Hör ni dagligen ord som LLM, RAG, token eller hallucination – men teamet lägger mer tid på att reda ut begrepp än att leverera resultat? Ett gemensamt språk sparar tid, minskar missförstånd och gör AI-satsningar mer träffsäkra. Denna AI-termer A-ö (a-z glossary) ger ledningsgrupper och projektteam en snabb, tydlig referens.

Ni får korta, affärsrelevanta förklaringar och när termerna är viktiga i praktiken. Resultatet: snabbare beslut, bättre kravställning och mer effekt i pågående AI-projekt.

Artikeln samlar nyckelbegrepp från A–Ö, visar hur ni använder ordlistan i vardagen och länkar vidare till fördjupningar för de mest centrala områdena.

Hur du använder AI-termer A-ö (a-z glossary) i vardagen

Använd ordlistan i offerter, projekt-PM och styrgruppspresentationer så att alla menar samma sak med t.ex. ”RAG”, ”finjustering” eller ”hallucinationer”. Skapa en intern lathund (1–2 sidor) med de 15 termer ni använder mest och länka till denna AI-termer A-ö (a-z glossary) för fördjupning. Vid upphandling eller POC – be leverantören beskriva hur de hanterar ”bias”, ”guardrails” och ”förklarbarhet (XAI)”.

A–Ö: centrala AI-termer för beslutsfattare

Algoritm: En steg-för-steg-instruktion som löser en uppgift, ofta kärnan i AI-lösningar som analyserar data eller gör förutsägelser^[8].

API (programmeringsgränssnitt): Regler som låter system prata med varandra – avgörande för att koppla AI till era befintliga system^[8].

Artificiell intelligens (AI): Maskiners förmåga att utföra uppgifter som kräver mänsklig intelligens, som att lära, resonera och förstå språk^[2][7][8]. För helhetsbild, se Vad är AI?

Attention: Mekanism som hjälper modeller att fokusera på relevanta delar i indata – central i moderna språkmodeller^[4][7].

Autoencoder: Nätverk som komprimerar och återskapar data, används för t.ex. anomali-detektering och generativa uppgifter^[1][7].

Big data: Stora, snabba och varierade datamängder som möjliggör mönster- och trendanalys. Globalt skapas ca 402,74 miljoner terabyte data per dag^[3].

Bias (snedvridning): Systematiska fel i data eller modell som ger orättvisa resultat. Måste hanteras för rättvisa beslut^[1][4][8].

BERT: Språkmodellarkitektur introducerad 2018 som ofta används som baslinje inom språkförståelse^[1].

Chattbot: Program som simulerar dialog för t.ex. kundservice och intern support^[1][2][8].

Djuplärning: Del av maskininlärning där djupa neurala nät lär sig komplexa mönster – effektivt för bild- och taligenkänning^[2][8].

Edge computing: Databehandling nära datakällan för snabbare svar och realtid^[2].

Embeddings: Vektorrepr. av ord/objekt som fångar betydelse och likhet – används i sök och rekommendation^[4].

Förklarbar AI (XAI): Metoder som gör modellens beslut begripliga för människor, viktiga i reglerade processer^[2].

Förstärkningsinlärning (RL): Modell lär genom belöningar/straff i en miljö – används i optimering och autonom styrning^[2][8].

Federerad inlärning: Träning sker lokalt på enheter, endast modelluppdateringar delas – minskar datadelning och stärker integritet^[2].

Finjustering (fine-tuning): Vidareträning av förtränad modell på ert domäninnehåll för högre träffsäkerhet^[4][5].

GAN: Generativa adversariala nätverk med en generator och en diskriminator som tävlar – ger realistiska bilder/data^[1][5].

Generativ AI: Skapar nytt innehåll (text, bild, ljud) utifrån inlärda mönster^[2][5][8]. Läs mer i Vad är generativ AI?

Guardrails: Säkerhetsmekanismer som filtrerar in-/utdata för att motverka skada, bias och olämpligt innehåll^[4][8].

Hallucination: När modellen levererar trovärdiga men felaktiga svar – kräver källstöd och kontroller^[4][8].

Hyperparameter: Förinställd inställning som styr hur modellen lär, t.ex. inlärningshastighet eller antal lager^[2][3][8].

Inferens: När en färdigtränad modell används för att förutsäga/klassificera nya data^[2].

Kunskapsgraf: Strukturerar relationer mellan entiteter och gör sök och rekommendationer mer träffsäkra^[2][3][7].

Maskininlärning (ML): System lär från data för att förbättra prestanda utan att vara explicit programmerade för varje fall^[2][8].

Multimodal modell: Hanterar flera datatyper, t.ex. text + bilder, för rikare förståelse^[3].

NLP (språkbehandling): Tekniker som låter datorer förstå och generera mänskligt språk^[2][8].

Neuralt nätverk: Nätverk av ”neuroner” som lär mönster, grunden för modern AI^[2][7][8].

Overfitting (överanpassning): Modellen blir för bra på träningsdata och presterar sämre på ny data – motverkas med regularisering/validering^[2][8].

Prompt: Användarens instruktion till modellen – kvaliteten på prompten avgör ofta kvaliteten på svaret^[4][8]. Se Vad är prompt engineering?

RAG (Retrieval-Augmented Generation): Modellen hämtar fakta från era källor innan den svarar, minskar hallucinationer och ger spårbarhet^[4]. För val mellan tillvägagångssätt, se AI RAG vs fine-tuning.

Supervised/Unsupervised learning: Övervakad inlärning tränas på märkta data; oövervakad hittar mönster utan etiketter^[2][7][8].

Token: Minsta textenhet som modellen hanterar; ca 4 tecken eller ¾ ord i genomsnitt^[4].

Transfer learning: Återanvändning av förtränad modell för ny uppgift – sparar tid och resurser^[2][8].

Valideringsmängd: Delmängd data för att trimma hyperparametrar och undvika överanpassning^[2].

I denna AI-termer A-ö (a-z glossary) fokuserar vi på affärsnytta: när begreppet påverkar ROI, risk, kravställning eller driftsättning. Behöver ni en djupare väg framåt med processer, kostnader och kompetens? Se våra guider som AI implementeringsguide och AI kostnader för företag.