Artificiell intelligens (AI) bygger på matematiska modeller och datavetenskap som gör det möjligt för datorer att analysera information, dra slutsatser, fatta beslut och lära sig av erfarenhet.
Till skillnad från traditionella datorprogram, som följer fasta regler, kan AI själv förbättra sin förmåga över tid genom så kallad maskininlärning (Machine Learning, ML).
Ett enkelt exempel:
Tänk dig att du visar en dator tusen bilder på 500-kronorssedlar och 100-kronorssedlar. Till en början gissar datorn fel, men varje gång du berättar vad som är rätt justerar den sig lite. Efter många försök lär den sig att själv se skillnaden, även på nya bilder den aldrig har sett förut. Det är precis så AI lär sig – genom övning och återkoppling, ungefär som vi människor.
Grundprincipen bakom AI
AI försöker efterlikna hur den mänskliga hjärnan fungerar.
Istället för att använda hårdkodade instruktioner arbetar AI med neurala nätverk – matematiska strukturer som består av tusentals eller miljontals “noder” (neuroner).
Varje nod tar emot indata, bearbetar den med en viktning (weight), och skickar resultatet vidare till nästa lager av noder.
Under träning justeras viktningarna så att modellen gör mindre fel över tid – en process som kallas backpropagation.
Detta sker med hjälp av:
Stora datamängder (training data) – modellen behöver exempel för att lära sig samband.
Optimeringsalgoritmer – justerar modellens parametrar (vikter) för att minimera fel.
Beräkningskraft (GPU/TPU) – specialiserade processorer som gör miljarder beräkningar samtidigt.
Resultatet är ett system som kan identifiera mönster, förutsäga utfall och generera innehåll baserat på tidigare inlärning.
Olika typer av AI och hur de fungerar
Det finns flera huvudgrenar av AI, som används i olika sammanhang inom finans, teknik och vardag:
Regelbaserad AI (Rule-based systems)
– Bygger på fasta regler och “om X, gör Y”-logik.
– Exempel: äldre kundtjänstrobotar eller kreditbeslut med statiska parametrar.Maskininlärning (Machine Learning)
– Modellen tränas med data för att förutsäga utfall eller klassificera information.
– Exempel: riskbedömning, bedrägeriövervakning, kreditmodellering.Djupinlärning (Deep Learning)
– Använder djupa neurala nätverk med många lager.
– Kan upptäcka komplexa samband i stora datamängder (bilder, ljud, text).
– Exempel: röstigenkänning, språkförståelse, bildanalys, självkörande fordon.Generativ AI (GenAI)
– En nyare gren av AI som kan skapa nytt innehåll baserat på tidigare inlärning.
– Bygger ofta på stora språkmodeller (Large Language Models, LLM).
– Exempel: ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic), LLaMA (Meta).
LLM:er fungerar genom att analysera miljarder ord i textdata och lära sig sannolikheten för vilket ord som sannolikt kommer härnäst.
När du ställer en fråga skapar modellen ett svar ord för ord, baserat på dessa sannolikheter – men med kontextuell förståelse tack vare sina interna representationer (embedding-värden).
Hur AI tränas – steg för steg
Datainsamling
Stora mängder data samlas in – text, siffror, bilder eller transaktioner.Förbehandling
Datan rensas, normaliseras och anonymiseras (för att skydda integritet).Träning
AI-modellen lär sig samband mellan variabler genom att justera sina interna vikter.
Ju fler iterationer (epoker) modellen tränas, desto bättre blir den.Validering och test
Modellen testas på ny data som den inte har sett tidigare för att säkerställa att den inte överanpassat (overfitting).Finjustering (Fine-tuning)
I stora språkmodeller sker finjustering med specifika instruktioner eller företagsdata – till exempel hur Nordiskas AI-assistent Casey tränas på Nordiskas produktinformation, men inte på kundernas personliga data.Driftsättning (Deployment)
När modellen uppfyller säkerhets- och kvalitetskrav används den i verklig miljö, under kontinuerlig övervakning.
Hur AI används inom bank och finans
Inom finanssektorn används AI för att:
Förbättra kundupplevelsen (chatbotar, personlig service, tillgänglighet).
Identifiera bedrägerier och misstänkta transaktioner (AML, KYC, riskanalys).
Förutse marknadsrörelser (prediktiv modellering, analys).
Automatisera interna processer (dokumenthantering, beslutsstöd).
Förstärka cybersäkerheten (upptäcka onormalt beteende i nätverk).
Säkerhet, etik och reglering
AI hanteras inom ramarna för:
GDPR (dataskyddsförordningen)
Finansinspektionens föreskrifter om IT-säkerhet och riskhantering.
Kommande EU AI Act, som ställer krav på transparens, riskklassificering och mänsklig kontroll.
Interna etiska riktlinjer – Nordiska tillämpar principerna om förklarbarhet, rättvisa och ansvar i all AI-användning.
Exempel – AI i praktiken
Anta att en AI-modell ska upptäcka misstänkta transaktioner:
Den tränas på historiska transaktionsdata.
Den lär sig mönster för normala beteenden.
När en ny transaktion sker, jämförs den mot dessa mönster.
Om avvikelsen är stor flaggas den för manuell granskning.
Samma princip används i språkmodeller. Systemet känner igen språkliga mönster och beräknar sannolikheten för vilket ord eller svar som passar bäst. AI används också för att identifiera och besvara vanliga kundfrågor genom vår digitala assistent Casey, vilket bidrar till snabbare, mer tillgänglig och personlig service – utan att kompromissa med säkerhet eller dataskydd.
Kortfattat:
AI fungerar genom att lära sig mönster i data via neurala nätverk och algoritmer.
Nordiska använder AI för att öka säkerhet, effektivitet och tillgänglighet – aldrig för att fatta beslut utan mänsklig kontroll.
All AI används inom ramen för GDPR, Finansinspektionens regler och EU:s AI Act.
Nordiska följer utvecklingen av OpenAI, Google, Anthropic, Meta och andra, men använder endast säkerhetsgranskade lösningar.