Vad är maskininlärning?

Av Weapp · Uppdaterad 2026-03-05

Maskininlärning är program som lär sig lösa en uppgift genom att hitta mönster i data, i stället för att följa regler en människa skrivit för hand. Du visar systemet många exempel med facit, det generaliserar, och kan sedan bedöma nya fall det aldrig sett tidigare.

Maskininlärning är program som lär sig av exempel i stället för att följa regler någon skrivit för hand. Du visar systemet en stor mängd data där facit redan är känt, det hittar mönstren på egen hand, och kan sedan tillämpa dem på nya fall. Det är den teknik som ligger bakom det mesta som idag kallas AI.

Regelbaserat kontra inlärt

Skillnaden blir tydligast med ett exempel: ett skräppostfilter. Den gamla, regelbaserade varianten byggde på regler en människa skrev: innehåller mejlet ordet “gratis”, markera som skräp. Sådana regler blir snabbt ett lapptäcke. Avsändarna byter ord, skriver “gr4tis”, och för varje kryphål måste någon skriva en ny regel. Systemet blir aldrig färdigt.

Den inlärda varianten vänder på det. I stället för regler matar du in tiotusentals mejl som redan är märkta som “skräp” eller “inte skräp”. Systemet räknar själv ut vilka mönster som skiljer de två högarna åt, ofta subtila kombinationer av ord, avsändare och struktur som ingen människa skulle formulera. När ett nytt mejl kommer in bedömer filtret hur likt det är skräpen det redan sett.

Poängen är att du aldrig talar om hur mejlet ska bedömas. Du visar bara många exempel på rätt svar och låter systemet härleda regeln. Det är därför maskininlärning passar problem där mönstren är för många, för föränderliga eller för svårfångade för att skrivas ner.

Hur AI, maskininlärning, djupinlärning och LLM hänger ihop

Begreppen blandas ofta ihop, men de ligger inuti varandra som ryska dockor. Från det bredaste till det smalaste:

AI är paraplyet: allt som får datorer att lösa uppgifter som normalt kräver mänsklig intelligens.
Maskininlärning är den vanligaste metoden att bygga AI idag: system som lär sig ur data i stället för att programmeras med regler.
Djupinlärning är en gren av maskininlärning som använder stora neurala nätverk med många lager, särskilt stark på bild, ljud och text.
LLM (stora språkmodeller) är en typ av djupinlärning tränad på enorma mängder text för att förstå och skapa språk.

Begrepp	Kort förklaring
AI	Paraplyet för alla intelligenta system
Maskininlärning	System som lär sig mönster ur data
Djupinlärning	Maskininlärning med stora neurala nätverk
LLM	Djupinlärning specialiserad på språk

Så när någon säger att de “använder AI” menar de nästan alltid maskininlärning i någon form, och pratar de om ChatGPT-liknande verktyg handlar det om en LLM längst in i dockan.

Vad som krävs för att det ska fungera

Maskininlärning är inte magi. Tre saker måste finnas på plats för att en modell ska ge värde.

Data. Du behöver tillräckligt många exempel, och de måste vara relevanta och korrekt märkta. En modell som ska bedöma kundärenden behöver riktiga, historiska ärenden med känt utfall. Skräp in ger skräp ut, oavsett hur avancerad metoden är.

Ett tydligt mål. Du måste kunna formulera vad modellen ska förutsäga eller besluta: är detta skräppost, vilken kategori tillhör ärendet, hur stor blir efterfrågan nästa vecka. Ett luddigt mål ger en modell som ingen kan avgöra om den lyckas med.

Utvärdering. Du sparar undan en del av datan som modellen aldrig ser under träningen och mäter hur väl den träffar på just de exemplen. Först då vet du om den lärt sig något generellt, eller bara memorerat träningsdatan. Utan utvärdering flyger du blint.

Ett konkret räkneexempel

Säg att ett bolag får 500 kundärenden om dagen som ska sorteras till rätt avdelning. Historiskt finns 50 000 färdigsorterade ärenden. De blir träningsdata: texten är indata, avdelningen är facit. Man håller undan 5 000 ärenden för utvärdering. Modellen tränas, och visar sig sortera rätt i 9 fall av 10 på de undanhållna ärendena. Då kan den ta första sorteringen automatiskt, och de svåra fallen skickas vidare till en människa. Ingen har skrivit en enda regel om vad ärendena handlar om.

Det är den praktiska kärnan i maskininlärning: rätt data, ett klart mål och ärlig mätning. Vill du veta hur det kan tillämpas hos er tar våra tjänster inom AI och automation sådana idéer från use case till driftsatt lösning, med förvaltningen inräknad från start.

Vanliga frågor

Vad är skillnaden mellan maskininlärning och vanlig programmering?

I vanlig programmering skriver en utvecklare reglerna: om detta, gör detta. I maskininlärning skriver du inga regler alls. Du matar in exempel med facit och låter systemet själv räkna fram sambanden. Det gör metoden stark på problem där reglerna är för många eller för luddiga för att skrivas ner.

Behöver jag jättemycket data för att komma igång?

Det beror på uppgiften. Enkla problem med tydliga mönster kan fungera på några tusen exempel, medan bild- och språkuppgifter ofta kräver betydligt mer. Viktigare än ren mängd är att datan är relevant, korrekt märkt och speglar de fall modellen ska möta i verkligheten.

Är maskininlärning samma sak som AI?

Nej, maskininlärning är en del av AI. AI är det breda paraplyet för system som löser uppgifter som normalt kräver mänsklig intelligens. Maskininlärning är den vanligaste metoden att bygga sådan AI idag, och djupinlärning och språkmodeller är i sin tur specialfall av maskininlärning.

Hur vet man att en modell faktiskt är bra?

Genom att mäta den på data den inte tränats på. Man sparar undan en del av exemplen som modellen aldrig får se under träningen och kollar hur ofta den svarar rätt på dem. Utan en sådan oberoende utvärdering vet du bara att modellen lärt sig utantill, inte att den generaliserar.

Kan en modell ha fel eller vara partisk?

Ja. En modell lär sig det som finns i datan, inklusive skevheter och fel. Är underlaget ojämnt eller föråldrat ärver modellen det. Därför är genomgång av träningsdatan och löpande uppföljning av besluten en central del av ansvarsfull maskininlärning, inte en efterhandsfråga.