I mit speciale undersøgte jeg, hvordan AI kan hjælpe borgere med noget så lavpraktisk som affaldssortering.
Det lyder måske simpelt, men bag de grønne skraldespande gemmer der sig et komplekst system af regler, variationer og lokale forskelle.
Mit mål var at finde ud af, om generativ AI – og særligt Retrieval-Augmented Generation (RAG) – kunne gøre det lettere at sortere korrekt.
Tilbage i 2020 besluttede Folketinget, at Danmark skulle sortere affald i ti fraktioner.
Men selvom idéen er god, har implementeringen vist sig at være alt andet end enkel.
I Aarhus Kommune alene findes der omkring tusind sorteringsregler – og mange af dem adskiller sig fra reglerne i andre kommuner.
Det skaber forvirring, både for borgere og for systemet.
Min første tanke var at bruge klassiske billedgenkendelsesmodeller – Convolutional Neural Networks (CNN) og Vision Transformers (ViT) – til at identificere affald ud fra billeder. Men hurtigt stod det klart, at billedgenkendelse ikke alene kunne løse problemet.
For hvad stiller man op, når en pizzabakke sorteres forskelligt i Aarhus og København?
Den type forskelle afslører et grundlæggende problem: Sortering handler ikke kun om, hvad vi ser – men om hvilken kontekst affaldet indgår i.
Eksempler på, hvordan sorteringsregler varierer fra kommune til kommune – og hvorfor affaldssortering ikke er et simpelt problem.
Her blev RAG (Retrieval-Augmented Generation) et vendepunkt.
Jeg kendte teknikken fra mit arbejde som Associate Data Specialist hos Knowit – og vidste, at den kunne koble lokal viden sammen med generativ intelligens.
RAG bruges allerede i flere store AI-applikationer, fx NotebookLM, Salesforce Agentforce og Perplexity, hvor teknologien forbinder en vidensbase med en generativ model som GPT-4.
Den tilgang ville jeg prøve af på affaldssortering.
Jeg byggede derfor en regeldatabase baseret på Kredsløbs sorteringsguide.
Når brugeren tager et billede af et stykke affald, sker der tre ting:
Kort sagt: Jeg fik modellen til at forstå affald gennem kontekst – ikke gennem genkendelse.
Regeldatabasen: Illustration af RAG-processen fra billede til sorteringsvejledning
Det mest interessante ved projektet var, hvor tydeligt det blev, at teknologien kun fungerer, når den tilpasses den virkelighed, den skal hjælpe i.
RAG virkede ikke, fordi modellen “kendte” affald – men fordi den blev koblet til den lokale viden, som allerede findes.
Jeg testede løsningen på et datasæt med 500 billeder taget i realistiske situationer – typisk i hånden, med støj, skygger og rod i baggrunden.
Resultaterne viste tydeligt forskellen:
Det bekræftede, at når data, struktur og semantik spiller sammen, kan AI skabe langt bedre forståelse end ved ren billedgenkendelse.
Testdatasættet bestod af 500 realistiske billeder af affald – taget i forskellige lys, vinkler og baggrunde.
Projektet handlede i virkeligheden ikke kun om affald.
Det handlede om, hvordan generativ AI kan bruges til at aktivere viden, der allerede findes – og gøre den tilgængelig for mennesker i hverdagen.
Når teknologien bliver en forlængelse af vores eksisterende systemer og beslutninger, opstår der reel værdi.
Metoden kan overføres til mange andre områder, hvor der findes store mængder struktureret data og komplekse regler – fra energi og sundhed til byggeri og kundeservice.
Her kan RAG hjælpe med at gøre viden operationel, så mennesker træffer bedre beslutninger hurtigere.
Hos Knowit hjælper vi organisationer med at bruge AI praktisk og ansvarligt – fra idé og data til virkelige løsninger.
Vil du høre mere om, hvordan generativ AI og RAG kan bruges til at løse komplekse, menneskelige problemer?
👉 Tag fat i os – så tager vi en snak om mulighederne.
Om forfatteren:
Morten Gade, Associate Data Specialist, Knowit
Morten Gade er Associate Data Specialist hos Knowit, hvor han arbejder med dataanalyse og kunstig intelligens.
https://www.linkedin.com/in/morten-gade/
Miljøstyrelsen (2022, January). Survey om affaldssortering. https://www2.mst.dk/Udgiv/publikationer/2022/01/978-87-7038-383-7.pdf
Folketinget (2020). Klimaplan for en grøn affaldssektor og cirkulær økonomi. https://mim.dk/media/ouwjnpp5/aftaletekst-ofoelgning-paa-aftale-om-klimaplan-for-en-groen-affaldssektor.pdf
Kredsløb (2025). Sorteringsguiden. https://www.kredslob.dk/sorteringsguiden
Affald KBH (2025). Sorteringsguide. https://affald.kk.dk/