6.0 Introduktion til del 6: Kunstig intelligens
Kunstig intelligens er gået fra forskningsnyhed til en kernefunktion, som store organisationer nu forventes at udrulle ansvarligt og i skala. Denne del gennemgår hele livscyklussen: at beslutte, hvor AI er umagen værd at anvende, at udvikle maskinlærings-systemer, der overlever mødet med produktion, at bygge applikationer på generative modeller, at bruge AI til at hjælpe med selve softwareudviklingen, at opfylde jeres forpligtelser om retfærdighed og ansvarlighed og at drive den specialiserede infrastruktur, alt dette kræver. Én idé binder hvert kapitel sammen: modellen er sjældent det svære. Det svære er den ingeniørdisciplin, styring og driftsdisciplin, der omgiver den.
For store teams hæver skala og inerti indsatsen. Et dårligt formuleret initiativ kan brænde budgetter, aflede dygtige ingeniører og udhule tilliden, når det fejler offentligt. Et velvalgt kan automatisere trummerum og afdække indsigt fra data, I aldrig før kunne nå. På tværs af hundredvis af udviklere og dusinvis af modeller summerer små vaner og små huller i tilsyn sig til organisatoriske udfald. Det er grunden til, at fælles platforme, standarder og normer betyder mere end nogen enkelt kløgtig løsning.
Virksomheds- og offentlige sammenhænge tilføjer skarpere begrænsninger, og de løber gennem hvert kapitel. Offentlige organer skal begrunde udgifter, garantere åbenhed, undgå ulovlig diskrimination og forblive ansvarlige over for tilsynsmyndigheder og offentligheden. Indkøbsregler kan forbyde indlåsning hos en enkelt leverandør og kræve forklarlighed og udtrædelsesmuligheder. Fremvoksende lovgivning såsom EU’s AI-forordning (Den Europæiske Unions risikoopdelte regulering af AI-systemer) og standarder som NIST AI Risk Management Framework og ISO/IEC 42001, en certificerbar standard for AI-ledelsessystemer, pålægger krav graderet efter risiko. I disse sammenhænge er compliance, reviderbarhed, reproducerbarhed og datasuverænitet førsteklasses krav, ikke eftertanker.
Kapitler i denne del
6.1 AI-strategi og parathed: Disciplinen at beslutte, hvor AI skal anvendes, hvor den skal undgås, og hvilke data-, talent- og styringsfundamenter der skal findes, før den første model når produktion.
6.2 Maskinlæringsudvikling (MLOps): At bringe softwarestringens til den tredelte virkelighed af kode plus data plus modeller, så ML-systemer er reproducerbare, observerbare og vedligeholdelige frem for engangsdemoer.
6.3 Generativ AI og LLM-applikationer: At udvikle pålidelige applikationer omkring probabilistiske sprogmodeller gennem konteksthåndtering, retrieval-augmented forankring, rækværk (kontroller ved kørsel, der afgrænser modelinput og -output) og stringent evaluering.
6.4 AI-understøttet softwareudvikling: At bruge AI-kodeassistenter til at hæve gennemløbet uden at sænke kvaliteten, gennem klare normer, gode standarder, stærk verifikation og opmærksomhed på sikkerhed og licensering.
6.5 Ansvarlig og troværdig AI: At bygge systemer, der er retfærdige, gennemsigtige, ansvarlige, sikre og privatlivsrespekterende, og at kunne demonstrere alt dette over for dem, der berøres, og over for tilsynsmyndigheder.
6.6 AI-infrastruktur og drift: At provisionere og drive de knappe acceleratorer, vektorlagre (systemer, der indekserer data som numeriske vektorer til lighedssøgning) og servinglag, AI-arbejdsbyrder kræver, omkostningseffektivt, pålideligt og observerbart.
6.7 AI-agenter og agentiske systemer: At bygge software, der bruger en sprogmodel i en løkke med værktøjer, hukommelse og et mål til at foretage handlinger, og at gøre det sikkert gennem afgrænset autonomi, værktøjsadgang efter mindste privilegium, godkendelser med et menneske i løkken, rækværk mod prompt injection og stringent evaluering af ikke-deterministisk adfærd.
6.8 AI-evaluering og -test: At gøre AI troværdig gennem evalueringsdrevet udvikling, repræsentative evalueringssæt og opgavetilpassede målinger, kalibreret LLM-som-dommer og menneskelig gennemgang, red teaming, regressionsporte i kontinuerlig integration og overvågning af kvalitet og drift i produktion.
6.9 Promptudvikling og kontekstdesign: At behandle prompting som ingeniørarbejde, med strukturerede prompts, few-shot- og chain-of-thought-teknikker, disciplineret kontekstbudgettering og -hentning, struktureret output og værktøjskald samt prompts versioneret, gennemgået og evalueret som kode.
Sådan hænger kapitlerne sammen
Sammen danner disse kapitler en livscyklus, der løber fra hensigt til drift. Kapitel 6.1 fastlægger strategi og parathed og rammer ind, hvilke problemer der overhovedet retfærdiggør AI, og hvilke fundamenter I har brug for først. Kapitel 6.2 leverer ingeniørrygraden til klassisk maskinlæring, mens kapitel 6.3 dækker de særskilte mønstre i generative modeller, hvor adfærd formes af prompts og hentet kontekst frem for et træningstrin. Kapitel 6.4 vender AI mod selve softwareudviklingens håndværk, og kapitel 6.6 leverer det beregnings-, lagrings- og servingsubstrat, som alle andre kapitler afhænger af. Kapitel 6.5 er bevidst ikke det sidste ord, men en konstant ledsager: forpligtelser om ansvarlig AI former strategi, begrænser modelvalg, lukker porten for udrulning og informerer infrastrukturbeslutninger hele vejen igennem.
Den røde tråd løber fra strategi til MLOps til generativ AI til AI-understøttet udvikling til ansvarlig AI til infrastruktur, men tænk på det som et net, ikke en lige linje. MLOps og infrastruktur deler anliggender omkring reproducerbarhed, omkostning og serving, så kapitel 6.2 og kapitel 6.6 læses bedst sammen. Ansvarlig AI knytter sig tilbage til strategi i kapitel 6.1 og frem til den bredere behandling af etik og offentlig interesse i kapitel 10.5, og den læner sig op ad privatlivs- og databeskyttelsespraksisserne i kapitel 4.5. Guidebogens bredere ingeniørgrundlag understøtter hele delen: kontinuerlig levering i kapitel 8.1, observerbarhed og overvågning i kapitel 9.2, teststrategi i kapitel 2.4 og kodegennemgang i kapitel 2.5 er alle forudsætninger for at gøre AI godt. AI erstatter ikke sund softwareudvikling. Den hæver indsatsen for at få det rigtigt.