Kunstig intelligens er på få år blevet en integreret del af både uddannelse, vidensarbejde, i virksomheder og i vores interaktioner på sociale medier. Samtidig rejser udviklingen en række fundamentale spørgsmål: Hvad sker der med menneskelig læring, når svarene altid er tilgængelige? Hvad sker der med refleksion, kreativitet og kritisk tænkning, når AI kan producere et færdigt resultat på sekunder? Og hvordan sikrer vi, at AI bliver et værktøj til læring frem for en genvej uden læring?

Debatten er ofte polariseret. Nogle ser AI som en trussel mod uddannelse, mens andre ser teknologien som den største demokratisering af viden i menneskehedens historie.

Virkeligheden ligger sandsynligvis et sted imellem.

Traditionel læring versus AI-assisteret læring

Traditionel læring bygger grundlæggende på, at mennesker selv arbejder sig gennem stoffet. Det indebærer ofte fejl, frustrationer, blindgyder og gentagne forsøg. Selvom processen kan virke ineffektiv, er det netop kampen med stoffet og søgningen efter viden, der skaber dyb forståelse.

Mange husker oplevelsen fra studietiden: Man sad søndag aften med en næsten umulig opgave (og i konkurrence med kærestens behov for nærhed eller en god film) og kæmpede sig gennem forskellige løsningsforsøg. Fristelsen til at kigge i facitlisten var stor. Når man gjorde det, blev opgaven ganske vist løst, men læringen udeblev ofte. Senere viste det sig, at man ikke selv kunne løse en tilsvarende opgave, fordi man aldrig havde gennemgået den mentale proces, der skaber læring og forståelse.

Det samme problem kan opstå med generativ AI. En elev kan få produceret en velskrevet rapport eller en perfekt analyse på få sekunder. Resultatet kan være overbevisende, men spørgsmålet er, om eleven reelt har tilegnet sig den nødvendige viden.

Der er allerede tegn på denne udfordring. Når elever afleverer AI-assisterede opgaver, kan karaktererne være høje, men ved mundtlige eller skriftlige prøver uden hjælpemidler viser det sig ofte, at forståelsen er væsentlig mindre, end det afleverede arbejde gav indtryk af.

På sociale medier som LinkedIn og Facebook ser vi allerede en udvikling, hvor en stigende del af opslag, kommentarer og artikler produceres helt eller delvist ved hjælp af AI. Resultatet er ofte velformuleret og informativt, men spørgsmålet er, hvorvidt det er personens egen vide og hvor læringen rent faktisk finder sted, hvis mennesker blot fungerer som mellemled mellem en chatbot og en publiceringsplatform. Prøv fx at tjekke Kunstig intelligens-vidensgrupper på de nævnte medier og bemærk dialogerne, der ofte er lagt på et højt akademisk Ph.d.-niveau, men går man tættere på, vil man hurtigt bemærke, at personerne bag ikke selv har den viden, som de giver udtryk for i dialogerne. Så her sidder der masser af mennesker, som blot laver ”copy and paste”.

Udviklingen stopper heller ikke her. AI-agenter kan allerede i dag autonomt generere indhold, besvare henvendelser, udføre analyser og interagere med andre AI-systemer. I princippet kan hele diskussioner opstå mellem digitale aktører med begrænset menneskelig involvering. Aktiviteten kan være høj, men menneskelig refleksion, kreativitet og læring er ikke nødvendigvis til stede. Risikoen er derfor, at vi forveksler produktion af indhold med produktion af viden.

Der er nemlig forskel på at have adgang til viden og at tilegne sig viden. AI giver næsten ubegrænset adgang til information og færdige løsninger, men læring opstår først, når den enkelte aktivt bearbejder, udfordrer og anvender denne viden. Risikoen er derfor ikke, at AI ved for meget, men at mennesker tænker for lidt.

AI som den personlige underviser

Men historien stopper ikke her.

Paradoksalt nok er AI muligvis også det mest effektive læringsværktøj, der nogensinde er skabt.

Den traditionelle undervisning er ofte designet til gennemsnittet. En lærebog starter på side 1 og gennemgår emnet i en fast rækkefølge, uanset hvad den enkelte allerede ved. For mange er det ineffektivt. Hvis man allerede behersker 70 procent af stoffet, kan det føles som spild af tid at gennemgå det hele igen.

Her åbner AI nye muligheder.

En moderne chatbot kan fungere som en personlig underviser, der starter præcis dér, hvor den lærende befinder sig. Den kan teste eksisterende viden, identificere videnshuller og målrette undervisningen mod de områder, hvor behovet er størst.

Hvis man lærer bedst gennem matematiske definitioner, kan AI forklare tingene præcist og formelt. Hvis man lærer bedst gennem eksempler og intuition, kan den tilpasse undervisningen derefter. Har man en halv time til rådighed, kan undervisningen vare en halv time. Har man 3 timer, kan den gå i dybden og selv stille afklarende spørgsmål, til eleven.

Det afgørende er, at læringen bliver individualiseret på en måde, som tidligere ville have krævet en personlig underviser. AI kan løbende identificere, hvad man allerede ved, hvad man har misforstået, og hvad man mangler at lære. Dermed kan den fokusere indsatsen dér, hvor læringsudbyttet er størst.

Den afgørende forskel er derfor ikke, om AI bruges eller ej. Den afgørende forskel er, hvordan AI bruges.

Bruges AI til at levere svarene, risikerer man at springe læringsprocessen over.

Bruges AI derimod til at stille spørgsmål, udfordre forståelsen, identificere videnshuller og guide læring, kan AI-teknologien potentielt accelerere læring markant, og samtidig skabe enestående ny (gruppe) viden. (Læs fx Superminds by Thomas W. Malone | MIT Center for Collective Intelligence af Professor Malone, som jeg har haft fornøjelsen af som en fantastisk spændende underviser.)

Skal vi lære det samme som før?

AI rejser også et mere grundlæggende spørgsmål: Skal vi overhovedet lære det samme som tidligere generationer?

Da lommeregneren blev almindelig, forsvandt behovet for at udføre omfattende beregninger i hånden. Da computeren kom, blev mange manuelle processer automatiseret. Alligevel stoppede vi ikke med at undervise i matematik. Fokus flyttede sig gradvist fra mekanisk udregning til forståelse af principperne bag.

Noget tilsvarende kan være ved at ske med AI.

Måske bliver det mindre vigtigt at kunne huske alle algoritmer, metoder og detaljer udenad. Til gengæld bliver det vigtigere at forstå, hvornår en metode skal anvendes, hvilke antagelser den bygger på, hvilke begrænsninger den har, og hvordan kvaliteten af resultatet vurderes.

Fremtidens kompetencer handler sandsynligvis mindre om at kunne reproducere information og mere om at kunne formulere de rigtige spørgsmål, tænke kritisk, validere svar og kombinere viden fra forskellige områder.

Det betyder ikke, at grundlæggende færdigheder bliver irrelevante. Tværtimod. Uden en vis basal forståelse bliver det vanskeligt at vurdere, om AI leverer et korrekt svar. Men balancen mellem udenadslære og forståelse kan være ved at forskyde sig.

Konklusion

AI kan uden tvivl føre til overfladisk læring, hvis teknologien primært bruges til at få produceret svar, opgaver og indhold uden egen indsats. Risikoen er, at vi forveksler adgang til viden med faktisk forståelse.

Men AI kan også blive den mest personlige og effektive underviser, vi nogensinde har haft. En underviser, der konstant tilpasser sig den enkeltes niveau, identificerer videnshuller og hjælper med at lukke dem.

Derfor er spørgsmålet måske ikke, om AI gør mennesker dummere eller klogere.

Det afgørende spørgsmål er, om vi bruger AI til at tænke mindre eller til at lære mere.

Brug AI til at lære, ikke til at slippe for at lære.

Michael K. Kærgaard
+45 28 40 20 09
kontakt@aintelligence.dk
www.aintelligence.dk

The post AI kan give dig svaret. Men kan den give dig forståelsen? first appeared on .

Mange virksomheder starter deres automatiseringsrejse med AI, men for de fleste organisationer ligger nogle af de største og hurtigste gevinster stadig i automatisering af de daglige forretningsprocesser. Her spiller samspillet mellem Dynamics 365 Business Central og Microsoft Power Automate en central rolle.

Business Central indeholder en række standard-workflows og integrationer, som gør det muligt at automatisere opgaver på tværs af økonomi, indkøb, salg, lager, dokumenthåndtering og samarbejdsværktøjer som Teams og Outlook. Formålet er enkelt: at reducere manuelt arbejde, øge kvaliteten og sikre hurtigere gennemløbstider i de vigtigste forretningsprocesser.

Godkendelses-workflows

Godkendelsesprocesser er blandt de mest anvendte workflows i Business Central. De kan bruges til eksempelvis indkøbsordrer, salgsordrer, fakturaer, prisændringer og ændringer af kunde- eller leverandørdata. Dokumenter sendes automatisk til de rette beslutningstagere, og systemet sikrer, at godkendelser gennemføres, før videre behandling eller bogføring kan finde sted.

Fordelene er:

• Færre fejl og bedre intern kontrol
• Hurtigere behandling af dokumenter
• Tydelig ansvarsfordeling
• Fuldt revisionsspor
• Mindre brug af e-mailbaserede godkendelser

Notifikations-workflows

Mange processer afhænger af, at medarbejdere reagerer hurtigt på bestemte hændelser. Med Power Automate kan Business Central automatisk sende beskeder, når der sker noget vigtigt.

Det kan eksempelvis være:

• Nye ordrer
• Overskridelse af kreditgrænser
• Kritiske lagerniveauer
• Afviste godkendelser
• Forfaldne fakturaer

Beskeder kan sendes via e-mail, Teams eller andre Microsoft-platforme.

Fordelene er:

• Hurtigere reaktionstid
• Bedre kundeservice
• Færre oversete opgaver
• Øget gennemsigtighed i processerne
• Reduceret behov for manuel overvågning

Data- og integrationsflows

En stor del af virksomheders manuelle arbejde består i at flytte data mellem forskellige systemer. Power Automate kan forbinde Business Central med blandt andet SharePoint, Outlook, Teams, Dataverse, Excel og Power BI.

Typiske anvendelser er:

• Synkronisering af kundedata
• Deling af dokumenter
• Overførsel af rapportdata
• Oprettelse af sager eller opgaver i andre systemer
• Integration med CRM- og rapporteringsløsninger

Fordelene er:

• Eliminering af dobbeltindtastninger
• Højere datakvalitet
• Færre manuelle processer
• Hurtigere informationsdeling
• Lavere administrationsomkostninger

Dokument-workflows

Dokumenthåndtering er ofte en kilde til tidsforbrug og fejl. Power Automate kan automatisere hele eller dele af dokumentprocessen.

Eksempler kan være:

• Udsendelse af ordrebekræftelser
• Fremsendelse af fakturaer
• Arkivering af PDF-dokumenter
• Automatisk oprettelse af dokumentmapper
• Distribution af kontrakter og øvrige forretningsdokumenter

Disse løsninger kobler ofte Business Central sammen med SharePoint og Outlook.

Fordelene er:

• Hurtigere dokumentbehandling
• Mere ensartede processer
• Mindre administrativt arbejde
• Bedre dokumentstyring
• Lettere overholdelse af compliance-krav

Teams-baserede workflows

Microsoft har i de senere år styrket integrationen mellem Business Central, Power Automate og Microsoft Teams. Det betyder, at medarbejdere kan modtage notifikationer og gennemføre visse godkendelser direkte fra Teams. [yzhums.com], [eazydynamics.com]

Eksempler:

• Godkendelse af ordrer og fakturaer
• Notifikation om nye sager
• Projektrelaterede opdateringer
• Opgaver knyttet til bestemte forretningshændelser

Fordelene er:

• Kortere beslutningsveje
• Færre systemskift
• Højere produktivitet
• Hurtigere samarbejde på tværs af afdelinger
• Bedre brugeroplevelse

Manuelle workflows (Instant Flows)

Ikke alle processer skal starte automatisk. Business Central understøtter også manuelle workflows, som brugeren selv aktiverer, når behovet opstår.

Eksempler:

• Generering af rapporter
• Deling af dokumentpakker
• Oprettelse af projektmapper
• Eksport af data
• Overførsel af kunde- eller vareinformation til andre systemer

Fordelene er:

• Hurtig adgang til automatisering uden programmering
• Fleksibilitet i de daglige arbejdsgange
• Betydelig tidsbesparelse på tilbagevendende opgaver
• Standardisering af manuelle processer

Fra automatisering til procesoptimering

Selvom de enkelte workflows hver især kan give mærkbare forbedringer, opstår de største gevinster typisk, når flere workflows kombineres på tværs af virksomhedens kerneprocesser. Eksempelvis kan en ordre automatisk oprettes, godkendes, dokumenteres, distribueres og rapporteres uden manuelle mellemled.

Resultatet er kortere gennemløbstider, færre fejl, bedre datakvalitet og frigørelse af medarbejderressourcer til mere værdiskabende opgaver. Det er derfor ikke overraskende, at godkendelser, notifikationer, integrationer, dokumentstyring og Teams-baserede workflows fortsat er blandt de mest implementerede automatiseringsløsninger omkring Business Central.

Vil du høre mere om de mange muligheder for effektivisering i Business Central, så kontakt os.

Claus – salg og rådgivning
+45 28 60 45 79
cll@aintelligence.dk

Michael – rådgivning og teknik
+45 28 40 20 09
mkk@aintelligence.dk

kontakt@aintelligence.dk
www.aintelligence.dk

The post Standard workflows i Business Central skaber hurtige gevinster first appeared on .

Med Microsoft Dynamics 365 Business Central 2027 Release Wave 1, version 30, fjerner Microsoft muligheden for at eksponere Microsofts standard Pages som OData Web Services.

Det kan få direkte betydning for virksomheder, der anvender Power BI-løsninger, hvor data i dag hentes fra Business Central via disse OData Page Web Services.

Disse løsninger skal omlægges til en API-baseret tilgang, hvis de fortsat skal fungere efter opgraderingen.

Hos AIntelligence ApS har vi udviklet et værktøj, der gør det enkelt og effektivt at gennemføre denne ændring. Værktøjet reducerer den manuelle indsats og gør det muligt at flytte eksisterende Power BI-løsninger fra OData Page Web Services til en API-baseret løsning uden at skulle starte helt forfra.

Er du i tvivl om, hvorvidt jeres Power BI-løsning bliver påvirket, eller vil du høre mere om værktøjet, så kontakt os:

Claus – salg og rådgivning
+45 28 60 45 79
cll@AIntelligence.dk

Michael – rådgivning og teknik
+45 28 40 20 09
mkk@AIntelligence.dk

kontakt@AIntelligence.dk
www.aintelligence.dk

The post Business Central Power BI interface kan give problemer. first appeared on .

AI bruges primært til tre formål

Selvom medierne ofte fokuserer på modellerne, er de mest udbredte anvendelser langt mere jordnære.

1. Personlig produktivitet

Dette er sandsynligvis den mest udbredte anvendelse af generativ AI i virksomheder i dag.

• Opsummering af e-mails
• Skrivning af e-mails
• Udarbejdelse af dokumenter
• Opsummering af møder
• Generering af præsentationer
• Analyse af rapporter
• Informationssøgning på tværs af virksomhedens dokumenter

Løsninger som Microsoft 365 Copilot, ChatGPT Enterprise og Gemini for Workspace anvendes i stigende grad som en ny brugergrænseflade til eksisterende arbejdsopgaver.

For mange medarbejdere handler AI derfor først og fremmest om at spare tid på rutineprægede administrative opgaver.

2. Videns- og beslutningsstøtte

Det næste store anvendelsesområde er adgang til virksomhedens samlede viden.

Her anvendes ofte RAG (Retrieval-Augmented Generation), hvor AI’en henter information fra virksomhedens egne dokumenter, databaser, ERP og videnssystemer i det øjeblik, et spørgsmål stilles. Dermed kan modellen arbejde med opdateret information uden gentræning.

Typiske anvendelser er:

• HR-assistenter
• IT-support
• Juridiske opslag
• Kvalitetshåndbøger
• Produktdokumentation
• Kundeservice

Målet er at gøre viden lettere tilgængelig og reducere den tid medarbejdere bruger på at lede efter information.

3. Procesautomatisering

Det område, der potentielt rummer de største økonomiske gevinster, er automatisering af forretningsprocesser.

Her bygger AI videre på de principper, som tidligere blev kendt som:

• Workflow Automation
• Business Process Management (BPM)
• Robotic Process Automation (RPA)

Forskellen er, at AI nu kan fungere som et intelligent bindeled mellem mennesker, virksomhedens viden og eksisterende forretningssystemer. LLM’en kan fortolke forespørgsler, indhente relevant information fra RAG-kilder og efterfølgende aktivere eller understøtte de nødvendige forretningsprocesser og workflows.

Eksempler omfatter:

• Fakturahåndtering
• Ordrebehandling
• Kontraktanalyse
• Rekrutteringsprocesser
• Kundeservice
• Rapportering
• Indkøbsprocesser

AI bliver dermed en komponent i virksomhedens processer og ikke blot et værktøj til informationssøgning.

AI-agenter er næste skridt

AI-agenter er således i praksis en videreudvikling af procesautomatisering.

Hvor en traditionel chatbot svarer på spørgsmål, kan en agent udføre en række sammenhængende opgaver:

• Hente data fra flere systemer
• Analysere information
• Generere beslutningsgrundlag
• Starte eller gennemføre handlinger

Mange ser derfor AI-agenter som næste generation af digitale medarbejdere eller intelligente software-robotter. Flere undersøgelser viser stor interesse for disse løsninger blandt virksomheder.

Finetuning spiller en mindre rolle end forventet

I de første år efter gennembruddet forventede mange, at virksomheder ville træne deres egne modeller.

I praksis har udviklingen været anderledes.

De fleste organisationer anvender standardmodeller og kombinerer disse med:

• Prompts
• RAG
• Workflows
• Guardrails
• Integrationer

Finetuning anvendes fortsat, men typisk til specialiserede opgaver eller særlige domænespecifikke behov.

Governance er blevet en del af løsningen

AI-projekter handler i dag ikke kun om teknologi.

Forhold som:

• GDPR
• AI Act
• Datasikkerhed
• Kildehenvisninger
• Adgangskontrol
• Monitorering og Modeldrift (utilsigtede ændringer)

er blevet faste elementer i de fleste løsninger.

Derfor investerer virksomheder i stigende grad i governance og kontrolmekanismer som en meget vigtig del af selve AI-løsningerne.

Konklusion

Den måske vigtigste erkendelse i 2026 er, at AI ikke længere primært er et modelprojekt.

For de fleste virksomheder handler AI om:

• at gøre medarbejdere mere produktive,
• at gøre virksomhedens viden lettere tilgængelig,
• og at automatisere eksisterende forretningsprocesser.

Modellerne er i stigende grad blevet en standardkomponent. Den største forretningsmæssige værdi opstår først, når de kobles sammen med virksomhedens data, arbejdsgange og beslutningsprocesser. RAG, procesautomatisering, Copilots og AI-agenter er derfor i dag langt vigtigere emner for de fleste virksomheder end træning af egne modeller.

The post AI-fokus flytter fra modelvalg til effektivisering af forretningsprocesser first appeared on .

Længe før nogen havde hørt om Transformer-arkitekturen eller Attention Is All You Need (2017), arbejdede forskere, statistikere, aktuarer, ingeniører, økonomer og naturvidenskabsfolk med metoder, som i dag klassificeres som AI eller Machine Learning.

Eksempler er bl.a.:

• Lineær regression
• Logistisk regression
• Bayesiansk statistik
• Markov-kæder
• K-nearest neighbour
• Fuzzy logic
• Neural networks
• Decision trees
• Clustering
• Optimeringsalgoritmer
• Signalbehandling og Fourier-analyse

Listen er meget længere.

Meget af den matematik, der ligger bag moderne AI, er derfor ikke ny. Tværtimod bygger området på klassiske discipliner som lineær algebra, sandsynlighedsregning, matematisk statistik, informationsteori, operationsanalyse, numerisk analyse, differentialligninger og optimeringsteori.

Det betyder også, at der sidder mange mennesker rundt omkring med mange års erfaring inden for centrale AI-metoder, selv om de måske aldrig har kaldt sig selv AI-eksperter. Og dem der i dag kalder sig AI-eksperter er på den anden side ikke altid eksperter i klassisk forstand, da de ofte mangler dybden og bredden. Er man fx. ekspert fordi man er god til at skrive prompts og kan lave simple agenter?….

Det nye og revolutionerende er naturligvis Deep Learning, de meget store og komplekse neurale netværk og især Transformer-arkitekturen. Men det er vigtigt at forstå, at disse teknologier står på skuldrene af et enormt eksisterende vidensfundament.

Samtidig er det interessant, at moderne LLM’er i stigende grad fungerer som en slags dispatcher eller orkestrator.

Når en opgave skal løses, er LLM’en ikke nødvendigvis selv den optimale model til alt. Den kan derimod analysere problemet og vælge eller kombinere de metoder, der passer bedst til opgaven:

• Regression til forecasting
• Bayesianske modeller til sandsynligheder
• Optimering til planlægning
• Klassiske ML-modeller til klassifikation
• LLM’er til dialog og formidling

Set i det perspektiv er fremtidens AI ikke én model, men et samarbejde mellem mange forskellige modeller og metoder, hvor LLM’en fungerer som den intelligente koordinator.

Derfor bliver jeg altid lidt skeptisk, når AI udelukkende omtales som LLM’er. Transformer-modeller er uden tvivl et enormt gennembrud, men AI’s historiske fundament er langt bredere, langt ældre og langt dybere, end mange er klar over.

The post AI er ikke kun LLM’er og Transformer-modeller first appeared on .

Integrationerne er baseret på vores egen API-generator, som sikrer en effektiv og fleksibel dataudveksling mellem de underliggende systemer og Power BI. Det gør det muligt hurtigt at tilpasse løsningerne og imødekomme kundernes behov for specifikke analyser og nøgledata.

Med den tætte integration mellem Power BI og Microsoft Copilot udvides mulighederne yderligere med AI. Brugerne kan ikke blot analysere de data, der vises i dashboards, men også stille spørgsmål til de bagvedliggende data på naturligt sprog og få forklaringer, sammenfatninger og indsigter baseret på virksomhedens datamodel.

Dette giver medarbejdere adgang til en AI-baseret analyseassistent, som kan understøtte beslutningsprocesser og bidrage med indsigter på tværs af områder som økonomi, salg, lager og drift.

Vil du høre mere så kontakt gerne:

Claus – salg og rådgivning
+45 28 60 45 79
cll@aintelligence.dk

Michael – rådgivning og teknik
+45 28 40 20 09
mkk@aintelligence.dk

kontakt@aintelligence.dk
www.aintelligence.dk

The post 𝐄𝐟𝐟𝐞𝐤𝐭𝐢𝐯𝐢𝐬𝐞𝐫 𝐝𝐢𝐧 𝐟𝐨𝐫𝐫𝐞𝐭𝐧𝐢𝐧𝐠 𝐦𝐞𝐝 𝐀𝐈 𝐮𝐧𝐝𝐞𝐫𝐬𝐭ø𝐭𝐭𝐞𝐝𝐞 𝐁𝐈 𝐝𝐚𝐬𝐡𝐛𝐨𝐚𝐫𝐝𝐬. first appeared on .

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 .