estimere en værdi mellem to kendte punkter ved at antage en lineær sammenhæng. - [lineær regression](https://aiord.dk/ord/linear-regression): En statistisk metode der modellerer sammenhængen mellem en afhængig variabel og en eller flere uafhængige variable ved at tilpasse en lineær ligning til observerede data. - [LLM-as-a-Judge](https://aiord.dk/ord/llm-as-a-judge): Teknik hvor en sprogmodel (fx GPT-4) bruges til at evaluere eller score output fra en anden sprogmodel, typisk ved at give en karakter eller vurdere kvalitet ud fra en rubrik. - [LLM-pipeline](https://aiord.dk/ord/llm-pipeline): En LLM-pipeline er en struktureret sekvens af behandlingstrin, der forbereder input, kalder en sprogmodel og efterbehandler outputtet til en specifik opgave. - [load balancing](https://aiord.dk/ord/load-balancing): Fordeling af arbejdsbyrde (beregning, data) på tværs af flere ressourcer (GPU'er, servere) for at optimere ydeevne og undgå overbelastning. - [LoRA](https://aiord.dk/ord/lora): LoRA (Low-Rank Adaptation) er en teknik til parameter-effektiv finjustering, hvor der tilføjes trænelige lavrankede matricer til de eksisterende vægte i en fortrænet model. - [LoRA-alpha](https://aiord.dk/ord/lora-alpha): En hyperparameter i LoRA, der skalerer den lavrangs-opdatering af vægtene under finjustering. - [LoRA-justering](https://aiord.dk/ord/lora-justering): En parameter-effektiv finjusteringsmetode, der tilpasser store sprogmodeller ved at indsætte lav-rank opdateringer i vægtmatricer i stedet for at opdatere alle parametre. - [LoRA-opsætning](https://aiord.dk/ord/lora-opsaetning): Opsætning og konfiguration af LoRA (Low-Rank Adaptation) til finjustering af store sprogmodeller. - [LoRA-rank](https://aiord.dk/ord/lora-rank): LoRA-rank er en hyperparameter, der bestemmer dimensionen af de lav-rankede matricer, der bruges til at tilpasse en fortrænet model i LoRA-fintuning. - [LoRA-vægte](https://aiord.dk/ord/lora-vaegte): LoRA-vægte er en lille mængde trænlige, lavrangsmatricer, der lægges til de frosne basisvægte i en stor sprogmodel for at opnå effektiv fintuning. - [Low-Rank Adaptation](https://aiord.dk/ord/low-rank-adaptation): Low-Rank Adaptation (LoRA) er en parameter-effektiv finjusteringsteknik, hvor de oprindelige vægte i en forudtrænet model fryses, og der i stedet indsættes trænede, lavrangstillægsmatricer i modellens lag. - [masked self-attention](https://aiord.dk/ord/masked-self-attention): En mekanisme i transformer-modeller hvor hvert element i en sekvens kun kan se tidligere elementer (og sig selv) via attention, typisk ved at anvende en maske over fremtidige positioner. - [maskeret sprogmodellering](https://aiord.dk/ord/maskeret-sprogmodellering): En træningsteknik, hvor en del af tokens i en inputsekvens skjules, og modellen trænes til at forudsige de maskerede tokens baseret på konteksten. - [MCP-protokol](https://aiord.dk/ord/mcp-protokol): En protokol til at strukturere og overføre kontekst mellem forskellige AI-modeller eller -komponenter i et system. - [meta-læring](https://aiord.dk/ord/meta-laering): Meta-læring er en maskinlæringsteknik, hvor en model lærer at forbedre sin egen indlæringsproces på tværs af flere opgaver. - [meta-learner](https://aiord.dk/ord/meta-learner): En meta-learner er en model eller algoritme, der lærer at tilpasse sig nye opgaver med få eksempler ved at træne på en distribution af opgaver. - [meta learning](https://aiord.dk/ord/meta-learning): Maskinlæringsteknik, hvor en model trænes til at lære at lære, så den hurtigt kan tilpasse sig nye opgaver med få eksempler. - [ML-pipeline](https://aiord.dk/ord/ml-pipeline): En ML-pipeline er en struktureret sekvens af databehandlings- og modeltrin, der automatiserer et maskinlærings workflow fra rådata til produktion. - [MLOps](https://aiord.dk/ord/mlops): MLOps er et sæt af praksisser, der kombinerer maskinlæring, DevOps og data engineering for at sikre pålidelig og effektiv implementering og vedligeholdelse af ML-modeller i produktion. - [MLOps-pipeline](https://aiord.dk/ord/mlops-pipeline): En automatiseret sekvens af trin, der håndterer hele livscyklussen for maskinlæringsmodeller: fra dataforberedelse og træning til implementering, overvågning og genoptræning. - [model-based reinforcement learning](https://aiord.dk/ord/model-based-reinforcement-learning): En tilgang inden for reinforcement learning, hvor agenten lærer en model af miljøets dynamik og bruger denne model til at planlægge eller simulere handlinger. - [model-checkpoint](https://aiord.dk/ord/model-checkpoint): En gemt tilstand af en models vægte og optimeringstilstand under træning, så processen kan genoptages eller evalueres senere. - [model compression](https://aiord.dk/ord/model-compression): Samling af teknikker, der reducerer størrelsen og beregningsbehovet for en AI-model, samtidig med at præstationen bevares så godt som muligt. - [model.eval()](https://aiord.dk/ord/model-eval): En metode i PyTorch der skifter modellen til evalueringstilstand, hvilket deaktiverer dropout og fikserer batch-normaliseringslag. - [model forklaring](https://aiord.dk/ord/model-forklaring): Model forklaring refererer til metoder og teknikker, der anvendes til at forstå og fortolke, hvorfor en AI-model træffer bestemte beslutninger eller forudsigelser. - [modelkomprimering](https://aiord.dk/ord/model-komprimering): Teknikker til at reducere størrelsen og beregningsomkostningen af en AI-model uden væsentligt tab af nøjagtighed. - [model parallelism](https://aiord.dk/ord/model-parallelism): Modelparallelisme er en teknik til at fordele en stor neurale netværksmodel på tværs af flere enheder ved at opdele selve modellen i dele. - [model pruning](https://aiord.dk/ord/model-pruning): En teknik, hvor overflødige parametre i en neural netværk fjernes for at reducere modelstørrelse og beregningsomkostninger. - [Model serving](https://aiord.dk/ord/model-serving): Model serving er processen med at hoste en trænet maskinlæringsmodel og eksponere den via en API, så andre systemer eller brugere kan sende data til modellen og få forudsigelser tilbage. - [model serving pipeline](https://aiord.dk/ord/model-serving-pipeline): En model serving pipeline er et automatiseret system, der håndterer forbehandling, inferens og efterbehandling af data, så en maskinlæringsmodel kan betjenes som en API i produktion. - [model snapshot](https://aiord.dk/ord/model-snapshot): En model snapshot er en gemt kopi af en models vægte og tilstand på et bestemt tidspunkt under træning. - [model snapshot-lagring](https://aiord.dk/ord/model-snapshot-lagring): Teknikken at gemme en models vægte og tilstand på et bestemt tidspunkt under træning. - [modelkomprimering](https://aiord.dk/ord/modelkomprimering): Modelkomprimering er en samling af teknikker til at reducere størrelsen og beregningskompleksiteten af en trænet maskinlæringsmodel uden væsentligt tab af præcision. - [modelkomprimerings-teknik](https://aiord.dk/ord/modelkomprimerings-teknik): En teknik til at reducere størrelsen og/eller beregningskompleksiteten af en AI-model med minimalt tab af ydeevne. - [Monte Carlo-simulering](https://aiord.dk/ord/monte-carlo-simulering): Monte Carlo-simulering er en beregningsmetode, der bruger tilfældig sampling til at løse problemer, der er deterministiske i naturen. - [multi-agent reinforcement learning](https://aiord.dk/ord/multi-agent-reinforcement-learning): En gren af reinforcement learning, hvor flere agenter interagerer i et fælles miljø og lærer at optimere deres politikker, enten kooperativt, konkurrerende eller i blandede scenarier. - [multi-klasse billedklassifikation](https://aiord.dk/ord/multi-klasse-billedklassifikation): Multi-klasse billedklassifikation er opgaven at tildele et inputbillede én klasseetikette fra et foruddefineret sæt af flere (≥3) kategorier, typisk ved hjælp af en maskinlæringsmodel. - [multimodal fusion](https://aiord.dk/ord/multimodal-fusion): Multimodal fusion er processen med at kombinere information fra flere forskellige datatyper (modaliteter) som tekst, billede og lyd for at skabe en samlet repræsentation. - [multimodal learning](https://aiord.dk/ord/multimodal-learning): Multimodal læring er en maskinlæringsteknik, hvor en model trænes på data fra flere forskellige modaliteter (fx tekst, billeder, lyd) samtidigt for at lære tværmodale repræsentationer. - [MuZero-søgning](https://aiord.dk/ord/muzero-soegning): En Monte Carlo-træsøgning, der anvender en lært model af dynamik og belønning i et latent repræsentationsrum. - [Naive Bayes](https://aiord.dk/ord/naive-bayes): En familie af probabilistiske klassifikationsalgoritmer baseret på Bayes' sætning med antagelse om betinget uafhængighed mellem features givet klassen. - [Nesterov momentum](https://aiord.dk/ord/nesterov-momentum): En forbedring af momentum-optimering, hvor gradienten beregnes efter en foreløbig opdatering af parametrene. - [neural retrieval](https://aiord.dk/ord/neural-retrieval): Neural retrieval er en metode inden for informationsgenfinding, hvor neurale netværk bruges til at finde relevante dokumenter eller data baseret på en forespørgsel. - [neural style transfer](https://aiord.dk/ord/neural-style-transfer): Neural style transfer er en teknik, der anvender dybe neurale netværk til at overføre stilen fra ét billede til indholdet af et andet. - [neural text-to-speech](https://aiord.dk/ord/neural-text-to-speech): Neural text-to-speech er en teknik, der bruger dybe neurale netværk til at omdanne skrevet tekst til naturligt lydende tale. - [NF4-kvantisering](https://aiord.dk/ord/nf4-kvantisering): NF4-kvantisering er en 4-bit kvantiseringsmetode, der bruger et normaliseret float-format til at repræsentere vægte i neurale netværk, udviklet til QLoRA for at reducere hukommelsesforbrug uden væsentligt tab af præcision. - [NLP-pipeline](https://aiord.dk/ord/nlp-pipeline): En sekvens af forarbejdningstrin, der behandler rå tekst til en struktureret repræsentation, typisk i natural language processing. - [nucleus sampling](https://aiord.dk/ord/nucleus-sampling): En stikprøveteknik til tekstgenerering, hvor man vælger fra den mindste mængde tokens, hvis kumulative sandsynlighed overstiger en tærskel p. - [Object detection](https://aiord.dk/ord/object-detection): Computer vision-teknik til at lokalisere og klassificere objekter i billeder eller video. - [OCR-scanning](https://aiord.dk/ord/ocr-scanning): OCR-scanning er en teknologi, der omdanner billeder af tekst til maskinlæsbar tekst ved hjælp af mønstergenkendelse og kunstig intelligens. - [OCR-teknologi](https://aiord.dk/ord/ocr-teknologi): OCR-teknologi er en teknik til at genkende og digitalisere tekst fra billeder eller scannede dokumenter. - [offline data augmentation](https://aiord.dk/ord/offline-data-augmentation): Offline data augmentation er en teknik, hvor træningsdata udvides ved at anvende transformationer på forhånd, før modellen trænes. - [one-shot klassifikation](https://aiord.dk/ord/one-shot-klassifikation): En maskinlæringsteknik, hvor en model klassificerer nye datapunkter efter kun at have set ét eksempel per klasse. - [one shot learning](https://aiord.dk/ord/one-shot-learning): One shot learning er en maskinlæringsteknik, hvor en model trænes til at genkende nye klasser baseret på kun ét træningseksempel per klasse. - [online augmenteringspipeline](https://aiord.dk/ord/online-augmenteringspipeline): En online augmenteringspipeline er en real-time dataforøgelsesproces, der anvender transformationer direkte på træningsdata under modeltræning i stedet for at forberede augmenterede data på forhånd. - [online data augmentation](https://aiord.dk/ord/online-data-augmentation): Teknik hvor dataforøgelse anvendes i realtid under træning, så hver epoch genererer nye varianter af træningsdata. - [Optical character recognition](https://aiord.dk/ord/optical-character-recognition): Optical character recognition (OCR) er en teknologi til at omdanne billeder af trykt eller håndskrevet tekst til maskinlæsbar tekst. - [ord-embedding](https://aiord.dk/ord/ord-embedding): En teknik inden for naturlig sprogbehandling, hvor ord repræsenteres som tætte vektorer i et kontinuert vektorrum. - [ordindlejring](https://aiord.dk/ord/ordindlejring): En ordindlejring er en teknisk metode, der kortlægger ord til tætte vektorer i et kontinuert vektorrum, så ord med lignende betydning har lignende repræsentationer. - [overlap-tokens](https://aiord.dk/ord/overlap-tokens): Overlap-tokens refererer til enten (1) overlappende vinduer af tokens i sekvensbehandling eller (2) antallet af fælles tokens mellem to sæt anvendt i evalueringsmetrikker. - [padding token](https://aiord.dk/ord/padding-token): Et padding token er et specialtoken, der tilføjes til korte sekvenser for at opnå ensartet længde i et batch. - [parallel computing](https://aiord.dk/ord/parallel-computing): Parallel computing er en beregningsmetode, hvor mange beregninger eller processer udføres samtidigt ved at opdele et problem i mindre delopgaver, der løses simultant. - [parallel decoding](https://aiord.dk/ord/parallel-decoding): Parallel decoding er en inferensteknik, hvor flere tokens genereres samtidigt i stedet for sekventielt for at fremskynde sprogmodeller. - [Parallel Function Calling](https://aiord.dk/ord/parallel-function-calling): Teknik hvor en LLM kalder flere funktioner samtidigt i én enkelt tur, i stedet for sekventielt. - [parameter-effektiv fine-tuning](https://aiord.dk/ord/parameter-effektiv-fine-tuning): Parameter-effektiv fine-tuning betegner en samling af teknikker, hvor kun et lille antal ekstra parametre opdateres under finjustering, mens hovedparten af en fortrænet models parametre fryses. - [parameter-effektiv finjustering](https://aiord.dk/ord/parameter-effektiv-finjustering): Parameter-effektiv finjustering (PEFT) refererer til en klasse af metoder, der finjusterer store fortrænede modeller ved kun at opdatere et lille antal parametre, mens resten forbliver frosne. - [Parameter-Efficient Fine-Tuning](https://aiord.dk/ord/parameter-efficient-fine-tuning): Parameter-Efficient Fine-Tuning (PEFT) er en samling teknikker, der opdaterer kun et lille antal modelparametre under finjustering, mens størstedelen af den forudtrænede model fryses. - [Parameter-justering](https://aiord.dk/ord/parameter-justering): Proces hvor en models parametre ændres for at forbedre ydeevnen, typisk ved hyperparameteroptimering eller finjustering. - [parametereffektiv finjustering](https://aiord.dk/ord/parametereffektiv-finjustering): Parametereffektiv finjustering er en teknik til at tilpasse store sprogmodeller til specifikke opgaver ved kun at opdatere et lille antal parametre, hvilket reducerer beregnings- og hukommelsesomkostninger markant. - [patch-embedding](https://aiord.dk/ord/patch-embedding): En teknik i vision transformers hvor et billede opdeles i flade udsnit (patches), og hvert udsnit omdannes til en vektor (embedding) via en lineær projektion. - [PCA](https://aiord.dk/ord/pca): PCA er en statistisk metode til dimensionalitetsreduktion ved at transformere data til et nyt koordinatsystem, hvor de største varianser ligger langs de første akser. - [PEFT](https://aiord.dk/ord/peft): Parameter-Efficient Fine-Tuning (PEFT) er en samling af teknikker, der muliggør effektiv transfer learning af store sprogmodeller ved at opdatere et minimalt antal parametre, ofte gennem indsættelse af trænbare adaptere eller lavrangetilpasninger. - [PEFT-metode](https://aiord.dk/ord/peft-metode): PEFT-metoder er en familie af fine-tuning-teknikker, der kun opdaterer et lille antal parametre for at tilpasse en stor model til en specifik opgave. - [PEFT-teknik](https://aiord.dk/ord/peft-teknik): Parameter-Efficient Fine-Tuning (PEFT) er en samling af teknikker, der muliggør finjustering af store sprogmodeller ved at opdatere et lille antal parametre, hvilket reducerer beregningsomkostninger og hukommelseskrav. - [persona-pattern](https://aiord.dk/ord/persona-pattern): Persona-pattern er en prompt engineering-teknik, hvor en AI-model tildeles en bestemt rolle eller karakter for at styre dens svarstil og indhold. - [pipeline parallelism](https://aiord.dk/ord/pipeline-parallelism): Pipeline parallelism er en distribueret træningsteknik, hvor en model opdeles i sekventielle stadier, der hver behandles af en separat enhed, og data sendes gennem stadierne som i en pipeline. - [planning algorithm](https://aiord.dk/ord/planning-algorithm): En algoritme, der genererer en sekvens af handlinger for at opnå et specifikt mål ud fra en given tilstand og et sæt mulige handlinger. - [Policy gradient](https://aiord.dk/ord/policy-gradient): Policy gradient er en kategori af reinforcement learning-algoritmer, der optimerer en policy direkte via gradient-ascent på den forventede belønning. - [policy gradient-algoritme](https://aiord.dk/ord/policy-gradient-algoritme): En policy gradient-algoritme er en metode inden for reinforcement learning, der optimerer en politik direkte ved at estimere gradienten af den forventede belønning med hensyn til politikparametrene og udføre gradient ascent. - [Pooling layer](https://aiord.dk/ord/pooling-layer): Et pooling-layer er et nedtagningslag i et convolutional neural network der reducerer rummelige dimensioner. - [position-embedding](https://aiord.dk/ord/position-embedding): En teknik i transformer-modeller, der indlejrer information om token-positioner i sekvensen for at give modellen en forståelse af rækkefølge. - [positional encoding](https://aiord.dk/ord/positional-encoding): En teknik, der tilføjer positionsinformation til inputrepræsentationer i transformer-modeller, så modellen kan skelne rækkefølgen af elementer i en sekvens. - [positionsinterpolering](https://aiord.dk/ord/positionsinterpolering): Teknik til at udvide kontekstlængden i transformermodeller ved at skalere positionsindekser, så de passer ind i det oprindelige positionsinterval. - [Post-Layer Normalization](https://aiord.dk/ord/post-layer-normalization): Post-Layer Normalization er en teknik i transformer-arkitekturer, hvor layer normalization placeres efter hvert sublag (attention og feed-forward) i stedet for før. - [post-træningskvantisering](https://aiord.dk/ord/post-traeningskvantisering): Post-træningskvantisering er en teknik hvor en allerede trænet maskinlæringsmodel konverteres til at bruge lavere præcision (fx 8-bit heltal) i stedet for 32-bit flydende tal, hvilket reducerer modellens størrelse og accelererer inferens uden at kræve genoptræning. - [Post-training quantization](https://aiord.dk/ord/post-training-quantization): Post-training quantization er en teknik, hvor vægte og aktiveringer i en allerede trænet model konverteres til en lavere præcision (fx 8-bit heltal) for at reducere modelstørrelse og øge inferenshastighed uden yderligere træning. - [PPO](https://aiord.dk/ord/ppo): PPO er en policy-gradient algoritme inden for reinforcement learning, der optimerer en policy ved at tage forsigtige opdateringer, der holder den nye policy tæt på den gamle via en clipped surrogate-objektivfunktion. - [PPO-clip](https://aiord.dk/ord/ppo-clip): PPO-clip er en reinforcement learning-algoritme, der opdaterer en politik ved at maksimere en clipped surrogate objective, hvilket forhindrer for store ændringer i politikken. - [PPO-penalty](https://aiord.dk/ord/ppo-penalty): PPO-penalty er en variant af PPO-algoritmen, der bruger en KL-divergens-straf i stedet for clipping for at begrænse policy-opdateringer. - [prætræningsmål](https://aiord.dk/ord/praetraeningsmaal): En objektivfunktion, der anvendes under ubegrænset eller selvovervåget før-træning af en sprogmodel, typisk med henblik på at lære generelle sprogrepræsentationer. - [Pre-Layer Normalization](https://aiord.dk/ord/pre-layer-normalization): Præ-lag normalization er en teknik, hvor layer normalization placeres før hvert dellag (attention eller feed-forward) i en transformerblok, i modsætning til post-layer normalization. - [preference optimization](https://aiord.dk/ord/preference-optimization): En træningsteknik, der justerer en models adfærd baseret på præferencedata, typisk i form af parvis sammenligning af output. - [prefix cache](https://aiord.dk/ord/prefix-cache): En teknik, der gemmer mellemregninger (key-value-cache) for et indledende prompt-segment, så gentagen inferens med samme prefix kan genbruge dem og undgå genberegning. - [prefix tuning](https://aiord.dk/ord/prefix-tuning): En parameter-effektiv finjusteringsteknik, hvor et lille antal trænbare præfikstokens indsættes foran inputtet i hvert Transformerlag, mens de oprindelige modelvægte fryses. - [PReLU](https://aiord.dk/ord/prelu): En aktiveringsfunktion der udvider ReLU med en læreparameter α for negative indputs, så funktionen bliver f(x)=max(0,x)+α·min(0,x). - [preprocessing](https://aiord.dk/ord/preprocessing): Forberedelse og transformation af rådata til et format, der er egnet til maskinlæringsalgoritmer. - [preprocessing-pipeline](https://aiord.dk/ord/preprocessing-pipeline): En sekvens af automatiserede datatransformationer, der anvendes på rådata før en maskinlæringsmodel trænes eller anvendes. - [preprocessing-step](https://aiord.dk/ord/preprocessing-step): Et preprocessing-step er en operation i en databehandlingspipeline, hvor rådata renses, transformeres eller forberedes til videre analyse eller modeltræning. - [pretext task](https://aiord.dk/ord/pretext-task): En hjælpeopgave, som en model trænes på under self-supervised learning for at lære repræsentationer, der senere kan overføres til en downstream-opgave. - [pretext-task design](https://aiord.dk/ord/pretext-task-design): En teknik inden for selvovervåget læring, hvor en hjælpeopgave (pretext task) designes til at tvinge modellen til at lære nyttige repræsentationer uden brug af manuelle labels. - [Pretraining](https://aiord.dk/ord/pretraining): Prætræning (pretraining) er en træningsfase hvor en maskinlæringsmodel først trænes på en stor, generel datasæt, typisk uden opsyn eller med selvovervågning, for at lære generelle repræsentationer, efterfulgt af finjustering på en specifik opgave. - [prompt caching](https://aiord.dk/ord/prompt-caching): Optimeringsteknik hvor dele af et prompt (typisk starten) gemmes i cache, så gentagen behandling undgås, hvilket reducerer latency og omkostninger. - [prompt crafting](https://aiord.dk/ord/prompt-crafting): Prompt crafting er den systematiske udformning og optimering af instruktioner (prompts) til sprogmodeller for at opnå specifikke, relevante svar. - [prompt engineer](https://aiord.dk/ord/prompt-engineer): En prompt engineer er en specialist, der designer, tester og optimerer prompts til sprogmodeller for at opnå præcise og nyttige output. - [Prompt engineering](https://aiord.dk/ord/prompt-engineering): Prompt engineering er den systematiske praksis at designe, formatere og optimere inputprompter for at styre adfærden af store sprogmodeller (LLM'er) mod et ønsket output. - [Prompt injection](https://aiord.dk/ord/prompt-injection): Et sikkerhedsangreb, hvor en angriber indsætter ondsindet instruktion i en prompt for at tilsidesætte eller omgå systemets tilsigtede instruktioner. - [prompt-optimeringsalgoritme](https://aiord.dk/ord/prompt-optimeringsalgoritme): Algoritme der automatisk forbedrer prompts for at optimere modeloutput. - [prompt optimization](https://aiord.dk/ord/prompt-optimization): Proces med at justere og forbedre prompts for at maksimere præcision og relevans af en sprogmodels output. - [prompt pattern](https://aiord.dk/ord/prompt-pattern): En prompt pattern er en genanvendelig skabelon eller struktur til at formulere en prompt for at opnå forudsigelige og ensartede svar fra en sprogmodel. - [Prompt template](https://aiord.dk/ord/prompt-template): En skabelon til prompts, der bruges til at strukturere input til en sprogmodel ved at indsætte variabler i en foruddefineret tekst. - [Prompt Tuning](https://aiord.dk/ord/prompt-tuning): Prompt tuning er en parametereffektiv finjusteringsmetode, hvor et lille sæt af lærbare 'bløde prompts' (kontinuerte vektorer) sættes foran input-embeddings, mens den fortrænede models vægte forbliver frosne. - [pruning](https://aiord.dk/ord/pruning): Pruning er en teknik til at reducere størrelsen af et neuralt netværk ved at fjerne overflødige vægte eller neuroner. - [Q-learning](https://aiord.dk/ord/q-learning): En model-fri forstærkningslæringsalgoritme, der lærer en optimal politik ved at estimere den forventede fremtidige belønning for hver handling i en given tilstand. - [QAT](https://aiord.dk/ord/qat): En træningsteknik, hvor modellen lærer at kompensere for kvantiseringsfejl, så den efterfølgende kvantisering medfører minimal præcisionstab. - [QLoRA](https://aiord.dk/ord/qlora): QLoRA er en metode til effektiv finjustering af store sprogmodeller ved at kvantisere basismodellen og anvende lavrank-adaptere (LoRA), hvilket reducerer hukommelsesforbruget markant. - [QLoRA-adapter](https://aiord.dk/ord/qlora-adapter): En QLoRA-adapter er en lavrangs-adapter, der trænes med kvantisering af basis-modellens vægte for at reducere hukommelsesforbruget under finjustering. - [QLoRA-finetuning](https://aiord.dk/ord/qlora-finetuning): Teknik, der kombinerer modelkvantisering med LoRA for at finjustere store sprogmodeller med markant reduceret hukommelsesforbrug. - [QLoRA-finteknik](https://aiord.dk/ord/qlora-finteknik): QLoRA-finteknik er en metode til effektiv finjustering af store sprogmodeller ved hjælp af kvantiseret LoRA, der reducerer hukommelsesforbruget markant. - [QLoRA-fintuning](https://aiord.dk/ord/qlora-fintuning): Effektiv fintuningsmetode der kombinerer 4-bit kvantisering med LoRA for at reducere hukommelsesforbruget ved fintuning af store sprogmodeller. - [Quantization](https://aiord.dk/ord/quantization): Teknik til at reducere præcisionen af tal i en model for at mindske hukommelses- og beregningsbehov. - [quantization-aware fine-tuning](https://aiord.dk/ord/quantization-aware-fine-tuning): En finjusteringsproces, der simulerer kvantiseringseffekter under træningen, så den endelige kvantiserede model bevarer nøjagtigheden. - [Quantization-aware training](https://aiord.dk/ord/quantization-aware-training): Quantization-aware training (QAT) er en træningsteknik, hvor kvantiseringseffekter simuleres under træningen for at opnå høj nøjagtighed efter efterfølgende kvantisering. - [Query-by-committee](https://aiord.dk/ord/query-by-committee): Query-by-committee er en aktiv læringsteknik, hvor et ensemble af modeller (et udvalg) stemmer om hvilke uetiketérbare datapunkter der er mest informative at få etiket for. - [RAG](https://aiord.dk/ord/rag): RAG (Retrieval-Augmented Generation) er en teknik, hvor en sprogmodel suppleres med ekstern viden hentet fra en database for at forbedre svar. - [RAG-evaluering](https://aiord.dk/ord/rag-evaluering): RAG-evaluering er processen med at vurdere kvaliteten og effektiviteten af et RAG-system, typisk gennem metrikker som korrekthed, relevans og faithfulness. - [RAG-model](https://aiord.dk/ord/rag-model): En RAG-model er en sprogmodel, der kombinerer en generator med en ekstern vidensbase via hentning for at forbedre kvaliteten og relevansen af genererede svar. - [RAG-pipeline](https://aiord.dk/ord/rag-pipeline): En RAG-pipeline er en systemarkitektur, der kombinerer en retriever til at hente relevante dokumenter fra en ekstern videnbase og en generator til at producere svar baseret på disse dokumenter. - [RAG-retriever](https://aiord.dk/ord/rag-retriever): Komponent i en RAG-pipeline, der henter relevante dokumenter eller passager fra en videnbase baseret på en forespørgsel. - [Random initialization](https://aiord.dk/ord/random-initialization): Teknik til at sætte en models parametre (vægte og bias) til tilfældige værdier inden træning. - [re-ranker](https://aiord.dk/ord/re-ranker): En metode til at forbedre søgeresultater ved at anvende en sekundær, mere præcis model til at genrangere et lille antal kandidater fra en første hurtig søgning. - [re-ranking](https://aiord.dk/ord/re-ranking): Teknik, hvor en indledende liste af resultater fra en første søgning eller retrieval bliver sorteret eller filtreret igen ved hjælp af en mere avanceret model for at forbedre relevansen. - [ReAct](https://aiord.dk/ord/react): ReAct er en prompting-teknik, hvor en sprogmodel veksler mellem at generere ræsonnementstrin og udføre handlinger (fx kald af værktøjer) for at løse en opgave. - [ReAct-agent](https://aiord.dk/ord/react-agent): En ReAct-agent er en AI-agent, der skiftevis ræsonnerer (Reasoning) og handler (Acting) i en loop for at løse opgaver, ved at generere tanker, udføre handlinger og observere resultater. - [ReAct-loop](https://aiord.dk/ord/react-loop): En iterativ proces hvor en sprogmodel skiftevis ræsonnerer (Reasoning) og handler (Acting) ved at generere tanker og udføre handlinger, ofte i interaktion med eksterne værktøjer. - [red team](https://aiord.dk/ord/red-team): En 'red team' er en gruppe, der systematisk forsøger at finde sårbarheder, bias eller utilsigtet adfærd i et AI-system ved at simulere ondsindede angreb eller ekstreme input. - [red-team-øvelse](https://aiord.dk/ord/red-team-oevelse): En red-team-øvelse er en struktureret proces, hvor et hold (red team) systematisk forsøger at afdække sårbarheder og utilsigtet adfærd i en AI-model eller et system ved at simulere angreb eller manipulere input. - [Red teaming](https://aiord.dk/ord/red-teaming): En systematisk metode til at teste AI-modellers sikkerhed og robusthed ved at simulere angreb eller adversariale inputs. - [regularisering](https://aiord.dk/ord/regularisering): Regularisering er en teknik, der tilføjer en straf til modellens tabfunktion for at forhindre overfitting. - [Regularization](https://aiord.dk/ord/regularization): Regularization er en teknik, der tilføjer en straf til modellens tabsfunktion for at forhindre overfitting ved at begrænse modellens kompleksitet. - [Reinforcement learning](https://aiord.dk/ord/reinforcement-learning): Reinforcement learning er en maskinlæringsmetode, hvor en agent lærer at træffe beslutninger ved at interagere med et miljø og modtage belønninger eller straf for sine handlinger. - [reinforcement learning from human feedback](https://aiord.dk/ord/reinforcement-learning-from-human-feedback): En teknik til at finjustere sprogmodeller ved at bruge menneskelige præferencer som belønningssignal i forstærkningslæring. - [relativ positional encoding](https://aiord.dk/ord/relativ-positional-encoding): En metode til at indkode positioner i en transformer ved at repræsentere den relative afstand mellem elementer i stedet for absolutte positioner. - [ReLU](https://aiord.dk/ord/relu): ReLU er en aktiveringsfunktion, der returnerer inputværdien, hvis den er positiv, ellers nul. - [reparameterization trick](https://aiord.dk/ord/reparameterization-trick): En teknik til at omparametrisere stokastiske variable, så gradienter kan estimeres ved backpropagation i neurale netværk. - [reranker](https://aiord.dk/ord/reranker): En reranker er en sekundær model, der tager en liste af kandidater fra en indledende søgning og omrangere dem efter relevans ved hjælp af en mere præcis, men langsommere, metode. - [Reranking](https://aiord.dk/ord/reranking): Reranking er en teknik, hvor en indledende liste af kandidater (ofte fra en retriever) omrangordnes af en mere avanceret model for at forbedre relevans og præcision. - [reranking-træning](https://aiord.dk/ord/reranking-traening): Træning af en reranker-model, der forbedrer rækkefølgen af kandidater fra et indledende søge- eller genereringstrin. - [Residual connection](https://aiord.dk/ord/residual-connection): En residual connection er en forbindelse i et neuralt netværk, der springer et eller flere lag over og adderer indgangssignalet til lagets output. - [resumé-generering](https://aiord.dk/ord/resume-generering): Automatisk generering af et kortfattet referat fra en længere tekst ved hjælp af sprogmodeller. - [resume training checkpoint](https://aiord.dk/ord/resume-training-checkpoint): Et resume training checkpoint er en gemt tilstand af en models vægte, optimizerens tilstand og evt. batchgenerator, som gør det muligt at genoptage træningen fra et bestemt tidspunkt. - [Retrieval](https://aiord.dk/ord/retrieval): Hentning af relevant information fra en ekstern kilde, typisk en vektordatabase eller et dokumentindeks. - [Retrieval-Augmented Generation](https://aiord.dk/ord/retrieval-augmented-generation): Retrieval-augmented generation (RAG) er en teknik, hvor en sprogmodel udvides med en ekstern vidensbase for at forbedre nøjagtigheden og reducere hallucinationer. - [retrieval-pipeline](https://aiord.dk/ord/retrieval-pipeline): En struktureret sekvens af trin til at finde og hente relevante dokumenter eller information fra en videnbase, typisk brugt i RAG-systemer. - [Retrieval system](https://aiord.dk/ord/retrieval-system): Et system der finder og henter relevante informationer fra en database eller et korpus. - [reverse-mode AD](https://aiord.dk/ord/reverse-mode-ad): En teknik til effektiv beregning af gradienter ved at anvende kædereglen baglæns gennem en beregningsgraf. - [reward shaping](https://aiord.dk/ord/reward-shaping): Teknik inden for forstærkningslæring, hvor den egentlige belønning modificeres med en ekstra hjælpebelønning for at guide læringsprocessen. - [Ridge regression](https://aiord.dk/ord/ridge-regression): Ridge regression er en reguleringsteknik, der anvender L2-straf for at mindske overfitting i lineære regressionsmodeller. - [right-side truncation](https://aiord.dk/ord/right-side-truncation): Right-side truncation er en metode til at begrænse en sekvens af tokens til en maksimal længde ved at fjerne tokens fra begyndelsen (venstre side), så de nyeste (højre) tokens bevares. - [RLHF](https://aiord.dk/ord/rlhf): RLHF er en træningsteknik, hvor en model finjusteres ved at optimere en belønningsmodel, der er lært fra menneskelige præferencer, typisk ved hjælp af forstærkningslæring. - [RLHF-træning](https://aiord.dk/ord/rlhf-traening): Træningsmetode hvor en model optimeres via forstærkningslæring baseret på menneskelig feedback. - [robust optimization](https://aiord.dk/ord/robust-optimization): Robust optimization er en træningsteknik, der forbedrer en models modstandsdygtighed over for worst-case forstyrrelser i inputdata, typisk ved at optimere over en usikkerhedsmængde. - [rød-holdsøvelse](https://aiord.dk/ord/roed-holdsoevelse): En struktureret testmetode, hvor et hold (rød-hold) forsøger at finde sårbarheder, fejl eller utilsigtede adfærd i en AI-model. - [rødhold](https://aiord.dk/ord/roedhold): Et rødhold er en gruppe af mennesker eller AI-systemer, der bevidst forsøger at finde sårbarheder eller udnytte fejl i et AI-system for at teste dets robusthed. - [SAC](https://aiord.dk/ord/sac): SAC (Soft Actor-Critic) er en forstærkningslæringsalgoritme, der kombinerer maksimal entropi med actor-critic-metoder for at opnå stabil og sample-effektiv træning. - [sætnings-embedding](https://aiord.dk/ord/saetnings-embedding): En vektorrepræsentation af en hel sætning, som indfanger dens semantiske betydning i et fast antal dimensioner. - [safety guardrails](https://aiord.dk/ord/safety-guardrails): Sikkerhedshegn er regler, filtre eller begrænsninger indbygget i en AI's pipeline for at sikre ansvarlig og sikker brug. - [score matching](https://aiord.dk/ord/score-matching): Score matching er en metode til at estimere en sandsynlighedstæthed ved at minimere forskellen mellem modelens og dataens score (gradient af log-tætheden). - [Segmentation](https://aiord.dk/ord/segmentation): Opdeling af et billede eller en tekst i meningsfulde dele. - [selective scan](https://aiord.dk/ord/selective-scan): Selektiv scanning er en mekanisme i state space-modeller, der dynamisk vælger hvilke input-tokens der skal behandles, baseret på deres relevans, for at forbedre effektiviteten over lange sekvenser. - [selektiv scanning](https://aiord.dk/ord/selektiv-scanning): En teknik i transformermodeller, hvor modellen kun behandler de mest relevante dele af inputtet for at øge effektiviteten. - [self-attention-mekanisme](https://aiord.dk/ord/self-attention-mekanisme): En neural netværksmekanisme, der beregner vægtede repræsentationer af en sekvens ved at lade hvert element 'kigge på' alle andre elementer i sekvensen. - [Selv-konsistens (self-consistency)](https://aiord.dk/ord/self-consistency): En metode, hvor en sprogmodel genererer flere uafhængige tankekæder og vælger det mest konsistente svar. - [self-consistency decoding](https://aiord.dk/ord/self-consistency-decoding): En inferensteknik, der forbedrer pålideligheden af sprogmodellers output ved at generere flere svar og vælge det mest konsistente. - [Self-distillation](https://aiord.dk/ord/self-distillation): Self-distillation er en træningsteknik, hvor en model lærer af sine egne forudsigelser, ofte ved at bruge en tidligere version af sig selv som lærer. - [self-distillation loss](https://aiord.dk/ord/self-distillation-loss): Et træningstab, hvor en model lærer fra sine egne forudsigelser (ofte en tidligere version eller en glidet gennemsnitsmodel) for at forbedre generalisering. - [self-distillation pipeline](https://aiord.dk/ord/self-distillation-pipeline): En træningspipeline hvor en model fungerer som sin egen lærer ved at bruge egne forudsigelser som soft labels til at forbedre sin egen præstation. - [self-paced learning](https://aiord.dk/ord/self-paced-learning): Self-paced learning er en træningsstrategi, hvor modellen dynamisk vælger sværhedsgraden af træningseksempler baseret på dens nuværende præstation. - [Selv-konsistens (self-consistency)](https://aiord.dk/ord/selv-konsistens): En metode til at forbedre ræsonneringsresultater fra sprogmodeller ved at sample flere svar og vælge det mest konsistente. - [selv-konsistensafstemning](https://aiord.dk/ord/selv-konsistensafstemning): Teknik til at justere en sprogmodels output ved at sikre konsistens på tværs af flere genererede svar for samme forespørgsel. - [selvovervåget fortræning](https://aiord.dk/ord/selvovervaaget-fortraening): En træningsmetode hvor en model lærer repræsentationer fra ustrukturerede data ved at konstruere og løse en selvdefineret prædiktiv opgave. - [selvovervåget repræsentationslæring](https://aiord.dk/ord/selvovervaaget-repraesentationslaering): Selvovervåget repræsentationslæring er en træningsmetode, hvor en model lærer nyttige repræsentationer af data ved at forudsige dele af inputtet fra andre dele, uden manuelle labels. - [Semantic search](https://aiord.dk/ord/semantic-search): Søgemetode, der bruger betydningen af ord og sætninger til at finde relevante resultater, i stedet for nøjagtig ordmatch. - [semantisk indeksering](https://aiord.dk/ord/semantisk-indeksering): Semantisk indeksering er en teknik, der kortlægger dokumenter og forespørgsler til et semantisk vektorrum ved hjælp af maskinlæring, således at information kan genfindes baseret på betydning snarere end nøjagtige ordmatch. - [semantisk søgemaskine](https://aiord.dk/ord/semantisk-soegemaskine): En semantisk søgemaskine er en søgemaskine, der forstår betydningen og hensigten bag en brugers forespørgsel ved hjælp af naturlig sprogforståelse, videnrepræsentation og maskinlæring for at levere mere relevante resultater end traditionel nøgleordsbaseret søgning. - [semantisk søgemodel](https://aiord.dk/ord/semantisk-soegemodel): En semantisk søgemodel bruger vektorrepræsentationer (embeddings) af tekst til at finde dokumenter baseret på meningsindhold frem for eksakte ordmatch. - [semantisk søgning](https://aiord.dk/ord/semantisk-soegning): Søgemetode der fortolker forespørgsler ud fra betydning snarere end nøjagtig ordmatch. - [semantisk søgning](https://aiord.dk/ord/semantisk-sogning): Semantisk søgning er en søgeteknik, der forstår brugerens hensigt og ordbetydning i stedet for at matche nøjagtige søgeord. - [semi-supervised classification](https://aiord.dk/ord/semi-supervised-classification): Klassifikationsmetode hvor modellen trænes på en kombination af få annoterede og mange uannoterede data for at forbedre præcisionen. - [semi-supervised clustering](https://aiord.dk/ord/semi-supervised-clustering): Halvovervåget clustering er en metode, hvor en lille mængde mærkede data bruges til at forbedre clustering af en stor mængde umærkede data. - [semi-supervised learning](https://aiord.dk/ord/semi-supervised-learning): En maskinlæringsteknik, der kombinerer en lille mængde mærkede data med en stor mængde umærkede data for at træne en model. - [sen fusion](https://aiord.dk/ord/sen-fusion): Sen fusion er en teknik i multimodal læring, hvor separate repræsentationer fra forskellige modaliteter kombineres på et sent tidspunkt i forarbejdningen, typisk efter individuelle enkodere. - [SentencePiece](https://aiord.dk/ord/sentencepiece): SentencePiece er en subord-tokeniseringsalgoritme, der behandler input som en ubrudt strøm og lærer et ordforråd af delord uden forudgående tokenisering. - [sfærisk interpolation](https://aiord.dk/ord/sfaerisk-interpolation): En interpolationsmetode mellem to punkter på en kugleoverflade, hvor bevægelsen sker langs en storcirkel. - [SHAP](https://aiord.dk/ord/shap): SHAP er en metode baseret på spilteori til at forklare output fra maskinlæringsmodeller ved at tildele hver feature en bidragsværdi. - [sigmoid](https://aiord.dk/ord/sigmoid): Sigmoidefunktionen er en matematisk funktion med en S-formet kurve, der afbilder enhver reel værdi til et interval mellem 0 og 1. - [simulering](https://aiord.dk/ord/simulering): Simulering er at efterligne en virkelig proces eller et system ved hjælp af en computermodel, ofte for at studere adfærd, træne AI eller forudsige udfald. - [simuleringsbaseret træning](https://aiord.dk/ord/simuleringsbaseret-traening): En træningsmetode hvor en AI-model lærer i et simuleret miljø i stedet for i den virkelige verden. - [snapshot checkpoint](https://aiord.dk/ord/snapshot-checkpoint): En snapshot checkpoint er en gemt kopi af en models vægte, optimeringsstat og tilhørende metadata på et bestemt tidspunkt under træning, så træningen kan genoptages eller evalueres senere. - [soft gating](https://aiord.dk/ord/soft-gating): Soft gating er en teknik i neurale netværk, hvor en blød vægtning (typisk via softmax) anvendes til at kombinere output fra flere eksperter eller stier, så alle bidrager proportionelt. - [Softmax](https://aiord.dk/ord/softmax): En normaliseret eksponentialfunktion, der omdanner en vektor af vilkårlige reelle tal til en sandsynlighedsfordeling. - [softmax-aktivering](https://aiord.dk/ord/softmax-aktivering): En aktiveringsfunktion der normaliserer en vektor af vilkårlige reelle tal til en sandsynlighedsfordeling over klasser. - [softmax-temperatur](https://aiord.dk/ord/softmax-temperatur): Softmax-temperatur er en skalarparameter, der styrer 'blødheden' af softmax-funktionens outputfordeling. - [sparse retrieval](https://aiord.dk/ord/sparse-retrieval): Sparse retrieval betegner metoder til informationsgenfinding, der bruger sparse vektorer (overvejende nul) til at repræsentere dokumenter og forespørgsler, typisk baseret på termfrekvenser som i TF-IDF eller BM25. - [sparse retrieval-model](https://aiord.dk/ord/sparse-retrieval-model): En model der bruger sparse vektorer (mange nuller) til at repræsentere dokumenter og forespørgsler, og matcher dem ved fælles tokens. - [sparse retriever](https://aiord.dk/ord/sparse-retriever): En sparsom retriever er en informationssøgningsmetode, der bruger sparse vektorer (få ikke-nul elementer) til at repræsentere dokumenter og forespørgsler, typisk baseret på TF-IDF eller BM25. - [Speculative decoding](https://aiord.dk/ord/speculative-decoding): Teknik til at fremskynde generering fra sprogmodeller ved at lade en hurtig draftmodel foreslå tokens, som verificeres parallelt af en større model. - [speculative decoding-pipeline](https://aiord.dk/ord/speculative-decoding-pipeline): En teknik der fremskynder generering af tekst i store sprogmodeller ved at lade en hjælper-model generere foreløbige tokens, som hovedmodellen verificerer parallelt. - [Speech recognition](https://aiord.dk/ord/speech-recognition): Talegenkendelse er en teknologi, der konverterer talt sprog til tekst. - [Speech-to-text](https://aiord.dk/ord/speech-to-text): Teknologi der konverterer talt sprog til skriftlig tekst. - [speech-to-text-system](https://aiord.dk/ord/speech-to-text-system): Et system der konverterer talt sprog til maskinlæsbar tekst. - [Stochastic gradient descent](https://aiord.dk/ord/stochastic-gradient-descent): Stokastisk gradient descent (SGD) er en optimeringsalgoritme, der opdaterer modelparametre ved hjælp af gradienten beregnet på en enkelt eller et lille antal tilfældigt udvalgte træningseksempler. - [stokastisk gradientnedstigning](https://aiord.dk/ord/stokastisk-gradientnedstigning): Stokastisk gradientnedstigning (SGD) er en iterativ optimeringsalgoritme, der opdaterer modelparametre ved at følge den negative gradient af tabsfunktionen estimeret fra en enkelt eller et lille antal tilfældige datapunkter. - [stratified cross-validation](https://aiord.dk/ord/stratified-cross-validation): Stratificeret krydsvalidering er en variant af krydsvalidering, hvor data opdeles i folder, der bevarer den samme klassefordeling som det oprindelige datasæt. - [Structured output](https://aiord.dk/ord/structured-output): En teknik, hvor en AI-model tvinges til at generere output i et foruddefineret format, typisk JSON. - [structured pruning](https://aiord.dk/ord/structured-pruning): Struktureret beskæring er en modelkompressionsteknik, der fjerner hele strukturer (kanaler, filtre, lag) fra et neuralt netværk. - [struktureret beskæring](https://aiord.dk/ord/struktureret-beskaering): Teknik til modelkomprimering hvor hele strukturer, såsom kanaler, filtre eller lag, fjernes fra en neuralnetværksmodel for at reducere størrelse og beregningsomkostninger, samtidig med at den overordnede arkitektur bevares. - [Student-teacher framework](https://aiord.dk/ord/student-teacher-framework): En træningsteknik, hvor en mindre 'elev'-model lærer af en større 'lærer'-models forudsigelser eller repræsentationer. - [Style transfer](https://aiord.dk/ord/style-transfer): Style transfer er en deep learning-teknik, hvor en models stil overføres til et andet billedes indhold. - [subword-token](https://aiord.dk/ord/subword-token): En token der repræsenterer en underordnet enhed af et ord, typisk et hyppigt forekommende n-gram eller morfem, brugt i subword-tokenisering. - [subword-token-algoritme](https://aiord.dk/ord/subword-token-algoritme): En algoritme der deler ord i underenheder (subwords) for at håndtere ukendte ord og begrænse ordforrådsstørrelse i sprogmodeller. - [Subword-tokenisering](https://aiord.dk/ord/subword-tokenisering): Subword-tokenisering er en metode til at opdele ord i mindre meningsfulde enheder, så modellen kan håndtere ord, den ikke har set før. - [subword-tokenization](https://aiord.dk/ord/subword-tokenization): En tokeniseringsteknik, hvor ord opdeles i mindre enheder (subwords) baseret på frekvens, så modellen kan håndtere ukendte ord og morfologisk variation. - [subword-tokenizer](https://aiord.dk/ord/subword-tokenizer): En tokeniseringsmetode der opdeler ord i mindre enheder (subwords) baseret på frekvens, så modellen kan håndtere ukendte ord. - [Super-resolution](https://aiord.dk/ord/super-resolution): Teknik til at rekonstruere et højopløst billede fra et lavopløst input. - [Supervised learning](https://aiord.dk/ord/supervised-learning): Supervised learning er en maskinlæringsteknik, hvor en model trænes på et mærket datasæt med input-output-par for at lære at forudsige output for nye input. - [supervised learning-algoritme](https://aiord.dk/ord/supervised-learning-algoritme): En algoritme der trænes på et mærket datasæt, hvor input-output-par lærer modellen at forudsige output for nye input. - [supervised learning-teknik](https://aiord.dk/ord/supervised-learning-teknik): En teknik inden for maskinlæring, hvor en model trænes ved hjælp af et mærket datasæt, hvor hvert eksempel har en korrekt outputværdi. - [superviseret læring](https://aiord.dk/ord/superviseret-laering): Superviseret læring er en maskinlæringsmetode, hvor en model trænes på et mærket datasæt, så den kan forudsige output for nye, usete data. - [symbolsk reasoning](https://aiord.dk/ord/symbolsk-reasoning): Symbolsk reasoning er en metode inden for kunstig intelligens, hvor viden repræsenteres ved hjælp af symboler og logiske regler, og hvor inferens udføres gennem symbolmanipulation. - [syntetisk datagenerering](https://aiord.dk/ord/syntetisk-datagenerering): Syntetisk datagenerering er processen med at skabe kunstige data, der efterligner egenskaberne ved rigtige data, ofte brugt til træning af AI-modeller. - [syntetisk træningsdata](https://aiord.dk/ord/syntetisk-traeningsdata): Kunstigt fremstillede data, der bruges til at træne maskinlæringsmodeller, ofte for at kompensere for mangel på rigtige data eller for at forbedre modelrobusthed. - [System prompt](https://aiord.dk/ord/system-prompt): En system prompt er en indledende besked til en sprogmodel, der angiver kontekst, rolle eller adfærdsregler, som modellen skal følge gennem hele samtalen. - [System prompt engineering](https://aiord.dk/ord/system-prompt-engineering): Teknikken at designe og optimere systemprompten for at styre adfærden af en sprogmodel. - [t-SNE](https://aiord.dk/ord/t-sne): t-SNE er en ikke-lineær dimensionalitetsreduktionsteknik, der bruges til at visualisere højdimensionelle data i et lavdimensionelt rum (typisk 2D eller 3D) ved at bevare lokale nabo-strukturer. - [tanh activation](https://aiord.dk/ord/tanh-activation): Tanh-aktivering er en matematisk funktion, der anvendes i neuroner for at kortlægge input til output mellem -1 og 1. - [tanh-aktiveringsfunktion](https://aiord.dk/ord/tanh-aktiveringsfunktion): Tanh er en matematisk aktiveringsfunktion, der skalerer input til værdier mellem -1 og 1 og bruges i neurale netværk. - [target network](https://aiord.dk/ord/target-network): Et separat neuralt netværk, der bruges som et stabilt mål under Q-læring for at reducere svingninger i træningen. - [teacher ensemble](https://aiord.dk/ord/teacher-ensemble): Et teacher ensemble er en samling af flere forudtrænede modeller (teachers), der i fællesskab vejleder træningen af en enkelt student model, typisk ved at aggregerer deres forudsigelser eller logits. - [teacher-student setup](https://aiord.dk/ord/teacher-student-setup): En træningsteknik, hvor en stor, prætrænet model (læreren) vejleder en mindre model (eleven) ved at overføre viden via bløde labels eller logits. - [temperatur-scaling](https://aiord.dk/ord/temperatur-scaling): En post-processing teknik, der justerer en neural netværks softmax-udgang ved at dividere logitterne med en temperaturparameter for at forbedre kalibreringen af sandsynligheder. - [Temperature](https://aiord.dk/ord/temperature): En parameter, der skalerer logits før softmax for at styre tilfældigheden i tokensampling. - [temperatursampling](https://aiord.dk/ord/temperatursampling): Temperatursampling er en afkodningsstrategi, hvor logitterne fra en sprogmodel skaleres med en temperaturparameter inden softmax, hvilket styrer fordelingens skarphed. - [temperaturskalering](https://aiord.dk/ord/temperaturskalering): En metode til at skalere logits i en blød maksimeringsfunktion for at kontrollere 'skarpheden' af den resulterende sandsynlighedsfordeling. - [testdatasætsplit](https://aiord.dk/ord/testdatasaetsplit): Opdeling af et datasæt i separate delmængder (træning, validering, test) for at evaluere en models generaliseringsevne. - [testning](https://aiord.dk/ord/testning): Evaluering af en maskinlæringsmodel på et separat testdatasæt for at måle dens præstation på ikke sete data. - [text augmentation](https://aiord.dk/ord/text-augmentation): Teknik til at generere syntetiske træningseksempler i naturlig sprogbehandling ved at anvende transformationer som synonymudskiftning, backtranslation eller tilføjelse af støj. - [text segmentation](https://aiord.dk/ord/text-segmentation): Opdeling af tekst i mindre, meningsfulde enheder som sætninger, afsnit eller chunks. - [text-to-image generation](https://aiord.dk/ord/text-to-image-generation): Teknik til at generere billeder ud fra en tekstbeskrivelse ved hjælp af en AI-model. - [Text-to-speech](https://aiord.dk/ord/text-to-speech): Teknologi der konverterer skrevet tekst til syntetisk tale. - [tidlig fusion](https://aiord.dk/ord/tidlig-fusion): En fusionsteknik hvor data fra flere modaliteter kombineres på inputniveau, før de behandles af en model. - [tokenisering](https://aiord.dk/ord/tokenisering): Tokenisering er processen med at opdele en tekst i mindre enheder (tokens), typisk ord, underord eller tegn, som modellen kan behandle. - [Tokenization](https://aiord.dk/ord/tokenization): Tokenization er processen med at opdele en tekst i mindre enheder kaldet tokens, som kan være ord, underord eller tegn. - [Tokenizer](https://aiord.dk/ord/tokenizer): En tokenizer er et værktøj der opdeler tekst i mindre enheder (tokens) til brug i sprogmodeller. - [Tool calling](https://aiord.dk/ord/tool-calling): En teknik hvor en sprogmodel kan anmode om at udføre en foruddefineret funktion (værktøj) og indlejre resultatet i en samtale. - [Tool use](https://aiord.dk/ord/tool-use): Evnen hos en sprogmodel til at interagere med eksterne værktøjer som API'er, databaser eller regnemaskiner for at udføre opgaver, der kræver ekstern beregning eller information. - [Toolformer](https://aiord.dk/ord/toolformer): Toolformer er en metode til at finjustere en sprogmodel, så den kan lære at bruge eksterne værktøjer gennem få eksempler. - [Top-k](https://aiord.dk/ord/top-k): Selektions- eller samplingmetode, hvor kun de k mest sandsynlige elementer (f.eks. tokens eller dokumenter) bevares. - [top-k filtrering](https://aiord.dk/ord/top-k-filtrering): En dekodningsstrategi for sprogmodeller, hvor kun de k mest sandsynlige tokens overvejes ved hvert generationstrin. - [top-k gating](https://aiord.dk/ord/top-k-gating): En teknik i mixture-of-experts-modeller, hvor gaten vælger de k mest relevante eksperter baseret på en vægtet scoring. - [top-k retrieval](https://aiord.dk/ord/top-k-retrieval): En retrieval-metode, hvor de k mest relevante dokumenter eller elementer fra en samling hentes frem baseret på en relevansscore. - [Top-k sampling](https://aiord.dk/ord/top-k-sampling): Top-k sampling er en stokastisk tekstgenereringsteknik, hvor kun de k mest sandsynlige tokens overvejes ved næste forudsigelse. - [Top-p sampling](https://aiord.dk/ord/top-p-sampling): En stokastisk dekodningsstrategi, hvor næste token vælges fra et sæt af tokens med kumulativ sandsynlighed over en grænse p. - [træningsbatch](https://aiord.dk/ord/traeningsbatch): En underopdeling af træningsdata, som anvendes i én frem- og tilbagepassage under træning af en neural netværksmodel. - [Transfer learning](https://aiord.dk/ord/transfer-learning): Overførsel af viden fra en allerede trænet model til en ny, relateret opgave for at forbedre indlæringseffektivitet og præstation. - [Tree of Thought](https://aiord.dk/ord/tree-of-thought): En prompting-teknik, hvor modellen udforsker flere tænkestier samtidigt for at finde den bedste løsning. - [TTS](https://aiord.dk/ord/tts): Teknologi der konverterer skrevet tekst til talt tale. - [udfoldet RNN](https://aiord.dk/ord/udfoldet-rnn): En teknik hvor en tilbagevendende neuralt netværk (RNN) rulles ud over tidstrin, så det cykliske graf bliver til et feedforward-netværk, hvilket muliggør backpropagation gennem tiden (BPTT). - [UMAP](https://aiord.dk/ord/umap): UMAP er en ikke-lineær dimensionalitetsreduktionsteknik, der bruges til visualisering og klustering af højdimensionelle data. - [Unigram-tokenisering](https://aiord.dk/ord/unigram-tokenisering): Unigram-tokenisering er en subword-tokeniseringsteknik, der træner et unigram-sprogmodel over et korpus og vælger det mest sandsynlige segmenteringsmønster for hvert ord. - [unstructured pruning](https://aiord.dk/ord/unstructured-pruning): En metode til at komprimere neurale netværk ved at fjerne individuelle vægte eller forbindelser uden hensyn til struktur. - [unsupervised learning algorithm](https://aiord.dk/ord/unsupervised-learning-algorithm): En type maskinlæringsalgoritme, der finder mønstre i data uden at bruge foruddefinerede etiketter. - [uovervåget læring](https://aiord.dk/ord/uovervaaget-laering): Uovervåget læring er en maskinlæringsmetode, hvor modellen trænes på umærkede data uden angivelse af korrekte svar. - [Uovervåget indlæring](https://aiord.dk/ord/uovervaget-indlaering): En type maskinlæring, hvor modellen trænes på data uden mærkater og selv skal finde mønstre eller strukturer. - [uovervåget læring](https://aiord.dk/ord/uovervaget-laering): En maskinlæringsteknik, hvor en model trænes på data uden labels for at finde skjulte mønstre eller strukturer. - [upaaret billede-til-billede translation](https://aiord.dk/ord/upaaret-billede-til-billede-translation): En teknik inden for computervision, hvor en model oversætter billeder fra et domæne til et andet uden brug af parrede træningseksempler. - [usikkerhedsprøvetagning](https://aiord.dk/ord/usikkerhedsproevetagning): En aktiv læringsteknik hvor modellen vælger de data at blive mærket, som den er mest usikker på. - [vægtbeskæring](https://aiord.dk/ord/vaegtbaskaering): Vægtbeskæring er en modelkomprimeringsteknik, hvor ubetydelige vægte i en neuralt netværk fjernes for at reducere modelstørrelse og beregningsbyrde uden væsentligt præcisionstab. - [vægtinitialisering](https://aiord.dk/ord/vaegtinitialisering): Teknik til at fastsætte startværdierne for en neural netværks modelparametre før træning. - [variansreduktion](https://aiord.dk/ord/variansreduktion): Sæt af metoder til at mindske variansen af en estimator uden at øge bias. - [variationel inferens](https://aiord.dk/ord/variationel-inferens): En metode til at tilnærme en kompleks posterior-fordeling i bayesiansk statistik og maskinlæring ved at optimere en enklere fordeling. - [vector retrieval](https://aiord.dk/ord/vector-retrieval): Vectoretrieval er processen med at finde de mest relevante elementer i en vektordatabase ved at sammenligne en forespørgselsvektor med en samling af indlejrede vektorer. - [vektorbaseret søgning](https://aiord.dk/ord/vektorbaseret-soegning): Vektorbaseret søgning er en metode, hvor data repræsenteres som vektorer i et højdimensionelt rum, og lighed måles ved afstandsberegninger som cosinus-lighed eller euklidisk distance. - [vektorindeks](https://aiord.dk/ord/vektorindeks): En datastruktur der organiserer vektorer i et højdimensionelt rum for at muliggøre hurtig lighedssøgning. - [vektorindeksering](https://aiord.dk/ord/vektorindeksering): Vektorindeksering er en metode til at gemme og effektivt søge i højdimensionelle vektorer, typisk repræsentationer af data som tekst eller billeder, ved at organisere dem i en datastruktur der muliggør hurtig nearest neighbor-søgning. - [vektorindeksstruktur](https://aiord.dk/ord/vektorindeksstruktur): En datastruktur designet til at indeksere og effektivt søge i højdimensionelle vektorer, typisk anvendt til lighedssøgning. - [vektorisering](https://aiord.dk/ord/vektorisering): Vektorisering er processen med at omdanne data eller operationer til en vektorrepræsentation, ofte for at udnytte parallelle beregninger eller maskinlæringsmodeller. - [vektoriseringsmetode](https://aiord.dk/ord/vektoriseringsmetode): En metode til at omdanne ikke-numeriske data, såsom tekst eller billeder, til numeriske vektorer, som maskinlæringsmodeller kan behandle. - [Vibe coding](https://aiord.dk/ord/vibe-coding): En uformel tilgang til programmering, hvor udvikleren bruger naturlige sprogprompter til at interagere med en AI-model for at generere eller modificere kode. - [Voice cloning](https://aiord.dk/ord/voice-cloning): Teknik til at syntetisere en persons stemme ved hjælp af maskinlæring, typisk baseret på få lydoptagelser. - [Weight decay](https://aiord.dk/ord/weight-decay): Weight decay er en regulariseringsteknik der tilføjer en straf proportional med vægtenes størrelse til tabsfunktionen, typisk implementeret som L2-regularisering. - [Weight initialization](https://aiord.dk/ord/weight-initialization): Teknik til at fastsætte startværdier for en neural netværks vægte før træning. - [WGAN](https://aiord.dk/ord/wgan): En type generativt adversart netværk, der bruger Wasserstein-afstanden til at stabilisere træning og undgå mode collapse. - [WGAN-GP](https://aiord.dk/ord/wgan-gp): WGAN-GP er en forbedret version af Wasserstein GAN, der anvender en gradientstraffunktion (gradient penalty) i stedet for vægtklipning for at opfylde Lipschitz-betingelsen. - [white-box adversarial attack](https://aiord.dk/ord/white-box-adversarial-attack): Et white-box adversarial attack er et angreb mod en maskinlæringsmodel, hvor angriberen har fuld adgang til modellens arkitektur, vægte og parametre. - [WordPiece](https://aiord.dk/ord/wordpiece): WordPiece er en tokniseringsteknik, der opdeler ord i hyppige underordsekvenser ved at lære et vokabular af subword-enheder. - [WordPiece-tokenizer](https://aiord.dk/ord/wordpiece-tokenizer): En subord-tokeniseringsalgoritme, der opdeler ord i kendte delordsenheder ved hjælp af en grådig længste-match-fremgangsmåde og en foruddefineret vokabular. - [world model-læring](https://aiord.dk/ord/world-model-laering): Læring af en intern model af verden, der kan simulere fremtidige tilstande og belønninger. - [XAI-metode](https://aiord.dk/ord/xai-metode): En XAI-metode er en teknik, der gør det muligt at forstå og fortolke output fra en AI-model. - [Xavier initialization](https://aiord.dk/ord/xavier-initialization): Xavier-initiering er en metode til at initialisere vægtene i et neuralt netværk, så variansen af output fra hvert lag bevares, hvilket forhindrer gradienter i at forsvinde eller eksplodere. - [Zero initialization](https://aiord.dk/ord/zero-initialization): Initialisering af alle vægte i et neuralt netværk til nul. - [Zero-shot chain-of-thought](https://aiord.dk/ord/zero-shot-chain-of-thought): En prompting-teknik, hvor en sprogmodel opfordres til at generere ræsonnementstrin uden at få vist eksempler, typisk ved at tilføje 'Lad os tænke trin for trin' til prompten. - [Zero-shot classification](https://aiord.dk/ord/zero-shot-classification): Klassifikation af datapunkter uden forudgående træning på specifikke klasser ved at udnytte semantiske repræsentationer. - [Zero-shot detection](https://aiord.dk/ord/zero-shot-detection): En teknik inden for objektdetektion, hvor en model identificerer objekter fra kategorier, den ikke har set under træning. - [Zero-shot learning](https://aiord.dk/ord/zero-shot-learning): Zero-shot learning er en maskinlæringsteknik, hvor en model klassificerer objekter fra klasser, den ikke har set under træning, ved hjælp af semantiske repræsentationer eller beskrivelser. - [zero-shot object detection](https://aiord.dk/ord/zero-shot-object-detection): Zero-shot object detection er en teknik inden for computer vision, hvor en model kan lokalisere og klassificere objekter fra klasser, den ikke har set under træning. - [Zero-shot prompting](https://aiord.dk/ord/zero-shot-prompting): En prompt-teknik, hvor en sprogmodel udfører en opgave uden at have set nogen eksempler på opgaven i prompterne. ## metrik (metric) - [accuracy](https://aiord.dk/ord/accuracy): Accuracy er en metrik, der angiver andelen af korrekte forudsigelser ud af alle forudsigelser. - [accuracy score](https://aiord.dk/ord/accuracy-score): Accuracy score er en metrik, der måler andelen af korrekte forudsigelser ud af alle forudsigelser i en klassifikationsmodel. - [AUC](https://aiord.dk/ord/auc): AUC er et mål for en models evne til at skelne mellem positive og negative klasser, uafhængigt af klassifikationstærskel. - [AUC-PR](https://aiord.dk/ord/auc-pr): AUC-PR måler arealet under præcision-genkaldelseskurven og opsummerer modellens ydeevne ved alle klassifikationstærskler. - [AUC-ROC](https://aiord.dk/ord/auc-roc): AUC-ROC er en metrik, der måler et binært klassifikationssystems evne til at skelne mellem positive og negative klasser på tværs af alle klassifikationstærskler. - [Average Precision](https://aiord.dk/ord/average-precision): Average Precision (AP) er et mål for præcisionen af en model over alle recall-niveauer, ofte brugt i informationssøgning og objektdetektion. - [balanced accuracy](https://aiord.dk/ord/balanced-accuracy): Balanceret nøjagtighed er gennemsnittet af recall for hver klasse, ofte defineret som (sensitivity + specificity)/2. - [benchmark score](https://aiord.dk/ord/benchmark-score): En benchmark-score er en numerisk værdi, der repræsenterer en models præstation på en standardiseret test. - [bias test metrik](https://aiord.dk/ord/bias-test-metrik): En bias test metrik er et kvantitativt mål, der vurderer, om en AI-model udviser systematisk forskelsbehandling over for bestemte grupper baseret på beskyttede attributter som køn eller race. - [binær log loss](https://aiord.dk/ord/binaer-log-loss): Binær log loss er en tabsfunktion for binær klassifikation, der straffer forkerte forudsigelser logaritmisk baseret på sandsynlighedsudgange. - [BLEU](https://aiord.dk/ord/bleu): Automatisk metrik der måler n-gram-præcision mellem genereret tekst og reference, justeret med brevity-straf. - [BLEU-4](https://aiord.dk/ord/bleu-4): BLEU-4 er en automatisk evalueringsmetrik til maskinoversættelse, der måler n-gram-overlap mellem en kandidat-tekst og en eller flere referencetekster, vægter ligeligt, og anvender en straf for korte oversættelser. - [BLEU-score](https://aiord.dk/ord/bleu-score): BLEU-score er en automatisk metrik til evaluering af maskinoversættelse, der måler n-gram-overlap mellem en kandidatoversættelse og en eller flere referenceoversættelser. - [Categorical cross-entropy](https://aiord.dk/ord/categorical-cross-entropy): Categorical cross-entropy er en tabsfunktion, der måler forskellen mellem den sande sandsynlighedsfordeling over klasser og den forudsagte fordeling. - [confusion matrix](https://aiord.dk/ord/confusion-matrix): En tabel, der opsummerer en klassifikationsmodels præstation ved at sammenligne forudsagte og faktiske klasser. - [corpus-BLEU](https://aiord.dk/ord/corpus-bleu): Corpus-BLEU er en evalueringsmetrik for maskinoversættelse, der beregner n-gram præcision over hele korpuset og straffer for korte oversættelser via en brevity penalty. - [cosine distance](https://aiord.dk/ord/cosine-distance): Cosine distance er et mål for forskellen mellem to vektorer, defineret som 1 minus cosinus af vinklen mellem dem. - [cosine lighed](https://aiord.dk/ord/cosine-lighed): Cosine lighed er et mål for, hvor ens to ikke-nul-vektorer er i retning, uafhængigt af deres længde, beregnet som cosinus til vinklen mellem dem. - [cosine similarity](https://aiord.dk/ord/cosine-similarity): Cosinus-lighed er en metrik, der måler ligheden mellem to ikke-nul vektorer ved at beregne cosinus af vinklen mellem dem. - [cosinus-afstand](https://aiord.dk/ord/cosinus-afstand): Cosinus-afstand måler forskellen mellem to vektorer som 1 minus cosinus-ligheden, hvor værdien går fra 0 (identisk retning) til 2 (modsat retning). - [Cross-entropy loss](https://aiord.dk/ord/cross-entropy-loss): Cross-entropy loss er en tabfunktion, der måler forskellen mellem den sande fordeling og den forudsagte fordeling ved at beregne den negative logaritme af sandsynligheden for de korrekte klasser. - [eval-måling](https://aiord.dk/ord/eval-maaling): En eval-måling er en kvantitativ målestok, der bruges til at vurdere en AI-models præstation på en specifik opgave. - [evaluation metric](https://aiord.dk/ord/evaluation-metric): En evaluation metric er en kvantitativ måling, der bruges til at vurdere en models præstation på en given opgave. - [evalueringsmetrik](https://aiord.dk/ord/evalueringsmetrik): En evalueringsmetrik er en kvantitativ måling, der bruges til at vurdere en models præstation på en given opgave. - [Expected Calibration Error](https://aiord.dk/ord/expected-calibration-error): Expected Calibration Error (ECE) er en metrik, der måler afvigelsen mellem en models forudsagte sandsynligheder og de faktiske observerede frekvenser, typisk opdelt i intervaller (bins). - [F1 score](https://aiord.dk/ord/f1-score): Det harmoniske gennemsnit af præcision og recall, der bruges som en samlet metrik for en klassifikationsmodels nøjagtighed. - [fairness-metric](https://aiord.dk/ord/fairness-metric): En fairness-metric er et kvantitativt mål der evaluerer om en models forudsigelser opfylder et bestemt fairness-kriterium på tværs af grupper. - [fairness-metrik](https://aiord.dk/ord/fairness-metrik): En fairness-metrik er en kvantitativ måling af, i hvor høj grad en AI-models beslutninger er retfærdige på tværs af demografiske grupper. - [faktaaccuracy](https://aiord.dk/ord/faktaaccuracy): Faktaaccuracy er en metrik, der måler andelen af faktuelle påstande i en models output, som er korrekte. - [Fβ-score](https://aiord.dk/ord/fbeta-score): Fβ-score er det vægtede harmoniske gennemsnit af præcision og recall, hvor β angiver, hvor mange gange recall er vigtigere end præcision. - [Genkaldelsesrate](https://aiord.dk/ord/genkaldelsesrate): Genkaldelsesrate måler andelen af relevante positive instanser, der identificeres korrekt af modellen. - [gennemsnitlig præcision](https://aiord.dk/ord/gennemsnitlig-praecision): Metrik der beregner det gennemsnitlige præcisionsniveau over alle recall-niveauer for en rangordnet resultatliste. - [gennemsnitlig præcision](https://aiord.dk/ord/gennemsnitlig-precision): Mål for kvaliteten af en rangeringsmodel, beregnet som gennemsnittet af præcisionen ved hver relevant position. - [hallucination rate](https://aiord.dk/ord/hallucination-rate): Hyppigheden hvormed en sprogmodel producerer faktuel forkerte eller opdigtede oplysninger. - [kalibreringskurve](https://aiord.dk/ord/kalibreringskurve): En graf der viser sammenhængen mellem en models forudsagte sandsynligheder og de observerede frekvenser af positive udfald. - [kategorisk krydsentropi](https://aiord.dk/ord/kategorisk-krydsentropi): Kategorisk krydsentropi er et tabsfunktionsmål, der kvantificerer forskellen mellem de forudsagte sandsynligheder og de sande klasseetiketter i flerklasseklassifikation. - [konfusionsmatrix](https://aiord.dk/ord/konfusionsmatrix): En tabel, der opsummerer ydeevnen af en klassifikationsmodel ved at vise antallet af korrekte og forkerte forudsigelser for hver klasse. - [krydsentropi](https://aiord.dk/ord/krydsentropi): Krydsentropi er et mål for forskellen mellem to sandsynlighedsfordelinger, ofte brugt som tabsfunktion i klassifikationsmodeller. - [Kullback-Leibler divergens](https://aiord.dk/ord/kullback-leibler-divergens): Et mål for forskellen mellem to sandsynlighedsfordelinger, defineret som den forventede logaritmiske forskel mellem dem. - [log loss](https://aiord.dk/ord/log-loss): Log loss er en tabsfunktion, der måler, hvor godt en klassifikationsmodels forudsagte sandsynligheder passer til de faktiske klasser, med en lavere værdi, der indikerer bedre ydeevne. - [macro F1](https://aiord.dk/ord/macro-f1): Macro F1 er det u vægtede gennemsnit af F1-score for hver klasse i en klassifikationsopgave, hvor alle klasser behandles lige uafhængigt af deres hyppighed. - [makro-F1](https://aiord.dk/ord/makro-f1): Makro-F1 er gennemsnittet af F1-scorer beregnet separat for hver klasse, hvilket giver lige vægt til alle klasser uanset deres hyppighed. - [makro-F1-score](https://aiord.dk/ord/makro-f1-score): Makro-F1-score er gennemsnittet af F1-scores beregnet separat for hver klasse, hvilket giver lige vægt til alle klasser uanset deres størrelse. - [mean Average Precision (mAP)](https://aiord.dk/ord/mean-average-precision-map): Gennemsnittet af gennemsnitlig præcision (AP) over alle klasser i en objektgenkendelses- eller informationsgenfindingsopgave. - [mean squared error](https://aiord.dk/ord/mean-squared-error): Mean squared error (MSE) er gennemsnittet af de kvadrerede forskelle mellem forudsagte og faktiske værdier i en regression. - [METEOR](https://aiord.dk/ord/meteor): METEOR er en evalueringsmetrik for maskinoversættelse og tekstgenerering, der måler kvaliteten ved at sammenligne hypoteser med referencer under hensyntagen til synonymi, ordstilling og stemming. - [metrik](https://aiord.dk/ord/metrik): En metrik er en kvantitativ måling, der bruges til at evaluere eller sammenligne præstationen af en AI-model. - [micro-averaged F1](https://aiord.dk/ord/micro-averaged-f1): Micro-averaged F1 er en global gennemsnitsberegning af F1-score, der beregnes ved at aggregere sande positive, falske positive og falske negative på tværs af alle klasser og derefter beregne F1 ud fra de samlede tal. - [middel gennemsnitlig præcision](https://aiord.dk/ord/middel-gennemsnitlig-praecision): Middel gennemsnitlig præcision (MAP) er en metrik, der måler den gennemsnitlige præcision over flere forespørgsler eller brugere, typisk brugt i informationsgenfinding og anbefalingssystemer. - [mikro-F1](https://aiord.dk/ord/mikro-f1): Mikro-F1 er en evalueringsmetrik, der beregner det harmoniske gennemsnit af præcision og recall på tværs af alle klasser ved at aggregere tællere (TP, FP, FN) globalt. - [mikro-F1-score](https://aiord.dk/ord/mikro-f1-score): Mikro-F1-score er en variant af F1-score, der beregnes ved at aggregere sandt positive, falsk positive og falsk negative på tværs af alle klasser, før F1 beregnes. - [model-interpretabilitetsmetrik](https://aiord.dk/ord/model-interpretabilitetsmetrik): En model-interpretabilitetsmetrik er et kvantitativt mål, der vurderer, hvor let en menneskelig bruger kan forstå eller fortolke en maskinlæringsmodels beslutninger. - [normaliseret confusion matrix](https://aiord.dk/ord/normaliseret-confusion-matrix): En normaliseret confusion matrix er en variant af confusion matrix, hvor tællingerne er skaleret til andele, typisk per række (sande klasse) eller per kolonne (forudsagt klasse). - [normalized mean squared error](https://aiord.dk/ord/normalized-mean-squared-error): En metrik, der måler den gennemsnitlige kvadratiske afvigelse mellem observerede og forudsagte værdier, normaliseret med variansen af de observerede værdier. - [perplexity](https://aiord.dk/ord/perplexity): Perplexity er en metrik, der måler, hvor godt en sprogmodel forudsiger en sekvens af tokens. - [perplexity-metrik](https://aiord.dk/ord/perplexity-metrik): Et mål for hvor godt en sprogmodel forudsiger en sekvens af tokens, defineret som eksponentialet af den gennemsnitlige krydsentropi. - [Perplexity-score](https://aiord.dk/ord/perplexity-score): Perplexity-score er en metrik, der måler, hvor godt en sprogmodel forudsiger en sekvens af tokens, defineret som eksponentialet af gennemsnitlig krydsentropi. - [perplexity-værdi](https://aiord.dk/ord/perplexity-vaerdi): Perplexity-værdi er en metrik, der måler, hvor godt en sprogmodel forudsiger en given tekstsekvens. - [Precision](https://aiord.dk/ord/precision): Præcision måler andelen af korrekte positive forudsigelser ud af alle positive forudsigelser. - [precision-recall](https://aiord.dk/ord/precision-recall): Præcision og recall er to metrikker til evaluering af klassifikationsmodeller, der måler henholdsvis nøjagtigheden af positive forudsigelser og modellens evne til at finde alle relevante tilfælde. - [precision-recall kurve](https://aiord.dk/ord/precision-recall-curve): En graf der viser afvejningen mellem præcision og recall for en klassifikationsmodel ved forskellige tærskelværdier. - [precision-recall kurve](https://aiord.dk/ord/precision-recall-kurve): En kurve der viser sammenhængen mellem præcision og recall ved forskellige klassifikationstærskler. - [Recall](https://aiord.dk/ord/recall): Recall er en evalueringsmetrik, der måler andelen af korrekt identificerede positive instanser ud af alle faktiske positive instanser. - [Recall@k](https://aiord.dk/ord/recall-at-k): Recall@k måler andelen af relevante dokumenter blandt de k første resultater i en rangering. - [Recall@k](https://aiord.dk/ord/recall-k): Recall@k måler andelen af relevante elementer, der findes blandt de øverste k anbefalinger eller søgeresultater. - [Recall score](https://aiord.dk/ord/recall-score): Recall er andelen af sande positive blandt alle faktisk positive instanser, også kaldet sensitivitet eller True Positive Rate. - [ROC curve](https://aiord.dk/ord/roc-curve): En grafisk fremstilling af en binær klassifikationsmodels ydeevne ved at plotte sand positiv rate mod falsk positiv rate ved forskellige tærskelværdier. - [root mean squared error](https://aiord.dk/ord/root-mean-squared-error): Kvadratroden af gennemsnittet af kvadrerede forskelle mellem forudsagte og observerede værdier. - [ROUGE](https://aiord.dk/ord/rouge): ROUGE er en metrik til automatisk evaluering af tekstopsummering og maskinoversættelse, der måler overlap af n-gram, ordsekvenser og ordpar mellem en genereret tekst og reference(r). - [ROUGE-1](https://aiord.dk/ord/rouge-1): En metrik til evaluering af automatisk tekstopsummering, der måler overlap af enkeltord (unigrammer) mellem en reference- og en kandidatsammenfatning. - [ROUGE-2](https://aiord.dk/ord/rouge-2): ROUGE-2 er en automatisk evalueringsmetrik, der måler overlap af bigrammer (2-grams) mellem en maskinskrevet tekst og en reference-tekst for at vurdere kvaliteten af tekstgenerering, især inden for automatisk opsummering. - [ROUGE-L](https://aiord.dk/ord/rouge-l): ROUGE-L er en evalueringsmetrik til automatisk vurdering af tekster, der måler længden af den længste fælles delsekvens (LCS) mellem en reference- og en kandidattekst. - [ROUGE-N](https://aiord.dk/ord/rouge-n): ROUGE-N er en recall-baseret metrik, der måler overlap af n-grammer mellem en kandidattekst og en referencetekst, primært brugt til evaluering af automatisk tekstopsummering og maskinoversættelse. - [ROUGE-S](https://aiord.dk/ord/rouge-s): ROUGE-S er en evalueringsmetrik, der måler overlap af skip-gram (sekvenser af ord med mellemrum) mellem en referencetekst og en genereret tekst, med fokus på recall. - [ROUGE-SU](https://aiord.dk/ord/rouge-su): En evalueringsmetrik til automatisk opsummering, der måler overlap af unigrammer og skip-bigrammer mellem en maskinelt genereret og en referenceopsummering. - [ROUGE-W](https://aiord.dk/ord/rouge-w): ROUGE-W er en automatisk evalueringsmetrik til tekstopsummering, der beregner vægtet længste fælles undersekvens (W-LCS) mellem en modelgenereret reference og en referenceopsummering. - [sensitivity](https://aiord.dk/ord/sensitivity): Sensitivitet er andelen af faktisk positive tilfælde, der korrekt identificeres af modellen. - [sentence-BLEU](https://aiord.dk/ord/sentence-bleu): Sentence-BLEU er en variant af BLEU-metrikken, der evaluerer kvaliteten af en enkelt oversat sætning ved at måle n-gram-overlap med en referencesætning. - [Silhouette score](https://aiord.dk/ord/silhouette-score): Silhouette score er et mål for, hvor godt et objekt passer ind i sin egen klynge sammenlignet med andre klynger, baseret på både kohesion og separation. - [test-perplexity](https://aiord.dk/ord/test-perplexity): Et mål for, hvor godt en sprogmodel forudsiger en testdatasætsekvens, beregnet som den geometriske gennemsnitlige inverse sandsynlighed for ordene i testdata. - [test-sæt-fejlrate](https://aiord.dk/ord/test-saet-fejlrate): Test-sæt-fejlrate er andelen af forkerte forudsigelser på et test-datasæt. - [test-sæt-nøjagtighed](https://aiord.dk/ord/test-saet-noejagtighed): Måling af andelen af korrekte forudsigelser på et separat testsæt, som modellen ikke har set under træning. - [træningsloss](https://aiord.dk/ord/traeningsloss): Træningsloss er gennemsnittet af tabsfunktionsværdierne beregnet over træningsdataene under modeltræning. - [true positive rate](https://aiord.dk/ord/true-positive-rate): Andelen af korrekt identificerede positive tilfælde blandt alle faktisk positive tilfælde. - [vægtet F1](https://aiord.dk/ord/vaegtet-f1): Vægtet F1 er et gennemsnit af F1-scores for hver klasse, vægtet efter antallet af sande instanser i hver klasse. - [Weighted cross-entropy](https://aiord.dk/ord/weighted-cross-entropy): En tabsfunktion der tilpasser krydsentropien ved at vægte hver klasses bidrag forskelligt, typisk for at håndtere ubalancerede datasæt. ## værktøj (tool) - [AI-kodningsassistent](https://aiord.dk/ord/ai-kodningsassistent): AI-baseret værktøj der hjælper udviklere med at skrive, forstå og debugge kode. - [benchmark-rammeværk](https://aiord.dk/ord/benchmark-rammevaerk): Et benchmark-rammeværk er et standardiseret sæt af værktøjer og metoder til at evaluere og sammenligne AI-modellers ydeevne på specifikke opgaver. - [bias-detektionsframework](https://aiord.dk/ord/bias-detektionsframework): Et bias-detektionsframework er en samling af værktøjer, metrikker og retningslinjer designet til at identificere, måle og afhjælpe bias i maskinlæringsmodeller. - [bias-detektionsværktøj](https://aiord.dk/ord/bias-detektionsvaerktoj): Værktøj til at identificere og kvantificere bias i AI-systemers data, modeller eller output. - [CUDA](https://aiord.dk/ord/cuda): En parallel computerplatform og programmeringsmodel fra NVIDIA til generel databehandling på GPU'er. - [CUDA-driver](https://aiord.dk/ord/cuda-driver): CUDA-driveren er et lav-niveau softwarelag, der muliggør kommunikation mellem operativsystemet og NVIDIA GPU'er og gør det muligt for CUDA-programmer at køre. - [CUDA-værktøjssæt](https://aiord.dk/ord/cuda-vaerktoejssaet): CUDA-værktøjssæt er en samling udviklingsværktøjer, biblioteker og drivere fra NVIDIA til programmering af CUDA-aktiverede GPU'er. - [cuDNN](https://aiord.dk/ord/cudnn): Et optimeret NVIDIA-bibliotek med GPU-accelererede operationer til dybe neurale netværk. - [data-labeling-platform](https://aiord.dk/ord/data-labeling-platform): En softwareplatform til at oprette, administrere og kvalitetssikre annoteringer af data til træning af maskinlæringsmodeller. - [data-labeling-tool](https://aiord.dk/ord/data-labeling-tool): Softwareværktøj til manuel eller semiautomatisk annotering af data (fx billeder, tekst, lyd) med etiketter til træning af maskinlæringsmodeller. - [datapipeline-orchestrator](https://aiord.dk/ord/datapipeline-orchestrator): Et system der planlægger, overvåger og koordinerer udførelsen af trin i en datapipeline. - [deep learning framework](https://aiord.dk/ord/deep-learning-framework): En softwareplatform med værktøjer til at designe, træne og implementere dybe neurale netværk. - [Edge TPU](https://aiord.dk/ord/edge-tpu): Edge TPU er en lille, strømbesparende ASIC fra Google, der accelererer inferens af maskinlæringsmodeller på edge-enheder. - [experiment tracking tool](https://aiord.dk/ord/experiment-tracking-tool): Et system der registrerer parametre, målinger og artefakter fra maskinlæringseksperimenter. - [feature store](https://aiord.dk/ord/feature-store): Et feature store er et centraliseret lager til lagring, deling og genbrug af maskinlæringstræk på tværs af projekter. - [Forklarlighedsværktøj](https://aiord.dk/ord/forklarlighedsvaerktoej): Et værktøj der genererer forklaringer på, hvordan en AI-model når frem til en given beslutning eller forudsigelse. - [GPU](https://aiord.dk/ord/gpu): En specialiseret processor designet til parallel behandling, der anvendes i kunstig intelligens til at accelerere træning og inferens af neurale netværk. - [GPU-klynge](https://aiord.dk/ord/gpu-klynge): En GPU-klynge er en samling af flere GPU'er forbundet via et højhastighedsnetværk, der arbejder sammen om at udføre parallelle beregninger. - [Gradio Space](https://aiord.dk/ord/gradio-space): Gradio Space er en cloud-baseret platform fra Hugging Face til at hoste og dele interaktive maskinlæringsdemoer bygget med Gradio. - [Hugging Face](https://aiord.dk/ord/hugging-face): Hugging Face er en virksomhed og platform, der udvikler open-source-værktøjer til maskinlæring, især Transformers-biblioteket og Model Hub. - [Hugging Face Hub](https://aiord.dk/ord/hugging-face-hub): Hugging Face Hub er en central platform til deling og versionering af maskinlæringsmodeller, datasæt og demoapplikationer. - [Hugging Face Space SDK](https://aiord.dk/ord/hugging-face-space-sdk): Software Development Kit (SDK) til programmatisk interaktion med Hugging Face Spaces, typisk via Python-biblioteket huggingface_hub. - [Hugging Face Spaces](https://aiord.dk/ord/hugging-face-spaces): Hugging Face Spaces er en cloud-baseret platform til at hoste, dele og demonstrere machine learning-modeller gennem interaktive apps og demos. - [Hugging Face Transformers](https://aiord.dk/ord/hugging-face-transformers): Hugging Face Transformers er et open-source Python-bibliotek, der giver adgang til forudtrænede modeller og værktøjer baseret på Transformer-arkitekturen til naturlig sprogbehandling. - [Hugging Face Transformers pipeline](https://aiord.dk/ord/hugging-face-transformers-pipeline): En højniveaufunktion fra Hugging Face Transformers-biblioteket, der gør det muligt at anvende fortrænede modeller til specifikke NLP-opgaver med få linjer kode. - [indholdsmodereringssystem](https://aiord.dk/ord/indholdsmodereringssystem): Et indholdsmodereringssystem er et automatiseret eller menneskeligt system, der vurderer og filtrerer brugeroprettet indhold for at forhindre spredning af skadelige, upassende eller ulovlige materialer. - [Inference server](https://aiord.dk/ord/inference-server): En server eller tjeneste, der kører en trænet AI-model og leverer inferensresultater via en API. - [InfiniBand](https://aiord.dk/ord/infiniband): InfiniBand er et højhastighedsnetværksinterface med lav latenstid, der bruges til at forbinde computere i datacentre og supercomputere. - [JAX](https://aiord.dk/ord/jax): JAX er et open source-bibliotek til højtydende numerisk computing, der kombinerer automatisk differentiering, JIT-kompilering og accelereret array-manipulation, primært til maskinlæringsforskning. - [jax.pmap](https://aiord.dk/ord/jax-pmap): jax.pmap er en funktion i JAX-biblioteket, der udfører automatisk parallelisering af funktioner på tværs af flere enheder ved brug af single-program multiple-data (SPMD)-paradigmet. - [jax.jit](https://aiord.dk/ord/jaxjit): jax.jit er en funktion i JAX-biblioteket, der kompilerer og optimerer Python-funktioner til højtydende eksekvering ved hjælp af just-in-time (JIT) kompilering. - [Keras](https://aiord.dk/ord/keras): Et højt niveau API til at bygge og træne neurale netværk, skrevet i Python og integreret i TensorFlow. - [Keras-modul](https://aiord.dk/ord/keras-modul): Et Keras-modul er en byggesten i Keras-biblioteket, typisk et lag eller en modeldefinition, der bruges til at konstruere neurale netværk. - [LightningDataModule](https://aiord.dk/ord/lightningdatamodule): En klasse i PyTorch Lightning, der organiserer dataindlæsning, præprocessing og opdeling i trænings-, validerings- og testdatasæt på en genanvendelig måde. - [MCP](https://aiord.dk/ord/mcp): MCP (Model Context Protocol) er en åben protokol, der definerer, hvordan AI-modeller kommunikerer med eksterne systemer for at hente kontekst og udføre handlinger. - [MCP-klient](https://aiord.dk/ord/mcp-klient): En MCP-klient er en softwarekomponent, der implementerer klient-siden af Model Context Protocol (MCP) for at kommunikere med MCP-servere. - [MCP-server](https://aiord.dk/ord/mcp-server): En MCP-server er en server, der implementerer Model Context Protocol (MCP) for at eksponere værktøjer, ressourcer og prompter til sprogmodeller som AI-assistenter. - [MLOps-platform](https://aiord.dk/ord/mlops-platform): En MLOps-platform er en integreret suite af værktøjer og tjenester, der understøtter hele livscyklussen for maskinlæringsmodeller fra udvikling til drift og monitorering. - [Model registry](https://aiord.dk/ord/model-registry): Et system til versionering, lagring og styring af maskinlæringsmodeller gennem deres livscyklus. - [model serving framework](https://aiord.dk/ord/model-serving-framework): Et model serving framework er en softwareplatform, der muliggør deployment, hosting og inferens af maskinlæringsmodeller i produktion via en API. - [nvcc](https://aiord.dk/ord/nvcc): nvcc er compilerværktøjet til at oversætte CUDA C++-kode til eksekverbare filer, der kan køre på NVIDIA GPU'er. - [nvcc flag](https://aiord.dk/ord/nvcc-flag): En compiler-flag til nvcc, NVIDIA's CUDA compiler, der styrer kompileringsprocessen for CUDA-kode. - [nvcc-kompilering](https://aiord.dk/ord/nvcc-kompilering): Kompilering af CUDA-kode ved hjælp af NVIDIA CUDA Compiler (nvcc). - [Nvidia](https://aiord.dk/ord/nvidia): Nvidia er en virksomhed, der producerer grafikprocessorer (GPU'er), som er afgørende for træning og inferens af deep learning-modeller på grund af deres parallelle beregningskapacitet. - [Nvidia CUDA](https://aiord.dk/ord/nvidia-cuda): CUDA er en parallel computerplatform og API, der gør det muligt for software at udnytte Nvidia GPU'er til generel databehandling. - [Nvidia GPU](https://aiord.dk/ord/nvidia-gpu): En Nvidia GPU er en grafikprocessor fra Nvidia, som anvendes til massiv parallel databehandling, især inden for kunstig intelligens og deep learning. - [OCR-software](https://aiord.dk/ord/ocr-software): Software der automatisk genkender og udtrækker trykt eller håndskreven tekst fra scannede dokumenter, billeder eller PDF-filer. - [ONNX](https://aiord.dk/ord/onnx): ONNX er en åben standard for at repræsentere maskinlæringsmodeller, så de kan overføres mellem forskellige frameworks. - [ONNX Runtime](https://aiord.dk/ord/onnx-runtime): ONNX Runtime er en open-source, krydsplatforms-inferensmotor til maskinlæringsmodeller, der optimerer og udfører modeller i ONNX-formatet. - [PEFT-library](https://aiord.dk/ord/peft-library): PEFT-library er et open-source-bibliotek fra Hugging Face, der implementerer parameter-effektive finjusteringsteknikker som LoRA, AdaLoRA og Prefix Tuning. - [PyTorch](https://aiord.dk/ord/pytorch): PyTorch er et open source deep learning-bibliotek til Python, udviklet af Meta AI, der anvender dynamiske beregningsgrafer til fleksibel og intuitiv modelkonstruktion. - [PyTorch Lightning](https://aiord.dk/ord/pytorch-lightning): Et open-source Python-bibliotek, der giver en struktureret ramme til at organisere og automatisere træning af deep learning-modeller bygget med PyTorch. - [scikit-learn](https://aiord.dk/ord/scikit-learn): Scikit-learn er et open-source Python-bibliotek til maskinlæring, bygget på NumPy, SciPy og matplotlib. - [semantisk søgemaskine](https://aiord.dk/ord/semantisk-sogemaskine): En søgemaskine der bruger semantisk forståelse til at matche forespørgsler med dokumenter baseret på mening frem for nøgleord. - [simuleringsmiljø](https://aiord.dk/ord/simuleringsmiljoe): En digital simulering af en verden eller et system, som agenter (f.eks. AI-modeller) kan interagere med for at lære eller teste adfærd. - [sklearn](https://aiord.dk/ord/sklearn): sklearn er et populært Python-bibliotek til maskinlæring, der bygger på NumPy, SciPy og matplotlib. - [Stable Diffusion Web UI](https://aiord.dk/ord/stable-diffusion-web-ui): En brugergrænseflade til webbrowseren, der gør det muligt at interagere med Stable Diffusion-modeller til billedgenerering uden kommandolinje. - [TensorBoard](https://aiord.dk/ord/tensorboard): TensorBoard er et visualiseringsværktøj til TensorFlow, der bruges til at logge, overvåge og visualisere træningsforløb, metrikker, grafer og data under maskinlæringsmodeller. - [TensorBoard-callback](https://aiord.dk/ord/tensorboard-callback): En Keras-callback der logge træningsdata til visualisering i TensorBoard. - [TensorBoard-logger](https://aiord.dk/ord/tensorboard-logger): Et værktøj til at logge data fra maskinlæringseksperimenter til visualisering i TensorBoard. - [TensorFlow](https://aiord.dk/ord/tensorflow): TensorFlow er et open-source maskinlæringsbibliotek udviklet af Google, der anvender datastrømsgrafer til numerisk beregning. - [TensorFlow Extended (TFX)](https://aiord.dk/ord/tensorflow-extended-tfx): TensorFlow Extended (TFX) er en open source-platform til implementering og styring af produktionsklare machine learning-pipelines baseret på TensorFlow. - [TensorFlow.js](https://aiord.dk/ord/tensorflow-js): TensorFlow.js er et open source JavaScript-bibliotek til maskinlæring, der muliggør træning og inferens af modeller direkte i browseren eller i Node.js. - [TensorFlow.js Node.js](https://aiord.dk/ord/tensorflow-js-node-js): TensorFlow.js Node.js er en biblioteksimplementering af TensorFlow.js til kørsel af machine learning-modeller i Node.js-miljøet. - [TensorFlow Lite](https://aiord.dk/ord/tensorflow-lite): TensorFlow Lite er en letvægtsversion af TensorFlow til at køre maskinlæringsmodeller på mobile og indlejrede enheder. - [TensorFlow Lite Micro](https://aiord.dk/ord/tensorflow-lite-micro): TensorFlow Lite Micro er en maskinlæringsbibliotek til at køre TensorFlow-modeller på mikrocontrollere og andre små embedded-enheder. - [TensorFlow Serving](https://aiord.dk/ord/tensorflow-serving): TensorFlow Serving er et fleksibelt, high-performance system til at serve machine learning-modeller i produktion, designet til at integrere med TensorFlow, men understøtter også andre frameworks. - [TF Hub](https://aiord.dk/ord/tf-hub): TF Hub er en platform til deling og genbrug af fortrænede maskinlæringsmoduler, primært til TensorFlow. - [tf.keras](https://aiord.dk/ord/tf-keras): tf.keras er TensorFlows implementering af Keras API'et til at bygge og træne neurale netværk. - [tfjs-core](https://aiord.dk/ord/tfjs-core): tfjs-core er kernebiblioteket i TensorFlow.js, der implementerer den grundlæggende maskinlæringslogik i JavaScript. - [TFLite](https://aiord.dk/ord/tflite): TFLite er et lightweight framework fra Google til at køre maskinlæringsmodeller på enheder med begrænsede ressourcer som mobile, indlejrede og edge-enheder. - [TFLite Converter](https://aiord.dk/ord/tflite-converter): Værktøj der konverterer TensorFlow-modeller til det optimerede TFLite-format til mobile og edge-enheder. - [TFX-komponent](https://aiord.dk/ord/tfx-komponent): En TFX-komponent er en enhed i en TFX-pipeline, der udfører en specifik opgave i maskinlærings-workflowet, såsom datavalidering, feature engineering eller modeltræning. - [TFX-pipeline](https://aiord.dk/ord/tfx-pipeline): En TFX-pipeline er en platform fra TensorFlow til at bygge og styre produktions-ML-pipelines. - [torch.nn](https://aiord.dk/ord/torch-nn): torch.nn er PyTorchs modul til at definere og arbejde med neurale netværk; det indeholder foruddefinerede lag, tabfunktioner og aktiveringsfunktioner. - [torchaudio](https://aiord.dk/ord/torchaudio): Torchaudio er et bibliotek i PyTorch-økosystemet, der giver værktøjer til indlæsning, behandling og transformation af lyddata med fokus på maskinlæring. - [torchtext](https://aiord.dk/ord/torchtext): Torchtext er et PyTorch-bibliotek til forbehandling og indlæsning af tekstdata, herunder tokenisering, ordforrådsopbygning og batch-generering. - [torchvision](https://aiord.dk/ord/torchvision): torchvision er et PyTorch-bibliotek til computer vision, der tilbyder datasæt, fortrænede modeller og billedtransformationer. - [TPU](https://aiord.dk/ord/tpu): En specialbygget ASIC fra Google til at accelerere tensoroperationer i maskinlæringsmodeller, især neuralnetværk. - [TPU-chip](https://aiord.dk/ord/tpu-chip): En TPU-chip er en specialbygget processor udviklet af Google til at accelerere maskinlæringsberegninger, især tensoroperationer. - [TPU-v2](https://aiord.dk/ord/tpu-v2): Googles anden generation af specialbyggede ASIC'er til acceleration af maskinlæringsarbejdsbelastninger. - [TPU-v2 pod](https://aiord.dk/ord/tpu-v2-pod): En TPU-v2 pod er en samling af 64 TPU v2-chips arrangeret i et 4x4-netværk, designet til at udføre store maskinlæringsopgaver med høj gennemstrømning. - [Vector database](https://aiord.dk/ord/vector-database): En specialiseret database optimeret til lagring og søgning af vektorembeddinger. - [vektordatabasestyringssystem](https://aiord.dk/ord/vektordatabasestyringssystem): Et databasesystem designet til effektiv lagring, indeksering og lighedssøgning af højdimensionelle vektorer. - [XAI-værktøj](https://aiord.dk/ord/xai-vaerktoej): Et værktøj til at gøre kunstig intelligens' beslutninger forståelige for mennesker.