Programmering af AI: hvad lærer du, og hvilke kompetencer kræver det?

Overblik: Hvad vil det sige at programmere AI?

Programmering af AI handler om at bygge, tilpasse og integrere løsninger, der kan træffe beslutninger eller generere indhold ud fra data. Du arbejder ikke bare med et færdigt værktøj, men med kode, data og modeller, så AI’en kan løse en konkret opgave i en app, et system eller en forretning.

Hvor mange i dag “bruger AI” gennem værktøjer som ChatGPT, Copilot og billedgeneratorer, handler AI-programmering om det tekniske lag bagved: hvordan data bearbejdes, hvordan modellerne kaldes, og hvordan resultatet kobles til virkelige workflows. Det kræver grundlæggende programmering, forståelse for data og lyst til at arbejde struktureret med problemer.

Hvad lærer man i programmering af AI?

På et fag eller forløb i AI-programmering lærer du typisk at forstå, bygge og integrere AI-løsninger i praksis. Du arbejder med data, algoritmer og modeller, ofte i Python, og lærer at koble AI til eksisterende systemer via API’er eller backend-kode. Målet er, at du kan gå fra idé til en simpel, men reel AI-funktion.

Et typisk dansk akademifag i programmering af AI vil ofte svare til omkring 5 ECTS, men indholdet går igen i mange varianter af kurser og uddannelser. I praksis kredser læringen om fire ting:

• Forstå: Hvad AI, machine learning og dyb læring er, og hvornår det giver mening at bruge det.
• Byg: Arbejde med kode, data og modeller, så en løsning kan lære mønstre eller træffe simple beslutninger.
• Tilpas: Justere en eksisterende model eller service til en konkret opgave, fx ved at ændre data, parametre eller prompt-struktur.
• Integrér: Få AI’en til at spille sammen med eksisterende systemer, databaser eller API’er.

Typiske faglige elementer

Selvom fagbeskrivelser varierer, går nogle emner igen:

• Grundlæggende AI- og machine learning-begreber (modeller, træning, validering, inferens).
• Programmering i Python med relevante biblioteker til data og modeller.
• Dataforberedelse: rydde op i data, vælge relevante features og gøre dem klar til en model.
• Arbejdsflowet omkring modeltræning og simple evalueringer.
• Integration via API’er eller backend-kode, så modellen kan kaldes fra andre systemer.
• Introduktion til ansvarlig og sikker brug af AI, fx med blik for regler, Datatilsynet og EU AI Act.

Som en del af mange forløb arbejder du med en erhvervscase: en mindre, virkelighedsnær opgave fra en arbejdsplads. Det kan være alt fra at lave en simpel anbefalingsfunktion til at bygge en chatbot, der svarer på spørgsmål ud fra virksomhedsdata.

Læringsudbytte i et hurtigt overblik

Et nøgternt billede af, hvad du kan forvente at kunne, når du har gennemført et seriøst AI-programmeringsforløb på begynderniveau:

• Læse og skrive simpel AI-relateret Python-kode, der bruger standard-biblioteker.
• Forstå, hvad der sker fra input-data til model-output – uden nødvendigvis at være forsker i algoritmer.
• Forberede og strukturere data, så de kan bruges i en model.
• Bruge eksisterende AI-modeller eller API’er i egne små projekter og systemer.
• Forklare grundidéen i din løsning til en kollega uden AI-baggrund.

Hvis du vil endnu dybere ned i modeller og avanceret dyb læring, kræver det typisk mere matematik og specialiserede forløb, men basisfaget giver dig et solidt fundament at bygge videre på.

Hvilke kompetencer kræver det at lære AI-programmering?

Du behøver ikke være matematisk geni for at starte på AI-programmering, men du skal have styr på grundlæggende programmering, databaser og simpel statistik. Python er det vigtigste sprog at kende, og en basal forståelse for lineær algebra gør det lettere at forstå, hvad der sker inde i modellerne.

Det hjælper at skelne mellem tre niveauer: hvad der typisk kræves før start, hvad der er stærkt anbefalet, og hvad du ofte kan lære undervejs.

Kompetenceoversigt: Skal kunne / godt at kunne / kan lære undervejs

Selvevaluering: Er dit fundament stærkt nok?

Du er som regel klar til et begynderniveau-fag i AI-programmering, hvis du kan nikke genkendende til det meste af dette:

• Du kan skrive et lille Python-script, der læser en CSV-fil og udskriver nogle beregninger.
• Du ved, hvad en tabel og en kolonne er, og kan navigere rundt i data uden at fare helt vild.
• Du forstår begreber som gennemsnit, procent og simpel sandsynlighed.
• Du er vant til at lære nye tekniske ting ved at prøve, fejle og slå op undervejs.

Hvis du mangler det meste af ovenstående, er det som regel klogt at starte med fundamentet: et Python-forløb, basale databaser og eventuelt en kort genopfriskning af statistik.

Selvstudie er muligt, men kræver disciplin. Mange vælger en kombination: kurser eller fag til at holde retning, og små egne projekter til at få hænderne rigtigt beskidte.

Hvilke programmeringssprog og værktøjer bruges?

Python er i praksis det vigtigste sprog til AI-programmering, fordi det har de mest udbredte biblioteker til machine learning og dyb læring. I rigtige projekter arbejder du ofte også med frameworks, API’er, backend og nogle gange cloud, så din AI-løsning kan komme i drift og ikke bare leve i en notebook.

Kerne-værktøjer i AI-programmering

• Python: Standardvalget til AI-udvikling. Bruges både til dataforberedelse, modeltræning og integration.
• Biblioteker til data: Pandas og NumPy til at arbejde med tabeller og numeriske data.
• Machine learning-biblioteker: Ofte scikit-learn til klassisk machine learning, samt frameworks som TensorFlow eller PyTorch til dybere modeller og neurale netværk.
• Notebook-miljøer: Jupyter eller lignende til at eksperimentere med data og modeller trin for trin.
• API’er: REST-API’er til at kalde modeller eller eksterne AI-tjenester fra andre systemer.
• Backend & integration: Et simpelt backend-setup (fx i Python eller JavaScript) til at gøre AI’en til en del af en webapp eller service.

Når du bevæger dig fra øvelser til mindre rigtige projekter, begynder udviklerdisciplinen også at fylde: versionsstyring, virtuelle miljøer og håndtering af nøgler og tokens. Her kan det fx være nyttigt at kende til, hvordan du holder styr på dine Python-miljøer i et virtual environment.

Hvad er forskellen på at programmere AI og at bruge AI-værktøjer?

At bruge AI betyder, at du arbejder med et færdigt værktøj som ChatGPT eller Copilot for at skrive tekst, kode eller analyser. At programmere AI betyder, at du bygger, tilpasser eller integrerer løsningen teknisk, typisk med kode, data og API’er. Prompt engineering ligger et sted midt imellem.

Tre niveauer: anvendelse, prompt engineering og udvikling

Hvis du primært vil være dygtig til at arbejde sammen med værktøjer som ChatGPT, er det oplagt at starte med at lære hvad et prompt er og hvordan du skriver gode prompts. Hvis du vil bygge selve integrationen ind i apps, websites eller interne systemer, er det AI-programmering, du sigter mod.

Hvorfor skellet er vigtigt for dig

Skellet hjælper dig med at vælge din læringsvej:

• Vil du være superbruger af AI-værktøjer i dit nuværende job? Så er fokus AI-brug og prompt engineering.
• Vil du bygge produkter, værktøjer eller integrationer, der bruger AI? Så er fokus AI-programmering.
• Vil du helt ned i kernemodeller og forskningsniveau? Så sigter du mod mere avanceret machine learning og dyb læring med tungere matematik.

Der er ikke én “rigtig” vej. Mange starter som AI-brugere, bliver gode til prompts, og lærer derefter gradvist mere programmering, efterhånden som behovet opstår.

Hvordan ser et AI-programmeringsprojekt ud i praksis?

Et AI-programmeringsprojekt starter typisk med et konkret problem og noget data, fortsætter med at vælge eller træne en model, testes på virkelige eksempler og ender med en integration i et system. Det er i samspillet mellem data, model og drift, at AI går fra idé til reel værdi.

Mini-case: En simpel e-mail-klassifikator

Lad os tage en lille case, som ligner noget, man kunne lave på et fag i AI-programmering: En AI, der hjælper en kundeservice med at sortere indkomne mails i kategorier som “faktura”, “teknisk problem” og “generelt spørgsmål”.

Trin 1: Problem og data

Først afklarer du, hvad AI’en skal gøre:

• Målet er at foreslå en kategori til hver ny mail, så den hurtigt havner hos den rigtige medarbejder.
• Du får adgang til et historisk datasæt med mails, hvor mennesker allerede har valgt kategori.

Dataene renses: du fjerner spam, dubletter og måske mails uden kategori. Måske reducerer du datasættet til dansk tekst eller et bestemt emneområde. Pointen er at få en rimelig ren og repræsentativ mængde træningsdata.

Trin 2: Dataforberedelse og model

I Python vil du typisk:

• Indlæse data, fx fra en CSV-fil.
• Splitte dem i trænings- og testdata (fx 80/20).
• Omsætte tekst til noget, en model kan arbejde med (forskellige tekstrepræsentationer).
• Vælge en enkel klassifikationsmodel, fx via scikit-learn.

Her lærer du grundbegreber som train/validation/test, og hvad det betyder, at en model “overfitter” på træningsdata og klarer sig dårligt på nye mails.

Trin 3: Evaluering og forbedring

Når du har trænet modellen, tester du den på de mails, den ikke har set før:

• Du måler fx nøjagtighed (accuracy) og kigger på, hvilke kategorier den oftest rammer forkert.
• Du justerer måske data (fjerner støj), modellen (skifter algoritme) eller hyperparametre (små kontrolindstillinger).

En vigtig pointe her er, at AI-programmering er iterativ: du forbedrer typisk kvaliteten i små skridt ved at ændre data eller opsætning, ikke ved ét magisk “perfekt” forsøg.

Trin 4: Integration i et system

Til sidst skal modellen ud af notebooken og ind i verden. Det kan fx ske ved at:

• Pakke modellen ind i et lille API, som andre systemer kan kalde.
• Opdatere kundesystemet, så nye mails sendes til API’et, der returnerer en foreslået kategori.
• Logge resultater og menneskers ændringer, så du senere kan gen-træne og forbedre modellen.

Her begynder AI at minde om almindelig softwareudvikling: du skal tage stilling til drift, sikkerhed, opdateringer og fx håndtering af nøgler og tokens. Hvis du går videre ad den vej, er det relevant at forstå API-design, fx ved at se på, hvordan man bygger et robust lille API, og hvordan man håndterer hemmeligheder sikkert, så du ikke gemmer tokens tilfældigt i din webapp.

Typiske fejl i de første AI-projekter

• For små eller skæve datasæt – modellen lærer noget, men ikke det, du tror.
• Ingen rigtig test på nye data – du overestimerer modellens evner.
• Ingen plan for vedligehold – data og behov ændrer sig, men modellen står stille.
• Ingen tanker om regler og ansvar – fx persondata, Datatilsynet eller intern governance.

Det er helt normalt at støde ind i de her ting første gang. Pointen med et fag i AI-programmering er netop at få lov at lave fejl under kontrollerede forhold, hvor der er plads til at lære af dem.

Hvad kan man bruge AI-programmering til bagefter?

AI-programmering kan bruges til at bygge prototyper, integrere AI-funktioner i systemer, automatisere dele af processer og dokumentere tekniske løsninger i en portefølje. Det er især relevant for udviklere, tekniske generalister og karriereskiftere, der vil kombinere kode med AI i konkrete projekter.

Typiske opgaver og roller

Efter et grundlæggende forløb vil du ofte kunne tage del i opgaver som:

• Bygge små AI-baserede prototyper, der demonstrerer en idé for chefer eller kolleger.
• Integrere en ekstern AI-service i en eksisterende applikation via API.
• Forberede og strukturere data, så de kan bruges i AI-projekter.
• Være teknisk sparringspartner i projekter, hvor AI overvejes som løsning.

Afhængig af dit udgangspunkt kan det pege i retning af roller som AI-udvikler, backend-udvikler med AI-ansvar, teknisk konsulent eller dataorienteret specialist i en fagafdeling.

Portefølje og næste skridt

Den mest håndgribelige effekt af at lære AI-programmering er, at du kan vise konkrete projekter frem. En simpel model, en lille integration eller en chatbot bygget til en bestemt brugssituation siger langt mere end et kursusbevis.

Det er derfor en god idé at samle projekter på fx GitHub og i en personlig side eller portfolio. Hvis du vil arbejde målrettet mod et karriereskift, kan du hente konkrete råd i guiden om at bygge en udvikler-portfolio, der består en 60-sekunders test og den mere overordnede plan for at bygge dig til et karriereskift mod junior-udvikler på 6 måneder.

Adgangskrav, eksamen og finansiering i Danmark

I Danmark kræver et formelt AI-forløb typisk enten en relevant erhvervsuddannelse eller en gymnasial uddannelse kombineret med erhvervserfaring. Du kan i mange tilfælde søge tilskud som voksenstuderende, fx via Omstillingsfonden, og nogle fag afsluttes med en mundtlig prøve koblet til en erhvervscase.

Detaljerne varierer fra udbyder til udbyder og ændrer sig over tid, men der er nogle gennemgående mønstre.

Adgangskrav og RKV

• På akademi- og efteruddannelser kræves der ofte enten en relevant erhvervsuddannelse eller en gymnasial uddannelse.
• Der kan desuden være krav om en vis mængde relevant erhvervserfaring, fx omkring to år.
• Hvis du ikke opfylder de formelle krav, kan du i mange tilfælde søge om realkompetencevurdering (RKV), hvor din praksiserfaring vurderes som alternativ adgang.

Det er altid en god idé at læse det konkrete forløbs adgangsbetingelser og kontakte uddannelsesstedet, hvis du er i tvivl. Mange studievejledere er vant til at hjælpe ansøgere med skæve forløb og blandede erfaringer.

ECTS og eksamensform

Flere danske fag i programmering af AI på akademiniveau er normeret til 5 ECTS. Det svarer til en vis mængde arbejdsbelastning målt i timer, både undervisning og selvstudie.

Eksamensformen kan variere, men en udbredt model er:

• En mundtlig prøve med udgangspunkt i en erhvervscase eller et projekt, du har arbejdet på.
• Bedømmelse både på din tekniske løsning og din evne til at forklare valg, begrænsninger og ansvarlig brug af AI.

Når du læser fagbeskrivelsen hos en udbyder, er det især værd at notere, om der er krav om afleveringer undervejs, og om du arbejder med en case fra din egen arbejdsplads eller en fiktiv opgave.

Finansiering: Omstillingsfonden og andre ordninger

Som voksen i arbejde kan du i nogle tilfælde få økonomisk støtte til efteruddannelse. For AI-relaterede fag betyder det ofte:

• Omstillingsfonden: Kan give tilskud til deltagerbetaling for videregående voksenuddannelser. Beløbsgrænserne ligger typisk op til omkring 10.000 kr. om året, men tjek altid de aktuelle regler.
• Kompetencefonde: Mange overenskomster har egne fonde, som kan støtte efteruddannelse.
• Andre ordninger: Afhængigt af din situation kan fx SVU eller interne virksomhedsbudgetter være relevante.

Finansieringsregler ændrer sig løbende, så se dem som muligheder, ikke garantier. Det sikreste er at tjekke dit fagforbund, din overenskomst og den konkrete uddannelsesudbyders vejledning.

Hvordan ved du, om du er klar til at starte?

Du er som regel klar til AI-programmering, hvis du kan arbejde dig frem i Python-basis, forstår simple databaser og har mod på at lære lidt statistik undervejs. Hvis du mangler noget af det, kan du stadig begynde, men det er klogt at lægge en plan for at styrke fundamentet, så du ikke drukner i starten.

En enkel selvtest

Prøv at svare ærligt på disse spørgsmål:

• Kan du skrive et lille Python-program, der læser tal ind, laver en beregning og printer resultatet?
• Kan du se på en tabel med data og nogenlunde gennemskue, hvad de enkelte kolonner betyder?
• Giver begreber som gennemsnit, median og procent nogenlunde mening for dig?
• Har du tidligere lært et nyt teknisk værktøj ved selv at prøve dig frem?

Hvis du svarer ja til det meste, er du typisk klar til et begynderniveau-fag. Hvis du svarer nej til meget af det, er det ikke en katastrofe, men det er et signal om, at du vil få mere ud af forløbet, hvis du først styrker nogle grundkompetencer.

Hvis du vil varme op, før du kaster dig ud i AI

En realistisk plan kan fx være:

• Brug nogle uger på at blive fortrolig med Python og små scripts.
• Arbejd med et par datasæt i regneark eller Python, så du bliver tryg ved rækker, kolonner og simple analyser.
• Leg lidt med AI-værktøjer som ChatGPT, så du får en fornemmelse af, hvad modeller kan – og ikke kan. Her kan en guide som ChatGPT på dansk for udviklere være en god genvej.

På den måde møder du AI-programmeringen med både nysgerrighed og et rimeligt teknisk gear. Resten skal nok komme, hvis du er villig til at arbejde systematisk med fejl, forsøg og iterationer.