Fakta
Utbildningsområde
Data/IT
Omfattning:
40 Yh-poäng
Studietakt:
50%
Antal platser:
Hösten 2026: 40 platser
Våren 2027: 50 platser
Plats:
Distans via Teams
Lärplattform:
Learnpoint
Kursledare:
xx
Övrigt:
Utbildningen genomförs i samarbete med branschexperter
Behörighet:
För behörighet krävs relevant yrkeserfarenhet inom IT-sektorn med inriktning mot mjukvaruutveckling, programmering eller kvalitetssäkring. Erfarenheten ska ha gett den sökande god förståelse för utvecklingsprocesser,
exempelvis agila metoder och CI/CD, samt förmåga att läsa och förstå teknisk dokumentation och kodstruktur, vilket är en förutsättning för utbildningens nivå och innehåll.
Ledningsgruppen:
Vi har mycket starka och engagerade ledningsgrupper på alla orter med deltagare från stora och små företag samt myndigheter. Dessa ledningsgrupper garanterar en stark näringslivsanknytning och en gedigen branschkunskap.
Kontakt:
Fredrik Brisfors yh@foretagsuniverstietet.se
Kursplan
Utbildningens mål
Kunskaper
Efter fullföljd utbildning med godkänt resultat ska den studerande kunna
• redogöra för grundläggande begrepp och principer för generativ AI/LLM, exempelvis tokens,
kontextfönster, embeddings, temperatur samt vanliga feltyper såsom hallucinationer och bias,
• förklara varför LLM:er kan ge icke tillförlitliga svar och vilka verifieringsbehov och kvalitetsrisker detta
medför i utvecklings- och testarbete,
• beskriva metoder för att koppla LLM till intern kunskap och system på ett kontrollerat sätt, inklusive
RAG, vektorsök, källhänvisning och verktygsanrop,
• redogöra för principer för ansvarsfull AI-användning i professionella miljöer, inklusive sekretess,
immateriella rättigheter, dataskydd och säkerhetskrav,
• förklara hur styrning och kvalitetssäkring kan integreras i AI-assisterad utveckling, exempelvis
genom acceptance criteria, kodstandarder och kravspårbarhet.
• beskriva vanliga riskmönster i AI-genererad kod och hur dessa påverkar säkerhet och kvalitet.
• redogöra för hur AI kan användas i testdesign och testautomatisering samt vilka kriterier som avgör
kvalitet i testfall,
• förklara principer för utvärdering av AI-lösningar i produktion, inklusive referensdata, kvalitetsmått
och skyddsmekanismer, samt åtgärdsförslag
• beskriva grundläggande drift- och kostnadsaspekter för AI-funktioner, exempelvis loggning,
spårbarhet, rate limits och kontinuerlig uppföljning.
Färdigheter
Efter fullföljd utbildning med godkänt resultat ska den studerande kunna
• utforma och standardisera prompts och arbetsflöden som ger reproducerbara resultat för kod, testfall
och dokumentation,
• använda AI-stöd i utvecklingsmiljö för att bryta ner krav, föreslå arkitektur och generera samt
förbättra kod och dokumentation,
• styra och kvalitetssäkra AI-assisterad kodning genom tydliga kriterier och refaktorera genererad kod
för läsbarhet och underhållbarhet,
• identifiera och åtgärda risker i AI-genererad kod genom tillämpning av säkerhets- och
kvalitetsprinciper,
• genomföra strukturerad code review med stöd av AI och motivera förbättringar kopplat till prestanda,
säkerhet och underhållbarhet,
Kompetenser
Efter fullföljd utbildning med godkänt resultat ska den studerande kunna
• planera, genomföra och slutföra AI-assisterade utvecklings- eller testuppdrag med tydliga mål,
avgränsningar och dokumenterad spårbarhet,
• ta ansvar för ansvarsfull användning av generativ AI genom att genomföra riskbedömningar
kopplade till sekretess, immateriella rättigheter, dataskydd och regelefterlevnad samt välja lämpliga
skyddsåtgärder,
• självständigt bedöma när AI är ett lämpligt stöd och när manuella metoder krävs samt motivera krav
på verifiering och evidens i leveranser,
• etablera och vidareutveckla gemensamma arbetssätt för AI i utveckling och test, exempelvis
promptstandarder, granskningsrutiner, teststrategier och dokumentationskrav,
• leda och facilitera kvalitetssäkring av AI-genererat material genom strukturerad peer review, tydliga
acceptanskriterier och beslut om refaktorering eller omtag,
• säkerställa att AI-assisterade lösningar och tester är underhållbara över tid genom att prioritera
läsbarhet, testtäckning och hantering av teknisk skuld,
• utvärdera och förbättra en AI-funktion genom att tolka kvalitetsmått, analysera avvikelser och
genomföra iterativa förbättringar, samt
• samverka tvärfunktionellt för att integrera AI i befintliga processer och hantera förändring i arbetssätt
utan att kompromissa med säkerhet och kvalitet.
Delkurs
AI-assisterad systemutveckling (12p)
Kursen syftar till att den studerande ska kunna använda generativ AI som stöd i systemutveckling, från design och kravnedbrytning till kod, dokumentation och refaktorering.
Utgångspunkten är att AI kan effektivisera utvecklingsarbetet, men att detta kräver strukturerad kravställning, aktiv granskning och tydliga kvalitetskriterier. Den studerande får arbeta med praktiska arbetsflöden för att
använda AI-assistenter i utvecklingsmiljö (IDE). Fokus ligger på att formulera instruktioner och tekniska krav som styr kodgenereringen samt att iterativt granska och förbättra
resultatet. Kursen behandlar även arbete med befintlig kod, där AI används för att analysera, dokumentera och modernisera äldre system.
Balansen mellan produktivitet och kvalitet är central. Den studerande tränas i att identifiera brister i AI-genererad kod, exempelvis säkerhetsproblem, ineffektiv struktur eller avvikelser från kodstandard. Vidare behandlas hur
utvecklingsteam kan etablera gemensamma arbetssätt för AIstödd kodgenerering för att säkerställa enhetlighet och spårbarhet.
Huvudmoment i kursen är:
• praktiska arbetsflöden för AI-stödd utveckling i IDE, inklusive kodgenerering och refaktorering,
• arkitektur och designstöd genom nedbrytning av krav till tekniska specifikationer och API-definitioner,
• kvalitetssäkrad kodgenerering genom styrande regler, kodstandarder och strukturerad granskning, samt
• analys och modernisering av befintlig kod och databaser med stöd av AI.
Bygga ett AI-projekt (från prototyp till driftbar funktion) (10p)
I denna avslutande kurs omsätts utbildningens delar i ett sammanhållet utvecklingsprojekt. Syftet är att den studerande ska kunna ta en AI-lösning från prototyp till driftbar funktion med tydlig kravbild, genomtänkt arkitektur och etablerade kvalitetskontroller. Den studerande ansvarar för hela livscykeln, från kravanalys och design till implementation, säkerhetsåtgärder och uppföljning. Kursen behandlar de tekniska och organisatoriska krav som uppstår vid driftsättning av AI-lösningar. Detta inkluderar hantering av icke-funktionella krav såsom latens, kostnadskontroll och datasäkerhet vid integration med interna system, exempelvis genom RAG. Den studerande tränas i att formulera mätbara kvalitetsmål och etablera strukturerade utvärderingsflöden för att säkerställa stabil funktion över tid, även vid modelluppdateringar. Målet är att den studerande ska kunna leverera en AI-baserad tjänst som uppfyller krav på kvalitet, säkerhet och spårbarhet i en professionell miljö.
Huvudmoment i kursen är:
• design av skalbar systemarkitektur med avvägning mellan prestanda och kostnad,
• praktisk implementation av RAG för koppling till interna datakällor,
• implementering av säkerhets- och skyddsmekanismer för validering av in- och utdata,
• systematisk utvärdering med golden sets och automatiserad kvalitetsmätning, samt
• driftsättning med loggning, spårbarhet och principer för observability.