Mer än 350 begrepp från A som i agent till Z som i zero-shot – tydligt förklarade, med tips om var KI.ordo kan hjälpa.
Account-based marketing (ABM) fokuserar marknadsföring och försäljning på ett utvalt antal företagskunder i stället för breda målgrupper. Orkestrering innebär att samordna varje kontaktpunkt: vilken person i inköpskommittén som får vilket budskap, via vilken kanal och när. AI hjälper till genom att samla information om målföretag, skriva rollanpassade budskap och planera sekvenser över e-post, telefon, evenemang och sociala nätverk.
Adaptivt lärande avser utbildningsprogram som löpande anpassar sig efter den lärandes kunskaper, tempo och misstag. Programvaran analyserar svaren och väljer sedan lämpliga övningar, förklaringar eller repetitioner. Det används i skolor, på universitet och i företagsutbildningar – till exempel när en plattform automatiskt erbjuder ett enklare mellansteg efter att en uppgift besvarats fel. Inom maskininlärning beskriver begreppet även modeller som fortsätter att anpassa sig till nya data.
Adversarial maskininlärning studerar hur AI-modeller kan vilseledas med avsiktligt manipulerade indata eller träningsdata – och hur de kan skyddas. Välkända exempel är knappt synliga bildändringar som ändrar en klassificering, eller förgiftade träningsdata. Ämnet blir viktigt för organisationer så snart AI stöder säkerhetsrelevanta beslut. Motåtgärder är bland annat robust träning, kontroll av indata, övervakning och regelbundna säkerhetstester.
”Agentisk” beskriver AI-system som gör mer än att besvara en enskild fråga: de arbetar mot ett mål i flera steg, planerar, använder verktyg som webbsökning eller API:er, kontrollerar delresultat och bestämmer vad som ska göras härnäst. Ett exempel är en assistent som kategoriserar en förfrågan, söker upp information och förbereder ett svarsutkast. Tydliga gränser, loggning och mänskligt godkännande vid kritiska punkter är avgörande.
AI inom cybersäkerhet har två sidor. Å ena sidan hjälper AI-tekniker till att upptäcka attacker snabbare, till exempel genom att hitta avvikelser i nätverkstrafik, misstänkta inloggningar eller nätfiske-e-post, och avlastar säkerhetsteam vid prioritering av larm. Å andra sidan måste AI-system själva skyddas, till exempel mot promptinjektion eller dataläckage. AI är bara effektiv här i kombination med tydliga processer, uppdaterade system och utbildade människor.
AI inom detaljhandeln omfattar tillämpningar längs hela handelskedjan: försäljningsprognoser och lagerplanering, personliga produktrekommendationer, dynamisk prissättning, bedrägeriupptäckt i nätbutiker och kundtjänst via chatt. Handlare kan minska överlager och brist och besvara förfrågningar snabbare. Det kräver rena data och ett aktsamt hanterande av kunduppgifter. Exempel: en chattassistent svarar dygnet runt på frågor om leveranstider och returer.
AI inom hälso- och sjukvård omfattar tillämpningar som stöder klinisk personal och administration, till exempel vid analys av medicinska bilder, dokumentation, tidsbokning eller utvärdering av forskningsdata. Sådana system ger vägledning och lättar arbetsbördan, men de ersätter inte kliniskt omdöme och lovar inga botemedel. Många medicinska AI-tillämpningar omfattas av regelverk för medicintekniska produkter och strikta dataskyddsregler för hälsodata. Exempel: programvara markerar avvikande områden på röntgenbilder för granskning av specialister.
AI inom tillverkning omfattar tillämpningar i produktion och industri, som prediktivt underhåll baserat på sensordata, automatiserad kamerabaserad kvalitetskontroll, optimering av processparametrar och produktionsplanering samt robotar som arbetar tillsammans med människor. Målen är färre driftstopp, mindre spill och stabilare drift. Det kräver tillförlitliga maskindata och att experter på verkstadsgolvet involveras. Exempel: ett system känner av utifrån vibrationsmönster att ett lager snart kan haverera.
AI inom transport omfattar tillämpningar inom logistik, trafik och mobilitet: väg- och turplanering, trafikprognoser, prediktivt underhåll av fordon och infrastruktur samt förarassistans ända till autonoma fordon. Målen är kortare sträckor, färre tomkörningar, lägre kostnader och större säkerhet. Många tillämpningar är säkerhetskritiska och därför strikt reglerade. Exempel: ett paketföretag planerar om sina leveransrundor varje dag utifrån försändelsevolym och trafikläge.
AI inom underhållning avser användning av AI inom film, musik, spel, streaming och media. Typiska tillämpningar är rekommendationssystem som föreslår innehåll efter smak, stöd vid redigering, visuella effekter och dubbning, genererade spelvärldar eller karaktärer samt musik- och bildgenerering. Samtidigt väcker det frågor om upphovsrätt, medverkandes samtycke och deepfakes. Exempel: en streamingplattform anpassar startskärmen för varje profil.
Begreppet beskriver hur AI-system kan påverka mänskliga rättigheter som personlig integritet, likabehandling, yttrandefrihet eller rättvis rättegång, både positivt och negativt. Risker uppstår till exempel genom diskriminerande beslut, massövervakning, biometrisk identifiering eller brist på möjlighet att överklaga beslut. Internationella ramverk som Europarådets ramkonvention om AI och EU:s AI-förordning tar upp dessa frågor. Organisationer svarar med konsekvensbedömningar, transparens och mänsklig tillsyn.
En AI-modell med fasta instruktioner och åtkomst till utvald kunskap som tar sig an en specifik uppgift.
AI-användningsgraden anger hur stor andel av företagen, de anställda eller hushållen som använder AI och fungerar som ett mått på hur utbredd tekniken är. Enligt Tysklands statistiska centralbyrå (Destatis) använde 20 % av de tyska företagen med tio eller fler anställda AI 2024 (2023: 12 %). Branschorganisationen Bitkom uppmätte en andel på 36 % 2025 bland företag med 20 eller fler anställda. På grund av skilda definitioner och urval är studierna bara delvis jämförbara.
Ett AI-automationssystem kombinerar traditionell processautomation med AI-förmågor som textförståelse, klassificering eller beslutsstöd. Det gör det möjligt att automatisera arbetsflöden även med ostrukturerade indata, som e-postmeddelanden, formulär eller förfrågningar. Ett typiskt upplägg är en kedja av utlösare, bearbetningssteg, villkor och utdata, med mänskligt godkännande vid kritiska punkter. Exempel: inkommande förfrågningar kategoriseras automatiskt, sammanfattas och vidarebefordras till rätt avdelning.
AI-baserad marknadssegmentering använder AI för att dela in en marknad eller kundbas i grupper med liknande egenskaper, behov eller beteenden. Traditionellt görs detta med klustringsmetoder på kunddata; språkmodeller kan dessutom härleda segment ur beskrivningar, enkäter eller förfrågningar och föreslå budskap och kanaler. Resultaten är hypoteser som bör valideras med verkliga data. Exempel: en mjukvaruleverantör skiljer prismedvetna nybörjare från tillväxtinriktade team.
AI-baserad återkoppling till elever avser kommentarer på uppsatser, uppgifter eller projekt som ett AI-system genererar utifrån definierade kriterier. Eleverna får snabbare synpunkter på styrkor, struktur, argumentation eller språk, och lärare avlastas från repetitiv rättning. Bedömningen bör vara transparent och kriteriebaserad; betyg och beslut om prestationer är fortsatt lärarnas ansvar. Exempel: ett utkast till en uppsats får förbättringsförslag före inlämning.
En AI-brandvägg är ett skyddslager mellan användare, datakällor och en AI-modell. Den granskar indata med avseende på manipulationsförsök som promptinjektion eller jailbreaks och kontrollerar utdata, till exempel med avseende på konfidentiella data eller oönskat innehåll, innan de förs vidare. Den kan använda regler, klassificeringsmodeller eller en andra språkmodell. En AI-brandvägg minskar risken men ger inget fullständigt skydd och ersätter varken begränsade behörigheter eller tester.
En AI-dataanalytiker är ett AI-system eller en assistent som analyserar data som kalkylblad, exportfiler eller nyckeltal och förklarar resultaten på klarspråk. Den beräknar summor och förändringar, identifierar trender och avvikelser och föreslår nästa steg. Det ger affärsteam utan statistisk expertis snabbare svar. Språkmodeller kan dock göra räknefel, så siffror bör dubbelkontrolleras. Exempel: månadsförsäljningen klistras in som CSV och kommenteras.
AI-driven marknadsföring använder AI-tekniker för att förstå målgrupper bättre, skapa innehåll och styra kampanjer. Typiska tillämpningar är segmentering, personliga budskap, prognoser över köpsannolikhet, analys av kundfeedback och annonsoptimering. Den bygger på lagligt insamlade data och tydliga mål, och resultaten bör verifieras genom tester. Exempel: en nätbutik skickar nyhetsbrev med produktrekommendationer som motsvarar tidigare köpbeteende.
Ett AI-drivet startup-bolag är ett ungt företag vars produkt eller affärsmodell i grunden bygger på artificiell intelligens, till exempel specialiserade assistenter för en bransch, analysverktyg eller automatiserade tjänster. Sådana startup-bolag bygger ofta på befintliga grundmodeller och särskiljer sig genom domänkunskap, data, användbarhet och integration. Utmaningar är beroende av modellleverantörer, kostnad per förfrågan och reglering. Exempel: ett startup-bolag som automatiskt förbereder inspektionsrapporter för hantverksföretag.
Begreppet omfattar de ekonomiska följderna av att använda artificiell intelligens: produktivitetsvinster, nya produkter och affärsmodeller, förändrade arbetsuppgifter och kompetenskrav samt förskjutningar i konkurrensen. Effekternas omfattning och fördelning är omstridda och beror starkt på bransch, investeringar och utbildning. För enskilda organisationer är det mätbara värdet av konkreta tillämpningar viktigast. Exempel: kortare handläggningstider i kundtjänst sänker kostnaden per förfrågan.
AI-etik behandlar de moraliska frågorna kring utveckling och användning av AI: rättvisa och diskriminering, transparens och förklarbarhet, dataskydd, ansvar för fel, säkerhet och effekterna på arbete och samhälle. För organisationer blir det konkret i riktlinjer, riskbedömningar, mänsklig tillsyn och ärlig kommunikation om AI:s begränsningar. Exempel: innan ett verktyg för CV-granskning införs kontrolleras det om det missgynnar vissa grupper.
En AI-konsult hjälper organisationer att använda AI förnuftigt och ansvarsfullt. Typiska uppgifter är att bedöma potential, välja lämpliga användningsfall och verktyg, förankra dem i befintliga processer och ansvarsområden, dataskydds- och regelefterlevnadsfrågor samt utbildning. Bra rådgivning väger nytta och risker nyktert och tar hänsyn till de människor som arbetar med systemen. Exempel: ett medelstort företag klargör vilka kundförfrågningar som kan automatiseras på ett tillförlitligt sätt.
Flux är en familj av AI-modeller som genererar och redigerar bilder utifrån textbeskrivningar. Den utvecklas av Black Forest Labs, med säte i Freiburg im Breisgau i Tyskland. Den första generationen kom i augusti 2024 och FLUX.2 i november 2025, tillsammans med varianter för att redigera bilder med textinstruktioner. Vissa versioner finns tillgängliga med öppna vikter, delvis bara för icke-kommersiellt bruk, medan andra erbjuds uteslutande via ett API (läge oktober 2026).
Ett AI-partnerskap är ett samarbete mellan organisationer för att tillsammans utveckla, införa eller ansvarsfullt utforma AI-lösningar, till exempel mellan företag och teknikleverantörer, universitet eller forskningsinstitut. Parterna delar kunskap, data, infrastruktur eller kostnader. Tydliga överenskommelser om dataanvändning, immateriella rättigheter, ansvar och utträde är avgörande. Begreppet avser också initiativ som Partnership on AI, en ideell organisation grundad 2016.
AI-red teaming är en strukturerad granskning av ett AI-system ur potentiella angripares eller missbrukares perspektiv. Specialister testar under kontrollerade former om en chattbot röjer konfidentiella instruktioner, kan förmås till oönskat beteende, levererar felaktiga fakta eller exponerar data. Resultaten används för att förbättra instruktioner, filter och behörigheter. En säkerhetsgranskning av en chattbot är en lättare variant: den bedömer konfiguration och exempelsamtal mot kända riskområden som OWASP Top 10 för LLM-applikationer.
Ett flödesblock som placerar en text i en av flera kategorier och förgrenar därefter.
En AI-SDR (sales development representative) är en AI-agent som tar över uppgifter från det tidiga säljskedet: att besvara inkommande förfrågningar, kvalificera prospekt, skriva utkast till samtalsmanus och uppföljningsmejl eller förbereda möten. Den avlastar säljteamet men ersätter inte deras omdöme och relationsarbete. Vid kontakt med nya kontakter i Tyskland och EU måste dataskydd och regler mot oombedd marknadsföring beaktas.
AI-stött innehållsskapande innebär att ta fram text, bilder eller annat innehåll med hjälp av generativ AI, till exempel för webbplatser, nyhetsbrev, produktbeskrivningar eller sociala medier. AI levererar snabbt utkast, varianter och översättningar, medan ämneskunskap, varumärkesröst och faktakontroll fortsatt är mänskliga uppgifter. Tydliga riktlinjer om målgrupp, ton och källor hjälper. Exempel: stolpar om ett nytt erbjudande blir ett utkast till ett blogginlägg och tre inlägg i sociala medier.
En AI-systemingenjör utformar och driver AI-applikationer som ett komplett system: kopplar ihop modeller med datakällor, gränssnitt och befintlig programvara, säkerställer säkerhet, övervakning och kostnadskontroll samt för över prototyper till stabil drift. Till skillnad från ren modellutveckling ligger fokus på integration. Ett exempel är att koppla en supportagent till ärendesystemet, inklusive loggning och åtkomsträttigheter.
AI-sök avser sökmetoder som använder AI för att förstå avsikten bakom en fråga, vikta resultat och ofta generera ett sammanfattande svar med källor i stället för en vanlig länklista. Tekniskt använder de nyckelordssökning, vektorsökning över inbäddningar eller en kombination, ofta följd av en språkmodell. Exempel är svarsmotorer på webben och intern kunskapssökning som hjälper medarbetare att hitta rätt i manualer och policyer.
AI-transparens innebär att öppet redovisa när AI är inblandad, vilka data och källor dess resultat bygger på och hur beslut fattas. Det omfattar märkning av AI-innehåll, spårbara källhänvisningar, loggar och dokumenterade ändringar. Transparens skapar förtroende, underlättar felsökning och krävs delvis enligt lag, till exempel genom transparenskraven i EU:s AI-förordning, enligt vilka människor ska kunna se att de interagerar med en AI.
Läget i oktober 2026. Tekniskt flyttas fokus från chattbotar till AI-agenter som hanterar uppgifter i flera steg och använder verktyg via standarder som Model Context Protocol. Enligt data från Crunchbase gick omkring 64 % av den globala riskkapitalfinansieringen under tredje kvartalet 2026 till AI-startups. I EU gäller skyldigheter för AI-modeller för allmänna ändamål sedan augusti 2025; tidsfristerna för högrisksystem sköts upp till december 2027 och augusti 2028.
Aktiveringsfunktioner avgör hur starkt en neuron i ett artificiellt neuralt nätverk skickar vidare sin signal. De tillför icke-linjäritet – först då kan nätverket återge komplexa samband som språk eller bilder. Vanliga exempel är ReLU, som sätter negativa värden till noll, sigmoid för sannolikheter mellan 0 och 1, och GELU, som används i många transformermodeller. Valet påverkar träningens hastighet och stabilitet.
Algoritmisk transparens innebär att det går att förstå hur ett automatiserat system kommer fram till ett resultat: vilka data det använder, vilka regler det följer och var dess begränsningar finns. Det skapar förtroende, gör fel lättare att spåra och är i allt högre grad ett lagkrav, till exempel genom informationsskyldigheter enligt GDPR och EU:s AI-förordning. I praktiken hjälper dokumentation, källhänvisningar, loggar och tydlig information till berörda personer.
AllenNLP är ett Python-bibliotek med öppen källkod för forskning inom språkteknologi (NLP), utvecklat av Allen Institute for AI ovanpå PyTorch. Det erbjöd färdiga komponenter och modeller för uppgifter som textklassificering, koreferensupplösning och frågebesvarande. Sedan slutet av 2022 utvecklas AllenNLP inte längre aktivt utan är i underhållsläge; dess utvecklare hänvisar till alternativ som AI2 Tango, flair eller Hugging Face Transformers (per oktober 2026).
Amazon Kindle Direct Publishing (KDP) är Amazons plattform där författare själva kan ge ut e-böcker, pocketböcker och inbundna böcker. Titlar, beskrivningar, nyckelord och kategorier måste följa plattformens egna regler. Den som genererar innehåll med AI – text, omslagsbilder eller översättningar – måste uppge detta för Amazon vid publiceringen; arbete som bara fått AI-stöd, som idégenerering eller korrekturläsning, är undantaget (per oktober 2026). De aktuella riktlinjerna bör kontrolleras före varje publicering.
Amazon SageMaker är molntjänsten från Amazon Web Services (AWS) för att bygga, träna och driftsätta maskininlärningsmodeller. I slutet av 2024 bytte den ursprungliga tjänsten namn till ”Amazon SageMaker AI”; sedan dess avser ”Amazon SageMaker” en bredare plattform för data, analys och AI med gränssnittet SageMaker Unified Studio (per oktober 2026). Den används främst av data science-team som kör modeller på AWS-infrastruktur.
Anaconda är en spridd distribution av programmeringsspråken Python och R för dataanalys och maskininlärning, utgiven av Anaconda Inc. Den paketerar pakethanteraren conda med förinstallerade bibliotek som NumPy, pandas och Jupyter och gör det enkelt att hålla separata miljöer per projekt. Organisationer med fler än 200 anställda behöver en betald licens för Anaconda Distribution och dess standardpaketkanal; conda själv och communitykanalen conda-forge är fortsatt fria att använda (per oktober 2026).
En tabell som för varje uppgift anger vem som utför (R), vem som är ansvarig (A), vem som rådfrågas (C) och vem som informeras (I). Kallas även RACI.
Antropomorfism är tendensen att tillskriva maskiner mänskliga egenskaper som känslor, avsikter eller förståelse. Med chattbotar sker det lätt, eftersom de skriver ledigt och personligt. Det kan göra interaktionen trevligare men medför risker: människor kan lita för mycket på svaren eller dela känslig information. Tydlig information om att användaren har att göra med AI och ärliga uppgifter om dess begränsningar motverkar detta.
Anyword är en AI-skrivplattform för marknadsföringstexter som vuxit fram ur företaget Keywee, grundat 2013. Den tar fram korta texter som annonser, ämnesrader för e-post, rubriker och produktbeskrivningar, och ger varianter ett förväntat poängvärde för hur väl de kan nå fram till en målgrupp. Den erbjuder även inställningar för varumärkesröst och analys av befintligt innehåll (per oktober 2026). Sådana förutsägelser är uppskattningar och ersätter inte tester i verkligheten.
En hemlig kod som gör att andra program kan anropa KI.ordo.
En applikationsspecifik integrerad krets (ASIC) är ett chip som konstruerats för en viss uppgift i stället för för allmänna beräkningar som en CPU. Inom AI är ASIC:ar skräddarsydda för neurala nätverks beräkningar – Googles Tensor Processing Units (TPU:er) är ett exempel. För sin uppgift arbetar de snabbare och mer energieffektivt än allmänna chip, men de är dyra att utveckla och svåra att anpassa till nya arbetslaster.
Arean under kurvan (AUC) är ett mått för klassificeringsmodeller och avser vanligtvis ROC-kurvan. Den anger hur väl en modell skiljer positiva från negativa fall, oberoende av något visst tröskelvärde. Värdet 1 betyder perfekt separation; 0,5 är inte bättre än att gissa. Exempel: en modell för kundbortfall med AUC 0,85 rangordnar en slumpmässigt vald kund som lämnar som mer riskfylld än en lojal kund i 85 % av fallen.
Artificiell generell intelligens (AGI) avser ett hypotetiskt AI-system som kan hantera ett brett spektrum av intellektuella uppgifter på mänsklig nivå och flexibelt överföra det det har lärt sig till nya områden. Dagens system presterar bra på många uppgifter men uppvisar fortfarande begränsningar, till exempel i fråga om tillförlitlighet. Det finns ingen allmänt vedertagen definition eller något sätt att mäta det, och om och när AGI kommer att uppnås är omstritt bland experter.
Artificiell superintelligens (ASI) är ett teoretiskt begrepp för en AI som avsevärt överträffar människor i nästan alla intellektuella förmågor, inklusive forskning, planering och socialt omdöme. Inget sådant system finns. Begreppet används främst inom filosofi och AI-säkerhetsforskning för att diskutera frågor om kontroll och om att förena framtida system med mänskliga värderingar.
Artificiella neurala nätverk (ANN) är beräkningsmodeller som består av många sammankopplade enheter (”neuroner”) ordnade i lager som bearbetar indata via viktade förbindelser. Under träningen justeras vikterna steg för steg med hjälp av exempel, vanligtvis genom backpropagation. ANN är grunden för djupinlärning och driver bildigenkänning, taligenkänning och stora språkmodeller. Trots sin biologiska inspiration fungerar de betydligt enklare än den mänskliga hjärnan.
Ett associativt minne hämtar lagrad information utifrån dess innehåll i stället för en adress: en ofullständig eller brusig ledtråd räcker för att återkalla helheten – ungefär som när de första takterna får en att minnas en hel låt. Hopfieldnätverk är ett klassiskt exempel inom AI-forskningen. Principen förekommer även i hårdvara (innehållsadresserbart minne) och i analyser av uppmärksamhetsmekanismen i moderna språkmodeller.
Automatisering av kundservice innebär att programvara helt eller delvis hanterar återkommande kundförfrågningar – till exempel genom chattbotar, svarsförslag eller försortering av ärenden. Vanliga frågor om öppettider, leveransstatus eller returer kan besvaras dygnet runt, medan teamet får mer tid för svåra fall. Tillförlitliga kunskapskällor och en enkel överlämning till människor är avgörande.
Automatisk klassificering tilldelar texter, dokument eller poster fördefinierade kategorier utan manuell sortering. Traditionellt lär sig modeller detta av märkta exempel; stora språkmodeller kan också tilldela kategorier enbart utifrån en beskrivning. Typiska användningar är att sortera inkommande e-post efter ärendetyp, kontera kvitton eller flagga brådskande supportärenden. I viktiga fall rekommenderas stickprov utförda av människor.
Autonoma fordon förflyttar sig helt eller delvis utan mänsklig inblandning med hjälp av kameror, radar, lidar och AI-programvara. Standarden SAE J3016 definierar sex nivåer – från 0 (ingen automatisering) till 5 (helt förarlöst överallt). AI sköter perception, förutsägelse av andra trafikanters beteende och ruttplanering. Utöver bilar omfattar detta robottaxi, lastbilar, skyttelbussar och lagerfordon; godkännande och ansvar regleras separat i varje land.
Avvikelsedetektering hittar datapunkter, händelser eller mönster som skiljer sig markant från det normala. Det kan vara ovanligt stora transaktioner, plötsliga språng i sensorvärden, dubbletter av poster eller misstänkt nätverksaktivitet. Det används inom finans, IT-säkerhet, tillverkning och kvalitetskontroll. Metoderna sträcker sig från enkla statistiska tröskelvärden till lärande modeller; träffar är indikationer som en person bör bedöma.
Avvikelsedetektering i bilder letar efter avvikelser från normaltillståndet i foton eller kamerabilder – till exempel repor, sprickor eller missfärgningar på komponenter i tillverkningen, eller oregelbundenheter i medicinska bilder. Ofta lär sig en modell först av många felfria exempel och markerar sedan allt som avviker. Det är användbart eftersom verkliga fel är sällsynta och knappast kan beskrivas fullständigt i förväg.
Inom läsbarhetsforskningen är årskursnivå ett mått på det skolår från vilket en text i allmänhet förstås. Ett välkänt exempel är Flesch–Kincaid Grade Level, som räknar ut en amerikansk skolårskurs utifrån meningslängd och antal stavelser per ord; värdet 8 motsvarar ungefär årskurs åtta. Sådana värden går bara delvis att överföra till andra språk, så anpassade formler som Amstads version av Flesch eller LIX används ofta för tyska.
Backpropagation är standardmetoden för hur neurala nätverk lär sig. Efter varje förutsägelse mäts felet och sprids bakåt genom nätverkets lager, vilket visar hur mycket varje vikt bidrog till det. En optimeringsmetod som gradientnedstigning justerar sedan vikterna steg för steg. Utan backpropagation vore det i praktiken omöjligt att träna dagens språk- och bildmodeller.
Bagging (kort för bootstrap aggregating) är en ensemblemetod inom maskininlärning: många modeller tränas på slumpmässigt dragna urval av träningsdata, och deras förutsägelser medelvärdesbildas eller kombineras genom majoritetsröstning. Det gör resultaten stabilare och minskar överanpassning. Det mest kända exemplet är random forest, som kombinerar många beslutsträd – till exempel för att förutsäga kundbortfall eller priser.
Batchnormalisering är en teknik för att träna djupa neurala nätverk som för varje databatch skalar om ett lagers mellanvärden till ett enhetligt medelvärde och en enhetlig spridning. Det gör träningen stabilare och ofta snabbare, och nätverket blir mindre känsligt för sina startvärden. Tekniken introducerades 2015 och är vanlig i nätverk för bildigenkänning; transformrar använder oftast den närbesläktade lagernormaliseringen.
Bayesianska nätverk är grafiska modeller som representerar variabler som noder och deras probabilistiska beroenden som riktade pilar. Med hjälp av Bayes sats visar de hur nya observationer förändrar sannolikheten för andra händelser. Ett exempel är diagnosstöd: att uppskatta den mest sannolika orsaken utifrån observerade symtom. Deras styrkor är transparens och förmågan att hantera osäkra eller ofullständiga data.
Bedrägeridetektering omfattar metoder som tidigt identifierar misstänkta transaktioner, beställningar, konton eller ansökningar. Regler och lärande modeller letar efter varningssignaler som olika leverans- och fakturaadresser, ovanliga mängder, påfallande tidspress eller engångsadresser för e-post. Det används inom e-handel, bank, försäkring och betaltjänster. Eftersom falsklarm kan drabba äkta kunder bör träffar granskas av människor i stället för att avvisas automatiskt.
Inom AI innebär benchmarking att systematiskt jämföra modeller eller system med hjälp av definierade uppgifter och kriterier. Offentliga benchmarks mäter till exempel allmänkunskap, resonemangsförmåga eller programmeringsförmåga; för praktisk användning är dock testfall från den egna vardagen viktigast. Typiska kriterier är korrekthet, fullständighet, svarstid och kostnad. Det hjälper till att avgöra om en mindre, billigare modell räcker för en uppgift.
Berikning av B2B-data kompletterar befintliga företagsposter – till exempel i ett CRM – med information som bransch, erbjudande, ort, företagsstorlek eller webbplats. Det underlättar segmentering, lead scoring och träffsäkra säljinsatser. Källor är bland annat offentliga webbplatser, register och specialiserade dataleverantörer. Personuppgifter om kontaktpersoner omfattas av GDPR och bör behandlas sparsamt och endast med rättslig grund.
Beroendeparsning är en teknik inom språkteknologi som beskriver en menings grammatiska struktur som beroenden mellan ord. Varje ord är kopplat till ett överordnat ord, till exempel subjekt och objekt till verbet: i ”Kunden beställer två lampor” är ”kunden” och ”lampor” beroende av ”beställer”. Det hjälper vid informationsutvinning, till exempel för att identifiera vem som gjorde vad.
BERT (Bidirectional Encoder Representations from Transformers) är en språkmodell som Google presenterade 2018. Till skillnad från tidigare modeller beaktar den samtidigt sammanhanget till vänster och höger om ett ord, vilket hjälper den att lösa upp tvetydigheter. BERT är utformad för att förstå text snarare än att skriva längre avsnitt. Den används för sökning, textklassificering, igenkänning av namngivna entiteter och frågebesvarande och har präglat många efterföljande modeller.
Ett beslutsträd är en modell som beskriver ett beslut som en följd av enkla ja/nej-frågor: varje gren testar en egenskap och varje löv ger ett utfall. Inom maskininlärning lärs sådana träd automatiskt från data och används för klassificering eller prognoser. Deras främsta styrka är transparens – de kan till exempel visa varför en låneansökan flaggades utifrån inkomst, löptid och betalningshistorik.
Inom AI avser bias en systematisk snedvridning av resultat. Den beror ofta på obalanserade eller historiskt snedvridna träningsdata, men också på modellens utformning eller hur en fråga ställs. Ett välkänt exempel: ett verktyg för urval av sökande som lär sig av tidigare anställningsbeslut kan befästa befintliga nackdelar. Inom statistiken betyder bias också en skattnings avvikelse från det sanna värdet. Motåtgärder är bland annat varierade data, regelbundna granskningar och mänskliga beslut i personalfrågor.
BigML är en plattform för maskininlärning från företaget med samma namn, grundat 2011 och baserat i Corvallis, Oregon (USA). Via ett webbgränssnitt eller ett API kan användare bygga modeller som beslutsträd, ensembler, klustring eller avvikelsedetektering utan mycket kodning. Plattformen betonar tolkningsbara modeller och automatiserbara arbetsflöden. Den erbjuds som molntjänst och för drift i det egna datacentret (per oktober 2026).
Bildigenkänning är ett område inom datorseende där programvara identifierar vad en bild visar – föremål, personer, text, logotyper eller scener. Den bygger oftast på neurala nätverk som tränats på stora mängder märkta bilder. Användningsområdena sträcker sig från kvalitetskontroll i tillverkningen och sortering av produktfoton till stöd vid medicinsk bilddiagnostik. Vid bilder på människor kräver dataskydd och möjlig bias särskild uppmärksamhet.
BLEU-poängen (Bilingual Evaluation Understudy) är ett mått som utvecklades vid IBM 2002 för att automatiskt utvärdera maskinöversättningar. Den mäter hur många ordsekvenser i en översättning som också förekommer i en eller flera mänskliga referensöversättningar och ger ett värde mellan 0 och 1 (ofta visat som 0–100). BLEU är snabbt och jämförbart men fångar varken innebörd eller stil särskilt väl – bra omformuleringar kan få låga poäng.
Blockering av AI-botar innebär att hindra AI-leverantörers sökrobotar från att läsa din webbplats, vanligtvis med regler i filen robots.txt för user agents som GPTBot, ClaudeBot eller Google-Extended. Filen är en begäran, inte ett tekniskt hinder; strängare kontroll kräver brandväggs- eller serverregler. Avvägningen: blockering skyddar innehåll från att användas för träning men kan minska synligheten i AI-sök och AI-genererade svar. Det är ofta rimligt att behandla träningsrobotar och sökrobotar olika.
BMXNet är ett bibliotek med öppen källkod för binära neurala nätverk, släppt 2017 av Hasso Plattner-institutet i Potsdam och byggt på ramverket Apache MXNet. Binära nätverk lagrar vikter och aktiveringar med en enda bit i stället för 32, vilket gör modellerna betydligt mindre och snabbare – attraktivt för smarttelefoner och inbyggda enheter, men oftast på bekostnad av viss noggrannhet. Sedan MXNet avvecklades 2023 är BMXNet numera främst av forskningsintresse (per oktober 2026).
Boosting är en ensemblemetod inom maskininlärning där många enkla modeller tränas efter varandra och varje ny modell fokuserar på de fall som föregångarna fick fel. Tillsammans bildar de en betydligt mer träffsäker helhetsmodell. Välkända varianter är AdaBoost och gradient boosting, med bibliotek som XGBoost eller LightGBM. Boosting är särskilt stark på tabelldata, till exempel för kreditrisk-, försäljnings- eller kundbortfallsprognoser.
Botpress är en plattform för att bygga chattbotar och AI-agenter från det kanadensiska företaget med samma namn, baserat i Montréal. I en visuell arbetsyta kan användare utforma samtalsflöden, ansluta kunskapskällor och koppla agenter till kanaler som webbplatser eller meddelandeappar via integrationer; debiteringen är användningsbaserad. Den tidigare öppna, egenhostade version 12 har lagts ned – nya projekt körs på Botpress Cloud (per oktober 2026).
Cache-augmented generation (CAG) är ett tillvägagångssätt där en språkmodell inte söker efter kunskap vid varje fråga. I stället läses en hanterbar kunskapsbas in i dess kontextfönster i förväg och det tillståndet cachelagras, så att svaren inte kräver något separat hämtningssteg. Begreppet populariserades av en forskningsartikel från slutet av 2024 som ett alternativ till retrieval-augmented generation (RAG). CAG passar för små, stabila kunskapsbaser; för stora eller ofta föränderliga data är RAG oftast fortfarande mer praktiskt.
Caffe (Convolutional Architecture for Fast Feature Embedding) är ett ramverk för djupinlärning med öppen källkod som utvecklades av Yangqing Jia vid University of California, Berkeley och släpptes 2013. Det var populärt främst för bildigenkänning med faltningsnätverk, eftersom det var snabbt och modellerna definierades i konfigurationsfiler. Den sista versionen, 1.0, kom 2017; efterföljaren Caffe2 slogs ihop med PyTorch 2018. Caffe används sällan i nya projekt i dag.
Certifieringsprocesser för AI är förfaranden där ett oberoende organ kontrollerar om en organisation eller ett AI-system uppfyller definierade krav. Ett vanligt exempel är certifiering enligt ISO/IEC 42001 (publicerad 2023), som beskriver ett ledningssystem för ansvarsfull användning av AI; kraven på certifieringsorganen anges i ISO/IEC 42006 (2025). Ett sådant certifikat är frivilligt och ersätter inte den bedömning av överensstämmelse som AI-förordningen kräver för högrisksystem (läge oktober 2026).
Chainer är ett ramverk för djupinlärning med öppen källkod för Python, utvecklat av det japanska företaget Preferred Networks. Det populariserade principen ”define-by-run”, där det neurala nätverket byggs upp medan beräkningen körs, vilket gör det lättare att experimentera med flexibla modellstrukturer. Sedan december 2019 har Chainer bara underhållits, inte vidareutvecklats; Preferred Networks gick över till PyTorch, som följer samma princip.
En chattbot är ett program som tar emot frågor i text eller tal och besvarar dem i en dialog. Enkla chattbotar följer fasta regler och beslutsträd, medan moderna använder stora språkmodeller och förstår fritt formulerade förfrågningar. Typiska användningar är kundservice, interna helpdeskar och bokningsförfrågningar – till exempel en webbchatt som dygnet runt besvarar frågor om leveranstider.
ChatGPT är en AI-assistent från det amerikanska företaget OpenAI som släpptes i november 2022 och gjorde generativ AI känd för en bred publik. Den bygger på stora språkmodeller ur GPT-serien och besvarar frågor, skriver och redigerar texter, sammanfattar dokument och hjälper till med programmering. ChatGPT finns i webbläsaren och som app, i kostnadsfria och betalda nivåer samt i versioner för team och företag.
Claude är en familj av stora språkmodeller från det amerikanska AI-företaget Anthropic. Modellerna förstår och skriver text på många språk, analyserar dokument, skriver kod och kan använda verktyg, till exempel för research eller automatisering. Mest kända är modellfamiljerna Haiku, Sonnet och Opus, som skiljer sig åt i hastighet, kostnad och förmåga. Anthropic lägger särskild vikt vid säkerhet och tillförlitligt modellbeteende.
Claude Haiku är den snabbaste och billigaste av Anthropics tre Claude-modellfamiljer, vid sidan av Sonnet och Opus. Den passar för uppgifter med stora volymer som kräver korta svarstider, till exempel att sortera e-post, extrahera data ur texter eller dirigera förfrågningar till rätt ställe. Den aktuella generationen är Claude Haiku 5.5 (per oktober 2026).
Claude Opus är den mest kapabla av Anthropics tre Claude-modellfamiljer: Haiku, Sonnet och Opus. Den är utformad för krävande uppgifter som kräver resonemang i flera steg, till exempel komplexa analyser, stora programmeringsprojekt eller agenter som arbetar självständigt under längre perioder. I gengäld är den långsammare och dyrare än de mindre familjerna. Den aktuella versionen är Claude Opus 5.5 (per oktober 2026).
Claude Sonnet är mellanalternativet bland Anthropics tre Claude-modellfamiljer och kombinerar hög förmåga med korta svarstider och måttlig kostnad. Den passar för ett brett spektrum av vardagliga affärsuppgifter: skriva textutkast, analysera dokument, besvara kunskapsfrågor eller skriva kod. Anthropic släpper regelbundet nya versioner; den aktuella är Claude Sonnet 5.5 (per oktober 2026).
Clearbit är en tjänst för berikning av B2B-data: utifrån en e-postadress eller domän lägger den till uppgifter som bransch, företagsstorlek eller ort. Sälj- och marknadsteam använder sådana data för att poängsätta leads, korta ned formulär och koppla webbplatsbesök till företag. Clearbit förvärvades av HubSpot 2023; dess funktioner erbjuds numera som Breeze Intelligence i HubSpot (per oktober 2026).
Klustring är en metod för oövervakad inlärning som delar in datapunkter i grupper utifrån deras likhet, utan fördefinierade kategorier. Den avslöjar mönster som ingen har namngett tidigare – till exempel kundsegment med liknande köpbeteende. För texter hjälper klustring till att sortera hundratals kundförfrågningar i ämnen som leverans, fakturering eller klagomål och visar var tyngdpunkten ligger.
Compliancerapportering är den regelbundna, spårbara dokumentationen av om en organisation uppfyller lagkrav, standarder och interna riktlinjer. En typisk rapport anger period och omfattning, status för varje krav, avvikelser samt åtgärder med ansvariga och tidsfrister. Den fungerar som underlag för ledning, styrelse, revisorer eller myndigheter, till exempel i fråga om dataskydd eller informationssäkerhet.
Constitutional AI är en träningsmetod för språkmodeller som Anthropic publicerade 2022; den har inget med konstitutionell rätt att göra. Den bygger på en skriftlig uppsättning principer, ”konstitutionen”: modellen kritiserar och reviderar sina egna svar mot dessa principer, därefter jämför en AI par av svar, och denna återkoppling fungerar som belöningssignal för förstärkningsinlärning (RLAIF). Det minskar behovet av mänsklig annotering av skadligt innehåll; i januari 2026 publicerade Anthropic en reviderad konstitution för Claude.
Copilot är det varumärke under vilket Microsoft samlar sina AI-assistenter. Det omfattar en allmän assistent för webben och Windows, Microsoft 365 Copilot för arbete i Word, Excel, Outlook eller Teams samt Copilot Studio för att bygga egna agenter; GitHub Copilot hjälper till vid programmering. Assistenterna bygger på stora språkmodeller och kan, beroende på variant, komma åt organisationens data i Microsoft 365 (läge oktober 2026).
Copy.ai är en amerikansk AI-plattform som började som en textgenerator för marknadsföringstexter som annonser, e-postmeddelanden eller produktbeskrivningar. Fokus har sedan flyttats till automatiserade arbetsflöden för försäljning och marknadsföring, som företaget sammanfattar under begreppet ”GTM AI”. I oktober 2025 köptes Copy.ai av leverantören av revenue operations Fullcast (läge oktober 2026).
Copysmith är en amerikansk leverantör av AI-verktyg som blev känd för en textgenerator för marknadsförings- och e-handelstexter, till exempel produktbeskrivningar och annonser. 2022 köpte Copysmith skriv- och SEO-verktygen Rytr och Frase. I dag fungerar företaget som ett paraply för flera produkter, bland annat Describely för produkttexter inom nätbutiker (läge oktober 2026).
CrewAI är ett Python-ramverk med öppen källkod för att kombinera flera AI-agenter till ett team (en ”crew”). Varje agent får en roll, ett mål och lämpliga verktyg; uppgifter fördelas och resultat förs vidare. Dessutom erbjuder ”flows” strikt styrda, händelsestyrda arbetsflöden. Ett exempel: en researchagent samlar in information och en skrivagent gör om den till en rapport.
DALL-E är en serie bildgenereringsmodeller från OpenAI som skapar bilder utifrån textbeskrivningar. Den första versionen kom 2021; DALL-E 3 integrerades i ChatGPT 2023 och gjorde text-till-bild tillgängligt för en bred publik. OpenAI har sedan ersatt DALL-E med nyare bildmodeller i serien GPT Image; API-åtkomsten till DALL-E 2 och 3 upphörde i maj 2026 (läge oktober 2026).
Dash är ett ramverk med öppen källkod från företaget Plotly för att bygga interaktiva webbapplikationer för dataanalys i Python, utan att man själv skriver JavaScript. Diagram, filter och reglage kopplas direkt till Python-kod. Typiska exempel är dashboards där affärsteam filtrerar försäljning per region eller testar en maskininlärningsmodells prognoser med egna värden.
Databrist uppstår när det finns för lite lämpliga eller annoterade data för att en AI-uppgift ska kunna träna eller testa en modell på ett pålitligt sätt. Det drabbar till exempel sällsynta feltyper i produktionen, nischspråk eller nya produkter utan försäljningshistorik. Åtgärder är transferinlärning, syntetiska data, dataaugmentering eller förtränade språkmodeller som ger användbara resultat med bara några få exempel.
Dataexfiltrering är en obehörig överföring av data ut ur ett system. I AI-applikationer kan det ske när en chattbot eller agent manipuleras med konstruerade indata eller förberett innehåll – till exempel på en webbsida som den läser – så att den avslöjar eller vidarebefordrar konfidentiell information. Skyddet består av minimala åtkomsträttigheter, kontroll av indata, begränsningar av utgående anslutningar och övervakning av svar.
Datarensning innebär att felaktiga, duplicerade eller inkonsekventa poster i datamängder upptäcks och rättas. Typiska steg är att enhetliggöra stavningar och datumformat, ta bort överflödiga mellanslag och slå ihop dubbletter som ”Svensson AB” och ”Svensson Aktiebolag”. Rena data är en förutsättning för tillförlitliga analyser, utskick och AI-applikationer.
DataRobot är ett amerikanskt mjukvaruföretag vars plattform hjälper organisationer att bygga, driva och övervaka AI-applikationer. Företaget blev känt för automatiserad maskininlärning (AutoML), som tränar och jämför många modellvarianter automatiskt – till exempel för att förutsäga kundbortfall eller efterfrågan. I dag fokuserar företaget även på drift och styrning av AI-agenter (läge oktober 2026).
Dataskyddsregler är rättsliga bestämmelser om hanteringen av personuppgifter. I EU är dataskyddsförordningen (GDPR) det centrala regelverket; den kräver bland annat rättslig grund för varje behandling, uppgiftsminimering, öppenhet gentemot registrerade och personuppgiftsbiträdesavtal med tjänsteleverantörer. När AI används behöver organisationer klargöra vilka data som hamnar i indata, kunskapskällor och loggar och var de behandlas.
Datastyrning omfattar de regler, roller och processer med vilka en organisation bestämmer vem som får samla in, använda, ändra och radera vilka data. Det gäller ansvar för datakvalitet, åtkomsträttigheter, lagringstider och efterlevnad av dataskyddskrav. Det är särskilt viktigt i AI-projekt, eftersom modeller och agenter bara är lika pålitliga som de data de bygger på.
Datautvinning är en systematisk genomsökning av stora datamängder efter mönster, samband och avvikelser. Den bygger på statistiska tekniker och metoder för maskininlärning som klustring, klassificering eller associationsanalys. Ett klassiskt exempel är varukorgsanalys inom handeln, som visar vilka produkter som ofta köps tillsammans – en grund för sortiment, placering och rekommendationer.
Datavalidering kontrollerar om data är kompletta, korrekt formaterade och rimliga innan de bearbetas vidare. Typiska kontroller gäller obligatoriska fält, formatet på e-postadresser, postnummer eller datum samt logiska motsägelser – till exempel ett leveransdatum före orderdatumet. På så sätt fångas fel tidigt i stället för att föras vidare till rapporter, fakturor eller AI-analyser.
Datorseende är ett område inom AI där datorer tolkar bilder och video. Typiska uppgifter är att upptäcka och lokalisera föremål, läsa text i bilder och mäta komponenter. Tekniken används till exempel för kvalitetskontroll i tillverkningen, i förarassistanssystem, inom logistik och vid medicinsk bilddiagnostik.
En deepfake är en bild, video eller ljudinspelning som skapats eller förändrats med AI och på ett övertygande sätt visar verkliga personer som säger eller gör saker som aldrig har hänt. Vid sidan av legitima användningar inom film eller dubbning används deepfakes för desinformation, skadat anseende och bedrägerier – till exempel falska samtal från en påstådd chef som begär en banköverföring. Skydd är återuppringning via kända kanaler, tydliga godkännandeprocesser och märkning av AI-genererat innehåll.
En deterministisk modell ger alltid samma resultat för samma indata, eftersom den följer fasta regler eller formler och inte innehåller något slumpmoment – till exempel regeln ”5 % rabatt på beställningar över 1 000 kr”. Stora språkmodeller arbetar däremot probabilistiskt: deras svar på samma fråga kan variera. I praktiken kombineras de två ofta för att väga flexibilitet mot spårbarhet.
Developmental Reading Assessment (DRA) är ett förfarande som används flitigt i USA och med vilket lärare fastställer läsnivån hos barn från förskoleklass till årskurs 8; det ges ut av Pearson. Barnen läser nivåanpassade texter högt och svarar på frågor om dem, och bedömningen omfattar aspekter som flyt och förståelse. Resultatet är en läsnivå som styr valet av lämpliga böcker och stödinsatser.
Dimensionsreduktion minskar antalet variabler i en datamängd utan att den väsentliga informationen går förlorad. Välkända metoder är principalkomponentanalys (PCA) samt t-SNE och UMAP, som ofta används för visualisering. Den snabbar upp beräkningarna, minskar risken för överanpassning och gör data lättare att förstå – till exempel när hundratals kundattribut avbildas på ett tvådimensionellt diagram där liknande kunder hamnar nära varandra.
Diskriminativa modeller lär sig att skilja datapunkter åt genom att direkt bestämma gränsen mellan klasser – de svarar på frågan ”Vilken kategori hör denna indata till?”. Exempel är logistisk regression, stödvektormaskiner och många neurala klassificerare, till exempel för skräppostdetektering. Generativa modeller fångar däremot hur själva datan uppstår och kan därför skapa nya exempel.
Diskriminering i AI uppstår när ett AI-system omotiverat missgynnar personer på grund av egenskaper som kön, etniskt ursprung, ålder eller funktionsnedsättning. Orsakerna är oftast skeva träningsdata, olämpliga proxyvariabler som postnummer eller bristande testning; kända fall finns inom rekrytering och kreditgivning. Motåtgärder är representativa data, regelbundna rättviselester, transparens och mänsklig tillsyn över beslut som rör människor.
Djupa trosnätverk (deep belief networks, DBN) är neurala nätverk som består av flera staplade lager som först förtränas lager för lager utan övervakning, oftast som så kallade restricted Boltzmann-maskiner. Geoffrey Hinton och hans kollegor presenterade metoden 2006; den visade att djupa nätverk kunde tränas effektivt och bidrog därmed till djupinlärningens genombrott. I praktiken har DBN sedan dess i stor utsträckning ersatts av andra arkitekturer.
Djupinlärning är en gren av maskininlärningen som använder artificiella neurala nätverk med många lager. Sådana nätverk lär sig av stora datamängder vilka egenskaper som är viktiga – från kanter i bilder till betydelsesamband i texter. Djupinlärning ligger till grund för dagens språkmodeller, bild- och taligenkänning samt maskinöversättning och kräver vanligtvis stor beräkningskraft och mycket träningsdata.
Djupuppskattning avgör utifrån bilder hur långt bort objekt eller enskilda pixlar är från kameran. Det kan göras med två kameror (stereo), med djupsensorer eller, med hjälp av neurala nätverk, till och med utifrån ett enda foto (monokulär djupuppskattning). Det behövs inom robotik, förarstöd, förstärkt verklighet och 3D-modeller av rum.
DL4J (Eclipse Deeplearning4j) är ett bibliotek med öppen källkod för djupinlärning på Java Virtual Machine (JVM). Det gör det möjligt att träna och köra neurala nätverk i Java eller Scala och passar därför in i befintliga Javabaserade företagssystem. Projektet innehåller också verktyg för att importera modeller från andra ramverk. Det underhålls som ett projekt inom Eclipse Foundation.
Vid retrieval-augmented generation (RAG) innebär dokumentbedömning att de hämtade styckena kontrolleras för att se om de svarar mot frågan och kan ligga till grund för ett svar. Bara stycken som bedöms som relevanta förs vidare till språkmodellen; olämpliga träffar sorteras bort eller utlöser en ny sökning. Det minskar risken för påhittade eller felaktigt belagda svar, till exempel när ett föråldrat dokument dyker upp på en fråga om aktuella priser.
Dokumentsökning med NLP använder språkteknologiska tekniker för att hitta information i dokumentsamlingar utifrån en fritt formulerad fråga. I stället för att bara matcha exakta ordföljder tar sådana system hänsyn till ordformer, viktning av ovanliga termer eller likhet i betydelse. Den som till exempel skriver ”Hur ansöker jag om ledighet?” får rätt avsnitt i personalhandboken, även om det talar om ”semesteransökan”.
En dold markovmodell (hidden Markov model, HMM) är en statistisk modell för sekvenser där de faktiska tillstånden är dolda och bara kan härledas ur observerbara signaler. Den beskriver sannolikheten för att ett tillstånd följer på ett annat och för att varje tillstånd ger en viss observation. HMM var länge standard inom taligenkänning och ordklasstaggning; i dag används de fortfarande, till exempel inom bioinformatik och tidsserieanalys.
Dropout är en regulariseringsteknik som används vid träning av neurala nätverk: i varje träningssteg stängs en slumpmässig andel av neuronerna tillfälligt av. Det hindrar nätverket från att förlita sig på enskilda kopplingar, så att det lär sig mer robusta mönster. Tekniken minskar överanpassning, det vill säga att modellen bara memorerar träningsdatan. När den färdiga modellen sedan används är alla neuroner aktiva igen.
En dubbelriktad LSTM (BiLSTM) är ett rekurrent neuralt nätverk som läser en sekvens både framåt och bakåt och kombinerar de två perspektiven. Det innebär att även sammanhanget som följer efter varje ord beaktas. Innan transformrarna tog över var den ett standardval för uppgifter som ordklasstaggning, igenkänning av namngivna entiteter och taligenkänning. För mycket långa texter och stora datamängder presterar transformrar numera oftast bättre.
Emergens beskriver egenskaper hos ett system som uppstår genom samspelet mellan många enkla delar men som inte syns i någon enskild del. Inom AI-forskningen kallas förmågor emergenta när stora språkmodeller över en viss storlek löser uppgifter som flerstegsberäkningar eller översättning märkbart bättre än mindre modeller. Om sådana språng är verkliga eller delvis beror på hur de mäts är omtvistat bland forskare.
Ett expertsystem är ett datorprogram som lagrar mänskliga specialisters kunnande som regler och fakta och drar slutsatser av dem. Det består vanligtvis av en kunskapsbas och en inferensmotor som tillämpar reglerna. Expertsystem präglade AI under 1970- och 1980-talen, till exempel inom medicinsk diagnostik eller konfigurering av teknisk utrustning. Deras idéer lever vidare i dag i regelbaserade kontroller och kunskapsgrafer.
Explorativ dataanalys (EDA) är den första, öppna titten på en datamängd: man beräknar sammanfattande nyckeltal, granskar fördelningar och diagram och letar efter mönster, extremvärden och saknade värden – ännu utan fast hypotes. Den hjälper till att bedöma datakvaliteten och hitta vettiga frågor för vidare analys eller modellering. Exempel: före en försäljningsprognos visar EDA att en månad registrerats ofullständigt på grund av en systemmigrering.
Extrahering av systemprompt avser försök att få en chattbot eller AI-agent att avslöja sina dolda systeminstruktioner. Om ett sådant försök lyckas kallas resultatet prompt leaking: extraheringen är attacken, läckan är följden. Ett effektivt skydd börjar med att hålla lösenord, nycklar och konfidentiella regler utanför instruktionerna och utgå från att de kan bli offentliga; kontroll av indata och regelbundna tester ger ytterligare skydd.
Extraktiv AI avser metoder som hämtar befintlig information ur texter eller dokument i stället för att skriva nytt innehåll. Resultatet kommer ordagrant eller i en fast struktur från källan – till exempel fakturanummer ur PDF-filer, nyckelmeningar till en sammanfattning eller det relevanta stycket som svar på en fråga. Eftersom inget påhittas är risken för felaktiga uppgifter lägre än med rent generativa metoder; de två kombineras ofta.
F-värdet är ett mått för att utvärdera klassificeringsmodeller. Det vanliga F1-värdet är det harmoniska medelvärdet av precision (hur många av de förutsagda träffarna som är korrekta) och täckning (hur många av de faktiska träffarna som hittades) och ligger mellan 0 och 1. Det är särskilt användbart vid obalanserade data: ett skräppostfilter som nästan aldrig flaggar skräppost kan ha hög noggrannhet men lågt F1-värde.
Ett faltningsnätverk (convolutional neural network, CNN) är en arkitektur för neurala nätverk som är särskilt lämpad för bilddata. Det skannar indata med små filter och upptäcker enkla drag som kanter i de första lagren och mer komplexa former i djupare lager. CNN:er präglade bildigenkänningen i många år och används till exempel för att hitta defekter i produktfoton eller vid medicinsk bildanalys.
Vid fasetterad sökning avgränsar användare träffarna steg för steg med filter som bygger på innehållets attribut – till exempel kategori, pris, varumärke, datum eller författare. Varje facett visar vanligtvis hur många träffar som återstår. Metoden är välbekant från nätbutiker men används också i bibliotek, intranät och dokumentarkiv för att göra stora samlingar överblickbara utan exakta sökord.
fastai är ett Python-bibliotek med öppen källkod för djupinlärning som bygger på PyTorch. Det samlar beprövade standardinställningar så att modeller för bilder, text eller tabelldata kan tränas med några få rader kod, samtidigt som det tillåter långtgående anpassning på alla nivåer. Det växte fram ur utbildningsinitiativet fast.ai och följer dess kostnadsfria kurser, vilket gör det populärt inom utbildning och för att snabbt prova modeller.
Feature engineering innebär att välja ut, omvandla och skapa attribut (features) från rådata så att en inlärningsalgoritm lättare kan upptäcka mönster. Feature-extraktion härleder kompakta, meningsfulla värden ur komplexa data som text, bilder eller signaler. Exempel: enskilda inköpsposter görs om till features som ”dagar sedan senaste köp” eller ”genomsnittligt ordervärde”, vilket märkbart kan förbättra en prognos över kundbortfall.
Federerad inlärning är ett träningssätt där en AI-modell lär sig över många enheter eller platser utan att rådata någonsin lämnar dem. Varje deltagare tränar lokalt och skickar bara modelluppdateringar till en central server, som sammanför dem. Det skyddar integriteten och passar till exempel sjukhus som tillsammans vill förbättra en diagnosmodell, eller mobiltangentbord som lär sig ordförslag.
Few-shot-inlärning är en modells förmåga att lösa en uppgift utifrån bara en handfull exempel. Med språkmodeller sker detta oftast direkt i indata: man visar två eller tre par av fråga och önskat svar, och modellen tillämpar samma format och stil på nya fall – utan omträning. Exempel: tre korrekt kategoriserade kundförfrågningar räcker ofta för att sortera ytterligare förfrågningar på samma sätt.
Finjustering innebär att en redan förtränad AI-modell tränas vidare på ytterligare, vanligtvis uppgiftsspecifika data. Modellens interna vikter justeras så att den till exempel hanterar en viss skrivstil, ett visst fackspråk eller ett visst utdataformat mer tillförlitligt. Finjustering kräver noggrant förberedda exempeldata, beräkningskraft och tester. För många tillämpningar räcker väl formulerade instruktioner och ansluten kunskap, och de är lättare att ändra.
Flesch läsbarhetsindex uppskattar hur lätt en text är att förstå, utifrån genomsnittlig meningslängd och antalet stavelser per ord. Rudolf Flesch utvecklade det för engelska 1948, och det finns anpassade formler för andra språk. Skalan går ungefär från 0 till 100 – ju högre värde, desto lättare text. Det mäter bara formen, inte om innehåll och terminologi passar den tänkta målgruppen.
En följd av sammankopplade steg som körs upprepade gånger, till exempel ”sortera och besvara en förfrågan”.
Forskningsanslag och finansiering för AI bekostar forskningsprojekt, grupper för unga forskare eller samarbeten inom artificiell intelligens. I Tyskland finansierar till exempel Deutsche Forschungsgemeinschaft (DFG) Emmy Noether-grupper kring AI-metoder inom ramen för sitt AI-initiativ, medan det tyska forsknings-, teknik- och rymdministeriet (BMFTR) delar ut medel genom tematiska stödriktlinjer. På EU-nivå utlyser Horisont Europa och Europeiska forskningsrådet (ERC) ansökningsomgångar. Tidsfrister och villkor ändras fortlöpande (läge oktober 2026).
Frase är programvara för research och optimering av webbinnehåll. Den analyserar vilka ämnen, frågor och termer väl rankade sidor täcker för en sökfråga, gör om detta till innehållsbriefar och poängsätter texter medan de bearbetas. Frase erbjuder numera också funktioner för att följa och förbättra om innehåll citeras i svar från AI-söksystem som ChatGPT eller Perplexity (läge oktober 2026).
Fréchet inception distance (FID) är ett mått för att bedöma kvaliteten på AI-genererade bilder. Verkliga och genererade bilder körs genom ett förtränat bildigenkänningsnätverk (Inception v3), och de statistiska fördelningarna av deras egenskaper jämförs. Ju lägre värde, desto närmare verkliga foton ligger de genererade bilderna i realism och variation. FID infördes 2017 och är en standard för att jämföra bildgeneratorer.
Frågebesvarande (question answering, QA) är ett område inom språkteknologi där ett system besvarar frågor ställda på vardagligt språk direkt, i stället för att returnera en lista med sökträffar. Moderna system letar efter relevanta stycken i en kunskapsbas och formulerar ett svar utifrån dem, helst med källhänvisning. Typiska användningsområden är kundtjänst, interna kunskapsbaser och manualer – till exempel genom att fråga personalhandboken ”Hur många semesterdagar får jag under mitt första år?”
Frågeexpansion lägger automatiskt till relaterade termer i en sökfråga så att relevanta dokument som använder andra formuleringar också hittas. Typiska tillägg är synonymer, förkortningar, ordformer eller översättningar: en sökning på ”uppsägning” kan då också hitta texter om ”avtalsupplösning”. Det är särskilt användbart vid nyckelordssökning, men kan minska precisionen om för många eller olämpliga termer läggs till. I dag används ofta språkmodeller för att generera de utökade frågorna.
Fuzzy matching hittar poster som är liknande men inte exakt identiska – till exempel på grund av stavfel, förkortningar eller olika stavningar. Metoden bygger på likhetsmått som Levenshtein-avståndet, som räknar hur många tecken som måste ändras. En typisk användning är att hitta dubbletter i adress- och kunddata: ”Svensson AB, Storgatan 5” och ”Svensson Aktiebolag, Storgat. 5” känns igen som troligen samma post.
Förklarbarhet (förklarbar AI, XAI) beskriver hur väl man kan förstå varför ett AI-system kom fram till ett visst resultat. Det omfattar metoder som visar vilka indata som påverkade ett beslut mest, liksom praktiska hjälpmedel som källhänvisningar och loggar. Förklarbarhet är viktig för förtroende, felsökning och reglering – till exempel när en bank måste motivera varför en ansökan avslagits.
Förkroppsligade AI-agenter har en fysisk eller simulerad kropp genom vilken de uppfattar sin omgivning via sensorer och agerar i den genom rörelse. Exempel är lager- och hushållsrobotar, humanoida robotar och figurer i simuleringar där robotar tränas före verklig användning. Utmaningen ligger i att kombinera perception, planering och säkert agerande i en oförutsägbar värld.
Förstärkningsinlärning är en gren av maskininlärning där en agent lär sig genom att prova sig fram. Den agerar i en miljö, får belöningar för bra utfall och straff för dåliga, och utvecklar på så sätt en strategi som maximerar den samlade belöningen. Kända exempel är program som bemästrar brädspel som Go, robotstyrning och finjustering av språkmodeller utifrån mänskliga omdömen.
RLHF är en träningsmetod som gör språkmodeller mer hjälpsamma och säkrare. Människor jämför och betygsätter flera av modellens svar; dessa bedömningar används för att träna en belöningsmodell, som sedan tränar själva språkmodellen vidare genom förstärkningsinlärning. På så sätt lär den sig till exempel att svara tydligare eller att avböja problematiska förfrågningar. RLHF sker hos modellleverantören innan en modell släpps – inte hos enskilda användare.
En förväxlingsmatris är en tabell som jämför en klassificerares förutsägelser med de faktiska klasserna. För två klasser visar den sanna positiva, falska positiva, sanna negativa och falska negativa. Utifrån den kan mått som precision, täckning och F1-värde beräknas, och det blir tydligt vilka fel som uppstår. Exempel: ett skräppostfilter som flaggar många riktiga e-postmeddelanden som skräppost har många falska positiva, vilket ofta är dyrare än ett missat skräppostmeddelande.
”Garbage in, garbage out” beskriver principen att ett system bara kan ge lika bra resultat som de data det får. Det gäller dubbelt för AI: felaktiga, föråldrade eller ensidiga tränings- eller kunskapsdata leder till felaktiga eller partiska svar. En chattbot som utgår från en föråldrad prislista anger föråldrade priser. Datavård är därför en löpande uppgift i varje AI-projekt.
Generaliseringsfelet mäter hur mycket en AI-modell missar på nya, tidigare osedda data – i motsats till felet på träningsdatan. Ett stort gap mellan de två tyder på överanpassning: modellen har memorerat exempel i stället för att lära sig allmänna mönster. Det uppskattas med hjälp av undanhållna testdata eller korsvalidering. Det är det värde som verkligen räknas, eftersom en modell i praktiken nästan bara möter nya fall.
Generativ AI avser AI-system som skapar nytt innehåll – text, bilder, ljud, video eller programkod – i stället för att bara sortera eller bedöma befintliga data. De bygger på modeller som lär sig mönster ur stora datamängder och använder dem för att ta fram rimliga nya resultat. I företag används det till exempel för att skriva utkast till e-postmeddelanden, sammanfattningar, produktbeskrivningar eller bildidéer. Resultaten kan innehålla fel och bör kontrolleras före användning.
Ett generative adversarial network (GAN) består av två neurala nätverk som tränas mot varandra: generatorn skapar artificiella data som bilder, och diskriminatorn försöker skilja dem från riktiga. Genom den här tävlingen blir resultaten alltmer realistiska. GAN introducerades 2014 och präglade bildgenereringen innan diffusionsmodeller blev mer utbredda; de används till exempel för syntetiska träningsdata eller bildförbättring.
Generative engine optimization (GEO) omfattar åtgärder som hjälper innehåll att synas i, och citeras som källa av, AI-drivna söksystem som ChatGPT, Perplexity eller AI-översikterna i sökmotorer. Begreppet kommer från en forskningsartikel från 2023. Viktiga faktorer är tydliga, direkt citerbara svar, en ren struktur, belagda fakta, aktuell information och identifierbara författare. GEO kompletterar klassisk sökmotoroptimering (SEO) i stället för att ersätta den.
GPT (generative pre-trained transformer) avser en serie stora språkmodeller som utvecklats av OpenAI och bygger på transformerarkitekturen. Modellerna förtränas först på enorma textmängder för att förutsäga nästa token och tränas sedan vidare för dialog och för att följa instruktioner. Den första GPT-modellen kom 2018; senare generationer ligger till grund för ChatGPT. I vardagligt tal används ”GPT” ofta om språkmodeller i allmänhet.
En generator för säljmanus är ett AI-verktyg som tar fram samtalsguider för säljsamtal – till exempel kallsamtal, möten eller uppföljningar. Utifrån uppgifter om erbjudandet och målgruppen skapar den en inledning, behovsfrågor, nyttoargument, svar på typiska invändningar och ett förslag på nästa steg. En bra guide ger orientering snarare än ett stelbent manus: att lyssna och ge ärlig rådgivning är fortfarande viktigare än färdiga fraser.
Gensim är ett Python-bibliotek med öppen källkod för att analysera stora textsamlingar. Det är känt för ämnesmodeller som LDA, för att träna ordvektorer (till exempel Word2Vec, FastText och Doc2Vec) och för att jämföra dokument efter likhet. Eftersom Gensim bearbetar data i delar kan det också hantera korpusar som inte ryms i minnet. En typisk användning: att automatiskt gruppera tusentals kundkommentarer efter återkommande teman.
En go-to-market-strategi (GTM) beskriver hur en produkt eller tjänst ska lanseras framgångsrikt på en marknad: vilken målgrupp som har vilket problem, hur erbjudandet positioneras och prissätts, genom vilka kanaler det säljs och vilka nyckeltal som mäter framgång. En GTM-plan kopplar ihop marknadsföring, försäljning och produkt. Exempel: en mjukvaruleverantör börjar med en bransch, en partnerkanal och ett 90-dagarsmål.
Google Colab (Colaboratory) är en molntjänst från Google för att köra Python-kod i anteckningsböcker i Jupyter-stil direkt i webbläsaren, utan lokal installation. Den kostnadsfria nivån ger även tillgång till GPU:er och TPU:er, i mån av tillgång och med begränsningar i körtid; betalplaner erbjuder mer beräkningskraft. Colab är populärt för undervisning, dataanalys och för att prova modeller, och en inbyggd Gemini-assistent hjälper till att skriva och rätta kod (läge oktober 2026).
Gradient boosting är en maskininlärningsteknik som kombinerar många enkla modeller – oftast små beslutsträd – efter varandra. Varje nytt träd tränas särskilt för att minska de återstående felen hos de föregående. Resultatet är mycket träffsäkra modeller för tabelldata, till exempel för kreditrisk, försäljningsprognoser eller sannolikhet för kundbortfall. Kända implementeringar är XGBoost, LightGBM och CatBoost; noggrann justering krävs för att undvika överanpassning.
Gradientnedstigning är den optimeringsmetod som används för att träna de flesta AI-modeller. Man mäter hur stort modellens fel är, beräknar i vilken riktning parametrarna måste ändras för att minska det och tar sedan ett litet steg i den riktningen – om och om igen. Det är som en vandrare i dimma som hela tiden går nedför för att nå dalen. Stegstorleken (inlärningshastigheten) avgör fart och stabilitet.
Vid AI-stödd granskning av juridiska dokument analyserar en språkmodell avtal, allmänna villkor eller juridiska inlagor: den sammanfattar huvudpunkter som avtalstid, uppsägning och ansvar, flaggar ovanliga klausuler och påpekar saknade bestämmelser. Det påskyndar den första genomgången avsevärt men ersätter inte juridisk rådgivning; bedömningen och ansvaret ligger kvar hos kvalificerade personer.
Grok är en AI-assistent som bygger på stora språkmodeller och utvecklas av xAI. Den är integrerad i plattformen X och finns även via en egen webbplats, mobilappar och ett API. Ett kännetecken är tillgången till aktuella inlägg på X och till webbsökning. Sedan februari 2026 ingår xAI i SpaceX och verkar nu under namnet SpaceXAI; modellversioner uppdateras regelbundet (läge oktober 2026).
En grundmodell är en stor AI-modell som har förtränats på mycket omfattande och mångsidiga data och sedan kan användas för många olika uppgifter. Begreppet myntades vid Stanford University 2021. Kända exempel är stora språkmodeller som Claude eller GPT samt bildmodeller. Företag bygger vanligtvis sina applikationer på sådana modeller i stället för att träna egna från grunden; EU:s AI-förordning talar om AI-modeller för allmänna ändamål.
En hallucination är ett resultat från en AI-modell som låter övertygande men är felaktigt eller helt påhittat – som en domstolsdom som inte finns, en felaktig siffra eller en påhittad källa. Orsaken: språkmodeller producerar sannolika formuleringar; de slår inte automatiskt upp fakta. Risken minskar när svaren bygger på verifierade källor, belägg anges och människor kontrollerar viktiga resultat.
En heteronym är ett ord som stavas som ett annat men uttalas annorlunda och har en annan betydelse – till exempel engelskans ”lead” (leda) och ”lead” (metallen bly), eller ”wind” (vind) och ”wind” (vrida). Heteronymer är en delmängd av homografer. De är en utmaning för text-till-tal-system, eftersom det korrekta uttalet bara kan avgöras utifrån sammanhanget, ofta med hjälp av ordklassanalys.
Heuristik är tumregler eller förenklade strategier som leder till en bra, men inte garanterat optimal, lösning inom rimlig tid. Inom datavetenskap och AI hjälper de till att begränsa enorma sökrymder – till exempel vid ruttplanering, där fågelvägen till målet fungerar som uppskattning, eller i schack, där ställningar värderas. Människor använder också heuristik i vardagen och i affärsbeslut, med risk för systematiska tankefel.
Horovod är ett ramverk med öppen källkod för distribuerad träning av djupinlärningsmodeller över många GPU:er eller maskiner. Det utvecklades ursprungligen hos Uber, stöder TensorFlow, Keras, PyTorch och MXNet och synkroniserar de gradienter som deltagande maskiner beräknar med ring-allreduce, utan en central parameterserver. Projektet drivs av LF AI & Data Foundation; den senaste stabila versionen, 0.28.1, är från 2023 (läge oktober 2026).
Hugging Face Transformers är ett Python-bibliotek med öppen källkod som ger tillgång till förtränade modeller för text, bild och ljud via ett enda, enhetligt gränssnitt. Utvecklare använder det för att ladda ned modeller från Hugging Face Hub, prova dem, anpassa dem till egna data eller köra dem lokalt. Sedan version 5 fokuserar biblioteket främst på PyTorch (läge oktober 2026). Exempel: ett team testar en modell för sentimentanalys med bara några rader kod.
Human-in-the-loop beskriver arbetsflöden där människor går in i en AI-process vid definierade punkter: de granskar resultat, godkänner eller rättar dem, eller tar över svåra fall. Principen minskar risken för felaktiga resultat och låter ansvaret ligga kvar hos människor, särskilt vid beslut som rör enskilda personer, pengar eller juridiska frågor. Exempel: en AI-agent skriver utkast till svar på kundförfrågningar och en medarbetare kontrollerar dem innan de skickas.
Hyperparametrar är inställningar som fastställs innan en modell tränas, till exempel inlärningshastigheten, antalet lager eller regulariseringens styrka. Hyperparameteroptimering söker systematiskt efter den kombination som presterar bäst på valideringsdata, till exempel genom rutnätssökning, slumpmässig sökning eller bayesiansk optimering. Väl valda värden förbättrar träffsäkerheten och minskar över- och underanpassning, men sökningen kostar beräkningstid.
Ideogram är en AI-tjänst som genererar bilder utifrån textbeskrivningar, utvecklad av företaget med samma namn som grundades 2022. Den är mest känd för att kunna återge läsbar text i bilder, vilket gör den användbar för affischer, inbjudningar eller grafik för sociala medier. Den finns som webbapp och via ett API; modellversioner och licensvillkor ändras regelbundet (läge oktober 2026). Användningsrättigheterna bör kontrolleras före kommersiell användning.
Igenkänning av namngivna entiteter (NER) är en teknik inom språkteknologi som hittar namn på personer, företag och platser samt datum eller belopp i text och placerar var och en i en kategori. Den gör fritext till strukturerade data. Exempel: avsändarens företag, kontaktperson, leveransdatum och fakturabelopp plockas automatiskt ut ur ett e-postmeddelande och förs över till ett CRM.
Igenkänning av scentext läser text som förekommer i foton och videor av verkliga miljöer, som gatuskyltar, förpackningar eller registreringsskyltar. Till skillnad från klassisk OCR för skannade dokument måste den klara sneda perspektiv, växlande ljus, ovanliga typsnitt och stökiga bakgrunder. Ett typiskt angreppssätt arbetar i två steg: först lokaliseras textområden, sedan känns tecknen i dem igen.
En inbäddningsvektor (embedding) är en lista med tal som representerar betydelsen av ett ord, en mening eller ett dokument så att texter med liknande innehåll hamnar nära varandra. Det gör det möjligt att till exempel se att ”uppsägning” och ”avslut av avtal” hör ihop trots att de inte delar några ord. Inbäddningar ligger till grund för många semantiska söksystem, rekommendationstjänster och RAG-applikationer; de beräknas av särskilt tränade modeller.
Vid en indirekt promptinjektion finns de manipulativa instruktionerna inte i användarens indata utan gömda i innehåll som ett AI-system bearbetar längs vägen, som webbsidor, e-postmeddelanden eller dokument. När en agent läser sådant innehåll kan den ta dolda kommandon för riktiga uppgifter och till exempel avslöja data. Skydd är att behandla externt innehåll strikt som data, begränsa behörigheter, granska indata och kräva mänskligt godkännande för kritiska åtgärder.
Informationssökning omfattar metoder som hittar de dokument eller stycken i en stor textmängd som motsvarar en fråga och rangordnar dem efter relevans. Klassiska ansatser som BM25 viktar söktermer efter hur ofta och hur sällan de förekommer; nyare lägger till semantisk likhet. Den ligger till grund för sökmotorer, företagssök och retrieval-augmented generation, där en språkmodell använder de hämtade styckena som underlag för sitt svar.
Inom maskininlärning är en inlärningskurva ett diagram som visar en modells prestanda eller fel över träningstid eller mängden träningsdata, vanligtvis separat för tränings- och valideringsdata. Dess form avslöjar om en modell är under- eller överanpassad och om mer data sannolikt hjälper. Om valideringsfelet till exempel ligger klart över träningsfelet tyder det på överanpassning. I vardagligt språk beskriver begreppet också hur snabbt människor lär sig en ny teknik.
Innehållsberikning innebär att lägga till struktur och kompletterande information i befintlig text, som rubriker, en disposition, en sammanfattning, nyckelord eller metadata. AI-modeller kan göra detta snabbt och konsekvent, så att innehåll blir lättare att hitta, läsa och återanvända. Huvudregeln är att ordna det som redan finns i stället för att hitta på nya fakta. Exempel: grova mötesanteckningar blir strukturerade protokoll med en sammanfattning.
En insight engine är en form av företagssök som samlar information från många källor, som dokument, e-postmeddelanden, databaser och applikationer, och analyserar den med AI-tekniker. I stället för enkla träfflistor levererar den bearbetade svar, samband eller rekommendationer, ofta i sammanhanget för den aktuella uppgiften. Begreppet har främst populariserats av branschanalytiker. Exempel: inför ett kundmöte ser ett säljteam alla relevanta avtal, ärenden och anteckningar på ett ställe.
Instanssegmentering är en teknik inom datorseende som upptäcker varje enskilt objekt i en bild och avgränsar det pixel för pixel. Till skillnad från semantisk segmentering skiljer den också mellan objekt i samma klass: tre personer får tre separata masker i stället för en gemensam yta. Den används till exempel vid kvalitetskontroll, medicinsk bilddiagnostik, robotik eller för att räkna produkter på en hylla.
Instruktionsträning (instruction tuning) är en form av finjustering där en förtränad språkmodell tränas vidare på många par av instruktioner och önskade svar. Det lär modellen att följa uppgifter formulerade på naturligt språk i stället för att bara fortsätta en text. Det är ett viktigt steg för att göra en basmodell till en assistent och kombineras ofta med metoder som RLHF. Exempel: ”Sammanfatta den här texten i tre meningar” utförs tillförlitligt.
Det fasta uppdraget för en agent: roll, tonläge, gränser. Kallas ofta ”prompt”.
Intelligent dokumenthantering (intelligent document processing, IDP) läser automatiskt dokument som fakturor, avtal eller formulär, identifierar deras typ och gör de relevanta uppgifterna till strukturerade data. Den kombinerar textigenkänning för skannade dokument, språkteknologi och valideringsregler. Organisationer slipper manuell datainmatning och snabbar upp processer som hantering av inkommande fakturor eller post. Osäkra fält bör kontrolleras av människor.
En intelligent agent är ett system som uppfattar sin omgivning, bearbetar information och själv väljer handlingar för att nå ett mål. I dag avser begreppet oftast programvara som bygger på stora språkmodeller och som följer instruktioner, använder kunskap och anropar verktyg som en sökfunktion eller ett API. Hur mycket en agent får göra självständigt bör avgöras medvetet. Exempel: en agent besvarar kundfrågor utifrån produktdokumentationen.
Jailbreaking avser försök att kringgå en AI-modells säkerhetsregler med listigt formulerade indata, så att den skapar innehåll eller vidtar åtgärder som den är avsedd att vägra. För organisationer är det en risk, eftersom en chattbot till exempel kan avslöja konfidentiella instruktioner eller svara olämpligt. Skyddsåtgärder är tydliga systeminstruktioner, granskning av indata och utdata, begränsade behörigheter, loggning och regelbundna säkerhetstester (red teaming).
Jasper är en AI-plattform för marknadsföringsteam från Jasper AI, ett amerikanskt företag grundat 2021. Den hjälper till att ta fram texter som blogginlägg, annonser eller inlägg i sociala medier och kan ta hänsyn till sparade varumärkesriktlinjer och tonalitet. Leverantören positionerar sig numera kring specialiserade agenter och automatiserade innehållsflöden (läge oktober 2026). Som med varje textgenerator bör fakta och påståenden kontrolleras före publicering.
Jupyter Notebook är en webbläsarbaserad applikation med öppen källkod från Project Jupyter som kombinerar körbar kod, resultat, diagram och förklarande text i ett enda dokument. Anteckningsböcker används flitigt inom dataanalys, maskininlärning, forskning och undervisning eftersom varje steg kan dokumenteras och delas på ett spårbart sätt. Python är det vanligaste språket. Exempel: en analytiker läser in försäljningsdata, rensar dem och visar resultaten som ett diagram direkt nedanför.
Justerad förklaringsgrad mäter hur väl en regressionsmodell förklarar variationen i data, korrigerat för antalet förklaringsvariabler. Den vanliga förklaringsgraden (R²) ökar med varje ytterligare variabel, även en som inte tillför något; den justerade varianten straffar onödiga variabler. Det möjliggör en rättvisare jämförelse av modeller av olika storlek, till exempel en försäljningsprognos med tre i stället för tio faktorer.
K-means är en metod för oövervakad inlärning som delar in datapunkter i ett förutbestämt antal k grupper. Den tilldelar varje punkt närmaste gruppcentrum och flyttar sedan centrumen tills tilldelningarna knappt förändras. Metoden är snabb och lätt att förstå, men kräver ett förnuftigt val av k och variabler i jämförbara skalor. Exempel: gruppera kunder efter köpfrekvens och varukorgsvärde.
K-närmaste grannar (k-nearest neighbours, k-NN) är en enkel metod för övervakad inlärning. För att klassificera en ny datapunkt letar den efter de k mest liknande kända exemplen och övertar deras vanligaste klass eller, för numeriska värden, deras medelvärde. Den behöver ingen egentlig träningsfas, men blir långsam med stora datamängder och är känslig för hur variabler skalas. Exempel: produktrekommendationer baserade på liknande kunder.
Kaggle är en onlineplattform för data science och maskininlärning, som ägs av Google sedan 2017. Den erbjuder offentliga datamängder, tävlingar baserade på verkliga problem, webbläsarbaserade anteckningsböcker med beräkningsresurser och utbildningskurser. För organisationer och den som vill lära sig är den användbar för att prova metoder, jämföra angreppssätt eller hitta talanger. Licens och ursprung för en datamängd bör kontrolleras före användning.
Kausal inferens omfattar metoder för att härleda orsak–verkan-samband ur data i stället för att bara identifiera korrelationer. Den besvarar frågor som ”Vad hade hänt om vi inte hade vidtagit den här åtgärden?”. Verktyg är randomiserade experiment som A/B-tester, kausala grafer och statistiska tekniker för observationsdata. Exempel: kontrollera om en rabattkampanj verkligen ökade försäljningen eller om den hade stigit ändå av säsongsskäl.
Keras är ett Python-bibliotek med öppen källkod för att bygga och träna neurala nätverk, ursprungligen utvecklat av François Chollet. Det erbjuder ett lättillgängligt gränssnitt på hög nivå för att sätta ihop modeller av lager. Sedan version 3 kan Keras köras med JAX, TensorFlow eller PyTorch som beräkningsbackend. Exempel: ett team bygger en prototyp för bildklassificering med bara några rader kod.
En klassificerare är en modell eller metod som placerar indata i en av flera förutbestämda kategorier. Klassiska varianter som beslutsträd eller naiv Bayes tränas på annoterade exempel; språkmodeller kan också sortera texter utifrån en beskrivning av kategorierna. Typiska användningar är skräppostdetektering, sortering av kundförfrågningar efter ämne och kategorisering av kvitton. Kvaliteten mäts med mått som noggrannhet, precision och täckning.
KNIME är programvara för dataanalys där arbetsflöden sätts ihop visuellt av block (”noder”) i stället för att programmeras. Plattformen KNIME Analytics Platform med öppen källkod täcker dataimport, rensning, analys, maskininlärning och rapportering, medan leverantörens kommersiella erbjudanden lägger till samarbete och drift inom organisationer. Ett typiskt exempel är ett arbetsflöde som sammanfogar månatliga försäljningsdata från flera Excel-filer, rensar dem och tar fram en prognos.
Cognitive computing är ett paraplybegrepp för system som ska efterlikna mänskliga tankeprocesser som att förstå språk, resonera och lära av erfarenhet för att stödja människors beslut. Begreppet blev allmänt känt på 2010-talet, främst genom IBM Watson. Det kombinerar metoder som språkteknologi, maskininlärning och kunskapsrepresentation; i dag talar man oftare om AI-assistenter eller språkmodeller i stället.
En kognitiv karta är ursprungligen ett begrepp från psykologin som beskriver den mentala bild som människor eller djur bildar av sin omgivning. Inom management och AI avser det också grafiska modeller som visar begrepp som noder och deras orsak–verkan-samband som viktade pilar, till exempel ”fuzzy cognitive maps”. Sådana kartor hjälper till att strukturera expertkunskap och utforska scenarier, till exempel hur prisändringar påverkar efterfrågan och lagernivåer.
En vallgrav (moat) är en varaktig konkurrensfördel som skyddar ett företag mot imitatörer, till exempel nätverkseffekter, byteskostnader, ett starkt varumärke, exklusiva data eller djup integration i kundernas processer. Frågan är särskilt relevant för AI-erbjudanden, eftersom många produkter bygger på samma tillgängliga modeller. Fördelarna kommer då snarare från branschkunskap, närhet till kunderna, bra processer och förtroende än av teknik ensam.
Inom maskininlärning betyder konvergens att en träningsprocedur närmar sig ett stabilt tillstånd: förlusten minskar knappt längre och modellens parametrar ändras bara minimalt. Om och hur snabbt en modell konvergerar beror på faktorer som inlärningshastighet, datakvalitet och modellarkitektur. Är inlärningshastigheten för hög hoppar förlusten omkring; är den för låg tar träningen onödigt lång tid. Konvergens garanterar inte en bra modell, eftersom den ändå kan vara överanpassad.
Konversationell AI omfattar tekniker som gör det möjligt för datorer att föra dialoger på naturligt språk, antingen skriftligt via chatt eller talat via röstassistenter. Moderna system bygger vanligtvis på stora språkmodeller som förstår förfrågningar, tar hänsyn till konversationshistoriken och formulerar lämpliga svar. Organisationer använder dem i kundtjänst, för tidsbokning eller i interna helpdesks. Tillförlitlig kunskap, tydliga gränser och en överlämning till människor när AI:n inte kan hjälpa är avgörande.
Koreferensupplösning är en uppgift inom språkteknologi som identifierar vilka uttryck i en text som syftar på samma person, sak eller angelägenhet. I ”Fru Weber ringde. Hon vill bli uppringd” måste systemet förstå att ”hon” betyder fru Weber. Det är viktigt för sammanfattningar, informationsutvinning och chattbotar som måste hålla reda på hänvisningar över flera meningar eller samtalsvändor.
En korpus är en strukturerad samling texter eller språkdata som sammanställts för analys, forskning eller träning av språkmodeller. Den kan vara allmän, som nyhetstexter över många år, eller domänspecifik, som alla ett företags avtal och manualer. Storlek, balans, aktualitet och rättigheterna till texterna avgör hur användbara de resulterande slutsatserna blir.
Korrekturläsning innebär att kontrollera en text med avseende på stavning, grammatik och interpunktion, ofta tillsammans med enhetlig användning; språkgranskning går längre och tar också upp stil, struktur och innehåll. AI kan snabbt flagga fel och föreslå rättelser, till exempel i citat, nyhetsbrev eller webbsidor. Det är lämpligt att redovisa alla ändringar öppet och låta en människa göra en slutkontroll av facktermer, egennamn och innebörd.
Korsentropi är ett mått från informationsteorin som anger hur långt en förutsagd sannolikhetsfördelning avviker från den faktiska. Inom maskininlärning är det den vanligaste förlustfunktionen för klassificeringsuppgifter och även för språkmodeller som förutsäger nästa token. Den straffar särskilt hårt säkra felaktiga förutsägelser: att tilldela 99 % till fel klass ger en mycket högre förlust än att tilldela 60 %.
Korsvalidering är en metod för att kontrollera hur väl en modell generaliserar till nya, osedda data. Vid k-faldig korsvalidering delas data upp i k delar; modellen tränas k gånger på k−1 delar och testas varje gång på den återstående delen, varefter resultaten medelvärdesbildas. Det hjälper till att upptäcka överanpassning och att jämföra modeller eller inställningar rättvist, särskilt när det finns lite data.
Kubeflow är en plattform med öppen källkod för att köra arbetsflöden för maskininlärning på Kubernetes, från dataförberedelse via träning och hyperparametersökning till modellserving. Projektet initierades ursprungligen av Google och tillhör Cloud Native Computing Foundation, där det nådde statusen ”graduated” i augusti 2026 (läge oktober 2026). Det riktar sig främst till team som tränar egna modeller i stor skala på egen infrastruktur eller i molnet.
Kunskapsgränsen är den tidpunkt fram till vilken en språkmodells träningsdata sträcker sig. Modellen har ingen inbyggd kunskap om händelser, priser, lagar eller produkter som kom till därefter och kan ge föråldrad information om den inte får aktuella data. Det kan åtgärdas med metoder som tar in egna dokument eller aktuellt webbinnehåll vid körning.
En text som KI.ordo delar upp i avsnitt och gör sökbar för agenter.
En fråga som en agent inte hittade något om i sin kunskap. KI.ordo samlar in dessa så att du kan fylla luckorna.
Kunskapsteknik handlar om att fånga, organisera och förbereda expertkunskap så att IT-system kan använda den. Ursprungligen låg fokus på regler för expertsystem; i dag gäller det ofta att dokumentera spridd kunskap från manualer, processbeskrivningar och människors huvuden så att AI-agenter kan svara tillförlitligt utifrån den. Det kräver tydliga strukturer, aktuella källor, definierade ansvar och att identifierade luckor åtgärdas.
Kvantdatorer utnyttjar effekter från kvantfysiken som superposition och sammanflätning för att räkna med kubitar i stället för klassiska bitar. Stora hastighetsvinster förväntas för vissa uppgifter, som att simulera molekyler, vissa optimeringsproblem eller att knäcka dagens krypteringsmetoder. Maskinerna är dock fortfarande felbenägna och används mest i forskning och pilotprojekt (läget i oktober 2026). För dagens AI-tillämpningar spelar kvantdatorer i praktiken ännu ingen roll.
Uppgiften i ett svar som visar vilket avsnitt av kunskapen det kommer från.
LangChain är ett ramverk med öppen källkod för Python och JavaScript som utvecklare använder för att bygga applikationer baserade på språkmodeller. Det erbjuder enhetliga gränssnitt mot många modellleverantörer samt byggstenar för verktygsanrop, agenter, dokumentbearbetning och retrieval-augmented generation. Sedan version 1.0 (oktober 2025) bygger LangChains agenter på LangGraph. Typiska användningar är chattbotar som söker i interna dokument och agenter som anropar externa tjänster.
LangGraph är ett ramverk med öppen källkod från LangChain-ekosystemet för att modellera AI-agenter och flerstegsprocesser som en graf av noder och kanter. Ett gemensamt tillstånd förs vidare från steg till steg, och loopar, grenar, checkpointing och avbrott för mänskligt godkännande är inbyggda. Version 1.0 släpptes i oktober 2025. Ett exempel är en agent som undersöker ett ämne, skriver ett utkast och väntar på godkännande innan det skickas.
LazyGraphRAG är ett angreppssätt för grafbaserad retrieval-augmented generation som Microsoft Research presenterade 2024. Till skillnad från GraphRAG låter det inte en språkmodell skapa sammanfattningar under indexeringen; i stället identifierar det begrepp och deras samförekomster med klassisk språkteknologi, och språkmodellen används först vid frågetillfället. Enligt Microsoft sänker detta indexeringskostnaderna till nivån för grundläggande vektor-RAG. Det lämpar sig särskilt för frågor som kräver en överblick över stora dokumentsamlingar.
Lead routing är den automatiska tilldelningen av inkommande förfrågningar till ansvarig person, avdelning eller region. Kriterier kan vara ämne, produkt, företagsstorlek, språk eller brådska. AI kan förstå och kategorisera fritexten i en förfrågan, till exempel om den gäller en ny offert, ett supportärende eller en jobbansökan. Snabb och träffsäker dirigering förkortar svarstiderna och hindrar att förfrågningar lämnas obesvarade.
En lead scraper är ett verktyg som automatiskt samlar in kontaktuppgifter till potentiella kunder från webbplatser, kataloger eller sociala nätverk. I Tyskland och EU är detta juridiskt känsligt: namn och e-postadresser till kontaktpersoner är personuppgifter, så behandlingen kräver rättslig grund och information till de registrerade enligt GDPR, och enligt tysk lagstiftning mot illojal konkurrens (UWG, § 7) kräver reklam via e-post i regel föregående uttryckligt samtycke, även från företag. Inkommande förfrågningar via din webbplats, ditt innehåll och rekommendationer är den bättre vägen (inte juridisk rådgivning).
Lexile Framework for Reading är ett system utvecklat av det amerikanska företaget MetaMetrics som mäter både en persons läsförmåga och en texts svårighetsgrad på samma skala. Värden anges med ett ”L”, till exempel 850L; en text passar bra när dess värde ligger nära läsarens. Det bygger främst på meningslängd och ordfrekvens. Systemet används flitigt i skolor och inom förlagsbranschen, särskilt i engelskspråkiga länder.
LightGBM är ett bibliotek med öppen källkod för gradient boosting med beslutsträd, ursprungligen utvecklat av Microsoft. Det är konstruerat för snabbhet och lågt minnesbehov, bland annat genom histogrambaserad träning och träd som växer bladvis vid det mest lovande bladet. LightGBM lämpar sig särskilt för stora tabelldatamängder, till exempel försäljningsprognoser, prognoser över kundbortfall eller bedrägeriupptäckt, och jämförs ofta med XGBoost.
Linjär regression är en statistisk metod som beskriver sambandet mellan en målvariabel och en eller flera prediktorer med en rät linje eller ett plan. Koefficienterna väljs vanligtvis så att summan av de kvadrerade avvikelserna minimeras. Metoden är lätt att förstå och tolka: den kan till exempel uppskatta hur mycket intäkterna stiger när reklambudgeten ökar med 1 000 kr. Den når sina gränser vid icke-linjära samband.
LIX (läsbarhetsindex) är ett mått på läsbarhet som utvecklades i Sverige av Carl-Hugo Björnsson. Det lägger ihop den genomsnittliga meningslängden i ord och andelen långa ord med fler än sex bokstäver i procent. Exempel: 15 ord per mening och 30 % långa ord ger LIX 45. Eftersom det inte kräver att man räknar stavelser kan det tillämpas på många språk, inklusive tyska; låga värden anger lättlästa texter och värden från omkring 60 mycket svåra.
Ljudtranskribering omvandlar talat språk från inspelningar till skriven text. Moderna system för automatisk taligenkänning lägger också till skiljetecken, skiljer mellan talare och ger ibland tidsstämplar. Det används för mötesprotokoll, intervjuer, undertexter och dokumentation av kundsamtal. Kvaliteten beror starkt på ljudkvalitet, brytning och fackspråk; vid samtal som innehåller personuppgifter måste samtycke och dataskydd beaktas.
LLaMA, numera oftast skrivet ”Llama”, är en familj av stora språkmodeller från Meta. Många versioner släpptes med nedladdningsbara vikter under Metas egen licens, vilket gör det möjligt för organisationer att köra och anpassa dem på sin egen infrastruktur. Den senaste stora generationen är Llama 4 (2025); 2026 presenterade Meta även modellserien Muse, varav bara en del släpps öppet (läge oktober 2026).
Kostnaderna för stora språkmodeller faktureras vanligtvis per token, det vill säga texthelheter ungefär lika stora som en stavelse till ett ord; tokens för indata och utdata prissätts separat, där utdata i regel är dyrare. Större modeller kostar mer per token än små, snabba modeller som Claude Haiku, vilka ofta räcker för enkla uppgifter. Promptcachning sänker kostnaderna när samma långa kontext skickas upprepade gånger. Koncisa instruktioner och noga utvald kunskap hjälper också.
LLM-säkerhet omfattar alla åtgärder som skyddar applikationer byggda på stora språkmodeller mot missbruk, dataläckage och oönskat beteende. Typiska risker är promptinjektion, avslöjande av konfidentiella instruktioner eller data och agenter med alltför omfattande behörigheter. Skyddet kommer från flera lager: tydliga instruktioner, begränsade rättigheter, kontroller av indata och utdata, AI-brandväggar, red teaming och regelbundna granskningar.
llms.txt är en Markdown-textfil som läggs i en webbplats rotkatalog och som ger språkmodeller en koncis överblick över det viktigaste innehållet, med länkar. Idén lades fram av Jeremy Howard (Answer.AI) i september 2024. Det är ett förslag och inte en officiell standard; stora AI-leverantörer har inte åtagit sig att läsa den (läge oktober 2026). Den kompletterar robots.txt och webbplatskartan men ersätter dem inte.
Logaritmisk förlust (log loss) mäter hur väl de förutsagda sannolikheterna från en klassificeringsmodell stämmer med de faktiska utfallen. Säkra men felaktiga förutsägelser straffas särskilt hårt; ett värde nära noll tyder på välkalibrerade prognoser. Exempel: om en modell anger 95 % sannolikhet för bortfall för en kund som blir kvar ökar den logaritmiska förlusten kraftigt. Matematiskt är den detsamma som binär korsentropi.
Logistisk regression är en statistisk metod som förutsäger sannolikheten för ett av två utfall, som ”köper” eller ”köper inte”. Den viktar indatavariablerna och omvandlar deras summa till ett värde mellan 0 och 1 med en S-formad funktion. Eftersom vikterna är lätta att tolka används den flitigt inom kreditvärdering, medicin och marknadsföring, ofta som en stabil baslinje för mer komplexa modeller.
Long short-term memory (LSTM) är en typ av rekurrent neuralt nätverk som kan behålla information över långa sekvenser. Så kallade grindar avgör i varje steg vad som ska lagras, glömmas eller matas ut, vilket lindrar problemet med försvinnande gradienter. Under många år präglade LSTM taligenkänning, översättning och prognoser för tidsserier. Inom språkbehandling har de i stor utsträckning ersatts av transformers, men de är fortfarande vanliga för sensordata.
Läsbarhet beskriver hur lätt en text är att läsa och förstå. Den beror på meningslängd, ordlängd, facktermer, meningsbyggnad och layout och kan approximeras med formler som Flesch-index eller LIX. God läsbarhet är viktig för kundkommunikation, instruktioner, webbplatser och tillgängligt innehåll. Formler ger dock bara vägledning; om en text är tydlig beror i slutänden på målgruppen.
Läsnivå anger den nivå av läsförmåga som en text kräver eller som en person har nått. Beroende på system uttrycks den som en skolårskurs, ett värde på en skala som Lexile eller en nivå i läroplaner och språkramverk, som A2 eller B1 i den gemensamma europeiska referensramen för språk. I praktiken hjälper den till att anpassa texter till den tänkta målgruppen, till exempel kundinformation på klarspråk.
Manipulation av kontextfönstret avser attacker som medvetet påverkar den text som en språkmodell bearbetar på en gång, till exempel genom dolda instruktioner i dokument, påhittade tidigare delar av ett samtal eller stora mängder utfyllnad som trycker undan de ursprungliga reglerna. Skyddet består i att tydligt skilja betrodda instruktioner från externt innehåll, längdbegränsningar, kontroll av indata och att ge agenter så få behörigheter som möjligt.
Maskininlärning är en gren av artificiell intelligens där datorer härleder mönster ur data i stället för att varje regel programmeras explicit. Beroende på uppgift lär sig modellerna av annoterade exempel (övervakad inlärning), av oannoterade data (oövervakad inlärning) eller genom belöningar (förstärkningsinlärning). Tillämpningarna sträcker sig från skräppostfilter och efterfrågeprognoser till produktrekommendationer. Kvaliteten beror starkt på mängden och kvaliteten på träningsdata.
Mean average precision (mAP) är ett mått som bedömer hur väl ett system hittar relevanta resultat och rangordnar dem nära toppen. Genomsnittlig precision beräknas över resultatlistan för varje fråga eller objektklass; mAP är medelvärdet över alla. Det är ett standardmått för sökmotorer, rekommendationssystem och objektdetektering i bilder, där det också beror på den krävda överlappningen mellan avgränsningsrutor.
Medelabsolutfel (MAE) visar hur mycket en modells förutsägelser i genomsnitt avviker från de faktiska värdena, oavsett riktning. Det uttrycks i målvariabelns enhet, vilket gör det lätt att förstå. Exempel: ett MAE på 12 för en daglig försäljningsprognos innebär att modellen i genomsnitt ligger 12 enheter fel. Det ger mindre vikt åt extremvärden än mått baserade på kvadrerade fel.
”Menade du” (did you mean, DYM) är en sökfunktion som föreslår en rättad fråga när inmatningen verkar vara felstavad eller ovanlig. Den bygger på likhetsmått mellan ord, språkmodeller och analys av vanliga sökningar. Exempel: den som skriver ”kaffemaskn” i en nätbutik ser ”Menade du: kaffemaskin?”. Funktionen minskar antalet tomma resultatsidor och förbättrar därmed sökupplevelsen.
En meningsomskrivare formulerar om enskilda meningar eller korta stycken utan att ändra betydelsen. Den kan förenkla en mening, få den att låta mer formell eller vänligare, korta ned den eller undvika upprepningar. Det är användbart till exempel för kundsvar, produkttexter eller när en mening låter klumpig. En snabb kontroll är ändå viktig för att säkerställa att facktermer, siffror och påståenden är korrekta efter omformuleringen.
En brag book, eller meritportfölj, är en löpande uppdaterad samling av ens yrkesmässiga prestationer: genomförda projekt, nyckeltal, positiv återkoppling, utmärkelser och utbildningar. Den fungerar som underlag för medarbetarsamtal, löneförhandlingar, jobbansökningar eller befordringar. En beprövad struktur är situation, uppgift, handling och resultat. Endast verifierbar information bör tas med, och siffror bör inte förskönas.
En metaprompt är en instruktion som ber en språkmodell att själv skriva eller förbättra prompter eller systeminstruktioner. Du beskriver mål, målgrupp och önskad ton och ger exempel; modellen tar sedan fram strukturerade instruktioner med en roll, regler och gränser. Det ger snabbare bra första versioner, som sedan testas och förfinas av människor. Exempel: ”kundservice för en cykelbutik” blir ett komplett utkast till instruktioner.
Mistral AI är ett AI-företag med säte i Paris, grundat 2023 av Arthur Mensch, Guillaume Lample och Timothée Lacroix. Företaget utvecklar stora språkmodeller och erbjuder både modeller med öppet tillgängliga vikter, en del under Apache 2.0-licensen, och kommersiella modeller via sin egen plattform. För europeiska organisationer nämns Mistral AI ofta i diskussioner om datasuveränitet och om att köra modeller i egen infrastruktur.
MLflow är en plattform med öppen källkod för att hantera hela livscykeln för maskininlärningsmodeller, ursprungligen introducerad av Databricks 2018. Den registrerar experiment med deras parametrar och mätvärden, hanterar modellversioner i ett register och förenklar driftsättning. Nyare versioner stöder även spårning och utvärdering av applikationer som bygger på språkmodeller. Team kan därmed följa vilken modell som skapats med vilka data och inställningar.
Model Context Protocol (MCP) är en öppen standard som gör det möjligt för AI-applikationer att på ett enhetligt sätt använda externa verktyg, datakällor och tjänster. En MCP-server tillhandahåller funktioner, och en MCP-klient, till exempel en AI-assistent, kan anropa dem. Anthropic introducerade MCP i november 2024; sedan december 2025 utvecklas det under Agentic AI Foundation inom Linux Foundation (läget i oktober 2026). Det gör att man slipper bygga varje integration separat.
Modelldrift är den gradvisa försämringen av en modells prediktiva kvalitet under drift, eftersom verkligheten förändras jämfört med träningsdata. Man skiljer mellan förändringar i indata (datadrift) och förändringar i sambandet mellan indata och utfall (konceptdrift). Exempel: en modell för att upptäcka bedrägerier missar nya bedrägerimetoder. Åtgärder är löpande övervakning av mätvärden och regelbunden omträning.
Modellkedjning innebär att flera AI-modeller eller AI-steg kopplas i följd så att utdata från ett steg blir indata till nästa. Komplexa uppgifter kan på så sätt delas upp i hanterbara delmoment som kan kontrolleras och förbättras var för sig. Exempel: ett steg sammanfattar en kundförfrågan, ett andra fördelar den till en avdelning och ett tredje skriver ett utkast till svaret.
Modellkollaps är den kvalitetsförlust som kan uppstå när generativa modeller upprepade gånger tränas på data som själva har skapats av AI. Sällsynt innehåll och gränsfall försvinner gradvis, och svaren blir mer likformiga och mer felbenägna. Frågan blir allt viktigare eftersom andelen AI-genererad text och AI-genererade bilder på internet växer. Noggrant kurerade, människoskapade data hjälper till att motverka det.
Modellrobusthet beskriver hur tillförlitligt en AI-modell fungerar när indata är brusiga, ofullständiga, ovanliga eller avsiktligt manipulerade. En robust modell ger fortfarande stabila resultat, till exempel bildigenkänning i dålig belysning eller en språkmodell som hanterar stavfel. Robusthet bedöms med stresstester, varierad träningsdata och tester mot avsiktliga försök att lura modellen, och den är särskilt viktig i säkerhetskritiska tillämpningar.
Modelltolkbarhet beskriver hur väl människor kan förstå hur en AI-modell kommer fram till sina resultat. Enkla modeller som beslutsträd är i sig lätta att läsa; för komplexa neurala nätverk kan tekniker som visar enskilda särdrags inverkan hjälpa. Tolkbarhet är viktig för felsökning, förtroende och regelkrav, till exempel när ett avslag på ett lån måste motiveras.
Monte Carlo-metoder är beräkningstekniker som använder ett mycket stort antal slumpmässiga stickprov för att approximera resultat som är svåra att räkna ut analytiskt. Ett system simuleras tusentals gånger med slumpmässigt varierade antaganden, och fördelningen av utfallen analyseras. Organisationer använder detta för riskanalys, projektplanering eller portföljvärdering. Inom AI används metoderna bland annat i förstärkningsinlärning och i trädsökning för spel.
Apache MXNet var ett ramverk för djupinlärning med öppen källkod som effektivt kunde träna modeller över flera GPU:er och maskiner, med gränssnitt för Python, C++, R, Scala och andra språk. Amazon Web Services stödde det som sitt föredragna ramverk under några år. Apache Software Foundation avvecklade projektet i september 2023 och flyttade det till Apache Attic i februari 2024; det utvecklas inte längre. Befintliga modeller migreras vanligtvis till andra ramverk.
Mönsterigenkänning är den automatiska identifieringen av regelbundenheter, strukturer eller återkommande drag i data som bilder, ljud, texter eller mätvärden. System tilldelar nya observationer till kända kategorier eller upptäcker grupper utan fördefinierade etiketter. Tillämpningar är bland annat ansiktsigenkänning, handskriftsigenkänning, kvalitetskontroll i tillverkning och upptäckt av ovanliga transaktioner. Disciplinen är en viktig grund för maskininlärning.
Naive Bayes är en familj av enkla klassificeringsmetoder som bygger på Bayes sats. De kallas ”naiva” eftersom de förutsätter att alla särdrag är oberoende av varandra, vilket sällan stämmer i praktiken men ändå ofta ger goda resultat. Metoderna är snabba, kräver lite träningsdata och passar särskilt bra för text. Ett klassiskt exempel är spamfiltret som sorterar e-post utifrån typiska ord.
Naturlig språkbehandling är den gren av AI som gör det möjligt för datorer att analysera, förstå och generera mänskligt språk i text eller tal. Den omfattar uppgifter som översättning, klassificering, sammanfattning, sentimentanalys och frågebesvarande. Regler och statistiska metoder dominerade förr; i dag präglas området av stora språkmodeller.
Naturlig språkförståelse är den del av språkbehandlingen som fångar innebörden i ett yttrande: vilken avsikt ligger bakom, vilka personer, platser eller datum nämns, och vilken ton har det? Tillsammans med naturlig språkgenerering (NLG) utgör NLU en av NLP:s två sidor. Ett exempel är ett kundtjänstsystem som känner igen ”Mitt paket har fortfarande inte kommit” som en leveransfråga.
Naturlig språkgenerering (NLG) är det område inom språkbehandling som skapar begriplig text utifrån data, punktlistor eller andra indata. Tidigare NLG-system byggde på mallar och regler; i dag använder de flesta stora språkmodeller. Typiska användningsområden är väder- och börsrapporter, produktbeskrivningar, sammanfattningar av nyckeltal och svar från chattbotar. Det är viktigt att siffror och fakta från indata förs över korrekt och oförändrade.
En negativ prompt anger vad en AI-modell uttryckligen inte ska generera eller göra. Vid bildgenerering, till exempel med Stable Diffusion, är det ett separat inmatningsfält för oönskade element som ”suddig” eller ”text i bilden”. Hos språkmodeller tar det formen av regler i instruktionerna, som ”Hitta inte på priser” eller ”Ge inga juridiska råd”. Sådana gränser gör resultaten mer förutsägbara men ersätter inte kontroll.
Neuromorf databehandling är ett angreppssätt för hårdvara och mjukvara som är modellerat efter hjärnans uppbyggnad. I stället för att flytta data mellan separat minne och processor i klockcykler arbetar artificiella neuroner och synapser parallellt och reagerar bara på händelser, så kallade spikar. Det lovar mycket låg energiförbrukning, till exempel i sensorer eller robotar. Kända forskningschip är Intel Loihi och IBM TrueNorth; bred kommersiell användning befinner sig fortfarande i ett tidigt skede.
NLTK (Natural Language Toolkit) är ett Python-bibliotek med öppen källkod för språkbehandling, skapat vid University of Pennsylvania i början av 2000-talet. Det erbjuder verktyg för tokenisering, stamning, ordklasstaggning och enkel klassificering, samt tillgång till många textkorpusar. NLTK används främst i undervisning och forskning; produktionsapplikationer bygger ofta på bibliotek som spaCy eller på transformermodeller.
No-code avser verktyg som låter människor bygga applikationer, automatiseringar eller webbplatser via grafiska gränssnitt utan att skriva programkod. Verksamhetsteam kan själva genomföra och testa processer i stället för att vänta på IT-utveckling. Begränsningar uppstår vid mycket specialiserade krav, stora datamängder eller djupa integrationer. Exempel: ett säljteam bygger med dra och släpp ett flöde som sorterar och sammanfattar nya förfrågningar.
Noggrannhet beskriver hur ofta en AI-modell ger korrekta resultat; stabilitet beskriver hur tillförlitligt den prestandan håller i sig – vid något ändrade indata, nya data eller över tid. En modell kan vara mycket noggrann i tester men instabil om det räcker att omformulera en fråga för att få ett annat svar. För praktisk användning kontrolleras båda egenskaperna med fasta testfall, korsvalidering och löpande övervakning.
NumPy är det grundläggande Python-biblioteket med öppen källkod för numeriska beräkningar. Det tillhandahåller flerdimensionella matriser och snabba funktioner för linjär algebra, statistik och slumptal, med en kärna som körs i kompilerad kod. Många verktyg för dataanalys och maskininlärning, som pandas, scikit-learn och en mängd visualiseringsbibliotek, bygger på NumPy. Den som arbetar med data i Python använder det därför nästan alltid, direkt eller indirekt.
Nykundsaffärer avser intäkter från kunder som tidigare inte fanns, till skillnad från förnyelser, merförsäljning eller expansion hos befintliga kunder. Nyckeltalet visar hur väl ett företag öppnar nya marknader och målgrupper, och säljteam planerar och belönar det ofta separat. Exempel: ett mjukvaruföretag redovisar 40 % av kvartalets orderingång som nykundsaffärer.
Omrankning av dokument är ett andra sorteringssteg i sök- och RAG-system: en snabb första sökning returnerar en uppsättning kandidatträffar, som en mer exakt men dyrare metod sedan sorterar om efter relevans. Det görs ofta av en så kallad cross-encoder som bedömer frågan och ett stycke tillsammans. Därmed hamnar de mest relevanta styckena överst innan en språkmodell formulerar ett svar utifrån dem.
Ett omskrivningsverktyg för stycken är ett AI-verktyg som formulerar om ett befintligt textavsnitt utan att ändra innebörden. Vanliga mål är en annan ton, en kortare version, enklare språk eller färre upprepningar. Det är användbart till exempel när en intern facktext behöver bli tydligare för kunder. Innehåll och fakta bör ändå kontrolleras efteråt, eftersom omformuleringar kan förskjuta nyanser.
Inom datavetenskap är en ontologi en formell modell av ett ämnesområde som tydligt definierar begrepp, deras egenskaper och relationerna mellan dem. Det gör att människor och maskiner kan tolka data på ett enhetligt sätt och dra slutsatser av dem. Ontologier ligger till grund för många kunskapsgrafer, semantiska söksystem och dataintegrationsprojekt. Exempel: en produktontologi anger att en ”elcykel” är en ”cykel” och har ett ”batteri”.
Open Neural Network Exchange (ONNX) är ett öppet filformat för maskininlärningsmodeller, introducerat 2017 av Microsoft och Facebook (numera Meta) och som i dag drivs av LF AI & Data Foundation. En modell som tränats i till exempel PyTorch kan exporteras till ONNX och köras med andra verktyg eller körmiljöer som ONNX Runtime. Det gör det lättare att byta ramverk och att driftsätta på olika hårdvara.
OpenAI är ett AI-företag med säte i San Francisco, grundat 2015 som en ideell organisation. Sedan omstruktureringen i oktober 2025 består det av den ideella OpenAI Foundation, som kontrollerar det vinstdrivande OpenAI Group PBC (läget i oktober 2026). OpenAI är mest känt för ChatGPT och språkmodellerna i GPT-serien, samt bildgeneratorn DALL·E och taligenkänningsmodellen Whisper. Dess modeller erbjuds via appar och ett API.
OpenCV (Open Source Computer Vision Library) är ett programbibliotek med öppen källkod för bildbehandling och datorseende, vars utveckling började hos Intel omkring 2000. Det erbjuder tusentals funktioner, till exempel för att filtrera bilder, upptäcka kanter och ansikten, spåra objekt i video eller kalibrera kameror. OpenCV är skrivet i C++ men används ofta via Python, till exempel inom kvalitetskontroll, robotik och forskning.
Optisk teckenigenkänning (OCR) omvandlar text i bilder, som skanningar, foton eller fax, till maskinläsbar text. Först då kan dokument sökas, kopieras eller bearbetas automatiskt. Modern OCR använder neurala nätverk och kan även känna igen tabeller, layouter och i vissa fall handskrift. Typiska användningsområden är fakturahantering, digitalisering av arkiv och inläsning av formulär; kvaliteten beror starkt på bildkvaliteten.
Ordinbäddningar representerar ord som numeriska vektorer så att ord med liknande betydelse hamnar nära varandra i vektorrummet, som ”bil” och ”fordon”. Metoder som Word2Vec eller GloVe lär sig dessa vektorer från stora textmängder. De var ett viktigt steg inom språkbehandling, till exempel för sökning eller klassificering; dagens språkmodeller använder kontextuella inbäddningar där ett ord representeras olika beroende på meningen.
Ordklasstaggning tilldelar automatiskt varje ord i en mening dess grammatiska kategori, som substantiv, verb, adjektiv eller preposition. Eftersom många ord är tvetydiga (”plan” som substantiv eller adjektiv, ”fast” som adjektiv eller adverb) tar metoderna hänsyn till meningens sammanhang. Ordklasstaggning är ett klassiskt förbehandlingssteg för syntaktisk analys, informationsextraktion eller stavningskontroll och erbjuds av bibliotek som spaCy och NLTK.
Ett diagram över ett företags struktur: avdelningar, roller och vem som rapporterar till vem.
Ostrukturerade data följer inget fast tabellschema: e-postmeddelanden, avtal, manualer, webbsidor, presentationer, bilder eller ljudinspelningar. De utgör en stor del av organisationers kunskap men var länge svåra att analysera automatiskt. Språkmodeller kan läsa och söka i sådant innehåll och göra om det till strukturerad information, till exempel genom att extrahera tidsfrister och belopp ur ett avtal till en tabell.
Överanpassning (overfitting) uppstår när en modell memorerar träningsdata, inklusive slumpmässiga egenheter och brus, i stället för att fånga allmängiltiga mönster. Den ser då mycket exakt ut på bekanta data men presterar dåligt på nya. Ett stort gap mellan träningsfel och testfel är ett typiskt tecken. Motåtgärder är fler eller mer varierade data, enklare modeller, regularisering, dropout och korsvalidering.
OWASP Top 10 for LLM Applications är en lista över de viktigaste säkerhetsriskerna i applikationer som bygger på stora språkmodeller, publicerad av OWASP GenAI Security Project. Den aktuella utgåvan för 2026 kom i augusti 2026 (läget i oktober 2026) och omfattar: promptinjektion, avslöjande av känslig information, överdrivet handlingsutrymme, leveranskedja, förgiftning av data och modeller, obegränsad resursförbrukning, felaktig information, exponering av dold kontext, svagheter i vektorer och inbäddningar samt felaktig hantering av utdata. Den fungerar som checklista för utveckling och granskningar.
Vid oövervakad inlärning får en modell data utan fördefinierade rätta svar och söker själv efter strukturer. Typiska metoder är klustring, som grupperar liknande poster, och dimensionsreduktion, som sammanfattar många särdrag till några få väsentliga. Organisationer använder det för att upptäcka kundsegment eller se ovanliga transaktioner; de grupper som hittas måste sedan tolkas av ämnesexperter.
Vid övervakad inlärning lär sig en modell av exempel där det rätta svaret redan är känt, som e-postmeddelanden märkta ”spam” eller ”inte spam”. Utifrån dem härleder den regler för att klassificera nya, osedda fall eller förutsäga värden. Typiska uppgifter är klassificering och regression; det mesta av arbetet går åt till att skapa rent märkta data.
pandas är ett Python-bibliotek med öppen källkod för analys och bearbetning av tabelldata, utvecklat från 2008 av Wes McKinney. Dess centrala objekt, DataFrame, liknar en tabell med namngivna kolumner. Med det kan man läsa in data från CSV-filer, Excel eller databaser och rensa, filtrera, gruppera och slå ihop dem. pandas bygger på NumPy och är ett standardverktyg för dataanalys, rapportering och förberedelse av träningsdata.
Parafrasering innebär att man återger vad någon har sagt med egna ord utan att ändra innebörden. I samtal är det en teknik för aktivt lyssnande: du kontrollerar att du har förstått rätt och visar uppmärksamhet, till exempel: ”Om jag förstår dig rätt är leveranstiden viktigast för dig?” I skrift hjälper parafrasering till att göra innehåll tydligare, kortare eller bättre anpassat till en viss målgrupp.
Parametereffektiv finjustering (PEFT) omfattar tekniker som anpassar en stor förtränad modell till en uppgift genom att bara träna en liten del av dess parametrar eller lägga till några få extra. Kända metoder är LoRA, QLoRA, adaptrar och prefix tuning. Det minskar beräknings- och minneskraven kraftigt, och små tilläggsmoduler kan sparas för flera uppgifter i stället för fullständiga modellkopior. Exempel: en språkmodell anpassas till stilen i interna tekniska dokument.
PaLM är en stor språkmodell från Google, presenterad 2022 med 540 miljarder parametrar och tränad över många TPU-chip samtidigt med Googles träningssystem Pathways. PaLM 2 följde 2023 och drev bland annat chattboten Bard. Google har sedan dess ersatt PaLM med sina Gemini-modeller, och utvecklar-API:et för PaLM stängdes i augusti 2024. I dag är PaLM framför allt viktig som en milstolpe i utvecklingen av stora språkmodeller.
Ett penetrationstest av AI är en beställd, kontrollerad säkerhetsbedömning där specialister medvetet söker efter svagheter i ett AI-system, som promptinjektion, läckage av konfidentiella data eller en agent med alltför omfattande behörigheter. Till skillnad från bredare red teaming fokuserar det på ett tydligt avgränsat område med dokumenterade resultat och åtgärder. Det lönar sig att genomföra det innan en chattbot tas i drift och efter större förändringar.
Perplexity AI är ett företag i San Francisco, grundat 2022, som driver en AI-baserad sökmotor. I stället för en lista med länkar ger den ett skrivet svar som sammanfattar aktuellt webbinnehåll och anger vilka källor som använts. Vid sidan av en gratisversion finns betalnivåer med ett urval av språkmodeller, samt AI-webbläsaren Comet (läget i oktober 2026). För företag är Perplexity också relevant eftersom det förändrar hur innehåll på webben upptäcks.
Personaliserad marknadsföring innebär att anpassa budskap, erbjudanden och tidpunkt till enskilda kunder eller små grupper i stället för att tilltala alla på samma sätt. Den bygger på information som tidigare köp, intressen eller orsaken till kontakten. AI kan omvandla detta till passande text, till exempel ett e-postmeddelande som hänvisar till en nyligen köpt produkt. Det är viktigt att bara använda data som man har samtycke för och att utelämna känsliga uppgifter.
En tjänsteleverantör behandlar personuppgifter för ett företags räkning. Det kräver ett avtal enligt artikel 28 i GDPR.
En pipeline för maskininlärning är en definierad följd av steg som gör rådata till en driftsättningsbar modell: insamling och rensning av data, förberedelse av variabler, träning, utvärdering, driftsättning och övervakning. Genom att automatisera stegen blir resultaten reproducerbara och nya data kan bearbetas med liten insats. En återförsäljare kan till exempel träna om och testa sin modell för försäljningsprognoser varje vecka med de senaste siffrorna.
Poseestimering är en teknik inom datorseende som bestämmer kroppshållningen hos människor, eller läget och orienteringen hos objekt, i bilder eller video. Vanligtvis identifierar en modell nyckelpunkter som axlar, armbågar och knän och binder ihop dem till ett skelett. Den används till exempel i träningsappar som kontrollerar övningar, i ergonomianalys på arbetsplatser, i sportanalys och inom robotik.
Prediktiv analys använder historiska data, statistik och maskininlärning för att uppskatta sannolika framtida händelser. Den besvarar frågor som: vilka kunder är på väg att säga upp sig? Hur stort lager behövs nästa månad? När kommer en maskin sannolikt att haverera? Resultaten är sannolikheter, inte säkerheter. Deras värde beror i hög grad på datakvaliteten och på om förutsägelserna faktiskt påverkar beslut och processer.
Prediktiv modellering är den tekniska kärnan i prediktiv analys: exempeldata med kända utfall används för att bygga en modell som förutsäger ett värde eller en klass för nya fall. Vanliga metoder är regression, beslutsträd, random forests och neurala nätverk. En modell kan till exempel uppskatta ett fastighetspris utifrån boyta, läge och byggår. Före driftsättning testas den på bortlagda data för att upptäcka överanpassning.
En översikt över ett företags viktigaste processer och hur de hänger ihop.
Projektledning av AI inom forskning och utveckling omfattar två saker: att styra projekt där AI byggs och att använda AI som stöd i FoU-projekt. Typiska uppgifter är att sammanfatta litteratur, strukturera experimentplaner, följa upp milstolpar och dokumentera resultat. Beslut i sakfrågor och godkännanden bör ligga kvar hos människor.
En prompt är den indata som talar om för en AI-modell vad den ska göra – en fråga, en uppgift eller en instruktion, ofta kompletterad med sammanhang, exempel och önskat format. Svarets kvalitet beror i hög grad på hur tydlig och fullständig prompten är. Skriv till exempel i stället för ”Skriv något om vår produkt”: ”Skriv tre korta fördelar med produkt X för hantverksföretag, i saklig ton”.
Prompt leaking innebär att ett AI-systems interna instruktioner oavsiktligt avslöjas, till exempel när en chattbot röjer sin systemprompt som svar på en listigt formulerad begäran. Det blir ett problem om instruktionerna innehåller affärslogik, intern information eller till och med inloggningsuppgifter. OWASP-listan för LLM-applikationer nämner denna risk uttryckligen. Det effektivaste skyddet är att skriva instruktioner som om de kunde bli offentliga, aldrig lagra hemligheter i dem och även kontrollera utdata.
PyTorch är ett ramverk med öppen källkod för maskininlärning och djupinlärning i programmeringsspråket Python. Det utvecklades ursprungligen hos Meta (då Facebook) och har sedan 2022 förvaltats av PyTorch Foundation under Linux Foundation. PyTorch används flitigt inom forskning och industri eftersom det låter utvecklare bygga modeller flexibelt, träna dem på GPU:er och testa dem steg för steg; många välkända språk- och bildmodeller är byggda med det.
Q-learning är en grundläggande metod inom förstärkningsinlärning. En agent lär sig genom att prova sig fram vilket långsiktigt värde (”Q-värdet”) en viss handling har i en viss situation, och väljer med tiden de mest lovande handlingarna. Den behöver ingen modell av sin omgivning för detta. I kombination med neurala nätverk (deep Q-learning) använde ett system från DeepMind detta angreppssätt för att lära sig spela många Atari-videospel enbart utifrån pixlarna på skärmen.
Random forest-regression förutsäger numeriska värden genom att kombinera många beslutsträd. Varje träd tränas på ett slumpmässigt urval av data och ett slumpmässigt urval av särdrag; resultatet är medelvärdet av allaträds förutsägelser. Det gör metoden robustare och mindre benägen för överanpassning än ett enskilt träd. Den används till exempel för försäljningsprognoser, prisuppskattningar eller energibehov – ofta som en stabil utgångspunkt för tabelldata.
Recall (även kallat känslighet eller andel sanna positiva) mäter hur stor andel av de faktiska positiva fallen som en modell upptäcker: korrekt identifierade positiva dividerat med alla verkliga positiva. Om ett bedrägerifilter fångar 80 av 100 verkliga bedrägerifall är dess recall 0,8. Hög recall är viktig när missade fall är kostsamma, som vid medicinsk diagnostik. Eftersom den bortser från falsklarm bedöms den vanligtvis tillsammans med precision, till exempel i F-måttet.
Ett regelverk för AI omfattar de lagar, standarder och tillsynsstrukturer som styr hur AI utvecklas och används. I EU är den centrala lagen AI-förordningen (förordning (EU) 2024/1689), som tar ett riskbaserat angreppssätt: förbuden har gällt sedan februari 2025, skyldigheterna för AI-modeller för allmänna ändamål sedan augusti 2025 och transparenskraven sedan augusti 2026. Efter ”Digital Omnibus” (förordning (EU) 2026/1744) gäller skyldigheterna för högrisksystem från den 2 december 2027 eller den 2 augusti 2028 (läge oktober 2026; inte juridisk rådgivning).
Regularisering omfattar tekniker som hindrar en modell från att under träningen anpassa sig för nära till sina träningsdata (överanpassning). Exempel är att straffa stora vikter (L1- eller L2-regularisering), slumpmässigt stänga av neuroner (dropout) eller avbryta träningen vid rätt tidpunkt (early stopping). Målet är en enklare modell som presterar mer tillförlitligt på nya, osedda data, även om den får något lägre resultat på träningsdata.
Ett rekurrent neuralt nätverk bearbetar data i ordning och för över ett internt tillstånd från varje steg till nästa – ett slags korttidsminne. Det gör det lämpligt för sekvenser som text, tal eller tidsserier, till exempel för att förutsäga nästa ord eller nästa sensorvärde. Enkla RNN glömmer lätt information som ligger långt tillbaka; varianter som LSTM och GRU lindrar detta. För språkmodeller har RNN till stor del ersatts av transformers.
Rekursiv prompting avser tekniker där en språkmodells utdata matas tillbaka som ny indata – till exempel för att låta ett utkast granskas och revideras, eller för att steg för steg bryta ned en stor uppgift i deluppgifter. Först tas till exempel ett utkast till förslag fram, därefter bedömer modellen det mot en checklista och slutligen förbättras det. Det höjer ofta kvaliteten men kostar extra bearbetningstid och kräver ett tydligt stoppkriterium.
Remote MCP avser en MCP-server som inte körs lokalt på din egen dator utan nås över internet via HTTP. Model Context Protocol är en öppen standard som låter AI-applikationer använda externa verktyg och data; för fjärrservrar innehåller specifikationen transporten ”Streamable HTTP” samt autentisering, till exempel via OAuth eller en API-nyckel. Fördelen är att en centralt driftad tjänst blir tillgänglig för många användare och AI-program utan lokal installation.
Resonemang i flera steg (multi-hop) är ett AI-systems förmåga att besvara en fråga genom flera efterföljande slutledningar, ofta genom att kombinera information från olika källor. Exempel: ”Vilken avdelning leds av den som ansvarar för projekt X?” kräver först att den ansvariga personen identifieras och sedan personens avdelning. Sådana frågor är krävande för sök- och RAG-system eftersom varje mellansteg måste hittas och kopplas ihop korrekt.
Retrieval-augmented generation kombinerar sökning med textgenerering: innan systemet svarar söker det i en kunskapssamling – som manualer, policyer eller vanliga frågor – efter relevanta avsnitt och skickar dem som sammanhang till språkmodellen. Svaret bygger därmed på aktuellt, företagsspecifikt innehåll i stället för enbart på modellens träningskunskap. Det minskar påhittade påståenden, gör källor spårbara och möjliggör uppdateringar utan omträning.
En retrieval-pipeline är den sekvens av bearbetningssteg som ett system använder för att hitta rätt information för en fråga. Typiska steg är: inläsning och rensning av dokument, uppdelning i delar (chunks), uppbyggnad av ett sökindex, eventuell omskrivning av frågan, hämtning av träffar, rangordning (reranking) och överlämning av de bästa till språkmodellen. Den är grunden i varje RAG-applikation, och dess kvalitet avgör till stor del hur bra svaren blir.
Return on AI beskriver den ekonomiska avkastningen av en AI-satsning i förhållande till kostnaderna. En enkel överslagsräkning är: sparade timmar per månad × timpris, minus kostnaderna för licenser, modellanvändning, uppsättning och support. Om ett team som hanterar 200 ärenden behöver 4 i stället för 10 minuter per ärende sparar det 20 timmar i månaden. Sådana beräkningar förblir uppskattningar; kvalitet, felfrekvens och tid för introduktion bör också beaktas.
ROC-kurvan (receiver operating characteristic) visar hur väl en klassificeringsmodell skiljer mellan två klasser. För varje möjligt tröskelvärde för beslut ritar den ut andelen sanna positiva (recall) mot andelen falska positiva. Ju närmare kurvan når det övre vänstra hörnet, desto bättre; diagonalen motsvarar ren gissning. Arean under kurvan (AUC) sammanfattar kurvan i ett enda tal och hjälper till exempel när man jämför olika modeller för bedrägeriupptäckt.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) är en familj av mått för att jämföra automatiskt genererade texter – särskilt sammanfattningar – med referenstexter skrivna av människor. Det mäter hur många ord eller ordföljder som överlappar, till exempel enskilda ord i ROUGE-1 eller den längsta gemensamma delföljden i ROUGE-L. Måttet är snabbt att beräkna, men fångar inte på ett tillförlitligt sätt omskrivningar med samma betydelse eller faktamässig korrekthet.
Rytr är en AI-skrivassistent, tillgänglig sedan 2021, som tar fram korta marknadsförings- och vardagstexter. Användare väljer ett användningsfall – som ett e-postmeddelande, en produktbeskrivning, ett inlägg i sociala medier eller en bloggdisposition – en ton och ett av fler än 30 språk; en redigerare hjälper till att formulera om, korta ned eller utöka. Vid sidan av en gratisversion med begränsad teckenkvot finns betalda abonnemang (läget i oktober 2026). Som med alla sådana verktyg bör resultaten kontrolleras före publicering.
Samarbetande robotar, eller cobots, är industrirobotar som är konstruerade för att arbeta direkt tillsammans med människor utan ett avskiljande skyddsstaket. Sensorer, begränsade krafter och hastigheter samt säkerhetsfunktioner gör att de stannar eller viker undan vid beröring; kraven anges i standarder som serien ISO 10218. Cobots tar hand om uppgifter som att mata maskiner, skruva eller packa, medan de anställda sköter kontroll och specialfall.
Startar ett flöde automatiskt, till exempel varje timme, dagligen, på vardagar eller varje vecka.
Scikit-learn är ett Python-bibliotek med öppen källkod för klassisk maskininlärning. Det erbjuder enhetliga verktyg för klassificering, regression, klustring, dimensionsreduktion, förbehandling av data och modellutvärdering, som korsvalidering. Byggt på NumPy och SciPy används det flitigt inom utbildning, forskning och praktik tack vare sitt enkla, enhetliga gränssnitt. För djupa neurala nätverk väljer man vanligtvis ramverk som PyTorch eller TensorFlow i stället.
Seed är ett startvärde för en bildmodells slumptalsgenerator. Diffusionsmodeller börjar med slumpmässigt bildbrus ur vilket en bild gradvis växer fram; seed avgör hur detta inledande brus ser ut. Med samma seed, prompt och inställningar kan en bild i stort sett återskapas i samma modell. Det är bra när man bara vill ändra en detalj i prompten eller återskapa en lyckad bildvariant senare.
Sekvensmodellering omfattar metoder som bearbetar och förutsäger data i en fast ordning, där varje elements position spelar roll. Typiska sekvenser är text, talat språk, tidsserier som försäljning eller sensorvärden, och DNA-segment. Tillämpningarna sträcker sig från översättning och textgenerering till taligenkänning och försäljningsprognoser. Dolda Markovmodeller och rekurrenta nätverk har använts för detta; i dag dominerar transformermodeller för språk.
Semantisk analys undersöker språkets betydelse – inte bara vilka ord som förekommer, utan vad som menas. Det innefattar att tolka tvetydiga ord rätt i sitt sammanhang (som ”mus” för djuret eller för datortillbehöret), känna igen samband mellan begrepp och klassificera påståenden efter innehåll. Den ligger till grund för tillämpningar som analys av kundåterkoppling, frågebesvarande eller söksystem som också ska förstå olika formulerade frågor med samma innebörd.
Semantisk segmentering tilldelar varje enskild pixel i en bild en klass, till exempel väg, fordon, person eller himmel. Resultatet är en sorts färgkodad karta över bildens innehåll. Till skillnad från instanssegmentering skiljs inte objekt av samma typ åt: tre bilar behandlas gemensamt som ”bil”. Den används till exempel vid autonom körning, inom medicinsk bildbehandling för att avgränsa vävnad och vid analys av flyg- och satellitbilder.
Semi-övervakad inlärning kombinerar en liten mängd märkta data med en stor mängd omärkta data. Modellen lär sig först av de få exemplen med kända svar och använder sedan mönster i övriga data för att bli bättre – till exempel genom att ta in säkra förutsägelser som ytterligare träningsexempel. Det lönar sig när märkning är dyrt, som med medicinska bilder eller tusentals supportärenden.
Sentimentanalys avgör automatiskt vilken stämning eller attityd en text uttrycker – oftast positiv, neutral eller negativ, ibland mer finkorniga känslor. Företag använder den för att utvärdera stora mängder produktrecensioner, supportmejl, enkäter eller inlägg i sociala medier och snabbt se var kunderna är nöjda och var problemen finns. Ironi, sarkasm och blandade uttalanden som ”snabb leverans, nedslående kvalitet” är fortfarande svåra, så stickprov bör kontrolleras av människor.
En SEO-poäng är ett mått som analysverktyg använder för att bedöma hur väl en webbsida är optimerad för sökmotorer – vanligtvis på en skala från 0 till 100. Faktorer kan vara titlar och beskrivningar, rubrikstruktur, laddningstid, mobilanpassning, interna länkar och strukturerade data. Varje verktyg beräknar poängen på sitt eget sätt; det är inte ett officiellt betyg från Google. Poängen är därför användbar som checklista för förbättringar, inte som garanti för bra placeringar.
Den tekniska singulariteten är en teoretisk föreställning: en tidpunkt då artificiell intelligens förbättrar sig själv så snabbt att den tekniska utvecklingen inte längre kan förutsägas eller kontrolleras av människor. Begreppet populariserades av författaren Vernor Vinge och futuristen Ray Kurzweil. Om och när detta kan ske är vetenskapligt öppet och omstritt. Idén påverkar ändå diskussionerna om AI-säkerhet, reglering och långsiktiga risker.
spaCy är ett Python-bibliotek med öppen källkod för språkbehandling, utvecklat av det Berlinbaserade företaget Explosion. Det delar upp texter i ord och meningar, bestämmer ordklasser och grundformer, analyserar meningsbyggnad och känner igen namngivna entiteter som personer, företag eller platser. Förtränade modeller finns för många språk, bland annat tyska. spaCy är utformat för hastighet och för användning i verkliga tillämpningar, till exempel för att förbehandla stora mängder dokument.
En specialist på kvalitetssäkring av AI kontrollerar om AI-applikationer fungerar tillförlitligt, korrekt och ändamålsenligt. Rollen omfattar testfrågor och benchmarks, jämförelser mellan olika modeller, analys av användarbetyg samt upptäckt av hallucinationer och försämring över tid. Till exempel besvaras, innan man byter till en ny modell, 50 typiska kundförfrågningar av båda modellerna och jämförs mot fasta kriterier.
Språkidentifiering avgör automatiskt vilket språk en text är skriven på, till exempel tyska, italienska eller spanska. Klassiska metoder analyserar karakteristiska teckenföljder, medan stora språkmodeller känner igen språket som en bieffekt. Det används för att styra förfrågningar till rätt team, utlösa lämpliga översättningar eller svara på den andra personens språk. Mycket korta texter och blandningar av flera språk är svåra.
Stable Diffusion är en familj av bildgenereringsmodeller som skapar bilder utifrån en textbeskrivning. Den första versionen släpptes 2022 och utvecklades under ledning av Stability AI tillsammans med forskningspartner. Tekniskt är det en latent diffusionsmodell som gradvis förvandlar bildbrus till en bild. Eftersom modellens vikter är publicerade kan den köras och anpassas lokalt; kommersiell användning av nyare versioner regleras av Stability AI:s egen licens (läget i oktober 2026).
En stor språkmodell (large language model, LLM) är ett neuralt nätverk som tränats på mycket stora textmängder och därmed kan förstå och generera språk. Den fungerar genom att steg för steg beräkna den mest sannolika nästa token. LLM:er skriver, sammanfattar, översätter, besvarar frågor och genererar kod; kända exempel är Claude, GPT, Gemini och Llama. Utan tillgång till aktuella källor vet de bara det som fanns i deras träningsdata.
Strukturerade data följer ett fast schema med tydligt namngivna fält, som tabeller, databaser eller JSON-objekt med uppgifter som namn, pris och datum. Maskiner kan läsa, filtrera och bearbeta dem tillförlitligt – till skillnad från fri text eller bilder. På webbplatser beskriver schema.org-märkning till exempel produkter, evenemang eller vanliga frågor, så att sökmotorer och AI-system förstår innehållet entydigt. AI kan också extrahera strukturerade data ur ostrukturerad text.
Syntetiska data genereras på konstgjord väg i stället för att samlas in i verkligheten, men efterliknar verkliga datas mönster och egenskaper. De hjälper när genuina data är knappa, dyra eller känsliga ur dataskyddssynpunkt – till exempel för att testa programvara, träna modeller eller kontrollera en chattbot med realistiska exempelfrågor. Det är viktigt att de speglar verkligheten tillräckligt väl och inte gör det möjligt att dra slutsatser om verkliga personer.
En säkerhetsgranskning av en chattbot är en strukturerad genomgång av om en AI-chattbot skyddar konfidentiella data, sina interna instruktioner och sina handlingsbehörigheter tillräckligt. Den undersöker bland annat sårbarhet för prompt injection, oavsiktligt röjande av information och alltför omfattande åtkomst till verktyg – ofta enligt OWASP Top 10 för LLM-applikationer. Resultatet är en rapport med en bedömning per riskområde och konkreta åtgärder.
Särdragsextraktion innebär att man tar fram meningsfulla värden ur rådata så att en modell kan bearbeta dem effektivt. I stället för miljontals enskilda pixlar kan ett system använda kanter, färger eller former; texter omvandlas till ordvikter eller inbäddningsvektorer. Bra särdrag minskar datamängden, sänker beräkningsbehovet och förbättrar ofta noggrannheten. Särdragsextraktion är en central del av feature engineering.
Taligenkänning, även kallad ASR (automatic speech recognition), omvandlar automatiskt talat språk till skriven text. Moderna system använder neurala nätverk som tränats på stora mängder ljudinspelningar och klarar accenter och bakgrundsljud hyfsat bra. Tillämpningar är diktering, undertexter, röstassistenter och transkribering av möten och kundsamtal. Facktermer, egennamn och dålig ljudkvalitet är fortfarande vanliga felkällor.
TAM-analys uppskattar den totala adresserbara marknaden: hela den intäkt som ett erbjudande teoretiskt kan generera. Ett top-down-angreppssätt avgränsar siffror från marknadsstudier, medan ett bottom-up-angreppssätt multiplicerar antalet potentiella kunder med det förväntade priset. Tillsammans med SAM (tillgänglig marknad) och SOM (realistiskt uppnåbar andel) ger den underlag för investerings- och planeringsbeslut, men är bara meningsfull med transparenta antaganden och intervall i stället för falsk precision.
TensorFlow är ett ramverk för maskininlärning med öppen källkod, utvecklat av Google och släppt 2015. Det används för att bygga, träna och driftsätta neurala nätverk i applikationer, på servrar eller på mobila enheter. Keras erbjuder ett lättillgängligt högnivågränssnitt; typiska användningsområden är bildklassificering, prognoser och rekommendationssystem.
Text-till-tal omvandlar skriven text till talat språk och är motsvarigheten till taligenkänning (tal till text). Moderna system använder neurala nätverk för att skapa naturligt klingande röster med lämplig intonation. TTS används i telefonmeddelanden, navigeringsenheter, uppläsningsfunktioner för tillgängliga webbplatser och röstassistenter.
Textgenerering är den automatiska framställningen av text med AI, numera vanligtvis av stora språkmodeller som ord för ord räknar ut den mest sannolika fortsättningen. Det är en gren av naturlig språkgenerering och en kärntillämpning av generativ AI. Organisationer använder det för att skriva utkast till e-postmeddelanden, rapporter eller produktbeskrivningar; fakta och siffror bör kontrolleras före publicering.
Textklassificering tilldelar automatiskt texter till fördefinierade kategorier, till exempel e-postmeddelanden efter typ av ärende, recensioner efter sentiment eller dokument efter ämne. Tidigare krävde detta att man tränade egna modeller på märkta exempel; i dag kan stora språkmodeller ofta tilldela kategorier utifrån enbart en beskrivning. Det gör det möjligt att förhandssortera förfrågningar och snabbare dirigera dem till rätt team.
Vid automatisk textsammanfattning kondenserar AI långa texter till deras huvudpunkter. Extraktiva metoder kopierar viktiga meningar ordagrant, medan abstraktiva metoder formulerar om innehållet; stora språkmodeller arbetar huvudsakligen abstraktivt. Det är användbart för protokoll, rapporter eller långa e-posttrådar; vid viktiga beslut bör sammanfattningen kontrolleras mot originalet.
Tillsynsmyndigheter för AI är offentliga organ som övervakar efterlevnaden av AI-reglerna. På EU-nivå samordnar Europeiska kommissionens AI-kontor genomförandet av AI-förordningen och utövar tillsyn över AI-modeller för allmänna ändamål. I Tyskland gör genomförandelagen KI-MIG (i kraft sedan den 29 juli 2026) Bundesnetzagentur (den tyska förbundsnätmyndigheten) till central marknadskontrollmyndighet, medan sektorsmyndigheter som BaFin fortsatt är ansvariga. Enligt Digital Omnibus gäller skyldigheterna för högrisksystem först från december 2027 eller augusti 2028 (läge oktober 2026; inte juridisk rådgivning).
Den enhet som språkmodeller räknar text i. En token motsvarar ungefär en del av ett ord; AI-kostnaderna baseras på den.
En token är den minsta textenhet som en språkmodell bearbetar, oftast en del av ett ord, ett kort ord eller ett skiljetecken. Modeller läser indata och genererar svar token för token, och storleken på kontextfönstret mäts också i tokens. Eftersom leverantörer tar betalt för indata- och utdatatokens avgör tokens direkt kostnader och begränsningar: långa instruktioner och omfattande bakgrundskunskap ökar förbrukningen.
Token smuggling är en form av jailbreaking där oönskade instruktioner förklädas, till exempel delas upp i fragment, kodas om eller skrivs med tecken som ser likadana ut som andra, så att enkla nyckelordsfilter missar dem medan språkmodellen ändå förstår deras innebörd. Skydd är bland annat att normalisera indata innan de bedöms, innehållsbaserade snarare än rent ordbaserade kontroller, granskning av utdata och att ge AI-agenter så få behörigheter som möjligt.
Månatligt tak för en arbetsytas AI-användning.
Top-k-noggrannhet mäter hur ofta rätt svar finns bland en modells k mest sannolika förslag. Med top-1 räknas bara den första förutsägelsen; med top-5 räcker det att rätt klass finns bland de fem bästa, ett välkänt mått från benchmarks för bildigenkänning som ImageNet. Det är användbart överallt där användare ser flera förslag, till exempel produktrekommendationer eller autokomplettering.
Torch är ett ramverk för maskininlärning med öppen källkod som bygger på skriptspråket Lua; dess version Torch7 användes flitigt inom forskning och industri under 2010-talet. Det betraktas som föregångaren till PyTorch, som tog över idéer och delar av Torchs C-bibliotek men använder Python. Enligt sitt officiella arkiv utvecklas Torch inte längre aktivt och har i dag liten relevans för nya projekt.
Vid överföringsinlärning (transfer learning) fungerar en modell som redan har lärt sig en stor allmän uppgift som utgångspunkt för en ny, specialiserad. I stället för att börja från noll anpassas den, till exempel genom finjustering, med jämförelsevis lite egna data. Det sparar beräkningstid och data, till exempel när en allmän bildmodell ska lära sig upptäcka produktionsfel i foton.
Transformern är en arkitektur för neurala nätverk som introducerades 2017 i forskningsartikeln ”Attention Is All You Need”. I kärnan finns uppmärksamhetsmekanismen: varje ord vägs i förhållande till alla andra ord i en text, och beräkningen kan parallelliseras effektivt. Transformers ligger till grund för dagens språkmodeller som GPT, Claude och BERT och används också för bilder och ljud.
Träningsdata är de exempel som en AI-modell lär sig mönster av: stora textsamlingar för språkmodeller, märkta bilder för bildmodeller. Deras kvalitet, mångfald och aktualitet avgör till stor del hur tillförlitlig och rättvis en modell är och hur aktuell dess kunskap blir. För organisationer spelar det också roll om en leverantör använder de kunddata som de matar in för vidare träning.
Träningsfel anger hur mycket en modells förutsägelser avviker från de korrekta värdena på exakt de data den tränades på. I sig säger det lite: det som räknas är jämförelsen med generaliseringsfelet på nya data. Ett högt träningsfel tyder på underanpassning; ett mycket lågt träningsfel i kombination med ett högt fel på testdata signalerar vanligtvis överanpassning.
Turingtestet går tillbaka på matematikern Alan Turing, som beskrev det 1950 som ”imitationsspelet”. En person för skriftliga samtal med en människa och en maskin; om personen inte på ett tillförlitligt sätt kan avgöra vilken som är maskinen anses testet vara godkänt. Dagens språkmodeller för ofta mycket människolika samtal, men testet säger bara något om övertygande språk, inte om förståelse eller tillförlitlighet.
Underanpassning uppstår när en modell är för enkel för att fånga sambanden i data. Den gör då många fel både på träningsdata och på nya data, till exempel när en rät linje används för att beskriva ett tydligt krökt mönster. Åtgärder är en kraftfullare modell, mer informativa särdrag, längre träning eller mindre regularisering; det motsatta problemet är överanpassning.
Upptäckt av ekonomiska bedrägerier omfattar metoder som avslöjar bedräglig verksamhet inom betalningar, kreditkort, försäkring eller bokföring. AI-modeller lär sig de typiska mönstren hos legitima transaktioner och flaggar avvikelser – som ovanliga belopp, platser eller tidpunkter – ofta i realtid. Det är avgörande att hitta rätt balans mellan upptäckta bedrägerier och falsklarm. Misstänkta fall bör granskas av människor innan konton spärras eller betalningar nekas.
Utbyggbarhet är mjukvarans förmåga att ta emot nya funktioner, datakällor eller anslutningar utan att kärnan byggs om. Typiska medel är programmeringsgränssnitt (API:er), webhooks, insticksmoduler och öppna standarder som Model Context Protocol (MCP). För företag innebär en utbyggbar AI-lösning att den fungerar tillsammans med befintliga system som ett CRM eller en webbutik och kan växa med förändrade krav.
En AI-prototyp är en tidig, fungerande version av en AI-applikation som låter ett team testa en idé snabbt och till en rimlig kostnad. I stället för att planera i månader prövar man den med verkliga data och användare för att se om AI:n löser uppgiften tillräckligt tillförlitligt, vilka data som saknas och vilket värde den ger. Exempel: en assistent som förhandssorterar kundförfrågningar testas på en del av inkorgen i två veckor innan man beslutar om en bredare utrullning.
En vertikal AI-agent är skräddarsydd för en specifik bransch eller specialistuppgift, som kundsupport inom e-handel, tidsbokning på vårdmottagningar eller säljförfrågningar inom maskinindustrin. Till skillnad från allmänna assistenter känner den till terminologin, processerna och reglerna inom sitt område eftersom den är utrustad med lämpliga instruktioner, kunskap och verktyg. Därför ger den vanligtvis mer exakta och tillförlitliga resultat inom sin domän.
Vibe coding beskriver ett arbetssätt där programvara skapas huvudsakligen genom beskrivningar på naturligt språk och AI-genererad kod accepteras i stort sett utan granskning. Termen myntades av AI-forskaren Andrej Karpathy i februari 2025. Det kan vara användbart för snabba prototyper, men i produktion innebär det risk för oupptäckta säkerhetsbrister, svårunderhållen kod och beroenden som ingen i teamet egentligen förstår, så kodgranskning och testning är fortfarande avgörande.
En AI-webbplatsgenerator skapar automatiskt en webbplats, inklusive sidstruktur, layout, texter och bildförslag, utifrån några få uppgifter som bransch, erbjudande och önskad stil. Det ger småföretag eller projekt en snabb närvaro på nätet utan programmeringskunskaper. Resultaten är en utgångspunkt: innehåll, lagstadgad information, tillgänglighet och sökmotoroptimering bör sedan kontrolleras och justeras.
En internetadress som startar ett flöde så snart ett annat program skickar data till den.
Whisper är en modell för automatisk taligenkänning som OpenAI släppte i september 2022. Den omvandlar talat språk på många språk till text och kan även översätta inspelningar till engelska. Dess kod och modellvikter är tillgängliga under den öppna MIT-licensen, så Whisper kan också köras på egen hårdvara, en fördel när ljuddata inte ska lämna organisationen. Typiska användningsområden är transkriptioner av möten och intervjuer samt undertexter.
Windowing innebär att långa data delas upp i avsnitt (”fönster”) med fast längd, som ofta överlappar. I AI-tillämpningar delar detta upp långa dokument i sökbara delar; överlappningen säkerställer att en mening vid en avsnittsgräns inte förlorar sitt sammanhang. Glidande fönster används också med tidsserier och ljudsignaler för att analysera data bit för bit.
Writer (writer.com) är ett amerikanskt företag, grundat 2020, som erbjuder en plattform för generativ AI i företag. Det utvecklar en egen familj av språkmodeller kallad Palmyra och tillhandahåller verktyg som företag kan använda för att bygga AI-agenter, koppla dem till sin egen kunskap och styra dem med regler för varumärkesröst och godkännanden (läget i oktober 2026). Det används främst för innehåll och arbetsflöden inom marknadsföring, försäljning och kundkommunikation.
Writesonic är en AI-tjänst som först blev känd som ett verktyg för att skapa marknadsföringstexter. Leverantören positionerar sig nu som en plattform för synlighet i både traditionell och AI-driven sökning: den syftar till att mäta hur ofta ett varumärke nämns i AI-assistenters svar och att förbättra innehåll för SEO och generative engine optimization (GEO) (läget i oktober 2026). Främsta målgrupp är marknadsföringsteam och byråer.
XGBoost (Extreme Gradient Boosting) är ett bibliotek med öppen källkod som implementerar gradient boosting med beslutsträd på ett särskilt effektivt sätt. Många små träd tränas efter varandra, där vart och ett rättar till föregångarnas fel, medan regularisering hjälper till att förebygga överanpassning. XGBoost anses vara ett beprövat val för tabelldata, till exempel vid kreditriskbedömning, förutsägelse av kundbortfall eller försäljningsprognoser.
En zero-click-sökning uppstår när användare får sitt svar direkt på resultatsidan, till exempel via utvalda svarsrutor eller AI-genererade sammanfattningar, och inte längre klickar sig vidare till en webbplats. För företag minskar detta trafiken även när deras innehåll fungerar som källa. Att synas som citerad källa blir därför viktigare: med tydliga svar, belagda fakta och välstrukturerade sidor.
Zero-shot-inlärning innebär att en modell kan lösa en uppgift utan att i förväg ha sett specifika exempel på den. Stora språkmodeller kan till exempel genomföra en översättning eller klassificering enbart utifrån en beskrivning i prompten. Om kvaliteten inte räcker till hjälper ofta few-shot-inlärning: man lägger till några exempel på det önskade svaret.
3D-rekonstruktion omfattar metoder som beräknar en tredimensionell modell av ett föremål eller ett rum utifrån foton, video eller sensordata. Typiska tillvägagångssätt matchar flera bilder tagna från olika vinklar eller utvärderar djupdata från laser- och djupsensorer. Tekniken används inom lantmäteri, kulturarvsvård, medicin, robotik och e-handel – till exempel för att göra en skanning med smarttelefonen till en 3D-produktmodell som går att rotera.
Välj ett abonnemang eller prata med oss om ditt projekt.
