Det første rigtige AI-system
P1: Forudsagde strømforbruget i Tétouan for at forebygge spidsbelastninger på elnettet.
Diplomingeniørstuderende i Design og Anvendelse af Kunstig Intelligens på AAU og medstifter af KostPilot. Jeg lærer at forstå et konkret problem, finde den rigtige AI-løsning og få den til at virke i praksis.

Ingeniør · Iværksætter · Triatlet
Algoritmer er kun halvdelen.
Denandenhalvdelermennesker.Jegtrives,hvorteknikmøderdesign.Hvorenmodelskaludaflaboratorietogvirkeforrigtigebrugere,irigtigesystemer,underrigtigeforhold.
Før studiet havde jeg flere års ledererfaring fra Tivoli Friheden, hvor jeg lærte at tage ansvar og holde overblikket, når det gik stærkt. Det bruger jeg stadig hver dag.
Da jeg startede på Design og Anvendelse af Kunstig Intelligens, havde jeg aldrig kodet. Jeg troede, AI mest handlede om smarte chatbots. Første år viste mig, at det handler om data, forbehandling, skalerbare modeller og at få dem til at virke. Langt mere end LLM’er.
I dag trækker jeg på begge dele i KostPilot, som jeg er medstifter af. Og når jeg ikke sidder ved skærmen, træner jeg mod en 70.3 Ironman. Udholdenhed gælder både på ruten og i en lang debug-session.



En 3,5-årig, praktisk orienteret diplomingeniøruddannelse. Vi lærer at analysere et problem, vælge den rigtige AI-model, implementere den, sætte den i drift og tage stilling til etik og forretning. Hvert semester er bygget op om et stort gruppeprojekt, ofte i samarbejde med virksomheder.
P1: Forudsagde strømforbruget i Tétouan for at forebygge spidsbelastninger på elnettet.
P2: Forudsagde oplevet lydkvalitet (MOS) på en problemstilling fra GN Group.
P3: Adaptive Drone Detection. Vi er i gang og arbejder stadig på at finde en løsning.
Kilde: Studieordning for diplomingeniøruddannelsen i design og anvendelse af kunstig intelligens, 2023, § 17.
På 3. semester har min projektgruppe fået en case fra VAP Lab på AAU: Adaptive Drone Detection. Vi har ikke løst den endnu. Vi er midt i at undersøge, hvordan vi får en løsning i hus. Det er en af de sværeste opgaver, jeg har arbejdet med, og samtidig en af de mest spændende.
Problemet er kort fortalt det her: en model, der finder droner fint i én video, holder sjældent, når man skifter himlen, kameraet eller afstanden. Casen går ud på at bygge en detektor, der klarer skiftende forhold og er ærlig om, hvornår den ikke er sikker.
Vores problemformuleringHvordan kan et deep learning-baseret dronedetekteringssystem designes, så det kvantificerer sin egen usikkerhed under domæneskift og tilpasser sig ændrede operationelle forhold?
Kendte forhold. Modellen er sikker på sin detektion.
Illustrationen viser idéen i casen. Tallene er ikke målinger, og vi har ingen resultater endnu.
En detektor, der virker godt under kendte forhold, med usikkerhedsmål, der indrømmer, når den er uden for sit område.
Augmentation og syntetiske variationer under træning, så modellen tåler ny himmel, nyt kamera og nye afstande.
En algoritme til test-time adaptation, der justerer detektoren, når den møder data, den ikke er trænet på.
Afgrænsning. Kun visuel detektion med computer vision og deep learning i billeder og video: er der en drone i billedet, og hvor er den? Tracking, banestimering og modforholdsregler ligger uden for projektet. Målet er ikke et færdigt overvågningssystem, men at undersøge, hvor pålideligt deep learning kan detektere droner på tværs af miljøer, og om usikkerhedsmål kan varsle, når præstationen er ved at falde.
Nordic AI Cup er et nordisk mesterskab i at bruge AI på virkelige problemer. Fem lande dyster samtidig om, hvem der kan bygge en løsning, der ikke bare ser god ud i egne tests, men holder, når den bliver sat på prøve for alvor.
Det var første gang, jeg var med. Jeg stillede op alene mod erfarne hold fra hele Norden, i tre vidt forskellige AI-discipliner på én gang. Målet var at levere noget, der rent faktisk virkede, på alle tre. Det lykkedes.


En art af agenter skulle lære at overleve fra bunden, uden at nogen fortalte dem hvordan.
Hvordan man belønner, betyder lige så meget som hvor længe man træner.


Find objekterne i en dronevideo, og styr kameraets zoom, så du ser den detalje, der betyder noget.
En høj score på egne data betyder ingenting, før modellen har mødt noget, den ikke har set før.

Lyt til optagede lægesamtaler, og find ud af, hvad der faktisk blev sagt mellem læge og patient.
Der ligger mange lag infrastruktur mellem en model, der virker, og et system, der virker.
Hvad skal vi spise, og hvad koster det egentlig? KostPilot bygger en madplan, der passer til din smag og dit budget, følger de aktuelle tilbud i supermarkederne og laver indkøbslisten for dig. Så du spiser bedre og bruger færre penge, uden at det bliver et projekt.



KostPilot samler butikkernes tilbud ét sted og viser dig præcis, hvad du faktisk kan lave mad af den uge.
Dine præferencer omsættes til en madplan, så du hurtigt kan vælge retter og justere dem med få tryk.
Når planen er klar, får du en indkøbsliste med budget og butiksfordeling, så turen i butikken bliver enkel.
Appen er et projekt, jeg har designet og bygget, og UX og UI har fyldt rigtig meget i arbejdet. Det handler både om, hvordan den ser ud, og hvordan den føles at bevæge sig i. Hver skærm er gennemtænkt, så du hurtigt kommer fra tilbud til madplan til indkøbsliste uden at skulle tænke over det.
Det passer godt med, at vi netop nu har kurset Brugerinddragelse på 3. semester. Jeg lærer stadig, og det, jeg lærer der, tager jeg direkte med ind i arbejdet med appen.
KostPilot er i lukket beta, og næste stop er TestFlight.
React Native og Expo, fra skærmdesign og brugerflows til arkitektur og backend på Supabase.
Tilbud fra Salling-kæderne og REMA 1000 hentes hver dag, og næringsindholdet kommer fra Den Danske Fødevaredatabase (DTU).
Farver, typografi og komponenter, der binder app, hjemmeside og sociale medier sammen.
Forside, klummen om, hvordan det hele startede, status på lanceringen og ventelisten. Bygget i Next.js og hostet på Cloudflare.
Besøg kost-pilot.dk ↗
Pitches og præsentationer af KostPilot i startup-miljøet på Aalborg Universitet.

Jeg var lige flyttet hjemmefra, og hver dag startede med det samme spørgsmål: Hvad skal jeg have at spise i aften? Så skulle der handles, og SU’en skulle helst række hele måneden.
Efter en grundig gennemgang af alle butikkernes tilbudsaviser kunne jeg handle for 200 kr. og samtidig spare omkring 200 kr. Potentialet var enormt, hvis en app kunne gøre alt det kedelige. Så spurgte jeg Kasper, en gammel, god ven, om han var klar på min skøre idé.
“Det, der for et år siden var helt uhåndgribeligt, er nu noget, man kan holde i hånden.”
Som medstifter arbejder jeg med alt fra datamodellen og tilbudsdata til design og brugerflows. KostPilot er en del af startup-miljøet AAU Innovate, og målet er at få alle danske dagligvarekæder med, så du kan se, hvor maden er billigst blandt de butikker, der ligger tæt på dig.



Vores semesterprojekt. Vi er i gang og har ikke en løsning endnu.
Casen kommer fra VAP Lab på AAU: en dronedetektor, der virker, når himlen, kameraet og afstanden skifter, og som er ærlig om, hvornår den ikke er sikker. Lige nu undersøger vi datasæt, modeller og metoder til at måle usikkerhed.
Læs om projektet →Praktik, et projekt, et samarbejde eller bare en kop kaffe om AI. Skriv til mig.