Exempel på maskininlärning du redan använder

Exempel på maskininlärning är skräppostfiltret i din mejl, rekommendationerna på Netflix och Spotify, Face ID i mobilen, restiden i Google Maps och bankens skydd mot kortbedrägerier. Alla fungerar på samma sätt: de har lärt sig mönster från stora mängder data och använder mönstren för att förutsäga något om just dig eller din situation. Vill du först förstå principen, läs grunderna om maskininlärning.

I korthet

Maskininlärning arbetar oftast i bakgrunden i tjänster du redan använder, utan att du startar något AI-verktyg.
Varje exempel kan förklaras i tre led: vilken data systemet använder, vilket mönster det har lärt sig och vad det förutsäger.
Vanliga exempel är skräppostfilter, rekommendationer, ansiktsupplåsning, restidsberäkning, bedrägeriskydd och taligenkänning.
Du kan ofta påverka resultatet själv, till exempel genom att markera mejl som skräppost eller ge tummen upp eller ner.
För småföretag är sortering av inkommande mejl ett konkret första exempel.

Hur känner man igen maskininlärning?

Det som skiljer maskininlärning från vanlig automatisering är att ingen människa har skrivit alla regler. Systemet har i stället lärt sig av exempel. Du kan känna igen det på tre led:

Data

Systemet samlar in information, till exempel vad du klickar på, var du kör eller hur tidigare mejl har märkts.

Mönster

En modell har tränats på mängder av liknande data och hittat vad som brukar höra ihop.

Förutsägelse

Modellen använder mönstret på din situation: det här mejlet är troligen skräppost, den här filmen gillar du nog.

Vilka exempel på maskininlärning använder du redan?

Här är sex vanliga exempel, vart och ett förklarat med data, mönster och förutsägelse.

Skräppostfilter i mejlen

Gmail använder maskininlärning tillsammans med vanliga regler för att stoppa skräppost. Google uppgav 2019 att skyddet stoppar mer än 99,9 procent av skräppost, nätfiske och skadlig kod, och att filtret även anpassas efter varje användare. Ett nyhetsbrev som en person vill ha kan vara skräppost för någon annan.

Data: stora mängder mejl och användarnas markeringar som skräppost eller inte. Mönster: vilka kombinationer av avsändare, innehåll och format som brukar vara skräppost. Förutsägelse: om ett nytt mejl ska till inkorgen eller skräpposten.

Rekommendationer på Netflix och Spotify

Netflix beskriver att tjänsten uppskattar hur troligt det är att du gillar en titel utifrån bland annat din tittarhistorik, hur du betygsatt andra titlar, vad medlemmar med liknande smak tittar på och information om själva titeln. Även tid på dygnet, språk och enhet kan spela in. Spotify bygger på motsvarande sätt en ”smakprofil” utifrån vad du söker efter, lyssnar på, hoppar över och sparar.

Data: vad du och andra med liknande smak har tittat på eller lyssnat på. Mönster: vilka filmer, serier och låtar som brukar gillas av samma personer. Förutsägelse: vad du troligen vill se eller höra härnäst.

Face ID och ansiktsigenkänning i mobilen

När du låser upp en iPhone med Face ID projicerar kameran tusentals osynliga punkter på ansiktet och gör en djupkarta. Apple beskriver att Face ID använder maskininlärning för att jämföra en matematisk representation av ansiktet med den du registrerade, och att funktionen anpassar sig när ditt utseende ändras, till exempel med smink eller skägg. Enligt Apple lämnar ansiktsdatan aldrig enheten. Ansiktsigenkänning är en form av bildigenkänning.

Data: djupkartan och en infraröd bild av ansiktet. Mönster: vad som utmärker just ditt ansikte, även med glasögon eller nytt skägg. Förutsägelse: om det är du som tittar på telefonen.

Restid och trafik i Google Maps

Google Maps kombinerar historiska trafikmönster för varje väg med aktuell trafik och använder maskininlärning för att förutsäga hur trafiken blir längre fram under resan. Google angav 2020 att restidsberäkningarna var korrekta för över 97 procent av resorna, och att samarbetet med forskningslabbet DeepMind har minskat andelen felaktiga beräkningar ytterligare.

Data: historiska och aktuella trafikuppgifter från många resenärer. Mönster: hur trafiken brukar förändras på olika vägar och tider. Förutsägelse: beräknad ankomsttid och om en annan väg går snabbare.

Bankens skydd mot kortbedrägerier

När du betalar med kort bedöms köpet på bråkdelen av en sekund. Visa beskriver att tjänsten Visa Advanced Authorization använder maskininlärning för att ge varje transaktion ett riskvärde i realtid, utifrån hundratals uppgifter om köpet och kortets historik. Banken som gett ut kortet använder sedan värdet när den godkänner eller stoppar köpet.

Data: miljarder tidigare transaktioner, både vanliga köp och bedrägerier. Mönster: vad som skiljer ett normalt köp från ett misstänkt, till exempel plats, belopp och typ av butik. Förutsägelse: hur stor risken är att just det här köpet är ett bedrägeri.

Röstassistenter och taligenkänning

När du pratar med en röstassistent eller dikterar ett sms gör ett system om ljudet till text. Taligenkänning är ett typiskt område för djupinlärning, eftersom tal är svårt att beskriva med handskrivna regler: dialekter, tempo och bakgrundsljud varierar hela tiden. Liknande teknik används i maskinöversättning, till exempel när en app översätter en text eller en skylt du fotograferar. Området där datorer tolkar och skapar mänskligt språk kallas naturlig språkbehandling.

Data: stora mängder inspelat tal med tillhörande text. Mönster: hur ljud motsvarar ljudbitar, ord och meningar. Förutsägelse: vilka ord du troligen sa.

Hur kan ett småföretag använda maskininlärning?

Ett vanligt första exempel är att sortera inkommande mejl. En modell kan märka varje mejl som till exempel offertförfrågan, supportärende eller faktura, så att rätt person ser rätt mejl först. Det är klassificering, en av maskininlärningens vanligaste uppgifter, och ett typiskt exempel på övervakad inlärning. Andra verktyg hittar mönster utan facit, till exempel när kunder delas in i grupper med liknande köpvanor.

Du behöver inte bygga någon modell själv. Många mejl-, kundtjänst- och automatiseringsverktyg har inbyggd sortering, och med en AI-agent kan du gå ett steg längre. Se guiden om att bygga en AI-agent som svarar på nya leadmejl.

Vad kan du själv påverka?

Eftersom systemen lär sig av din användning kan du ofta styra dem:

Mejl: markera felsorterade mejl som ”skräppost” eller ”inte skräppost”. Det är återkoppling som filtret använder.
Netflix: betygsätt titlar, till exempel med tummen upp. Netflix uppger att sådan återkoppling används för att förbättra förslagen.
Spotify: välj ”inte intresserad” på ett förslag eller undanta en spellista från din smakprofil, så påverkar den dina rekommendationer mindre.
Face ID: du kan när som helst stänga av eller återställa funktionen i inställningarna, och då raderas ansiktsdatan.

Vilka val som finns varierar mellan tjänster, länder och abonnemang. Vill du veta mer om hur dina uppgifter används av AI-tjänster, läs om AI-säkerhet och källkritik.

Vad skiljer exemplen från AI-verktyg som ChatGPT?

Exemplen på den här sidan är maskininlärning som du inte startar själv. De sorterar, rekommenderar och förutsäger i bakgrunden. AI-verktyg som ChatGPT är generativ AI som skapar ny text när du ber om det, och de bygger på djupinlärning, en form av maskininlärning med neurala nätverk i många lager.

Vill du hellre ha exempel på AI-verktyg som du aktivt kan använda för mejl, sammanfattningar och planering, se 15 exempel på AI. Hur de olika begreppen hänger ihop förklaras i AI, maskininlärning och djupinlärning.

Testa själv: spåra maskininlärningen i din mobil

1. Öppna skräppostmappen i din mejl och leta efter ett mejl som hamnat fel. Markera det rätt.

2. Öppna en streaming- eller musiktjänst och titta på förslagen. Vilka av dina senaste val kan ligga bakom dem?

3. Öppna en karttjänst och jämför den beräknade restiden med hur lång tid resan faktiskt tar. Vill du förstå hur modellerna lärs upp, läs hur AI tränas.

Vanliga frågor

Är alla rekommendationer maskininlärning?

Nej. Spotify skriver till exempel att en del rekommendationer bygger på redaktionellt urval, som spellistor som musikredaktörer har satt ihop, medan andra skapas av algoritmer utifrån din smak. Ofta samverkar människor och maskininlärning.

Lär sig systemen av just mig?

Ofta ja, men på olika sätt. Gmail anpassar filtret efter varje användare, Netflix och Spotify väger in din egen historik och Face ID uppdaterar sin bild av ditt ansikte. Samtidigt bygger de grundläggande mönstren på data från väldigt många användare.

Källor

Vad är nästa steg?

Vill du själv börja använda AI, inte bara upptäcka den i bakgrunden, är AI i vardagen ett bra nästa steg. Där får du konkreta sätt att komma igång hemma.

Den här guiden är skriven och faktakontrollerad av AI-agenter mot källorna ovan, som en del av maskinlarning.se – en sajt som byggs helt av AI.

Senast uppdaterad: 26 oktober 2026

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.

Exempel på maskininlärning: där den redan jobbar åt dig