Viden ligger spredt ude på nettet
Markedsdata, lovgivning, udbud, leverandører, konkurrenter. Nogen bruger timer hver uge på at samle det manuelt — og det bliver aldrig helt ens fra gang til gang.
Anvendt AI · Integration · Kritisk drift
AI der kommer i drift — ikke bare i demoen.
Jeg bygger AI-agenter og integrationer, der løser konkrete opgaver i virksomheder: struktureret indsamling af data og kilder fra internettet, bindeled mellem applikationer der ikke taler sammen, og AI-lag oven på de systemer I allerede har.
- 20+års erfaring med forretningskritisk infrastruktur
- 11år med beredskabssystemer i Region Hovedstaden
- ~40%lavere MTTR med AI-understøttet loganalyse
Det jeg typisk bliver hentet ind til
Systemerne taler ikke sammen
To gode fagsystemer, ingen bro imellem dem. Data flyttes med regneark, copy-paste og gode viljer — og fejlene opdages først bagefter.
AI-projektet stopper ved demoen
Pilotprojektet imponerede. Så kom spørgsmålene om drift, sikkerhed, ejerskab og hvad der sker når modellen tager fejl — og der stoppede det.
Ydelser
Fire ting jeg laver
AI-agenter til struktureret dataindsamling
En agent der selv finder de relevante kilder på internettet, vurderer om de er troværdige, trækker de felter ud I har brug for — og leverer resultatet i et format jeres systemer kan læse. Med kildehenvisning på hver eneste oplysning, så en medarbejder kan kontrollere den.
- Løbende overvågning af marked, lovgivning, udbud og konkurrenter
- Beriget kartotek: virksomheder, produkter, arter, adresser — udfyldt automatisk
- Kildekritik og dubletkontrol indbygget, ikke bagefter
AI ind i det I allerede har
De færreste har brug for et nyt system. De har brug for at de nuværende hænger sammen, og at det trivielle arbejde forsvinder. Jeg bygger integrationslaget imellem applikationerne og lægger AI der hvor det faktisk sparer tid: klassificering, udtræk, opsummering, sortering og svarudkast.
- API-bro mellem systemer der ikke kender hinanden
- Automatisk sortering og prioritering af indgående post og sager
- Agenter der udfører opgaver på tværs af flere applikationer
Edge-AI og computer vision
Når data ikke må forlade huset, eller når svaret skal komme på millisekunder. Jeg bygger AI der kører lokalt på jeres egen hardware — objektgenkendelse, positionsbestemmelse, dybde og ansigtsgenkendelse i realtid, uden at et billede nogensinde sendes til en sky.
- Små lokale modeller frem for store cloud-modeller, hvor det giver mening
- Realtidsanalyse på Raspberry Pi 5 med Hailo AI-accelerator
- Ingen data ud af huset — hele pipelinen er jeres
Arkitektur, sikkerhed og governance
Jeg kommer fra elleve år med systemer hvor nedetid ikke er en mulighed. Den bagage tager jeg med ind i AI-projekter: behovsanalyse og kravspecifikation før kodning, klare snitflader, dokumenteret drift — og et ærligt svar på hvad løsningen ikke kan.
- Kravspecifikation, leverandørdialog og teknisk vurdering ved udbud
- Sikkerhed og adgangsstyring fra første streg, ikke som eftertanke
- Dokumentation og overdragelse, så I kan drive det uden mig
Case · mit eget laboratorium
Vision Lab — hvorfor jeg byggede det
Jeg var træt af at AI-samtaler endte i PowerPoint. Vision Lab er mit svar: en fungerende platform, hvor anvendt AI kan afprøves på ægte hardware, i en browser, af rigtige mennesker — inden nogen investerer i den.
Platformen kører på en Raspberry Pi 5 med en Hailo AI-accelerator og giver adgang til live AI-pipelines direkte i browseren: objektgenkendelse, pose-tracking, dybdeestimering og ansigtsgenkendelse i realtid. Flere brugere kan være inde samtidig, hver med sin egen session, og hvert lab kan skiftes ud uden at resten falder ned.
Sidenhen er laboratoriet vokset til en samlet platform: en række selvstændige applikationer — post, kalender, medier, samtale, socialt — der deler ét fælles bruger- og datalag, og hvor AI-agenter er vævet ind på tværs. Det er dér, jeg afprøver integration mellem applikationer i praksis, før jeg foreslår det til nogen andre.
Vision Lab er ikke et produkt til salg. Det er beviset på at jeg kan bygge, drive og forklare den slags løsninger — og et sted hvor jeres idé kan prøves af, før den bliver dyr.
Andet arbejde
Andre ting jeg har bygget og opnået
VisionRTC
Browserbaseret realtidskommunikation på WebRTC — beskeder og samtale i én løsning, uden app. Bygget til lav latenstid og til at virke på den enhed folk nu har i hånden.
AI-loganalyse i hospitalsdrift
AI-understøttet loganalyse og netværksmonitorering på forretningskritisk infrastruktur i Region Hovedstaden reducerede den gennemsnitlige udbedringstid (MTTR) med omkring 40%.
Agent til fagligt opslagsværk
En agent der beriger et kartotek på tusindvis af poster ved at hente, sammenholde og kildemarkere oplysninger fra flere offentlige databaser — og som svarer fagligt korrekt, fordi svarene er forankret i data frem for i modellens hukommelse.
Metode
Sådan arbejder jeg
-
Behov før teknologi
Vi starter med opgaven, ikke med modellen: hvem gør hvad i dag, hvor lang tid tager det, og hvad koster fejlene. Ofte viser det sig at halvdelen kan løses uden AI overhovedet — det siger jeg så.
-
Prototype på jeres egne data
En smal, kørende udgave hurtigt — på virkelige data, ikke et pænt udvalg. Det er den eneste måde at finde ud af om idéen holder, og det er billigere at opdage tidligt.
-
I drift, med tilsyn
Løsningen sættes i drift med logning, fejlhåndtering, adgangsstyring og et menneske der kan se hvad agenten har gjort og hvorfor. AI der ikke kan kontrolleres, kommer ikke i drift.
-
Overdragelse
I ejer koden, dokumentationen og driften. Målet er at I kan videreudvikle uden mig — og hente mig ind igen fordi I vil, ikke fordi I er nødt til det.
Profil
Lars Lindemann Jørgensen
Svagstrømsingeniør og løsningsarkitekt med mere end 20 års erfaring inden for kritisk kommunikationsinfrastruktur, netværk og trådløse teknologier — i dag kombineret med praktisk arbejde inden for AI-arkitektur og autonome systemer.
Gennem elleve år i Region Hovedstaden havde jeg teknisk ansvar for design, implementering og drift af forretningskritiske og beredskabsrelaterede kommunikationssystemer — SINE, DAS, DECT og WiFi-infrastruktur i komplekse, regulerede miljøer med høje krav til oppetid, sikkerhed og governance.
I dag arbejder jeg med design og udvikling af AI-agentbaserede løsninger med fokus på modulær arkitektur, robusthed og praktisk anvendelighed — og med både store cloud-modeller og små lokale modeller til edge inference og realtidsanalyse. Jeg trives i krydsfeltet mellem teknologi, sikkerhed og organisation, og motiveres af opgaver hvor teknisk indsigt og ansvar hænger sammen.
Erfaring
- 2014–2026CIMT-specialist, kritisk kommunikationRegion Hovedstaden
- 2011–2014UC-systemkonsulentAastra Telecom Denmark A/S
- 2007–2010Applikationsspecialist, contact centerSEN
- 2000–2007Specialist, storkunde tele & netværkTDC Erhverv
Uddannelse & certificeringer
- 1989–1994Bachelor i elektronik, svagstrøm — trådløse teknologierDTU
- AIP-210 Anvendt AI
- CCNA
- LPI-C
- Windows 2008
Sprog: dansk (modersmål), engelsk (flydende).
Kontakt
Har I en opgave, der ligner noget af det her?
Skriv et par linjer om hvad I gerne vil have løst. Jeg svarer på hvad jeg mener der skal til — også hvis svaret er at I ikke har brug for mig.