En ordlista som förklarar ord som handlar om AI

Välkommen till Ordkollens AI-ordlista – en ordlista som förklarar betydelsen av ord om AI. Här reder vi ut de vanligaste förkortningarna och begreppen inom AI.

Vanliga termer och förkortningar inom artificiell intelligens

A

AI (Artificial Intelligence / Artificiell intelligens): Samlingsnamn för datorsystem som kan utföra uppgifter som normalt kräver mänsklig intelligens, såsom att resonera, lära sig och lösa problem.
Agent (AI Agent): En typ av avancerad AI som kan utföra komplexa mål i flera steg på egen hand, till exempel att boka en resa eller köra kod utan att människan behöver styra varje steg.
Alignment (Anpassning): Processen att säkerställa att en AI:s mål, beteende och värderingar stämmer överens med människors intentioner, etik och säkerhet.

B

BERT (Bidirectional Encoder Representations from Transformers): En tidig språkmodell från Google (lanserat 2018) som revolutionerade hur sökmotorer förstår sammanhanget i ord genom att läsa text både bakåt och framåt samtidigt.
Black Box (Svart låda): Ett begrepp för AI-modeller vars interna beslutsprocess är så komplex att inte ens dess skapare exakt kan förklara varför den kom fram till ett visst svar.

C

Context Window (Kontextfönster): Den mängd text (mätt i tokens) som en språkmodell kan ”komma ihåg” och bearbeta under en och samma konversation. Ett större kontextfönster gör att modellen kan läsa in hela böcker eller långa kodbaser på en gång.
Fine-Tuning (Finjustering): Att ta en färdigtränad AI-modell och träna den vidare på en specifik, mindre datamängd för att göra den expert på ett visst ämne eller en viss stil.

D

DL (Deep Learning / Djupinlärning): En avancerad form av maskininlärning som bygger på stora, flerskiktade neurala nätverk (därav ”djupt”). Denna teknik gör det möjligt för datorer att bearbeta ostrukturerad data som bilder, ljud och komplex text på ett sätt som efterliknar den mänskliga hjärnans bearbetning.

E

Embedding (Inbäddning): En metod där ord, fraser eller hela dokument omvandlas till matematiska tal (vektorer) i ett mångdimensionellt utrymme. Detta gör att datorn kan förstå semantiska relationer, så att ord med liknande betydelse hamnar nära varandra (till exempel att ”kung” och ”drottning” kopplas samman).

F

Few-Shot Prompting: En teknik där man ger AI:n några få exempel på hur en uppgift ska utföras direkt i sin prompt innan den förväntas lösa den på riktigt.
Fine-Tuning (Finjustering): Att ta en redan färdigtränad AI-modell och träna den vidare på ett mindre, specialiserat dataset. Detta gör modellen till expert på en viss nisch, ett specifikt språk eller en viss skrivstil utan att man behöver träna en helt ny modell från grunden.

G

GAN (Generative Adversarial Network): En arkitektur där två AI-modeller tävlar mot varandra – en som skapar falskt innehåll (t.ex. bilder) och en som fungerar som polis för att upptäcka om det är fejk eller äkta.
GEO (Generative Engine Optimization): Sökmotoroptimering anpassad för AI-drivna söksystem och språkmodeller (som ChatGPT och Google AI Overviews) snarare än traditionella sökresultat.
GPT (Generative Pre-trained Transformer): OpenAIs serie av språkmodeller. ”Generative” betyder att den skapar innehåll, ”Pre-trained” att den grundtränats på enorma datamängder, och ”Transformer” är själva den neuronnätverksarkitektur den bygger på.
GPU (Graphics Processing Unit): Grafikkort. Den typ av hårdvara som krävs för att träna och köra tunga AI-modeller effektivt tack vare sin förmåga att utföra tusentals beräkningar samtidigt.
Grounding (Jordning / Verifiering): En teknik inom AI där en språkmodells svar förankras i verifierbar, extern data (såsom en specifik dokumentdatabas, företagets interna filer eller realtidsresultat från en sökmotor). Genom att tvinga AI:n att basera sina svar på medföljande källor i stället för enbart på sitt interna träningsminne minskar man risken för hallucinationer drastiskt och kan säkerställa att svaren är faktabaserade.

H

Hallucination: När en AI-modell hittar på fakta, ljuger eller presenterar felaktig information med fullt förtroende och skapar svar som låter rimliga men är falska.
HF / Hugging Face: En populär plattform och gemenskap för AI-utvecklare där man delar öppna källkodsmodeller, dataset och verktyg.

I

In-Context Learning: Språkmodellernas förmåga att lösa nya uppgifter direkt baserat på den instruktion (prompt) de får, utan att man behöver träna om själva modellen.

L

LLM (Large Language Model / Stora språkmodeller): Tränade AI-modeller som specialiserat sig på att förstå, bearbeta och generera mänskligt språk. Exempel inkluderar GPT-4, Claude och Gemini.

M

MCP (Model Context Protocol): Ett öppet protokoll (framtaget av bl.a. Anthropic) som fungerar som en standardiserad ”USB-port” för AI. Det gör att språkmodeller på ett säkert och strukturerat sätt kan koppla upp sig mot externa datakällor, databaser, API:er och verktyg utan att utvecklaren behöver skriva specialanpassade integrationer för varje enskild tjänst.
ML (Machine Learning / Maskininlärning): Ett delområde inom artificifikell intelligens där datorsystem tränas att själva lära sig mönster och fatta beslut utifrån data, snarare än att få hårdkodade regler skrivna av en programmerare. Systemet förbättras automatiskt ju mer data det matas med.
Multimodal AI: AI-system som kan hantera och förstå flera olika typer av data samtidigt, till exempel text, bild, ljud och video (vilket gör att du kan skicka en bild till ChatGPT och få den beskriven).

N

NLP (Natural Language Processing / Naturlig språkbehandling): Det vetenskapliga fältet inom datavetenskap och lingvistik som handlar om att få datorer att förstå och generera mänskligt språk.
Neural Network (Neuralt nätverk): En datastruktur inspirerad av den mänskliga hjärnan, uppbyggd av artificiella neuroner, som utgör grunden för modern maskininlärning och djupinlärning.

O

Open Source (Öppen källkod): Modeller vars källkod, träningsvikter och arkitektur är fritt tillgängliga för vem som helst att ladda ner, modifiera och köra lokalt på sin egen hårdvara (till exempel Metas Llama-modeller).

P

Parameter: Variabler i ett neuralt nätverk som modellen justerar under träningen. Ju fler parametrar en språkmodell har (t.ex. hundratals miljarder), desto mer komplexa mönster kan den i regel lära sig.
Perplexity (Perplexitet): Ett mått inom maskininlärning på hur ”förvånad” en språkmodell blir av en text. Det används för att mäta hur bra en modell är på att förutsäga nästa ord; ju lägre perplexitet, desto bättre förstår modellen sammanhanget. Perplexity är också namnet på en känd AI-sökmotor/svarsmotor.
Prompt (Prompt): Den instruktion, fråga eller det kommando som en människa ger till en AI-modell för att få ett svar.
Prompt Engineering: Konsten att formulera och strukturera sina prompter på ett smart sätt för att få ut bästa möjliga resultat av en AI-modell.

R

RAG (Retrieval-Augmented Generation): En teknik där man kopplar upp en språkmodell mot en extern databas (som ett företags dokumentarkiv) så att den kan söka fram rätt fakta innan den formulerar sitt svar, vilket minskar risken för hallucinationer.
RLHF (Reinforcement Learning from Human Feedback): En träningsmetod där människor betygsätter AI:ns svar för att lära modellen vad som är hjälpsamt, säkert och önskvärt, vilket gör den mer användarvänlig.

T

Temperature (Temperatur): En inställning i en språkmodell som styr hur kreativ, slumpmässig eller oväntad dess text blir. En låg temperatur (nära 0) gör att modellen väljer de mest sannolika och förutsägbara orden, vilket passar för fakta och kod. En hög temperatur ökar slumpmässigheten, vilket ger mer kreativa och varierade svar men också högre risk för felaktigheter.
Token: Den grundläggande enheten som en språkmodell läser och skriver text i. En token är inte ett helt ord, utan motsvarar ungefär fyra tecken på engelska (eller en stavelse/del av ett ord på svenska).
Tokenization (Tokenisering): Processen att dela upp en löpande text i mindre bitar (tokens) – som kan vara hela ord, stavelser eller enskilda tecken – innan texten skickas in i språkmodellen för bearbetning.
Transformer: Den banbrytande neuronnätverksarkitektur som presenterades av Google 2017. Den gör att AI:n kan förstå sammanhanget i ord genom att väga deras relationer till varandra, oavsett var i texten de befinner sig.
Turing Test (Turingtestet): Ett klassiskt test för att mäta om en maskin kan uppvisa ett beteende som är identiskt med en människas, så att en domare inte kan skilja maskinen från en människa i en konversation.

U

UCP (Universal Commerce Protocol): Ett öppet standardiserat protokoll (lanserat av Google tillsammans med e-handelsjättar och betalaktörer) som gör det möjligt för AI-agenter att utföra hela köp- och affärstransaktioner direkt i konversationen. UCP fungerar som ett gemensamt språk mellan e-handlare, betalningssystem och AI-assistenter, vilket gör att en agent kan söka efter produkter, skapa en varukorg, applicera rabatter och slutföra betalningen (utan att användaren behöver klicka runt på massa externa webbsidor) samtidigt som handlaren behåller kundrelationen.

V

Vector Database (Vektordatabas): En specialiserad databas som lagrar information som matematiska vektorer, vilket gör det möjligt för AI-system att söka efter betydelse och kontext snarare än exakta sökord.
Vibe Coding: Att bygga applikationer och programvara genom att enbart ge naturliga språkinstruktioner (proffsiga prompter) till AI-agenter, utan att själv skriva eller redigera koden rad för rad.

W

WebMCP (Web Model Context Protocol): En vidareutveckling av MCP-tänket som anpassats direkt för webbläsare. Det är en föreslagen standard som gör att en webbsida kan exponera strukturerade verktyg (som JavaScript-funktioner eller formulär) direkt för AI-agenter. Istället för att en AI-agent ska behöva läsa av webbsidans utseende (DOM) och gissa sig till hur knappar fungerar, kan webbsidan deklarera exakt vilka åtgärder som finns tillgängliga i ett maskinläsbart format.

Z

Zero-Shot Prompting: När en AI-modell ombeds att lösa en helt ny uppgift enbart utifrån en beskrivning i prompten, utan att den har fått några förkunskaper, träningsdata eller exempel på förhand.