Глоссарий ИИ

База данных, оптимизированная для хранения и быстрого поиска эмбеддингов (векторов) по смысловой близости, а не по точному текстовому совпадению. Ключевой компонент систем RAG и семантического поиска.

Числовые параметры внутри нейросети, которые настраиваются в процессе обучения и определяют, как модель обрабатывает входные данные. «Открытые веса» (open-weight) означает, что эти параметры можно скачать и запускать модель самостоятельно.

Ситуация, когда модель уверенно выдаёт неверную или полностью выдуманную информацию как факт — например, несуществующую цитату или ложную статистику. Главная причина, почему ответы ИИ всегда нужно проверять.

Тип генеративной модели, которая учится создавать изображения (или другой контент), постепенно «очищая» случайный шум до тех пор, пока не получится осмысленная картинка. Лежит в основе большинства генераторов изображений — Midjourney, Stable Diffusion, DALL-E.

Система на основе LLM, которая может не только отвечать на вопросы, но и самостоятельно планировать шаги, вызывать внешние инструменты (поиск, код, API) и выполнять многошаговые задачи для достижения цели с минимальным участием человека.

Процесс использования уже обученной модели для получения ответа на новый запрос — в отличие от обучения (training), когда модель настраивает свои параметры. Именно инференс происходит каждый раз, когда вы отправляете сообщение чат-боту.

Максимальный объём текста (измеряется в токенах), который модель может «видеть» одновременно — включая сам запрос, историю диалога и вложенные файлы. Чем больше окно, тем длиннее документы модель может обрабатывать за раз.

Модель, способная одновременно понимать и/или генерировать разные типы данных — текст, изображения, аудио и видео — а не только текст. Например, может проанализировать фото и ответить на вопрос о нём текстом.

Математическая модель, устроенная по образцу связей нейронов в мозге: множество слоёв простых вычислительных узлов, которые вместе учатся находить сложные закономерности в данных. Основа практически всех современных систем ИИ.

Искусство и практика составления запросов (промптов) к ИИ так, чтобы получить максимально точный и полезный ответ. Включает формулировку задачи, добавление примеров и контекста, уточнение формата вывода.

Минимальная единица текста, с которой работает языковая модель — обычно часть слова, целое слово или знак препинания. Стоимость использования большинства ИИ-моделей рассчитывается именно за количество токенов на входе и выходе.

Архитектура нейросети, представленная в 2017 году в статье «Attention Is All You Need», которая лежит в основе почти всех современных LLM. Её ключевая идея — механизм внимания (attention), позволяющий модели учитывать связи между всеми словами текста одновременно.

Дополнительное обучение уже готовой модели на узком наборе данных, чтобы адаптировать её под конкретную задачу или стиль — например, юридические документы или тон бренда — без обучения модели с нуля.

Числовое представление текста, изображения или другого объекта в виде вектора, где смысловая близость объектов отражается в близости их векторов. Используется для поиска похожих документов и лежит в основе RAG и векторных баз данных.

Гипотетический ИИ, способный понимать, обучаться и выполнять любую интеллектуальную задачу на уровне человека или выше — в отличие от современных моделей, которые сильны в конкретных областях, но не обладают универсальным интеллектом. Пока не достигнут; сроки его появления — предмет споров в индустрии.

Техника, при которой модель «рассуждает вслух» пошагово перед тем, как дать финальный ответ, вместо того чтобы сразу выдавать результат. Заметно повышает точность на задачах, требующих логики или математики.

Способность модели выполнять новую задачу, увидев всего несколько примеров (few-shot) или вообще без примеров, только по текстовому описанию задачи (zero-shot) — без дополнительного дообучения на новых данных.

Крупная модель, обученная на широком массиве данных, которая служит основой для множества более узких приложений через дообучение или промптинг — вместо того чтобы обучать отдельную модель под каждую задачу с нуля.

Нейросеть, обученная на огромных объёмах текста и способная понимать и генерировать человеческий язык. Примеры: GPT, Claude, Gemini, Grok. Лежит в основе большинства современных чат-ботов и ИИ-ассистентов.

Открытый стандарт, представленный Anthropic, который позволяет ИИ-моделям единообразно подключаться к внешним источникам данных и инструментам — базам данных, файловым системам, API — без написания отдельной интеграции под каждую комбинацию модели и сервиса.

Техника, при которой модель перед ответом сначала находит релевантные документы во внешней базе знаний, а затем использует их как контекст для генерации. Снижает риск галлюцинаций и позволяет отвечать на вопросы про свежие или узкоспециализированные данные.

Метод дообучения модели, при котором люди оценивают качество её ответов, а модель корректируется так, чтобы чаще выдавать ответы, которые люди оценивают выше. Ключевой этап в том, чтобы сделать ИИ-модель полезной и безопасной, а не только технически рабочей.