Ordlista – AI-begrepp för vardag och app-utveckling¶

Den här ordlistan är framtagen november 2025 för Medialabbet/Katchapp. Fokus: begrepp inom AI kopplat till både vardagsanvändning och app-utveckling.

1. Grundläggande begrepp¶

Begrepp	Vardag	App-utveckling
AI (Artificiell intelligens)	Datorer som gör saker som liknar mänsklig intelligens – t.ex. rekommendationer, stavningskontroll, röstassistenter.	Samlingsnamn för funktioner i din app som analyserar data, hjälper användare att fatta beslut eller skapar nytt innehåll (text, bild, ljud).
ML (Machine Learning)	Program som lär sig från data och blir bättre över tid, t.ex. spamfilter eller rekommendationer.	Modeller som tränas på historisk data (t.ex. närvarostatistik) för att förutsäga eller klassificera saker.
Deep Learning / Djupinlärning	En typ av ML som använder stora neurala nät, t.ex. för bildigenkänning eller röst-till-text.	Tekniken under huven i LLM:er, bildgeneratorer och andra “tunga” AI-funktioner som ofta körs på GPU.
LLM (Large Language Model)	Modeller som ChatGPT – läser och skriver text på ett sätt som upplevs som mänskligt.	Motorn bakom chat-assistenter, auto-sammanfattningar, generering av mejl, aktivitetsbeskrivningar, kod m.m.
Generativ AI	AI som skapar nytt innehåll – text, bilder, musik, video, kod.	Alla funktioner där användaren matar in några ord/punkter och får ett nytt innehåll tillbaka, t.ex. förslag på inlägg eller nyheter.
Chatbot	En chattande assistent på webben eller i en app.	Ett gränssnitt mot en LLM där du styr kontext, regler och begränsningar (t.ex. vad boten får och inte får svara på).

2. Språk, prompts och kontext¶

Begrepp	Vardag	App-utveckling
Prompt	Texten du skriver till en AI, t.ex. “Skriv ett mejl som…”.	All input du skickar till modellen – användarens text plus dold “systemtext” som styr beteendet.
Prompt engineering	Konsten att formulera frågor/uppdrag så att AI:n ger bra, användbara svar.	Design av stabila prompt-mallar som kan återanvändas i kod, t.ex. “skriv aktivitetsbeskrivning i enkel svenska utifrån dessa punkter”.
Systemprompt	Osynlig instruktion som berättar för modellen “vem” den ska vara (t.ex. lärare, coach).	Den statiska prompten du bakar in i backend som definierar roll, ton och regler: t.ex. “Du hjälper ideella föreningar att skriva tydlig, inkluderande text”.
Context / Kontext	Extra info du ger AI:n: bakgrund, tidigare chatt, exempel.	Text och data du skickar med i varje anrop (t.ex. info om föreningen, aktuella aktiviteter) så att svaret blir specifikt och korrekt.
Token	Små textbitar (delar av ord) som modellen arbetar med.	Viktigt för att förstå längdbegränsningar och kostnader – fler tokens = mer kontext och/eller längre svar, men också högre kostnad och längre svarstid.
Context window	Hur mycket modellen kan “ha i huvudet” samtidigt.	Max antal tokens per anrop; avgör hur många dokument, meddelanden eller datapunkter du kan skicka med i en prompt.

3. Data, modeller och träning¶

Begrepp	Vardag	App-utveckling
Dataset	En samling data – t.ex. alla aktiviteter under ett år eller alla mejl i en kampanj.	Underlag för träning, test eller analys, eller för indexering i en sök-/RAG-lösning.
Träning (Training)	När AI:n “lär sig” mönster från data.	Tunga, resurskrävande körningar där modellens parametrar justeras. Görs oftast av leverantörer (OpenAI m.fl.); ni använder vanligen redan tränade modeller.
Fine-tuning	Efterjustering – göra en färdig modell extra bra på ett visst område eller en viss stil.	När ni vill att en modell ska skriva just som Katchapp/FVK/Medialabbet, baserat på egna exempel. Kräver planering kring data, kostnad och driftsättning.
Inference	Själva användningen av modellen – när du ställer en fråga och får svar.	Varje API-anrop från appen till modellen är inference; det är denna del ni betalar för per användning.
Parametrar (i en modell)	Modellens inre “inställningar” (vikter) som den lär sig.	Antalet parametrar påverkar ofta modellens kapacitet, minneskrav och hastighet. Viktigt när man väljer mellan små lokala modeller och stora molnmodeller.

4. Sök, embeddings och RAG¶

Begrepp	Vardag	App-utveckling
Embedding	Ett sätt att göra om text till en sifferlista (vektor) så att AI kan mäta hur lika två texter är.	Används för smart sök – hitta liknande dokument, frågor eller aktiviteter baserat på betydelse och inte bara exakta ord.
Vektor-databas	En databas som lagrar embeddings och kan hitta “närmsta grannar” (mest liknande texter).	Byggblock för RAG: ni kan lagra föreningens dokument och låta modellen slå upp relevanta bitar inför varje svar.
RAG (Retrieval-Augmented Generation)	Teknik där AI först hämtar fakta från en källa och sedan skriver ett svar utifrån det.	Viktig om ni vill att AI-funktioner ska svara utifrån Katchapps/FVK:s egna dokument, istället för att hitta på eller använda allmän nätkunskap.
Hallucination	När AI hittar på saker som låter trovärdiga men är fel.	En central risk – särskilt om modellen inte får rätt kontext. Därför behövs RAG, tydliga begränsningar och mänsklig kontroll vid känsliga användningsfall.

5. Infrastruktur, API och prestanda¶

Begrepp	Vardag	App-utveckling
API (Application Programming Interface)	Ett sätt för program att prata med varandra – t.ex. en app som skickar text till en AI-tjänst och får svar tillbaka.	Katchapp eller utvecklingsverktyg kallar AI-modeller via HTTP-anrop, oftast JSON-baserade API:er.
Endpoint	En specifik “adress” i ett API där du kan göra en viss typ av anrop.	T.ex. `/chat/completions` för text, `/images` för bild. Varje endpoint har sina parametrar och begränsningar.
Latency (Fördröjning)	Tiden det tar från att du skickar något tills du får svar; upplevs som “segt” eller “snabbt”.	Påverkar användarupplevelsen. Beror på modellstorlek, nätverk, mängd kontext och var modellen körs (lokalt/moln).
GPU (Grafikprocessor)	Grafikkort – ofta för spel, men också viktigt för AI.	Används vid träning och ibland inference av modeller lokalt (t.ex. på en server som nasty-render). Moln-API:er döljer detta, men kostnaden speglar GPU-användning.
Molntjänst / Cloud	När beräkning och lagring sker på servrar online istället för på din egen dator.	De flesta AI-API:n är molnbaserade. Katchapp kan även köras i molnet, medan utvecklingsmiljöer kan vara lokala eller hybrida.

6. Ansvar, etik och säkerhet¶

Begrepp	Vardag	App-utveckling
Bias	Snedvridningar eller fördomar i AI:ns svar, t.ex. att vissa grupper framställs stereotypt.	Extra viktigt när målgruppen är sårbar (t.ex. psykisk ohälsa). Svar måste granskas och riktlinjer tas fram för ton och innehåll.
Säkerhet (Security)	Skydd mot obehörig åtkomst, dataläckor och sabotage.	API-nycklar, användardata och interna dokument måste hanteras säkert. AI-tjänster ska bara få den data de behöver.
Integritet / Privacy	Hur personuppgifter hanteras enligt lagar som GDPR.	Ni måste veta vilken data som skickas till AI-tjänster, vilka som är personuppgifter och hur länge den lagras.
Anonymisering	Att ta bort eller ändra personuppgifter så att individen inte kan identifieras.	Viktigt när ni vill använda verkliga texter/loggar som underlag för AI utan att röja identiteter.

7. AI-agenter och orkestrering¶

Begrepp	Vardag	App-utveckling / infrastruktur
AI-agent	En mer “självgående” AI som inte bara svarar på en fråga, utan försöker uppnå ett mål genom flera steg.	En LLM som får ett uppdrag (t.ex. “sätt upp en ny microservice”) och kan planera delsteg, använda verktyg (API:er, filsystem, Git) och uppdatera sin plan under tiden.
Verktyg / Tools (Tool calling)	Sätt för agenten att göra saker utanför ren text, t.ex. kolla vädret eller läsa en fil.	Funktioner ni exponerar för agenten: “kör Git-kommando”, “generera Docker-fil”, “läs teknisk spec från repo”, “skapa pull request”. Plattformar som Flowise låter dig definiera sådana verktyg.
Orkestrering	Att styra flera delar så de spelar ihop – som en dirigent för en orkester.	Lagret som bestämmer när och hur agenter körs, vilka verktyg de får använda, hur fel hanteras och hur resultatet skickas vidare (t.ex. till CI/CD eller utvecklaren).
Workflow / Flöde	En kedja av steg: “gör A, sen B, sen C”.	En definierad kedja av AI- och verktygsanrop, t.ex. “1) läs teknisk spec → 2) generera kod → 3) kör tester → 4) skapa PR”. I grafiska verktyg (Flowise m.fl.) representeras detta som noder som kopplas ihop.
Node / Block	En “ruta” i ett visuellt arbetsflöde som gör en sak.	Byggsten i ett orkestreringsverktyg: en node kan vara ett LLM-anrop, en HTTP-förfrågan, ett filsystemsteg eller en databasaktion.
Multi-agent system	Flera AI-agenter som samarbetar eller har olika roller.	T.ex. en Arkitekt-agent (tolkar krav), en Kod-agent (skriver kod) och en Test-agent (kör tester). Orkestreringen styr i vilken ordning och med vilken kontext de körs.
Planner / Planerande agent	Den som först gör en plan innan arbetet startar.	En agent som tar ett övergripande mål (t.ex. “sätt upp ny utvecklingsmiljö för Katchapp”) och bryter ned det i konkreta deluppgifter som andra agenter eller verktyg ska utföra.
Executor / Utförande agent	Den som genomför själva arbetet enligt planen.	En agent som tar en deluppgift (“generera Docker-compose för tjänst X”) och utför den med hjälp av verktyg – t.ex. genererar filer, kör kommandon, uppdaterar Git.
Minne (Memory)	Agentens förmåga att minnas vad som hänt tidigare.	Lagring av konversationer, beslut, kodförändringar och loggar så att agenten kan ta hänsyn till historik vid nya uppgifter. Kan vara enkel historik eller mer avancerat vektor-baserat minne.
Agent-ramverk (Agent framework)	Ett paket/verktyg som gör det lättare att bygga agenter.	Exempel: Flowise, dev-gpt-liknande lösningar, LangChain, Semantic Kernel. Hjälper till att definiera verktyg, minne, roller, flöden och koppling till LLM-API:er.
Orchestration layer / Orkestreringslager	“Nervsystemet” som håller ihop alla delar.	Det lager (ibland en separat tjänst) som styr vilken agent som körs, när, med vilket underlag och vad som händer med resultatet (loggas, skickas till utvecklare, triggar nästa steg osv.).
Human-in-the-loop (HITL)	När en människa godkänner eller justerar innan AI:ns förslag används på riktigt.	Viktigt i utvecklingsflödet: t.ex. agenten får skapa kod eller PR, men en utvecklare måste granska innan det mergas eller rullas ut i drift.
Guardrails	Räcken som hindrar dig från att köra i diket.	Regler och tekniska begränsningar som bestämmer vad agenter får göra: vilka kommandon de får köra, vilka kataloger/system de får nå, och vilka svar som blockeras eller filtreras. Avgörande för säker användning av agenter i infrastruktur och system.