// ai engineering · malmö, sverige
AI-system som klarar mötet med produktion
Alla har en demo. Vi bygger det som kommer efter: retrieval ni kan lita på, utvärdering ni kan mäta, guardrails ni kan försvara och infrastruktur ni har råd med.
// vad vi gör
Ingenjörsarbetet bakom en användbar AI-funktion
Vi angriper AI från infrastruktursidan: modellen är en komponent i ett system som också behöver data, utvärdering, observability, kostnadskontroll och en ägare.
Från prototyp till produktion
De flesta AI-projekt dör mellan en snygg demo och ett pålitligt system. Vi tar demon, bygger utvärdering, guardrails, observability och kostnadskontroll runt den, och skeppar den.
RAG som faktiskt fungerar
Chunkningsstrategi, hybrid search, reranking, färskhet och källhänvisning. Det är kvaliteten på retrieval, inte vilken modell ni valt, som avgör om en assistent går att lita på.
Agenter och verktygsanvändning
Begränsade agenter med typade verktyg, deterministiska fallbacks, budgetgränser och mänsklig godkännande där det spelar roll. Autonomi där den lönar sig, guardrails överallt annars.
Utvärdering och kvalitetsgrindar
Golden datasets, LLM-as-judge med manuella stickprov, regressionstester i CI. Kan ni inte mäta en förändring kan ni inte heller uppgradera en modell tryggt.
LLM-plattform och gateway
En gemensam gateway för routing, caching, rate limits, nyckelhantering, budgetar per team och audit logs, så att inte varje produktteam integrerar leverantörer på egen hand.
Inferensinfrastruktur
GPU-node pools på Kubernetes, vLLM eller Ollama för self-hostade modeller, autoscaling till noll, och en ärlig jämförelse mot att bara betala en API-leverantör.
AI i utvecklarflödet
Kodassistenter, review-bottar och genererade tester, införda med policy, hantering av secrets och mätning, så att produktivitetspåståendet faktiskt går att kontrollera.
Governance och EU:s AI-förordning
Klassificering av use case, dokumentation av dataflöden, loggning och mänsklig tillsyn: det praktiska ingenjörsarbetet bakom compliance-pappren.
// arkitektur
En referensstack för LLM-applikationer
Inte alla projekt behöver alla lager, men att veta vilket lager ett problem hör hemma i är halva jobbet.
// metod
Så tar vi ett AI-case till produktion
- 01→Ramar inVäljer ett use case med mätbart värde och rimliga felscenarion.
- 02→BaslinjeBygger den tråkiga versionen först, ofta slår sökning eller regler en LLM.
- 03→UtvärderarGolden set och mätetal innan optimering, inte efter.
- 04→HärdarGuardrails, hantering av personuppgifter, fallbacks, budgetar och rate limits.
- 05DriftarTraces, bevakning av drift, kostnad per request och en rutin för modelluppgraderingar.
// mognad
Mognadstrappan för AI
De flesta organisationer vi möter ligger någonstans mellan steg 1 och steg 2. Steget till steg 3 är mest plattformsarbete, och det går fint att lära sig.
Experiment
Enskilda medarbetare använder chattverktyg privat. Ingen policy, ingen mätning och ingen koll på vilken data som lämnar huset.
Första funktionen
En AI-funktion når användarna. Prompts ligger i koden, kvalitet bedöms på känsla och kostnaden är en överraskning på fakturan.
Repeterbart
En gemensam gateway, utvärderingssviter och traces finns på plats. Ett andra team kan skeppa en AI-funktion utan att uppfinna hjulet igen.
Styrt
Use case är klassificerade, dataflöden dokumenterade, mänsklig tillsyn definierad, och modelluppgraderingar är rutin snarare än risk.
Sammansatt tillväxt
AI är en del av golden path: utvärdering i CI, budgetar per team, och retrieval-kvalitet som förbättras av verklig användningsdata.
// landskap
Vad en konsult bör kunna i AI-eran
Verktygen byts snabbt, men kategorierna står sig. Det här är de vi håller händerna i.
// vår syn
Åsikter vi håller fast vid, tills motsatsen bevisas
De flesta AI-problem är dataproblem. Skillnaden mellan en oanvändbar assistent och en bra en är nästan alltid retrieval-kvalitet och innehållsstruktur, inte vilken toppmodell ni valde det här kvartalet.
Modellval borde vara en konfigparameter. Leverantörer springer om varandra var tredje månad. Bygg bakom en gateway så att ett byte blir en deploy, inte ett projekt.
Utvärdering är den riktiga vallgraven. Ett team med ett solitt golden dataset kan ta i bruk en ny modell på en dag. Ett team utan ett sådant gissar för evigt.
Agenter behöver minsta möjliga behörighet. Ge en agent verktyg på samma sätt som ni skulle ge en praktikant produktionsuppgifter: snävt, med loggning, och med ett godkännandesteg för allt som är irreversibelt.
// vanliga frågor
Frågor vi ofta får om AI
Ska vi self-hosta modeller eller använda ett API?
För de flesta team, börja med ett managed API och en gateway som gör det billigt att byta. Self-hosting lönar sig vid jämn hög volym, strikta krav på datalagring eller en finjusterad modell, och någon som kan driva GPU:erna.
Hur stoppar vi en AI-funktion från att hitta på saker?
Förankra svar i hämtade källor, kräv källhänvisning, begränsa output med scheman, och lägg till en väg för att avstå från svar. Mät sedan: ett golden dataset med förväntade svar gör hallucination till ett tal ni kan driva ner, inte bara en känsla.
Vad betyder EU:s AI-förordning för oss i praktiken?
I stort: vet vilka av era use case som är högrisk, dokumentera dataflöden och modellbeslut, spara loggar, och se till att en människa kan gripa in. Nästan allt av det är ingenjörsarbete vi kan hjälpa till att implementera, inte pappersarbete.
Våra AI-kostnader är oförutsägbara. Går det att fixa?
Ja. Caching, mindre modeller för enkla fall, kortare prompts, gränser för streaming och budgetar per team i gatewayen sänker oftast kostnaden rejält utan att tumma på kvalitet där det spelar roll.
Är prompt injection en verklig risk?
Absolut. Varje agent med verktyg och tillgång till text ni inte kontrollerar behöver minsta möjliga behörighet, validering av output och godkännandesteg för allt som är irreversibelt. Vi ser det som ett säkerhetsproblem, inte ett formuleringsproblem för prompten.
// så jobbar vi
// kontakt
Sitter er AI-idé fast mellan demo och produktion?
Berätta vad ni försöker bygga så säger vi ärligt om AI är rätt verktyg för det.
kontor: Malmö · uppdrag i hela landet