Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Nyckelbegrepp inom generativ AI

Lektion 12 av 16 Uppdaterad 2 november 2026 Nybörjare
På denna sida
  1. Bemästra det essentiella ordförrådet
  2. RAG — Retrieval-Augmented Generation (Retrieval-förstärkt generering)
  3. Inbäddningar — Vektorrepresentationer
  4. Finjustering — Skräddarsydd anpassning
  5. Temperatur — Reglaget för kreativitet
  6. Hallucinationer — När modellen hittar på
  7. Förankring — Att rota sig i verkligheten
  8. Prompt — Instruktionen till modellen
  9. Viktiga punkter

Uppdaterat 2 november 2026 — Le Chat blir Vibe. Sedan den 28 maj 2026 är Le Chat nu Vibe (fortfarande på chat.mistral.ai): en enda agent för arbete och kod som tar över dina konversationer, inställningar och prenumerationer. Den äldre Le Chat-upplevelsen finns fortfarande tillgänglig i läget Chat; i läget Work har agenter blivit färdigheter (anropas med @), minnen har blivit kunskapsbasen och djup sökning har blivit färdigheten Deep Research. Abonnemangen heter nu Mistral Free, Pro, Team och Enterprise. Denna lektion använder nu namnet Vibe; vissa menyer som beskrivs här kan ha bytt namn eller plats.

Bemästra det essentiella ordförrådet

Det finns en handfull termer du kommer stöta på i varje möte, varje dokumentation och varje diskussion med ett tekniskt team om generativ AI: RAG, inbäddningar (embeddings), finjustering, temperatur, hallucinationer och förankring (grounding). Denna lektion förklarar dem en efter en, inte som glossariumdefinitioner, utan som verktyg du ska kunna placera i en riktig konversation. När en leverantör föreslår “en RAG-chattbot med Mistral-inbäddningar” vet du exakt vad de säljer till dig – och vilka frågor du ska ställa.

RAG — Retrieval-Augmented Generation (Retrieval-förstärkt generering)

RAG (retrieval-augmented generation) är en av de mest utbredda teknikerna för att förbättra kvaliteten på en LLM:s svar. Principen utgår från en enkel observation: istället för att enbart förlita sig på modellens interna kunskap, förser du den, vid tidpunkten för frågan, med relevant information extraherad från en extern databas.

Mekanismen utspelar sig i fyra steg:

  1. Användaren ställer en fråga
  2. Ett söksystem identifierar relevanta dokument i en kunskapsbas
  3. Dessa dokument injiceras i modellens kontext
  4. Modellen genererar sitt svar baserat på denna färska information

Varför är detta så viktigt? För att RAG löser ett fundamentalt problem med LLM:er: deras kunskap är fryst vid datumet för deras träning. En modell tränad förra året vet ingenting om din nya produktkatalog, omorganisationen av din avdelning eller föreskrifterna som publicerades förra månaden. Med RAG kan den svara på frågor om senaste händelser, om data intern för ditt företag eller om dokument du tillhandahåller. Tänk dig en HR-avdelning som varje vecka får samma frågor om kollektivavtalet: en RAG-assistent kopplad till företagsavtal svarar genom att citera rätt artikel, istället för att improvisera från minnet. Det är tekniken som driver Vibes webbsökning och de flesta företagschattbotar.

Inbäddningar — Vektorrepresentationer

Inbäddningar (embeddings) är numeriska representationer av text i form av vektorer, det vill säga listor med tal. Varje ord, mening eller dokument transformeras till en punkt i ett matematiskt rum med höga dimensioner. Nyckelidén ryms i en mening: två semantiskt nära texter kommer ha inbäddningar som ligger nära varandra i detta rum. “Hund” och “canine” kommer vara grannar; “hund” och “kalkylblad” kommer ligga väldigt långt ifrån varandra, även om inget av dessa par delar betydande gemensamma bokstäver.

Denna egenskap förändrar allt för informationshämtning. En traditionell nyckelordsökning hittar inte ett dokument om “ömsesidig uppsägning” om du söker på “vänlig kontraktsavslutning”; en semantisk sökning via inbäddningar gör det, eftersom båda formuleringarna pekar mot samma område i vektorrummet. Utöver sökning används inbäddningar för att automatiskt klassificera texter efter tema, upptäcka dubbletter eller liknande innehåll, och – som vi såg i föregående lektion i detta avsnitt – för att välja ut relevanta dokument i en RAG-pipeline. Mistral erbjuder dedikerade inbäddningsmodeller, Mistral Embed och Codestral Embed, som transformerar din text till användbara vektorer.

Finjustering — Skräddarsydd anpassning

Finjustering består i att fortsätta träningen av en förtränad modell med dina egna data, för att anpassa den till ett specifikt behov. Den mest träffsäkra bilden är den av en allmänläkare som utbildas till specialist: den generella kunskapen finns redan där, du lägger till spetskompetens.

Du tillgriper detta i flera situationer. Ett varumärke som vill att alla sina kundsvar ska respektera en specifik ton och stil kan finjustera en modell på sina bästa tidigare utbyten. En advokatbyrå eller medicinsk avdelning kan infoga branschspecifikt ordförråd som den generalistiska modellen hanterar ungefärligt. Ett team som bearbetar tusentals e-postmeddelanden per dag kan specialisera en modell på en specifik uppgift som klassificering eller entitetsutvinning, med bättre resultat än en generell prompt. Slutligen består distillering i att överföra kunskap från en stor modell till en liten, för att uppnå liknande prestanda till en mycket lägre kostnad. Hos Mistral är det plattformen Forge som låter dig finjustera Open-modeller: du förbereder en dataset med fråga-svar-par, startar träningen och får en anpassad modell som kan distribueras via API:t.

Temperatur — Reglaget för kreativitet

Temperatur är en parameter som styr graden av “kreativitet” – tekniskt sett slumpmässighet – i modellens svar. Vid låg temperatur (0 till 0,3) väljer modellen systematiskt de mest sannolika svaren: resultatet är förutsägbart, precist och reproducerbart, vilket passar faktiska uppgifter, datautvinning och kod. Vid medeltemperatur (0,4 till 0,7) får du en balans mellan sammanhang och variation som passar de flesta konversationsanvändningar. Vid hög temperatur (0,8 till 1,0) utforskar modellen mindre uppenbara formuleringar: mer kreativitet, men också större risk för fel – en inställning att reservera för brainstorming och kreativt skrivande.

På Vibe hanteras temperaturen automatiskt; du behöver inte tänka på det. Via API:t kan du dock definiera den exakt för varje begäran, och det är en kraftfull hävstång: samma fråga ställd vid 0,1 och vid 0,9 kommer producera ett revisors svar i det ena fallet, en copywriters svar i det andra.

Hallucinationer — När modellen hittar på

Hallucinationer är svar som verkar trovärdiga men är faktamässigt felaktiga. Modellen “hittar på” information, och – här ligger faran – den gör det med samma självsäkra ton som när den talar sanning. Orsaken är strukturell: en LLM förutsäger sannolika token, inte verifierade fakta. Den kan därför producera text som är språkligt oklanderlig men faktamässigt falsk. Riskområden är väl identifierade: exakta datum, siffror och statistik, citat tillskrivna verkliga personer, referenser till studier eller artiklar, och specifika tekniska detaljer. Be en modell om bibliografin för en lite känd författare: den kommer gärna ge dig boktitlar som är helt trovärdiga… som inte existerar.

Du eliminerar inte hallucinationer, du begränsar dem. RAG förankrar svar i verifierade källor; en låg temperatur gynnar de mest sannolika svaren; att be modellen om källor – och sedan verifiera dem själv – avslöjar påhitt; förankring (grounding), som vi ser strax efter, kopplar modellen till verklig data. Och för varje kritiskt ämne gäller regeln absolut: lita aldrig blindt på ett svar.

Förankring — Att rota sig i verkligheten

Förankring (grounding) refererar till alla tekniker som kopplar en modell till tillförlitliga och uppdaterade informationskällor. RAG är en form, men konceptet är bredare. Webbsökning låter modellen gå och verifiera fakta på internet istället för att hämta från sitt frysta minne. Anslutning till databaser ger den tillgång till din interna data – ditt faktiska lager, dina faktiska kunder. Funktionsanrop (function calling) låter den slutligen anropa externa API:er för att hämta data i realtid: vädret, ett aktiekurs, statusen för ett system. Skillnaden är avgörande: förankring flyttar från en assistent som “vet saker” till en assistent som “kan verifiera saker”.

Prompt — Instruktionen till modellen

Prompten är den text du skickar till modellen: din instruktion, din fråga, din begäran. Dess kvalitet bestämmer i stor utsträckning kvaliteten på svaret – det är ämnet för en hel lektion senare i denna kurs. Håll tre begrepp i åtanke nu. Systemprompten samlar de generella instruktioner som ges till modellen i förväg (ton, roll, begränsningar), konfigurerbara via API:t. Användarprompten är ditt faktiska meddelande, frågan eller uppgiften för stunden. Och few-shot prompting består i att tillhandahålla exempel på förväntade svar för att guida modellen: att visa är ofta bättre än att förklara.

Viktiga punkter

  • RAG berikar modellens svar med färska externa data
  • Inbäddningar transformerar text till vektorer för semantisk sökning
  • Finjustering anpassar en modell till dina specifika behov via Forge
  • Temperatur styr balansen mellan precision och kreativitet
  • Hallucinationer är trovärdiga men falska svar; förankring rotar modellen i verifierbar data för att begränsa dem