all
Tech Trends 2030: Den næste æra af generativ AI
Denne Tech Trends -rapport udforsker generativ industriel AI-udvikling og deres industriindvirkning. Afdæk nøgletendenser og fremtidige scenarier.
Ordliste for kunstig intelligens
AI omfatter en bred vifte af discipliner og teknologier. Denne ordliste over de vigtigste nøgleudtryk kan hjælpe med at udvide din forståelse og dykke dybere ned i denne fascinerende verden.
EN
Agentisk AI refererer til avancerede AI-systemer, der går ud over blot at reagere på kommandoer; de genererer indhold, udfører opgaver autonomt og opnår mål. Disse systemer kombinerer ræsonnementsegenskaber, hukommelsesfunktioner og feedbacksløjfer til uafhængigt at planlægge og udføre handlinger, ofte ved at bruge forskellige digitale værktøjer og tilpasse deres tilgang gennem læring. I modsætning til traditionel AI kan agentic AI fungere både uafhængigt og i samarbejde med andre AI-agenter og træffe autonome beslutninger, mens de interagerer med forskellige platforme og systemer for at udføre komplekse opgaver.
I den industrielle sammenhæng involverer Agentic AI implementering af AI-systemer, der uafhængigt kan overvåge, analysere og kontrollere forskellige aspekter af industrielle operationer, såsom forudsigelig vedligeholdelse, kvalitetskontrol, lagerstyring eller optimering af produktionsprocesser.
Kunstig intelligens (AI) refererer til software, der har evnen til at lære og tilpasse sig. AI kan løse opgaver, der kræver, at den fortolker betydningen af inputdata og tilpasser sig kravene. Typisk er dette opgaver, der tidligere kun kunne løses ved naturlig intelligens. Der er flere typer AI-metoder, der adskiller sig markant med hensyn til deres anvendelsesområder, deres potentialer og de risici, der er forbundet med dem. De grundlæggende principper for AI blev udviklet i det 20. århundrede. Fordi alle AI-metoder kræver store mængder træningsdata, får teknologien nu øget kritisk relevans gennem digitalisering og big data.
En teknologi, der gør det muligt at overlejre digital information på virkelige miljøer og objekter, typisk ved hjælp af fordybende 3D Virtual Reality. AR tillader en forbedret version af den fysiske verden ved at tilføje digital visuel, lyd og andre sensoriske elementer.
Systemer, der kan fungere uden menneskelig indgriben, såsom selvkørende biler og droner.
Køretøjer, der kan køre uden menneskelig indgriben, såsom selvkørende biler og lastbiler.
B
Utilsigtede fordomme eller favoritisme, der kan forekomme i AI-systemer på grund af partiske træningsdata eller algoritmer.
Store og komplekse datasæt, ofte genereret af (industrielle) sensorer, men også af virksomheder, organisationer og mennesker. Da disse data ofte er ustrukturerede, ufuldstændige eller forkerte, kan ikke-AI-drevet software normalt ikke behandle dem på en meningsfuld måde.
C
Et AI-drevet program, der kan interagere med mennesker gennem tekst- eller stemmekommunikation.
En type AI, der sigter mod at replikere menneskelige kognitive processer, såsom opfattelse, ræsonnement og beslutningstagning.
En delmængde af AI, der giver computere mulighed for at udtrække information fra visuelle elementer, såsom billeder og videoer, for at forstå og fortolke dem.
Strategier, målinger og værktøjer, der hjælper med at sikre digital information fra eksterne angribere. AI kan bruges til at opdage og forhindre cyberangreb og til at identificere og reagere på sikkerhedsbrud.
D
Processen med at analysere og fortolke data for at afdække indsigt og træffe informerede beslutninger.
Computersystemer, der er designet til at hjælpe mennesker med at træffe beslutninger ved at give relevant information og analyse.
En delmængde af Machine Learning, der involverer brugen af neurale netværk med flere lag for at gøre det muligt for maskiner at lære af data.
En matematisk model, der beskriver opførslen af et fysisk objekt eller en proces. I et simuleringsmiljø kan en digital tvilling bruges til at simulere, hvad der ville ske i den virkelige verden, hvis systemets parametre skulle ændres. Digitale tvillinger kan bruges gennem hele produktets livscyklus, herunder design-, fremstillings-, drift- og servicefaserne. Visuelle repræsentationer af digitale tvillinger ser ud og opfører sig som deres fysiske modstykker, spejler den virkelige verden og tilpasser sig i realtid til, hvad der sker der.
E
Edge Computing er en type systemarkitektur, der i modsætning til cloud computing bringer computing og datalagring tættere på datakilderne („kanten“). Det hjælper med at reducere responstider og den mængde energi, der kræves til dataoverførsel. Edge AI-systemer kan implementeres fysisk tæt på den faktiske eksekveringsenhed. Disse enheder kan køre AI-applikationer uden at være forbundet til skyen.
AI, der er designet til at interagere med og navigere i den fysiske verden, ofte gennem brug af robotter eller autonome køretøjer.
Undersøgelse og anvendelse af moralske principper i udviklingen og brugen af AI, herunder spørgsmål som bias, privatliv og ansvarlighed.
AI, der er designet til at være gennemsigtig og forklarbar, så mennesker kan forstå, hvordan og hvorfor en maskine tog en bestemt beslutning.
F
Er en træningsmetode i maskinlæring, hvor flere separate enheder træner en maskinlæringsmodel med deres eget (separate) datasæt. Kun slutresultaterne deles med hovedaktøren i netværket.
G
AI, der er designet til at generere nyt indhold, såsom billeder, videoer og musik ved at kombinere og lære af eksisterende indhold.
En applikations evne, f.eks. CAD-software, til autonomt at generere en række designalternativer givet et sæt begrænsninger. Bruger teknikker som AI, optimering og simulering.
JEG
Industriel AI refererer til anvendelsen af AI inden for de industrier, der udgør rygraden i vores økonomier - industri, infrastruktur, mobilitet og sundhedspleje.
Industrial Foundation Models (IFM'er) er forududdannet i branchespecifikke data for dybt at forstå „sproget“ inden for teknik, automatisering og fremstilling og muliggøre hurtigere og mere præcis implementering af AI-løsninger. De giver et standardiseret udgangspunkt, der sparer tid, ressourcer og energi gennem stordriftsfordele. IFM'er er skræddersyet til at løse virkelige industrielle udfordringer. De fungerer som intelligenslaget bag Industrial Copilots og letter videnoverførsel og samarbejde på tværs af sektorer. De understøtter ikke kun tekst, billeder og lyd, men også 3D-modeller, 2D-tegninger og andre komplekse strukturer såsom branchespecifikke tidsseriedata (se også Multimodale LLM'er).
AI i industriel kvalitet betegner et kvalitetsniveau; pålidelig, sikker og pålidelig, designet til at opfylde de strenge krav og standarder i de mest krævende professionelle miljøer.
Et udtryk, der bruges til at beskrive den fjerde industrielle revolution, som involverer integration af AI, IoT og andre avancerede teknologier i fremstilling og industri.
Netværket af tekniske enheder indlejret med sensorer, software og tilslutningsmuligheder for at muliggøre dataudveksling. IoT er en af de vigtigste drivkræfter for digitalisering og big data.
K
En database, der repræsenterer viden som en graf over sammenkoblede noder og kanter, der bruges til AI-applikationer som NLP og søgning.
L
En type AI-sprogmodel, der trænes på enorme mængder data, såsom GPT-3, til at generere menneskelignende tekst.
M
En delmængde af AI, der involverer brug af algoritmer og statistiske modeller for at gøre det muligt for maskiner at lære af erfaring eller data.
En undergruppe af AI, der gør det muligt for maskiner med tilsluttede kameraer at udtrække visuel information til forståelse og fortolkning af deres omgivelser.
Multimodale LLM'er kan forstå og behandle flere typer data - såsom tekst, billeder, lyd eller sensordata - samtidigt. De er integreret i applikationer som computersyn, autonome køretøjer og robotik. De forbedrer genkendelse af objekter, sceneforståelse og gør det muligt for maskiner at følge komplekse instruktioner. Multimodale LLM'er har potentiale til at påvirke behandlingen og genereringen af branchespecifikke data - såsom tidsserier, 2D- og 3D-modeller eller data til maskinsyn - på samme måde som konventionelle LLM'er har påvirket tekst- og talebehandling.
N
En undergruppe af AI, der fokuserer på interaktionen mellem computere og menneskeligt sprog.
En grænseflade, der gør det muligt for mennesker at interagere med computere ved hjælp af naturlige bevægelser, tale og andre former for udtryk.
En type Machine Learning-algoritme, der er modelleret efter strukturen i den menneskelige hjerne og bruges til at genkende mønstre i data.
En proces til analyse af ændringer i spænding og strøm i bygninger eller maskiner, der omfatter flere underenheder for at udlede det individuelle bidrag fra hver enhed i systemet.
P
Fysisk AI refererer til integrationen af kunstig intelligens i maskiner - såsom robotter - der kan fornemme deres miljø og handle inden for det. Inspireret af den menneskelige sensorimotoriske cyklus behandler fysisk AI sensoriske input (såsom 3D-kameraer eller taktile sensorer), genererer kontrolkommandoer fra dem og gør det muligt for maskiner at udføre komplekse opgaver adaptivt og autonomt i fysiske 3D-miljøer.
Fysikinformeret AI, også kendt som fysik-opmærksom AI, henviser til en ny klasse af kunstige intelligensmetoder, der inkorporerer fysiklove direkte i træningsprocessen. I modsætning til konventionelle AI-tilgange, der er stærkt afhængige af store datasæt for at lære adfærd, integrerer fysikinformeret AI fysikbaserede begrænsninger for at guide læring. Dette gør det muligt for AI-systemer at ræsonnere og foretage forudsigelser, selv når data fra den virkelige verden er begrænset, ved at udnytte vores eksisterende viden om, hvordan den fysiske verden fungerer. I stedet for kun at lære af eksempler bruger disse modeller deres fysikviden til at styre læring mod mere optimale og fysisk konsistente løsninger.
Prædiktiv AI udnytter statistisk analyse og maskinlæring til at identificere mønstre i realtid og historiske driftsdata fra maskiner og udstyr, så den kan forudsige fremtidig adfærd, opdage uregelmæssigheder, forudsige potentielle fejl og anbefale vedligeholdelseshandlinger. Det bruges til at forbedre aktivets tilstand og pålidelighed, reducere uplanlagt nedetid og understøtte hurtigere datadrevet beslutningstagning på tværs af industrielle operationer.
Brugen af AI og statistiske modeller til at forudsige fremtidige begivenheder eller tendenser baseret på historiske data.
Brugen af AI til at forudsige, hvornår maskiner skal vedligeholdes eller repareres, baseret på realtidsdata.
Q
Brugen af AI til at opdage defekter og sikre, at produkter opfylder kvalitetsstandarder.
R
En type maskinlæring, hvor utrænede agenter lærer en strategi gennem sanktioner og belønninger af systemet efter udførte handlinger.
AI-applikationer, der opfylder definerede etiske og moralske standarder.
Den gren af teknik og AI, der fokuserer på design, konstruktion og drift af robotter.
S
Brugen af AI til at analysere og fortolke følelser og meninger udtrykt i tekst eller tale.
Et elnet, der bruger AI og andre avancerede teknologier til at optimere produktion, distribution og forbrug af elektricitet.
Specialiseret hardware, såsom grafikbehandlingsenheder (GPU'er) eller sprogbehandlingsenheder (LPU'er) aktiverede kantenheder, er en voksende tendens inden for industriel AI. Disse enheder leverer højtydende computerkraft ved kanten, hvilket muliggør realtidsbehandling af AI-algoritmer. Deres integration giver mulighed for parallel behandling og accelereret ydeevne, hvilket resulterer i hurtigere udførelse af komplekse AI-opgaver. Denne lokale behandling reducerer ventetid og afhængighed af skyressourcer, hvilket gør det afgørende for tidsfølsomme applikationer. Specialiseret hardware understøtter også avancerede AI-modeller, hvilket fører til forbedret indsigt og forbedret ydeevne. Desuden reducerer det omkostningerne ved at minimere behovet for omfattende cloud-infrastruktur og dataoverførsel.
Maskiners evne til at genkende og fortolke menneskelig tale.
En læringsmetode, hvor maskinlæringsmodeller trænes med mærkede (kendte) datasæt til at forudsige et resultat.
Flowoptimering af varer og materialer i en forsyningskæde for at reducere omkostninger og forbedre effektiviteten. AI bruges ofte til procesautomatisering, ineffektivitetsdetektering, kvalitetssikring af varer og efterspørgselsprognoser.
Kunstige data genereret af algoritmer snarere end begivenheder i den virkelige verden, der bruges til at træne og validere Machine Learning-modeller. Kvaliteten af de syntetiske data er kritisk. Det bestemmer, om AI vil producere acceptable resultater efter træning.
U
En læringsmetode, hvor Machine Learning-modeller opdager mønstre og grupperinger i data, der tidligere er ukendte (umærkede).
V
Virtual Reality (VR) præsenterer et digitalt gengivet miljø, der kan replikere et faktisk rum, skabe en alternativ virkelighed eller kombinere de to. Brugeren er i stand til at udforske det virtuelle rum fra hjemmet, kontoret eller fabriksgulvet.
