Målgruppen for fagpakken er Softwareudviklere der ønsker at opnå kompetencer i at udvikle deres egne AI-løsninger. Fagpakken kræver et forudgående kendskab til algoritmer, datastrukturer og Python programmering samt forståelse af softwaredesignprincipper, testning og versionskontrol.

Forudsætninger

Deltagerne skal være gode til engelsk, da litteraturen er på engelsk, og undervisningssproget kan være engelsk. Deltagerne skal have en matematisk baggrundsviden med kendskab til bl.a. vektor-, matrix- og differentialregning svarende til, hvad man opnår på A-niveau på STX.

Undervisningen er tilrettelagt efter, at deltagerne har kendskab til algoritmer og datastrukturer samt fortrolighed med Python programmering, samt have forståelse af softwaredesignprincipper, testning og versionskontrol.

Ønskede forudsætninger
Grundlæggende viden om cloud computing. Kendskab til cloudplatforme (f.eks. Azure, AWS, GCP) og containeriseringsteknologier (f.eks. Docker, Podman) er en fordel, men ikke et krav.

Viden

Gennem fagpakken skal den studerende opnå viden om teorier, metoder, teknikker og
værktøjer inden for følgende områder:

• Prædiktive metoder såsom regression og klassifikation; finde f.eks. meninger
  (sentiments) om produkter eller services baseret på review tekster, likes, klik, etc.
• Deskriptive metoder såsom gruppering af dataobjekter (clustering), finde f.eks.
  kunde-/brugergrupper i sociale netværk
• Livcyklussen for AI-systemer og forskelle fra traditionelle systemer.
• Centrale Machine Learning (ML) Ops-principper (Continuous Integration/Continuous
  Deployment (CI/CD), overvågning, dataversionering)
• Teknisk gæld i AI-systemer og dens konsekvenser

Færdigheder

Efter at have gennemført fagpakken skal deltagerne kunne anvende teorier, metoder og modeller fra ovennævnte områder til at identificere, analysere, vurdere og komme med forslag til løsning af konkrete problemstillinger i praksis. De skal kunne argumentere for relevansen af de valgte teorier, metoder og modeller samt for det udarbejdede løsningsforslag. Desuden skal de kunne reflektere over betydningen for den sammenhæng, løsningen indgår i.

Konkret forventes det, at deltagerne efter gennemførelse af fagpakken er i stand til at: 

• Planlægge udvikling og vedligehold af en AI-løsning
• Træne og anvende en relevant AI-model til brug i den udviklede løsning
• Forstå og anvende en række data mining og machine learning metoder til
  vidensopdagelse i både ustrukturerede og strukturerede data.
• Forstå og sammenligne algoritmerne bag forskellige data mining og machine learning
  metoder
• Matche og eventuelt kombinere metoder til fornuftigt brug i en given praktisk kontekst
• Designe skalerbare softwarearkitekturer til AI-systemer.
• Implementere Machine Learning (ML)-modeller med containerisering og Continuous
  Integration/Continuous Deployment (CI/CD)-pipelines.
• Opsætte monitorering af AI-systemer for Site Reliability Engineering (SRE) teams.

Kompetencer

Deltagerne skal efter at have gennemført fagpakken kunne reflektere over og udvikle egen praksis i relation til fagpakkens emne, kommunikere om problemstillinger og løsningsmodeller med såvel specialister som brugere og beslutningstagere, indgå i et tværfagligt samarbejde og påtage sig ansvar for at styre og udvikle komplekse arbejdssituationer, der forudsætter nye løsningsmodeller.

Konkret forventes det, at deltagerne efter gennemførelse af fagpakken er i stand til at:

• Styre udviklingen af AI-systemer for at opnå relevante kvalitetsegenskaber i produktionsmiljøer, herunder kritisk evaluering og løbende forbedringer af AI-systemer.
• Træffe informerede beslutninger om afvejninger i softwarearkitektur design, implementeringsstrategier og observerbarhed implikationer.
• Kommunikere tekniske beslutninger og systemdesign tydeligt til både tekniske og ikke-tekniske interessenter.
• Anvende Machine Learning (ML) Ops-praksis til at styre hele livscyklussen i produktionsmiljøer og reflektere over behovene i forskellige industrielle kontekster.
• Træffe informerede valg omkring anvendelse af avanceret data mining og machine learning teknikker.
• Parametrisere avancerede data mining og machine learning algoritmer til et givet datamateriale, inkl. ustruktureret tekst og behandling af højdimensionelle data.
• Designe og udvikle en komplet løsning for en kompleks, realistisk problemstilling.
• Formidle og diskutere løsningerne med fagfæller og ikke-specialister.
• Vurdere og vælge relevante AI-metoder, værktøjer og implementeringsstrategier til at løse en given problemstilling
• Udvikle en relevant AI-løsning og redegøre for styrker og svagheder ved den valgte løsning.

Diplomuddannelse i softwarekonstruktion, bacheloruddannelse i datalogi, ikt-ingeniøruddannelse eller tilsvarende samt efterfølgende to års relevant erhvervserfaring.

Har du ikke en af de adgangsgivende uddannelser, kan du søge om optagelse efter individuel vurdering.

Minimum 2 års erhvervserfaring efter endt adgangsgivende uddannelse indenfor udvikling af eller implementering af it, undervisning i it, it-sikkerhed eller data analytics.

Download login- og ansøgningsvejledning

Link til studieordningen

 Datamodeller og Analyseteknikker

Seminardatoer: 

• 30. oktober 2026
• 13. november 2026
• 27. november 2026

Eksamen: 11. december 2026

Software engineering af AI-systemer 

Seminardatoer: 

• 29. januar 2027
• 12.februar 2027
• 26.februar 2027

Eksamen: 12.marts 2027

Udbyder

Aalborg Universitet

Undervisningssted

Aalborg Universitet, Institut for Datalogi

Adresse:
Selma Lagerlöfsvej 300,
9220 Aalborg Øst

Udover deltagerbetalingen skal der påregnes følgende udgifter (forbehold for evt. prisjusteringer):

• Udgifter til transport til og fra seminarerne
• Udgifter til forplejning
• Litteraturudgifter (ca. 500 kr. pr. enkeltfag)
• Samt evt. ophold under seminarerne

Manfred Jaeger, Lektor
E-mail: jaeger@cs.aau.dk 

Lene Even, Studiesekretær
E-mail: even@cs.aau.dk 

Efteruddannelseskontoret

• E-mail: efteruddannelse@aau.dk
• Telefon: 99 40 94 20