Słownik pojęć AI

A

Agent AI: AI, która nie tylko odpowiada, ale samodzielnie wykonuje zadania w kilku krokach: szuka w internecie, klika, pisze pliki, korzysta z aplikacji.
AGI (ogólna sztuczna inteligencja): Hipotetyczna AI, która dorównuje człowiekowi (lub go przewyższa) w praktycznie każdym zadaniu umysłowym, a nie tylko w wybranych.
AI Act: Unijne rozporządzenie o sztucznej inteligencji — pierwsze tak szerokie prawo o AI na świecie. Dzieli systemy AI według poziomu ryzyka.
API: Interfejs, przez który programy łączą się z usługą — np. aplikacja wysyła tekst do modelu AI i odbiera odpowiedź bez otwierania czatu.
Asystent głosowy: Program, z którym rozmawiasz głosem — Siri, Asystent Google, Alexa, a coraz częściej tryby głosowe czatów AI.

Chatbot: Program, z którym rozmawiasz w formie czatu. Nowoczesne chatboty AI działają na dużych modelach językowych.

Dane treningowe: Zbiór tekstów, obrazów, nagrań lub innych przykładów, na których uczy się model AI. Od ich jakości zależy jakość modelu.
Deepfake: Fałszywe nagranie, zdjęcie lub głos stworzone przez AI tak, by wyglądało na prawdziwe — np. polityk mówiący coś, czego nigdy nie powiedział.

Embedding (wektor znaczeniowy): Zamiana tekstu lub obrazu na listę liczb, która oddaje jego znaczenie. Podobne znaczeniowo treści mają podobne wektory.

Fine-tuning (dostrajanie): Dodatkowe douczenie gotowego modelu na mniejszym, specjalistycznym zbiorze danych, żeby lepiej radził sobie z konkretnym zadaniem lub stylem.

Generatywna AI: AI, która tworzy nowe treści: teksty, obrazy, muzykę, wideo, kod — zamiast tylko klasyfikować lub analizować istniejące.
GPT: Generative Pre-trained Transformer — rodzina modeli językowych firmy OpenAI, na których działa ChatGPT.
GPU: Procesor graficzny — układ, który wykonuje tysiące obliczeń równolegle. Napędza trening i działanie modeli AI.

Halucynacja: Pewnie brzmiąca, ale zmyślona odpowiedź modelu AI — np. nieistniejący cytat, źródło, przepis prawny albo liczba.

Inferencja: Korzystanie z wytrenowanego modelu: każde Twoje pytanie do czatu to inferencja — model liczy odpowiedź na podstawie tego, czego się nauczył.
Inżynieria promptów: Umiejętność pisania takich poleceń dla AI, żeby odpowiedzi były trafne, powtarzalne i w potrzebnym formacie.

LLM (duży model językowy): Model AI wytrenowany na ogromnej ilości tekstu, który przewiduje kolejne słowa. Na LLM-ach działają ChatGPT, Claude, Gemini i inne czaty.

Model dyfuzyjny: Rodzaj modelu generującego obrazy (i wideo) przez stopniowe „odszumianie” losowego szumu, aż powstanie obraz pasujący do opisu.
Model open source (otwarte wagi): Model AI, którego parametry (wagi) można pobrać i uruchomić na własnym komputerze lub serwerze, np. Llama, Mistral, Qwen, Bielik.
Model rozumujący: Model AI, który przed odpowiedzią „myśli” krok po kroku. Lepiej radzi sobie z matematyką, logiką i programowaniem, ale odpowiada wolniej.
Multimodalność: Zdolność modelu AI do pracy z różnymi rodzajami danych naraz: tekstem, obrazem, dźwiękiem i wideo.

Okno kontekstowe: Ilość tekstu (liczona w tokenach), którą model AI może „widzieć” naraz: Twoje pytania, wklejone dokumenty i swoje odpowiedzi.

Parametry modelu: Liczby (wagi) wewnątrz sieci neuronowej, ustalone podczas treningu. Ich liczba — np. 70 miliardów — mówi o wielkości modelu.
Prompt: Polecenie, pytanie lub instrukcja, którą wpisujesz do modelu AI. Od jakości promptu zależy jakość odpowiedzi.

RAG: Technika, w której model AI przed odpowiedzią wyszukuje informacje w Twoich dokumentach lub bazie wiedzy i odpowiada na ich podstawie.
RLHF: Uczenie ze wzmocnieniem na podstawie opinii ludzi — etap treningu, w którym model uczy się odpowiadać pomocnie i bezpiecznie.
Rozpoznawanie mowy: Zamiana mowy na tekst przez AI — dyktowanie, napisy do filmów, transkrypcja spotkań i wiadomości głosowych.

Sieć neuronowa: Model matematyczny luźno inspirowany mózgiem: miliony połączonych „neuronów”, które podczas treningu uczą się, jak mocno na siebie wpływać.
Sztuczna inteligencja (AI): Dziedzina informatyki, która tworzy programy wykonujące zadania wymagające dotąd ludzkiej inteligencji: rozumienie języka, rozpoznawanie obrazów, podejmowanie decyzji.

Temperatura: Ustawienie modelu, które steruje losowością odpowiedzi: niska = przewidywalne i powtarzalne, wysoka = bardziej kreatywne i różnorodne.
Test Turinga: Zaproponowany w 1950 r. przez Alana Turinga test: maszyna „myśli”, jeśli w rozmowie tekstowej nie da się jej odróżnić od człowieka.
Token: Kawałek tekstu, w którym model AI liczy długość wejścia i odpowiedzi — zwykle fragment słowa. Po polsku jedno słowo to często 2–3 tokeny.
Transformer: Architektura sieci neuronowej z 2017 roku, na której opierają się prawie wszystkie współczesne modele językowe (to „T” w GPT).
Trening modelu: Proces „uczenia” sieci neuronowej na danych. Dla dużych modeli trwa tygodnie lub miesiące na tysiącach procesorów graficznych.

Uczenie głębokie: Odmiana uczenia maszynowego oparta na wielowarstwowych sieciach neuronowych. Stoi za rozpoznawaniem mowy, obrazów i za czatami AI.
Uczenie maszynowe: Sposób tworzenia AI, w którym program nie dostaje gotowych reguł, tylko sam wyciąga je z przykładów (danych).
Uprzedzenia AI (bias): Systematyczne skrzywienia w odpowiedziach AI, wynikające z danych treningowych — np. stereotypy dotyczące płci, wieku czy pochodzenia.

Wizja komputerowa: Dziedzina AI, która uczy komputery „widzieć”: rozpoznawać twarze, przedmioty, tekst na zdjęciach, ruch na nagraniach.
Wyszukiwarka AI: Wyszukiwarka, która zamiast listy linków podaje gotową odpowiedź napisaną przez AI, zwykle z odnośnikami do źródeł.

Zero-shot i few-shot: Zero-shot: zadanie dla AI bez przykładów. Few-shot: kilka przykładów w prompcie, żeby model wiedział, jakiej odpowiedzi oczekujesz.