Kontakt

Typiske faldgruber i AI-projekter

Hvordan undgår I at drukne i datarydning og ramme ind i klassiske fejl, der spænder ben for AI-projekter? I dette webinar giver vores AI-specialist, PhD Étienne Bourbeau, et klart overblik over de mest almindelige faldgruber, han møder hos virksomheder – og hvordan I undgår dem.

Étienne deler sine erfaringer med tre centrale udfordringer:

  • Strategisk uklarhed – når formål, succeskriterier og scope ikke er tydeligt defineret.
  • Rodede data – når manglende struktur i jeres datakilder gør AI-arbejdet tungt og ineffektivt.
  • Uklar implementering – når kode, infrastruktur, drift og datasikkerhed ikke er tænkt ind fra start.

Webinaret giver jer konkrete tekniske, strategiske og praktiske spørgsmål, I bør afklare, før I går i gang, så I kan bygge AI-løsninger, der skaber reel værdi frem for frustration.

Se slides fra webinaret

FAQ

Har I en tjekliste, man kan følge for et succesfuldt forløb?

Vi har ikke én tjekliste, der passer til alle projekter, men som udgangspunkt kan I forberede følgende:

Opgaver
  • Hvilke konkrete opgaver vil I bruge AI til?
  • Hvilke data kræver disse opgaver?
Data
  • Har I de nødvendige data, og hvor kan de i givet fald hentes?
  • Er data person- eller virksomheds-følsomme? (Tænk GDPR og fortrolighed)
  • Hvilket format, mængde og kvalitet har dataene?
Compliance
  • Arbejder I inden for områder med særlige krav? (f.eks. sundhed, forsvar, kritisk infrastruktur)
  • Er der juridiske eller sikkerhedsmæssige risici?
IT-ressourcer
  • Hvordan ser jeres nuværende IT-infrastruktur ud?
  • Har I interne IT-kompetencer?
  • Ønsker I intern løsning, eller skal AI køre via eksterne leverandører?
Hvad er typiske faldgruber, når man forbereder data til et RAG-system?

Der er flere almindelige udfordringer, som organisationer bør være opmærksomme på:

Filformater
PDF-dokumenter ofte er vanskelige at  indlæse og behandle korrekt. HTML og XML kræver typisk ekstra tilpasning for at fjerne relevante tags, symboler og støj.

Anonymisering og databeskyttelse
Det er vigtigt at sikre, at data er korrekt anonymiseret, når det er påkrævet. Eksempelvis er det ikke tilstrækkeligt blot at skjule følsomme oplysninger visuelt (fx med sorte bjælker), hvis data stadig kan genskabes. Der skal også skelnes klart mellem anonymisering og pseudonymisering.

Adgangsrettigheder
Hvis RAG-systemet anvendes af flere brugere med forskellige rettigheder, skal det være tydeligt, hvilke dokumenter den enkelte bruger må tilgå.

Juridisk afklaringer
Det anbefales at involvere juridiske kompetencer tidligt i processen. Manglende juridisk afklaring kan forsinke projektet væsentligt senere.

For stor kompleksitet fra start
At overføre for mange dokumenter på én gang kan gøre fejl sværere at opdage.

Hvad anbefales for at sikre en god proces?

  • Start med et begrænset antal dokumenter og test, om format, struktur og indhold fungerer efter hensigten.

  • Brug tilstrækkelig tid på at definere klare succeskriterier. Testspørgsmål bør afspejle reelle brugsscenarier og ikke kun være overfladiske eller “halvhjertede”.

  • Evaluer løbende, om systemets svar matcher de forventninger, der findes i praksis.
Hvad kendetegner en god dataleverance til et RAG-system?

En god dataleverance er kendetegnet ved, at:

  • RAG-systemet kan besvare relevante spørgsmål korrekt og konsistent.
  • Systemet ikke lækker eller refererer til forkerte eller ikke-autoriserede dokumenter.
  • Data er korrekt struktureret, renset og adgangsstyret, så svarene er både præcise og sikre.

Målgruppe

Webinaret er ideelt for dig, der arbejder i en organisation, der gerne vil i gang med AI og måske er begyndt at undersøge mulighederne. Uanset om du er AI-ekspert eller ej, tager du noget med hjem, når Étienne deler ud af sine praktiske erfaringer fra talrige kundecases.

kontakt

Har du spørgsmål, er du velkommen til at kontakte:

Étienne Bourbeau
AI Specialist

+45 93 52 16 77
etienne.bourbeau@alexandra.dk

Andre events

Måske kunne disse events også have din interesse:

Formular indsendt!