Multimodal AI
En AI-model der kan forstå og kombinere flere typer input på én gang: tekst, billeder, lyd og video.
En multimodal AI er en model der arbejder med mere end én type input. Klassiske sprogmodeller var rent tekstbaserede: ind med tekst, ud med tekst. Multimodale modeller kan derimod modtage og kombinere tekst, billeder, lyd og video — og generere svar på tværs af formater.
Eksempler på multimodale evner: du sender et foto af en fejlbesked og beder AI'en forklare fejlen; du uploader en faktura og beder om at få tallene opsummeret; du deler et diagram og beder om en forklaring på dansk.
Moderne modeller som Claude og GPT-4o er multimodale. Det åbner for brug af AI i sammenhænge der tidligere krævede specialiserede systemer — billedanalyse, dokumentprocessering, tilgængelighed og automatisering af papirbaserede workflows.
Du fotograferer en håndskrevet indkøbsliste og sender den til en multimodal AI med spørgsmålet: 'Hvad koster de her varer tilsammen?' AI'en læser listen i billedet, identificerer varerne og beregner totalen — ingen manuel indtastning.