Gennemse alt indhold i kategorien Glossary
Q-learning er et grundlæggende begreb inden for kunstig intelligens (AI) og maskinlæring, især inden for forstærkningslæring. Det gør det muligt for agenter at lære optimale handlinger gennem interaktion og feedback i form af belønninger eller straf, hvilket forbedrer beslutningstagningen over tid.
Udforsk recall i maskinlæring: en afgørende måleenhed til evaluering af modelpræstation, især i klassifikationsopgaver, hvor korrekt identifikation af positive tilfælde er vitalt. Lær definition, beregning, betydning, anvendelser og strategier til forbedring.
Regularisering i kunstig intelligens (AI) henviser til et sæt teknikker, der bruges til at forhindre overfitting i maskinlæringsmodeller ved at indføre begrænsninger under træningen, hvilket muliggør bedre generalisering til usete data.
Rekurrente Neurale Netværk (RNN'er) er en avanceret klasse af kunstige neurale netværk designet til at behandle sekventielle data ved at udnytte hukommelse om tidligere input. RNN'er udmærker sig i opgaver, hvor rækkefølgen af data er afgørende, herunder NLP, talegenkendelse og tidsserieprognoser.
Rekursiv prompting er en AI-teknik, der bruges med store sprogmodeller som GPT-4, og gør det muligt for brugere at forfine output gennem dialog frem og tilbage for højere kvalitet og mere præcise resultater.
Remote MCP (Model Context Protocol) er et system, der gør det muligt for AI-agenter at få adgang til eksterne værktøjer, datakilder og tjenester via standardiserede grænseflader, der hostes på eksterne servere. Dette gør det muligt for AI-modeller at interagere med specialiserede funktioner og information ud over deres træningsdata, hvilket udvider deres kapaciteter, samtidig med at sikkerhed og fleksibilitet opretholdes.
Retrieval Augmented Generation (RAG) er en avanceret AI-ramme, der kombinerer traditionelle informationshentningssystemer med generative store sprogmodeller (LLMs), hvilket gør det muligt for AI at generere tekst, der er mere præcis, aktuel og kontekstuelt relevant ved at integrere ekstern viden.
En Receiver Operating Characteristic (ROC) kurve er en grafisk repræsentation, der bruges til at vurdere ydeevnen af et binært klassifikationssystem, mens dets diskriminationstærskel varieres. Oprindeligt fra signaldetektionsteori under Anden Verdenskrig, er ROC-kurver nu essentielle inden for maskinlæring, medicin og AI til modelvurdering.
ROUGE-scoren er et sæt af metrikker, der bruges til at evaluere kvaliteten af maskin-genererede resuméer og oversættelser ved at sammenligne dem med menneskeskabte referencer. ROUGE er udbredt inden for NLP og måler indholds-overlap og recall, hvilket hjælper med at vurdere opsummerings- og oversættelsessystemer.
Lær de grundlæggende oplysninger om Rytr. Et hurtigt overblik over nøglefunktioner, fordele og ulemper samt alternativer.
Ræsonnement er den kognitive proces, hvor man drager konklusioner, laver slutninger eller løser problemer baseret på information, fakta og logik. Udforsk dets betydning i AI, herunder OpenAI's o1-model og avancerede ræsonnementsevner.
Opdag samarbejdende robotter (cobots): deres oprindelse, sikkerhedsfunktioner, AI-integration, anvendelsesområder på tværs af industrier, fordele og begrænsninger. Lær hvordan cobots muliggør sikker menneske-robot interaktion og driver innovation.
Scene Text Recognition (STR) er en specialiseret gren af Optisk Tegngenkendelse (OCR), der fokuserer på at identificere og fortolke tekst i billeder taget i naturlige omgivelser ved hjælp af AI og deep learning-modeller. STR driver applikationer som autonome køretøjer, augmented reality og smart city-infrastruktur ved at konvertere kompleks, virkelig tekst til maskinlæsbare formater.
Scikit-learn er et kraftfuldt open source maskinlæringsbibliotek til Python, der leverer simple og effektive værktøjer til prædiktiv dataanalyse. Det er meget udbredt blandt dataspecialister og maskinlæringspraktikere og tilbyder et bredt udvalg af algoritmer til klassifikation, regression, klyngedannelse og mere – med problemfri integration i Python-økosystemet.
SciPy er et robust open source Python-bibliotek til videnskabelig og teknisk beregning. Ovenpå NumPy tilbyder det avancerede matematiske algoritmer, optimering, integration, datamanipulation, visualisering og interoperabilitet med biblioteker som Matplotlib og Pandas, hvilket gør det uundværligt til videnskabelig databehandling og analyse.
Opdag hvad et seed er i AI-kunst, hvordan det påvirker billedgenereringsprocessen, og hvordan kunstnere bruger seeds til at opnå konsistens eller kreativ udforskning på generative kunstplatforme.
Opdag sekvensmodellering i AI og maskinlæring—forudsig og generér sekvenser i data som tekst, lyd og DNA ved hjælp af RNN'er, LSTM'er, GRU'er og Transformere. Udforsk nøglekoncepter, anvendelser, udfordringer og ny forskning.
Semantisk analyse er en afgørende teknik inden for Natural Language Processing (NLP), der fortolker og udleder mening fra tekst, hvilket gør det muligt for maskiner at forstå sprogkontekst, følelser og nuancer for forbedret brugerinteraktion og forretningsindsigt.
Semantisk segmentering er en computer vision-teknik, der opdeler billeder i flere segmenter og tildeler hver pixel en klasselabel, som repræsenterer et objekt eller område. Det muliggør detaljeret forståelse til applikationer som autonom kørsel, medicinsk billedbehandling og robotteknologi gennem dybe læringsmodeller såsom CNNs, FCNs, U-Net og DeepLab.
Semi-superviseret læring (SSL) er en maskinlæringsteknik, der udnytter både mærkede og umærkede data til at træne modeller, hvilket gør den ideel, når det er upraktisk eller dyrt at mærke alle data. Den kombinerer styrkerne fra superviseret og usuperviseret læring for at forbedre nøjagtigheden og generaliseringen.
Sentimentanalyse, også kendt som opinionsudvinding, er en afgørende AI- og NLP-opgave til at klassificere og fortolke den følelsesmæssige tone i tekst som positiv, negativ eller neutral. Opdag dens betydning, typer, tilgange og praktiske anvendelser for virksomheder.
En SEO-score er en numerisk repræsentation af, hvor godt et website overholder SEO-best practices, og vurderer tekniske aspekter, indholdskvalitet, brugeroplevelse og mobilvenlighed. At forstå og forbedre din SEO-score er afgørende for at øge dit websites synlighed i søgeresultaterne.
Singulariteten inden for kunstig intelligens er et teoretisk fremtidigt punkt, hvor maskinintelligens overgår menneskelig intelligens og udløser hurtige, uforudsigelige samfundsændringer. Udforsk dens oprindelse, nøglebegreber, implikationer og igangværende debatter.
Skjulte Markov-modeller (HMM'er) er sofistikerede statistiske modeller til systemer, hvor underliggende tilstande er uobserverbare. De er udbredt brugt i talegenkendelse, bioinformatik og finans, hvor HMM'er fortolker skjulte processer og drives af algoritmer som Viterbi og Baum-Welch.
Smile and Dial er en salgsteknik, hvor man foretager udgående opkald til potentielle kunder med en positiv og entusiastisk attitude. At smile under opkaldet forbedrer stemmens tone, hvilket skaber varme, tillid og engagement—særligt ved kold kanvas og telemarketing. Med støtte fra AI øges mulighederne for personaliseret kontakt, trods udfordringer som udbrændthed eller lovgivning.
spaCy er et robust open source Python-bibliotek til avanceret Natural Language Processing (NLP), kendt for sin hastighed, effektivitet og produktionsklare funktioner som tokenisering, ordklassemærkning og navngiven entitetsgenkendelse.
Sprogdtektering i store sprogmodeller (LLM'er) er processen, hvorved disse modeller identificerer sproget i inputteksten, hvilket muliggør nøjagtig behandling til flersprogede applikationer som chatbots, oversættelse og indholdsmoderering.
Stable Diffusion er en avanceret tekst-til-billede-genereringsmodel, der bruger dyb læring til at producere billeder i høj kvalitet og fotorealistisk stil ud fra tekstbeskrivelser. Som en latent diffusonsmodel repræsenterer den et stort gennembrud inden for generativ AI, hvor den effektivt kombinerer diffusionmodeller og maskinlæring for at generere billeder, der nøje matcher de angivne prompts.
En stor sprogmodel (LLM) er en type AI, der er trænet på enorme tekstmængder for at forstå, generere og manipulere menneskesprog. LLM'er bruger dyb læring og transformer-neurale netværk til at drive opgaver som tekstgenerering, opsummering, oversættelse og meget mere på tværs af industrier.
Lær mere om strukturerede data og deres anvendelse, se eksempler, og sammenlign med andre typer datastrukturer.
Superviseret læring er en grundlæggende tilgang inden for maskinlæring og kunstig intelligens, hvor algoritmer lærer ud fra mærkede datasæt for at kunne forudsige eller klassificere. Udforsk processen, typerne, nøglealgoritmer, anvendelser og udfordringer.
Superviseret læring er et grundlæggende begreb inden for AI og maskinlæring, hvor algoritmer trænes på mærkede data for at lave præcise forudsigelser eller klassifikationer på nye, ukendte data. Lær om de vigtigste komponenter, typer og fordele.
Syntetiske data refererer til kunstigt genererede oplysninger, der efterligner virkelige data. Det skabes ved hjælp af algoritmer og computersimuleringer som en erstatning eller et supplement til virkelige data. Inden for AI er syntetiske data afgørende for træning, test og validering af maskinlæringsmodeller.
Opdag hvad en AI Sætningsomskriver er, hvordan den fungerer, dens anvendelsesområder, og hvordan den hjælper forfattere, studerende og marketingfolk med at omformulere tekst, mens betydningen bevares og klarheden forbedres.
Talegenkendelse, også kendt som automatisk talegenkendelse (ASR) eller tale-til-tekst, gør det muligt for computere at fortolke og omdanne talt sprog til skrevet tekst. Det driver applikationer fra virtuelle assistenter til tilgængelighedsværktøjer og forvandler menneske-maskine-interaktion.
Talegenkendelse, også kendt som automatisk talegenkendelse (ASR) eller tale-til-tekst, er en teknologi, der gør det muligt for maskiner og programmer at fortolke og transskribere talt sprog til skrevet tekst. Denne kraftfulde egenskab adskiller sig fra stemmegenkendelse, som identificerer en individuel talers stemme. Talegenkendelse fokuserer udelukkende på at oversætte verbal tale til tekst.
Den teknologiske singularitet er en teoretisk fremtidig begivenhed, hvor kunstig intelligens (AI) overgår menneskelig intelligens og fører til en dramatisk og uforudsigelig transformation af samfundet. Dette koncept udforsker både de potentielle fordele og betydelige risici forbundet med superintelligent AI.
Tekst-til-tale (TTS) teknologi er en avanceret softwaremekanisme, der omdanner skrevet tekst til hørbar tale, hvilket øger tilgængelighed og brugeroplevelse på tværs af kundeservice, uddannelse, hjælpemidler og meget mere ved at udnytte AI til naturligt lydende stemmer.
Tekstgenerering med store sprogmodeller (LLM'er) refererer til den avancerede brug af maskinlæringsmodeller til at producere menneskelignende tekst ud fra prompts. Udforsk hvordan LLM'er, drevet af transformer-arkitekturer, revolutionerer indholdsskabelse, chatbots, oversættelse og meget mere.
Tekstklassificering, også kendt som tekstkategorisering eller tekstmærkning, er en central NLP-opgave, der tildeler foruddefinerede kategorier til tekstdokumenter. Det organiserer og strukturerer ustrukturerede data til analyse ved at bruge maskinlæringsmodeller til at automatisere processer som f.eks. sentimentanalyse, spamdetektion og emnekategorisering.
Tekstsammenfatning er en essentiel AI-proces, der destillerer lange dokumenter til korte resuméer og bevarer nøgleinformation og betydning. Ved at udnytte store sprogmodeller som GPT-4 og BERT muliggør det effektiv håndtering og forståelse af enorme digitale indholdsmængder gennem abstraktive, ekstraktive og hybride metoder.
TensorFlow er et open source-bibliotek udviklet af Google Brain-teamet, designet til numerisk beregning og maskinlæring i stor skala. Det understøtter deep learning, neurale netværk og kører på CPU'er, GPU'er og TPU'er, hvilket forenkler dataindsamling, modeltræning og implementering.
Tilsynsorganer for AI er organisationer, der har til opgave at overvåge, evaluere og regulere udviklingen og implementeringen af AI for at sikre ansvarlig, etisk og gennemsigtig anvendelse samt at imødegå risici som diskrimination, krænkelse af privatlivets fred og manglende ansvarlighed.
Et token i forbindelse med store sprogmodeller (LLM'er) er en sekvens af tegn, som modellen omdanner til numeriske repræsentationer for effektiv behandling. Tokens er de grundlæggende enheder af tekst, som LLM'er som GPT-3 og ChatGPT bruger til at forstå og generere sprog.
Top-k nøjagtighed er en evalueringsmetrik inden for maskinlæring, der vurderer, om den sande klasse er blandt de top k forudsagte klasser, hvilket giver en omfattende og mere tilgivende måling i multi-klasse klassifikationsopgaver.
Torch er et open source-maskinlæringsbibliotek og videnskabeligt beregningsframework baseret på Lua, optimeret til deep learning og AI-opgaver. Det tilbyder værktøjer til at bygge neurale netværk, understøtter GPU-acceleration og var en forløber for PyTorch.
Transfer learning er en sofistikeret maskinlæringsteknik, der gør det muligt at genbruge modeller, der er trænet på én opgave, til en relateret opgave. Det forbedrer effektiviteten og ydeevnen, især når data er knappe.
Transfer Learning er en kraftfuld AI/ML-teknik, der tilpasser fortrænede modeller til nye opgaver, forbedrer ydeevnen med begrænsede data og øger effektiviteten på tværs af forskellige anvendelser som billedgenkendelse og NLP.
En transformer-model er en type neuralt netværk, der er specifikt designet til at håndtere sekventielle data, såsom tekst, tale eller tidsseriedata. I modsætning til traditionelle modeller som RNN'er og CNN'er anvender transformers en opmærksomhedsmekanisme til at vægte betydningen af elementer i inputsekvensen, hvilket muliggør kraftfuld ydeevne i applikationer som NLP, talegenkendelse, genomik og mere.
Transformere er en revolutionerende neuralt netværksarkitektur, der har transformeret kunstig intelligens, især inden for naturlig sprogbehandling. Introduceret i 2017’s 'Attention is All You Need', muliggør de effektiv parallel behandling og er blevet grundlaget for modeller som BERT og GPT, hvilket har påvirket NLP, vision og mere.
Transparens i kunstig intelligens (AI) henviser til den åbenhed og klarhed, hvormed AI-systemer fungerer, herunder deres beslutningsprocesser, algoritmer og data. Det er essentielt for AI-etik og -governance og sikrer ansvarlighed, tillid og overholdelse af lovgivning.
Træningsdata henviser til det datasæt, der bruges til at instruere AI-algoritmer, så de kan genkende mønstre, træffe beslutninger og forudsige resultater. Disse data kan omfatte tekst, tal, billeder og videoer og skal være af høj kvalitet, varierede og velmærkede for at sikre effektiv AI-modelydelse.
Træningsfejl i AI og maskinlæring er forskellen mellem en models forudsagte og faktiske output under træning. Det er en nøglemetrik til at evaluere modelpræstation, men skal vurderes sammen med testfejl for at undgå overfitting eller underfitting.
Turing-testen er et grundlæggende begreb inden for kunstig intelligens, designet til at vurdere, om en maskine kan udvise intelligent adfærd, der er umulig at skelne fra et menneskes. Opstillet af Alan Turing i 1950 indebærer testen, at en menneskelig dommer fører en samtale med både et menneske og en maskine for at afgøre, om maskinen overbevisende kan simulere menneskelige svar.
AI-udvidelsesmuligheder henviser til evnen for AI-systemer til at udvide deres kapaciteter til nye domæner, opgaver og datasæt uden større genoptræning, ved hjælp af teknikker som transfer learning, multi-task learning og modulær design for fleksibilitet og problemfri integration.
Underfitting opstår, når en maskinlæringsmodel er for simpel til at fange de underliggende tendenser i de data, den er trænet på. Dette fører til dårlig ydeevne både på ukendte og træningsdata, ofte på grund af manglende modelkompleksitet, utilstrækkelig træning eller utilstrækkeligt featurevalg.
Uovervåget læring er en gren af maskinlæring, der fokuserer på at finde mønstre, strukturer og relationer i uetiketterede data, hvilket muliggør opgaver som klyngedannelse, dimensionalitetsreduktion og associationsregel-læring til anvendelser såsom kundesegmentering, anomali-detektion og anbefalingsmotorer.
Uovervåget læring er en maskinlæringsteknik, der træner algoritmer på uetiketterede data for at opdage skjulte mønstre, strukturer og relationer. Almindelige metoder omfatter klyngedannelse, association og dimensionsreduktion, med anvendelser inden for kundesegmentering, anomali-detektion og markedsanalyse.
Find ud af, hvad ustrukturerede data er, og hvordan de adskiller sig fra strukturerede data. Lær om udfordringerne og værktøjerne, der bruges til ustrukturerede data.
Vertikale AI-agenter er branchespecifikke kunstig intelligens-løsninger designet til at imødekomme unikke udfordringer og optimere processer inden for forskellige sektorer. Opdag, hvordan vertikale AI-agenter transformerer virksomhedsløsninger med specialiserede, højtydende applikationer.
