
Semantisk søk og intensjonsbaserte systemer
Hva er semantisk søk? Slik fungerer vektorsøk og hybrid søk i Meilisearch, hva det gir nettbutikker og chatboter, og hvordan vi bygger det i Laravel.
Vi bruker dataene du allerede har til prognoser, automatisering og beslutningsstøtte. Modellene setter vi i drift bak API-er som er koblet til systemene dine.
Vi bygger og drifter for
Vi bruker algoritmer på konkrete problemer i bedriften, og bygger systemet rundt modellen så den blir brukt i det daglige arbeidet.
Historiske data gir prognoser for lagerbehov, salg og vedlikehold, så du kan planlegge i forkant.
Språkteknologi sorterer innkommende henvendelser og dokumenter, så de ansatte slipper mye manuelt arbeid.
Algoritmer som ser på hvordan folk bruker løsningen, og viser hver bruker innhold og produkter som passer.
Datasyn som kontrollerer kvaliteten i produksjonen, eller som leser og tolker innskannede papirdokumenter.
Modeller som finner avvik i store datasett, som svindelforsøk, systemfeil og sikkerhetsbrudd.
Åpne språkmodeller på egne servere, finjustert på fagspråket ditt, uten at data sendes ut av huset.
Maskinlæring gir mest når problemet går igjen og dataene allerede finnes.
Mye historikkSalg, bestillinger eller målinger fra flere år tilbake.
Vurderinger som går igjenSaker og dokumenter som i dag sorteres manuelt.
Mønstre ingen serAvvik og sammenhenger som ligger skjult i store datamengder.
Sensitive dataInformasjon som ikke kan sendes til en ekstern KI-tjeneste.
Embeddings fra maskinlæringsmodeller gjør at søket forstår hva brukeren mener. Slik bygger vi hybrid søk i Meilisearch.

Hva er semantisk søk? Slik fungerer vektorsøk og hybrid søk i Meilisearch, hva det gir nettbutikker og chatboter, og hvordan vi bygger det i Laravel.
Med maskinlæring lærer et program mønstre fra historiske data, i stedet for at en utvikler skriver hver regel for hånd. Python er det mest brukte språket til dette. For oss er god systemarkitektur like viktig som algoritmene, for det er den som gjør at dataene i bedriften blir brukt til prognoser, automatisering og bedre beslutninger.
Vi er systemutviklere i bunn. En maskinlæringsmodell gjør ingen nytte så lenge den bare ligger i en Jupyter Notebook. Vi setter modellene i produksjon, pakker dem inn i stabile API-er og kobler dem til fagsystemene du allerede har.
Kunstig intelligens er et bredt felt som spenner fra regelbaserte systemer til store språkmodeller. Maskinlæring er en del av det. I stedet for at noen skriver regler som «kunder som ikke har handlet på 90 dager, er i faresonen», viser vi modellen tusenvis av eksempler på kunder som sluttet og kunder som ble. Modellen finner selv ut hvilke signaler som betyr noe, og hvor mye hvert av dem teller.
Det meste av maskinlæringen i bedrifter dreier seg om tre typer oppgaver:
Store språkmodeller som ChatGPT er også maskinlæring, men noen andre har trent dem på enorme mengder tekst. På denne siden mener vi som regel modeller vi trener på dine egne data, for å svare på spørsmål du har.
Maskinlæring passer når et problem går igjen, når svaret kan læres av historikk, og når dataene allerede finnes. Dette er oppgavene vi oftest løser:
Maskinlæring er ikke alltid riktig verktøy, og vi sier ifra når vi mener det. Dette er de vanligste grunnene til å velge noe annet:
Skal KI svare på spørsmål ut fra egne dokumenter eller gjøre oppgaver i andre systemer, er en språkmodell med søk ofte et bedre utgangspunkt enn en egen modell. Det skriver vi mer om under AI og automatisering.
Det kommer an på problemet du vil løse. For prediksjon trenger du historiske data med minst noen hundre datapunkter. For klassifisering trenger du eksempler på hver kategori, gjerne merket av noen som kjenner fagområdet.
Mange har mer data enn de tror, spredt rundt i regnskapssystemet, CRM-et, supportverktøyet og loggene. Det første vi gjør, er å sjekke om datagrunnlaget holder. Svaret kan godt være nei, og da er det bedre å vite det etter to uker enn etter to måneder.
Hvilken teknologi vi velger, avhenger av hva slags data du har (strukturerte tabeller eller tekst, bilder og lyd), hvor presist svaret må være, og hvor viktig det er å kunne forklare hvorfor modellen svarte som den gjorde. Ingen løsning passer til alt.
Vi kjenner Python-økosystemet godt og velger biblioteker ut fra de tekniske kravene. En enkel modell som kan forklares, er ofte mer verdt enn en tung modell som treffer litt bedre.
For klassisk maskinlæring på tabelldata, som Excel-ark, SQL-databaser og CSV-filer, er scikit-learn arbeidshesten vår. Biblioteket har effektive algoritmer for regresjon, klassifisering og klynging, og det er som regel her vi begynner.
Trengs det mer presisjon, bruker vi gradient boosting med XGBoost eller LightGBM, og til klassisk statistisk modellering bruker vi Statsmodels. Disse modellene er raske og lette å tolke. Vi kan ofte vise nøyaktig hvilke variabler som veier tyngst, og det trenger du når noen skal etterprøve resultatet.
Er dataene ustrukturerte, som tekst, bilder eller lyd, trengs dype nevrale nettverk. Da bruker vi TensorFlow eller PyTorch, som også Google og Meta bygger på, og Hugging Face Transformers til språkmodeller.
Vi bygger og trener modeller som kan se og lese. Treningen krever mye regnekraft, så vi optimaliserer koden for GPU-er. Selve bruken av modellen, inferensen, må likevel gå så raskt at den kan svare i sanntid.
Mange maskinlæringsprosjekter stopper i en notatbok på en datamaskin. Modellen fungerer i en demo, men ingen bruker den i hverdagen.
Vi pakker modellen inn i en egen tjeneste, oftest med FastAPI, som andre systemer kan sende spørsmål til. Tunge jobber, som å trene på nytt eller kjøre prediksjoner på store datamengder, går i bakgrunnen med Celery, og Redis holder ferdige svar i cache. Tjenesten kjører i Docker og Kubernetes, og kobles til nettløsninger, fagsystemer eller Laravel-applikasjoner du allerede har.
En modell er ferskvare. Når markedet endrer seg, eller kundene begynner å oppføre seg annerledes, faller presisjonen gradvis. Det kalles model drift. Vi har lang erfaring med DevOps og lar maskinlæringen gå gjennom den samme CI/CD-pipelinen som resten av koden. Det er dette som kalles MLOps:
OpenAI og andre har gode API-er, men sensitive data kan ofte ikke sendes ut av huset. Vi setter opp og kjører åpne språkmodeller som Llama 3, Mistral og Gemma lokalt i din infrastruktur.
Med verktøy som Ollama og egen maskinvare for inferens kan vi levere KI-funksjoner som chatassistenter og dokumentanalyse helt uten internettforbindelse. Da er det langt enklere å holde seg innenfor GDPR, og du slipper å betale per token. Vi kan også finjustere modellene på fagspråket og dataene dine.
En enkel proof of concept kan være klar på 2 til 4 uker. En løsning klar for produksjon, med integrasjon, overvåking og MLOps, tar vanligvis 2 til 4 måneder, avhengig av hvor komplisert den er.
En enkel prediktiv modell starter på rundt 80 000 kr. Større prosjekter med dyp læring, egen infrastruktur og løpende vedlikehold priser vi etter avtale. Timeprisen starter på 1 500 kr, og når omfanget er tydelig, får du fastpris. Prisen avhenger mest av:
Maskinlæringsprosjektene våre går gjennom de samme fire stegene:
Alle hos oss har over ti års erfaring, og en annen seniorutvikler leser koden før den går i produksjon. Vil du se maskinlæring i bruk, kan du lese om hvordan vi bygger semantisk søk.
Dette er verktøyene vi bruker i de fleste maskinlæringsprosjektene, lag for lag.
Har du data du tror kan brukes til noe mer? Book en prat, så ser vi på det sammen.
Vi sjekker om du har nok historikk, og om dataene er rene nok til å lære av.
Vi prøver flere algoritmer og velger den som gir best balanse mellom presisjon og ytelse.
Modellen får et API og kobles til fagsystemene du allerede bruker.
Vi følger med på treffsikkerheten og trener modellen på nytt når nye data kommer.
løpendeTypiske eksempler er prognoser for salg og lager, sortering av henvendelser og dokumenter, anbefalinger, kvalitetskontroll med datasyn og å oppdage svindel og systemfeil. Felles for dem er at problemet går igjen, og at dataene allerede finnes.
Når reglene er få og kjent, når du har for lite data, eller når hvert enkelt svar må kunne begrunnes og en feil koster mye. Da er vanlig kode eller en person ofte et bedre valg, og det sier vi ifra om.
Det kommer an på problemet. For prediksjon trenger du historiske data med minst noen hundre datapunkter. For klassifisering trenger du eksempler på hver kategori. Vi hjelper deg å vurdere om datagrunnlaget holder.
Kunstig intelligens er et bredt felt som spenner fra regelbaserte systemer til store språkmodeller. Maskinlæring er en del av feltet, der systemet lærer mønstre fra data i stedet for å følge faste regler. Vi bruker begge deler, alt etter hva problemet krever.
Ja. Vi setter opp åpne språkmodeller som Llama 3, Mistral og Gemma i din egen infrastruktur. Da blir dataene på dine egne servere, og personvern og GDPR blir langt enklere å håndtere.
En enkel proof of concept kan være klar på 2 til 4 uker. En løsning klar for produksjon, med integrasjon, overvåking og MLOps, tar vanligvis 2 til 4 måneder, avhengig av hvor komplisert den er.
Det kommer an på hvor komplisert oppgaven er, og hvor mye data det gjelder. En enkel prediktiv modell starter på rundt 80 000 kr. Større prosjekter med dyp læring, egen infrastruktur og løpende vedlikehold priser vi etter avtale. Timeprisen starter på 1 500 kr.
Ja. Vi pakker modellen inn i et API, oftest med FastAPI, og kobler den til fagsystemer, nettløsninger eller Laravel-applikasjoner du allerede bruker.
Vi setter opp overvåking som varsler når treffsikkerheten faller under en grense, og trener modellen automatisk på nytt når det kommer nye data.
Fortell oss om dataproblemet, eller spør hva maskinlæring kan gjøre for bedriften din. Vi hjelper deg fra første idé til modellen er i drift.