NLP Engineer

En NLP engineer får software til at forstå og producere sprog. Både skrevet tekst og talt sprog. Du bygger ikke kun modeller. Du sætter dem i drift, så de holder til rigtige brugere og rodet data.

Typiske opgaver

• Bygge søgning og RAG, hvor en sprogmodel svarer ud fra virksomhedens egne dokumenter
• Klassificere tekst automatisk, fx fordeling af supportmails eller flagning af klagesager
• Trække oplysninger ud af dokumenter: navne, beløb, datoer, diagnoser (named entity recognition)
• Finjustere åbne sprogmodeller på virksomhedens egne data (finetuning)
• Bygge tale-til-tekst, fx transskribering af møder, diktering eller kundesamtaler
• Rense og annotere træningsdata og skrive retningslinjer til dem, der annoterer
• Måle kvalitet med testsæt, fejlanalyse og mål som precision, recall og F1
• Sætte løsningen i produktion med API, overvågning og en plan for, hvad der sker når modellen fejler

En almindelig dag
Dagen starter tit med standup og et kig på gårsdagens logs. Så følger fejlanalyse: hvilke 50 svar gik galt, og hvorfor? Derefter et eksperiment. Ny embedding-model, ny opdeling af dokumenterne, nyt promptdesign. Om eftermiddagen sidder du måske med en fagperson. En jurist, en sygeplejerske eller en sagsbehandler. De afgør, hvornår et svar er godt nok. Meget af arbejdet er den samtale, ikke koden.

Dansk gør arbejdet sværere
Dansk er et lille sprog med langt færre data end engelsk. Sammensatte ord som "arbejdsmarkedsuddannelse" deles skævt op i tokens. Bøjninger og stavevarianter giver fejl i søgning. Derfor bruger danske teams særlige ressourcer. Danish Gigaword Corpus, DaCy fra Center for Humanities Computing på Aarhus Universitet og benchmarken ScandEval er almindelige valg. Det Danske Sprog- og Litteraturselskab udgiver ordbogsdata, der bruges til opslag og normalisering.

Jura fylder mere end i andre udviklerroller
Tekst er næsten altid persondata. Journaler, ansøgninger, chatlogs og sagsakter. Derfor arbejder du tæt på jurister og databeskyttelsesrådgivere. EU's databeskyttelsesforordning (GDPR) sætter rammerne for, hvilke data du må træne på. Datatilsynet har udgivet vejledning om myndigheders brug af kunstig intelligens. EU's forordning om kunstig intelligens, AI-forordningen, stiller ekstra krav til højrisikosystemer, fx inden for rekruttering, uddannelse og sundhed. I praksis betyder det dokumentation, logning og menneskelig kontrol af modellens output.

Hvor arbejder de?

• Bank, pension og forsikring: dokumentbehandling, kundedialog og hvidvaskovervågning
• Medicinal og biotek: litteratursøgning og bivirkningsindberetninger
• Sundhed: fx danske Corti, der arbejder med talegenkendelse i akutopkald og konsultationer
• Det offentlige: kommuner og regioner bruger NLP til journalisering, søgning og aktindsigt
• Legal tech og revision: kontraktgennemgang og udtræk af vilkår
• Handel og medier: produktdata, anmeldelser og anbefalinger
• Konsulenthuse og anvendte forskningsmiljøer som Alexandra Instituttet

Karriereveje
Mange starter som udvikler eller data scientist. Derfra går vejen mod senior NLP engineer, machine learning engineer eller AI-arkitekt. Nogle drejer mod MLOps og drift af modeller. Andre bliver teamlead eller applied scientist i et forskningstungt hold. Konsulentvejen er også åben, fordi mange danske virksomheder mangler folk til de første projekter.

Der findes ingen autorisation og ingen fast uddannelse til titlen. De fleste NLP engineers i Danmark har alligevel en kandidatgrad.

Den almindelige vej

• Gymnasial eksamen, typisk med Matematik A og Engelsk B
• Bachelor på 3 år i fx datalogi, software engineering, data science eller matematik
• Kandidat på 2 år med tilvalg i maskinlæring og sprogteknologi
• Studiejob, projektsamarbejde eller praktik, hvor du rører rigtige data

Uddannelser, der peger direkte mod faget

• IT og Kognition på Københavns Universitet, som kombinerer sprog, kognition og datalogi
• Cognitive Science på Aarhus Universitet
• Data Science på IT-Universitetet i København
• Human-Centered Artificial Intelligence på DTU
• Datalogi og softwareteknologi med maskinlæringsprofil på Aalborg Universitet og Syddansk Universitet

Adgangskravene står i universiteternes egne studieordninger, og Uddannelses- og Forskningsministeriet fastsætter rammerne. Flere kandidatuddannelser optager også bachelorer fra lingvistik og andre humanistiske fag. Du skal typisk kunne dokumentere programmering og statistik på et bestemt antal ECTS.

Alternative veje ind

• Datamatiker på 2½ år fra et erhvervsakademi, derefter erfaring med maskinlæring i job
• Fra softwareudvikler: du kan allerede kode og lærer modeller, evaluering og datahåndtering
• Fra lingvist, oversætter eller kommunikationsuddannet: du kender sproget og lærer Python
• Fra data scientist eller BI-udvikler: du flytter dig fra tabeller til fritekst
• Ph.d. på 3 år, hvis du vil arbejde med forskning eller nye metoder

Hvad tæller mest ved ansættelse
Portefølje slår certifikater. Et system, du selv har bygget og sat i drift, vejer tungt. Gerne noget på dansk, hvor du kan forklare fejlene. Cloud-certificeringer som Microsoft Certified: Azure AI Engineer Associate eller AWS Certified Machine Learning kan hjælpe i konsulentbranchen. De erstatter ikke erfaring med rigtige, rodede data.

Til dig, der skal ansætte
Bed om et konkret eksempel på fejlanalyse. Spørg, hvordan kandidaten målte, at systemet blev bedre. Spørg til dansk data. Mange kan bruge et engelsk bibliotek. Færre kan få det til at virke på danske journaler, kontrakter eller supportmails. Spørg også til persondata, for det stopper flere projekter end teknikken gør.

Sprog og kernebiblioteker

• Python er standarden. Enkelte teams bruger Rust eller Go til hurtig tekstbehandling.
• PyTorch til at træne og finjustere modeller
• Hugging Face Transformers, Tokenizers og Datasets til modeller og datasæt
• spaCy og DaCy til dansk tokenisering, ordklasser og entiteter
• scikit-learn til de simple baselines, som ofte er svære at slå

Sprogmodeller og søgning

• Åbne modeller som Llama og Mistral, ofte kørt lokalt af hensyn til persondata
• Danske og nordiske modeller, fx fra Danish Foundation Models
• sentence-transformers til embeddings
• Vektordatabaser som Qdrant, Weaviate, pgvector eller FAISS
• Elasticsearch eller OpenSearch til klassisk søgning, ofte kombineret med vektorsøgning
• LangChain eller LlamaIndex til at binde delene sammen. Mange teams skriver det dog selv.

Tale

• Whisper og lignende modeller til tale-til-tekst
• Værktøjer til diarisering, altså at skelne hvem der taler hvornår

Data og annotering

• Label Studio eller Prodigy til annotering
• Regex og faste regler. De løser stadig mange opgaver hurtigst og billigst.
• pandas og DuckDB til at rode med data

Drift

• Docker og Kubernetes
• MLflow eller Weights & Biases til styr på eksperimenter
• vLLM eller ONNX Runtime, når svartiden skal ned
• Azure AI, AWS SageMaker eller Google Vertex AI, i danske sager ofte med krav om EU-region
• Git, CI/CD og overvågning som i ethvert andet produktionssystem