Над 350 термина от А като агент до Z като zero-shot – ясно обяснени, с бележки къде KI.ordo помага.
Account-based marketing (ABM) насочва маркетинга и продажбите към избран кръг от бизнес клиенти вместо към широка аудитория. Оркестрацията означава координиране на всяка точка на контакт: кой член на купувателния комитет какво послание получава, по кой канал и кога. ИИ помага, като обобщава информация за целевите фирми, изготвя послания според ролята и планира последователности по имейл, телефон, събития и социални мрежи.
AllenNLP е библиотека с отворен код на Python за изследвания в областта на обработката на естествен език, разработена от Allen Institute for AI върху PyTorch. Тя предоставяше готови компоненти и модели за задачи като класификация на текст, разрешаване на кореференция и отговаряне на въпроси. От края на 2022 г. AllenNLP вече не се развива активно и е в режим на поддръжка; поддържащите я препоръчват алтернативи като AI2 Tango, flair или Hugging Face Transformers (към октомври 2026 г.).
Amazon Kindle Direct Publishing (KDP) е платформата на Amazon, чрез която автори сами публикуват електронни книги, книги с меки и с твърди корици. Заглавията, описанията, ключовите думи и категориите трябва да отговарят на собствените ѝ правила. Всеки, който генерира съдържание с ИИ – текст, изображения за корицата или преводи – трябва да декларира това пред Amazon при публикуване; работата, само подпомогната от ИИ, като генериране на идеи или коректура, е изключена (към октомври 2026 г.). Актуалните указания трябва да се проверяват преди всяко публикуване.
Amazon SageMaker е облачната услуга на Amazon Web Services (AWS) за изграждане, обучение и внедряване на модели за машинно обучение. В края на 2024 г. първоначалната услуга беше преименувана на „Amazon SageMaker AI“; оттогава „Amazon SageMaker“ обозначава по-широка платформа за данни, анализи и ИИ с интерфейса SageMaker Unified Studio (към октомври 2026 г.). Използва се главно от екипи по наука за данните, които изпълняват модели върху инфраструктурата на AWS.
Anaconda е широко използвана дистрибуция на езиците за програмиране Python и R за анализ на данни и машинно обучение, издавана от Anaconda Inc. Тя включва мениджъра на пакети conda с предварително инсталирани библиотеки като NumPy, pandas и Jupyter и улеснява поддържането на отделни среди за всеки проект. Организации с над 200 служители се нуждаят от платен лиценз за Anaconda Distribution и нейния канал за пакети по подразбиране; самата conda и общностният канал conda-forge остават безплатни (към октомври 2026 г.).
Anyword е ИИ платформа за писане на маркетингови текстове, възникнала от компанията Keywee, основана през 2013 г. Тя създава кратки текстове като реклами, теми на имейли, заглавия и описания на продукти и дава на вариантите прогнозна оценка доколко добре биха могли да въздействат на целевата аудитория. Предлага също настройки за гласа на марката и анализ на съществуващо съдържание (към октомври 2026 г.). Такива прогнози са приблизителни и не заместват тестването в реални условия.
Таен код, който позволява на други програми да извикват KI.ordo.
Обратното разпространение на грешката (backpropagation) е стандартният метод, по който невронните мрежи се учат. След всяка прогноза грешката се измерва и се разпространява назад през слоевете на мрежата, като показва колко всяко тегло е допринесло за нея. След това метод за оптимизация като градиентното спускане коригира теглата стъпка по стъпка. Без обратното разпространение обучението на днешните езикови модели и модели за изображения би било практически невъзможно.
Бегингът (bagging, съкращение от bootstrap aggregating) е ансамблов метод в машинното обучение: много модели се обучават върху случайно избрани извадки от обучителните данни, а прогнозите им се осредняват или обединяват чрез мнозинство. Това прави резултатите по-стабилни и намалява преобучението. Най-известният пример е случайната гора (random forest), която съчетава много дървета на решенията – например за прогнозиране на отлива на клиенти или на цени.
В областта на ИИ бенчмаркингът означава систематично сравняване на модели или системи с помощта на определени задачи и критерии. Публичните бенчмаркове измерват например общи знания, способност за разсъждение или програмиране; за практическото използване обаче най-важни са тестовите случаи от собствената ежедневна работа. Типични критерии са точност, пълнота, време за отговор и разходи. Това помага да се реши дали по-малък и по-евтин модел е достатъчно добър за дадена задача.
BERT (Bidirectional Encoder Representations from Transformers) е езиков модел, представен от Google през 2018 г. За разлика от по-ранните модели той отчита едновременно контекста отляво и отдясно на дадена дума, което му помага да разрешава многозначност. BERT е предназначен за разбиране на текст, а не за писане на по-дълги откъси. Използва се за търсене, класификация на текст, разпознаване на именувани обекти и отговаряне на въпроси и е повлиял на много модели наследници.
В областта на ИИ пристрастието (bias) означава систематично изкривяване на резултатите. То често произтича от небалансирани или исторически изкривени обучителни данни, но и от устройството на модела или от начина, по който е зададен въпросът. Известен пример: инструмент за подбор на кандидати, който се учи от минали решения за наемане, може да затвърди съществуващи неравнопоставености. В статистиката терминът означава и отклонението на една оценка от истинската стойност. Мерките за противодействие включват разнообразни данни, редовни одити и човешки решения по кадрови въпроси.
BigML е платформа за машинно обучение на едноименната компания, основана през 2011 г. със седалище в Корвалис, Орегон (САЩ). Чрез уеб интерфейс или API потребителите могат да изграждат модели като дървета на решенията, ансамбли, клъстеризация или откриване на аномалии без много програмиране. Платформата набляга на интерпретируеми модели и автоматизируеми работни процеси. Предлага се като облачна услуга и за работа в собствен център за данни (към октомври 2026 г.).
BLEU оценката (Bilingual Evaluation Understudy) е показател, разработен в IBM през 2002 г. за автоматично оценяване на машинни преводи. Тя измерва колко поредици от думи в даден превод се срещат и в един или повече човешки референтни превода и дава стойност между 0 и 1 (често показвана като 0–100). BLEU е бърза и съпоставима, но не обхваща добре нито смисъла, нито стила – добрите перифрази могат да получат ниска оценка.
BMXNet е библиотека с отворен код за бинарни невронни мрежи, публикувана през 2017 г. от Hasso-Plattner-Institut в Потсдам и изградена върху рамката Apache MXNet. Бинарните мрежи съхраняват теглата и активациите с един бит вместо с 32, което прави моделите много по-малки и по-бързи – привлекателно за смартфони и вградени устройства, макар обикновено с известна загуба на точност. Тъй като MXNet беше прекратена през 2023 г., днес BMXNet представлява интерес главно за изследванията (към октомври 2026 г.).
Бустингът (boosting) е ансамблов метод в машинното обучение, при който много прости модели се обучават един след друг, като всеки нов модел се съсредоточава върху случаите, в които предшествениците му са сгрешили. Заедно те образуват много по-точен общ модел. Известни варианти са AdaBoost и градиентният бустинг, с библиотеки като XGBoost или LightGBM. Бустингът е особено силен при таблични данни, например за прогнози за кредитен риск, продажби или отлив на клиенти.
Botpress е платформа за изграждане на чатботове и ИИ агенти на едноименната канадска компания със седалище в Монреал. Визуално работно пространство позволява на потребителите да проектират диалогови потоци, да свързват източници на знания и чрез интеграции да свързват агенти с канали като уебсайтове или приложения за съобщения; таксуването е според използването. Предишната версия 12 с отворен код за самостоятелен хостинг е прекратена – новите проекти работят в Botpress Cloud (към октомври 2026 г.).
Caffe (Convolutional Architecture for Fast Feature Embedding) е рамка с отворен код за дълбоко обучение, разработена от Yangqing Jia в Калифорнийския университет в Бъркли и публикувана през 2013 г. Беше популярна главно за разпознаване на изображения с конволюционни невронни мрежи, тъй като работеше бързо, а моделите се дефинираха в конфигурационни файлове. Последната версия, 1.0, излезе през 2017 г.; наследникът ѝ Caffe2 беше слят с PyTorch през 2018 г. Днес Caffe рядко се използва за нови проекти.
Chainer е рамка с отворен код за дълбоко обучение на Python, разработена от японската компания Preferred Networks. Тя популяризира подхода „define-by-run“, при който невронната мрежа се изгражда по време на изчислението, което улеснява експериментирането с гъвкави структури на моделите. От декември 2019 г. Chainer само се поддържа, но не се развива; Preferred Networks премина към PyTorch, който следва същия принцип.
Чатботът е програма, която получава въпроси в текстова или гласова форма и отговаря на тях в диалог. Простите чатботове следват фиксирани правила и дървета на решенията, а съвременните използват големи езикови модели и разбират свободно формулирани запитвания. Типични приложения са обслужване на клиенти, вътрешни бюра за помощ и заявки за срещи – например чат на уебсайта, който денонощно отговаря на въпроси за сроковете на доставка.
ChatGPT е ИИ асистент на американската компания OpenAI, пуснат през ноември 2022 г., който направи генеративния ИИ достъпен за широка аудитория. Основава се на големи езикови модели от серията GPT и отговаря на въпроси, пише и редактира текстове, обобщава документи и помага при програмиране. ChatGPT е достъпен в браузъра и като приложение, в безплатни и платени варианти, както и във версии за екипи и предприятия.
Claude е семейство от големи езикови модели на американската ИИ компания Anthropic. Моделите разбират и пишат текст на много езици, анализират документи, пишат код и могат да използват инструменти, например за проучване или автоматизация. Най-известни са семействата модели Haiku, Sonnet и Opus, които се различават по скорост, цена и възможности. Anthropic отдава особено значение на сигурността и надеждното поведение на моделите.
Claude Haiku е най-бързото и най-евтиното от трите семейства модели Claude на Anthropic, наред със Sonnet и Opus. Подходящ е за задачи с голям обем, които изискват кратко време за отговор, като сортиране на имейли, извличане на данни от текстове или насочване на запитвания към правилното място. Текущото поколение е Claude Haiku 5.5 (към октомври 2026 г.).
Claude Opus е най-способното от трите семейства модели Claude на Anthropic: Haiku, Sonnet и Opus. Предназначен е за взискателни задачи, изискващи многостъпково разсъждение, като сложни анализи, големи програмни проекти или агенти, които работят самостоятелно за по-дълги периоди. За сметка на това е по-бавен и по-скъп от по-малките семейства. Текущата версия е Claude Opus 5.5 (към октомври 2026 г.).
Claude Sonnet е средното от трите семейства модели Claude на Anthropic и съчетава големи възможности с кратко време за отговор и умерена цена. Подходящ е за широк кръг ежедневни бизнес задачи: изготвяне на текстове, анализ на документи, отговаряне на въпроси въз основа на знания или писане на код. Anthropic редовно пуска нови версии; текущата е Claude Sonnet 5.5 (към октомври 2026 г.).
Clearbit е услуга за обогатяване на B2B данни: по имейл адрес или домейн тя добавя данни като отрасъл, размер на фирмата или местоположение. Екипите по продажби и маркетинг използват такива данни, за да оценяват потенциални клиенти, да съкращават формуляри и да свързват посещения на уебсайта с фирми. Clearbit беше придобита от HubSpot през 2023 г.; функциите ѝ днес се предлагат като Breeze Intelligence в рамките на HubSpot (към октомври 2026 г.).
Клъстеризацията е метод за обучение без учител, който разделя точките от данни на групи въз основа на сходството им, без предварително зададени категории. Тя разкрива модели, които никой досега не е назовал – например клиентски сегменти със сходно купувателно поведение. При текстове клъстеризацията помага стотици запитвания на клиенти да се подредят по теми като доставка, фактуриране или жалби и показва къде е основната тежест.
Copilot е марката, под която Microsoft обединява своите ИИ асистенти. Тя включва универсален асистент за уеб и Windows, Microsoft 365 Copilot за работа с Word, Excel, Outlook или Teams и Copilot Studio за създаване на собствени агенти; GitHub Copilot подпомага програмирането. Асистентите се основават на големи езикови модели и в зависимост от варианта могат да използват данни на организацията в Microsoft 365 (към октомври 2026 г.).
Copy.ai е американска ИИ платформа, която започва като генератор на текстове за маркетинг, например реклами, имейли или описания на продукти. По-късно фокусът ѝ се измества към автоматизирани работни процеси за продажби и маркетинг, които компанията обобщава с понятието „GTM AI“. През октомври 2025 г. Copy.ai е придобита от доставчика на решения за управление на приходите Fullcast (към октомври 2026 г.).
Copysmith е американски доставчик на ИИ инструменти, станал известен с генератор на текстове за маркетинг и електронна търговия, като описания на продукти и реклами. През 2022 г. Copysmith придобива инструментите за писане и SEO Rytr и Frase. Днес компанията е обединяваща марка за няколко продукта, сред които Describely за текстове към продукти в онлайн търговията (към октомври 2026 г.).
CrewAI е Python framework с отворен код за обединяване на няколко ИИ агенти в екип („crew“). Всеки агент получава роля, цел и подходящи инструменти; задачите се разпределят, а резултатите се предават нататък. Освен това „flows“ предлагат строго контролирани работни процеси, управлявани от събития. Например един агент за проучване събира информация, а друг агент за писане я превръща в доклад.
DALL-E е серия от модели на OpenAI за генериране на изображения, които създават картини по текстово описание. Първата версия се появява през 2021 г.; DALL-E 3 е интегриран в ChatGPT през 2023 г. и направи генерирането на изображения от текст достъпно за широка аудитория. Междувременно OpenAI замени DALL-E с по-нови модели за изображения от серията GPT Image; достъпът до DALL-E 2 и 3 през API приключи през май 2026 г. (към октомври 2026 г.).
Dash е framework с отворен код от компанията Plotly за създаване на интерактивни уеб приложения за анализ на данни на Python, без да е необходимо да се пише JavaScript. Диаграмите, филтрите и плъзгачите са свързани директно с Python код. Типични примери са табла, в които бизнес екипи филтрират продажбите по региони или изпробват прогнозите на модел за машинно обучение със собствени стойности.
DataRobot е американска софтуерна компания, чиято платформа помага на организациите да разработват, експлоатират и наблюдават ИИ приложения. Станала е известна с автоматизираното машинно обучение (AutoML), което автоматично обучава и сравнява множество варианти на модели – например за прогнозиране на отпадането на клиенти или на търсенето. Днес компанията се фокусира и върху експлоатацията и управлението на ИИ агенти (към октомври 2026 г.).
Дийпфейк е изображение, видео или аудиозапис, създаден или променен с помощта на ИИ, който убедително показва реални хора да казват или правят неща, които никога не са се случвали. Освен легитимните приложения във филма или дублажа, дийпфейковете се използват за дезинформация, уронване на репутация и измами – например фалшиви обаждания от уж ръководител с искане за банков превод. Защитата включва обратно обаждане по познати канали, ясни процеси за одобрение и маркиране на съдържание, генерирано от ИИ.
Developmental Reading Assessment (DRA) е процедура, широко използвана в САЩ, с която учителите определят нивото на четене на деца от детската градина до 8. клас; публикувана е от Pearson. Децата четат на глас текстове с градирана трудност и отговарят на въпроси за тях, а оценката обхваща аспекти като плавност и разбиране. Резултатът е ниво на четене, което ориентира при избора на подходящи книги и мерки за подкрепа.
DL4J (Eclipse Deeplearning4j) е библиотека с отворен код за дълбоко обучение във Java Virtual Machine (JVM). Тя позволява невронни мрежи да се обучават и изпълняват на Java или Scala и затова се вписва в съществуващи корпоративни системи, базирани на Java. Проектът включва и инструменти за импортиране на модели от други framework-ове. Поддържа се като проект на Eclipse Foundation.
Dropout е техника за регуляризация при обучение на невронни мрежи: на всяка стъпка от обучението случайна част от невроните временно се изключва. Така мрежата не може да разчита на отделни връзки и се учи на по-устойчиви закономерности. Техниката намалява преобучението, т.е. простото запомняне на обучителните данни. Когато готовият модел се използва по-късно, всички неврони отново са активни.
F-мярката е метрика за оценка на класификационни модели. Често използваната F1 стойност е хармоничната средна на прецизността (колко от предвидените попадения са верни) и обхвата (колко от действителните попадения са намерени) и е в диапазона от 0 до 1. Особено полезна е при небалансирани данни: спам филтър, който почти никога не отбелязва спам, може да има висока точност, но ниска F1 стойност.
fastai е библиотека с отворен код на Python за дълбоко обучение, изградена върху PyTorch. Тя обединява доказани настройки по подразбиране, така че модели за изображения, текст или таблични данни да могат да се обучават с няколко реда код, като същевременно позволява задълбочено персонализиране на всяко ниво. Възниква от образователната инициатива fast.ai и съпровожда нейните безплатни курсове, затова е популярна в обучението и за бързо изпробване на модели.
Frase е софтуер за проучване и оптимизиране на уеб съдържание. Той анализира кои теми, въпроси и термини покриват добре класиралите се страници за дадена заявка за търсене, превръща това в брифове за съдържание и оценява текстовете по време на редактирането им. Вече Frase предлага и функции за проследяване и подобряване на това дали съдържанието се цитира в отговорите на ИИ системи за търсене като ChatGPT или Perplexity (към октомври 2026 г.).
„Garbage in, garbage out“ („боклук на входа – боклук на изхода“) описва принципа, че една система може да дава само толкова добри резултати, колкото са данните, които получава. За ИИ това важи двойно: грешни, остарели или едностранчиви обучителни данни или данни за знания водят до неверни или пристрастни отговори. Чатбот, който ползва остарял ценоразпис, ще посочва остарели цени. Затова поддръжката на данните е постоянна задача във всеки ИИ проект.
Gensim е библиотека с отворен код на Python за анализ на големи колекции от текстове. Известна е с тематичните модели като LDA, с обучението на векторни представяния на думи (например Word2Vec, FastText и Doc2Vec) и със сравняването на документи по сходство. Тъй като Gensim обработва данните на части, тя може да работи и с корпуси, които не се събират в паметта. Типично приложение: автоматично групиране на хиляди коментари на клиенти по повтарящи се теми.
Google Colab (Colaboratory) е облачна услуга на Google за изпълнение на Python код в тетрадки от тип Jupyter директно в браузъра, без локална инсталация. Безплатното ниво предоставя също GPU и TPU, при зависимост от наличността и с ограничения във времето за изпълнение; платените планове предлагат повече изчислителна мощност. Colab е популярен в обучението, анализа на данни и изпробването на модели, а вграден асистент Gemini помага при писането и поправянето на код (към октомври 2026 г.).
Grok е ИИ асистент, основан на големи езикови модели и разработен от xAI. Той е интегриран в платформата X и е достъпен също през собствен уебсайт, мобилни приложения и API. Особеност е достъпът му до актуални публикации в X и до уеб търсене. От февруари 2026 г. xAI е част от SpaceX и вече действа под името SpaceXAI; версиите на модела се актуализират редовно (към октомври 2026 г.).
Хетеронимът е дума, която се изписва по същия начин като друга, но се произнася различно и има различно значение – например на английски „lead“ (водя) и „lead“ (оловото) или „wind“ (вятър) и „wind“ (навивам). В българския език такива примери са думи с различно ударение, като „зАмък“ и „замЪк“. Хетеронимите са подмножество на омографите. Те са предизвикателство за системите за синтез на реч, защото правилното произношение може да се определи само от контекста, често с помощта на анализ на частите на речта.
Horovod е framework с отворен код за разпределено обучение на модели за дълбоко обучение върху много GPU или машини. Първоначално разработен в Uber, той поддържа TensorFlow, Keras, PyTorch и MXNet и синхронизира градиентите, изчислени от участващите машини, чрез ring-allreduce, без централен сървър за параметри. Проектът се хоства от LF AI & Data Foundation; последната стабилна версия, 0.28.1, е от 2023 г. (към октомври 2026 г.).
Hugging Face Transformers е библиотека с отворен код на Python, която дава достъп до предварително обучени модели за текст, изображения и аудио чрез единен, последователен интерфейс. Разработчиците я използват, за да изтеглят модели от Hugging Face Hub, да ги изпробват, да ги адаптират към собствените си данни или да ги изпълняват локално. От версия 5 библиотеката е насочена основно към PyTorch (към октомври 2026 г.). Пример: екип тества модел за анализ на настроението само с няколко реда код.
Ideogram е ИИ услуга, която генерира изображения по текстови описания, разработена от едноименната компания, основана през 2022 г. Най-известна е с възпроизвеждането на четлив текст в изображенията, което я прави полезна за плакати, покани или графики за социални мрежи. Достъпна е като уеб приложение и чрез API; версиите на модела и лицензионните условия се променят редовно (към октомври 2026 г.). Преди търговска употреба правата за ползване трябва да се проверят.
Insight engine е вид корпоративно търсене, което обединява информация от много източници, като документи, имейли, бази данни и приложения, и я анализира с ИИ техники. Вместо обикновени списъци с резултати, то предоставя подготвени отговори, връзки или препоръки, често в контекста на текущата задача. Терминът е популяризиран главно от отраслови анализатори. Пример: преди среща с клиент екип по продажбите вижда на едно място всички относими договори, заявки и бележки.
Настройването по инструкции (instruction tuning) е вид фино настройване, при което предварително обучен езиков модел се обучава допълнително върху много двойки инструкции и желани отговори. Така моделът се научава да изпълнява задачи, формулирани на естествен език, а не само да продължава текст. Това е ключова стъпка при превръщането на базов модел в асистент и често се комбинира с методи като RLHF. Пример: „Обобщи този текст в три изречения“ се изпълнява надеждно.
Джейлбрейкът (jailbreaking) означава опити за заобикаляне на правилата за безопасност на ИИ модел чрез хитро формулирани входни данни, така че той да създава съдържание или да извършва действия, които е предвидено да отказва. За организациите това е риск, защото чатбот може например да разкрие поверителни инструкции или да реагира неподходящо. Защитните мерки включват ясни системни инструкции, проверка на входа и изхода, ограничени права, водене на дневник и редовни тестове за сигурност (red teaming).
Jasper е ИИ платформа за маркетингови екипи от Jasper AI, американска компания, основана през 2021 г. Тя помага за създаването на текстове като блог публикации, реклами или публикации в социалните мрежи и може да отчита съхранени насоки за марката и тон на комуникация. Доставчикът вече се позиционира около специализирани агенти и автоматизирани работни процеси за съдържание (към октомври 2026 г.). Както при всеки генератор на текст, фактите и твърденията трябва да се проверяват преди публикуване.
Jupyter Notebook е приложение с отворен код от Project Jupyter, работещо в браузъра, което съчетава изпълним код, резултати, диаграми и пояснителен текст в един документ. Тетрадките се използват широко в анализа на данни, машинното обучение, научните изследвания и обучението, защото всяка стъпка може да бъде документирана и споделена по проследим начин. Python е най-разпространеният език. Пример: анализатор зарежда данни за продажбите, почиства ги и показва резултатите като диаграма непосредствено отдолу.
K най-близките съседи (k-nearest neighbours, k-NN) е прост метод за обучение с надзор. За да класифицира нова точка от данни, той търси k-те най-сходни известни примера и възприема най-често срещания им клас или, при числови стойности, средната им стойност. Не изисква същинска фаза на обучение, но става бавен при големи масиви от данни и е чувствителен към мащабирането на признаците. Пример: препоръки за продукти въз основа на сходни клиенти.
Kaggle е онлайн платформа за наука за данните и машинно обучение, собственост на Google от 2017 г. Тя предлага публични масиви от данни, състезания по реални проблеми, тетрадки в браузъра с изчислителни ресурси и учебни курсове. За организациите и обучаващите се е полезна за изпробване на методи, сравняване на подходи или откриване на таланти. Лицензът и произходът на всеки масив от данни трябва да се проверят преди използване.
Keras е библиотека с отворен код на Python за изграждане и обучение на невронни мрежи, първоначално разработена от François Chollet. Тя предлага достъпен интерфейс на високо ниво за сглобяване на модели от слоеве. От версия 3 Keras може да работи с JAX, TensorFlow или PyTorch като изчислителна основа. Пример: екип изгражда прототип на модел за класификация на изображения само с няколко реда код.
KNIME е софтуер за анализ на данни, в който работните процеси се сглобяват визуално от блокове („възли“), вместо да се програмират. KNIME Analytics Platform с отворен код обхваща импортиране на данни, почистване, анализ, машинно обучение и отчитане, а търговските предложения на доставчика добавят сътрудничество и експлоатация в организациите. Типичен пример е работен процес, който обединява месечни данни за продажбите от няколко Excel файла, почиства ги и създава прогноза.
Kubeflow е платформа с отворен код за изпълнение на работни процеси за машинно обучение върху Kubernetes – от подготовката на данни през обучението и търсенето на хиперпараметри до предоставянето на моделите. Първоначално инициирана от Google, проектът принадлежи на Cloud Native Computing Foundation, където през август 2026 г. достига статус „graduated“ (към октомври 2026 г.). Тя е насочена главно към екипи, които обучават собствени модели в голям мащаб върху собствена или облачна инфраструктура.
LangChain е framework с отворен код за Python и JavaScript, който разработчиците използват за изграждане на приложения, основани на езикови модели. Той предоставя единни интерфейси към много доставчици на модели, както и градивни елементи за извикване на инструменти, агенти, обработка на документи и retrieval-augmented generation. От версия 1.0 (октомври 2025 г.) агентите на LangChain се изграждат върху LangGraph. Типични приложения са чатботове, които търсят във вътрешни документи, и агенти, които извикват външни услуги.
LangGraph е framework с отворен код от екосистемата на LangChain за моделиране на ИИ агенти и многостъпкови процеси като граф от възли и ребра. Споделено състояние се предава от стъпка на стъпка, а цикли, разклонения, контролни точки и прекъсвания за човешко одобрение са вградени. Версия 1.0 е пусната през октомври 2025 г. Един пример е агент, който проучва тема, пише чернова и чака одобрение, преди да я изпрати.
LazyGraphRAG е подход към базирания на графи retrieval-augmented generation, представен от Microsoft Research през 2024 г. За разлика от GraphRAG, той не кара езиков модел да създава резюмета по време на индексирането; вместо това определя понятията и съвместната им поява чрез класическа обработка на естествен език, а езиковият модел се използва само по време на заявката. Според Microsoft така разходите за индексиране падат до нивото на обикновения векторен RAG. Подходът е особено подходящ за въпроси, които изискват общ преглед на големи колекции от документи.
Lead scraper е инструмент, който автоматично събира данни за контакт на потенциални клиенти от уебсайтове, указатели или социални мрежи. В Германия и ЕС това е правно чувствително: имената и имейл адресите на лицата за контакт са лични данни, така че обработването им изисква правно основание и информиране на субектите на данни по ОРЗД, а според германския закон срещу нелоялната конкуренция (UWG, § 7) рекламните имейли по принцип изискват предварително изрично съгласие, включително към фирми. По-добрият път са входящите запитвания през Вашия уебсайт, съдържанието и препоръките (не е правен съвет).
Lexile Framework for Reading е система, разработена от американската компания MetaMetrics, която измерва едновременно способността на човек да чете и трудността на даден текст по една и съща скала. Стойностите се записват с „L“, например 850L; текстът е подходящ, когато стойността му е близка до тази на читателя. Тя се основава главно на дължината на изреченията и честотата на думите. Системата се използва широко в училищата и издателската дейност, особено в англоезичните страни.
LightGBM е библиотека с отворен код за градиентно усилване с дървета на решенията, първоначално разработена от Microsoft. Тя е проектирана за бързина и ниска консумация на памет, наред с другото чрез обучение, базирано на хистограми, и дървета, които растат по листа в най-обещаващия лист. LightGBM е особено подходяща за големи таблични масиви от данни, например прогнози за продажбите, предвиждане на отпадане на клиенти или откриване на измами, и често се сравнява с XGBoost.
LLaMA, днес обикновено изписвано „Llama“, е семейство големи езикови модели на Meta. Много версии са пуснати с изтегляеми тегла по собствен лиценз на Meta, което позволява на организациите да ги изпълняват и адаптират на собствена инфраструктура. Най-новото голямо поколение е Llama 4 (2025 г.); през 2026 г. Meta представи и серията модели Muse, само част от която е пусната отворено (към октомври 2026 г.).
llms.txt е текстов файл във формат Markdown, поставен в основната директория на уебсайт, който дава на езиковите модели кратък преглед на най-важното съдържание, с връзки. Идеята е предложена от Джереми Хауърд (Answer.AI) през септември 2024 г. Това е предложение, а не официален стандарт; големите ИИ доставчици не са се ангажирали да го четат (към октомври 2026 г.). Той допълва robots.txt и sitemap, но не ги замества.
Long Short-Term Memory (LSTM) е вид рекурентна невронна мрежа, която може да запазва информация в дълги последователности. Така наречените гейтове решават на всяка стъпка какво да се запази, забрави или изведе, което смекчава проблема с изчезващия градиент. В продължение на много години LSTM оформят разпознаването на реч, превода и прогнозирането на времеви редове. При обработката на език те са до голяма степен заменени от трансформъри, но остават разпространени за данни от сензори.
Метапромптът е инструкция, с която езиков модел се подканя сам да съставя или подобрява промптове или системни инструкции. Описвате целта, целевата аудитория и желания тон и добавяте примери; след това моделът създава структурирани инструкции с роля, правила и ограничения. Така по-бързо се получават добри първи варианти, които впоследствие се тестват и доработват от хора. Пример: „обслужване на клиенти за веломагазин“ се превръща в пълен проект на инструкции.
Mistral AI е компания за изкуствен интелект със седалище в Париж, основана през 2023 г. от Артюр Менш, Гийом Лампъл и Тимоте Лакроа. Тя разработва големи езикови модели и предлага както модели с общодостъпни тегла, част от които под лиценз Apache 2.0, така и комерсиални модели чрез собствена платформа. За европейските организации Mistral AI често се споменава в дискусиите за суверенитета на данните и за работата с модели на собствена инфраструктура.
MLflow е платформа с отворен код за управление на целия жизнен цикъл на модели за машинно обучение, въведена първоначално от Databricks през 2018 г. Тя записва експериментите с техните параметри и метрики, управлява версиите на моделите в регистър и улеснява внедряването. По-новите версии поддържат и проследяване и оценка на приложения, изградени върху езикови модели. Така екипите могат да проследят кой модел с какви данни и настройки е създаден.
Model Context Protocol (MCP) е отворен стандарт, който позволява на приложенията с ИИ да осъществяват достъп до външни инструменти, източници на данни и услуги по единен начин. MCP сървърът предоставя функции, а MCP клиентът, например ИИ асистент, може да ги извиква. Anthropic представи MCP през ноември 2024 г.; от декември 2025 г. той се развива под егидата на Agentic AI Foundation към Linux Foundation (към октомври 2026 г.). Така се избягва всяка интеграция да се изгражда поотделно.
Apache MXNet беше фреймуърк за дълбоко обучение с отворен код, който можеше да обучава модели ефективно на няколко графични процесора и машини, с интерфейси за Python, C++, R, Scala и други езици. Amazon Web Services го подкрепяше като предпочитан фреймуърк в продължение на няколко години. Apache Software Foundation прекрати проекта през септември 2023 г. и до февруари 2024 г. го премести в Apache Attic; той вече не се развива. Съществуващите модели обикновено се мигрират към други фреймуърци.
Naive Bayes е семейство от прости методи за класификация, основани на теоремата на Бейс. Наричат се „наивни“, защото допускат, че всички признаци са независими един от друг, което на практика рядко е вярно, но често все пак дава добри резултати. Методите са бързи, изискват малко данни за обучение и са особено подходящи за текст. Класически пример е спам филтърът, който сортира имейлите по типични думи.
NLTK (Natural Language Toolkit) е библиотека за Python с отворен код за обработка на естествен език, създадена в Университета на Пенсилвания в началото на 2000-те години. Тя предоставя инструменти за токенизация, стемиране, определяне на частите на речта и проста класификация, както и достъп до множество текстови корпуси. NLTK се използва главно в обучението и научните изследвания; продуктивните приложения често разчитат на библиотеки като spaCy или на трансформър модели.
No-code се отнася до инструменти, които позволяват на хората да изграждат приложения, автоматизации или уебсайтове чрез графични интерфейси, без да пишат програмен код. Бизнес екипите могат сами да реализират и тестват процеси, вместо да чакат ИТ разработка. Ограниченията се проявяват при много специализирани изисквания, големи обеми данни или дълбоки интеграции. Пример: екип по продажби изгражда с влачене и пускане поток, който сортира и резюмира новите запитвания.
NumPy е основната библиотека за Python с отворен код за числени изчисления. Тя предоставя многомерни масиви и бързи функции за линейна алгебра, статистика и случайни числа, като ядрото ѝ работи в компилиран код. Много инструменти за анализ на данни и машинно обучение, като pandas, scikit-learn и множество библиотеки за визуализация, са изградени върху NumPy. Затова всеки, който работи с данни в Python, почти винаги я използва, пряко или косвено.
Open Neural Network Exchange (ONNX) е отворен файлов формат за модели за машинно обучение, представен през 2017 г. от Microsoft и Facebook (днес Meta) и понастоящем поддържан от LF AI & Data Foundation. Модел, обучен например в PyTorch, може да се експортира в ONNX и да се изпълнява с други инструменти или среди за изпълнение, като ONNX Runtime. Това улеснява прехода между фреймуърци и внедряването на различен хардуер.
OpenAI е компания за изкуствен интелект със седалище в Сан Франциско, основана през 2015 г. като организация с нестопанска цел. След преструктурирането през октомври 2025 г. тя се състои от организацията с нестопанска цел OpenAI Foundation, която контролира търговското дружество OpenAI Group PBC (към октомври 2026 г.). OpenAI е най-известна с ChatGPT и езиковите модели GPT, както и с генератора на изображения DALL·E и модела за разпознаване на реч Whisper. Моделите ѝ се предлагат чрез приложения и API.
OpenCV (Open Source Computer Vision Library) е софтуерна библиотека с отворен код за обработка на изображения и компютърно зрение, чието разработване започва в Intel около 2000 г. Тя предлага хиляди функции, например за филтриране на изображения, откриване на ръбове и лица, проследяване на обекти във видео или калибриране на камери. OpenCV е написана на C++, но често се използва чрез Python, например при контрол на качеството, в роботиката и в научните изследвания.
Свръхнагласяне (overfitting) възниква, когато моделът запомня данните за обучение, включително случайните им особености и шум, вместо да улавя общовалидни закономерности. Тогава той изглежда много точен върху познати данни, но се представя слабо върху нови. Типичен признак е голямата разлика между грешката при обучение и при тест. Мерките включват повече или по-разнообразни данни, по-прости модели, регуляризация, dropout и кръстосана валидация.
OWASP Top 10 за приложения с LLM е списък на най-важните рискове за сигурността в приложения, изградени върху големи езикови модели, публикуван от проекта OWASP GenAI Security Project. Актуалното издание за 2026 г. излезе през август 2026 г. (към октомври 2026 г.) и обхваща: инжектиране на промптове (prompt injection), разкриване на чувствителна информация, прекомерна самостоятелност (excessive agency), верига на доставки, отравяне на данни и модели, неограничена консумация, дезинформация, разкриване на скрит контекст, слабости на векторите и ембедингите и неправилна обработка на изхода. Служи като контролен списък за разработка и одити.
pandas е библиотека за Python с отворен код за анализ и обработка на таблични данни, разработвана от 2008 г. от Уес Маккини. Централният ѝ обект, DataFrame, наподобява таблица с именувани колони. С нея могат да се зареждат данни от CSV файлове, Excel или бази данни и да се почистват, филтрират, групират и обединяват. pandas е изградена върху NumPy и е стандартен инструмент в анализа на данни, отчитането и подготовката на данни за обучение.
PaLM е голям езиков модел на Google, представен през 2022 г. с 540 милиарда параметъра и обучаван едновременно на много TPU чипове с помощта на системата за обучение Pathways на Google. През 2023 г. последва PaLM 2, който захранваше, наред с други неща, чатбота Bard. Оттогава Google замени PaLM със своите модели Gemini, а API за разработчици на PaLM беше спрян през август 2024 г. Днес PaLM е важен главно като ключов етап в развитието на големите езикови модели.
Perplexity AI е компания от Сан Франциско, основана през 2022 г., която поддържа търсачка, задвижвана от ИИ. Вместо списък с връзки тя връща писмен отговор, който обобщава актуално уеб съдържание и посочва използваните източници. Освен безплатната версия има платени планове с избор на езикови модели, както и браузърът с ИИ Comet (към октомври 2026 г.). За бизнеса Perplexity е важна и защото променя начина, по който съдържанието в мрежата бива откривано.
Промптът е входът, който казва на модела с ИИ какво да прави – въпрос, задача или инструкция, често допълнени с контекст, примери и желания формат. Качеството на отговора зависи силно от това колко ясен и пълен е промптът. Например вместо „Напиши нещо за нашия продукт“ използвайте „Напиши три кратки предимства на продукт X за занаятчийски фирми, във фактически тон“.
PyTorch е фреймуърк с отворен код за машинно обучение и дълбоко обучение на програмния език Python. Първоначално е разработен в Meta (тогава Facebook), а от 2022 г. се поддържа от PyTorch Foundation под егидата на Linux Foundation. PyTorch се използва широко в научните изследвания и в индустрията, защото позволява на разработчиците да изграждат моделите гъвкаво, да ги обучават на графични процесори и да ги тестват стъпка по стъпка; с него са изградени много известни езикови и графични модели.
Q-обучението е основен метод за обучение с подкрепление. Агентът се учи чрез проба и грешка каква дългосрочна стойност („Q-стойност“) има дадено действие в дадена ситуация и с времето избира най-обещаващите действия. За целта не му е необходим модел на средата. В комбинация с невронни мрежи (дълбоко Q-обучение) система на DeepMind използва този подход, за да се научи да играе много видеоигри на Atari само от пикселите на екрана.
Отдалечен MCP (Remote MCP) е MCP сървър, който не работи локално на собствения ви компютър, а е достъпен през интернет чрез HTTP. Model Context Protocol е отворен стандарт, който позволява на приложенията с ИИ да използват външни инструменти и данни; за отдалечените сървъри спецификацията предвижда транспорта „Streamable HTTP“ и удостоверяване, например чрез OAuth или API ключ. Предимството е, че централно хоствана услуга е достъпна за много потребители и програми с ИИ без локална инсталация.
Възвръщаемостта от ИИ (Return on AI) описва икономическата възвръщаемост от внедряването на ИИ спрямо разходите за него. Проста груба сметка е: спестени часове на месец × часова ставка, минус разходите за лицензи, използване на модели, настройка и поддръжка. Ако екип, който обработва 200 запитвания, отделя 4 вместо 10 минути на запитване, той спестява 20 часа на месец. Подобни изчисления остават приблизителни оценки; трябва да се вземат предвид също качеството, процентът грешки и времето за въвеждане.
ROC кривата (receiver operating characteristic) показва колко добре един класификационен модел разделя два класа. За всеки възможен праг на решение тя нанася дела на истинско положителните (recall) спрямо дела на фалшиво положителните. Колкото по-близо стига кривата до горния ляв ъгъл, толкова по-добре; диагоналът съответства на чисто налучкване. Площта под нея (AUC) обобщава кривата в едно число и помага например при сравняване на различни модели за откриване на измами.
Rytr е асистент за писане с ИИ, наличен от 2021 г., който създава кратки маркетингови и ежедневни текстове. Потребителите избират случай на употреба – например имейл, описание на продукт, публикация в социалните мрежи или план на блог статия – тон и един от над 30 езика; редакторът помага при преформулиране, съкращаване или разширяване. Освен безплатната версия с ограничен брой знаци има платени планове (към октомври 2026 г.). Както при всички подобни инструменти, резултатите трябва да се проверяват преди публикуване.
Scikit-learn е библиотека за Python с отворен код за класическо машинно обучение. Тя предоставя последователни инструменти за класификация, регресия, клъстеризация, намаляване на размерността, предварителна обработка на данни и оценка на модели, например кръстосана валидация. Изградена върху NumPy и SciPy, тя се използва широко в обучението, научните изследвания и практиката благодарение на простия си и единен интерфейс. За дълбоки невронни мрежи обикновено се избират фреймуърци като PyTorch или TensorFlow.
Seed (начална стойност) е начално число за генератора на случайни числа на даден модел за изображения. Дифузионните модели започват със случаен шум в изображението, от който постепенно се оформя картина; seed определя как изглежда този начален шум. При същия seed, промпт и настройки едно изображение може до голяма степен да бъде възпроизведено в същия модел. Това помага, когато в промпта се променя само една подробност или когато по-късно искате да пресъздадете успешен вариант на изображение.
SEO оценката е показател, с който инструментите за анализ оценяват доколко една уеб страница е оптимизирана за търсачките – обикновено по скала от 0 до 100. Факторите могат да включват заглавия и описания, структура на заглавията, скорост на зареждане, удобство за мобилни устройства, вътрешни връзки и структурирани данни. Всеки инструмент изчислява оценката по различен начин; тя не е официална оценка на Google. Затова оценката е полезна като контролен списък за подобрения, а не като гаранция за добро класиране.
spaCy е библиотека за Python с отворен код за обработка на естествен език, разработена от берлинската компания Explosion. Тя разделя текстовете на думи и изречения, определя частите на речта и основните форми, анализира структурата на изречението и разпознава назовани същности като хора, компании или места. Налични са предварително обучени модели за много езици, включително немски. spaCy е създадена за бързина и за употреба в реални приложения, например за предварителна обработка на големи обеми документи.
Stable Diffusion е семейство модели за генериране на изображения, които създават картини от текстово описание. Първата версия е пусната през 2022 г. и е разработена под ръководството на Stability AI заедно с научни партньори. Технически това е латентен дифузионен модел, който постепенно превръща шума в картина. Тъй като теглата на модела са публикувани, той може да се стартира и настройва локално; комерсиалното използване на по-новите версии се урежда от собствения лиценз на Stability AI (към октомври 2026 г.).
TAM анализът оценява общия достъпен пазар (total addressable market): целия приход, който една оферта теоретично би могла да генерира. Подходът „отгоре надолу“ стеснява данни от пазарни проучвания, докато подходът „отдолу нагоре“ умножава броя на потенциалните клиенти по очакваната цена. Заедно със SAM (обслужваем пазар) и SOM (реалистично достижим дял) той подпомага инвестиционни и планови решения, но има смисъл само с прозрачни допускания и диапазони, а не с привидна точност.
TensorFlow е фреймуърк за машинно обучение с отворен код, разработен от Google и пуснат през 2015 г. Използва се за изграждане, обучение и внедряване на невронни мрежи в приложения, на сървъри или на мобилни устройства. Keras предоставя достъпен интерфейс на високо ниво; типични приложения са класификация на изображения, прогнозиране и препоръчващи системи.
Преобразуването на текст в реч (text-to-speech) превръща писмения текст в говорим език и е обратното на разпознаването на реч (speech-to-text). Съвременните системи използват невронни мрежи, за да създават естествено звучащи гласове с подходяща интонация. TTS се използва в телефонни съобщения, навигационни устройства, функции за прочитане на глас в достъпни уебсайтове и гласови асистенти.
Единицата, с която езиковите модели броят текста. Един токен е приблизително част от дума; разходите за ИИ се изчисляват въз основа на него.
Токенът е най-малката единица текст, която обработва един езиков модел, обикновено част от дума, къса дума или препинателен знак. Моделите четат входните данни и генерират отговорите токен по токен, а размерът на контекстния прозорец също се измерва в токени. Тъй като доставчиците таксуват входните и изходните токени, токените пряко определят разходите и ограниченията: дългите инструкции и обширните базови знания увеличават консумацията.
Token smuggling е форма на jailbreak, при която нежелани инструкции се прикриват, например разделят се на фрагменти, прекодират се или се пишат със сходно изглеждащи знаци, така че простите филтри по ключови думи да ги пропуснат, докато езиковият модел все пак разбира смисъла им. Защитата включва нормализиране на входните данни преди оценката им, проверки по съдържание, а не само по думи, преглед на изходните резултати и предоставяне на ИИ агентите на възможно най-малко права.
Torch е фреймуърк за машинно обучение с отворен код, основан на скриптовия език Lua; версията му Torch7 е била широко използвана в научните изследвания и индустрията през 2010-те години. Смята се за предшественик на PyTorch, който възприема идеи и части от C библиотеките на Torch, но използва Python. Според официалното му хранилище Torch вече не се развива активно и днес е малко релевантен за нови проекти.
При трансферното обучение модел, който вече е усвоил голяма обща задача, служи като отправна точка за нов, специализиран модел. Вместо да се започва от нула, той се адаптира, например чрез фина настройка, със сравнително малко собствени данни. Това спестява изчислително време и данни, например когато общ модел за изображения трябва да се научи да открива производствени дефекти по снимки.
Трансформърът е архитектура на невронна мрежа, представена през 2017 г. в научната статия „Attention Is All You Need“. В основата ѝ е механизмът на вниманието: всяка дума се претегля във връзка с всички останали думи в текста, а изчислението може да се паралелизира ефективно. Трансформърите са в основата на днешните езикови модели като GPT, Claude и BERT и се използват също за изображения и аудио.
Недостатъчно нагласяване (underfitting) възниква, когато моделът е твърде прост, за да улови зависимостите в данните. Тогава той прави много грешки както върху данните за обучение, така и върху нови данни, например когато права линия се използва за представяне на ясно извит модел. Мерките включват по-мощен модел, по-информативни признаци, по-дълго обучение или по-малко регуляризация; обратният проблем е свръхнагласяването.
Vibe coding описва начин на работа, при който софтуерът се създава главно чрез описания на естествен език, а генерираният от ИИ код се приема до голяма степен без преглед. Терминът е въведен от изследователя в областта на ИИ Андрей Карпати през февруари 2025 г. Може да е полезен за бързи прототипи, но в продуктивна среда крие риск от незабелязани пропуски в сигурността, труден за поддръжка код и зависимости, които никой в екипа не разбира истински, затова прегледът на кода и тестването остават задължителни.
Интернет адрес, който стартира поток, щом друга програма му изпрати данни.
Whisper е модел за автоматично разпознаване на реч, пуснат от OpenAI през септември 2022 г. Той преобразува говорим език на много езици в текст и може също да превежда записи на английски. Кодът и теглата на модела са налични с лиценза с отворен код MIT, така че Whisper може да работи и на собствен хардуер – предимство, когато аудио данните не бива да напускат организацията. Типични приложения са транскрипти на срещи, интервюта и субтитри.
Windowing означава разделяне на дълги данни на участъци („прозорци“) с фиксирана дължина, които често се припокриват. В приложенията с ИИ така дългите документи се разделят на части, в които може да се търси; припокриването гарантира, че изречение на границата между два участъка няма да загуби контекста си. Плъзгащи се прозорци се използват и при времеви редове и аудиосигнали, за да се анализират данните парче по парче.
Writer (writer.com) е американска компания, основана през 2020 г., която предлага платформа за генеративен ИИ в предприятията. Тя разработва собствено семейство езикови модели на име Palmyra и предоставя инструменти, с които компаниите могат да изграждат ИИ агенти, да ги свързват със собствените си знания и да ги управляват с правила за тона на марката и за одобрения (към октомври 2026 г.). Използва се главно за съдържание и работни процеси в маркетинга, продажбите и комуникацията с клиенти.
Writesonic е услуга с ИИ, която първо става известна като инструмент за създаване на маркетингови текстове. Доставчикът вече се позиционира като платформа за видимост както в традиционното, така и в задвижваното от ИИ търсене: целта е да измерва колко често дадена марка се споменава в отговорите на ИИ асистентите и да подобрява съдържанието за SEO и оптимизация за генеративни машини (GEO) (към октомври 2026 г.). Основната му аудитория са маркетингови екипи и агенции.
XGBoost (Extreme Gradient Boosting) е библиотека с отворен код, която реализира градиентния бустинг с дървета на решенията особено ефективно. Много малки дървета се обучават едно след друго, като всяко коригира грешките на предишните, а регуляризацията помага да се предотврати свръхнагласяне. XGBoost се смята за доказан избор за таблични данни, например при оценка на кредитния риск, прогнозиране на отпадането на клиенти или прогнозиране на продажби.
Автоматизацията на обслужването на клиенти означава повтарящите се запитвания на клиенти да се обработват изцяло или частично от софтуер – например чрез чатботове, предложения за отговори или предварително сортиране на заявки. Често задавани въпроси за работно време, статус на доставка или връщане на стоки могат да получават отговор денонощно, а екипът печели време за трудните случаи. Надеждните източници на знания и лесното предаване към хора са от съществено значение.
Автоматичната класификация отнася текстове, документи или записи към предварително определени категории без ръчно сортиране. Традиционно моделите научават това от етикетирани примери; големите езикови модели могат да определят категории и само въз основа на описание. Типични приложения са сортиране на входящи имейли по вид на запитването, разпределяне на разходни документи или отбелязване на спешни заявки за поддръжка. При важни случаи са препоръчителни извадкови проверки от хора.
Автономните превозни средства се движат изцяло или частично без човешка намеса, като използват камери, радар, лидар и ИИ софтуер. Стандартът SAE J3016 определя шест нива – от 0 (без автоматизация) до 5 (напълно без шофьор навсякъде). ИИ отговаря за възприемането на средата, прогнозирането на поведението на другите участници в движението и планирането на маршрута. Освен автомобили това обхваща роботаксита, камиони, совалки и складови превозни средства; одобрението и отговорността се уреждат поотделно във всяка държава.
„Агентни“ се наричат ИИ системи, които правят повече от това да отговорят на един въпрос: те преследват цел в няколко стъпки, планират, използват инструменти като уеб търсене или API, проверяват междинни резултати и решават какво да правят по-нататък. Пример е асистент, който категоризира запитване, търси информация и подготвя чернова на отговор. Ясните граници, записването на действията и човешкото одобрение в критичните моменти са от съществено значение.
Адаптивното обучение обозначава учебни програми, които непрекъснато се приспособяват към знанията, темпото и грешките на обучаемия. Софтуерът анализира отговорите и след това избира подходящи упражнения, обяснения или повторения. Използва се в училища, университети и корпоративни обучения – например когато платформа автоматично предлага по-лесна междинна стъпка след грешно решена задача. В машинното обучение терминът описва и модели, които продължават да се адаптират към нови данни.
Активационните функции определят колко силно неврон в изкуствена невронна мрежа предава сигнала си. Те въвеждат нелинейност – едва тогава мрежата може да представя сложни зависимости като езика или изображенията. Често срещани примери са ReLU, която нулира отрицателните стойности, сигмоидата за вероятности между 0 и 1 и GELU, използвана в много трансформърни модели. Изборът влияе върху скоростта и стабилността на обучението.
Алгоритмичната прозрачност означава, че може да се разбере как автоматизирана система достига до резултат: какви данни използва, какви правила следва и къде са границите ѝ. Това изгражда доверие, улеснява проследяването на грешки и все по-често е законово изискване, например чрез задълженията за информиране по ОРЗД и Акта на ЕС за изкуствения интелект. На практика помагат документация, посочване на източници, записи и ясни известия за засегнатите лица.
Анализът на зависимостите (dependency parsing) е техника от обработката на естествен език, която представя граматичната структура на изречението като зависимости между думите. Всяка дума е свързана с управляваща дума, например подлогът и допълнението – с глагола: в изречението „Клиентът поръчва две лампи“ „клиентът“ и „лампи“ зависят от „поръчва“. Това помага при извличането на информация, например за да се установи кой какво е направил.
Анализът на настроението автоматично определя настроението или отношението, изразени в даден текст – обикновено положително, неутрално или отрицателно, понякога по-фини емоции. Бизнесът го използва за оценка на голям брой отзиви за продукти, имейли до поддръжката, анкети или публикации в социалните мрежи и бързо вижда къде клиентите са доволни и къде има проблеми. Иронията, сарказмът и смесените изказвания като „бърза доставка, разочароващо качество“ остават трудни, затова извадки трябва да се проверяват от хора.
Антропоморфизмът е склонността да се приписват човешки качества като чувства, намерения или разбиране на машини. При чатботовете това идва естествено, защото те пишат гладко и лично. Това може да направи взаимодействието по-приятно, но носи рискове: хората може да се доверяват прекалено на отговорите или да споделят чувствителна информация. Помагат ясни известия, че потребителите общуват с ИИ, и честни твърдения за ограниченията му.
Асоциативната памет извлича съхранена информация по съдържанието ѝ, а не по адрес: частичен или зашумен сигнал е достатъчен, за да се извика съответстващото цяло – подобно на това как първите тактове връщат в съзнанието цяла песен. Мрежите на Хопфийлд са класически пример в изследванията на ИИ. Принципът се среща и в хардуера (памет, адресируема по съдържание) и в анализите на механизма за внимание в съвременните езикови модели.
Базовият модел (foundation model) е голям ИИ модел, предварително обучен върху много обширни и разнообразни данни, който след това може да се използва за много различни задачи. Терминът е въведен в Станфордския университет през 2021 г. Известни примери са големите езикови модели като Claude или GPT, както и моделите за изображения. Предприятията обикновено изграждат приложенията си върху такива модели, вместо да обучават собствени от нулата; Актът на ЕС за изкуствения интелект говори за ИИ модели с общо предназначение.
Бейсовите мрежи са графични модели, които представят променливите като възли, а вероятностните зависимости между тях – като насочени стрелки. С помощта на теоремата на Бейс те показват как новите наблюдения променят вероятността на други събития. Един пример е диагностичната подкрепа: оценяване на най-вероятната причина въз основа на наблюдавани симптоми. Силните им страни са прозрачността и способността да работят с несигурни или непълни данни.
Блокирането на ИИ ботове означава предотвратяване на четенето на Вашия уебсайт от краулърите на ИИ доставчици, обикновено чрез правила във файла robots.txt за потребителски агенти като GPTBot, ClaudeBot или Google-Extended. Файлът е молба, а не техническа преграда; по-строгият контрол изисква правила на защитната стена или на сървъра. Компромисът: блокирането защитава съдържанието от използване за обучение, но може да намали видимостта в ИИ търсенето и в отговорите, генерирани от ИИ. Често има смисъл краулърите за обучение и краулърите за търсене да се третират различно.
Валидирането на данни проверява дали данните са пълни, в правилния формат и правдоподобни, преди да бъдат обработвани по-нататък. Типичните проверки обхващат задължителни полета, формата на имейл адреси, пощенски кодове или дати, както и логически противоречия – например дата на доставка преди датата на поръчката. Така грешките се откриват рано, вместо да се прехвърлят в отчети, фактури или ИИ анализи.
Вградените представяния на думи (word embeddings) представят думите като числови вектори, така че думи с близко значение да лежат близо една до друга във векторното пространство, например „кола“ и „автомобил“. Методи като Word2Vec или GloVe научават тези вектори от големи количества текст. Те бяха важна стъпка в езиковата обработка, например за търсене или класификация; днешните езикови модели използват контекстуални представяния, при които една дума се представя по различен начин в зависимост от изречението.
Векторът на влагане (embedding) е списък от числа, който представя значението на дума, изречение или документ така, че текстовете със сходно съдържание да са разположени близо един до друг. Това дава възможност да се разпознае например, че „отмяна“ и „прекратяване на договор“ са свързани, въпреки че нямат общи думи. Влаганията са в основата на много системи за семантично търсене, услуги за препоръки и RAG приложения; изчисляват се от специално обучени модели.
Верижното свързване на модели означава последователно свързване на няколко модела с ИИ или стъпки с ИИ, така че резултатът от една стъпка да стане вход за следващата. Така сложните задачи могат да се разделят на обозрими подзадачи, които могат да се проверяват и подобряват поотделно. Пример: една стъпка резюмира клиентско запитване, втора го насочва към съответния отдел, а трета изготвя отговора.
Вертикалният ИИ агент е съобразен с конкретна индустрия или специализирана задача, например поддръжка на клиенти в електронната търговия, записване на часове в медицински практики или запитвания за продажби в машиностроенето. За разлика от асистентите с общо предназначение, той познава терминологията, процесите и правилата на своята област, защото е снабден с подходящи инструкции, знания и инструменти. В резултат обикновено дава по-точни и надеждни резултати в своята област.
Въплътените ИИ агенти имат физическо или симулирано тяло, чрез което възприемат околната среда със сензори и въздействат върху нея чрез движение. Примери са складови и домакински роботи, хуманоидни роботи и герои в симулации, в които роботите се обучават преди реална употреба. Предизвикателството е в съчетаването на възприятие, планиране и безопасно действие в непредсказуем свят.
Генеративен ИИ означава ИИ системи, които създават ново съдържание – текст, изображения, аудио, видео или програмен код – вместо само да сортират или оценяват съществуващи данни. Те се основават на модели, които научават закономерности от големи количества данни и ги използват, за да създават правдоподобни нови резултати. В бизнеса се използва например за изготвяне на имейли, резюмета, описания на продукти или идеи за изображения. Резултатите могат да съдържат грешки и трябва да се проверяват преди употреба.
GPT (generative pre-trained transformer) означава серия от големи езикови модели, разработени от OpenAI и основани на архитектурата „трансформър“. Моделите първо се обучават предварително върху огромни количества текст да предвиждат следващия токен, а след това се обучават допълнително за диалог и за следване на инструкции. Първият модел GPT се появява през 2018 г.; по-късните поколения стоят в основата на ChatGPT. В ежедневната реч „GPT“ често се използва за езикови модели като цяло.
Генеративната състезателна мрежа (generative adversarial network, GAN) се състои от две невронни мрежи, които се обучават една срещу друга: генераторът създава изкуствени данни, например изображения, а дискриминаторът се опитва да ги различи от реалните. Чрез това състезание резултатите стават все по-реалистични. GAN са представени през 2014 г. и оформят генерирането на изображения, преди дифузионните модели да се разпространят по-широко; използват се например за синтетични обучителни данни или подобряване на изображения.
Генераторът на сценарии за продажби е инструмент с ИИ, който съставя насоки за водене на разговори при продажби – например студени обаждания, срещи или последващи контакти. Въз основа на данни за офертата и целевата група той създава начало на разговора, въпроси за изясняване на потребностите, аргументи за ползите, отговори на типични възражения и предложение за следваща стъпка. Добрият наръчник дава ориентир, а не твърд сценарий: слушането и честният съвет остават по-важни от готовите фрази.
Генераторът на уебсайтове с ИИ автоматично създава уебсайт, включително структура на страниците, оформление, текстове и предложения за изображения, въз основа на няколко входни данни като индустрия, оферта и предпочитан стил. Така малките фирми или проекти получават бързо онлайн присъствие без умения за програмиране. Резултатите са отправна точка: съдържанието, законово изискуемата информация, достъпността и оптимизацията за търсачки трябва след това да се проверят и коригират.
Генерирането на естествен език (NLG) е областта на езиковата обработка, която създава разбираем текст от данни, ключови точки или други входни данни. По-ранните NLG системи се основаваха на шаблони и правила; днес повечето използват големи езикови модели. Типични приложения са сводки за времето и фондовия пазар, описания на продукти, обобщения на ключови показатели и отговори на чатботове. Важно е числата и фактите от входните данни да бъдат пренесени вярно и непроменени.
Генерирането на текст е автоматичното създаване на текст от ИИ, днес обикновено от големи езикови модели, които изчисляват най-вероятното продължение дума по дума. То е дял от генерирането на естествен език и основно приложение на генеративния ИИ. Организациите го използват за съставяне на имейли, отчети или описания на продукти; фактите и цифрите трябва да се проверяват преди публикуване.
Генерирането, допълнено с извличане (Retrieval-augmented generation), съчетава търсене с генериране на текст: преди да отговори, системата търси в колекция от знания – например ръководства, правилници или често задавани въпроси – подходящи пасажи и ги подава на езиковия модел като контекст. Така отговорът се основава на актуално съдържание, специфично за компанията, а не само на знанията от обучението на модела. Това намалява измислените твърдения, прави източниците проследими и позволява актуализации без повторно обучение.
Генерирането, допълнено с кеш (cache-augmented generation, CAG), е подход, при който езиковият модел не търси знания при всеки въпрос. Вместо това обозрима база от знания се зарежда предварително в контекстния му прозорец и това състояние се кешира, така че отговорите не изискват отделна стъпка на извличане. Терминът е популяризиран от научна статия от края на 2024 г. като алтернатива на генерирането, допълнено с извличане (RAG). CAG е подходящо за малки, стабилни бази от знания; при големи или често променящи се данни RAG обикновено остава по-практично.
Големият езиков модел (large language model, LLM) е невронна мрежа, обучена върху много големи количества текст, която може да разбира и генерира език. Работи, като стъпка по стъпка изчислява най-вероятния следващ токен. LLM пишат, обобщават, превеждат, отговарят на въпроси и генерират код; известни примери са Claude, GPT, Gemini и Llama. Без достъп до актуални източници те знаят само онова, което е било в обучителните им данни.
Градиентното спускане е методът за оптимизация, с който се обучават повечето ИИ модели. Измерва се колко голяма е грешката на модела, изчислява се в каква посока трябва да се променят параметрите, за да намалее, и след това се прави малка стъпка в тази посока – отново и отново. Подобно е на планинар в мъгла, който продължава да върви надолу, за да стигне до долината. Размерът на стъпката (скорост на обучение) определя скоростта и стабилността.
Градиентното усилване (gradient boosting) е техника на машинното обучение, която комбинира последователно много прости модели – обикновено малки дървета на решенията. Всяко ново дърво се обучава специално да намалява оставащите грешки на предишните. Резултатът са много точни модели за таблични данни, например за кредитен риск, прогнози за продажбите или вероятност за отпадане на клиенти. Известни имплементации са XGBoost, LightGBM и CatBoost; необходима е внимателна настройка, за да се избегне преобучение.
Границата на знанията (knowledge cutoff) е моментът, до който стигат данните за обучение на езиковия модел. Моделът няма присъщи знания за събития, цени, закони или продукти, възникнали след него, и може да дава остаряла информация, ако не му се предоставят актуални данни. Това може да се реши с методи, които въвеждат собствени документи или актуално уеб съдържание по време на изпълнение.
Грантовете и финансирането за изследвания в областта на ИИ финансират изследователски проекти, групи от млади учени или сътрудничества в областта на изкуствения интелект. В Германия например Германската изследователска фондация (DFG) финансира групите „Емми Нетер“ по ИИ методи в рамките на своята инициатива за ИИ, а Федералното министерство на научните изследвания, технологиите и космическото пространство (BMFTR) отпуска средства чрез тематични насоки за финансиране. На равнище ЕС „Хоризонт Европа“ и Европейският научноизследователски съвет (ERC) обявяват конкурси. Сроковете и условията непрекъснато се променят (към октомври 2026 г.).
Стартира поток автоматично, например всеки час, ежедневно, в делнични дни или седмично.
Грешката на обобщаване измерва доколко ИИ моделът греши върху нови, непознати досега данни – за разлика от грешката му върху обучителните данни. Голяма разлика между двете сочи преобучение: моделът е запомнил примери, вместо да научи общи закономерности. Оценява се с отделени тестови данни или кръстосана валидация. Това е показателят, който наистина има значение, защото на практика моделът се сблъсква почти само с нови случаи.
Грешката при обучение показва доколко прогнозите на модела се отклоняват от правилните стойности върху същите данни, върху които е обучен. Сама по себе си тя казва малко: важно е сравнението с грешката на обобщаване върху нови данни. Висока грешка при обучение сочи недостатъчно нагласяване (underfitting); много ниска грешка при обучение, съчетана с висока грешка върху тестови данни, обикновено е признак за свръхнагласяване.
Данните за обучение са примерите, от които моделът с ИИ научава закономерности: големи текстови колекции за езиковите модели, изображения с етикети за моделите за изображения. Качеството, разнообразието и актуалността им до голяма степен определят колко надежден и справедлив е моделът и колко актуални ще са знанията му. За организациите е важно и дали доставчикът използва въведените от клиентите данни за по-нататъшно обучение.
Двупосочната LSTM (BiLSTM) е рекурентна невронна мрежа, която чете последователност както напред, така и назад и съчетава двата изгледа. Това означава, че се отчита и контекстът, който следва всяка дума. Преди трансформърите да доминират, тя беше стандартен избор за задачи като определяне на частите на речта, разпознаване на именувани обекти и разпознаване на реч. При много дълги текстове и големи масиви от данни трансформърите днес обикновено се представят по-добре.
Детерминираният модел винаги дава един и същ резултат при един и същ вход, защото следва фиксирани правила или формули и не включва случайност – например правилото „5% отстъпка при поръчки над 100 евро“. Големите езикови модели, напротив, работят вероятностно: отговорите им на един и същ въпрос могат да се различават. На практика двата подхода често се комбинират, за да се постигне баланс между гъвкавост и проследимост.
Дискриминативните модели се учат да разграничават точките от данни, като директно определят границата между класовете – те отговарят на въпроса „Към коя категория принадлежи този вход?“. Примери са логистичната регресия, методът на опорните вектори и много невронни класификатори, например за разпознаване на спам. Генеративните модели, напротив, улавят как възникват самите данни и затова могат да създават нови примери.
Дискриминация в ИИ има, когато една ИИ система неоправдано поставя хората в неблагоприятно положение въз основа на характеристики като пол, етнически произход, възраст или увреждане. Причините обикновено са изкривени обучителни данни, неподходящи заместващи признаци като пощенски кодове или липса на тестване; известни случаи има при подбора на персонал и кредитирането. Мерките включват представителни данни, редовно тестване за справедливост, прозрачност и човешки надзор над решенията, засягащи хора.
Доставчик на услуги обработва лични данни от името на фирма. За това е необходим договор по чл. 28 от ОРЗД.
Дрейфът на модела е постепенното влошаване на качеството на прогнозите на даден модел по време на експлоатация, защото действителността се променя спрямо данните, използвани за обучението. Прави се разлика между промени във входните данни (дрейф на данните) и промени във връзката между входните данни и резултатите (дрейф на концепцията). Пример: модел за откриване на измами пропуска нови схеми за измама. Мерките включват непрекъснато наблюдение на метриките и редовно повторно обучение.
Дълбоките мрежи на вярванията (Deep belief networks, DBN) са невронни мрежи от няколко наслоени слоя, които първо се обучават предварително слой по слой без надзор, обикновено като така наречените ограничени машини на Болцман. Джефри Хинтън и колеги представят метода през 2006 г.; той показва, че дълбоките мрежи могат да се обучават ефективно, и така допринася за възхода на дълбокото обучение. На практика DBN междувременно са до голяма степен заменени от други архитектури.
Дълбокото обучение е дял от машинното обучение, който използва изкуствени невронни мрежи с много слоеве. Такива мрежи се учат от големи количества данни кои характеристики са важни – от ръбове в изображенията до смислови връзки в текстовете. Дълбокото обучение е в основата на съвременните езикови модели, на разпознаването на образи и реч и на машинния превод и обикновено изисква значителна изчислителна мощност и много обучителни данни.
Дървото на решенията е модел, който представя едно решение като поредица от прости въпроси с отговор „да/не“: всеки клон проверява един признак, а всеки лист дава резултат. В машинното обучение такива дървета се учат автоматично от данни и се използват за класификация или прогнозиране. Основната им сила е прозрачността – например показват защо дадено кредитно искане е отбелязано въз основа на доход, срок и история на плащанията.
Евристиките са практически правила или опростени стратегии, които водят до добро, макар и не непременно оптимално решение за разумно време. В информатиката и ИИ те помагат за стесняване на огромни пространства за търсене – например при планиране на маршрути, където разстоянието по права линия до целта служи като приблизителна оценка, или в шаха, където се оценяват позициите. И хората използват евристики в ежедневието и в бизнес решенията, с риск от систематични грешки в мисленето.
Експертната система е компютърна програма, която съхранява експертния опит на специалисти като правила и факти и прави изводи от тях. Обикновено се състои от база знания и механизъм за извод, който прилага правилата. Експертните системи оформят ИИ през 70-те и 80-те години на миналия век, например при медицинска диагностика или конфигуриране на технически съоръжения. Идеите им живеят и днес в проверките, базирани на правила, и в графовете на знанията.
Екстрактивен ИИ означава методи, които извличат съществуваща информация от текстове или документи, вместо да пишат ново съдържание. Резултатът идва дословно или във фиксирана структура от източника – като номера на фактури от PDF файлове, ключови изречения за резюме или релевантния откъс в отговор на въпрос. Тъй като нищо не се измисля, рискът от неверни твърдения е по-малък, отколкото при чисто генеративните подходи; двата подхода често се комбинират.
Емерджентността описва свойства на дадена система, които възникват от взаимодействието на много прости части, но не могат да се видят в нито една отделна част. В изследванията на ИИ способностите се наричат емерджентни, когато големи езикови модели над определен размер решават задачи като многостъпково смятане или превод осезаемо по-добре от по-малките модели. Дали подобни скокове са истински, или отчасти зависят от начина на измерване, е предмет на спор сред изследователите.
Етиката на ИИ се занимава с моралните въпроси около разработването и използването на ИИ: справедливост и дискриминация, прозрачност и обяснимост, защита на данните, отговорност за грешки, безопасност и последици за труда и обществото. За организациите тя става конкретна в насоки, оценки на риска, човешки надзор и честна комуникация за ограниченията на ИИ. Пример: преди да бъде въведен инструмент за подбор на автобиографии, той се проверява дали не поставя в неблагоприятно положение определени групи.
Извличането на данни (data mining) е системно търсене на закономерности, връзки и аномалии в големи масиви от данни. То използва статистически методи и методи на машинното обучение, като клъстеризация, класификация или асоциативен анализ. Класически пример е анализът на пазарната кошница в търговията на дребно, който показва кои продукти често се купуват заедно – основа за асортимента, разположението и препоръките.
Извличането на информация (information retrieval) обхваща методи за намиране на документите или откъсите в голям обем текст, които съответстват на дадена заявка, и за подреждането им по релевантност. Класически подходи като BM25 претеглят термините за търсене според това колко често и колко рядко се срещат; по-новите добавят семантично сходство. То е в основата на търсачките, корпоративното търсене и retrieval-augmented generation, при което езиков модел използва извлечените откъси като основа за отговора си.
Извличането на признаци е процес, при който от суровите данни се получават смислени стойности, така че моделът да може да ги обработва ефективно. Вместо милиони отделни пиксели една система може да използва ръбове, цветове или форми; текстовете се превръщат в тегла на думите или в векторни представяния (ембединги). Добрите признаци намаляват обема на данните, свеждат изчислителните разходи до минимум и често подобряват точността. Извличането на признаци е основна част от инженерството на признаци.
Извличането на системния промпт (system prompt extraction) обозначава опити даден чатбот или ИИ агент да бъде накаран да разкрие скритите си системни инструкции. Ако такъв опит успее, резултатът се нарича изтичане на промпт: извличането е атаката, изтичането е последицата. Ефективната защита започва с това паролите, ключовете и поверителните правила да не се включват в инструкциите и да се приема, че те могат да станат публични; проверките на входа и редовното тестване добавят допълнителни предпазни мерки.
Изкуственият общ интелект (artificial general intelligence, AGI) означава хипотетична ИИ система, която може да се справя с широк кръг интелектуални задачи на човешко равнище и гъвкаво да пренася наученото в нови области. Днешните системи се представят добре при много задачи, но все още показват ограничения, например по отношение на надеждността. Няма общоприета дефиниция или начин за измерване, а дали и кога ще бъде постигнат AGI, е спорно сред експертите.
Изкуственият свръхинтелект (artificial superintelligence, ASI) е теоретично понятие за ИИ, който значително надхвърля хората почти във всички интелектуални способности, включително изследване, планиране и социална преценка. Такава система не съществува. Терминът се използва главно във философията и в изследванията на безопасността на ИИ, за да се обсъждат въпроси за контрола и за съгласуването на бъдещите системи с човешките ценности.
Изкуствените невронни мрежи (artificial neural networks, ANN) са изчислителни модели, съставени от много свързани единици („неврони“), разположени на слоеве, които обработват входните данни чрез претеглени връзки. По време на обучението теглата се коригират стъпка по стъпка с помощта на примери, обикновено чрез обратно разпространение на грешката. ANN са основата на дълбокото обучение и задвижват разпознаването на образи, разпознаването на реч и големите езикови модели. Въпреки биологичното вдъхновение те работят много по-просто от човешкия мозък.
Стратегията за излизане на пазара (go-to-market, GTM) определя как даден продукт или услуга ще бъде успешно въведена на пазара: коя целева група какъв проблем има, как се позиционира и оценява предложението, през кои канали се продава и с кои показатели се измерва успехът. GTM планът свързва маркетинга, продажбите и продукта. Пример: доставчик на софтуер започва с един отрасъл, един партньорски канал и 90-дневна цел.
Изтичането на данни (data exfiltration) е неразрешено пренасяне на данни извън дадена система. При ИИ приложенията то може да се случи, когато чатбот или агент бъде манипулиран чрез целенасочено съставени входни данни или подготвено съдържание – например на уеб страница, която чете – да разкрие или препрати поверителна информация. Защитата включва минимални права за достъп, проверка на входните данни, ограничения за изходящите връзки и наблюдение на отговорите.
Изтичането на промпт (prompt leaking) е непреднамереното разкриване на вътрешните инструкции на дадена система с ИИ, например когато чатбот разкрие системния си промпт в отговор на хитро формулирана заявка. Това се превръща в проблем, ако инструкциите съдържат бизнес логика, вътрешна информация или дори пароли и ключове за достъп. Списъкът на OWASP за приложения с LLM назовава този риск изрично. Най-ефективната защита е инструкциите да се пишат така, сякаш могат да станат публични, в тях никога да не се съхраняват тайни и да се проверяват също и изходните резултати.
Текст, който KI.ordo разделя на раздели и прави търсим за агентите.
ИИ модел с фиксирани инструкции и достъп до избрани знания, който поема конкретна задача.
ИИ анализаторът на данни е ИИ система или асистент, който анализира данни като електронни таблици, експорти или ключови показатели и обяснява резултатите на разбираем език. Той изчислява суми и промени, установява тенденции и аномалии и предлага следващи стъпки. Така бизнес екипите без статистическа експертиза получават по-бързо отговори. Езиковите модели обаче могат да допускат грешки в изчисленията, затова цифрите трябва да се проверяват допълнително. Пример: месечните продажби се поставят като CSV и се коментират.
ИИ в здравеопазването обхваща приложения, които подпомагат медицинския персонал и администрацията, например при анализ на медицински изображения, документиране, планиране на часове или оценка на изследователски данни. Такива системи дават насоки и облекчават натоварването, но не заместват клиничната преценка и не обещават лечение. Много медицински ИИ приложения подлежат на регулиране като медицински изделия и на строги правила за защита на здравните данни. Пример: софтуер подчертава подозрителни области на рентгенови снимки за преглед от специалисти.
ИИ в индустрията на развлеченията означава използване на ИИ във филма, музиката, игрите, стрийминга и медиите. Типични приложения са системите за препоръки, които предлагат съдържание според вкуса, подпомагането на монтажа, визуалните ефекти и дублажа, генерираните игрови светове или герои, както и генерирането на музика и изображения. Същевременно възникват въпроси за авторските права, съгласието на изпълнителите и дийпфейковете. Пример: стрийминг платформа адаптира началния екран към всеки профил.
ИИ в киберсигурността има две страни. От една страна, ИИ техниките помагат за по-бързо откриване на атаки, например чрез забелязване на аномалии в мрежовия трафик, подозрителни влизания или фишинг имейли, и облекчават екипите по сигурност при първоначалната оценка на сигнали. От друга страна, самите ИИ системи трябва да бъдат защитени, например срещу промпт инжекция или изтичане на данни. ИИ е ефективен тук само в съчетание с ясни процеси, актуални системи и обучени хора.
ИИ в производството обхваща приложения в производството и индустрията, като предиктивна поддръжка въз основа на данни от сензори, автоматизиран контрол на качеството с камери, оптимизиране на параметри на процесите и производствено планиране, както и роботи, които работят заедно с хора. Целите са по-малко аварии, по-малко брак и по-стабилна работа. За това са нужни надеждни данни от машините и участие на експертите от производствения цех. Пример: система разпознава по вибрационните модели, че лагер може скоро да откаже.
ИИ в транспорта обхваща приложения в логистиката, трафика и мобилността: планиране на маршрути и обиколки, прогнозиране на трафика, предиктивна поддръжка на превозни средства и инфраструктура, както и системи за подпомагане на водача до автономни превозни средства. Целите са по-къси маршрути, по-малко празни курсове, по-ниски разходи и по-голяма безопасност. Много приложения са критични за безопасността и затова са строго регулирани. Пример: куриерска служба планира наново ежедневно маршрутите си за доставка въз основа на обема на пратките и пътната обстановка.
ИИ в търговията на дребно обхваща приложения по цялата верига на търговията: прогнозиране на продажбите и планиране на наличностите, персонализирани препоръки за продукти, динамично ценообразуване, откриване на измами в онлайн магазини и обслужване на клиенти чрез чат. Търговците могат да намалят свръхналичностите и недостига и да отговарят по-бързо на запитвания. За това са нужни чисти данни и внимателно отношение към информацията за клиентите. Пример: чат асистент отговаря денонощно на въпроси за сроковете за доставка и за връщане.
ИИ защитната стена е защитен слой между потребителите, източниците на данни и ИИ модела. Тя проверява входните данни за опити за манипулация, като промпт инжекция или джейлбрейк, и проверява изходните данни, например за поверителни данни или нежелано съдържание, преди да ги предаде нататък. Може да използва правила, класификационни модели или втори езиков модел. ИИ защитната стена намалява риска, но не предлага пълна защита и не замества нито ограничените права, нито тестването.
Понятието описва как ИИ системите могат да засягат правата на човека, като неприкосновеността на личния живот, равното третиране, свободата на изразяване или справедливия процес, както положително, така и отрицателно. Рисковете произтичат например от дискриминационни решения, масово наблюдение, биометрична идентификация или липса на средства за оспорване на решения. Международни рамки като Рамковата конвенция на Съвета на Европа за ИИ и Акта на ЕС за изкуствения интелект адресират тези въпроси. Организациите реагират с оценки на въздействието, прозрачност и човешки надзор.
ИИ консултантът помага на организациите да използват ИИ смислено и отговорно. Типични задачи са оценка на потенциала, избор на подходящи случаи на употреба и инструменти, вграждането им в съществуващите процеси и отговорности, въпроси за защитата на данните и съответствието с изискванията, както и обучение. Доброто консултиране преценява трезво ползите и рисковете и отчита хората, които работят със системите. Пример: средна компания изяснява кои запитвания на клиенти могат да се автоматизират надеждно.
Блок в потока, който отнася текст към една от няколко категории и разклонява съответно.
ИИ ред тийминг е структурираното изследване на ИИ система от гледна точка на потенциални нападатели или злоупотреба. Специалисти проверяват контролирано дали чатботът разкрива поверителни инструкции, дали може да бъде подтикнат към нежелано поведение, дали дава неверни факти или излага данни. Констатациите водят до по-добри инструкции, филтри и права. Одитът на сигурността на чатбот е по-лека форма: той оценява конфигурацията и примерни разговори спрямо известни рискови области като OWASP Top 10 за LLM приложения.
ИИ търсене означава методи за търсене, които използват ИИ, за да разберат намерението зад дадена заявка, да претеглят резултатите и често да генерират обобщен отговор с източници, вместо обикновен списък с връзки. Технически те използват търсене по ключови думи, векторно търсене върху влагания или комбинация от двете, често последвани от езиков модел. Примери са отговарящите машини (answer engines) в мрежата и вътрешното търсене на знания, което помага на служителите да намират нужното в ръководства и политики.
ИИ SDR (sales development representative) е ИИ агент, който поема задачи от ранния етап на продажбите: отговаряне на входящи запитвания, квалифициране на потенциални клиенти, изготвяне на сценарии за разговори и последващи имейли или подготовка на срещи. Той облекчава екипа по продажбите, но не замества преценката му и работата му по изграждане на взаимоотношения. При първоначално свързване с нови контакти в Германия и ЕС трябва да се спазват правилата за защита на данните и срещу нежелана реклама.
Понятието обхваща икономическите последици от използването на изкуствен интелект: ръст на производителността, нови продукти и бизнес модели, променящи се задачи и изисквания към уменията, както и промени в конкуренцията. Мащабът и разпределението на тези ефекти са спорни и зависят силно от отрасъла, инвестициите и обучението. За отделните организации най-важна е измеримата полза от конкретните приложения. Пример: по-кратките срокове за обработка в обслужването на клиенти намаляват разходите за едно запитване.
Индексът на четливост на Флеш оценява колко лесно се разбира даден текст въз основа на средната дължина на изреченията и броя на сричките на дума. Рудолф Флеш го разработва за английския език през 1948 г., а за други езици съществуват адаптирани формули. Скалата е приблизително от 0 до 100 – колкото по-висока е стойността, толкова по-лесен е текстът. Тя измерва само формата, а не дали съдържанието и терминологията са подходящи за целевата аудитория.
LIX (läsbarhetsindex) е мярка за четливост, разработена в Швеция от Карл-Юго Бьорнсон. Тя добавя средната дължина на изреченията в думи към процента на дългите думи с повече от шест букви. Пример: 15 думи на изречение и 30% дълги думи дават LIX 45. Тъй като не изисква броене на срички, може да се прилага към много езици, включително немски; ниските стойности показват лесни текстове, а стойности от около 60 нагоре – много трудни.
При индиректната промпт инжекция манипулативните инструкции не са във входните данни на потребителя, а са скрити в съдържание, което ИИ системата обработва по пътя – като уеб страници, имейли или документи. Когато агент прочете такова съдържание, може да вземе скритите команди за истински задачи и например да разкрие данни. Предпазните мерки включват третиране на външното съдържание строго като данни, ограничаване на правата, проверка на входните данни и изискване на човешко одобрение за критични действия.
Инженерът по ИИ системи проектира и експлоатира ИИ приложения като цялостна система: свързва модели с източници на данни, интерфейси и съществуващ софтуер, осигурява сигурност, наблюдение и контрол на разходите и превръща прототипите в стабилна експлоатация. За разлика от чистото разработване на модели, фокусът е върху интеграцията. Един пример е свързването на агент за поддръжка със системата за заявки, включително с водене на дневник и права за достъп.
Инженерството на знанията обхваща събирането, организирането и подготовката на експертни знания, така че ИТ системите да могат да ги използват. Първоначално акцентът е върху правила за експертни системи; днес приоритетът често е да се документират разпръснатите знания от ръководства, описания на процеси и от главите на хората, така че ИИ агентите да могат да отговарят надеждно въз основа на тях. Това включва ясни структури, актуални източници, определени отговорности и запълване на установените пропуски.
Фиксираното задание за агента: роля, тон, граници. Често се нарича „промпт“.
Интелигентната обработка на документи (intelligent document processing, IDP) автоматично чете документи като фактури, договори или формуляри, определя вида им и превръща съществените данни в структурирани. Тя съчетава разпознаване на текст от сканирани документи, обработка на естествен език и правила за валидиране. Организациите спестяват ръчното въвеждане на данни и ускоряват процеси като обработката на входящи фактури или поща. Несигурните полета трябва да се проверяват от хора.
Интелигентният агент е система, която възприема средата си, обработва информация и самостоятелно избира действия, за да постигне цел. Днес терминът обикновено означава софтуер, изграден върху големи езикови модели, който следва инструкции, използва знания и извиква инструменти, като функция за търсене или API. Колко самостоятелно може да действа един агент, трябва да се решава съзнателно. Пример: агент отговаря на въпроси на клиенти въз основа на документацията на продукта.
Интерпретируемостта на модела описва доколко хората могат да разберат как моделът с ИИ стига до своите резултати. Простите модели, като дърветата на решенията, по същество са лесни за четене; при сложните невронни мрежи могат да помогнат техники, които показват влиянието на отделните признаци. Интерпретируемостта е важна за отстраняване на грешки, за доверието и за регулаторните изисквания, например когато отказът на кредит трябва да бъде обоснован.
Преглед на ключовите процеси на фирмата и връзките между тях.
Квантовите изчисления използват ефекти от квантовата физика, като суперпозиция и преплитане, за да изчисляват с кубити вместо с класически битове. Очакват се големи предимства в скоростта при определени задачи, като симулиране на молекули, някои оптимизационни задачи или разбиване на днешните методи за криптиране. Машините обаче все още са склонни към грешки и се използват предимно в научни изследвания и пилотни проекти (към октомври 2026 г.). За днешните приложения с ИИ квантовите изчисления практически още не играят роля.
Класификаторът е модел или метод, който отнася входните данни към една от няколко предварително определени категории. Класическите варианти като дърветата на решенията или наивния Байес се обучават върху анотирани примери; езиковите модели могат да сортират текстове и въз основа на описание на категориите. Типични приложения са откриването на спам, сортирането на запитвания на клиенти по теми и категоризирането на разписки. Качеството се измерва с метрики като точност, прецизност и обхват.
Класификацията на текст автоматично отнася текстовете към предварително определени категории, например имейли по вид запитване, отзиви по настроение или документи по тема. Преди това за целта се налагаше да се обучават специални модели върху примери с етикети; днес големите езикови модели често могат да определят категориите само по описание. Така е възможно запитванията да се сортират предварително и да се насочват по-бързо към правилния екип.
K-means е метод за обучение без надзор, който разделя точките от данни на предварително зададен брой k групи. Той отнася всяка точка към най-близкия център на група и продължава да премества тези центрове, докато отнасянията почти не се променят. Методът е бърз и лесен за разбиране, но изисква разумен избор на k и признаци в съпоставими мащаби. Пример: групиране на клиенти по честота на покупките и стойност на кошницата.
Когнитивната карта първоначално е термин от психологията, който описва мисловния образ, който хората или животните си изграждат за околната среда. В управлението и ИИ тя означава и графични модели, които показват понятията като възли, а причинно-следствените им връзки – като претеглени стрелки, например „размити когнитивни карти“ (fuzzy cognitive maps). Такива карти помагат да се структурират експертни знания и да се изследват сценарии, например как промените в цените влияят на търсенето и на наличностите.
Когнитивните изчисления (cognitive computing) са събирателно понятие за системи, които имитират човешки мисловни процеси като разбиране на език, разсъждение и учене от опит, за да подпомагат решенията на хората. Терминът става широко известен през 2010-те години, главно чрез IBM Watson. Той съчетава методи като обработка на естествен език, машинно обучение и представяне на знания; днес по-често се говори за ИИ асистенти или езикови модели.
Колаборативните роботи, или коботите, са индустриални роботи, проектирани да работят непосредствено заедно с хора, без разделяща предпазна ограда. Сензори, ограничени сили и скорости и защитни функции гарантират, че те спират или се отдръпват при допир; изискванията са определени в стандарти като серията ISO 10218. Коботите изпълняват задачи като зареждане на машини, завинтване или опаковане, докато служителите се грижат за проверката и за особените случаи.
Колапсът на модела е загуба на качество, която може да настъпи, когато генеративни модели многократно се обучават върху данни, създадени самите те от ИИ. Редките съдържания и граничните случаи постепенно се губят, а резултатите стават по-еднообразни и по-податливи на грешки. Проблемът става все по-важен, тъй като делът на създадените от ИИ текстове и изображения в интернет расте. Внимателно подбраните данни, създадени от хора, помагат да се противодейства.
Компютърното зрение е област на ИИ, в която компютрите интерпретират изображения и видео. Типични задачи са откриване и локализиране на обекти, разчитане на текст в изображения и измерване на детайли. Технологията се използва например при контрола на качеството в производството, в системите за подпомагане на водача, в логистиката и в медицинската образна диагностика.
Конвейерът за извличане (retrieval pipeline) е последователността от стъпки на обработка, с която една система намира правилната информация за даден въпрос. Типични стъпки са: приемане и почистване на документите, разделянето им на части (chunks), изграждане на индекс за търсене, при желание преформулиране на заявката, извличане на съвпаденията, подреждането им (reranking) и подаване на най-добрите към езиковия модел. Той е основата на всяко RAG приложение и качеството му до голяма степен определя колко добри ще бъдат получените отговори.
Конвейерът за машинно обучение (machine learning pipeline) е определена последователност от стъпки, която превръща суровите данни в модел, готов за внедряване: събиране и почистване на данни, подготовка на признаци, обучение, оценка, внедряване и наблюдение. Автоматизирането на тези стъпки прави резултатите възпроизводими и позволява новите данни да се обработват с малко усилия. Например търговец може всяка седмица да преобучава и тества модела си за прогнозиране на продажбите с най-новите цифри.
Конволюционната невронна мрежа (CNN) е архитектура на невронни мрежи, особено подходяща за данни от изображения. Тя обхожда входните данни с малки филтри, като в първите слоеве открива прости признаци като ръбове, а в по-дълбоките – по-сложни форми. Години наред CNN определяха развитието на разпознаването на изображения и се използват например за откриване на дефекти в продуктови снимки или при анализа на медицински изображения.
Ровът (moat) е трайно конкурентно предимство, което защитава дадена компания от имитатори, като мрежови ефекти, разходи за преминаване към друг доставчик, силна марка, ексклузивни данни или дълбока интеграция в процесите на клиентите. Въпросът е особено актуален за предложенията с ИИ, защото много продукти се градят върху едни и същи налични модели. Предимствата тогава по-скоро идват от експертиза в областта, близост до клиентите, добри процеси и доверие, отколкото само от технологията.
Конституционният ИИ (Constitutional AI) е метод за обучение на езикови модели, публикуван от Anthropic през 2022 г.; той няма нищо общо с конституционното право. Основава се на писмен набор от принципи – „конституция“: моделът критикува и преработва собствените си отговори спрямо тези принципи, след това ИИ сравнява двойки отговори и тази обратна връзка служи като сигнал за награда при обучението с подкрепление (RLAIF). Това намалява нуждата от човешко етикетиране на вредно съдържание; през януари 2026 г. Anthropic публикува преработена конституция за Claude.
Конструирането на признаци (feature engineering) означава избиране, преобразуване и създаване на атрибути (признаци) от суровите данни, така че алгоритъмът за обучение да открива по-лесно закономерности. Извличането на признаци извежда компактни, смислени стойности от сложни данни като текст, изображения или сигнали. Пример: отделни записи за покупки се превръщат в признаци като „дни от последната покупка“ или „средна стойност на поръчката“, което може осезаемо да подобри прогнозата за отпадане на клиенти.
При контролираното обучение моделът се учи от примери, за които правилният отговор вече е известен, като имейли с етикет „спам“ или „не е спам“. От тях той извежда правила, с които да класифицира нови, невиждани случаи или да предвижда стойности. Типични задачи са класификацията и регресията; най-големите усилия отиват за създаването на коректно етикетирани данни.
Коректурата е проверка на текст за правопис, граматика и пунктуация, често заедно с последователна употреба; редактирането отива по-далеч и обхваща също стила, структурата и съдържанието. ИИ може бързо да отбелязва грешки и да предлага корекции, например в оферти, бюлетини или уеб страници. Препоръчително е всички промени да се изброяват прозрачно и човек да направи окончателна проверка на термините, собствените имена и смисъла.
Коригираният R-квадрат измерва доколко добре регресионен модел обяснява вариацията в данните, като се отчита броят на използваните предиктори. Обикновеният R-квадрат нараства с всяка допълнителна променлива, дори такава, която не добавя нищо; коригираната версия наказва ненужните променливи. Това позволява по-справедливо сравнение на модели с различен размер, например на прогноза за продажби с три вместо с десет фактора.
Корпусът е структурирана колекция от текстове или езикови данни, съставена за анализ, изследване или обучение на езикови модели. Той може да е общ, например новинарски текстове за много години, или специфичен за областта, например всички договори и ръководства на дадена компания. Размерът, балансът, актуалността и правата върху текстовете определят колко полезни са получените изводи.
В машинното обучение кривата на обучение е диаграма, която показва представянето или грешката на модела във времето на обучение или в зависимост от количеството обучителни данни, обикновено поотделно за обучителните и валидационните данни. Формата ѝ показва дали моделът е недообучен или преобучен и дали повече данни вероятно ще помогнат. Ако например грешката при валидиране остава значително над грешката при обучение, това сочи преобучение. В ежедневния език терминът описва и колко бързо хората овладяват нова технология.
Кръстосаната валидация (cross-validation) е метод за проверка доколко добре един модел обобщава върху нови, непознати данни. При k-кратната кръстосана валидация данните се разделят на k части; моделът се обучава k пъти върху k−1 части и всеки път се тества върху останалата част, след което резултатите се усредняват. Това помага да се открие преобучение и да се сравняват честно модели или настройки, особено когато има малко данни.
Кръстосаната ентропия (cross-entropy) е мярка от теорията на информацията, която показва доколко прогнозираното вероятностно разпределение се отклонява от действителното. В машинното обучение тя е най-разпространената функция на загубата за задачи за класификация, а също и за езикови модели, които предвиждат следващия токен. Тя наказва особено силно уверените грешни прогнози: приписването на 99% на грешния клас води до много по-висока загуба, отколкото приписването на 60%.
Месечен таван на използването на ИИ в едно работно пространство.
Линейната регресия е статистически метод, който описва връзката между целева променлива и един или повече предиктори чрез права или равнина. Коефициентите обикновено се избират така, че да минимизират сумата от квадратите на отклоненията. Методът е лесен за разбиране и тълкуване: например може да оцени с колко нарастват приходите, когато рекламният бюджет се увеличи с 1000 евро. Достига границите си при нелинейни зависимости.
Логаритмичната загуба (log loss) измерва доколко добре прогнозираните вероятности на класификационен модел съответстват на действителните резултати. Уверените, но грешни прогнози се наказват особено силно; стойност, близка до нула, показва добре калибрирани прогнози. Пример: ако моделът даде 95% вероятност за отпадане на клиент, който остава, логаритмичната загуба рязко нараства. Математически тя е същата като бинарната кръстосана ентропия.
Логистичната регресия е статистически метод, който прогнозира вероятността за един от два резултата, като „купува“ или „не купува“. Тя претегля входните признаци и превръща сбора им в стойност между 0 и 1 чрез S-образна функция. Тъй като теглата се тълкуват лесно, методът се използва широко в кредитното оценяване, медицината и маркетинга, често като солидна базова линия за по-сложни модели.
Манипулирането на контекстния прозорец означава атаки, които целенасочено влияят върху текста, който езиковият модел обработва наведнъж, например чрез скрити инструкции в документи, измислени по-ранни части от разговор или големи количества пълнеж, който избутва първоначалните правила на заден план. Защитата идва от ясното разделяне на доверените инструкции от външното съдържание, ограниченията на дължината, проверката на входните данни и предоставянето на възможно най-малко права на агентите.
Маркетингът с ИИ използва ИИ техники, за да разбира по-добре целевите групи, да създава съдържание и да управлява кампании. Типични приложения са сегментиране, персонализирани съобщения, прогнози за вероятността от покупка, анализ на обратната връзка от клиенти и оптимизиране на реклами. Той разчита на законно събрани данни и ясни цели, а резултатите трябва да се проверяват чрез тестване. Пример: онлайн търговец изпраща бюлетини с препоръки за продукти, съобразени с предишното купуване.
Матрицата на неточностите (confusion matrix) е таблица, която сравнява прогнозите на класификатор с действителните класове. При два класа тя показва истинно положителните, фалшиво положителните, истинно отрицателните и фалшиво отрицателните случаи. От нея могат да се изчисляват метрики като прецизност, обхват и F1 стойност и става ясно какви грешки се допускат. Пример: спам филтър, който отбелязва много истински имейли като спам, има много фалшиво положителни случаи, което често е по-скъпо от пропуснато спам съобщение.
Таблица, която определя за всяка задача кой изпълнява (R), кой отговаря (A), кого консултираме (C) и кого информираме (I). Нарича се също RACI.
Машинното обучение е дял от изкуствения интелект, при който компютрите извеждат закономерности от данни, вместо всяко правило да бъде изрично програмирано. В зависимост от задачата моделите се учат от анотирани примери (с надзор), от неанотирани данни (без надзор) или чрез награди (с подкрепление). Приложенията вариират от спам филтри и прогнози за търсенето до препоръки за продукти. Качеството зависи силно от количеството и качеството на обучителните данни.
Методите на Монте Карло са изчислителни техники, които използват много голям брой случайни извадки, за да приблизят резултати, които трудно се изчисляват аналитично. Системата се симулира хиляди пъти със случайно варирани допускания и се анализира разпределението на резултатите. Организациите ги използват за анализ на риска, планиране на проекти или оценка на портфейли. В областта на ИИ методите се прилагат, наред с другото, при обучението с подкрепление и при търсенето в дървета за игри.
Моделирането на последователности обхваща методи, които обработват и предвиждат данни в определен ред, при който позицията на всеки елемент има значение. Типични последователности са текст, говорим език, времеви редове като продажби или показания на сензори, и сегменти от ДНК. Приложенията варират от превод и генериране на текст до разпознаване на реч и прогнозиране на продажбите. За целта са използвани скрити марковски модели и рекурентни мрежи; днес при езика доминират трансформър моделите.
Flux е семейство ИИ модели, които генерират и редактират изображения по текстово описание. Разработва се от Black Forest Labs със седалище във Фрайбург им Брайсгау, Германия. Първото поколение се появява през август 2024 г., а FLUX.2 – през ноември 2025 г., заедно с варианти за редактиране на изображения чрез текстови инструкции. Някои версии са достъпни с отворени тегла, отчасти само за нетърговска употреба, докато други се предлагат изключително чрез API (към октомври 2026 г.).
Надзорните органи за ИИ са публични органи, които следят за спазването на правилата за ИИ. На равнище ЕС Службата по ИИ на Европейската комисия координира прилагането на Акта за ИИ и осъществява надзор над ИИ модели с общо предназначение. В Германия законът за прилагане KI-MIG (в сила от 29 юли 2026 г.) определя Федералната агенция по мрежите (Bundesnetzagentur) за централен орган за надзор на пазара, докато секторни регулатори като BaFin запазват компетентността си. Според Digital Omnibus задълженията за високорисковите системи се прилагат едва от декември 2027 г. или август 2028 г. (към октомври 2026 г.; не е правен съвет).
Намаляването на размерността свежда броя на признаците в масив от данни, без да се губи същественото. Известни методи са анализът на главните компоненти (PCA), както и t-SNE и UMAP, които често се използват за визуализация. То ускорява изчисленията, намалява риска от преобучение и прави данните по-лесни за възприемане – например когато стотици характеристики на клиенти се проектират в двумерна диаграма, в която сходните клиенти са разположени близо един до друг.
Насочването на лийдове (lead routing) е автоматично разпределяне на входящите запитвания към отговорното лице, отдел или регион. Критериите могат да включват тема, продукт, размер на фирмата, език или спешност. ИИ може да разбира и категоризира свободния текст на запитването, например дали се отнася до нова оферта, проблем с поддръжката или кандидатура за работа. Бързото и точно насочване съкращава сроковете за отговор и предотвратява оставането на запитвания без отговор.
Невроморфните изчисления са подход в хардуера и софтуера, вдъхновен от структурата на мозъка. Вместо данните да се преместват в такт между отделни памет и процесор, изкуствени неврони и синапси работят паралелно и реагират само на събития, наречени импулси (spikes). Това обещава много ниска консумация на енергия, например при сензори или роботи. Известни изследователски чипове са Intel Loihi и IBM TrueNorth; широкото търговско приложение все още е в начален етап.
Негативният промпт определя какво моделът с ИИ изрично не бива да генерира или да прави. При генерирането на изображения, например със Stable Diffusion, това е отделно поле за въвеждане на нежелани елементи като „размазано“ или „текст в изображението“. При езиковите модели той приема формата на правила в инструкциите, например „Не измисляй цени“ или „Не давай правни съвети“. Подобни ограничения правят резултатите по-предвидими, но не заместват проверката.
Недостиг на данни има, когато за дадена ИИ задача няма достатъчно подходящи или анотирани данни, за да се обучи или тества надеждно модел. Той засяга например редки видове дефекти в производството, нишови езици или нови продукти без история на продажбите. Решения са трансферното обучение, синтетичните данни, аугментацията на данни или предварително обучените езикови модели, които дават полезни резултати дори при няколко примера.
При неконтролираното обучение моделът получава данни без предварително зададени правилни отговори и сам търси структури. Типични методи са клъстеризацията, която групира сходни записи, и намаляването на размерността, което свива много признаци до няколко същностни. Организациите го използват за откриване на клиентски сегменти или за забелязване на необичайни транзакции; намерените групи трябва след това да бъдат интерпретирани от експерти в областта.
Неструктурираните данни не следват фиксирана таблична схема: имейли, договори, ръководства, уеб страници, презентации, изображения или аудиозаписи. Те съставляват голям дял от знанията на организациите, но дълго време бяха трудни за автоматичен анализ. Езиковите модели могат да четат и търсят в такова съдържание и да го превръщат в структурирана информация, например като извличат срокове и суми от договор в таблица.
В изследванията на четливостта нивото на класа (grade level) е мярка за училищната година, от която един текст по принцип се разбира. Известен пример е Flesch–Kincaid Grade Level, който изчислява американски училищен клас от дължината на изреченията и сричките на дума; стойност 8 приблизително съответства на осми клас. Такива стойности се пренасят само отчасти към други езици, затова за немския често се използват адаптирани формули, като версията на Амстад на индекса на Флеш или LIX.
Нивото на четене показва степента на умение за четене, която изисква един текст или която е достигнал даден човек. В зависимост от системата то се изразява като училищен клас, стойност по скала като Lexile или ниво в учебни програми и езикови рамки, като A2 или B1 в Общата европейска референтна рамка. На практика помага текстовете да се съобразят с целевата аудитория, например клиентска информация на разбираем език.
Нов бизнес (net new business) е приходът от клиенти, които преди това не са съществували, за разлика от подновяванията, допълнителните продажби (upselling) или разширяването при съществуващи клиенти. Показателят показва колко добре дадена компания навлиза в нови пазари и целеви групи, а екипите по продажби често го планират и възнаграждават отделно. Пример: доставчик на софтуер отчита, че 40% от тримесечния му обем на поръчките е нов бизнес.
Нормативната уредба за защита на данните са правните разпоредби за работа с лични данни. В ЕС ключова рамка е Общият регламент относно защитата на данните (ОРЗД); той изисква, наред с другото, правно основание за всяка дейност по обработване, свеждане на данните до минимум, прозрачност към субектите на данни и договори за обработване на данни с доставчиците на услуги. При използване на ИИ организациите трябва да изяснят какви данни попадат във входните данни, източниците на знания и дневниците и къде се обработват.
„Нямахте ли предвид“ (did you mean, DYM) е функция за търсене, която предлага коригирана заявка, когато въведеното изглежда с правописна грешка или необичайно. Тя се основава на мерки за сходство между думи, езикови модели и анализ на често търсени неща. Пример: някой въвежда „кафемашна“ в онлайн магазин и вижда „Нямахте ли предвид: кафемашина?“. Функцията намалява празните страници с резултати и така подобрява търсенето.
Обогатяването на съдържанието означава добавяне на структура и допълнителна информация към съществуващ текст, като заглавия, план, резюме, ключови думи или метаданни. ИИ моделите могат да го правят бързо и последователно, така че съдържанието да се намира, чете и използва повторно по-лесно. Основното правило е да се организира онова, което вече го има, вместо да се измислят нови факти. Пример: груби бележки от среща се превръщат в структуриран протокол с резюме.
Обогатяването на B2B данни добавя информация към съществуващи фирмени записи – например в CRM – като отрасъл, предлагани продукти и услуги, местоположение, размер на фирмата или уебсайт. Това улеснява сегментирането, оценяването на потенциални клиенти и добре насочения търговски подход. Източниците включват публични уебсайтове, регистри и специализирани доставчици на данни. Личните данни за контактни лица попадат под ОРЗД и трябва да се обработват пестеливо и само при наличие на правно основание.
Обработката на естествен език е дялът на ИИ, който дава възможност на компютрите да анализират, разбират и генерират човешки език в текст или реч. Тя обхваща задачи като превод, класификация, резюмиране, анализ на настроението и отговаряне на въпроси. Някога доминираха правилата и статистическите методи; днес областта се оформя от големите езикови модели.
Обратната връзка към учащи, базирана на ИИ, означава коментари към есета, задачи или проекти, генерирани от ИИ система спрямо определени критерии. Обучаващите се получават по-бързо насоки за силни страни, структура, аргументация или език, а преподавателите се освобождават от повтарящо се оценяване. Оценяването трябва да е прозрачно и основано на критерии; оценките и решенията за постиженията остават отговорност на преподавателите. Пример: чернова на есе получава предложения за подобрение преди предаването.
Обучението без примери (zero-shot learning) означава, че моделът може да реши дадена задача, без преди това да е виждал конкретни примери за нея. Големите езикови модели, например, могат да извършат превод или класификация само въз основа на описание в промпта. Ако качеството не е достатъчно, често помага обучението с малко примери (few-shot learning): добавяте няколко примера за желания отговор.
Обучението с няколко примера (few-shot learning) е способността на модела да решава задача само с шепа примери. При езиковите модели това обикновено става директно във входните данни: показвате две или три двойки въпрос и желан отговор, а моделът прилага същия формат и стил към нови случаи – без преобучение. Пример: три правилно категоризирани запитвания на клиенти често са достатъчни, за да се сортират по същия начин и следващите запитвания.
Обучението с подкрепление е дял от машинното обучение, при който агентът се учи чрез проба и грешка. Той действа в дадена среда, получава награди за добри резултати и наказания за лоши и по този начин изработва стратегия, която максимизира общата му награда. Известни примери са програмите, които овладяват настолни игри като Го, управлението на роботи и фината настройка на езикови модели въз основа на човешки оценки.
RLHF е метод за обучение, който прави езиковите модели по-полезни и по-безопасни. Хора сравняват и оценяват няколко от отговорите на модела; тези преценки се използват за обучение на модел на наградата, който след това допълнително обучава самия езиков модел чрез обучение с подкрепление. Така той се научава например да отговаря по-ясно или да отказва проблемни заявки. RLHF се провежда при доставчика на модела, преди моделът да бъде пуснат – не при отделните потребители.
Обяснимостта (обясним ИИ, explainable AI, XAI) описва доколко може да се разбере защо една ИИ система е стигнала до определен резултат. Тя включва методи, които показват кои входни данни са повлияли най-силно на решението, както и практически помощни средства като сочене на източници и дневници. Обяснимостта е важна за доверието, за отстраняването на грешки и за регулирането – например когато банка трябва да обоснове защо е отказала заявление.
Одитът на сигурността на чатбот е структуриран преглед дали ИИ чатботът защитава достатъчно поверителните данни, вътрешните си инструкции и правата си за действие. Той проверява, наред с другото, податливостта на prompt injection (инжектиране на промпт), непреднамереното разкриване на информация и прекалено широкия достъп до инструменти – често по OWASP Top 10 за LLM приложения. Резултатът е доклад с оценка за всяка рискова област и конкретни мерки.
В информатиката онтологията е формален модел на дадена предметна област, който ясно определя понятията, техните свойства и връзките между тях. Това позволява на хора и машини да тълкуват данните последователно и да правят изводи от тях. Онтологиите са в основата на много графове на знанията, системи за семантично търсене и проекти за интеграция на данни. Пример: онтология на продуктите посочва, че „електрическият велосипед“ е „велосипед“ и има „батерия“.
Определянето на частите на речта автоматично приписва на всяка дума в изречението нейната граматична категория, като съществително, глагол, прилагателно или предлог. Тъй като много думи са многозначни („book“ като съществително или глагол, „light“ като прилагателно или съществително), методите вземат предвид контекста на изречението. POS анотирането е класическа стъпка на предварителна обработка за синтактичен анализ, извличане на информация или проверка на правописа и се предлага от библиотеки като spaCy и NLTK.
Оптимизацията за генеративни машини (Generative engine optimisation, GEO) обхваща мерки, които помагат съдържанието да е видимо и да се цитира като източник в системи за търсене, задвижвани от ИИ, като ChatGPT, Perplexity или ИИ прегледите в търсачките. Терминът идва от научна публикация от 2023 г. Ключови фактори са ясни, директно цитируеми отговори, чиста структура, доказани факти, актуална информация и идентифицируеми автори. GEO допълва класическата оптимизация за търсачки (SEO), а не я замества.
Хиперпараметрите са настройки, които се определят преди обучението на даден модел, като скоростта на обучение, броят на слоевете или силата на регуляризацията. Оптимизацията на хиперпараметрите системно търси комбинацията, която дава най-добри резултати върху валидационните данни, например чрез търсене по решетка, случайно търсене или байесова оптимизация. Добре избраните стойности подобряват точността и намаляват преобучението или недообучението, но търсенето изразходва изчислително време.
Оптичното разпознаване на символи (OCR) преобразува текст, съдържащ се в изображения, като скенирани документи, снимки или факсове, в машинночетим текст. Едва тогава документите могат да се търсят, копират или обработват автоматично. Съвременният OCR използва невронни мрежи и може да разпознава също таблици, оформление и в някои случаи ръкопис. Типични приложения са обработката на фактури, дигитализацията на архиви и четенето на формуляри; качеството зависи силно от качеството на изображението.
Диаграма на структурата на фирмата: отдели, роли и кой на кого се отчита.
Отговарянето на въпроси (question answering, QA) е област на обработката на естествен език, в която системата отговаря директно на въпроси, зададени на разговорен език, вместо да връща списък с резултати от търсене. Съвременните системи търсят релевантни откъси в база знания и съставят отговор от тях, в идеалния случай със сочене на източник. Типични приложения са обслужването на клиенти, вътрешните бази знания и ръководствата – например въпросът към служебния наръчник „Колко дни отпуск имам през първата година?“
Откриването на аномалии намира точки от данни, събития или модели, които се отличават значително от нормата. Това могат да бъдат необичайно големи транзакции, резки скокове в показанията на сензори, дублирани записи или подозрителна мрежова активност. Използва се във финансите, ИТ сигурността, производството и контрола на качеството. Методите варират от прости статистически прагове до обучаеми модели; откритите случаи са индикации, които човек трябва да оцени.
Откриването на аномалии в изображения търси отклонения от нормалното състояние в снимки или видеозаписи от камери – например драскотини, пукнатини или обезцветяване на детайли в производството или нередности в медицински изображения. Често моделът първо се обучава върху много примери без дефекти и след това отбелязва всичко, което се различава. Това е полезно, защото реалните дефекти са редки и трудно могат да бъдат описани изчерпателно предварително.
Откриването на измами обхваща методи, които разпознават в ранен етап подозрителни транзакции, поръчки, акаунти или заявления. Правила и обучаеми модели търсят предупредителни признаци като различни адреси за доставка и фактуриране, необичайни количества, прекомерен натиск за време или имейл адреси за еднократна употреба. Използва се в електронната търговия, банковото дело, застраховането и платежните услуги. Тъй като фалшивите тревоги могат да засегнат истински клиенти, откритите случаи трябва да се преглеждат от хора, а не да се отхвърлят автоматично.
Откриването на финансови измами обхваща методи, които разкриват измамни действия при плащания, кредитни карти, застраховки или счетоводство. ИИ моделите научават типичните модели на легитимните транзакции и отбелязват отклоненията – като необичайни суми, места или часове – често в реално време. От съществено значение е правилният баланс между разкритите измами и фалшивите аларми. Подозрителните случаи трябва да бъдат прегледани от хора, преди да се блокират сметки или да се отхвърлят плащания.
Отчитането на съответствието (compliance reporting) е редовното, проследимо документиране на това дали една организация спазва законовите изисквания, стандартите и вътрешните политики. Типичният доклад посочва периода и обхвата, статуса на всяко изискване, отклоненията и мерките с отговорници и срокове. Той служи като доказателство пред ръководството, надзорните съвети, одиторите или органите, например в областта на защитата на данните или информационната сигурност.
Оценката на дълбочината определя от изображения колко далеч от камерата са обектите или отделните пиксели. Това може да стане с две камери (стерео), със сензори за дълбочина или, с помощта на невронни мрежи, дори от една-единствена снимка (монокулярна оценка на дълбочината). Нужна е в роботиката, системите за подпомагане на водача, добавената реалност и 3D моделите на помещения.
Оценката на позата (pose estimation) е техника от компютърното зрение, която определя стойката на хора или положението и ориентацията на обекти в изображения или видео. Обикновено моделът открива ключови точки като рамене, лакти и колене и ги свързва в скелет. Използва се например във фитнес приложения, които проверяват упражненията, при анализ на ергономията на работното място, в спортната аналитика и в роботиката.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) е семейство метрики за сравняване на автоматично генерирани текстове – особено резюмета – с еталонни текстове, написани от хора. Тя измерва колко думи или поредици от думи се припокриват, например отделни думи в ROUGE-1 или най-дългата обща подпоследователност в ROUGE-L. Оценката се изчислява бързо, но не отчита надеждно перифрази със същия смисъл, нито фактическата точност.
При retrieval-augmented generation (RAG) оценяването на документи означава проверка на извлечените откъси дали отговарят на въпроса и могат да подкрепят отговор. Само откъсите, оценени като релевантни, се предават на езиковия модел; неподходящите резултати се отхвърлят или задействат ново търсене. Така намалява рискът от измислени или неправилно обосновани отговори, например когато за въпрос за актуални цени се появи остарял документ.
Пазарното сегментиране с ИИ използва ИИ, за да раздели пазар или клиентска база на групи със сходни характеристики, потребности или поведение. Традиционно това става с методи за клъстеризация върху клиентски данни; езиковите модели могат допълнително да извеждат сегменти от описания, анкети или запитвания и да предлагат послания и канали. Резултатите са хипотези, които трябва да се потвърдят с реални данни. Пример: доставчик на софтуер разграничава ценово чувствителни начинаещи от екипи, ориентирани към растеж.
Пакетната нормализация (batch normalisation) е техника за обучение на дълбоки невронни мрежи, която за всеки пакет от данни мащабира междинните стойности на даден слой до еднакви средна стойност и разсейване. Това прави обучението по-стабилно и често по-бързо, а мрежата става по-малко чувствителна към началните си стойности. Въведена през 2015 г., тя е разпространена в мрежите за разпознаване на изображения; трансформърите обикновено разчитат на сродната нормализация по слой (layer normalisation).
Параметрично ефективната фина настройка (PEFT) обхваща техники, които адаптират голям предварително обучен модел към дадена задача, като обучават само малка част от неговите параметри или добавят няколко допълнителни. Известни методи са LoRA, QLoRA, адаптери и prefix tuning. Това значително намалява изискванията към изчислителна мощ и памет, а малки допълнителни модули могат да се съхраняват за няколко задачи вместо пълни копия на модела. Пример: езиков модел се адаптира към стила на вътрешни технически документи.
Парафразирането означава да преразкажете казаното от някого със свои думи, без да променяте смисъла му. В разговора то е техника на активно слушане: проверявате дали сте разбрали правилно и показвате внимание, например: „Ако съм Ви разбрал правилно, най-важен за Вас е срокът на доставка?“ В писмена форма парафразирането помага съдържанието да стане по-ясно, по-кратко или по-подходящо за определена аудитория.
Партньорството в областта на ИИ е сътрудничество между организации за съвместно разработване, въвеждане или отговорно оформяне на ИИ решения, например между компании и технологични доставчици, университети или изследователски институти. Партньорите споделят експертиза, данни, инфраструктура или разходи. От съществено значение са ясни договорености за използването на данни, интелектуалната собственост, отговорността и възможностите за излизане. Терминът се отнася и до инициативи като Partnership on AI, организация с нестопанска цел, основана през 2016 г.
Персонализираният маркетинг означава съобщенията, офертите и времето за контакт да се съобразяват с отделни клиенти или малки групи, вместо към всички да се обръщаме по един и същи начин. Използва се информация като предишни покупки, интереси или причина за контакта. ИИ може да превърне това в подходящ текст, например имейл, който се отнася към наскоро закупен продукт. Важно е да се използват само данни, за които има съгласие, и да се пропускат чувствителните подробности.
Площта под кривата (AUC) е метрика за класификационни модели, която обикновено се отнася до ROC кривата. Тя показва колко добре моделът разделя положителните от отрицателните случаи, независимо от конкретен праг. Стойност 1 означава перфектно разделяне; 0,5 не е по-добре от налучкване. Пример: модел за отпадане на клиенти с AUC 0,85 класира случайно избран клиент, който си тръгва, като по-рисков от лоялен в 85% от случаите.
Портфолиото с постижения (brag book) е непрекъснато актуализиран сбор от професионалните постижения на човек: завършени проекти, показатели, положителна обратна връзка, награди и обучения. То служи като основа за атестации, преговори за заплата, кандидатури за работа или повишения. Доказана структура е ситуация, задача, действие и резултат. Трябва да се включва само проверима информация, а цифрите не бива да се разкрасяват.
Последователност от свързани стъпки, която се изпълнява многократно, например „сортиране и отговор на запитване“.
Почистването на данни е откриване и коригиране на грешни, дублирани или несъвместими записи в масиви от данни. Типични стъпки са уеднаквяване на изписването и на формата на датите, премахване на излишни интервали и обединяване на дубликати като „Иванов ООД“ и „Иванов Ltd.“. Чистите данни са предпоставка за надеждни анализи, разпращания и ИИ приложения.
При прегледа на правни документи с помощта на ИИ езиков модел анализира договори, общи условия или правни становища: резюмира основните точки като срок, прекратяване и отговорност, отбелязва необичайни клаузи и посочва липсващи разпоредби. Това ускорява значително първоначалния преглед, но не заменя правната консултация; оценката и отговорността остават при квалифицирани хора.
Предиктивната аналитика използва исторически данни, статистика и машинно обучение, за да оцени вероятни бъдещи събития. Тя отговаря на въпроси като: кои клиенти са на път да се откажат? Колко запаси ще са необходими следващия месец? Кога вероятно ще се повреди една машина? Резултатите са вероятности, а не сигурност. Стойността им зависи силно от качеството на данните и от това дали прогнозите наистина влияят върху решенията и процесите.
Предиктивното моделиране е техническото ядро на предиктивната аналитика: примерни данни с известни резултати се използват за построяване на модел, който предвижда стойност или клас за нови случаи. Често използвани методи са регресията, дърветата на решенията, случайните гори и невронните мрежи. Моделът може например да оцени цената на имот въз основа на жилищната площ, местоположението и годината на построяване. Преди внедряване той се тества върху задържани данни, за да се открие свръхнагласяне.
Пренареждането на документи (document reranking) е втора стъпка на сортиране в системите за търсене и RAG: бързо първоначално търсене връща набор от кандидат-резултати, които по-прецизен, но по-скъп метод след това подрежда по релевантност. Това често се прави от т.нар. cross-encoder, който оценява въпроса и откъса заедно. Така най-релевантните откъси се озовават най-отгоре, преди езиков модел да формулира отговор въз основа на тях.
Инструментът за преформулиране на абзаци е ИИ инструмент, който формулира наново съществуващ откъс, без да променя казаното в него. Обичайни цели са различен тон, по-кратка версия, по-ясен език или по-малко повторения. Това е полезно например когато вътрешен технически текст трябва да стане по-разбираем за клиентите. Съдържанието и фактите все пак трябва да се проверят след това, тъй като преформулирането може да измести нюанси.
Инструментът за преформулиране на изречения пренаписва отделни изречения или кратки пасажи, без да променя смисъла им. Той може да опрости едно изречение, да го направи по-официално или по-приятелско, да го съкрати или да избегне повторения. Това е полезно например при отговори към клиенти, продуктови текстове или когато дадено изречение звучи неловко. Бърза проверка все пак е важна, за да се гарантира, че термините, цифрите и твърденията остават точни след преформулирането.
Причинно-следствените изводи (causal inference) обхващат методи за извличане на причинно-следствени връзки от данни, вместо само за откриване на корелации. Те отговарят на въпроси като „Какво би се случило, ако не бяхме предприели тази мярка?“. Инструментите включват рандомизирани експерименти като A/B тестове, причинно-следствени графи и статистически техники за наблюдателни данни. Пример: проверка дали рекламна кампания с отстъпки наистина е увеличила продажбите, или те щяха да нараснат така или иначе по сезонни причини.
Прозрачността на ИИ означава да се разкрива кога участва ИИ, на какви данни и източници се основават резултатите му и как се стига до решенията. Това включва маркиране на съдържание, генерирано от ИИ, проследими препратки към източници, дневници и документирани промени. Прозрачността създава доверие, улеснява отстраняването на грешки и отчасти се изисква от закона, например от задълженията за прозрачност на Акта на ЕС за изкуствения интелект, според които хората трябва да могат да разберат, че взаимодействат с ИИ.
Въпрос, за който агентът не е намерил нищо в знанията си. KI.ordo ги събира, за да можете да запълните пропуските.
Проучвателният анализ на данни (Exploratory data analysis, EDA) е първият, непредубеден поглед към даден масив от данни: изчисляват се обобщаващи показатели, разглеждат се разпределения и диаграми и се търсят закономерности, отклонения и липсващи стойности – още без фиксирана хипотеза. Той помага да се оцени качеството на данните и да се намерят смислени въпроси за по-нататъшен анализ или моделиране. Пример: преди прогноза за продажбите EDA показва, че един месец е записан непълно поради миграция на системата.
Процесите за сертифициране на ИИ са процедури, при които независим орган проверява дали организация или ИИ система отговаря на определени изисквания. Широко използван пример е сертифицирането по ISO/IEC 42001 (публикуван през 2023 г.), който описва система за управление на отговорното използване на ИИ; изискванията към сертифициращите органи са определени в ISO/IEC 42006 (2025 г.). Такъв сертификат е доброволен и не замества оценката за съответствие, която Актът на ЕС за изкуствения интелект изисква за високорисковите системи (към октомври 2026 г.).
Пълнотата (recall, наричана още чувствителност или дял на истинско положителните) измерва какъв дял от действителните положителни случаи открива моделът: правилно разпознатите положителни, разделени на всички реални положителни. Ако филтър за измами улавя 80 от 100 реални случая на измама, пълнотата му е 0,8. Високата пълнота е важна, когато пропуснатите случаи са скъпоструващи, например при медицинска диагностика. Тъй като пренебрегва фалшивите тревоги, обикновено се разглежда заедно с прецизността, например във F-мярката.
Разбирането на естествен език е частта от езиковата обработка, която улавя смисъла на едно изказване: какво намерение стои зад него, кои хора, места или дати се споменават и какъв е тонът? Заедно с генерирането на естествен език (NLG) NLU е една от двете страни на NLP. Пример е система за обслужване на клиенти, която разпознава „Пратката ми още не е пристигнала“ като запитване за доставка.
Разговорният ИИ обхваща технологии, които позволяват на компютрите да водят диалози на естествен език – писмено чрез чат или устно чрез гласови асистенти. Съвременните системи обикновено се основават на големи езикови модели, които разбират заявките, отчитат историята на разговора и формулират подходящи отговори. Организациите ги използват в обслужването на клиенти, за записване на часове или във вътрешни центрове за поддръжка. От съществено значение са надеждни знания, ясни граници и предаване на разговора на хора, когато ИИ не може да помогне.
Размитото съпоставяне (fuzzy matching) намира записи, които са сходни, но не са съвсем идентични – например поради правописни грешки, съкращения или различно изписване. То се основава на мерки за сходство като разстоянието на Левенщайн, което отброява колко знака трябва да се променят. Типично приложение е откриването на дубликати в адресни и клиентски данни: „Иванов ООД, ул. Витоша 5“ и „Иванов Ltd., улица Витоша № 5“ се разпознават като вероятно един и същ запис.
Разпознаването на език автоматично определя на кой език е написан даден текст, например немски, италиански или испански. Класическите методи анализират характерни поредици от букви, докато големите езикови модели разпознават езика като страничен продукт. Използва се за насочване на запитвания към правилния екип, за стартиране на подходящи преводи или за отговор на езика на събеседника. Много късите текстове и смесването на няколко езика са трудни.
Разпознаването на изображения е област на компютърното зрение, в която софтуер определя какво показва едно изображение – обекти, хора, текст, лога или сцени. Обикновено се основава на невронни мрежи, обучени върху голям брой етикетирани изображения. Приложенията варират от контрол на качеството в производството и сортиране на продуктови снимки до подпомагане на медицинската образна диагностика. При изображения на хора особено внимание изискват защитата на данните и възможните пристрастия.
Разпознаването на именувани обекти (Named entity recognition, NER) е техника от обработката на естествен език, която намира в текста имена на хора, фирми и места, както и дати или суми, и отнася всяко към категория. Така свободният текст се превръща в структурирани данни. Пример: фирмата на подателя, лицето за контакт, датата на доставка и сумата по фактурата се извличат автоматично от имейл и се прехвърлят в CRM.
Разпознаването на образи е автоматично откриване на закономерности, структури или повтарящи се характеристики в данни като изображения, звуци, текстове или измервания. Системите отнасят новите наблюдения към известни категории или откриват групи без предварително зададени етикети. Приложенията включват лицево разпознаване, разпознаване на ръкопис, контрол на качеството в производството и откриване на необичайни транзакции. Дисциплината е важна основа на машинното обучение.
Разпознаването на реч, наричано също ASR (automatic speech recognition), автоматично преобразува говоримия език в писмен текст. Съвременните системи използват невронни мрежи, обучени върху голямо количество аудиозаписи, и се справят сравнително добре с акценти и фонов шум. Приложенията включват диктовка, субтитри, гласови асистенти и транскрибиране на срещи и разговори с клиенти. Специализираните термини, собствените имена и лошото качество на звука остават често срещани източници на грешки.
Разпознаването на текст в сцени чете текст, който се появява във снимки и видеа на реална среда, като пътни табели, опаковки или регистрационни номера. За разлика от класическия OCR за сканирани документи, то трябва да се справя с изкривена перспектива, променлива светлина, необичайни шрифтове и претрупан фон. Типичният подход работи на два етапа: първо се локализират областите с текст, след това се разпознават символите в тях.
ИИ прототипът е ранна, работеща версия на ИИ приложение, която позволява на екипа бързо и на ниска цена да изпробва дадена идея. Вместо месеци планиране, се опитва с реални данни и потребители дали ИИ решава задачата достатъчно надеждно, кои данни липсват и каква стойност носи. Пример: асистент, който предварително сортира запитванията на клиенти, се изпробва две седмици върху част от пощенската кутия, преди да се реши за по-широко внедряване.
Разрешаването на кореференции (coreference resolution) е задача от обработката на естествен език, която определя кои изрази в текста се отнасят до един и същ човек, предмет или въпрос. В „Госпожа Вебер се обади. Тя би искала обратно обаждане“ системата трябва да разбере, че „тя“ означава госпожа Вебер. Това е важно за резюмета, извличане на информация и чатботове, които трябва да следят препратките в няколко изречения или реплики от разговора.
Разстоянието на Фреше (Fréchet inception distance, FID) е метрика за оценка на качеството на изображения, генерирани от ИИ. Реални и генерирани изображения се прекарват през предварително обучена мрежа за разпознаване на образи (Inception v3) и се сравняват статистическите разпределения на техните признаци. Колкото по-ниска е стойността, толкова по-близки са генерираните изображения до реалните снимки по реализъм и разнообразие. FID е въведено през 2017 г. и е стандарт за сравнение на генератори на изображения.
Разсъждението на няколко стъпки (multi-hop) е способността на дадена система с ИИ да отговори на въпрос чрез няколко последователни извода, като често съчетава информация от различни източници. Пример: „Кой отдел се ръководи от човека, отговорен за проект X?“ изисква първо да се установи отговорното лице, а след това неговият отдел. Такива въпроси са предизвикателство за системите за търсене и RAG, защото всяка междинна стъпка трябва да бъде намерена и свързана правилно.
Разходите за големи езикови модели обикновено се таксуват на токен, т.е. текстови единици с размер от приблизително сричка до дума; входните и изходните токени се оценяват поотделно, като изходните обикновено са по-скъпи. По-големите модели струват повече на токен от малките, бързи модели като Claude Haiku, които често са достатъчни за прости задачи. Кеширането на промптове намалява разходите, когато един и същ дълъг контекст се изпраща многократно. Помагат и кратките инструкции и грижливо подбраните знания.
Разширяването на заявката автоматично добавя сродни термини към търсена заявка, така че да бъдат намерени и релевантни документи, които използват други формулировки. Типични добавки са синоними, съкращения, словоформи или преводи: търсене на „отказ“ може тогава да намери и текстове за „прекратяване на договор“. Това е особено полезно при търсене по ключови думи, но може да намали точността, ако се добавят твърде много или неподходящи термини. Днес за генериране на разширените заявки често се използват езикови модели.
Разширяемостта е способността на софтуера да поема нови функции, източници на данни или връзки, без да се променя основата му. Типични средства са програмните интерфейси (API), уебхуковете, добавките и отворените стандарти като Model Context Protocol (MCP). За бизнеса една разширяема ИИ система работи заедно със съществуващите системи, като CRM или онлайн магазин, и може да расте заедно с променящите се изисквания.
Регресията със случайна гора предвижда числови стойности чрез комбиниране на много дървета на решенията. Всяко дърво се обучава върху случайна извадка от данните и случаен избор на признаци; резултатът е средната стойност от прогнозите на всички дървета. Това прави метода по-устойчив и по-малко склонен към свръхнагласяне от отделното дърво. Използва се например за прогнози за продажбите, оценки на цени или потребление на енергия – често като солидна отправна точка за таблични данни.
Регулаторната рамка за ИИ включва законите, стандартите и надзорните структури, които уреждат как се разработва и използва ИИ. В ЕС централният закон е Актът за ИИ (Регламент (ЕС) 2024/1689), който възприема подход, основан на риска: забраните се прилагат от февруари 2025 г., задълженията за ИИ модели с общо предназначение – от август 2025 г., а задълженията за прозрачност – от август 2026 г. След „Digital Omnibus“ (Регламент (ЕС) 2026/1744) задълженията за високорисковите системи се прилагат от 2 декември 2027 г. или 2 август 2028 г. (към октомври 2026 г.; не е правен съвет).
Регуляризацията обхваща техники, които пречат на модела да се нагласява твърде тясно към данните си за обучение по време на обучението (свръхнагласяне). Примери са наказването на големи тегла (L1 или L2 регуляризация), случайното изключване на неврони (dropout) или спирането на обучението в подходящия момент (early stopping). Целта е по-прост модел, който работи по-надеждно върху нови, невиждани данни, дори ако постига малко по-ниски резултати върху данните за обучение.
При автоматичното резюмиране на текст ИИ свежда дългите текстове до най-важното. Екстрактивните методи копират дословно важни изречения, докато абстрактивните методи преформулират съдържанието; големите езикови модели работят главно абстрактивно. Това е полезно за протоколи, отчети или дълги имейл разговори; при важни решения резюмето трябва да се сверява с оригинала.
Рекурентната невронна мрежа обработва данните последователно и предава вътрешно състояние от всяка стъпка към следващата – един вид краткосрочна памет. Това я прави подходяща за последователности като текст, реч или времеви редове, например за предвиждане на следващата дума или на следващото показание на сензор. Простите RNN лесно забравят информация от далечното минало; варианти като LSTM и GRU смекчават този проблем. При езиковите модели RNN до голяма степен са заменени от трансформъри.
Рекурсивният промптинг обозначава техники, при които изходът на езиков модел се подава обратно като нов вход – например за да се прегледа и преработи чернова или да се раздели голяма задача стъпка по стъпка на подзадачи. Например първо се изготвя проект на предложение, след това моделът го оценява по контролен списък и накрая то се подобрява. Това често повишава качеството, но изисква допълнително време за обработка и ясен критерий за спиране.
Сегментирането на инстанции (instance segmentation) е техника на компютърното зрение, която открива всеки отделен обект в изображението и го очертава пиксел по пиксел. За разлика от семантичното сегментиране, то разграничава и обектите от един и същ клас: трима души получават три отделни маски, а не една обща област. Използва се например при контрол на качеството, медицинско образно изследване, роботика или преброяване на продукти на рафт.
Семантичният анализ изследва значението на езика – не само кои думи се срещат, а какво се има предвид. Това включва правилно тълкуване на многозначни думи в контекст (например „банка“ като финансова институция или като брегова ивица), разпознаване на връзките между понятия и класифициране на твърденията по съдържание. Той е в основата на приложения като анализ на обратната връзка от клиенти, отговаряне на въпроси или системи за търсене, които трябва да разбират и по различен начин формулирани заявки със същия смисъл.
Семантичната сегментация приписва клас на всеки отделен пиксел в изображението, например път, превозно средство, човек или небе. Резултатът е своего рода оцветена в различни цветове карта на съдържанието на изображението. За разлика от сегментацията на екземпляри, обектите от един и същи вид не се разграничават: три коли се разглеждат заедно като „кола“. Използва се например при автономното шофиране, в медицинската образна диагностика за очертаване на тъкани и при анализа на въздушни и сателитни снимки.
Сигурността на LLM обхваща всички мерки, които защитават приложенията, изградени върху големи езикови модели, от злоупотреби, изтичане на данни и нежелано поведение. Типични рискове са промпт инжекция, разкриване на поверителни инструкции или данни и агенти с прекомерни права. Защитата идва от няколко слоя: ясни инструкции, ограничени права, проверка на входните и изходните данни, ИИ защитни стени, red teaming и редовни одити.
Технологичната сингулярност е теоретична представа: момент, в който изкуственият интелект се подобрява толкова бързо, че технологичният напредък вече не може да бъде предвиден или контролиран от хората. Терминът е популяризиран от писателя Върнър Виндж и футуриста Рей Курцвайл. Дали и кога това може да се случи, е научно открит и спорен въпрос. Въпреки това идеята влияе върху дискусиите за безопасността на ИИ, регулирането и дългосрочните рискове.
Синтетичните данни се генерират изкуствено, а не се събират в реалния свят, но имитират закономерностите и свойствата на реалните данни. Те помагат, когато истинските данни са оскъдни, скъпи или чувствителни от гледна точка на защитата на данните – например за тестване на софтуер, обучение на модели или проверка на чатбот с реалистични примерни запитвания. Важно е те да отразяват достатъчно близо действителността и да не позволяват изводи за реални хора.
Системата за ИИ автоматизация съчетава традиционната автоматизация на процеси с ИИ възможности като разбиране на текст, класификация или подпомагане на вземането на решения. Това дава възможност да се автоматизират работни процеси и с неструктурирани входни данни, като имейли, формуляри или запитвания. Типична схема е верига от задействане, стъпки на обработка, условия и изход, с човешко одобрение на критичните места. Пример: входящите запитвания се категоризират автоматично, обобщават се и се препращат към съответния отдел.
Скритият марковски модел (hidden Markov model, HMM) е статистически модел за последователности, в който действителните състояния са скрити и могат да бъдат изведени само от наблюдаеми сигнали. Той описва вероятността едно състояние да следва друго и всяко състояние да поражда дадено наблюдение. HMM дълго време са стандарт в разпознаването на реч и в определянето на частите на речта; днес все още се използват например в биоинформатиката и анализа на времеви редове.
Специализираната интегрална схема (ASIC) е чип, проектиран за една конкретна задача, а не за изчисления с общо предназначение като процесора (CPU). В областта на ИИ ASIC чиповете са пригодени за аритметиката на невронните мрежи – тензорните процесори (TPU) на Google са един пример. За тази задача те работят по-бързо и по-енергийно ефективно от чиповете с общо предназначение, но разработването им е скъпо и трудно се адаптират към нови натоварвания.
Специалистът по осигуряване на качеството на ИИ проверява дали ИИ приложенията работят надеждно, правилно и подходящо. Ролята включва тестови въпроси и бенчмаркове, сравняване на различни модели, анализ на оценките на потребителите и забелязване на халюцинации и влошаване с времето. Например преди преминаване към нов модел на 50 типични запитвания на клиенти отговарят и двата модела и отговорите се сравняват по фиксирани критерии.
Средната абсолютна грешка (MAE) показва колко средно се отклоняват прогнозите на модела от действителните стойности, независимо от посоката. Изразява се в мерната единица на целевата променлива, което я прави лесна за разбиране. Пример: MAE от 12 при прогноза за дневните продажби означава, че моделът средно греши с 12 единици. Тя придава по-малка тежест на отклоненията, отколкото мерките, базирани на квадрата на грешката.
Средната средна прецизност (mean average precision, mAP) е метрика, която оценява доколко добре една система намира релевантни резултати и ги подрежда близо до върха. Средната прецизност се изчислява по списъка с резултати за всяка заявка или клас обекти; mAP е средната стойност за всички тях. Тя е стандартна мярка за търсачки, системи за препоръки и откриване на обекти в изображения, където зависи и от изискваното припокриване на ограничителните рамки.
Стартиращата компания, базирана на ИИ, е млада фирма, чийто продукт или бизнес модел се основава принципно на изкуствения интелект, например специализирани асистенти за даден отрасъл, инструменти за анализ или автоматизирани услуги. Такива компании често се градят върху съществуващи базови модели и се открояват чрез експертиза в областта, данни, удобство на ползване и интеграция. Предизвикателствата включват зависимост от доставчиците на модели, разходи за заявка и регулиране. Пример: стартъп, който автоматично изготвя доклади от проверки за занаятчийски фирми.
Степента на внедряване на ИИ показва какъв дял от компаниите, служителите или домакинствата използват ИИ и служи като мярка за разпространението на технологията. Според Федералната служба по статистика на Германия (Destatis) през 2024 г. 20% от германските предприятия с десет или повече заети са използвали ИИ (2023 г.: 12%). Дигиталната асоциация Bitkom установява през 2025 г. дял от 36% сред предприятията с 20 или повече заети. Различните определения и извадки означават, че проучванията са сравними само отчасти.
Структурираните данни следват фиксирана схема с ясно именувани полета, като таблици, бази данни или JSON обекти с данни като име, цена и дата. Машините могат да ги четат, филтрират и обработват надеждно – за разлика от свободния текст или изображенията. В уебсайтовете маркирането по schema.org описва например продукти, събития или често задавани въпроси, така че търсачките и системите с ИИ да разбират съдържанието недвусмислено. ИИ може също да извлича структурирани данни от неструктуриран текст.
В машинното обучение сходимост означава, че процедурата на обучение се приближава към стабилно състояние: загубата почти не намалява повече, а параметрите на модела се променят минимално. Дали и колко бързо един модел се доближава до сходимост, зависи от фактори като скорост на обучение, качество на данните и архитектура на модела. Ако скоростта на обучение е твърде висока, загубата скача; ако е твърде ниска, обучението продължава излишно дълго. Сходимостта не гарантира добър модел, тъй като той все още може да е преобучен.
Създаването на съдържание с помощта на ИИ означава изготвяне на текст, изображения или друго съдържание с помощта на генеративен ИИ, например за уебсайтове, бюлетини, описания на продукти или социални мрежи. ИИ бързо предоставя чернови, варианти и преводи, докато експертизата, гласът на марката и проверката на фактите остават човешки задачи. Помагат ясни насоки за аудиторията, тона и източниците. Пример: ключови точки за ново предложение се превръщат в чернова на блог публикация и три публикации за социалните мрежи.
Състезателното машинно обучение (adversarial machine learning) изследва как ИИ моделите могат да бъдат подведени чрез умишлено манипулирани входни или обучителни данни – и как да бъдат защитени. Известни примери са едва забележими промени в изображения, които обръщат класификацията, или отровени обучителни данни. Темата е важна за организациите веднага щом ИИ подпомага решения, свързани със сигурността. Мерките за защита включват устойчиво обучение, проверка на входните данни, наблюдение и редовни тестове за сигурност.
Към октомври 2026 г. Технически акцентът се измества от чатботовете към ИИ агентите, които изпълняват многостъпкови задачи и използват инструменти чрез стандарти като Model Context Protocol. Според данни на Crunchbase около 64% от глобалното рисково финансиране през третото тримесечие на 2026 г. е отишло при стартъпи в областта на ИИ. В ЕС задълженията за ИИ модели с общо предназначение се прилагат от август 2025 г.; сроковете за високорисковите системи бяха отложени до декември 2027 г. и август 2028 г.
Тестът за проникване в ИИ система е възложена, контролирана оценка на сигурността, при която специалисти целенасочено търсят слабости в ИИ система, като промпт инжекция, изтичане на поверителни данни или агент с прекомерни права. За разлика от по-широкия red teaming, той се фокусира върху ясно определен обхват с документирани констатации и мерки за отстраняване. Заслужава си да се извърши, преди чатбот да заработи, и след по-големи промени.
Тестът на Тюринг води началото си от математика Алън Тюринг, който го описва през 1950 г. като „игра на имитация“. Човек води писмени разговори с друг човек и с машина; ако не може надеждно да различи коя е машината, тестът се смята за преминат. Днешните езикови модели често водят разговори, които звучат много човешки, но тестът казва нещо само за убедителния език, не и за разбирането или надеждността.
Точността описва колко често един ИИ модел дава верни резултати; стабилността описва колко надеждно се запазва това представяне – при леко променени входни данни, нови данни или с течение на времето. Моделът може да е много точен при тестване, но нестабилен, ако достатъчно е само да се преформулира въпросът, за да се получи различен отговор. За реална употреба двете свойства се проверяват с фиксирани тестови случаи, кръстосана валидация и непрекъснато наблюдение.
Точността top-k измерва колко често правилният отговор е сред k-те най-вероятни предложения на модела. При top-1 се брои само първата прогноза; при top-5 е достатъчно правилният клас да е сред петте най-добри – известна метрика от бенчмаркове за разпознаване на изображения като ImageNet. Тя е полезна навсякъде, където потребителите виждат няколко предложения, например препоръки за продукти или автоматично довършване.
Транскрибирането на аудио превръща говоримата реч от записи в писмен текст. Съвременните системи за автоматично разпознаване на реч добавят и пунктуация, разграничават говорещите и понякога предоставят времеви маркери. Използва се за протоколи от срещи, интервюта, субтитри и документиране на разговори с клиенти. Качеството зависи силно от качеството на звука, акцента и специализираната лексика; при разговори, съдържащи лични данни, трябва да се съобразят съгласието и защитата на данните.
Търсене без щракване (zero-click) има, когато потребителите получават отговора си директно на страницата с резултатите, например чрез полета с препоръчани отговори или резюмета, генерирани от ИИ, и вече не преминават към уебсайт. За бизнеса това намалява трафика, дори когато съдържанието му служи като източник. Затова става по-важно да бъдете видими като цитиран източник: с ясни отговори, подкрепени факти и добре структурирани страници.
Търсенето в документи с NLP използва техники за обработка на естествен език, за да намира информация в колекции от документи в отговор на свободно формулиран въпрос. Вместо да съпоставят само точни поредици от думи, такива системи отчитат формите на думите, теглото на редките термини или сходството по смисъл. Например този, който въведе „Как да подам заявление за отпуск?“, получава съответния раздел от служебния наръчник, дори там да се говори за „молба за почивка“.
Управлението на данните (data governance) обхваща правилата, ролите и процесите, чрез които една организация определя кой какви данни може да събира, използва, променя и изтрива. То включва отговорността за качеството на данните, правата за достъп, сроковете за съхранение и спазването на изискванията за защита на данните. Особено важно е за ИИ проектите, защото моделите и агентите са толкова надеждни, колкото са данните, на които се основават.
Управлението на ИИ проекти в научноизследователската и развойната дейност (НИРД) обхваща две неща: ръководене на проекти, в които се изгражда ИИ, и използване на ИИ в подкрепа на НИРД проекти. Типични задачи са обобщаване на литература, структуриране на планове за експерименти, проследяване на етапи и документиране на резултатите. Специализираните решения и одобрения трябва да остават при хората.
Устойчивостта на модела описва доколко надеждно работи моделът с ИИ, когато входните данни са шумни, непълни, необичайни или умишлено манипулирани. Устойчивият модел все пак дава стабилни резултати, например при разпознаване на изображения при лошо осветление или когато езиков модел се справя с правописни грешки. Устойчивостта се оценява чрез стрес тестове, разнообразни данни за обучение и тестове срещу умишлени опити за заблуда и е особено важна при критични за безопасността приложения.
При фасетното търсене потребителите стесняват резултатите стъпка по стъпка с филтри, изградени от атрибути на съдържанието – като категория, цена, марка, дата или автор. Всяка фасета обикновено показва колко резултата остават. Подходът е познат от онлайн магазините, но се използва и в библиотеки, интранет и архиви на документи, за да направи големи колекции обозрими без точни думи за търсене.
Федеративното обучение е подход за обучение, при който ИИ модел се учи върху много устройства или локации, без суровите данни някога да ги напускат. Всеки участник обучава локално и изпраща само актуализации на модела към централен сървър, който ги обединява. Това защитава поверителността и е подходящо например за болници, които искат заедно да подобрят диагностичен модел, или за клавиатури на смартфони, които се учат да предлагат думи.
Финото настройване (fine-tuning) означава допълнително обучение на вече предварително обучен ИИ модел с допълнителни, обикновено специфични за задачата данни. Вътрешните му тегла се коригират така, че моделът да се справя по-надеждно например с определен стил на писане, специализирана лексика или изходен формат. Финната настройка изисква грижливо подготвени примерни данни, изчислителна мощност и тестване. За много приложения добре формулираните инструкции и свързаните знания са достатъчни и се променят по-лесно.
Халюцинацията е изход на ИИ модел, който звучи убедително, но е грешен или напълно измислен – например несъществуващо съдебно решение, неточна цифра или измислен източник. Причината: езиковите модели създават вероятни формулировки; те не търсят автоматично факти. Рискът намалява, когато отговорите се основават на проверени източници, посочват се доказателства и хората проверяват важните резултати.
Указанието в отговора, от кой раздел на знанията произхожда той.
Частично контролираното обучение съчетава малко количество данни с етикети с голямо количество данни без етикети. Моделът първо се учи от малкото примери с известни отговори, а след това използва закономерностите в останалите данни, за да се подобри – например като приема уверените си прогнози като допълнителни примери за обучение. Това се отплаща, когато етикетирането е скъпо, както при медицински изображения или хиляди заявки към поддръжката.
Четливостта описва доколко лесно може да се чете и разбира един текст. Тя зависи от дължината на изреченията, дължината на думите, специализираните термини, структурата на изреченията и оформлението и може да се приближи с формули като индекса на Флеш или LIX. Добрата четливост е важна за комуникацията с клиентите, инструкциите, уебсайтовете и достъпното съдържание. Формулите обаче дават само ориентир; дали един текст е ясен, зависи в крайна сметка от аудиторията му.
Човек в цикъла (human-in-the-loop) описва работни процеси, при които хора се включват в ИИ процес на определени точки: преглеждат резултатите, одобряват ги или ги коригират, или поемат трудните случаи. Принципът намалява риска от погрешни резултати и оставя отговорността на хората, особено при решения, засягащи отделни лица, пари или правни въпроси. Пример: ИИ агент изготвя отговори на запитвания на клиенти, а служител ги проверява, преди да бъдат изпратени.
3D реконструкцията обхваща методи, които изчисляват триизмерен модел на обект или пространство от снимки, видео или данни от сензори. Типичните подходи съпоставят няколко изображения, заснети от различни ъгли, или обработват данни за дълбочина от лазерни сензори и сензори за дълбочина. Използва се в геодезията, опазването на културното наследство, медицината, роботиката и електронната търговия – например за превръщане на сканиране със смартфон във въртящ се 3D модел на продукт.
