AI og data

En chatbot besvarer spørgsmål. En agent handler: den læser poster, kalder dine systemer og gennemfører trin i en proces. Et multiagentsystem fordeler en større opgave mellem agenter med snævre roller, som er nemmere at teste og styre.

Læs mere: Multiagentsystemer og protokollerLink til dette spørgsmål

Det er åbne protokoller for AI-agenter. Model Context Protocol (MCP) forbinder en agent med værktøjer og data. Agent2Agent (A2A) lader agenter i forskellige systemer uddelegere arbejde. Agent Payments Protocol (AP2) lader en agent betale under et mandat, du underskriver.

Læs mere: Multiagentsystemer og protokollerLink til dette spørgsmål

En agent kan kun handle gennem de værktøjer, vi definerer for den, hver med sine egne rettigheder og grænser. Hvert kald logges. Guardrails kontrollerer input og output, og trin, der indebærer risiko, venter på, at et menneske godkender dem.

Læs mere: Multiagentsystemer og protokollerLink til dette spørgsmål

Ved human-in-the-loop (HITL) godkender et menneske hvert trin. Ved human-on-the-loop (HOTL) udfører agenterne rutinetrinnene, mens mennesker fører tilsyn, modtager alarmer og griber ind ved undtagelser. Vi aftaler med dig, hvilke trin der kræver hvad.

Læs mere: Multiagentsystemer og protokollerLink til dette spørgsmål

Vi bygger et evalueringssæt ud fra virkelige sager med de forventede resultater. Hver agent måles på det før udgivelse og efter hver ændring af prompter, modeller eller værktøjer. Du godkender tærsklen, og vi udgiver ikke under den.

Læs mere: Multiagentsystemer og protokollerLink til dette spørgsmål

Vi vælger fra opgave til opgave. Mulighederne omfatter frontiermodeller fra OpenAI, Claude og Gemini, åbenvægtsmodeller som Llama, Qwen, DeepSeek og Mistral og regionale modeller som Jais, Falcon og ALLaM. Hvor data skal blive i landet, bruger vi modeller, der kan køre i dit miljø.

Læs mere: Suveræne LLM’er, SLM’er og kontekstplatformeLink til dette spørgsmål

Ja. Vi finjusterer små sprogmodeller med arabisk som førstesprog, fx Jais, Falcon og ALLaM, på dit ordforråd og dine dokumenter. Derefter tester vi dem på de spørgsmål, dine brugere stiller, på de dialekter, de bruger.

Læs mere: Suveræne LLM’er, SLM’er og kontekstplatformeLink til dette spørgsmål

Retrieval-augmented generation (RAG) finder de passager, der besvarer et spørgsmål, og giver dem til modellen. GraphRAG tilføjer en vidensgraf over, hvordan dine enheder hænger sammen, så svarene kan følge de forbindelser. Rettighedsbevidst betyder, at hver passage først filtreres efter spørgerens rettigheder.

Læs mere: Suveræne LLM’er, SLM’er og kontekstplatformeLink til dette spørgsmål

Ofte er en lille nok. Klassificering, udtræk og svar ud fra dine egne dokumenter fungerer som regel godt med en tilpasset lille sprogmodel, der kører på færre GPU’er og koster mindre. Vi bruger store modeller til de opgaver, der kræver dybere ræsonnement.

Læs mere: Suveræne LLM’er, SLM’er og kontekstplatformeLink til dette spørgsmål

En stor sprogmodel trænes på tekst. En stor kvantitativ model (LQM) trænes på numeriske data, fx priser, transaktioner eller strømme i forsyningskæden. Den bruges til at simulere scenarier og forudsige resultater, hvor svaret er et tal.

Læs mere: Store kvantitative modeller og anvendt MLLink til dette spørgsmål

Ja. Vi bruger metoder til forklarlig AI (XAI), der viser, hvilke faktorer der lå bag hver beslutning, og vi dokumenterer, hvordan modellen blev bygget og testet. Dine kredit-, risiko- og revisionsteams kan gennemgå hver model, før den går i drift.

Læs mere: Store kvantitative modeller og anvendt MLLink til dette spørgsmål

Vi tester, hvordan modellen klarer sig på tværs af de kundegrupper, der betyder noget for dig og din tilsynsmyndighed. Hvor resultaterne er forskellige uden en saglig grund, ændrer vi dataene, featurene eller modellen før udgivelsen.

Læs mere: Store kvantitative modeller og anvendt MLLink til dette spørgsmål

Ja. Svindel- og AML-modeller vurderer transaktionerne i realtid, mens de sker. Mistænkelige sager tilbageholdes eller sendes videre til dine efterforskere med begrundelsen for, at modellen markerede dem.

Læs mere: Store kvantitative modeller og anvendt MLLink til dette spørgsmål

Ja. Transaktionelle agenter kalder dine systemer via snævre, loggede værktøjer for at udføre arbejdet, for eksempel at tjekke en ordre eller ændre en booking. Trin med risiko, for eksempel betalinger, kan kræve bekræftelse fra kunden eller en medarbejder.

Læs mere: Multimodal AI, tale-AI og vision-AILink til dette spørgsmål

Vi bygger og tester agenter på de sprog og dialekter, dine kunder bruger, herunder arabisk, med modeller, der er tilpasset dem. Vi tester på rigtige optagelser og beskeder, før nogen kunde hører eller læser agenten.

Læs mere: Multimodal AI, tale-AI og vision-AILink til dette spørgsmål

Video er tungt, og nogle beslutninger kan ikke vente. Behandling på eller tæt ved kameraet giver hurtigere resultater, sender færre data over netværket og holder optagelserne på stedet, når de skal blive der.

Læs mere: Multimodal AI, tale-AI og vision-AILink til dette spørgsmål

Taleopkald, webchat og beskeder, forbundet med de samme backendsystemer, så en kunde kan skifte mellem kanalerne. Vi begynder med den kanal, der har flest henvendelser.

Læs mere: Multimodal AI, tale-AI og vision-AILink til dette spørgsmål

Den læser dokumenter, som et menneske ville: teksten, layoutet og betydningen. IDP 2.0 tilføjer AI, der kontrollerer dataene mod dine regler, løser rutinemæssige undtagelser og bogfører resultatet i dine systemer.

Læs mere: Intelligent dokumentbehandling (IDP 2.0)Link til dette spørgsmål

Fakturaer, kontoudtog, dokumenter til handelsfinansiering, KYC-filer og komplekse formularer, uanset om de er maskinskrevne, scannede eller fotograferede. Vi tester på dine egne eksempler i alle de layouts og sprog, du modtager.

Læs mere: Intelligent dokumentbehandling (IDP 2.0)Link til dette spørgsmål

Valideringsregler fanger de fleste fejl før bogføring ved at kontrollere totaler, leverandører, ordrer og registre. Alt usikkert tilbageholdes til en medarbejder, med årsagen vist. Rettelser føres tilbage i systemet, så det bliver bedre.

Læs mere: Intelligent dokumentbehandling (IDP 2.0)Link til dette spørgsmål

Nej. Robotbaseret procesautomatisering gentager klik på skærmen og går i stykker, når et layout ændres. IDP forstår selve dokumentet og bogfører via ERP-systemets grænseflader i stedet for dets skærmbilleder.

Læs mere: Intelligent dokumentbehandling (IDP 2.0)Link til dette spørgsmål

Vi bogfører via de understøttede grænseflader i de ERP-systemer, vores integrationsdivision arbejder med, herunder SAP, Oracle, Microsoft Dynamics 365 og Odoo. Bogføringerne testes i en sandkasse, før de når din hovedbog i produktion.

Læs mere: Intelligent dokumentbehandling (IDP 2.0)Link til dette spørgsmål

Det afhænger af dine data, dine kompetencer, hvor dataene skal blive, og hvordan du vil forespørge på dem. Vi sammenligner Snowflake, Databricks og et åbent datalakehouse på Apache Iceberg med dine workloads og regler for dataplacering og anbefaler den enkleste løsning, der passer.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Kun hvor en beslutning afhænger af dem, som ved svindelkontrol, lagerniveauer eller agenthandlinger. Vi streamer de hændelser med Kafka og Flink og beholder batchindlæsninger, hvor daglige tal er nok, fordi batch er billigere at drive.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Ja. Vi læser ændringer gennem ERP-systemets understøttede grænseflader eller dets databaselogfiler i stedet for tunge forespørgsler og planlægger store indlæsninger uden for travle timer. Vi måler belastningen på ERP-systemet før og efter.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Hver pipeline har kvalitetstjek af mængder, nøgler, totaler og aktualitet, og fejl forhindrer dårlige data i at nå rapporterne. Vi afstemmer nøgletal mod dine kildesystemer sammen med de ansvarlige i økonomi og drift.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Det er en forretningsbeslutning, der træffes som to mål. Recovery point objective (RPO) er, hvor meget af de seneste data du kan tåle at miste. Recovery time objective (RTO) er, hvor længe et system må være nede. Vi designer replikering, failover og sikkerhedskopier, så de opfylder målene, og tester dem derefter.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Relationsdatabaser samt dokument-, nøgleværdi- og søgedatabaser, på dine egne servere eller som administrerede cloudtjenester. Ved starten bekræfter vi de databasemotorer og versioner, du kører, og tildeler ingeniører, der kender dem. Hvis du skal vælge en ny database eller en administreret tjeneste, sammenligner vi først mulighederne med din workload, dine kompetencer, licenser og driftsomkostninger.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Med målinger, ikke gætværk. Vi opsamler de langsomste og hyppigste forespørgsler, læser deres udførelsesplaner og tjekker ventetider, låse, hukommelse og lagring. Indekser, ændrede forespørgsler og konfiguration hjælper ofte mere end ny hardware og koster meget mindre. Vi retter de største årsager først og måler hver ændring mod en baseline.

Læs mere: Dataarkitektur, datalakehouses og realtidspipelinesLink til dette spørgsmål

Fordi hvert system har sin egen kopi af kunder, produkter og leverandører, og kopierne glider fra hinanden. Stamdatastyring fastlægger én version, holder den opdateret og sender den tilbage til systemerne, så rapporter og modeller holder op med at modsige hinanden.

Læs mere: Data governance, suverænitet, privatliv og sikkerhedLink til dette spørgsmål

Søgningen (retrieval) anvender dine adgangsregler på række- og rolleniveau, før nogen tekst når modellen. Modellen ser kun det, som den person, der spørger, må læse, og følsomme felter kan maskeres først.

Læs mere: Data governance, suverænitet, privatliv og sikkerhedLink til dette spørgsmål

Som regel ikke mærkbart. Moderne processorer krypterer hurtigt, og de fleste databaser og lagringssystemer krypterer i hvile med lille overhead. Kryptering af enkelte felter inde i en applikation koster mere. Vi tester ydelsen på dine workloads før udrulning og vælger den tilgang, der står mål med risikoen uden at bremse forretningen.

Læs mere: Data governance, suverænitet, privatliv og sikkerhedLink til dette spørgsmål

Kun hvis de kan spores, så hvert svar viser den forespørgsel, det kørte, og de data, det brugte. Værktøjet læser fra aftalte definitioner i et semantisk lag, og vi tester det mod tal, som dine teams allerede stoler på.

Læs mere: Agentisk BI og beslutningsintelligensLink til dette spørgsmål

En bruger skriver et spørgsmål i klart sprog, og AI-analytikeren omsætter det til en databaseforespørgsel, kører den på styrede data og forklarer resultatet. Brugerne behøver ingen SQL, og analytikerne bruger mindre tid på rutineopgaver.

Læs mere: Agentisk BI og beslutningsintelligensLink til dette spørgsmål

Ja. Vi bygger analyser ind i dine portaler og apps, hvor hver kunde kun har adgang til sine egne data. Hvor dine data har værdi for andre, kan vi pakke dem som et selvbetjeningsprodukt.

Læs mere: Agentisk BI og beslutningsintelligensLink til dette spørgsmål

En chatbot besvarer spørgsmål. Vi bygger systemer, der udfører arbejde. Agenter kalder dine værktøjer under tilsyn, modeller svarer kun ud fra det, brugeren må se, og dataplatforme forsyner dem. Hver enkelt testes, logges og måles.

Læs mere: AI og dataLink til dette spørgsmål

Agenter handler gennem snævre værktøjer, der logges, med de rettigheder, du giver. Mennesker fører tilsyn med dem og godkender de trin, der betyder noget. AgentOps tilføjer telemetri, evaluering, guardrails mod opdigtede svar og grænser for tokenforbrug.

Læs mere: AI og dataLink til dette spørgsmål