Kort svar: Et AI-selskap er et selskap der kjerneproduktet, verdien eller konkurransefortrinnet er avhengig av AI – fjern AI-en, og tilbudet kollapser eller blir dramatisk verre. Hvis AI-en feilet i morgen, og du fortsatt kan levere med regneark eller grunnleggende programvare, er du sannsynligvis AI-aktivert, ikke AI-nativ. Ekte AI-selskaper skiller seg ut gjennom data, evaluering, distribusjon og tette iterasjonsløkker.
Viktige konklusjoner:
Kjerneavhengighet : Hvis fjerning av AI ødelegger produktet, ser du på et AI-selskap.
Enkel test : Hvis du kan halte avgårde uten AI, er du sannsynligvis AI-aktivert.
Operasjonelle signaler : Team som diskuterer drift, evalueringssett, latens og feilmoduser har en tendens til å gjøre det harde arbeidet.
Motstand mot misbruk : Bygg rekkverk, overvåking og tilbakerullingsplaner for når modeller svikter.
Kjøperaktsomhet : Unngå AI-vasking ved å kreve mekanismer, målinger og tydelig datastyring.
«AI-selskap» blir kastet rundt så fritt at det risikerer å bety alt og ingenting på én gang. Én oppstartsbedrift hevder AI-status fordi den la til en autofullføringsboks. Et annet selskap trener modeller, bygger verktøy, sender produkter og distribuerer dem i produksjonsmiljøer ... og blir fortsatt kastet i samme bøtte.
Så etiketten trenger skarpere kanter. Forskjellen mellom en AI-basert bedrift og en standardbedrift med et lite snev av maskinlæring viser seg raskt når du vet hva du skal se etter.
Artikler du kanskje vil lese etter denne:
🔗 Slik fungerer AI-oppskalering
Lær hvordan modeller legger til detaljer for å forstørre bilder på en ren måte.
🔗 Hvordan AI-kode ser ut
Se eksempler på generert kode og hvordan den er strukturert.
🔗 Hva en AI-algoritme er
Forstå algoritmer som hjelper AI med å lære, forutsi og optimalisere.
🔗 Hva AI-forbehandling er.
Oppdag trinn som renser, merker og formaterer data for trening.
Hva et AI-selskap er: den rene definisjonen som holder mål ✅
En praktisk definisjon:
Et AI-selskap er en bedrift hvis kjerneprodukt, verdi eller konkurransefortrinn er avhengig av kunstig intelligens – det betyr at hvis du fjerner AI-en, kollapser selskapets «ting» eller blir dramatisk verre. ( OECD , NIST AI RMF )
Ikke «vi brukte AI én gang i et hackathon». Ikke «vi la til en chatbot på kontaktsiden». Mer som:
-
Produktet er et AI-system (eller drives av én ende-til-ende-løsning) ( OECD )
-
Selskapets fortrinn kommer fra modeller, data, evaluering og iterasjon ( Google Cloud MLOps , NIST AI RMF Playbook - Measure )
-
AI-en er ikke en funksjon – det er motoren 🧠⚙️
Her er en enkel magefølelse:
Se for deg at AI-en feiler i morgen. Hvis kundene fortsatt betaler deg, og du kan halte av gårde med regneark eller grunnleggende programvare, er du sannsynligvis AI-aktivert, ikke AI-native.
Og ja, det er et uskarpt midtområde. Som et bilde tatt gjennom et dugget vindu ... ikke en god metafor, men du skjønner tegninga 😄
Forskjellen mellom «AI-selskap» og «AI-aktivert selskap» (denne delen sparer argumenter) 🥊
De fleste moderne bedrifter bruker en eller annen form for kunstig intelligens. Det alene gjør dem ikke til et kunstig intelligens-selskap. ( OECD )
Vanligvis et AI-selskap:
-
Selger AI-funksjonalitet direkte (modeller, andrepiloter, intelligent automatisering)
-
Bygger proprietære AI-systemer som kjerneprodukt
-
Har seriøs AI-utvikling, evaluering og distribusjon som en kjernefunksjon ( Google Cloud MLOps )
-
Lærer kontinuerlig av data og forbedrer ytelsen som en nøkkelmåling 📈 ( Google MLOps Whitepaper )
Vanligvis et AI-aktivert selskap:
-
Bruker AI internt for å kutte kostnader, øke hastigheten på arbeidsflyter eller forbedre målretting
-
Selger fortsatt noe annet (detaljhandelsvarer, banktjenester, logistikk, media osv.)
-
Kunne erstatte AI med tradisjonell programvare og fortsatt «være seg selv»
Eksempler (generiske med vilje, fordi merkevaredebatter er en hobby for noen):
-
En bank som bruker AI for å oppdage svindel – AI-aktivert
-
En forhandler som bruker AI for lagerprognoser – AI-aktivert
-
Et selskap hvis produkt er en AI-kundesupportagent – sannsynligvis et AI-selskap
-
En plattform som selger verktøy for modellovervåking, evaluering og distribusjon – AI-selskap (infrastruktur) ( Google Cloud MLOps )
Så ja ... tannlegen din bruker kanskje AI for å planlegge påminnelser. Det gjør dem ikke til et AI-selskap 😬🦷
Hva kjennetegner en god versjon av et AI-selskap 🏗️
Ikke alle AI-selskaper er bygget likt, og noen er i sannhet stort sett vibrasjoner og risikokapital. En god versjon av et AI-selskap har en tendens til å dele noen trekk som dukker opp igjen og igjen:
-
Tydelig problemeierskap : de løser en spesifikk smerte, ikke «AI for alt»
-
Målbare resultater : nøyaktighet, tidsbesparelse, reduserte kostnader, færre feil, høyere konvertering – velg noe og spor det ( NIST AI RMF )
-
Datadisiplin : datakvalitet, tillatelser, styring og tilbakemeldingsløkker er ikke valgfrie ( NIST AI RMF )
-
Evalueringskultur : de tester modeller som voksne – med benchmarks, edge cases og overvåking 🔍 ( Google Cloud MLOps , Datadog )
-
Implementeringsvirkelighet : systemet fungerer under rotete daglige forhold, ikke bare i demonstrasjoner
-
En forsvarlig fordel : domenedata, distribusjon, arbeidsflytintegrasjon eller proprietære verktøy (ikke bare «vi kaller et API»)
Et overraskende tydelig tegn:
-
Hvis et team snakker om latens, drift, evalueringssett, hallusinasjoner og feilmoduser , driver de sannsynligvis med ekte AI-arbeid. ( IBM - Modelldrift , OpenAI - hallusinasjoner , Google Cloud MLOps )
-
Hvis de stort sett snakker om «revolusjonerende synergi med intelligente vibber», vel ... du vet hvordan det er 😅
Sammenligningstabell: vanlige AI-selskaps"typer" og hva de selger 📊🤝
Nedenfor er en rask, litt ufullkommen sammenligningstabell (som i den vanlige forretningsdriften). Prisene er «typiske prisstiler», ikke eksakte tall, fordi det varierer mye.
| Alternativ / «Type» | Beste publikum | Pris (typisk-ish) | Hvorfor det fungerer |
|---|---|---|---|
| Grunnmodellbygger | Utviklere, bedrifter, alle ... liksom | Bruksbaserte, store kontrakter | Sterke generelle modeller blir en plattform – det «operativsystemlignende» laget ( OpenAI API-priser ) |
| Vertikal AI-app (juridisk, medisinsk, finans osv.) | Team med spesifikke arbeidsflyter | Abonnement + setepriser | Domenebegrensninger reduserer kaos; nøyaktigheten kan hoppe (når det gjøres riktig) |
| AI-copilot for kunnskapsarbeid | Salg, support, analytikere, drift | Per bruker månedlig | Sparer raskt tid, integreres i daglige verktøy ... klissete når det er bra ( Microsoft 365 Copilot-priser ) |
| MLOps / Model Ops-plattform | AI-team i produksjon | Foretakskontrakt (noen ganger smertefull) | Overvåking, utrulling, styring – lite sexy, men essensielt ( Google Cloud MLOps ) |
| Data + Merking Selskap | Modellbyggere, bedrifter | Per oppgave, per etikett, blandet | Bedre data slår overraskende ofte «mer avanserte modeller» ( MIT Sloan / Andrew Ng om datasentrisk AI ) |
| Edge AI / AI på enheten | Maskinvare + IoT, personverntunge organisasjoner | Per enhet, lisensiering | Lav latens + personvern; fungerer også offline (stort pluss) ( NVIDIA , IBM ) |
| AI-konsulent/integrator | Ikke-AI-native organisasjoner | Prosjektbaserte, fastansatte | Går raskere enn intern ansettelse – men er i praksis avhengig av talent |
| Evaluering/sikkerhetsverktøy | Teams fraktmodeller | Nivåbasert abonnement | Bidrar til å unngå stille feil – og ja, det er veldig viktig ( NIST AI RMF , OpenAI – hallusinasjoner ) |
Legg merke til noe. «AI-selskap» kan bety svært forskjellige virksomheter. Noen selger modeller. Noen selger spader for modellbyggere. Noen selger ferdige produkter. Samme merke, helt annen virkelighet.
De viktigste arketypene til AI-selskaper (og hva de gjør feil) 🧩
La oss gå litt dypere, for det er her folk blir snublet.
1) Modellorienterte selskaper 🧠
Disse bygger eller finjusterer modeller. Styrken deres er vanligvis:
-
forskningstalent
-
beregningsoptimalisering
-
evaluerings- og iterasjonsløkker
-
høytytende serveringinfrastruktur ( Google MLOps Whitepaper )
Vanlig fallgruve:
-
De antar at «bedre modell» automatisk er det samme som «bedre produkt».
Det gjør det ikke. Brukere kjøper ikke modeller, de kjøper resultater.
2) Produktfokuserte AI-selskaper 🧰
Disse integrerer AI i en arbeidsflyt. De vinner gjennom:
-
distribusjon
-
UX og integrasjon
-
sterke tilbakekoblingsløkker
-
pålitelighet mer enn rå intelligens
Vanlig fallgruve:
-
De undervurderer modellatferd i det fri. Ekte brukere vil ødelegge systemet ditt på nye og kreative måter. Daglig.
3) Infrastruktur AI-selskaper ⚙️
Tenk overvåking, utrulling, styring, evaluering og orkestrering. De vinner gjennom:
-
redusere operasjonssmerter
-
risikostyring
-
gjør AI repeterbar og trygg ( NIST AI RMF , Google Cloud MLOps )
Vanlig fallgruve:
-
De bygger for avanserte team og ignorerer alle andre, og lurer deretter på hvorfor adopsjonen er treg.
4) Datasentriske AI-selskaper 🗂️
Disse fokuserer på datapipelines, merking, syntetiske data og datastyring. De vinner gjennom:
-
forbedrer kvaliteten på treningssignalet
-
redusere støy
-
muliggjør spesialisering ( MIT Sloan / Andrew Ng om datasentrisk AI )
Vanlig fallgruve:
-
De overdriver med at «data løser alt». Data er kraftig, men du trenger fortsatt god modellering og sterk produkttenkning.
Hva som befinner seg under panseret i et AI-selskap: stakken, omtrent 🧱
Hvis du kikker bak gardinen, deler de fleste ekte AI-selskaper en lignende intern struktur. Ikke alltid, men ofte.
Datalag 📥
-
innsamling og inntak
-
merking eller svakt tilsyn
-
personvern, tillatelser, oppbevaring
-
tilbakemeldingsløkker (brukerkorrigeringer, resultater, menneskelig gjennomgang) ( NIST AI RMF )
Modelllag 🧠
-
velge basismodeller (eller trene fra bunnen av)
-
finjustering, destillasjon, rask konstruksjon (ja, teller fortsatt)
-
gjenfinningssystemer (søk + rangering + vektordatabaser) ( RAG-artikkel (Lewis et al., 2020) , Oracle - vektorsøk )
-
evalueringspakker og testsett ( Google Cloud MLOps )
Produktlag 🧑💻
-
UX som håndterer usikkerhet (konfidenssignaler, «gjennomgangstilstander»)
-
rekkverk (policy, avslag, sikker fullføring) ( NIST AI RMF )
-
integrering av arbeidsflyt (e-post, CRM, dokumenter, billettering osv.)
Ops-laget 🛠️
-
overvåking av drift og degradering ( IBM - Modelldrift , Google Cloud MLOps )
-
hendelsesrespons og tilbakestilling ( Uber - sikkerhet ved utplassering )
-
kostnadsstyring (databehandling kan være et sultent lite monster)
-
styring, revisjoner, tilgangskontroll ( NIST AI RMF , ISO/IEC 42001 oversikt )
Og den delen ingen reklamerer for:
-
Menneskelige prosesser – anmeldere, eskalering, kvalitetssikring og tilbakemeldingsprosesser fra kunder.
AI er ikke «sett det opp og glem det». Det er mer som hagearbeid. Eller som å eie en vaskebjørn. Det kan være søtt, men det vil ødelegge kjøkkenet ditt hvis du ikke ser på 😬🦝
Forretningsmodeller: hvordan AI-selskaper tjener penger 💸
AI-selskaper har en tendens til å falle inn under noen vanlige former for inntektsgenerering:
-
Bruksbasert (per forespørsel, per token, per minutt, per bilde, per oppgave) ( OpenAI API-priser , OpenAI-tokens )
-
Abonnementer basert på plass (per bruker per måned) ( Microsoft 365 Copilot-priser )
-
Resultatbasert prissetting (sjelden, men effektiv – betalt per konvertering eller løst sak)
-
Bedriftskontrakter (støtte, samsvar, tjenestenivåavtaler, tilpasset implementering)
-
Lisensiering (på enheten, innebygd, OEM-stil) ( NVIDIA )
En spenning mange AI-selskaper står overfor:
-
Kunder ønsker forutsigbare forbruk 😌
-
AI-kostnader kan variere med bruk og modellvalg 😵
Så gode AI-selskaper blir veldig flinke til:
-
rute oppgaver til billigere modeller når det er mulig
-
mellomlagring av resultater
-
batchforespørsler
-
kontrollere kontekststørrelse
-
designe brukeropplevelse som motvirker «uendelige promptspiraler» (vi har alle gjort det ...)
Voldgravspørsmålet: hva gjør et AI-selskap forsvarlig 🏰
Dette er den kritiske delen. Mange antar at vollgraven er «vår modell er bedre». Noen ganger er den det, men ofte ... ikke.
Vanlige forsvarbare fordeler:
-
Proprietære data (spesielt domenespesifikke)
-
Distribusjon (innebygd i en arbeidsflyt som brukerne allerede bruker)
-
Byttekostnader (integrasjoner, prosessendringer, teamvaner)
-
Merkevaretillit (spesielt for domener med høy innsats)
-
Driftsmessig fortreffelighet (det er vanskelig å levere pålitelig AI i stor skala) ( Google Cloud MLOps )
-
Menneskelige systemer (hybridløsninger kan overgå ren automatisering) ( NIST AI RMF , EUs AI-lov – menneskelig tilsyn (artikkel 14) )
En litt ubehagelig sannhet:
To selskaper kan bruke den samme underliggende modellen og fortsatt ha vidt forskjellige resultater. Forskjellen ligger vanligvis i alt rundt modellen – produktdesign, evalueringer, dataløkker og hvordan de håndterer feil.
Hvordan oppdage AI-vasking (også kjent som «vi la til gnist og kalte det intelligens») 🚩
Hvis du vurderer hva et AI-selskap egentlig er, bør du se etter disse røde flaggene:
-
Ingen tydelig beskrevet AI-kapasitet : mye markedsføring, ingen mekanisme
-
Demo-magi : imponerende demo, null omtale av kanttilfeller
-
Ingen evalueringshistorie : de kan ikke forklare hvordan de tester pålitelighet ( Google Cloud MLOps )
-
Håndbølgede datasvar : uklart hvor data kommer fra eller hvordan de styres ( NIST AI RMF )
-
Ingen plan for overvåking : de oppfører seg som om modeller ikke driver ( IBM - Modelldrift )
-
De kan ikke forklare feilmoduser : alt er «nesten perfekt» (ingenting er det) ( OpenAI - hallusinasjoner )
Grønne flagg (det beroligende motsatte) ✅:
-
De viser hvordan de måler ytelse
-
De snakker om begrensninger uten å få panikk
-
De har menneskelige gjennomgangsveier og eskalering ( NIST AI RMF , EUs AI-lov – menneskelig tilsyn (artikkel 14) )
-
De forstår behovene for personvern og samsvar ( NIST AI RMF , oversikt over EUs AI-lov )
-
De kan si «det gjør vi ikke» uten å kollapse følelsesmessig 😅
Hvis du bygger et: en praktisk sjekkliste for å bli et AI-selskap 🧠📝
Hvis du prøver å gå fra å være «AI-aktivert» til å bli et «AI-selskap», er det en mulig vei å gå:
-
Start med én arbeidsflyt som skader nok folk til at de vil betale for å fikse den
-
Instrumentresultater tidlig (før du skalerer)
-
Bygg et evalueringssett fra ekte brukercaser ( Google Cloud MLOps )
-
Legg til tilbakemeldingsløkker fra dag én
-
Gjør rekkverk til en del av designet, ikke en ettertanke ( NIST AI RMF )
-
Ikke overbygg – send en smal kile som er pålitelig
-
Behandle utrulling som et produkt, ikke et siste trinn ( Google Cloud MLOps )
Også kontraintuitive råd som fungerer:
-
Bruk mer tid på hva som skjer når AI-en tar feil enn når den tar riktig.
Det er der tillit vinnes eller tapes. ( NIST AI RMF )
Avsluttende oppsummering 🧠✨
Så ... hva et AI-selskap er, kommer ned til en enkel ryggrad:
Det er et selskap der AI er motoren , ikke pynten. Hvis du fjerner AI-en og produktet slutter å gi mening (eller mister sin skarphet), ser du sannsynligvis på et ekte AI-selskap. Hvis AI bare er ett verktøy blant mange, er det mer nøyaktig å kalle det AI-aktivert.
Og begge deler er greit. Verden trenger begge deler. Men merkelappen er viktig når du investerer, ansetter, kjøper programvare eller prøver å finne ut om du blir solgt en robot eller en pappfigur med googly-øyne 🤖👀
Vanlige spørsmål
Hva teller som et AI-selskap kontra et AI-aktivert selskap?
Et AI-selskap er et selskap der kjerneproduktet, verdien eller konkurransefortrinnet er avhengig av AI – fjern AI-en, og tilbudet kollapser eller blir dramatisk dårligere. Et AI-aktivert selskap bruker AI til å styrke driften (som prognoser eller svindeldeteksjon), men selger fortsatt noe som fundamentalt ikke er AI. En enkel test: hvis AI-en feiler i morgen, og du fortsatt kan fungere med grunnleggende programvare, er du sannsynligvis AI-aktivert.
Hvordan kan jeg raskt finne ut om en bedrift virkelig er et AI-selskap?
Tenk på hva som skjer hvis AI-en slutter å virke. Hvis kundene fortsatt betaler, og bedriften kan halte av gårde med regneark eller tradisjonell programvare, er det sannsynligvis ikke AI-native. Ekte AI-selskaper har også en tendens til å snakke i konkrete, operasjonelle termer: evalueringssett, latens, drift, hallusinasjoner, overvåking og feilmoduser. Hvis det bare er markedsføring og ingen mekanisme, er det et rødt flagg.
Må du trene din egen modell for å være et AI-selskap?
Nei. Mange AI-selskaper bygger sterke produkter på toppen av eksisterende modeller og kvalifiserer fortsatt som AI-native når AI er motoren i produktet. Det som betyr noe er om modeller, data, evaluering og iterasjonsløkker driver ytelse og differensiering. Proprietære data, arbeidsflytintegrasjon og grundig evaluering kan skape et reelt fortrinn selv uten opplæring fra bunnen av.
Hva er de viktigste typene AI-selskaper, og hvordan skiller de seg fra hverandre?
Vanlige typer inkluderer grunnleggende modellbyggere, vertikale AI-apper (som juridiske eller medisinske verktøy), kopiloter for kunnskapsarbeid, MLOps/modelloperasjonsplattformer, data- og merkebedrifter, kant-/på-enhets-AI, konsulentfirmaer/integratorer og leverandører av evaluerings-/sikkerhetsverktøy. De kan alle være «AI-selskaper», men de selger veldig forskjellige ting: modeller, ferdige produkter eller infrastrukturen som gjør produksjons-AI pålitelig og styrbar.
Hvordan ser den typiske AI-selskapsstakken ut under panseret?
Mange AI-selskaper deler en grov stabel: et datalag (innsamling, merking, styring, tilbakemeldingsløkker), et modelllag (valg av basismodell, finjustering, RAG/vektorsøk, evalueringssuiter), et produktlag (UX for usikkerhet, beskyttelsesmekanismer, arbeidsflytintegrasjon) og et driftslag (overvåking for avvik, hendelsesrespons, kostnadskontroll, revisjoner). Menneskelige prosesser – kontrollører, eskalering, kvalitetssikring – er ofte den lite glamorøse ryggraden.
Hvilke målinger viser at et AI-selskap gjør «ekte arbeid», ikke bare demonstrasjoner?
Et sterkere signal er målbare resultater knyttet til produktet: nøyaktighet, tidsbesparelse, reduserte kostnader, færre feil eller høyere konvertering – kombinert med en tydelig metode for å evaluere og overvåke disse målingene. Ekte team bygger referansepunkter, tester kanttilfeller og sporer ytelse etter utrulling. De planlegger også for når modellen er feil, ikke bare når den er riktig, fordi tillit avhenger av feilhåndtering.
Hvordan tjener AI-selskaper vanligvis penger, og hvilke prisfeller bør kjøpere se opp for?
Vanlige modeller inkluderer bruksbasert prising (per forespørsel/token/oppgave), setebaserte abonnementer, resultatbasert prising (sjeldnere), bedriftskontrakter med tjenestenivåavtaler og lisensiering for innebygd eller enhetsbasert AI. En sentral spenning er forutsigbarhet: kunder ønsker stabile forbruk, mens AI-kostnader kan svinge med bruk og modellvalg. Sterke leverandører håndterer dette ved å rute til billigere modeller, mellomlagring, batching og kontroll av kontekststørrelse.
Hva gjør et AI-selskap forsvarlig hvis alle kan bruke lignende modeller?
Ofte er ikke vollgraven bare en «bedre modell». Forsvarsevne kan komme fra proprietære domenedata, distribusjon i en arbeidsflyt som brukerne allerede lever i, byttekostnader fra integrasjoner og vaner, merkevaretillit i områder med høy innsats og operasjonell fortreffelighet ved levering av pålitelig AI. Human-in-the-loop-systemer kan også overgå ren automatisering. To team kan bruke den samme modellen og få svært forskjellige resultater basert på alt rundt den.
Hvordan kan jeg oppdage AI-vasking når jeg evaluerer en leverandør eller oppstartsbedrift?
Se etter vage påstander uten tydelig AI-kapasitet, «demomagi» uten kanttilfeller og manglende evne til å forklare evaluering, datastyring, overvåking eller feilmoduser. Overmodige påstander som «nesten perfekt» er et annet varseltegn. Grønne flagg inkluderer transparent måling, klare begrensninger, overvåkingsplaner for avvik og veldefinerte menneskelige gjennomganger eller eskaleringsveier. Et selskap som kan si «det gjør vi ikke» er ofte mer troverdig enn et som lover alt.
Referanser
-
OECD - oecd.ai
-
OECD - oecd.org
-
Nasjonalt institutt for standarder og teknologi (NIST) - NIST AI RMF (AI 100-1) - nist.gov
-
NIST AI RMF (Risk Management Framework) – Mål – nist.gov
-
Google Cloud – MLOps: Kontinuerlig levering og automatiseringsrørledninger i maskinlæring – google.com
-
Google – Praktikerveiledning for MLOps (hvitbok) – google.com
-
Google Cloud – Hva er MLOps? – google.com
-
Datadog - Beste praksis for evalueringsrammeverk for LLM - datadoghq.com
-
IBM - Modelldrift - ibm.com
-
OpenAI – Hvorfor språkmodeller hallusinerer – openai.com
-
OpenAI - API-priser - openai.com
-
OpenAI hjelpesenter – Hva er tokens og hvordan telles de – openai.com
-
Microsoft – Priser for Microsoft 365 Copilot – microsoft.com
-
MIT Sloan School of Management – Hvorfor det er på tide med datasentrisk kunstig intelligens – mit.edu
-
NVIDIA – Hva er edge AI? – nvidia.com
-
IBM – Edge vs. skybasert AI – ibm.com
-
Uber – Hever standarden for sikkerhet ved utrulling av maskinlæringsmodeller – uber.com
-
Den internasjonale standardiseringsorganisasjonen (ISO) - ISO/IEC 42001 oversikt - iso.org
-
arXiv – Hentingsutvidet generering for kunnskapsintensive NLP-oppgaver (Lewis et al., 2020) – arxiv.org
-
Oracle - Vektorsøk - oracle.com
-
Lov om kunstig intelligens (EU) – Menneskelig tilsyn (artikkel 14) – artificialintelligenceact.eu
-
Europakommisjonen - Regelverk for KI (oversikt over KI-loven) - europa.eu
-
YouTube – youtube.com
-
AI Assistant Store – Slik fungerer AI-oppskalering – aiassistantstore.com
-
AI Assistant Store – Slik ser AI-kode ut – aiassistantstore.com
-
AI Assistant Store – Hva en AI-algoritme er – aiassistantstore.com
-
AI Assistant Store – Hva AI-forbehandling er – aiassistantstore.com