AI, machine learning og deep learning: Hvad er forskellen?

Senest fagligt gennemgået 28. juli 2026.

Kort svar: Kunstig intelligens er det brede felt. Machine learning er en metode inden for AI, hvor modeller lærer mønstre fra data. Deep learning er en underkategori af machine learning, som bruger neurale netværk med mange lag.

Begreberne beskriver altså ikke tre konkurrerende teknologier. De ligger inden i hinanden: Deep learning er machine learning, og machine learning bruges inden for AI – men ikke al AI er machine learning, og ikke al machine learning er deep learning.

AI, machine learning og deep learning sammenlignet

Hvad er kunstig intelligens?

Kunstig intelligens, ofte forkortet AI, er den brede betegnelse for maskinbaserede systemer, der kan omsætte input til output som forudsigelser, anbefalinger, beslutninger eller nyt indhold.

AI beskriver derfor ikke én bestemt teknologi. Et AI-system kan være baseret på faste regler, søgning og optimering, statistiske modeller, machine learning eller en kombination af flere metoder. OECD fremhæver både machine learning og videnbaserede tilgange som teknikker, der kan høre under AI-begrebet.

Et klassisk regelbaseret ekspertsystem kan eksempelvis følge hundredvis af regler, som fagpersoner har defineret. Systemet kan kategoriseres som AI, selv om det ikke lærer af nye data. Det er derfor upræcist at bruge AI og machine learning som synonymer.

AI er først og fremmest nyttigt som en overordnet kategori. Når en virksomhed siger, at et produkt bruger AI, fortæller det ikke nødvendigvis, hvordan systemet virker, hvilke data det bruger, eller hvor pålideligt det er. De spørgsmål kræver en mere konkret beskrivelse af teknologien.

Hvad er machine learning?

Machine learning – på dansk ofte kaldet maskinlæring – er en metode, hvor en model lærer mønstre fra eksempler eller data. Mennesket programmerer ikke nødvendigvis alle regler direkte. I stedet vælger man blandt andet data, mål, modeltype og metode til at vurdere resultatet.

Forestil dig et spamfilter. I stedet for manuelt at skrive en regel for enhver mulig svindelmail kan man træne en model på eksempler på ønskede og uønskede mails. Modellen lærer statistiske sammenhænge og beregner derefter sandsynligheden for, at en ny mail er spam.

Ordet “lærer” kan være misvisende, hvis man forbinder det med menneskelig forståelse. Modellen justerer matematiske parametre, så den bliver bedre til en afgrænset opgave. Den ved ikke nødvendigvis, hvad ordene, billederne eller tallene betyder i menneskelig forstand.

Tre almindelige former for machine learning

• Supervised learning: Modellen trænes på eksempler, hvor det korrekte svar er kendt. Det kan være billeder mærket som “hund” eller “kat”.
• Unsupervised learning: Modellen leder efter strukturer og grupper i data uden på forhånd at få det korrekte svar.
• Reinforcement learning: Et system lærer gennem handlinger og feedback, hvor bestemte resultater belønnes eller straffes.

Der findes også kombinationer og andre træningsformer. Fælles er, at modellen skal vurderes på nye data, den ikke blot har set under træningen. Ellers risikerer man, at den husker træningseksemplerne uden at fungere godt i praksis.

Hvad er deep learning?

Deep learning er en underkategori af machine learning, der bruger neurale netværk med flere lag. “Deep” henviser til dybden i netværket – ikke til, at systemet tænker dybere eller nødvendigvis er bedre end andre metoder.

De forskellige lag kan lære mønstre på forskellige abstraktionsniveauer. I billedanalyse kan tidlige lag reagere på kanter og farveovergange, mens senere lag kombinerer disse mønstre til mere komplekse former. I sprogmodeller bruges netværkene til at bearbejde relationer mellem ord, symboler og kontekst.

Deep learning har været afgørende for udviklingen inden for blandt andet talegenkendelse, computersyn, oversættelse og generativ AI. Store sprogmodeller som dem, der bruges i ChatGPT, er bygget med deep learning og transformer-arkitekturer.

Metoden har dog en pris. Træning kan kræve store datamængder, specialiseret hardware og betydelig energi. Modellerne kan også være svære at gennemskue, fordi et resultat opstår gennem et stort antal beregninger og parametre.

Er deep learning altid bedre?

Nej. Deep learning er særligt effektivt til komplekse og ustrukturerede data som tekst, billeder og lyd, men det er ikke automatisk det bedste valg til enhver opgave.

En klassisk machine learning-model kan være bedre, når datasættet er mindre, når oplysningerne allerede er strukturerede, eller når det er vigtigt at kunne forklare, hvorfor modellen når frem til et bestemt resultat. I andre tilfælde kan et almindeligt regelsystem være både billigere, mere stabilt og lettere at kontrollere.

Det rigtige spørgsmål er derfor ikke, hvilken teknologi der lyder mest avanceret, men hvilken metode der passer bedst til opgaven, risikoen og de tilgængelige data.

Hvor passer generativ AI og ChatGPT ind?

Generativ AI beskriver systemer, der kan skabe nyt indhold som tekst, billeder, lyd eller kode. Mange moderne generative systemer er baseret på deep learning, men generativ AI beskriver primært, hvad systemet kan producere, mens deep learning beskriver en teknisk metode bag systemet.

ChatGPT er et konkret AI-produkt, der blandt andet bruger store sprogmodeller. Sprogmodellerne er trænet med deep learning, som igen er en del af machine learning, der befinder sig under den brede AI-paraply.

Hierarkiet kan derfor forenkles sådan:

1. Kunstig intelligens er det brede felt.
2. Machine learning er en metode inden for AI.
3. Deep learning er en metode inden for machine learning.
4. Store sprogmodeller er deep learning-modeller til sprog.
5. ChatGPT er et produkt, som bruger sprogmodeller og andre AI-værktøjer.

Hvorfor forskellen betyder noget i praksis

Præcise begreber gør det lettere at vurdere et system. “Vi bruger AI” er ikke tilstrækkeligt til at forstå kvalitet, risiko eller anvendelighed. Man bør også spørge, hvilken model og metode der bruges, hvilke data systemet er trænet eller testet på, og hvordan fejl bliver opdaget.

Valget har også betydning for gennemsigtighed. Et simpelt beslutningstræ kan i nogle tilfælde forklares trin for trin. Et stort neuralt netværk kan levere høj præcision, men gøre det vanskeligere at forklare det enkelte resultat. Det kan være afgørende i situationer, hvor en beslutning påvirker menneskers økonomi, uddannelse, helbred eller rettigheder.

Endelig hjælper skelnen med at dæmpe overdrevne forventninger. En model kan være meget dygtig til én opgave uden at have generel intelligens. Teknologien bør vurderes på dokumenterede resultater i den konkrete sammenhæng – ikke på hvor menneskelig eller avanceret den virker.

Ofte stillede spørgsmål

Er machine learning og AI det samme?

Nej. Machine learning er en vigtig metode inden for AI, men AI omfatter også blandt andet regelbaserede og videnbaserede systemer, som ikke nødvendigvis lærer fra data.

Er deep learning en form for AI?

Ja. Deep learning er en type machine learning, og machine learning bruges inden for kunstig intelligens.

Er ChatGPT deep learning?

ChatGPT er et produkt, ikke én enkelt model. Produktet bruger blandt andet store sprogmodeller, som er udviklet med deep learning.

Kræver machine learning altid store datamængder?

Ikke nødvendigvis. Databehovet afhænger af opgaven, modeltypen og kvaliteten af data. Deep learning kræver dog ofte mere data og regnekraft end enklere modeller.

Konklusion

Kunstig intelligens, machine learning og deep learning beskriver forskellige niveauer i det samme teknologiske landskab. AI er den brede kategori, machine learning er en måde at bygge AI-systemer på, og deep learning er en specialiseret form for machine learning.

Deep learning har gjort avancerede sprog-, billed- og lydsystemer mulige, men er ikke automatisk det bedste valg. Den mest egnede metode afhænger af opgaven, datagrundlaget, behovet for forklarbarhed og konsekvenserne ved fejl.

Kilder og videre læsning

• OECD.AI: Definition og afgrænsning af kunstig intelligens
• NIST: Machine learning i AI-ordlisten
• Google for Developers: Machine Learning Glossary