AI-alfabetet: från ANI till RAG, förklarat utan floskler

Jag har ju använt datorer sedan 80-talet

Det är en invändning man hör ofta när ordet "digitalisering" dyker upp i ett möte: jag har använt datorer sedan 80-talet, menar du att vi inte redan jobbar digitalt?

Bra fråga, faktiskt. Och den avslöjar en missuppfattning som är värd att reda ut innan vi ens kommer till AI.

Digitization är det enkla steget: att gå från analogt till digitalt, från ostrukturerat till strukturerat. Att skanna in ett papper. Att köpa en programvara istället för att föra bok i en pärm.

Digitalization är något annat: hur du faktiskt använder det digitala i ditt arbete. Att gå över till en delad yta för dokument är inte digitalisering i sig, det blir det först när det faktiskt förändrar hur ni jobbar tillsammans, vem som ser vad, och hur snabbt saker rör sig.

Med andra ord: du kan ha använt datorer sedan 80-talet och ändå knappt ha digitaliserat något. Det är precis den distinktionen som gör AI-snacket förvirrande, för AI är digitalization i sin mest extrema form, och det är dags att reda ut vad som egentligen gömmer sig bakom alla förkortningar.

Ett träd, inte en lista

De flesta försöker lära sig AI-begreppen som en lista med förkortningar. Det är fel modell. Tänk dem istället som ett träd, där varje gren är en delmängd av grenen ovanför.

• AI (Artificial Intelligence) är hela trädet, varje system som efterliknar någon form av mänsklig förmåga.
  • ANI (Artificial Narrow Intelligence) är allt AI som faktiskt finns idag: bra på en sak. En schackmotor, en spamfilter, en röstassistent.
  • AGI (Artificial General Intelligence) är den hypotetiska AI:n som kan det mesta en människa kan. Den finns inte än, oavsett vad rubrikerna säger.
• Under ANI hittar vi ML (Machine Learning), system som lär sig mönster från data istället för att bli programmerade regel för regel.
  • DL (Deep Learning) är en gren av ML som använder neurala nätverk med många lager, vilket gör den bra på komplexa mönster som bilder och tal.
  • NLP (Natural Language Processing) är en annan gren, allt som handlar om att hantera mänskligt språk. Den delas i sin tur upp i NLU (Natural Language Understanding, att förstå text) och NLG (Natural Language Generation, att producera text).
  • RPA (Robotic Process Automation) är ännu en gren, fast den handlar inte om att förstå eller lära sig mönster utan om att automatisera regelstyrda, repetitiva arbetsflöden.

ChatGPT och liknande verktyg (LLM, Large Language Models) sitter i NLP-grenen, som ett resultat av djupinlärning tillämpad på enorma mängder text. Men eftersom det är just LLM som mesta utvecklingen händer i just nu, och som faktiskt förändrar hur folk jobbar, förtjänar den ett eget stopp.

Vad är egentligen en LLM?

Den enklaste ingången är något de flesta redan har i fickan: den ordförslags-funktion som föreslår nästa ord när du skriver ett sms. Den har lärt sig, utifrån vad du och andra brukar skriva, vilket ord som troligen kommer härnäst.

En LLM gör exakt samma sak, fast i en helt annan skala. Den har tränats på en enorm mängd text (böcker, artiklar, webbsidor) genom att om och om igen gissa nästa ord i en mening och justeras varje gång den gissar fel. Upprepa det miljarder gånger, och det som byggs upp är inte ett minne av fakta i vanlig mening, utan en extremt finmaskig känsla för hur språk (och därmed resonemang, argument och struktur) brukar hänga ihop.

Det är värt att vara ärlig med vad det innebär i praktiken:

• Den "vet" inte saker, den förutsäger dem. Ett korrekt svar och ett övertygande fel svar kan komma från exakt samma mekanism, vilket är därför modeller ibland "hittar på" saker med total övertygelse (så kallade hallucinationer).
• Den har inget minne mellan samtal, om inte det byggts in separat. Varje ny konversation börjar från noll.
• Den slår inte upp fakta live, om den inte är kopplad till ett verktyg för det (det är precis det RAG, som vi kommer till, löser).

Det som gör LLM:er så omvälvande är inte att de är smartare än tidigare AI, det är att de är ett generellt gränssnitt till språk. Du behöver inte längre programmera ett specifikt system för varje texttugga; du beskriver vad du vill ha, på samma språk du redan använder för att kommunicera med kollegor. Det är den enda anledningen till att en enda teknik plötsligt dyker upp i kundtjänst, kodning, juridik och rapportskrivning samtidigt. Gränssnittet är detsamma, bara uppgiften byts ut.

Vad ett ML-problem faktiskt ser ut som

Formella definitioner av Machine Learning tenderar att låta krångligare än de behöver: ett program som lär sig av erfarenhet och blir bättre på en uppgift utan att någon skriver om koden för hand. I praktiken är det lättare att visa än att förklara.

Säg att du vill bygga något som gissar om du kommer gilla en film. Du sätter ihop en lista med filmer du redan sett och satt betyg på:

• Forrest Gump → +1 (gillade den)
• Matrix → +1 (gillade den)
• En viss julfilm → -1 (gillade den inte)
• Scener ur ett äktenskap → -1 (gillade den inte)

Det du gjort är att ge exempel på rätt beteende. Du har inte skrivit en regel som säger "gilla actionfilmer, ogilla dramafilmer". Det vore extremt svårt att programmera för hand, eftersom smak sällan följer enkla regler. Istället låter du modellen leta efter mönstren själv: kanske är det tempot, kanske är det skådespelarna, kanske är det något du inte ens tänkt på.

Det är hela idén med ML i en mening: det är svårt att skriva instruktionerna, men lätt att ge exempel, så låt maskinen hitta reglerna åt dig.

Det du gjorde i filmexemplet var att skapa märkt data (labeled data på engelska): varje film fick en etikett, +1 eller -1. Klassisk ML är beroende av just den sortens märkta exempel. Deep Learning klarar sig ofta utan det steget, men varför det är så, och vad som faktiskt händer inuti de där många lagren, är ett kapitel för sig.

Fine-tuning eller RAG: vad är skillnaden?

När folk pratar om att "koppla AI mot sina egna data" menar de oftast en av två helt olika saker.

Fine-tuning betyder att du tar en färdig modell och tränar om den på ert eget material. Det är kraftfullt, men kräver mycket data och en hel del pengar. Ni bygger i praktiken en ny, specialiserad version av modellen.

RAG (Retrieval Augmented Generation) är den betydligt vanligare vägen i praktiken: modellen förblir opåverkad, men får tillgång till en extern databas den kan slå upp i innan den svarar. Tänk er en besiktningstekniker som frågar en assistent om ett tidigare besiktningsprotokoll för en specifik anläggning. Assistenten "kommer inte ihåg" protokollet för att den blivit tränad på det, utan för att den hämtar det ur databasen i samma stund som frågan ställs.

Skillnaden spelar roll rent praktiskt: RAG är billigare, snabbare att sätta upp och lättare att hålla uppdaterad. Fine-tuning är rätt val när ni behöver modellen att faktiskt bete sig annorlunda, inte bara veta mer.

Vad kan man faktiskt göra med det här?

I praktiken dyker samma handfull användningsområden upp om och om igen, oavsett bransch:

• Kundsupport, första linjens svar, dygnet runt
• Rapporter och dokumentation, sammanfatta det som redan finns, snabbare
• Omvärldsbevakning, bevaka och sammanfatta stora informationsflöden
• Översättning, inte bara språk-till-språk, utan även "juridiska till begripliga"
• Kod, skriva, förklara och felsöka
• Checklistor och strukturerat material, ta lösa anteckningar och göra dem användbara

Det gemensamma för alla dessa: de handlar om att flytta text från ett format till ett annat, snabbare än en människa hade gjort det själv. Det är inte magi. Det är NLP, tillämpat på ett konkret problem.

Att testa redan imorgon

Om du bara ska ta med dig en sak: sluta fråga "kan vi använda AI för X?" och börja fråga "har vi mycket text eller data kring X som vi idag hanterar manuellt?". Om svaret är ja, finns det med stor sannolikhet redan ett användningsområde bland de sex ovan som passar, och du behöver varken bygga en modell eller ens fine-tuna något för att komma igång. Oftast räcker det med RAG mot det ni redan har.

Men det här är den enkla ytan. Under huven fattar ML och DL sina beslut på helt olika sätt, och just nu pågår en utveckling som är så snabb att den nästan känns explosionsartad. Nästa artikel går ner i maskinrummet: hur modeller som "frågar flera experter" (bagging och boosting) skiljer sig från varandra, vad attention faktiskt gör när en LLM läser en mening, och varför just 2022–2026 blev de år då allt hände på en gång.