AI-ordlista
Viktiga AI- och företagsteknologitermer — praktiska, jargongfria förklaringar.
135 terms
A
A/B-testning av AI-modeller
A/B-testning av AI-modeller jämför flera modellversioner i produktion med statistisk säkerhet för att avgöra vilken som ger bäst affärsresultat.
Läs mer →A2A (Agent-to-Agent Protocol)
Protokoll för kommunikation mellan AI-agenter från olika leverantörer — möjliggör samarbete mellan Google-, Microsoft- och Salesforce-agenter.
Läs mer →Adversariella attacker mot AI
Attacktekniker som manipulerar AI-modellindata för att orsaka fel — från bildperturbationer till textbaserade attacker.
Läs mer →Agentic AI
AI-system som kan planera, fatta beslut och utföra flerstegsuppgifter autonomt utan konstant mänsklig tillsyn.
Läs mer →AI Act-riskklassificering
EU AI Acts fyranivåiga riskklassificeringssystem — från förbjudna till minimala risksystem med motsvarande krav.
Läs mer →AI Alignment
Forskning om att säkerställa att AI-system agerar i enlighet med mänskliga värderingar och avsikter — även i oförutsedda situationer.
Läs mer →AI as a Service (AIaaS)
Leverans av AI-kapabiliteter som molntjänster — tillgång till modeller, infrastruktur och plattformar utan att bygga själv.
Läs mer →AI Center of Excellence
En dedikerad organisationsenhet som driver AI-adoption genom att tillhandahålla expertis, standarder, bästa praxis och delade resurser.
Läs mer →AI Governance
Organisatoriskt ramverk för hantering av AI i företaget — policyer, processer, ansvarsutkrävande och regelefterlevnad.
Läs mer →AI Guardrails
Skyddsmekanismer som begränsar AI-modellers beteende — innehållsfilter, utdatavalidering, behörighetsbegränsningar och säkerhetskontroller.
Läs mer →AI inom finanssektorn
Hur AI transformerar finansiella tjänster genom bedrägeridetektering, riskbedömning, handelsautomatisering och regelefterlevnad.
Läs mer →AI inom HR och rekrytering
Tillämpningar av AI inom HR, från kandidatscreening till medarbetarengagemang, med uppmärksamhet på biasrisker och regulatoriska krav.
Läs mer →AI inom hälsovård
Tillämpningar av AI inom hälso- och sjukvård — diagnostik, läkemedelsutveckling, kliniskt beslutsstöd och patienthantering.
Läs mer →AI inom juridik
Hur AI transformerar juridiska tjänster — dokumentgranskning, kontraktsanalys, juridisk forskning och efterlevnadsautomatisering.
Läs mer →AI inom kundtjänst
Hur AI förbättrar kundserviceupplevelsen — chattbotar, självbetjäning, agentassistans och proaktiv support.
Läs mer →AI inom logistik
AI-lösningar för optimering av leveranskedjor, ruttplanering, lagerhantering och efterfrågeprognoser.
Läs mer →AI inom marknadsföring
AI-tillämpningar inom marknadsföring — personalisering, kampanjoptimering, innehållsproduktion och kundsegmentering.
Läs mer →AI inom mjukvarutestning
Hur AI används inom mjukvarutestning — automatisk testgenerering, felsökning och testoptimering.
Läs mer →AI inom tillverkning
AI-tillämpningar inom tillverkning — kvalitetskontroll, prediktivt underhåll, processoptimering och leveranskedja.
Läs mer →AI och GDPR
Krav och bästa praxis för GDPR-efterlevnad vid användning av AI för behandling av personuppgifter.
Läs mer →AI Pipeline
Sekvensen av databearbetnings- och modellkörningssteg som förbinder rådata med AI-modellprognoser i produktion.
Läs mer →AI Red Teaming
Testning av AI-systemsäkerhet genom simulerade attacker — hitta sårbarheter, kringgå guardrails och upptäcka metoder för modellmanipulation.
Läs mer →AI Sandbox
En isolerad testmiljö för säker experimentering med AI-modeller och agenter utan risk för produktionssystem.
Läs mer →AI-bildgenerering
AI-system som skapar fotorealistiska bilder, konst och grafik från textbeskrivningar eller befintliga bilder.
Läs mer →AI-dataanonymisering
Automatisk borttagning eller maskering av personuppgifter (PII) i träningsdata och AI-modellfrågor, GDPR-kompatibelt.
Läs mer →AI-dokumentsammanfattning
AI-tekniker för automatisk kondensering av långa dokument till kortfattade, exakta sammanfattningar.
Läs mer →AI-driven kunskapshantering
Användning av AI för att fånga, organisera och leverera organisatorisk kunskap — intelligent sökning och automatisk taggning.
Läs mer →AI-driven OCR
AI-förbättrad optisk teckenigenkänning som extraherar text från bilder och dokument med hög noggrannhet.
Läs mer →AI-efterlevnadstestning
Testning av AI-system för regelefterlevnad — AI Act, GDPR, sektorsspecifik reglering.
Läs mer →AI-etik
Principer och praxis för ansvarsfull AI-utveckling — rättvisa, transparens, ansvarsskyldighet och mänskligt välbefinnande.
Läs mer →AI-implementeringsplan
En strukturerad implementeringsplan för AI-projekt — från affärsfall till fullständig produktionsskala med fasade milstolpar.
Läs mer →AI-inferens
Processen att generera svar med en tränad AI-modell — produktionsfasen där modellen bearbetar indata och returnerar resultat.
Läs mer →AI-integration med IT-system
Metoder och mönster för integration av AI-komponenter med befintliga IT-system — API:er, mellanprogramvara och dataarkitektur.
Läs mer →AI-kodgenerering
Användning av AI för automatisk generering, förklaring, granskning och förbättring av källkod i olika programmeringsspråk.
Läs mer →AI-kompetens
Obligatoriskt från februari 2025 — förmågan att förstå och ansvarsfullt använda AI, krävs enligt AI Act Artikel 4.
Läs mer →AI-leveranskedjesäkerhet
Säkerhetsrisker i AI-leveranskedjan — från komprometterade modeller till förgiftade träningsdata och skadliga bibliotek.
Läs mer →AI-mognadsmodell
Ett strukturerat ramverk för att bedöma och mogna en organisations AI-kapabiliteter — från ad hoc till industriell skala.
Läs mer →AI-observerbarhet
Realtidsövervakning av AI-system — spårning av prestanda, kostnader, svarskvalitet och anomalier i produktionsmiljöer.
Läs mer →AI-orkestrering
Samordning av flera AI-modeller och agenter som arbetar tillsammans med komplexa uppgifter — från resursallokering till dataflödeshantering.
Läs mer →AI-parprogrammering
Samarbete med en AI-assistent om mjukvaruutveckling — kodförslag, felsökning och arkitekturrekommendationer i realtid.
Läs mer →AI-partiskhet
Systematiska fördomar i AI-modellutdata till följd av ojämna träningsdata — diskrimineringsrisk och bristande regelefterlevnad.
Läs mer →AI-processautomatisering
Användning av AI för att automatisera repetitiva affärsprocesser — från dokumentbehandling till beslutsarbetsflöden.
Läs mer →AI-resonering
AI-modeller med förbättrade logiska, matematiska och flerasteg-resoneringsförmågor för komplex problemlösning.
Läs mer →AI-responsströmning
Teknik för att leverera AI-genererade svar token för token i realtid — förbättrar den upplevda svarstiden.
Läs mer →AI-revision
Systematisk bedömning av AI-system avseende säkerhet, regelefterlevnad, resultatkvalitet och affärsrisk.
Läs mer →AI-riktmärken
Standardiserade utvärderingsuppsättningar för jämförelse av AI-modellers prestanda — förmågor, säkerhet och effektivitet.
Läs mer →AI-tokenisering
Processen att konvertera text till tokens (ord-/teckenfragment) som AI-modellen förstår — påverkar direkt kostnader och kvalitet.
Läs mer →AI-upphandling
Strategier för upphandling av AI-lösningar — utvärdering av leverantörer, kontraktsförhandling och riskhantering.
Läs mer →AI-vattenmärkning
Tekniker för att bädda in osynliga signaturer i AI-genererat innehåll — för att spåra ursprung och bekämpa felaktig information.
Läs mer →AI-videogenerering
AI-system som genererar, redigerar och transformerar videoinnehåll från text, bilder eller befintliga videor.
Läs mer →Ansvarsfull AI
Ett ramverk för AI-utveckling och -användning som prioriterar rättvisa, transparens, ansvarsskyldighet och mänsklig tillsyn.
Läs mer →Autonoma AI-agenter
AI-system som självständigt planerar, utför och anpassar åtgärdssekvenser för att uppnå komplexa mål med minimal mänsklig inblandning.
Läs mer →C
Chain of Thought
Promptteknik där AI-modellen "tänker högt" — resonerar steg för steg, förbättrar noggrannheten vid komplexa frågor.
Läs mer →Chatbot vs. AI-agent
Skillnaden mellan reaktiva chattbotar och autonoma AI-agenter — från enkla svar till komplexa flerastegarbetsflöden.
Läs mer →CI/CD för AI
Anpassning av CI/CD-principer till AI/ML-modellutveckling och driftsättning — automatiserade pipelines från experiment till produktion.
Läs mer →Cloud AI vs. on-premise AI
Avvägning av molnbaserade AI-tjänster mot on-premise-driftsättning — kostnader, integritet, kontroll och prestanda.
Läs mer →Computer Use (AI)
AI-modellers förmåga att direkt styra en dator — klicka, skriva, navigera gränssnitt som en människa.
Läs mer →Computer Vision
AI-system som tolkar och analyserar bilder och video — från objektigenkänning till medicinsk bilddiagnostik.
Läs mer →D
Dataannotering
Processen att märka rådata (bilder, text, ljud) med taggar och metadata som krävs för att träna övervakade AI-modeller.
Läs mer →Datadrift
Förändringen i statistiska egenskaper hos indata över tid — leder till försämrad modellprestanda i produktion.
Läs mer →Dataförgiftning
Attacker som medvetet förgiftar AI-träningsdata för att skapa sårbarheter eller snedvrida modellbeteende.
Läs mer →Deepfake-detektering
AI-tekniker för att detektera syntetiskt manipulerat ljud, video och bilder — försvaret mot desinformation och bedrägeri.
Läs mer →Differentiell integritet
Matematiskt ramverk som ger kvantifierbara integritetsgarantier genom att lägga till statistiskt brus i data.
Läs mer →Digital tvilling
En virtuell modell av ett fysiskt objekt, system eller process — används för simulering, övervakning och AI-driven optimering.
Läs mer →Dokumentuppdelning (chunking)
Uppdelning av långa dokument i mindre segment för effektiv indexering och hämtning i RAG-system.
Läs mer →E
Edge AI
Köra AI-modeller direkt på slutenheter — utan att skicka data till molnet, med minimal latens.
Läs mer →Embedding (vektorrepresentation)
Representering av text, bilder eller ljud som talvektorer — grunden för semantisk sökning och RAG-system.
Läs mer →Emergenta förmågor inom AI
Oväntade förmågor som uppstår i stora AI-modeller vid tillräcklig skala — inte närvarande i mindre modeller.
Läs mer →EU AI Act-guide
EU AI Act är världens första omfattande rättsliga ramverk för artificiell intelligens, som fastställer regler baserade på risknivåer.
Läs mer →Explainable AI (XAI)
Tekniker som möjliggör förståelse av varför en AI-modell fattade ett givet beslut — avgörande för förtroende, revision och AI Act-efterlevnad.
Läs mer →F
Feature Engineering
Processen att transformera rådata till informativa egenskaper som förbättrar AI-modellers prediktiva förmåga.
Läs mer →Federerat lärande
AI-träningsmetod som håller data lokalt på enheter — modellen tränas utan att centralisera känsliga data.
Läs mer →Fine-tuning
Omträning av en AI-modell på specialiserad data — anpassning av en allmän foundation model till en specifik domän eller uppgift.
Läs mer →Foundation Model
Stor, förtränad AI-modell som fungerar som grund — anpassas via fine-tuning för specifika tillämpningar.
Läs mer →Function Calling
Förmågan hos AI-modeller att strukturerat anropa externa funktioner och API:er under svarsgenerering.
Läs mer →Företagets AI-strategi
En strukturerad plan för AI-adoption på företagsnivå — affärsmål, teknikval, styrning och färdplan.
Läs mer →G
Generativ AI
AI-system som kan skapa nytt innehåll — text, bilder, kod, ljud och video — baserat på inlärda mönster.
Läs mer →GPU och TPU för AI
Specialiserad hårdvara för AI-beräkning — GPU:er och TPU:er accelererar avsevärt både modellträning och inferens.
Läs mer →Grounding AI
Teknik för att förankra AI-modellsvar i faktisk data — eliminera hallucinationer genom att tillhandahålla kontext från tillförlitliga källor.
Läs mer →H
Human-in-the-Loop
Designmönster där en människa verifierar och godkänner AI-beslut — kvalitetskontroll och säkerhet.
Läs mer →Hyperautomatisering
Kombinationen av AI, RPA, processbrytning och analys för att automatisera alla automatiserbara processer i en organisation.
Läs mer →I
Informationshämtning för AI
Tekniker för att effektivt hitta och hämta relevanta dokument och data till AI-modeller i RAG- och söksystem.
Läs mer →Intelligent dokumentbehandling (IDP)
AI-drivna system som extraherar, klassificerar och bearbetar information från ostrukturerade dokument i stor skala.
Läs mer →K
Konfidentiell datorbehandling
Teknik som skyddar data under bearbetning med hjälp av hårdvarubaserade säkra enklaver — avgörande för AI med känsliga data.
Läs mer →Kontextfönster
Maximal mängd text (tokens) en AI-modell kan bearbeta i en enda förfrågan — en viktig LLM-prestandabegränsning.
Läs mer →Konversations-AI
AI-system utformade för naturlig dialog med människor — chattbotar, röstassistenter och interaktiva agenter.
Läs mer →Kunskapsdestillation
Teknik för att överföra kunskap från en stor AI-modell (lärare) till en mindre, mer effektiv modell (elev).
Läs mer →Kunskapsgraf
En strukturerad representation av kunskap som ett nätverk av entiteter och relationer — grund för AI med faktisk precision.
Läs mer →L
Leverantörsinlåsning inom AI
Risken för beroende av en AI-leverantörs plattform — strategier för portabilitet och open source-alternativ.
Läs mer →LLM Routing
Intelligent dirigering av frågor till rätt språkmodell baserat på komplexitet, kostnad och önskad svarskvalitet.
Läs mer →M
Maskinöversättning med AI
AI-drivna system för översättning mellan språk — neural maskinöversättning och domänanpassning.
Läs mer →MCP (Model Context Protocol)
Öppen standard för kommunikation mellan AI-modeller och externa datakällor och verktyg — "USB-C för artificiell intelligens."
Läs mer →Mixture of Experts (MoE)
En neural nätverksarkitektur som aktiverar olika expert-undernätverk beroende på indata för ökad kapacitet.
Läs mer →MLOps
Disciplin som kombinerar ML-teknik med DevOps-principer för att effektivisera modellers livscykel från experiment till produktion.
Läs mer →Modellförgiftning
Attacker som förgiftar AI-modeller under träning för att infoga bakdörrar eller skadligt beteende.
Läs mer →Modellkort
Ett standardiserat dokumentationsdokument som beskriver en AI-modells syfte, prestanda, begränsningar och etiska överväganden.
Läs mer →Modellkvantisering
Teknik för att minska precisionen hos modellparametrar för snabbare och billigare inferens med minimal kvalitetsförlust.
Läs mer →Modellregister
Ett centraliserat arkiv för hantering av AI-modellversioner, metadata, mätvärden och implementeringsstatus.
Läs mer →Modellservering
Infrastruktur och mönster för driftsättning av AI-modeller i produktion med skalbarhet, låg latens och hög tillgänglighet.
Läs mer →Modellversionering
Praxis att spåra och hantera versioner av AI-modeller — reproducerbarhet, möjligheter till återställning och revisionshistorik.
Läs mer →Multiagentsystem
AI-arkitektur där dussintals specialiserade agenter samarbetar kring uppgifter — var och en med unika kompetenser och roller.
Läs mer →Multimodal AI
AI-modeller som bearbetar text, bilder, ljud och video samtidigt — förstår kontext från flera informationskällor.
Läs mer →Multimodal RAG
RAG-system som hämtar och bearbetar flera datatyper — text, bilder, tabeller och ljud — i ett samlat sammanhang.
Läs mer →N
Neurala skalningslagar
Empiriska relationer som beskriver hur AI-modellers prestanda förbättras med modellstorlek, data och beräkning.
Läs mer →NIS2 och artificiell intelligens
NIS2-direktivet i AI-kontext — cybersäkerhetskrav för företag som använder AI-system i kritisk infrastruktur.
Läs mer →NLP (Natural Language Processing)
AI-tekniker för förståelse, behandling och generering av mänskligt språk — grunden för chattbotar, översättning och textanalys.
Läs mer →P
Prediktivt underhåll
Användning av AI för att förutsäga utrustningsfel innan de inträffar — minskar driftstopp och underhållskostnader.
Läs mer →Prompt Engineering
Konsten och vetenskapen att utforma effektiva instruktioner till AI-modeller för att uppnå önskade utdata.
Läs mer →Prompt Injection
Attack som injicerar skadliga instruktioner i AI-modellens indata — för att ta kontroll över dess beteende.
Läs mer →R
RAG (Retrieval-Augmented Generation)
Teknik som kombinerar informationshämtning med generering — AI svarar baserat på aktuella dokument, inte bara sitt "minne."
Läs mer →Rekommendationssystem
AI-system som föreslår relevanta produkter, innehåll eller åtgärder till användare baserat på beteende och preferenser.
Läs mer →Reranking
Teknik för att förbättra RAG-system genom att omordna hämtade dokument baserat på semantisk relevans.
Läs mer →RLHF (förstärkt inlärning från mänsklig feedback)
Träningsmetod som använder mänskliga preferenssignaler för att styra AI-modeller mot användbara, ofarliga och ärliga utdata.
Läs mer →ROI från AI
Metoder för att beräkna och demonstrera affärsvärdet av AI-investeringar — besparingar, produktivitet och strategiska fördelar.
Läs mer →RPA vs. AI
Skillnaden mellan regelbaserad processautomatisering (RPA) och AI-driven intelligens — när man använder vad.
Läs mer →S
Semantisk cachelagring
Cachningsstrategi som lagrar AI-svar baserat på semantisk likhet — minskar API-kostnader för liknande frågor.
Läs mer →Semantisk sökning
Sökteknik som förstår avsikten bakom frågan — returnerar relevanta resultat baserade på mening, inte bara nyckelord.
Läs mer →Sentimentanalys
AI-teknik för automatisk klassificering av stämning i text — positiv, negativ eller neutral — för kundanalys och övervakning.
Läs mer →Shadow AI
Obehörig användning av AI-verktyg av anställda — utan IT-avdelningens vetskap eller kontroll, med risk för dataläckor.
Läs mer →Skalning av AI i organisationer
Strategier för att utöka AI från piloter till produktionsskala i hela organisationen — styrning och förändringsledning.
Läs mer →SLM (Small Language Models)
Kompakta AI-modeller (1–7B parametrar) som körs lokalt, snabbt och billigt — idealiska för specialiserade uppgifter utan molnkostnader.
Läs mer →Strukturerad utdata
Förmågan hos AI-modeller att generera svar i fördefinierade strukturer som JSON, XML eller tabeller.
Läs mer →Syntetisk data
Artificiellt genererade datamängder som bevarar statistiska egenskaper hos originalen — för AI-träning utan integritetskränkningar.
Läs mer →T
Tal-till-text och text-till-tal
AI-system för konvertering av tal till text och text till tal — med hög noggrannhet och flerspråkigt stöd.
Läs mer →Temperatur och Top-P-sampling
Hyperparametrar som styr slumpmässighet och variation i AI-modellutdata — balansen mellan kreativitet och precision.
Läs mer →Total ägandekostnad för AI (TCO)
Ett ramverk för att beräkna de fullständiga kostnaderna för AI-implementering — hårdvara, API-avgifter, talang och underhåll.
Läs mer →Transfer Learning
Teknik som återanvänder kunskap från en förtränad modell för en ny, relaterad uppgift — minskar data- och beräkningskrav.
Läs mer →Transformer-arkitektur
Den grundläggande neurala nätverksarkitekturen bakom moderna LLM:er — self-attention, encoders och decoders.
Läs mer →U
Uppmärksamhetsmekanism
Den centrala komponenten i Transformer-arkitekturen som gör det möjligt för AI-modeller att fokusera på relevanta delar av indata.
Läs mer →Utvärdering av AI-modeller
Systematisk bedömning av AI-modellers prestanda med hjälp av mätvärden, riktmärken och domänspecifika tester.
Läs mer →