9.7 KiB
Læringsmål – AI til softwareløsninger
Del af 30 ECTS-projekt, 26/8–6/12 2026. Se den fælles Projektplan – Ugeplan.md for tidsplan og timefordeling.
🎯 Mål
Jeg vil opnå praktisk kompetence i at anvende AI til fortolkning af hoteldata og udvikle AI-baserede funktioner, som kan understøtte hotellets beslutninger.
Mit fokus er at forstå, hvordan forskellige AI-teknologier og LLM'er kan anvendes til at fortolke data, samt hvordan jeg vælger den AI-model eller teknologi, der passer bedst til en konkret problemstilling.
Som en del af projektet vil jeg desuden undersøge og anvende Machine Learning til OCR-behandling af pas, så relevante oplysninger som pasnummer, navn og nationalitet automatisk kan identificeres fra et pasbillede.
Jeg vil som grundlag for arbejdet gennemføre de relevante dele af et Python-for-AI-kursus med fokus på:
- Python
- LLM (rapportgenerering med visuelle modeller og konklusion for forbedringer)
- Machine Learning (lagring af pasinformationer)
Fokus er dermed på at forstå, vælge, anvende og evaluere AI-teknologier – ikke på at udvikle en komplet kommerciel AI-løsning.
Jeg vil kunne – med Bloom-niveau
| # | Jeg vil kunne | Bloom-niveau |
|---|---|---|
| 1 | identificere hvor AI kan skabe værdi i hotelprojektet | Analysere |
| 2 | vælge og begrunde valg af relevante LLM'er og AI-modeller | Vurdere |
| 3 | sammenligne forskellige LLM'er ud fra kriterier som kvalitet, hastighed, pris, privacy og anvendelighed | Analysere |
| 4 | anvende LLM'er til fortolkning af strukturerede og ustrukturerede hoteldata | Anvende |
| 5 | formulere prompts, der giver brugbare og reproducerbare resultater | Skabe |
| 6 | anvende AI til at identificere mønstre, sammenhænge og mulige forklaringer i hoteldata | Analysere |
| 7 | vurdere AI's fortolkninger kritisk og sammenholde dem med de faktiske data | Vurdere |
| 8 | undersøge Machine Learning til OCR-behandling af pas | Forstå/Analysere |
| 9 | udvikle eller integrere en OCR-løsning, der kan identificere pasnummer, navn og nationalitet | Skabe |
| 10 | teste AI-løsningernes nøjagtighed og håndtere fejl og usikkerhed | Analysere/Vurdere |
| 11 | vurdere hvornår AI-output kræver menneskelig kontrol | Vurdere |
| 12 | dokumentere mine valg, eksperimenter, resultater og refleksioner | Forstå/Anvende |
Niveauet spænder bevidst fra analysere til skabe, så ambitionen matcher et 30 ECTS-forløb frem for et rent gengivelses- eller forståelsesniveau.
📚 Kerneområder
I større grad: Python for AI · Machine Learning · AI til fortolkning af data · Large Language Models (LLM) · Modelvalg og model comparison · Prompt engineering · Generativ AI · AI-baseret beslutningsstøtte · OCR · Feature extraction
I mindre grad: Fortolkning af hoteldata (delt med Læringsmål 2) · Test og evaluering af AI-output · Fejlhåndtering og usikkerhed · Human-in-the-loop · Privacy og ansvarlig AI
Dette læringsmål bærer hovedvægten af kerneområderne AI & Machine Learning i projektet, med Programmering som understøttende (mindre) kerneområde via kursus og implementering.
📊 Målbare succeskriterier
Jeg betragter læringsmålet som opnået, når jeg kan dokumentere:
1. Python-for-AI-kursus Jeg gennemfører de relevante dele af et Python-for-AI-kursus med fokus på Python, Pandas, NumPy, Matplotlib og Machine Learning, og dokumenterer hvordan læringen anvendes i de efterfølgende AI-eksperimenter og i hotelprojektet.
2. Valg af AI-model Jeg undersøger mindst 3 relevante LLM'er eller AI-modeller til projektets problemstillinger. For hver model dokumenterer jeg: hvad den kan anvendes til, styrker/begrænsninger, kvalitet af output, hastighed, ressourceforbrug, privacy/datahåndtering, og hvorfor den er/ikke er relevant. Jeg vælger mindst én model og begrunder valget ud fra konkrete testresultater.
3. AI til fortolkning af hoteldata Jeg anvender en LLM eller anden AI-model til at fortolke hoteldata, fx til at identificere mønstre i belægningen, usædvanlige perioder, sammenhænge mellem faktorer, effekten af events/sæsoner, mulige forklaringer på ændringer i efterspørgslen og mulige forbedringer af hotellets marketing. Jeg sammenholder AI'ens fortolkning med de faktiske data og dokumenterer, hvor AI'en giver en korrekt, usikker eller forkert fortolkning.
4. Prompting og AI-eksperimenter Jeg udvikler mindst 3 forskellige prompts eller promptstrategier til fortolkning af hoteldata og dokumenterer prompt, inputdata, AI-output, ændringer i prompten, forskelle i resultater og min vurdering af resultatets kvalitet.
5. Machine Learning til OCR Jeg undersøger, hvordan Machine Learning og OCR kan anvendes til automatisk behandling af pasbilleder. Løsningen skal kunne identificere mindst pasnummer, navn og nationalitet. Jeg dokumenterer, hvordan data bevæger sig fra: Pasbillede → OCR/ML → tekst → strukturerede pasoplysninger.
6. Test og evaluering Jeg gennemfører mindst 10 dokumenterede testcases fordelt på AI-funktionerne og registrerer input, forventet resultat, faktisk resultat, fejl/usikkerhed, hvordan fejlen håndteres, og om menneskelig kontrol er nødvendig.
🚀 Milestones (se ugeplan for datoer)
| Milestone | Uge | Indhold |
|---|---|---|
| M1 – Afprøvning af LLM-modeller | Uge 1–3 (26/8–9/9) | Identificér ≥3 LLM'er, afprøv på mindre datamængde, sammenlign kvalitet/hastighed/ressourceforbrug/anvendelighed, vælg model(ler) |
| M2 – Første LLM-eksperimenter | Uge 4–8 (16/9–14/10) | Systematiske eksperimenter med ≥3 promptstrategier, identificér mønstre/sammenhænge/årsager, udarbejd AI-baserede marketingkonklusioner |
| M3 – Implementering i NF Hotel | Uge 9–10 (21/10–28/10) | Integrér valgt AI-model med hoteldata i NF Hotel, præsentér AI-fortolkning som beslutningsstøtte |
| M4 – OCR/ML | Uge 11–13 (4/11–18/11) | Afprøv OCR/ML-teknologi på testbilleder, identificér pasnummer/navn/nationalitet, dokumentér nøjagtighed/fejl/begrænsninger, vurdér integration i NF Hotel |
| Aflevering | Uge 15 (2/12–6/12) | Samlet konklusion, SMART-tjek, portfolio |
🔄 Læring gennem Kolbs læringscirkel
1. Konkret erfaring Jeg gennemfører Python-for-AI-kurset og eksperimenterer derefter med LLM'er, prompts og OCR/ML-teknologier på konkrete problemstillinger fra hotelprojektet.
2. Refleksion Jeg dokumenterer: hvad der fungerede, hvad der ikke fungerede, forskelle mellem modeller, fejl i AI'ens fortolkninger, fejl i OCR-resultater, hvordan jeg vurderede kvaliteten.
3. Abstrakt begrebsliggørelse Jeg kobler erfaringerne til teori om: Python for AI, LLM'er, Machine Learning, OCR, Computer Vision, prompting, model selection, AI-evaluering, hallucinationer og usikkerhed, human-in-the-loop.
4. Aktiv eksperimenteren Jeg bruger mine erfaringer til at ændre model, prompt eller metode og gennemfører nye eksperimenter.
Eksperiment → refleksion → teori → forbedring → nyt eksperiment
🗂️ Bevis / portfolio
- Dokumentation fra relevante dele af Python-for-AI-kurset
- Sammenligning af mindst 3 AI-modeller/LLM'er
- Begrundelse for valg af model
- AI-fortolkning af hoteldata
- Mindst 3 promptstrategier
- AI-baserede konklusioner om mulige marketingforbedringer
- Integration af AI-fortolkning i NF Hotel
- ML/OCR-prototype til pasinformation
- Mindst 10 dokumenterede testcases
- Eksempler på fejl og usikkerhed
- Mine egne vurderinger af AI-output
- Refleksioner gennem Kolbs læringscirkel
- Konklusion på AI-teknologiernes anvendelighed
✅ SMART-tjek
🎯 S – Specifikt
🎯 Måltavle: Jeg vil udvikle mine kompetencer inden for AI ved at anvende LLM'er og Machine Learning på konkrete problemstillinger i NF Hotel, med fokus på AI-baseret fortolkning af hoteldata, rapportgenerering og OCR-behandling af pasinformation. 📍 Placeringsnål: Målet er placeret præcist ved skæringspunktet mellem modelvalg, prompt engineering og OCR/ML til pasdata – ikke bred AI-udvikling generelt.
📊 M – Målbart
📊 Søjlediagram: Sammenligning af ≥3 AI-modeller/LLM'er på tværs af kvalitet, hastighed, ressourceforbrug og privacy.
📈 Stigende kurve: ≥3 promptstrategier med dokumenterede forbedringer mellem iterationer.
📏 Lineal: ≥1 AI-baseret analyse/rapport af hoteldata, ≥1 OCR/ML-prototype til pasnummer/navn/nationalitet, ≥10 dokumenterede testcases med fejl/usikkerhed og behov for menneskelig kontrol.
🤝 A – Attraktivt/Opnåeligt
🤝 Håndtryk: Læringsmålet tager udgangspunkt i eksisterende teknologi og data fra NF Hotel – jeg afgrænser arbejdet til at undersøge, udvikle og evaluere AI-baserede funktioner frem for at bygge en komplet kommerciel AI-platform.
💪 Spændt biceps: De 8 ugentlige programmeringstimer og 26 ugentlige lærings-/portfolio-timer giver realistisk tid til kursus, eksperimenter og dokumentation inden for de 15 uger.
✅ Flueben: Hvert milestone har konkrete, afkrydsbare leverancer (se milestone-tabel og portfolio-liste).
⚖️ R – Relevant
⚖️ Vægt: Læringsmålet balancerer teoretisk forståelse af AI-teknologier med praktisk anvendelse på reelle hoteldata.
🔑 Nøgle: Det låser op for kompetencer inden for AI i softwareudvikling – valg, anvendelse og evaluering af AI-teknologier på reelle data – som er centrale for projektets AI-kerneområde.
⏱️ T – Tidsbestemt
⏱️ Stopur: 26/8–6/12 2026, milestone hver uge (se ugeplan).
📅 Kalender: M1 uge 1–3, M2 uge 4–8, M3 uge 9–10, M4 uge 11–13, aflevering uge 15.
⏳ Timeglas: Ved eksamen afgøres det, om læringsmålet er opnået, ud fra om jeg kan dokumentere mine AI-eksperimenter, begrunde mine teknologivalg, evaluere resultaterne kritisk og anvende mindst én AI-baseret funktion i NF Hotel.