AIDA
Velkommen til valgfaget "AI Drevne Applikationer" - a.k.a. AIDA. Her finder du detaljer om det faglige indhold og vores overordnede plan for forløbet.
Det bliver en fest!
/Jon og Jesper
Kursusintro + Portfolio
Introduktion til kurset, eksamen og forventninger. Vi gennemgår hvad AI-drevne applikationer er, og hvordan LLM’er indgår i moderne softwarearkitektur. Alle får oprettet et portfolio-website, hvor cases fra kurset dokumenteres.
Output / portfolio: Portfolio website oprettet (GitHub + deployment). Første refleksionsartikel om forventninger til AI i softwareudvikling.
Retrieval Augmented Generation (RAG)
Introduktion til RAG-arkitektur. Vi ser hvordan egne dokumenter kan kobles til en LLM via embeddings og retrieval. Fokus på hvornår RAG giver værdi, og hvornår det ikke gør.
Output / portfolio: Mini-projekt: Byg en simpel RAG-chatbot på eget materiale.
RAG demo og gennemgang
Demo af RAG-løsninger. Vi analyserer retrieval-kvalitet, promptdesign og datakilder. Diskussion af styrker og begrænsninger ved RAG-baserede systemer.
Output / portfolio: Portfolio case: Dokumentation af egen RAG-løsning og læring.
Kodeagenter i softwareudvikling
Introduktion til AI-baserede kodeagenter (fx Claude Code). Hvordan kan de bruges til arkitektur, debugging, refactoring og test. Fokus på samarbejde mellem udvikler og agent.
Output / portfolio: Øvelse: Løs en programmeringsopgave med en kodeagent og dokumentér workflow.
LLM API-integration
Hvordan integrerer man en LLM i sin egen applikation. Vi arbejder med API-kald, promptstruktur, struktureret output og asynkron programmering.
Output / portfolio: Mini-app der kalder et LLM-API fra egen backend eller frontend.
Virksomhedsoplæg
Besøg fra virksomhed med konkrete problemstillinger hvor AI kan anvendes. De studerende introduceres til en række mulige cases.
Output / portfolio: Idéoplæg til projekt.
Projektstart
Projektteams dannes og udvikling af en AI-drevet applikation igangsættes baseret på virksomhedens case eller egen idé.
Output / portfolio: Projektbeskrivelse + systemskitse.
Projektarbejde + teknisk sparring
Fokus på arkitektur, dataflow, API-integration og brug af AI-værktøjer i udviklingsprocessen. Kort fælles gennemgang af udfordringer.
Output / portfolio: Portfolio post om arkitekturvalg og strategi for implementation.
Projektarbejde + code review
Arbejde videre med projekterne. Vi laver fælles code review og diskuterer brugen af kodeagenter i udviklingsprocessen.
Output / portfolio: Dokumentation af udviklingsproces.
Projektarbejde + AI-design
Fokus på UI, dashboards eller visualiseringer af AI-genererede data. Hvordan præsenterer man AI-output for brugeren.
Output / portfolio: Prototype af brugergrænseflade.
Projektarbejde + deployment
Introduktion til deployment af AI-drevne applikationer. Fokus på drift, API-nøgler, sikkerhed og omkostninger.
Output / portfolio: Projekt deployet på server / cloud.
Projektdemo og refleksion
De enkelte teams demonstrerer deres løsninger og diskuterer tekniske valg, begrænsninger og mulige forbedringer.
Output / portfolio: Portfolio case: Dokumentation af projektet.
Eksamensforberedelse
Gennemgang af eksamensformat og vurderingskriterier. Udvælgelse af cases fra eget portfolio og træning af præsentation.
Output / portfolio: Portfolio færdiggøres til eksamen.