Den ærlige AI-manifest: hvorfor vi har brug for transparent intelligens
Det arkitektoniske problem med moderne AI
Moderne AI-systemer har en grundlæggende designfejl, som ingen i branchen ønsker at tage fat på: de er bygget til at lyde rigtigt, ikke til at have ret.
Se på, hvordan store sprogmodeller fungerer. De analyserer milliarder af tekstprøver, finder statistiske mønstre og forudsiger, hvilke ord der ville lyde plausible sammen. Der er intet verifikationstrin. Ingen sandhedstjek. Ingen forståelse af, om outputtet er faktisk korrekt. Kun mønstergenkendelse og forudsigelse.
Dette arkitektoniske valg betyder, at disse systemer med selvsikkerhed vil generere forkert information, når det forkerte svar følger almindelige sproglige mønstre. Det er ikke en fejl, du kan lappe. Det er sådan, de er designet til at fungere.
Og vi udruller disse systemer på hospitaler, i retssale og i finansielle institutioner over hele Europa.
Alene i Holland bruger virksomheder som ScreenPoint Medical AI til brystkræftdetektion. Delft Imaging anvender det til tuberkulosediagnose. Thirona analyserer lungescanninger med deep learning. Når disse systemer laver en fejl om nogens helbred, er "modellen var 87 % sikker" ikke godt nok. Liv hænger i en tynd tråd.
Problemet går dybere end lejlighedsvise fejl. Traditionelle neurale netværk optimerer for statistisk sandsynlighed, ikke for sandhed. De lærer at forudsige, hvilket svar der typisk ville følge en given input baseret på mønstre i træningsdata. Når disse mønstre er præcise, fungerer systemet godt. Når mønstre er vildledende, fejler systemet systematisk.
Overvej medicinsk diagnose. Et traditionelt neuralt netværk kan lære, at visse symptomer korrelerer med specifikke sygdomme i træningsdataene. Men korrelation er ikke kausalitet. Hvis træningsdataene indeholder regionale skævheder, lærer modellen disse skævheder. Hvis sjældne tilstande er underrepræsenterede, fejler modellen med at genkende dem. Arkitekturen har ingen mekanisme til at skelne mellem ægte medicinske sammenhænge og statistiske artefakter.
Dette skaber en tillidskrise. Hvordan udruller du AI i miljøer med høje indsatser, når du ikke kan verificere dens ræsonnement? Hvordan forklarer du til en patient, hvorfor AI'en anbefalede en bestemt behandling, når systemet selv ikke kan formulere sin logik? Hvordan reviderer du for skævhed, når beslutningsprocessen er en black box af matrixmultiplikationer?
Sådan træffer neurale netværk faktisk beslutninger
Traditionelle neurale netværk fungerer gennem lag af vægtede forbindelser. Et input passerer gennem flere lag, hvor hvert lag udfører matematiske transformationer, indtil det producerer et output med en tilhørende konfidensscore.
Problemet? Du kan ikke spore, hvorfor en beslutning blev truffet. Systemet lærte millioner af vægtværdier under træningen. Når det producerer et output, kan du se, hvilke neuroner der blev aktiveret, men det fortæller dig ikke hvorfor. Ræsonnementet er fordelt over utallige matematiske operationer uden nogen klar logisk sti.
Det er fint til at anbefale film. Det er farligt til at diagnosticere sygdomme.
Engagementoptimeringsproblemet
Her er den mørke hemmelighed, ingen vil indrømme: De fleste kommercielle AI-systemer er ikke engang optimeret til nøjagtighed. De er optimeret til engagementmålinger. Klik. Tid brugt. Interaktionsrater. De ting, der gør aktionærer glade og sandheden valgfri.
Anbefalingsalgoritmer lærer, hvad der holder folk på platformen, uanset om indholdet er sandt eller gavnligt. Hvis kontroversielle påstande driver mere engagement end afbalanceret analyse, lærer algoritmen at fremhæve kontroverser. Hvis følelsesladet indhold klarer sig bedre end faktuel rapportering, vinder følelserne. Hver gang.
Systemet fungerer præcis, som det er designet. Vi bad det om at maksimere engagement. Det lærte, at sandhed og engagement ofte er i konflikt, og valgte engagement. Man kan ikke rigtig bebrejde AI'en for at følge ordrer.
Dette er ikke teoretisk bekymring. En MIT-undersøgelse fra 2018 analyserede 126.000 nyhedshistorier på Twitter og fandt, at falske nyheder spreder sig seks gange hurtigere end sandheden, og når 1.500 personer, før sande historier når 1.000. Algoritmerne har lært dette mønster og udnytter det nådesløst. Sandheden er kedelig. Forargelse er viralt. Gæt hvad der vinder?
Korrelation uden kausalitet
Statistiske modeller finder mønstre i data. Men mønstre er ikke forståelse.
Is-salget korrelerer med druknedødsfald. Begge stiger om sommeren. En statistisk model ser korrelationen og kan forudsige druknerisiko ud fra is-salget. Den fandt et reelt mønster i dataene. Mønsteret betyder bare ikke det, en naiv fortolkning antyder.
Mennesker forstår kausalitet. Vi ved, at sommervejret forårsager begge fænomener. AI-systemer trænet på korrelation kan ikke lave denne skelnen, medmindre vi eksplicit indkoder kausal struktur i modellen.
Denne begrænsning påvirker reelle beslutninger. Medicinsk AI kan korrelere et symptom med en diagnose baseret på statistiske mønstre og dermed overse den faktiske kausale mekanisme. Finansiel AI kan korrelere markedsbevægelser uden at forstå de underliggende økonomiske relationer.
Skelnen betyder enormt meget i praksis. Et korrelationsbaseret system kan observere, at patienter, der modtager en bestemt behandling, har bedre resultater. Men hvad hvis disse patienter modtager behandlingen, fordi de er sundere fra starten? Korrelationen findes, men den kausale relation går i den modsatte retning. Statistiske modeller kan ikke opdage dette uden eksplicit kausal modellering.
I europæiske finansielle systemer ændrer korrelationer sig konstant. Markeder, der historisk bevægede sig sammen, afkobles på grund af regulatoriske ændringer (hej, MiFID II), teknologiske skift eller geopolitiske begivenheder (Brexit, nogen?). En korrelationsbaseret model fortsætter med at anvende forældede mønstre, indtil den fejler katastrofalt. Den har ingen forståelse af, hvorfor korrelationen eksisterede, så den kan ikke genkende, når den underliggende relation har ændret sig.
Den tyske bank Schufa lærte dette på den hårde måde i 2024. Den Europæiske Unions Domstol afgjorde, at deres AI-kreditscoringssystem krænkede GDPR-kravene netop, fordi de korrelationer, det lærte, ikke kunne forklares eller revideres. Når algoritmen nægter nogen et lån på 20.000 euro, er "computeren siger nej" ikke juridisk tilstrækkeligt under europæisk lov.
Det grundlæggende problem: Mønstergenkendelse uden forståelse skaber skrøbelige systemer. De virker, indtil de ikke gør, og når de fejler, fejler de fuldstændigt og uden varsel.
Hvad transparens reelt kræver
Ægte transparens betyder, at du kan spore enhver beslutning gennem eksplicitte logiske trin. Ikke "stol på os, matematikken går op", men "her er præcis hvorfor, trin for trin."
Moderne AI-platforme som Dweve opnår dette gennem flere arkitektoniske innovationer, der arbejder sammen. I stedet for uigennemsigtige floating-point-vægte fordelt over millioner af forbindelser, opstår intelligens fra krystalliserede begrænsninger (eksplicitte logiske regler), hybrid neural-symbolsk ræsonnering (kombination af mønstergenkendelse med logisk inferens) og multi-agent-verifikationssystemer (flere specialiserede agenter, der kontrollerer hinandens arbejde).
Når systemet træffer en beslutning, kan det fortælle dig præcis, hvad der skete: "Perceptionsagenten registrerede mønster X med træk Y og Z. Ræsonneringsagenten anvendte begrænsningerne C1 og C2 og udelukkede mulighed A. Beslutningsagenten valgte mulighed B baseret på opfyldelse af begrænsningerne C3, C4 og C5 med 100 % logisk opfyldelse." Ikke vage sandsynlighedsscore. Klar logisk deduktion, du kan verificere, revidere og udfordre.
Dette er forskellen mellem "modellen siger 73 % sandsynligt" (oversættelse: vi aner ikke hvorfor, men statistikken siger det) og "her er det logiske bevis for, hvorfor denne konklusion følger af disse præmisser" (oversættelse: vi kan vise vores arbejde, som du lærte i skolen).
Formel verifikation og beviselig korrekthed
Avancerede AI-systemer bygget på begrænsningsbaserede arkitekturer muliggør matematisk verifikation af systemadfærd. Det er her, datalogi møder matematik på den smukkeste måde.
Gennem formelle metoder kan du bevise, at sådan et system altid vil opføre sig inden for specificerede grænser. Ikke "sandsynligvis korrekt baseret på test" eller "fungerede fint i vores simulation." Beviseligt korrekt gennem matematisk bevis. Den slags bevis, der ville få en matematiker til at nikke anerkendende i stedet for at række ud efter den røde pen.
Dette betyder noget for kritiske systemer. Når AI styrer medicinsk udstyr på hospitaler i Rotterdam, administrerer finansielle systemer for banker i Amsterdam eller driver kritisk infrastruktur i hele Europa, har vi brug for matematiske garantier for korrekt adfærd under alle forhold. "Ups, vi testede ikke den edge case" er ikke acceptabelt, når liv og levebrød er på spil.
Traditionelle neurale netværk kan ikke give disse garantier. Deres adfærd opstår fra millioner af lærte parametre, der interagerer på måder, ingen fuldt ud forstår. Begrænsningsbaserede netværk kan bevise deres adfærd matematisk, på samme måde som man kan bevise Pythagoras' læresætning. Det er sandt, fordi logikken kræver det, ikke fordi træningsdataene antydede det.
Eksplicit usikkerhedskvantificering
Nuværende AI-systemer udtrykker tillid gennem sandsynlighedsscorer. Men disse scorer måler ofte statistisk tillid til mønsteret, ikke faktisk sikkerhed om sandheden.
Et system kan være 99 % sikker på et fuldstændig forkert svar, hvis det forkerte svar følger stærke statistiske mønstre i træningsdataene.
Binære begrænsningssystemer håndterer usikkerhed anderledes. Når begrænsninger er fuldt opfyldt, følger konklusionen logisk. Når begrænsninger er delvist opfyldt eller modstridende, angiver systemet eksplicit: "Der findes ingen gyldig løsning inden for de givne begrænsninger."
Dette er ærlig usikkerhed. Systemet indrømmer, når det ikke kan nå en gyldig konklusion, i stedet for at udskrive sit bedste statistiske gæt med en tillidsscore.
EU's AI-forordning og lovkrav
Den 1. august 2024 trådte EU's AI-forordning i kraft og blev verdens første omfattende AI-regulering. Dette er ikke Bruxelles-bureaukrati, der er løbet løbsk. Det er en anerkendelse af, at AI, der påvirker menneskers liv, skal være ansvarlig. Nyt koncept, åbenbart.
Artikel 13 kræver, at højrisiko-AI-systemer designes, så brugerne faktisk kan fortolke output og bruge dem hensigtsmæssigt. Artikel 14 pålægger menneskeligt tilsyn (mennesker i loopet, tænk engang). Artikel 15 kræver nøjagtighed, robusthed og cybersikkerhed. Fuld implementering træder i kraft den 2. august 2026, og manglende overholdelse kan koste op til 7 % af den globale årlige omsætning eller 35 millioner euro, alt efter hvad der får dig til at gyse mest.
Binære begrænsningsnetværk opfylder disse krav arkitektonisk. Gennemsigtighed er ikke noget, der eftermonteres, når advokaterne får panik. Det er fundamentalt for, hvordan systemet fungerer fra dag ét. Hver beslutning er i sagens natur forklarlig, fordi den følger eksplicitte logiske begrænsninger, som regulatorer faktisk kan revidere.
Konsekvenser i den virkelige verden
Disse arkitektoniske forskelle har konkrete konsekvenser.
I sundhedsvæsenet kan uforklarlig AI opnå høj nøjagtighed i test, men fejle ved implementering, fordi den har lært spuriøse sammenhænge. Binære begrænsningssystemer kan bevise deres diagnostiske logik, så medicinsk personale kan verificere ræsonnementet før implementering.
I finanssektoren kan black box-modeller godkende eller afvise lån baseret på mønstre, der indeholder historiske skævheder. Begrænsningsbaserede systemer gør beslutningskriterierne eksplicitte og muliggør revision for retfærdighed.
I retssystemer underminerer uforklarlige straffeanbefalinger retfærdigheden. Forklarlig begrænsningslogik giver dommere mulighed for at vurdere, om ræsonnementet er i overensstemmelse med juridiske principper.
Overvej selvkørende køretøjer. Traditionelle neurale netværk behandler sensordata gennem millioner af vægtede forbindelser for at træffe styrings- og bremsebeslutninger. Når noget går galt, kan efterforskere ikke afgøre, hvorfor systemet traf et bestemt valg. Ræsonnementet er fordelt over hele netværket på en måde, der trodser menneskelig forståelse.
Binære begrænsningssystemer fungerer anderledes. Hver beslutning opfylder et sæt eksplicitte sikkerhedsbegrænsninger. Hvis systemet bremser, kan man spore ræsonnementet: "Begrænsning C1 registrerede forhindring inden for 8 meter. Begrænsning C2 kræver bremsning, når forhindringsafstanden er mindre end 10 meter, og hastigheden overstiger 50 km/t. Nuværende hastighed 70 km/t. Derfor aktiveres bremsning." Dette ræsonnement kan verificeres, testes og bevises korrekt.
Forskellen har betydning for certificering og ansvar. Den 7. juli 2024 trådte nye EU-sikkerhedsregler i kraft, som etablerede de første internationale regler for fuldt førerløse køretøjer. Reglerne kræver omfattende sikkerhedsvurderinger, krav til cybersikkerhed og indberetning af hændelser, før køretøjer kan komme på de europæiske veje. Hvordan certificerer man et system, man ikke fuldt ud kan verificere? Hvordan placerer man ansvar, når beslutningsprocessen er uigennemsigtig? Traditionelle neurale netværk skaber juridiske og regulatoriske mareridt. Binære begrænsningssystemer giver den gennemsigtighed, som europæiske tilsynsmyndigheder faktisk kræver.
Inden for fremstilling skal kvalitetskontrol-AI forklare fejlklassifikationer til medarbejdere, der skal udbedre fejlene. Black box-systemer giver ingen indsigt: "fejl registreret med 87 % sikkerhed." Begrænsningsbaserede systemer forklarer: "dimensionen overskrider tolerancen med 0,3 mm ved position (x,y), overfladeruheden overtræder specifikationen i zone Z3." Medarbejderne kan bruge disse oplysninger til at justere processerne.
Mønsteret er tydeligt: forklarbarhed er ikke en luksusfunktion. Det er afgørende for, at AI-systemer kan integreres i menneskelige arbejdsgange og beslutningsprocesser. Uden gennemsigtighed forbliver AI isoleret, uverificerbart og i sidste ende upålideligt.
Opbygning af ærlig AI hos Dweve
Hos Dweve har vi bygget en komplet AI-platform, der gør gennemsigtighed uundgåelig. Ikke som en eftertanke eller en compliance-afkrydsning, men som den grundlæggende arkitektur.
**Dweve Core** leverer 1.930 hardware-optimerede algoritmer til binære, begrænsningsbaserede og spiking neurale netværk. Det er ikke dine bedsteforældres floating-point-operationer, der kræver GPU-klynger. De kører effektivt på standard-CPU'er og bruger 96 % mindre strøm end traditionelle tilgange.
**Dweve Loom** orkestrerer 456 domænespecialiserede systemer, hvor hvert enkelt er en domænespecialist. Kun de relevante domænespecialister aktiveres til hver opgave (typisk 4 til 8 ud af 456), hvilket skaber en enorm videnskapacitet med et minimalt beregningsmæssigt fodaftryk. Det er som at have 456 konsulenter på retainer, men kun betale for dem, du faktisk bruger.
**Dweve Nexus** implementerer multi-agent-intelligens med 31+ perceptions-ekstraktorer, 8 forskellige ræsonneringstilstande og hybrid neural-symbolsk integration. Flere specialiserede agenter opfatter, ræsonnerer, beslutter og handler, og hver agents logik er fuldt sporbar. Når systemet når frem til en konklusion, kan du se, hvilke agenter der bidrog med hvilke indsigter.
**Dweve Aura** yder autonom udviklingsassistance gennem 32 specialiserede agenter organiseret i 6 orkestreringsformer. Fra normal enkeltagentudførelse til sværmtilstandens parallelle udforskning til konsenstilstandens multi-LLM-debat tilpasser systemet sin kognitive arkitektur til den aktuelle opgave.
**Dweve Spindle** styrer videnskvalitet gennem en 7-trins epistemologisk pipeline. Information går fra kandidat til kanonisk kun efter at have bestået streng verifikation, hvor 32 specialiserede agenter sikrer, at hvert eneste vidensstykke opfylder kvalitetstærsklerne, før det træner fremtidige modeller.
**Dweve Mesh** decentraliserer det hele og muliggør fødereret læring på tværs af offentlige og private netværk med ekstrem fejltolerance. Netværket fortsætter med at fungere, selv når 70% af noderne fejler. Datasuverænitet forbliver lokal, og kun krypterede modelopdateringer bevæger sig gennem netværket.
**Dweve Fabric** samler det hele i et samlet dashboard, hvor brugere styrer agenter, arbejdsgange, modeller og realtids-AI-samtaler med fuld gennemsigtighed og sporbarhed.
Hver eneste beslutning på tværs af hele platformen spores gennem eksplicitte logiske trin. Regulatorer kan revidere begrænsningsbaserne og ræsonneringskæderne. Domæneeksperter kan verificere, at logikken matcher deres forståelse. Brugere kan se præcis, hvorfor systemet nåede frem til hver konklusion, hvilke agenter der bidrog, og hvilke begrænsninger der blev opfyldt.
Dette er AI bygget til ansvarlighed fra bunden. Ikke fordi vi er rare mennesker (hvilket vi er), men fordi arkitekturen gør uærlighed arkitektonisk umulig.
Principperne bag ærlig intelligens
Vi byggede Dweve på ti kerneprincipper:
- Sandhed over engagement. Optimer for faktuel korrekthed, ikke brugerfastholdelse. Ærlige svar betyder mere end overbevisende svar.
- Gennemsigtighed over performance. Forklarbar ræsonnering opvejer marginale nøjagtighedsgevinster fra black box-modeller. Forståelse betyder noget.
- Usikkerhed over selvsikkerhed. Eksplicit usikkerhed slår falsk selvsikkerhed. Når systemet ikke ved det, siger det det.
- Verifikation over tillid. Giv matematisk bevis for korrekthed i stedet for at bede brugere om at stole på systemet.
- Logik over sandsynlighed. Deterministisk begrænsningsopfyldelse slår statistisk mønstergenkendelse for kritiske beslutninger.
- Mennesker over målinger. Tjen menneskelige behov, ikke optimeringsmål. Sandhed slår engagementsmålinger.
- Sikkerhed over skala. Garanteret korrekt adfærd i specifikke domæner slår omtrentlig adfærd på tværs af alt.
- Privatliv over data. Behandl lokalt, når det er muligt. Minimer dataindsamling og centralisering.
- Uafhængighed over lock-in. Undgå leverandørafhængigheder og proprietære arkitekturer.
- Europæiske værdier. Behandl regulering som designvejledning. Byg til compliance fra starten.
Hvorfor Europas tilgang betyder noget
Europas regulatoriske tilgang til AI handler ikke om at bremse innovation, uanset hvad Silicon Valleys lobbyafdelinger vil have dig til at tro. Det handler om at styre innovation mod resultater, der ikke kræver undskyldninger over for parlamenter senere hen.
EU's AI-forordning anerkender, at AI-systemer, der påvirker grundlæggende rettigheder (sundhed, retsvæsen, kredit, beskæftigelse), bør være transparente, fair og ansvarlige. Revolutionerende koncept: måske skulle algoritmen, der afgør, om du får et lån, forklare sig selv. Denne regulatoriske ramme tilskynder til arkitekturer, der leverer disse egenskaber ved design, ikke som en compliance-lapning påført bagefter.
Avancerede AI-arkitekturer, der kombinerer begrænsningsbaseret ræsonnement, multi-agent-systemer og hybride neural-symbolske tilgange, passer perfekt til denne vision. De forsøger ikke at arbejde uden om reglerne gennem smarte smuthuller. De legemliggør principperne: transparens gennem eksplicitte ræsonnementkæder, fairness gennem revisérbar logik, ansvarlighed gennem beviselig adfærd.
Dette er Europas mulighed for at lede AI-udviklingen mod pålidelige, verificerbare systemer i stedet for den "move fast and break democracy"-tilgang, der foretrækkes andre steder. Kald os gammeldags, men vi foretrækker, at vores AI-systemer ikke kræver høringer i kongressen.
Den regulatoriske tilgang skaber konkurrencefordel, ikke byrde. Mens amerikanske virksomheder eftermonterer forklarbarhed på arkitekturer, der modarbejder den (held og lykke med at forklare opmærksomhedsmatricer til en GDPR-revisor), bygger europæiske virksomheder transparens ind i fundamentet. Mens andre kæmper for at overholde mandater, de lobbyede imod, designer europæiske virksomheder systemer, der naturligt opfylder kravene, fordi vi faktisk talte med regulatorerne under designet.
Dette er ikke en regulatorisk byrde, der bremser os. Det er strategisk retning, der accelererer os fremad. Europa erkendte tidligt, at AI implementeret i kritiske systemer skal være pålidelig. Reguleringen kodificerer denne indsigt. Begrænsningsbaserede, multi-agent, hybride arkitekturer er den tekniske realisering af disse principper.
Det globale AI-marked vil i stigende grad efterspørge det, som europæisk regulering kræver: forklarbarhed, revisbarhed, dokumenterbar sikkerhed. Europæiske AI-platforme udviklet under disse krav har et first-mover-fortrin. Når Californien endelig vedtager sin egen AI-regulering (efter den tredje store skandale), og når Beijing kræver gennemsigtighed for systemer, der anvendes i Kina, og når alle andre jurisdiktioner indser, at "stol på tech-broerne" ikke er en governance-strategi, vil europæisk teknologi være klar. Fordi vi har bygget til denne virkelighed siden dag ét.
Vejen frem
Vi står ved et beslutningspunkt for AI-udvikling.
Den ene vej fortsætter med at skalere traditionelle neurale netværk: større modeller, flere parametre, mere data, mindre fortolkbarhed. Denne vej fører til kraftfulde, men uansvarlige systemer.
Den anden vej bygger AI på logiske fundamenter: eksplicitte begrænsninger, formel verifikation, dokumenterbar korrekthed. Dette fører til systemer, vi reelt kan stole på i kritiske applikationer.
Dweve har valgt den anden vej. Vores binære begrænsningsnetværk giver fuld forklarbarhed, formel verifikation og EU-AI-forordningens compliance gennem arkitekturen.
Spørgsmålet til branchen er: hvilken fremtid vil vi bygge?
Valget har dybtgående implikationer. Traditionelle neurale netværk optimerer for kapabilitet for enhver pris. Binære begrænsningsnetværk optimerer for troværdig kapabilitet. Den første tilgang producerer imponerende demonstrationer. Den anden producerer implementerbare systemer.
Vi ser forskellen i adoptionsmønstre. Traditionel AI udmærker sig i applikationer med lav risiko: indholdsanbefaling, billedgenerering, tekstfuldførelse. Binær begrænsnings-AI udmærker sig i domæner med høj risiko: medicinsk diagnose, finansielle beslutninger, autonome systemer, industriel styring.
Opdelingen afspejler fundamentale arkitektoniske forskelle. Når korrekthed betyder mere end dækning, når forklarbarhed er obligatorisk, når formel verifikation er påkrævet, vinder begrænsningsbaserede tilgange. Når bred kapabilitet betyder mere end garantier, er statistiske tilgange tilstrækkelige.
Men landskabet er i forandring. Efterhånden som AI bevæger sig ind i kritiske systemer, bliver troværdighed essentiel. De arkitekturer, der leverer det, opnår en fordel. Dem, der ikke gør, møder barrierer: regulatorisk afvisning, ansvarsbekymringer, markedsmodstand.
Binære begrænsningsnetværk er ikke fremtiden, fordi de er nye. De er fremtiden, fordi de løser de problemer, der betyder noget: gennemsigtighed, ansvarlighed, dokumenterbar sikkerhed. De leverer det, kritiske systemer kræver, og det, regulering efterspørger.
Vejen frem er klar. Byg AI, du kan forklare. Design systemer, du kan verificere. Implementér intelligens, du kan stole på. Dette er ærlig AI. Dette er arkitekturen, der skalerer ind i domæner med høj risiko. Dette er det, Europa bygger.
Dweve udvikler transparent AI gennem begrænsningsbaseret ræsonnering, multi-agent-systemer og hybride neural-symboliske arkitekturer. Enhver beslutning kan spores gennem eksplicitte logiske regler. Enhver konklusion kan verificeres gennem formelle metoder. EU's AI-forordning overholdes ved design. Baseret i Holland, og betjener udelukkende europæiske organisationer.