Öppna vikter betyder inte fri användning – välj modell med öppna ögon
Nedladdningsbar, öppen och lokal betyder olika saker. Skilj modellens tillgänglighet från licens, dataflöde och driftansvar innan du väljer.
Data & AI
Data, BI & AI
Beslutsstöd, visualisering, automation och AI med praktisk nytta.
Mixture of Experts – många delar, få aktiva åt gången
MoE låter en språkmodell använda utvalda delar för varje textbit. Förstå skillnaden mellan total storlek, aktiv beräkning och minnesbehov.
Textbitar – varför AI inte räknar ord som vi
En mening är inte bara ord för en språkmodell. Se hur text delas i mindre byggbitar och varför ordantal inte räcker.
Tal och träning – vad modellen har lärt sig
Följ en textbit till inlärda tal. Skilj på träning som ändrar modellen och vanlig användning som bearbetar din fråga.
Sammanhang – hur resten av meningen hjälper
Samma ord kan bearbetas olika när orden före det ändras. Se hur attention hjälper till att föra information mellan textens delar.
LLM, agent, harness och editor – vad är skillnaden?
Modellen beräknar svar, agenten driver en uppgift och harnesset håller ihop arbetet. Se hur Claude Code, Codex, Hermes och Microsofts agenter överlappar.
Attention – hur sammanhang formar representationer
Följ banken från startembedding till kontextberoende representation. Ett litet räkneexempel visar frågor, nycklar, softmax och blandade värdevektorer.
Tokens – så blir text modellens byggbitar
En token är en textbit, inte alltid ett ord. Följ vägen från text till token-ID och vektor, och förstå hur modellens svar byggs en bit i taget.
Embeddings och vikter – så räknar och lär sig språkmodellen
Följ ett token-ID till inlärda tal, räkna med en viktmatris och se varför nytt sammanhang inte är samma sak som att modellens vikter tränas om.
Grill Me-skillen – stressa dina planer med rätt frågor
En AI-färdighet som intervjuar dig obevekligt om planer och design tills ni når gemensam förståelse. Alla grenar i beslutsträdet granskas, ett beslut i taget.
Micrograd – så lär sig ett litet neuralt nätverk
Modellen gissar, mäter felet och justerar sina inställningar. Micrograd visar hur man räknar ut vilka små ändringar som kan förbättra nästa gissning.
Agenters styrning och säkerhetsgränser – avgränsning slår bred autonomi
Agenters värde kommer från tydligt avgränsade uppgifter, verktyg och kontrollpunkter – inte från bred autonomi. Harnesset hanterar behörighet, loggning och stoppvägar.
Agentytor, profiler och subagenter – organisera för tillgänglighet och kontroll
Ett agent-harness med profiler, lokal modell, röst, HUD, subagenter och cronjobb ökar tillgänglighet. Varje ny yta kräver tydligt ansvar, minsta behörighet och stoppvägar.
Asynkron kö och mänsklig gate i agentflöden
Låt agenten producera granskningsbara resultat i en kö istället för att kräva ständig mänsklig uppmärksamhet. Människan fattar go/no-go på tydliga artefakter.
Harnesset är kontrollplanet – modell vs runtime i agentiska system
Modellen föreslår. Harnesset bestämmer vad som får hända via verktyg, behörigheter, loggning, budget och stoppvägar. Det är den viktigaste designfrågan.
Kapacitetspåståenden vs verifierbara resultat
Starka påståenden om vad en modell eller agent kan göra är inte samma sak som reproducerbara, granskade resultat. Harnesset och oberoende kontroller avgör värdet.
Smala strukturerade modeller för triage och routing – när en liten modell slår en stor LLM
För triage och routing räcker ofta en snabb, billig, strukturerad modell med schema och tröskelvärden. Inte allt behöver vara en stor LLM.
Reproducerbar ML-pipeline och baslinjer före avancerade modeller
En reproducerbar ML-pipeline med baslinje, train/test-split och artefakter är ofta mer värdefull än att jaga den senaste modellen. Mät på verklig nytta.
Strukturerade verktyg slår skärmagenter – exponera funktioner istället för att klicka
Låt inte agenter klicka via skärm. Exponera smala funktioner med schema, validering och läs/skriv-separation istället.
Vektorer, attention och kontext i transformers – praktisk grund för LLM-förståelse
Vektorer är numeriska representationer. Attention låter tokens påverkas av kontext parallellt. Ger intuition för promptdesign och varför vissa LLM-strukturer fungerar bättre.
Billig frontier-AI genom smarta modellkombinationer
Kombinera stark dyr modell med billig öppen modell för nära frontier-kvalitet till låg kostnad på specifika uppgifter.
Hur man faktiskt väljer rätt AI-agent
Välj agent efter uppgift, verktyg, kostnad och verifierbarhet – inte efter 'bästa modell'.
Praktisk agent: låt Grok (eller liknande) hantera din inkorg
En agent med verktyg och minne kan sortera och hantera repetitiv e-post, med tydliga regler och mänsklig godkännande.
Vad man ska bygga istället för (eller bredvid) AI-agenter
Bygg smala verktyg och verifierbara flöden där agenten är en komponent – inte en generell 'allt-ag ent'.
AGENTS.md som återanvändbart kontrakt i agentisk utveckling
Ett projektspecifikt AGENTS.md fungerar som kontrakt: syfte, stack, stilregler och kända fallgropar. Det minskar kontextglapp mellan agent-sessioner.
Praktisk ML-lärväg 2026: från intuition till utvärderad deployment
Börja med intuition, bygg en reproducerbar kedja: problem → data → baslinje → utvärdering utan läckage → deployment.
Små leveranser och arkitekturrevision istället för stora AI-planer
Små leveranser + återkommande arkitekturrevision ger bättre riskkontroll än stora förhandsplaner när AI gör ändringar billiga.
Tvåspårs arkitektur för röststyrda agenter
Håll röstsamtalet snabbt medan en separat agent gör tungt arbete asynkront. Status återförs utan att blockera användaren.
Verifierbara kvalitetsspärrar i agentisk kodning
Flytta från långa prompter till maskinellt verifierbara grindar: tester, statisk analys, täckning och reproducerbara checks.
Agentisk datoranvändning: behörigheter, sandbox och mänsklig godkännande
Agenter som använder skrivbord och verktyg behöver minsta behörighet, sandbox, kontrollpunkter och mänsklig godkännande före externa effekter.
AI-hemmalabb: hårdvara, VRAM och vad det faktiskt kostar
Ett hemmalabb har hårdvara, modell och harness. VRAM styr vad du kan köra; elförbrukning och kylning är verkliga kostnader. 80/20 local/cloud är ofta klokt.
AI-infrastruktur begränsas av energi, elnät och värme – inte bara acceleratorer
Storskalig AI begränsas ofta av effekt, elnät, kylning och energitillgång – inte bara modeller eller GPU:er. Flexibel arbetslast och placering nära energikällor blir viktiga.
Lokal LLM-hårdvara: Mac, NVIDIA och dedikerade system – jämförelse
Bandbredd, VRAM och watt avgör praktisk nytta. Apple ger bra balans och låg effekt; NVIDIA ger hastighet men drar mer el. Välj efter din arbetslast.
Lokala småmodeller som lärandeexperiment – träna din egen Tiny LLM
Träna en liten modell på begränsat dataset för att förstå LLM-pipelinen: data, träning, checkpoints. Bra experiment – inte en allmän assistent.
Modellrouting och minnesdesign – välj rätt modell för uppgiften
Routing (billigare/lokal först) och minnesdesign blir värdefulla när du har tydliga trösklar, loggning och kostnadsgränser för uppgiften.
Neurala nätverk: struktur, aktiveringar och hur de lär sig
Neurala nätverk är kedjor av viktade summor och aktiveringsfunktioner. Gradient descent och backpropagation låter dem lära sig från exempel steg för steg.
Iteration som det verkliga modellmåttet – agentiska arbetsflöden
Bedöm modeller efter hur snabbt du kan ta ett problem genom flera verifierbara förbättringsvarv – inte efter första utkastet.
Prefill vs decode – dimensionera din lokala LLM efter verklig arbetslast
Prefill (läsa kontext) och decode (generera) är olika flaskhalsar. Dimensionera lokal LLM efter verklig arbetslast, inte bara tokens/sekund.
Agentroller, minne och styrning – designfrågor som faktiskt spelar roll
När man bygger eller använder agenter är rollbeskrivningar, minnesgränser, handoffs, loggar och mänskliga stoppunkter viktigare än enskilda modellval.
Klassiska ML-modeller som baslinjer – träd, grannar och logistisk regression
Innan du går på stora neurala nätverk: bygg enkla, tolkningsbara baslinjer med träd, KNN och logistisk regression.
MCP – Model Context Protocol för Obsidian
En standardiserad brygga som låter AI-agenter (Hermes, Nodi m.fl.) säkert söka, läsa, skapa och uppdatera noter i ditt Obsidian-vault. Tänk 'API för ditt Second Brain'.
Hugging Face – AI-plattformen för modeller och samarbete
Hugging Face är ”GitHub för maskininlärning”. Här hittar, delar och använder du färdiga AI-modeller, dataset och interaktiva appar – utan att behöva träna allt själv från början.
Google Cloud Run – serverless containrar utan krångel
Fullt hanterad serverless-plattform för containrar på Google Cloud. Scale-to-zero, låg kostnad och ingen klusterhantering – perfekt för webbappar och experiment.
Lisemark Transcriber – privat transkribering i webbläsaren
Privat transkribering i webbläsaren. Svensk-first med KB-Whisper, lokal fil/microfon, export till SRT/VTT och efterbearbetning – utan att ljud lämnar din dator.
Personlig AI-röst med ElevenLabs
Så skapar, kvalitetssäkrar och använder du en personlig AI-röst på ett säkert sätt i svenska arbetsflöden.
AI Skills – färdigheter för att jobba effektivt med AI
Praktiska färdigheter för att använda AI-verktyg på ett effektivt, etiskt och produktivt sätt i vardagsarbete.
Hermes Agent – lokalt AI-agent-system
Lokalt-först AI-agent-ramverk (Hermes av Nous) som Johan kör på Nodi med skills, delegation, minne och schemaläggning.
OpenClaw – personlig AI-assistent och automationslager
Lokalt, självhostat AI-assistent-system som kopplar meddelandeappar med verktyg och automation. Föregångare till Hermes hos Johan.
RAG – Retrieval-Augmented Generation
En teknik där en AI-modell hämtar relevant information från en kunskapsbas innan den svarar. Ger mer korrekta och uppdaterade svar än enbart modellen.
Freenet — internetappar utan central server
Ett peer-to-peer-nät där varje deltagare kör en egen nod och appar synkroniseras mellan peers i stället för hos en central tjänsteleverantör.
Så väljer du rätt visualisering i Power BI
En praktisk beslutsordning för att välja diagram utifrån fråga, jämförelse och beslut — inte utifrån vad som ser snyggast ut.