Tekniken bakom AI: Inlärning

Vad är maskininlärning?

Maskininlärning innebär att en AI-modell tränas på stora datamängder för att själv hitta mönster, i stället för att programmeras med fasta regler. Man visar modellen exempel och låter den lista ut sambanden. Genom att förstå sambanden i ett dataset kan modellen göra förutsägelser och generalisera till nya situationer.

Ett klassiskt exempel är e-postfilter mot skräppost. Modellen får se många mejl märkta som "skräp" eller "inte skräp". Den lär sig känna igen typiska drag: misstänkta avsändare, länkar eller ord. När ett nytt mejl kommer kan modellen förutsäga om det är skräppost – baserat på vad den lärt sig.

Maskininlärning vs. vanlig programmering

I vanlig programmering skriver du reglerna själv:

# Du definierar reglerna
if ålder > 18 and inkomst > 25000:
    bevilja_lån = True

I maskininlärning är det tvärtom – du ger data och rätt svar, och modellen hittar reglerna:

# Du ger exempel (data + svar), modellen hittar mönstret
träningsdata = [(ålder, inkomst, beviljad), ...]
modell.träna(träningsdata)
modell.förutsäg(ny_ansökan)

Vill du att en modell ska känna igen katter behöver du alltså inte beskriva vad en katt är. Du visar tusentals kattbilder, och modellen lär sig mönstren själv.

Data för maskininlärning

Data är bränslet i maskininlärning. Utan data finns inget att lära från. En datamängd (ett dataset) är en samling exempel som modellen tränas på. Varje exempel består av ingångsdata (det modellen ser) och ofta ett rätt svar (det modellen ska förutsäga).

Två viktiga begrepp är egenskap (feature) och etikett (label). Egenskaperna är mätbara delar av datan, till exempel färg, antal ord eller temperatur. Etiketten är det korrekta svaret som modellen försöker förutsäga.

Typer av data

• Strukturerad data – tabeller med tydliga kolumner och rader (t.ex. kalkylblad).
• Ostrukturerad data – text, bilder, ljud och video utan fast format.
• Tidsseriedata – mätningar ordnade i tid (t.ex. börskurser, vädermätningar).

Vill du utforska riktiga dataset finns öppna plattformar som Kaggle. Där delar forskare, utvecklare och studenter data och kodexempel. Verklig data är ofta rörig, ofullständig och full av överraskningar – att titta på den är lärorikt i sig.

Uppdelning av data

Målet är inte att modellen ska bli bra på just träningsexemplen, utan att den ska fungera i verkligheten. För att kontrollera det delas data upp i tre grupper:

• Träningsdata – modellen lär sig mönster från denna data (oftast ~70–80 %).
• Valideringsdata – används under träningen för att kontrollera resultatet och justera inställningar (~10–15 %).
• Testdata – används bara en gång i slutet för att ge ett rättvist prestandamått (~10–15 %).

Vanliga problem med data

En AI-modell kan bara bli så bra som materialet den tränas på. Tre vanliga problem i dataset är:

1. Brus – felaktiga eller orimliga värden, till exempel inmatningsmisstag eller mätfel. Brus gör det svårare för modellen att hitta äkta mönster.
2. Saknade värden – information fattas i celler, kolumner eller rader. Vissa algoritmer klarar inte tomma celler alls; andra ger osäkrare resultat.
3. Bias (snedvridning) – vissa grupper eller kategorier är kraftigt över- eller underrepresenterade. Modellen lär sig då en sned bild av verkligheten.

Bias är särskilt allvarligt. En modell som mest tränats på data från en viss grupp människor kan fatta beslut som fungerar för just den gruppen – men inte för andra. Det kan få stora etiska och samhälleliga konsekvenser. Problemen bör identifieras och hanteras innan träningen börjar.

Dataförbättring

Det finns flera metoder för att förbättra kvaliteten i ett dataset:

• Imputation – saknade värden ersätts med uppskattningar, till exempel medelvärde, median eller en vanlig kategori. Man behåller fler rader, men man gissar. För mycket imputation ger en falsk bild av variationen i datan.
• Borttagning – rader eller kolumner med för många problem tas bort. Datan blir renare, men information går förlorad. Tar man bort alla rader från en viss grupp kan man råka skapa ny bias.
• Balansering – vid obalanserad data kan man minska antalet exempel i stora klasser eller öka antalet i små. Målet är att modellen ska behandla alla klasser mer rättvist. Även här finns risker: borttagning kastar information, och duplicering kan ge överanpassning.

AI-pipelinen – från problem till färdig modell

När vi använder AI för att lösa ett problem följer vi nästan alltid samma grundprocess: AI-pipelinen. Kärnan är stegen data, modell, träning och test samt utvärdering – oavsett metod.

Steg 0: Problembild och mål

Innan vi bygger något måste vi definiera uppgiften. Vilket problem ska lösas – att förutsäga en hyra eller avgöra om ett mejl är spam? Vilken typ av AI-problem är det: regression, klassificering, klustring eller spelagent? Vad är målet – maximal noggrannhet, eller en modell som är lätt att förklara? Steget handlar lika mycket om lag och etik som teknik: Får vi samla in datan? Vem påverkas? Vilka risker finns?

Steg 1: Datainsamling

Här samlar vi in data – från färdiga datamängder, egna undersökningar eller sensorer och loggar. Vi värderar datans kvalitet och etik: Är den representativ? Innehåller den skevheter? Har personuppgifter hanterats lagligt? Sedan förbereds datan: felaktiga rader rensas, saknade värden hanteras, etiketter skapas och tal skalas om vid behov.

Steg 2: Val av modell

Modellen är systemets "hjärna", och olika problem kräver olika modeller:

• Regression – linjär kurvanpassning för att förutspå pris eller temperatur.
• Klassificering – beslutsträd eller k-nearest neighbour för att avgöra kategori.
• Klustring – k-means för att hitta grupper utan färdiga etiketter.
• Förstärkningsinlärning – agenter som lär sig genom belöning.
• Neuralt nätverk – för komplexa mönster i bilder, text och ljud.

Här väljs också inställningar (antal kluster, träddjup, inlärningshastighet). Ofta väger man förklarbarhet mot träffsäkerhet: ett beslutsträd är lätt att förklara, ett djupt nätverk kan vara träffsäkrare men svårare att genomskåda.

Steg 3: Träning och test

Datan delas upp i träningsdata och testdata. Modellen matas med träningsdata och justerar sina parametrar för att minska felet, till exempel med gradient descent. Sedan testas den på testdata som den aldrig sett. Det visar om modellen memorerat träningen eller faktiskt lärt sig generella mönster.

Steg 4: Utvärdering och förbättring

Det räcker inte att modellen "funkar" – vi måste veta hur träffsäker och lämplig den är. För regression tittar man på genomsnittligt fel, för klassificering på träffsäkerhet, precision och förväxlingsmatris, för klustring på om grupperna verkar rimliga, och för en spelagent på hur ofta den vinner. Vi frågar också: Är modellen rättvis? Är den tillräckligt transparent? Är resurspåverkan rimlig? Sedan förbättrar vi – mer eller bättre data, annan modell, justerade parametrar – eller avslutar.

Steg 5: Användning och uppföljning

Till sist tas modellen i bruk – i en app, som beslutsstöd eller i ett större system. Modellen dokumenteras: vilken data, vilken metod, vilka begränsningar? Mänsklig kontroll ska finnas där det behövs, till exempel i skola, vård och rättssystem. Modellen följs upp löpande: fungerar den lika bra på ny data, eller uppstår oväntade effekter?

Typer av maskininlärning

Övervakad inlärning

I övervakad inlärning tränas modellen på märkt data – varje exempel har ett känt svar (etikett). Modellen lär sig att mappa indata till rätt svar och kan sedan förutsäga svar på nya, liknande situationer.

• Regression – förutsäger ett numeriskt värde som kan variera kontinuerligt, t.ex. bostadspris eller temperatur.
• Klassificering – sorterar indata i kategorier, t.ex. spam/inte spam, eller katt/hund/fågel.

Så tränas en regressionsmodell

En regressionsmodell försöker hitta en linje som följer mönstret i datan. En linjär modell skrivs y = kx + m, där k är lutningen och m startvärdet. Skillnaden mellan ett verkligt värde och modellens förutsägelse kallas residual. Små residualer betyder att modellen passar datan bra.

Värdena k och m är modellens parametrar – "reglage" som kan justeras för att ändra modellens beteende. Träningen går ut på att hitta de parametervärden som ger minst fel. Felet mäts med en kostnadsfunktion, till exempel medelkvadratfel (MSE). En vanlig metod för att minimera kostnaden är gradient descent: man startar med slumpmässiga parametrar och justerar dem stegvis i den riktning som minskar kostnaden. Hur stora steg som tas styrs av inlärningshastigheten (learning rate). Varje varv genom träningsdatan kallas en epok.

En chattbotts språkmodell är förstås mycket mer komplex än en rät linje – men även den har parametrar som justeras under träningen, i storleksordningen hundratals miljarder. Principen är densamma: skruva på reglagen tills felet minskar.

Klassificering och kNN

Vid klassificering lär sig modellen en beslutsgräns som skiljer klasserna åt – som ett osynligt staket i ett diagram. En enkel och tydlig algoritm är kNN (k-nearest neighbour): för en ny punkt tittar modellen på de k närmaste punkterna i träningsdatan. Är de flesta grannarna äpplen gissar den "äpple"; är de flesta päron gissar den "päron". Närhet mäts oftast med euklidiskt avstånd – som fågelvägen på en karta.

Beslutsträd – en modell som går att förklara

I kapitel 3 mötte du beslutsträdet som ett sätt att beskriva beslut steg för steg. Inom maskininlärning är beslutsträd också en klassificeringsmetod – och den kanske mest lättförklarade av alla. Skillnaden mot kapitel 3 är att frågorna inte skrivs av en människa utan lärs in från data.

Algoritmen går igenom alla egenskaper i träningsdatan och letar efter den fråga som bäst delar upp exemplen i rena grupper. För ett spamfilter kan den första frågan bli "Innehåller mejlet ordet 'gratis'?" om det skiljer skräppost från vanlig post bäst. Sedan upprepas samma sak för varje gren: nästa bästa fråga, och nästa, tills grupperna är tillräckligt rena eller trädet nått sitt maximala djup. Varje blad blir ett svar: spam eller inte spam.

Innehåller mejlet ordet "gratis"?
├── Ja:  Är avsändaren okänd?
│        ├── Ja:  SPAM
│        └── Nej: INTE SPAM
└── Nej: Fler än tre länkar?
         ├── Ja:  SPAM
         └── Nej: INTE SPAM

Styrkan är transparens: du kan följa exakt varför modellen fattade ett visst beslut, vilket är svårt i ett neuralt nätverk. Det gör beslutsträd populära där besluten måste kunna förklaras, till exempel inom vård och myndigheter. Svagheten är att ett ensamt träd lätt blir överanpassat – därför används ofta många träd tillsammans, en så kallad random forest, där träden "röstar" om svaret.

Överanpassning och underanpassning

Valet av k visar en central utmaning i all maskininlärning. Med k = 1 avgör en enda granne svaret. Beslutsgränsen blir spretig, och modellen påverkas för mycket av brus. Den riskerar överanpassning (overfitting): den lär sig detaljer i träningsdatan i stället för helheten. Med ett mycket stort k blir gränsen i stället för slät. Modellen missar viktiga skillnader och riskerar underanpassning (underfitting): den förenklar så mycket att relevanta mönster tappas bort. Målet är en lagom modell – varken för känslig eller för grov.

Hur bra är klassificeringen?

En förväxlingsmatris (confusion matrix) visar inte bara hur många rätt modellen har, utan vilken typ av fel den gör: sanna positiva (TP), sanna negativa (TN), falska positiva (FP, "falskt alarm") och falska negativa (FN, "missat fall"). Ur matrisen beräknas tre mått:

• Träffsäkerhet (accuracy) – andelen rätta gissningar av alla. Fungerar bäst när klasserna är ungefär lika vanliga.
• Precision – andelen positiva gissningar som verkligen var positiva. Viktig när falska alarm är kostsamma, som i ett spamfilter.
• Fångstandel (recall) – andelen verkligt positiva fall som modellen hittar. Viktig när missar är kostsamma, som i sjukvård eller brandlarm.

Oövervakad inlärning

I oövervakad inlärning finns inga etiketter – bara data. Modellen hittar själv mönster och strukturer. Metoden används till exempel av streamingtjänster för att gruppera användare med liknande smak, eller av butiker för att hitta kundtyper med liknande köpmönster.

• Klustring – grupperar liknande datapunkter utan fördefinierade kategorier.
• Dimensionsreduktion – komprimerar data till färre dimensioner för att hitta väsentliga mönster.

k-means clustering

En vanlig klustringsalgoritm är k-means. K står för antalet grupper, som du väljer själv. Algoritmen arbetar stegvis: den placerar ut k centrumpunkter slumpmässigt, tilldelar varje datapunkt det närmaste centrumet, flyttar sedan centrumpunkterna till mitten av sina grupper – och upprepar tills grupperna slutar förändras. Det liknar hur du intuitivt sorterar en låda blandade knappar i högar, utan att någon gett dig kategorierna i förväg.

Valet av k påverkar resultatet. Är k för litet pressas punkter ihop som inte hör ihop. Är k för stort delas datan upp i omotiverat många grupper.

Förstärkningsinlärning

I förstärkningsinlärning (reinforcement learning) lär sig en AI-agent genom att pröva handlingar i en miljö och få återkoppling. Metoden har tre huvuddelar: agent, miljö och belöning. Agenten befinner sig i ett tillstånd, väljer en handling, hamnar i ett nytt tillstånd och får en belöning – ett tal som säger om handlingen var bra eller dålig. Målet är att över tid maximera den totala belöningen.

Efter många försök bygger agenten upp en strategi, en regelbok (policy): "i det här tillståndet gör jag den här handlingen". En viktig balans är den mellan utforskande (testa nya handlingar) och utnyttjande (göra det som hittills fungerat bäst). Bara utforska – då blir agenten aldrig bra. Bara utnyttja – då kan den fastna i en strategi som inte är optimal.

En klassisk metod är Q-inlärning, där agenten bygger upp en Q-tabell med värden för varje handling i varje tillstånd. Efter varje steg uppdateras värdet utifrån belöningen och den bästa möjliga fortsättningen. Metoden fungerar bra när beslut tas i kedjor där varje steg påverkar nästa – som i spel, robotstyrning och självkörande bilar. AlphaGo är ett känt exempel på spelande AI tränad med förstärkningsinlärning.

Neurala nätverk och djupinlärning

Inspirerade av hjärnans nervceller består neurala nätverk av lager med artificiella noder (neuroner). Namnet låter biologiskt, men ett neuralt nätverk är en helt matematisk konstruktion. Information flödar framåt genom nätverket, transformeras i varje lager och producerar slutligen ett svar.

Nätverkets struktur

• Indatalager – tar emot rådata (t.ex. pixlar i en bild).
• Dolda lager – lär sig abstrakta representationer. Djupare nätverk lär sig mer komplexa mönster.
• Utdatalager – ger nätverkets svar (t.ex. "katt" eller "hund").

Djupinlärning (deep learning) är neurala nätverk med många dolda lager. Vid bildigenkänning upptäcker de första lagren enkla mönster som streck och kanter. Nästa lager kombinerar dem till former. I djupare lager uppstår begrepp som ögon, hjul eller bokstäver. Sista lagret avgör vad bilden föreställer. Djupa nätverk ligger bakom de flesta stora AI-genombrotten under 2010- och 2020-talen.

Så räknar en neuron

Varje neuron gör en enkel beräkning. Den tar emot invärden (x), multiplicerar varje värde med en vikt (w), summerar och lägger till en biasterm (b):

z = x1·w1 + x2·w2 + x3·w3 + b

Resultatet skickas genom en aktiveringsfunktion och vidare till nästa lager. Hela idén är: multiplicera → summera → aktivera → skicka vidare. Kraften ligger i att detta görs väldigt många gånger, i miljontals neuroner.

Aktiveringsfunktioner

Varje neuron använder en aktiveringsfunktion för att avgöra om och hur starkt den ska skicka vidare sin signal. Utan aktiveringsfunktioner vore nätverket bara en linjär beräkning – oförmöget att lära sig komplexa mönster, oavsett hur stort det är. Vanliga funktioner:

• ReLU – "negativt stoppas, positivt släpps igenom": ReLU(z) = max(0, z). Enkel, snabb och stabil i djupa nätverk.
• Sigmoid – pressar värden till intervallet 0–1, lämpligt för sannolikheter.
• Tanh – liknande, men ger värden mellan −1 och 1.

Bakåtpropagering och träning

Ett nätverk startar med slumpmässiga vikter. Träningen följer en loop:

1. Nätverket får ett exempel (t.ex. en bild på en hund).
2. Nätverket gissar (t.ex. "katt").
3. Felet mellan gissning och rätt svar beräknas med en kostnadsfunktion.
4. Utifrån felet beräknas gradienter – mått på hur varje vikt påverkar felet. Gradienterna propageras bakåt genom lagren, och vikterna justeras i den riktning som minskar felet.

Steg 4 kallas bakåtpropagering (backpropagation). Observera att det är gradienterna som propageras bakåt – inte felet självt. Processen upprepas tusentals eller miljontals gånger tills nätverket blir bra på sin uppgift.

Begränsningar

Neurala nätverk kräver ofta stora mängder data och kan lära sig fel mönster, särskilt om träningsdatan innehåller bias. Det kan också vara svårt att förstå varför ett nätverk fattar ett visst beslut – resultatet bygger på enormt många samverkande beräkningar. Och nätverken saknar förståelse, känslor och medvetande. De manipulerar bara siffror, även när resultatet ser "intelligent" ut.

Bearbetning av naturligt språk (NLP)

Natural Language Processing (NLP), på svenska bearbetning av naturligt språk, är det AI-område som handlar om att få datorer att förstå, tolka och skapa mänskligt språk. Text och tal är ostrukturerad data – fullt av tvetydigheter, dialekter och sammanhang som människor tolkar automatiskt men som en dator måste läras steg för steg.

Tokenisering – språk blir data

Innan en modell kan bearbeta text måste den delas upp i mindre delar, så kallade tokens – ofta ord, delar av ord eller skiljetecken. Det första steget i nästan all NLP kallas tokenisering:

Mening:  "Katten sover på mattan."
Tokens:  ["Katten", "sover", "på", "mattan", "."]

Varje token omvandlas sedan till siffror som en modell kan räkna med – samma princip som för de neurala nätverk du just läst om, fast med språk som indata i stället för pixlar.

Vanliga NLP-uppgifter

• Sentimentanalys – avgör om en text uttrycker en positiv, negativ eller neutral känsla, t.ex. i recensioner eller kundkommentarer.
• Maskinöversättning – översätter text automatiskt mellan språk, t.ex. Google Translate.
• Namngiven entitetsigenkänning (NER) – hittar och klassificerar namn på personer, platser och organisationer i en text.

Chattbottar, röstassistenter, spamfilter och sökmotorer bygger alla på NLP. Även de stora språkmodellerna du läser om längre fram i kapitlet är i grunden avancerade NLP-system – men NLP omfattar betydligt mer än textgenerering, allt från enkla stavningskontroller till komplexa dialogsystem.

Datorseende och objektigenkänning

På samma sätt som NLP låter AI bearbeta språk låter datorseende (computer vision) AI "se" och tolka bilder och video. Tillämpningarna är många: ansiktsigenkänning i mobilen, kvalitetskontroll i fabriker, medicinsk bildanalys och kamerorna i de självkörande bilar du läste om i kapitel 1.

Från pixlar till klassificering

För en dator är en bild bara en stor tabell av siffror. Varje pixel har värden som beskriver dess färg, till exempel hur mycket rött, grönt och blått den innehåller. Datorseende bygger, precis som annan djupinlärning, på tre steg som byggs ovanpå varandra:

1. Pixlar – bilden läses in som siffror, en rutnätsmatris av färgvärden.
2. Mönster – de första lagren i ett neuralt nätverk upptäcker enkla mönster som kanter, hörn och färgövergångar. Djupare lager kombinerar dem till mer komplexa former, som ögon, hjul eller bokstäver – precis som beskrivs för djupinlärning tidigare i kapitlet.
3. Klassificering – de sista lagren avgör vad mönstren tillsammans föreställer, t.ex. "katt", "stoppskylt" eller "tumör".

Detta kallas objektigenkänning: förmågan att inte bara avgöra vad en hel bild föreställer, utan att hitta och märka ut enskilda objekt i bilden – till exempel varje fotgängare och bil som en självkörande bils kamerasystem upptäcker i realtid.

Precis som andra neurala nätverk kräver datorseende stora mängder märkt träningsdata – tusentals eller miljontals bilder där objekten redan är utpekade. Och precis som i kapitel 2 kan bias i träningsdatan ge orättvisa resultat, till exempel om ansiktsigenkänning tränats mest på ljushyade ansikten.

Stora språkmodeller (LLM)

Stora språkmodeller (Large Language Models, LLM) är djupa neurala nätverk tränade på enorma mängder text. De lär sig sannolikheten för att ord följer på varandra och kan generera sammanhängande text, besvara frågor och skriva kod. Modellerna har mycket stora antal parametrar – samma slags "reglage" som k och m i en regressionsmodell, fast i storleksordningen hundratals miljarder.

Grunden för moderna LLM är transformer-arkitekturen (2017), som använder attention-mekanismen för att väga vikten av olika ord i sitt sammanhang. GPT-modellerna (bakom ChatGPT) och Google Gemini bygger på denna arkitektur.

Generativ AI – hur skapas text och bild?

Generativ AI är ett samlingsnamn för modeller som skapar nytt innehåll: text, bild, ljud, video eller kod. De verktyg du troligen använder mest – chattbottar och bildgeneratorer – hör hit. Tekniken bakom är samma maskininlärning som resten av kapitlet handlar om, men uppgiften är omvänd: i stället för att klassificera indata ska modellen producera något nytt som liknar träningsdatan.

Text: gissa nästa ord

En språkmodell tränas på en enda, till synes enkel uppgift: att gissa nästa token i en text. Ge den "Katten sover på" och den räknar ut en sannolikhet för varje tänkbar fortsättning – "mattan" hög, "soffan" ganska hög, "traktorn" låg. Modellen väljer ett ord, lägger till det och gissar igen, ord för ord, tills svaret är klart. För att bli bra på den uppgiften tvingas modellen lära sig grammatik, fakta, resonemangsmönster och stil – allt som finns i miljarder meningar. Det är därför den kan svara på frågor den aldrig sett förut.

Efter grundträningen finjusteras modellen med exempel på bra dialoger och med mänsklig återkoppling, så att den svarar hjälpsamt i stället för att bara fortsätta texten. Det är den finjusterade modellen du möter i en chattbott.

Bild: från brus till motiv

De flesta bildgeneratorer bygger på diffusionsmodeller. Under träningen förstörs miljontals bilder stegvis med slumpmässigt brus, och modellen lär sig att gå åt andra hållet: att ta bort lite brus i taget och återskapa bilden. När du sedan skriver en prompt börjar modellen från rent brus och "städar fram" en bild som passar beskrivningen, steg för steg. Texten i prompten styr processen via en språkmodell som kopplar ord till bildinnehåll. Samma princip används för musik och video.

Vad generativ AI inte gör

• Den kopierar inte texter eller bilder ur en databas. Den skapar nytt utifrån inlärda mönster – men mönstren kommer från material som människor skapat, vilket väcker upphovsrättsfrågorna i kapitel 2.
• Den vet inte vad som är sant. Den vet vad som är sannolikt. Därför är hallucinationer inte en bugg som kan tas bort helt, utan en följd av hur tekniken fungerar.
• Den förstår inte i mänsklig mening – jämför "Det kinesiska rummet" i kapitel 1. Att svaren låter förstående gör frågan svårare, inte enklare.