Algoritmer og modeller, Anvendelse, Gevinster og Implementering.

Hvis jeres virksomhed endnu ikke har taget AI i brug eller undersøgt de enorme muligheder, som denne teknologi tilbyder, er her en kort introduktion til området herunder teknologien, anvendelsesområderne, gevinster og lidt om implementering.

Hvad er AI
Kunstig intelligens (AI) er en gren af matematikken, datalogien og ingeniørvidenskaben, der fokuserer på at skabe systemer, der er i stand til at udføre opgaver, som typisk kræver menneskelig intelligens. Disse opgaver inkluderer blandt andet læring, ”resonering”, problemløsning, perception og sprogforståelse

Hvilket algoritmer og modeller bruges i AI

Når vi taler om AI, er det vigtigt at bemærke, at AI er et meget bredt begreb, der dækker over en lang række algoritmer, modeller og koncepter. Nogle af disse er gamle, andre er relativt nye men velafprøvede, og nye metoder kommer hele tiden til.

Hvis vi ser på nogle af de “gamle” metoder, taler vi om matematiske, statistiske og operationsanalytiske metoder, som har været kendt i årtier. Eksemplerne inkluderer regressionsanalyse, tidsrækkeanalyse, Bayesian networks, beslutningstræer, cluster analyse og Monte Carlo simulering etc. Disse modeller falder ofte ind under kategorien AI eller bruges i AI-algoritmer og -programmer.

Neurale netværk har også været kendt i mange år, men der udvikles løbende nye algoritmer baseret på Deep Learning-modeller. Disse modeller bruges for eksempel i Generative AI (GenAI), som anvender “multilayered neural networks” til at simulere den menneskelige hjernes funktionalitet.

GenAI er nok det område, som de fleste allerede har stiftet bekendtskab med, da det blandt andet bruges i OpenAI’s ChatGPT og Microsoft Copilot samt andre tilsvarende chatbots. Denne teknologi bruge også i de såkaldte RAG (Retrieval-Augmented Generation ) systemer, der kombinere GenAI med ”retrieval”-systemer, der trækker på firmaets datakilder og dokumenter.

Derudover findes der en lang række andre AI-modeller, som ikke anvender neurale netværk og er en del af ML (Machine Learning). Eksempler på disse er SVM (Support Vector Machines), Random Forest og KNN (K-Nearest Neighbors), samt de velkendte metoder nævnt ovenfor.

Anvendelse af AI i virksomheder

I nedenstående liste er der vist nogle eksempler på, hvordan de forskellige AI-modeller typisk anvendes i virksomhederne, men bemærk at muligheder er nærmest uendelige og de samme problemer kan ofte med fordel forsøgt løst med forskellige AI-modeller.

1. Generative AI (GenAI)

• Indholdsskabelse og Videnssyntese: GenAI kan skabe nyt indhold som tekst, lyd, billeder og videoer baseret på eksisterende data. Det kan også give indsigt og anbefalinger ved at analysere store datamængder.
  GenAI er unik til at forstå og generere medieindhold, hvorfor det i udstrakt grad anvendes til at generere formfuldendt tekst, lave opsummeringer, besvare spørgsmål, generere præsentationer, billeder etc. GenAI bruges således også til at automatisere og effektivisere forretningsprocesser.

2. Machine Learning (ML)

• Predictive Analytics og Kundesegmentering: ML hjælper virksomheder med at forudsige tendenser og adfærd, hvilket muliggør proaktiv beslutningstagning. Det identificerer også forskellige kundesegmenter for målrettede marketingstrategier.

3. Natural Language Processing (NLP)

• Analyse af ”holdninger/følelser” og Chatbots: NLP analyserer kundefeedback for at vurdere holdninger/følelser og forbedre produkter og/eller tjenester. Det muliggør også brugen af chatbots og virtuelle assistenter til at levere automatiseret kundesupport.

4. Computer Vision

• Billed- og Videoanalyse: Computer Vision bruges til kvalitetskontrol, overvågning og ansigtsgenkendelse. Det anvendes også i augmented reality (AR) for at forbedre brugeroplevelser i detailhandel og spil.

5. Robotics and Automation

• Robotic Process Automation (RPA): Automatiserer gentagne opgaver, hvilket øger effektiviteten og reducerer fejl.

6. Decision Support Systems

• Optimeringsalgoritmer og beslutningssystemer: Forbedrer supply chain management og ressourceallokering. Beslutningsstøtte systemer personaliserer brugeroplevelser ved at foreslå produkter eller indhold.

7. Risk management og Sikkerhed

• Anomaly Detection og Cybersikkerhed: Identificerer usædvanlige mønstre, der kan indikere svigagtige aktiviteter f.eks. i forbindelse med hvidvask. Og Cybersikkerhed bruger AI til at opdage og reagere på sikkerhedstrusler i realtid.

Af ovenstående og langt fra udtømmende liste er GenAI det område, der i øjeblikket har størst fokus fra virksomhederne. Dette skyldes, at GenAI, der er Transformer-algoritmebaseret, er unik til at generere nyt indhold og ny viden ud fra eksisterende data, samtidig med at GenAI er meget generisk og kan anvendes “out-of-the-box”.

GenAI hører til kategorien LLM (Large Language Models), der er trænet på millioner eller milliarder af tekstsider. Dette gør, at de forstår sproget og har opbygget en enorm viden, som er let tilgængelig for brugerne. Brugerne kan stille næsten talelignende spørgsmål i form af “prompts” til systemet, som så analyserer spørgsmålet og genererer det bedst mulige svar.

Det interessante ved GenAI set med virksomhedens briller er, at udover den viden, som ligger i træningen, kan der suppleres med virksomhedens egen viden i form af datakilder og dokumenter. Dette kan enten ske ved, at den prætrænede model også trænes på basis af virksomhedsdata, eller ved at opsætte et RAG-system, hvor virksomhedsdata stilles til rådighed for søgninger, som så danner “context” for det spørgsmål eller det område, der skal behandles af det prætrænede GenAI-system (i dette tilfælde trænes systemet ikke med virksomhedsdata).

ChatGPT (OpenAI), Microsoft Copilot, Gemini (Google), Watson (IBM) og SageMaker (Amazon) er alle eksempler på GenAI-baserede løsninger, der kan anvendes i virksomhederne både som “out-of-the-box”-løsninger men også som fuldt integrerede løsninger, der arbejder med virksomhedernes data.

Microsoft Copilot 365, der er fuldt integreret med Microsoft 365, er et fint eksempel på en løsning, der kræver minimal konfiguration, før det er tilgængeligt for alle medarbejdere i virksomheden. Copilot 365 falder også i kategorien RAG, da data i OneDrive er tilgængelig i chatbot’en.

Foruden at Copilot 365 har adgang til OneDrive-data, har den også adgang til alle de data og applikationer, som findes i Microsoft 365, hvorfor Copilot er en helt unik ekspert, der kan hjælpe og støtte medarbejdere på alle niveauer fra den ufaglærte, der skal lære nye processer og til den administrerende direktør, der arbejder med komplekse økonomi og markedsforhold i strategiudvikling. Copilot arbejder ikke alene med prætrænet data og virksomhedsdata, men da den er tæt integreret med Microsoft mange værktøjer, kan den bruges som en assistent, der vejleder om brugen af disse værktøjer. Et eksempel på dette er Copilot i Excel, der hjælper med brugen af formler, beregninger, grafik osv.

Copilot 365 tilbyder dog ikke samme performance mht. genererede svar som en customiseret RAG-løsning.

Hvis der ønskes dedikerede RAG- og chatbot-løsninger, kan man bruge Copilot Studio og/eller Azure AI services og oprette agenter eller egenudviklede chatbots. Eller man kan udvikle specifikke løsninger med mange forskellige værktøjer fra en række AI leverandører som OpenAI, Amazon, Google, Meta, IBM og Microsoft etc., og der kan suppleres med opensource komponenter efter behov. De centrale AI-komponentbiblioteker er blandt andet TensorFlow, PyTorch, Hugging Face, OpenCV, Keras, Sckit-learn mv.  

De mange forskellige AI-systemer, AI-udviklingsværktøjer og AI-komponenter i form af modeller/algoritmer er ret så omfattende mht. funktionalitet, hvilket betyder, at der ikke nødvendigvis skal bruges voldsomme mængder af IT/AI ressourcer for at udvikle selv komplekse AI-løsninger. Udviklingen af løsninger kræver derfor mere forretningsforståelse og indsigt i relevante metoder/algoritme end det kræver dybe tekniske AI kompetencer.

Udover GenAI-metoder er der også voksende interesse for generel ML, NLP, og Computer Vision, som vi dog ikke vil behandle nærmere her i dette skriv.

Hvad kan virksomhederne opnå ved implementering af AI?

Tja… det er voldsomt meget, så det er svært at give et fyldestgørende svar på dette, men set fra virksomhedens og medarbejdernes synsvinkel, omhandler det i stor, stor udstrækning effektivisering af alle mulige interne processer, og samarbejdsprocesser med både kunder og leverandører og adskillige områder af virksomhedens Supply Chain, der kan optimeres med AI.

Typisk vil der være tale om generelle proces- og kvalitetsforbedringer, der både påvirker omkostningerne, kunderne og markedet og heraf afledt omsætning og indtjeningen.

• Effektivisering af processer så gennemløbstider reduceres og kvaliteten hæves
• Automatisering af manuelle processer
• Styrket idegenerering og forbedrede beslutningsprocesser
• Vidensdeling og træning
• Forbedret kundeservice
• Supply Chain herunder fx prognoser, planlægning og eksekvering, gennemløbstider, og kvalitet

I det følgende vil vi kun fokusere på GenAI og RPA, da det er her de største gevinster kan forventes.

GenAI/RPA:

Der er således en lang, lang række af områder, der kan effektiviseres af GenAI kombineret med RPA (Robotic Process Automation)

Eksempler på dette er generering af tekst, lyd, billede og video content i forbindelse med e-mails, dokumenter og præsentationer. GenAI kan også bruges til planlægning, forberedelse, indkaldelse og gennemførsel af møder, recording og transcripting af møder, mødereferater mv.

Andre eksempler er udvikling/opsætning af Excel løsninger herunder generering af dataanalyser, grafik baseret på komplekse formler.  Analyse og præsentation af komplekse data.

Avancerede både interne og eksterne chatbots til effektivisering og vidensdeling, kundeanalyser og kunde dialoger. Idegenerering og produktudvikling. Vidensdeling og træning. Automatisering af processer, der interagerer med forskellige systemer etc.

GenAI er også helt unik i forbindelse med IT, da den kan understøtte næsten alle IT-processer herunder vejledninger, fejlfinding og løsninger, IT-arkitektur, IT-design, programmering og test samt uddannelse af slutbrugeren.

Hvad skal der til for at implementere AI?

Well… it depends.

Som nævnt er nogle af løsninger ”out-of-the-box”, hvor der er minimal teknisk implementering, men alene forretningsmæssig implementering, medens der ved mere avancerede løsninger kan være en del både udvikling og implementering herunder forandringsledelse, hvilket ikke mindst gælder ved RAG-løsninger eller andre løsninger, som skal arbejde med virksomhedens data.

Tilsvarende vil specifikke kundetilpassede løsninger kræve udvikling, der typiske omfatter dataanalyse, API, ETL-behandling af data, anonymisering/mask’ing af data, design og udvikling af vektoriserede-databaser, design og udvikling af ML-algoritmer, træning og tuning af modeller, design og udvikling af brugergrænseflader, teknisk og forretningsmæssig implementering herunder projektledelse, forandringsledelse og træning.

The post AI i virksomhederne first appeared on .

Forecasting er en central del af mange forretningsprocesser, hvad enten det drejer sig om salgsforecasting, forudsigelse af fremtidige salgstal, prognoser for uplanlagt vedligehold, forecast af henvendelser til kundeservice eller mange andre processer.

Klassiske metoder:
Holt‑Winters‑modellen er en af de klassiske forecasting‑metoder og er særligt effektiv til at håndtere sæsonvariationer og trends i data. Modellen anvender eksponentiel udglatning til at forudsige fremtidige værdier baseret på historiske data og estimerer niveau, trend og sæson. Ligesom de klassiske ARIMA‑modeller er Holt‑Winters velegnet til forecasting baseret på tidsseriedata med regelmæssige mønstre.

AI‑baserede metoder:
AI tilbyder en række fordele i forhold til klassiske metoder. AI‑modeller, såsom neurale netværk og maskinlæring, kan håndtere komplekse og ikke‑lineære sammenhænge i data, som klassiske metoder ofte har svært ved. Derudover kan AI‑modeller lære og tilpasse sig over tid, hvilket gør dem mere robuste over for ændringer i data. Typiske modeller omfatter Recurrent Neural Networks (RNN), Long Short‑Term Memory (LSTM) og Transformers (som anvendes i GenAI/LLM’er som ChatGPT og Copilot).

Kombination af metoder:
En kombination af klassiske metoder og AI kan give det bedste fra begge verdener. Klassiske metoder kan fungere som et solidt baseline‑udgangspunkt, mens AI kan finjustere og forbedre prognoserne ved at håndtere mere komplekse mønstre og usikkerhed. AI kan også bidrage til at optimere parametrene for niveau, trend og sæson i Holt‑Winters‑modellen og dermed yderligere forbedre prognosernes præcision.

NB: Holt‑Winters‑modellen har mange år på bagen, men den er relativt enkel at implementere og samtidig ekstremt effektiv. Derfor har den stadig sin fulde berettigelse – også i dag, hvor AI spiller en stadig større rolle.

The post Forecasting – klassiske metoder versus AI first appeared on .

Vil du virkelig forstå, hvordan Copilot, ChatGPT og lignende løsninger fungerer? Så tag et dybdegående kig på deep learning i denne fremragende bog.

Denne bog er en omfattende introduktion til deep learning, de centrale metoder og den matematik, der ligger bag algoritmerne – herunder dem, som driver moderne GenAI‑modeller som ChatGPT, Copilot og mange andre AI‑baserede modeller.

Du vil lære om Transformers, som anvendes i de store sprogmodeller bag de nævnte chatbots, og om genialiteten i attention‑mekanismerne. Derudover kommer du omkring konvolutionsnetværk, Multi‑Layer Perceptrons og mange andre maskinlæringskoncepter samt deres forskellige anvendelser.

Selvom bogens titel kan lyde let tilgængelig, er indholdet reelt krævende. For at få fuldt udbytte bør du have et solidt matematisk fundament – især inden for lineær algebra, sandsynlighedsteori og optimering.

På trods af sværhedsgraden er det en fremragende bog, som varmt kan anbefales til alle, der ønsker en seriøs og dyb forståelse af deep learning og neurale netværk.

Vær forberedt på at investere mange timer i læsning og fordybelse, hvis du virkelig vil forstå de koncepter, der ligger bag nutidens mest avancerede AI‑modeller. Indsatsen er stor – men den indsigt og viden, du opnår, er det hele værd.

Læs bogen her:

The post Forstå hvordan Copilot og ChatGPT fungerer first appeared on .

AI‑agenter kan automatisere opgaver, besvare spørgsmål og understøtte beslutninger – direkte på tværs af data og systemer.

Hvad er RAG? RAG forbedrer en sprogmodels kapaciteter ved at kombinere tre nøglekilder til viden:

1. LLM’en selv (ChatGPT, Copilot…), trænet med omfattende almen viden.
2. Live internetdata for opdateret information, når det er nødvendigt.
3. Din virksomheds egne data — PDF’er, SharePoint-biblioteker, hjemmesider osv.

Den tredje kilde er game-changer. Ved at integrere din interne og eksterne verificerede forretningsviden leverer din agent svar, der er forankret i din specifikke forretningskontekst – ikke blot generiske svar.

Hvordan fungerer det i Copilot? Med Copilot Studio tilføjer du blot dine videnskilder — PDF-filer, dokumentbiblioteker eller hjemmesider. Copilot vektoriserer automatisk disse kilder, så de kan søges på en smart AI-måde.

Når du spørger din agent: 1. Din prompt bliver fortolket og vektoriseret.2. En forespørgsel sendes til dine videnskilder.3. Den hentede kontekst tilføjes til din prompt.4. LLM’en behandler alt — kombinerer sin egen træning, internetdata og dine virksomhedskilder — for at give dig et skræddersyet svar.

Resultat? En simpel, men meget kraftfuld forretningsagent, der forstår dit domæne og leverer præcise, kontekstbevidste svar – alt sammen uden at skrive en eneste linje kode.

Det større perspektiv

AI‑agenter i Copilot Studio gør det muligt hurtigt at udvikle løsninger, der automatiserer dialog, processer og adgang til data på tværs af Microsoft‑platformen.

Platformen sænker markant barrieren for at komme i gang, da både forretningsbrugere og tekniske profiler kan bygge funktionelle løsninger uden tung udvikling. Samtidig giver integrationen til Microsoft 365 og Dataverse direkte adgang til virksomhedens data, hvilket gør det muligt at skabe løsninger med reel forretningsværdi allerede fra start.

Nøgleindsigter:

• Copilot Studio gør det muligt at bygge AI‑agenter uden tung udvikling
• Integration med Microsoft 365 og Dataverse giver direkte adgang til virksomhedens data
• Agenter kan bruges både internt (support, vidensdeling) og eksternt (kundedialog)
• Løsninger kan udvikles iterativt – fra simple flows til avancerede scenarier
• Den største værdi opstår ved at automatisere gentagne opgaver og standardforespørgsler

The post Personlige AI-agent med Microsoft Copilot Studio first appeared on .

AI kan i dag skabe værdi i stort set alle forretningsprocesser, spørger du måske dig selv, hvordan AI kan understøtte projektporteføljestyring – et område som mange virksomheder stadig har udfordringer med at håndtere effektivt.

Hvis du ønsker et unikt og omfattende overblik over de mange muligheder for at forbedre porteføljestyring ved hjælp af AI, kan du med fordel læse denne indsigtsfulde artikel.

Her er en kort opsummering:

Optimeret projektudvælgelse:
AI kan analysere store datamængder og hjælpe med at prioritere og udvælge de projekter, der bedst understøtter de strategiske mål.

Porteføljeoptimering:
AI-algoritmer kan optimere hele projektporteføljen ved at balancere ressourcer, tidsplaner og projektprioriteter.

Forbedret porteføljeplanlægning:
AI kan bidrage til mere præcise og dynamiske projektplaner ved at forudsige potentielle risici og ressourcebehov.

Identifikation af afhængigheder og synergier:
AI kan identificere indbyrdes afhængigheder mellem projekter og foreslå, hvordan synergier kan udnyttes for at opnå bedre resultater.

Tidlige advarselsindikatorer:
AI kan give tidlige advarsler om potentielle problemer på porteføljeniveau, så der kan handles proaktivt.

Forbedret rapportering og overvågning:
AI kan automatisere og forbedre rapporteringen og give realtidsindsigt i projekternes performance og fremdrift.

Virtuelle projektassistenter:
AI-baserede virtuelle assistenter kan hjælpe projektledere med administrative opgaver, så de kan fokusere mere på strategiske aktiviteter og interessenthåndtering.

Disse muligheder kan tilsammen føre til en mere effektiv og værdiskabende projektporteføljestyring – og dermed bedre forretningsresultater.

Læs artiklen her:

The post AI-understøttet projektporteføljestyring first appeared on .