Üle 350 mõiste A-st nagu agent kuni Z-ni nagu zero-shot – selgelt lahti seletatud, koos märkustega selle kohta, kus KI.ordo aitab.
Kliendipõhine turundus (account-based marketing, ABM) keskendab turunduse ja müügi laia sihtrühma asemel valitud äriklientide ringile. Orkestreerimine tähendab iga kokkupuutepunkti koordineerimist: milline ostuotsuse tegijate ringi liige saab millise sõnumi, millise kanali kaudu ja millal. TI aitab koondada teavet sihtettevõtete kohta, koostada rollipõhiseid sõnumeid ning planeerida jadasid e-posti, telefoni, ürituste ja sotsiaalvõrgustike lõikes.
Adaptiivne õpe tähistab õppeprogramme, mis kohanduvad pidevalt õppija teadmiste, tempo ja vigadega. Tarkvara analüüsib vastuseid ja valib seejärel sobivad harjutused, selgitused või kordamise. Seda kasutatakse koolides, ülikoolides ja ettevõtete koolitustes – näiteks kui platvorm pakub pärast valesti vastatud ülesannet automaatselt lihtsama vahesammu. Masinõppes kirjeldab see mõiste ka mudeleid, mis kohanduvad pidevalt uute andmetega.
„Agentne“ kirjeldab TI-süsteeme, mis teevad enamat kui vastavad ühele küsimusele: nad püüdlevad mitme sammu jooksul eesmärgi poole, planeerivad, kasutavad tööriistu, nagu veebiotsing või API-d, kontrollivad vahetulemusi ja otsustavad, mida edasi teha. Näiteks assistent, mis liigitab päringu, otsib teavet ja valmistab ette vastuse mustandi. Selged piirid, logimine ja inimese kinnitus kriitilistes kohtades on hädavajalikud.
Käivitab töövoo automaatselt, näiteks iga tund, iga päev, tööpäevadel või iga nädal.
Aktivatsioonifunktsioonid määravad, kui tugevalt tehisnärvivõrgu neuron oma signaali edasi annab. Need toovad sisse mittelineaarsuse – alles siis suudab võrk kujutada keerukaid seoseid, nagu keel või pildid. Levinud näited on ReLU, mis seab negatiivsed väärtused nulliks, sigmoid tõenäosuste jaoks vahemikus 0 kuni 1 ja GELU, mida kasutatakse paljudes transformer-mudelites. Valik mõjutab treenimise kiirust ja stabiilsust.
Algoritmiline läbipaistvus tähendab, et on võimalik mõista, kuidas automatiseeritud süsteem tulemuseni jõuab: milliseid andmeid see kasutab, milliseid reegleid järgib ja kus on selle piirid. See loob usaldust, muudab vead kergemini jälgitavaks ja on üha enam ka õiguslik nõue, näiteks IKÜMi ja ELi tehisintellekti määruse teavitamiskohustuste kaudu. Praktikas aitavad dokumentatsioon, allikaviited, logid ja selged teated puudutatud isikutele.
AllenNLP on avatud lähtekoodiga Pythoni teek loomuliku keele töötluse uurimiseks, mille on PyTorchi peale arendanud Allen Institute for AI. See pakkus valmis komponente ja mudeleid selliste ülesannete jaoks nagu teksti liigitamine, koreferentsi lahendamine ja küsimustele vastamine. Alates 2022. aasta lõpust ei arendata AllenNLP-d enam aktiivselt ja see on hooldusrežiimis; selle haldajad viitavad alternatiividele, nagu AI2 Tango, flair või Hugging Face Transformers (seisuga oktoober 2026).
Alusmudel (foundation model) on suur TI-mudel, mis on eeltreenitud väga mahukate ja mitmekesiste andmetega ning mida saab seejärel kasutada paljudeks erinevateks ülesanneteks. Termini võttis 2021. aastal kasutusele Stanfordi ülikool. Tuntud näited on suured keelemudelid, nagu Claude või GPT, ning pildimudelid. Ettevõtted ehitavad oma rakendused tavaliselt selliste mudelite peale, selle asemel et nullist oma mudelit treenida; ELi tehisintellekti määrus räägib üldotstarbelistest TI-mudelitest.
Amazon Kindle Direct Publishing (KDP) on Amazoni platvorm, kus autorid saavad ise avaldada e-raamatuid, pehmekaanelisi ja kõvakaanelisi raamatuid. Pealkirjad, kirjeldused, märksõnad ja kategooriad peavad järgima platvormi enda reegleid. Igaüks, kes loob sisu TI abil – teksti, kaanepilte või tõlkeid –, peab sellest avaldamisel Amazonile teatama; puhtalt TI toel tehtud töö, nagu ajurünnak või korrektuur, on sellest vabastatud (seisuga oktoober 2026). Kehtivaid juhiseid tuleks enne iga avaldamist kontrollida.
Amazon SageMaker on Amazon Web Servicesi (AWS) pilveteenus masinõppemudelite loomiseks, treenimiseks ja kasutuselevõtuks. 2024. aasta lõpus nimetati algne teenus ümber „Amazon SageMaker AI“-ks; sellest ajast tähistab „Amazon SageMaker“ laiemat andmete, analüütika ja TI platvormi, millel on SageMaker Unified Studio liides (seisuga oktoober 2026). Seda kasutavad peamiselt andmeteaduse meeskonnad, kes käitavad mudeleid AWS-i taristul.
Anaconda on Anaconda Inc. välja antud laialt kasutatav Pythoni ja R-i programmeerimiskeelte distributsioon andmeanalüüsiks ja masinõppeks. See koondab paketihalduri conda koos eelinstallitud teekidega, nagu NumPy, pandas ja Jupyter, ning võimaldab hõlpsasti hoida iga projekti jaoks eraldi keskkondi. Üle 200 töötajaga organisatsioonid vajavad Anaconda Distributioni ja selle vaikimisi paketikanali jaoks tasulist litsentsi; conda ise ja kogukonnakanal conda-forge jäävad tasuta kasutatavaks (seisuga oktoober 2026).
Andmehaldusraamistik hõlmab reegleid, rolle ja protsesse, mille alusel organisatsioon määrab, kes tohib milliseid andmeid koguda, kasutada, muuta ja kustutada. See katab vastutuse andmekvaliteedi eest, juurdepääsuõigused, säilitamistähtajad ja andmekaitsenõuete täitmise. Eriti oluline on see TI-projektides, sest mudelid ja agendid on usaldusväärsed vaid nii palju, kui on usaldusväärsed andmed, millele nad toetuvad.
Andmekaeve on suurte andmehulkade süstemaatiline läbivaatamine mustrite, seoste ja anomaaliate leidmiseks. Selleks kasutatakse statistilisi võtteid ja masinõppemeetodeid, näiteks klasterdamist, klassifitseerimist või assotsiatsioonianalüüsi. Klassikaline näide on kaubandusliku ostukorvi analüüs, mis näitab, milliseid tooteid ostetakse sageli koos – see on aluseks sortimendile, paigutusele ja soovitustele.
Andmekaitsenõuded on õigusreeglid, mis reguleerivad isikuandmete käitlemist. ELis on keskne raamistik isikuandmete kaitse üldmäärus (IKÜM); see nõuab muu hulgas õiguslikku alust iga töötlemistoimingu jaoks, võimalikult väheste andmete kogumist, läbipaistvust andmesubjektide suhtes ja töötlemislepinguid teenuseosutajatega. TI kasutamisel peavad organisatsioonid selgitama, millised andmed satuvad sisenditesse, teadmiste allikatesse ja logidesse ning kus neid töödeldakse.
Andmete nappus tekib siis, kui TI-ülesande jaoks on liiga vähe sobivaid või märgendatud andmeid, et mudelit usaldusväärselt treenida või testida. See puudutab näiteks harvu tootmisvigu, väikeseid keeli või uusi tooteid, mille müügiajalugu puudub. Lahendusteks on siirdeõpe (transfer learning), sünteetilised andmed, andmete augmentatsioon või eeltreenitud keelemudelid, mis annavad kasulikke tulemusi juba paarist näitest.
Andmete puhastamine on andmehulkades olevate vigaste, topelt- või omavahel vastuolus kirjete leidmine ja parandamine. Tüüpilised sammud on kirjaviiside ja kuupäevavormingute ühtlustamine, üleliigsete tühikute eemaldamine ning duplikaatide, näiteks „Tamm OÜ“ ja „Tamm Osaühing“, ühendamine. Puhtad andmed on usaldusväärsete analüüside, väljasaadetavate kirjade ja TI-rakenduste eeldus.
Andmete valideerimine kontrollib, kas andmed on täielikud, õiges vormingus ja usutavad, enne kui neid edasi töödeldakse. Tüüpilised kontrollid hõlmavad kohustuslikke välju, e-posti aadresside, postiindeksite või kuupäevade vormingut ning loogilisi vastuolusid – näiteks tarnekuupäev enne tellimiskuupäeva. Nii leitakse vead varakult, selle asemel et need kanduksid aruannetesse, arvetesse või TI-analüüsidesse.
Andmete väljavool on andmete loata edastamine süsteemist välja. TI-rakendustes võib see juhtuda siis, kui vestlusrobotit või agenti manipuleeritakse spetsiaalselt koostatud sisendite või ettevalmistatud sisuga – näiteks veebilehel, mida agent loeb –, et see avaldaks või edastaks konfidentsiaalset infot. Kaitsemeetmete hulka kuuluvad minimaalsed juurdepääsuõigused, sisendite kontroll, väljuvate ühenduste piiramine ja vastuste jälgimine.
Anomaaliate tuvastamine leiab andmepunkte, sündmusi või mustreid, mis erinevad normist märgatavalt. Need võivad olla ebatavaliselt suured tehingud, äkilised hüpped andurinäitudes, topeltkirjed või kahtlane võrgutegevus. Seda kasutatakse rahanduses, IT-turbes, tootmises ja kvaliteedikontrollis. Meetodid ulatuvad lihtsatest statistilistest lävenditest õppivate mudeliteni; tabamused on viited, mida peaks hindama inimene.
Antropomorfism on kalduvus omistada masinatele inimlikke omadusi, nagu tunded, kavatsused või mõistmine. Vestlusrobotite puhul tuleb see loomulikult, sest nad kirjutavad ladusalt ja isiklikult. See võib muuta suhtluse meeldivamaks, kuid sellega kaasnevad riskid: inimesed võivad vastuseid liigselt usaldada või jagada tundlikku teavet. Selle vastu aitavad selged teated, et kasutaja suhtleb TI-ga, ja ausad väited selle piirangute kohta.
Anyword on turundustekstide TI-kirjutusplatvorm, mis kasvas välja 2013. aastal asutatud ettevõttest Keywee. See loob lühikesi tekste, nagu reklaamid, e-kirjade teemaread, pealkirjad ja tootekirjeldused, ning annab variantidele prognoositud skoori selle kohta, kui hästi need sihtrühmale mõjuda võiksid. Samuti pakub see brändihääle seadeid ja olemasoleva sisu analüüsi (seisuga oktoober 2026). Sellised prognoosid on hinnangud ega asenda testimist päris oludes.
Salajane kood, mis lubab teistel programmidel KI.ordo välja kutsuda.
Assotsiatiivne mälu toob salvestatud teabe välja selle sisu, mitte aadressi järgi: sobiva terviku meenutamiseks piisab osalisest või mürarikkast vihjest – umbes nagu esimesed taktid toovad meelde terve laulu. Hopfieldi võrgud on TI-uuringutes klassikaline näide. Sama põhimõte esineb ka riistvaras (sisuadresseeritav mälu) ja tänapäevaste keelemudelite tähelepanumehhanismi analüüsides.
Automaatne liigitamine määrab tekstid, dokumendid või kirjed eelnevalt kindlaks määratud kategooriatesse ilma käsitsi sorteerimiseta. Traditsiooniliselt õpivad mudelid seda märgendatud näidetest; suured keelemudelid suudavad kategooriaid määrata ka üksnes kirjelduse põhjal. Tüüpilised kasutusviisid on sissetulevate e-kirjade sorteerimine päringu tüübi järgi, kuludokumentide määramine või kiireloomuliste tugipiletite märgistamine. Oluliste juhtumite puhul on soovitatav, et inimesed teeksid pistelisi kontrolle.
Autonoomsed sõidukid liiguvad täielikult või osaliselt ilma inimese sekkumiseta, kasutades kaameraid, radarit, lidarit ja TI-tarkvara. Standard SAE J3016 määratleb kuus taset – alates 0-st (automatiseerimine puudub) kuni 5-ni (täielikult juhita kõikjal). TI tegeleb tajumise, teiste liiklejate käitumise ennustamise ja marsruudi planeerimisega. Lisaks autodele hõlmab see robottaksosid, veokeid, süstikuid ja laosõidukeid; tüübikinnitus ja vastutus on igas riigis eraldi reguleeritud.
B2B-andmete rikastamine lisab olemasolevatele ettevõtete kirjetele – näiteks CRM-is – teavet, nagu tegevusala, pakkumine, asukoht, ettevõtte suurus või veebileht. See hõlbustab segmentimist, müügivihjete hindamist ja hästi suunatud müügitegevust. Allikateks on avalikud veebilehed, registrid ja spetsialiseerunud andmepakkujad. Kontaktisikute isikuandmed kuuluvad IKÜMi alla ja neid tuleks töödelda säästlikult ning ainult õigusliku aluse olemasolul.
Vastupidine levi (backpropagation) on standardmeetod, mille abil närvivõrgud õpivad. Pärast iga ennustust mõõdetakse viga ja levitatakse see tagasisuunas läbi võrgu kihtide, mis näitab, kui palju iga kaal sellele kaasa aitas. Seejärel kohandab optimeerimismeetod, näiteks gradientlaskumine, kaale samm-sammult. Ilma vastupidise levita oleks tänapäevaste keele- ja pildimudelite treenimine praktiliselt võimatu.
Bagging (lühend ingliskeelsest väljendist bootstrap aggregating) on masinõppe ansamblimeetod: paljusid mudeleid treenitakse treeningandmete juhuslikult valitud valimitel ja nende ennustused keskmistatakse või ühendatakse häälteenamusega. See muudab tulemused stabiilsemaks ja vähendab ülesobitamist. Tuntuim näide on juhuslik mets, mis ühendab palju otsustuspuid – näiteks klientide lahkumise või hindade ennustamiseks.
Bayesi võrgud on graafilised mudelid, mis kujutavad muutujaid sõlmedena ja nende tõenäosuslikke sõltuvusi suunatud nooltena. Bayesi teoreemi abil näitavad nad, kuidas uued vaatlused muudavad teiste sündmuste tõenäosust. Üks näide on diagnostiline tugi: kõige tõenäolisema põhjuse hindamine täheldatud sümptomite põhjal. Nende tugevused on läbipaistvus ja võime käsitleda ebakindlaid või puudulikke andmeid.
TI valdkonnas tähendab võrdlustestimine (benchmarking) mudelite või süsteemide süstemaatilist võrdlemist kindlaksmääratud ülesannete ja kriteeriumide abil. Avalikud võrdlustestid mõõdavad näiteks üldteadmisi, arutlusvõimet või programmeerimisoskust; praktilise kasutuse jaoks on aga kõige olulisemad testjuhtumid sinu enda igapäevatööst. Tüüpilised kriteeriumid on täpsus, täielikkus, reageerimisaeg ja kulu. See aitab otsustada, kas väiksem ja odavam mudel on ülesande jaoks piisavalt hea.
BERT (Bidirectional Encoder Representations from Transformers) on Google’i poolt 2018. aastal tutvustatud keelemudel. Erinevalt varasematest mudelitest arvestab see korraga sõnast vasakul ja paremal olevat konteksti, mis aitab tal mitmetähenduslikkust lahendada. BERT on mõeldud teksti mõistmiseks, mitte pikemate lõikude kirjutamiseks. Seda kasutatakse otsingus, teksti liigitamisel, nimeolemite tuvastamisel ja küsimustele vastamisel ning see on mõjutanud paljusid järglasmudeleid.
TI valdkonnas tähendab kallutatus (bias) tulemuste süstemaatilist moonutust. Sageli tuleneb see tasakaalustamata või ajalooliselt kallutatud treeningandmetest, aga ka mudeli ülesehitusest või küsimuse sõnastusest. Tuntud näide: kandidaatide sõelumise tööriist, mis õpib varasematest värbamisotsustest, võib olemasolevat ebavõrdsust põlistada. Statistikas tähendab nihe (bias) ka hinnangu kõrvalekallet tegelikust väärtusest. Vastumeetmete hulka kuuluvad mitmekesised andmed, regulaarsed auditid ja inimeste tehtud otsused personaliküsimustes.
BigML on samanimelise, 2011. aastal asutatud ja Corvallises Oregonis (USA) asuva ettevõtte masinõppeplatvorm. Veebiliidese või API kaudu saavad kasutajad ilma suurema programmeerimiseta luua mudeleid, nagu otsustuspuud, ansamblid, klasterdamine või anomaaliate tuvastamine. See rõhutab tõlgendatavaid mudeleid ja automatiseeritavaid töövooge. Seda pakutakse pilveteenusena ja oma andmekeskuses käitamiseks (seisuga oktoober 2026).
BLEU-skoor (Bilingual Evaluation Understudy) on 2002. aastal IBM-is välja töötatud mõõdik masintõlgete automaatseks hindamiseks. See mõõdab, kui palju tõlkes esinevaid sõnajadasid esineb ka ühes või mitmes inimese tehtud võrdlustõlkes, ja annab väärtuse vahemikus 0 kuni 1 (sageli esitatud kui 0–100). BLEU on kiire ja võrreldav, kuid ei taba hästi tähendust ega stiili – head ümbersõnastused võivad saada madala skoori.
BMXNet on avatud lähtekoodiga teek binaarsete närvivõrkude jaoks, mille avaldas 2017. aastal Potsdami Hasso Plattneri Instituut ja mis põhineb raamistikul Apache MXNet. Binaarsed võrgud salvestavad kaalud ja aktivatsioonid 32 biti asemel ühe bitiga, mistõttu mudelid on palju väiksemad ja kiiremad – see on atraktiivne nutitelefonide ja sardseadmete jaoks, kuigi tavaliselt mõningase täpsuse arvelt. Kuna MXNeti arendus lõpetati 2023. aastal, pakub BMXNet nüüd peamiselt teaduslikku huvi (seisuga oktoober 2026).
Võimendamine (boosting) on masinõppe ansamblimeetod, mille puhul treenitakse üksteise järel palju lihtsaid mudeleid, kusjuures iga uus mudel keskendub juhtumitele, milles eelkäijad eksisid. Koos moodustavad nad palju täpsema üldmudeli. Tuntud variandid on AdaBoost ja gradientvõimendamine koos teekidega, nagu XGBoost või LightGBM. Boosting on eriti tugev tabelandmete puhul, näiteks krediidiriski, müügi või klientide lahkumise prognoosimisel.
Botpress on samanimelise Montréalis asuva Kanada ettevõtte platvorm vestlusrobotite ja TI-agentide loomiseks. Visuaalses tööruumis saavad kasutajad kujundada vestlusvooge, ühendada teadmiste allikaid ja siduda agente integratsioonide kaudu kanalitega, nagu veebilehed või sõnumirakendused; arveldus põhineb kasutusel. Varasem avatud lähtekoodiga, iseseisvalt majutatav versioon 12 on lõpetatud – uued projektid töötavad Botpress Cloudis (seisuga oktoober 2026).
Caffe (Convolutional Architecture for Fast Feature Embedding) on avatud lähtekoodiga süvaõppe raamistik, mille töötas välja Yangqing Jia California ülikoolis Berkeleys ja mis avaldati 2013. aastal. See oli populaarne peamiselt konvolutsiooniliste närvivõrkudega pildituvastuses, sest töötas kiiresti ja mudelid määratleti konfiguratsioonifailides. Viimane versioon 1.0 ilmus 2017. aastal; selle järglane Caffe2 liideti 2018. aastal PyTorchiga. Uutes projektides kasutatakse Caffet tänapäeval harva.
Chainer on Jaapani ettevõtte Preferred Networks välja töötatud avatud lähtekoodiga süvaõppe raamistik Pythonile. See populariseeris lähenemisviisi „define-by-run“, mille puhul närvivõrk ehitatakse arvutuse käigus, mis lihtsustab paindlike mudelistruktuuridega katsetamist. Alates 2019. aasta detsembrist on Chainerit ainult hooldatud, mitte edasi arendatud; Preferred Networks läks üle PyTorchile, mis järgib sama põhimõtet.
Vestlusrobot on programm, mis võtab vastu küsimusi teksti või kõnena ja vastab neile dialoogis. Lihtsad vestlusrobotid järgivad kindlaid reegleid ja otsustuspuid, tänapäevased kasutavad aga suuri keelemudeleid ja mõistavad vabas sõnastuses päringuid. Tüüpilised kasutusviisid on klienditeenindus, sisemised kasutajatoed ja aja broneerimise päringud – näiteks veebilehe vestlus, mis vastab ööpäevaringselt küsimustele tarneaegade kohta.
ChatGPT on USA ettevõtte OpenAI TI-assistent, mis avaldati 2022. aasta novembris ja tõi generatiivse TI laia avalikkuse ette. See põhineb GPT-seeria suurtel keelemudelitel ning vastab küsimustele, kirjutab ja toimetab tekste, võtab dokumente kokku ja aitab programmeerimisel. ChatGPT on saadaval brauseris ja rakendusena, tasuta ja tasuliste versioonidena ning versioonidena meeskondadele ja ettevõtetele.
Claude on USA TI-ettevõtte Anthropic suurte keelemudelite perekond. Mudelid mõistavad ja kirjutavad teksti paljudes keeltes, analüüsivad dokumente, kirjutavad koodi ja oskavad kasutada tööriistu, näiteks uurimistöö või automatiseerimise jaoks. Tuntuimad on mudeliperekonnad Haiku, Sonnet ja Opus, mis erinevad kiiruse, hinna ja võimekuse poolest. Anthropic paneb erilist rõhku turvalisusele ja mudelite usaldusväärsele käitumisele.
Claude Haiku on Anthropicu kolmest Claude’i mudeliperekonnast Sonneti ja Opuse kõrval kiireim ja odavaim. See sobib suuremahulisteks ülesanneteks, mis vajavad lühikest reageerimisaega, nagu e-kirjade sorteerimine, tekstidest andmete eraldamine või päringute õigesse kohta suunamine. Praegune põlvkond on Claude Haiku 5.5 (seisuga oktoober 2026).
Claude Opus on Anthropicu kolmest Claude’i mudeliperekonnast – Haiku, Sonnet ja Opus – kõige võimekam. See on mõeldud nõudlikeks ülesanneteks, mis nõuavad mitmeastmelist arutlemist, nagu keerukad analüüsid, suured programmeerimisprojektid või agendid, mis töötavad pikema aja jooksul iseseisvalt. Selle eest on see aeglasem ja kallim kui väiksemad perekonnad. Praegune versioon on Claude Opus 5.5 (seisuga oktoober 2026).
Claude Sonnet on Anthropicu kolmest Claude’i mudeliperekonnast keskmine, ühendades suure võimekuse lühikese reageerimisaja ja mõõduka hinnaga. See sobib paljudeks igapäevasteks äriülesanneteks: tekstide koostamine, dokumentide analüüsimine, teadmusküsimustele vastamine või koodi kirjutamine. Anthropic avaldab regulaarselt uusi versioone; praegune on Claude Sonnet 5.5 (seisuga oktoober 2026).
Clearbit on B2B-andmete rikastamise teenus: e-posti aadressi või domeeni põhjal lisab see andmeid, nagu tegevusala, ettevõtte suurus või asukoht. Müügi- ja turundusmeeskonnad kasutavad selliseid andmeid müügivihjete hindamiseks, vormide lühendamiseks ja veebikülastuste ettevõtetega sidumiseks. HubSpot omandas Clearbiti 2023. aastal; selle funktsioone pakutakse nüüd HubSpotis nime all Breeze Intelligence (seisuga oktoober 2026).
Klasterdamine on juhendamata õppe meetod, mis jagab andmepunktid nende sarnasuse põhjal rühmadesse ilma eelnevalt määratud kategooriateta. See toob esile mustrid, mida keegi pole varem nimetanud – näiteks sarnase ostukäitumisega kliendisegmendid. Tekstide puhul aitab klasterdamine sorteerida sadu kliendipäringuid teemadesse, nagu tarne, arveldamine või kaebused, ja näitab, kus on rõhuasetus.
Copilot on kaubamärk, mille all Microsoft koondab oma TI-assistendid. Siia kuuluvad üldine assistent veebi ja Windowsi jaoks, Microsoft 365 Copilot töötamiseks Wordis, Excelis, Outlookis või Teamsis ning Copilot Studio oma agentide loomiseks; GitHub Copilot toetab programmeerimist. Assistendid põhinevad suurtel keelemudelitel ja pääsevad olenevalt variandist ligi organisatsiooni andmetele Microsoft 365-s (seisuga oktoober 2026).
Copy.ai on USA TI-platvorm, mis alustas turundustekstide, näiteks reklaamide, e-kirjade või tootekirjelduste tekstigeneraatorina. Hiljem nihkus rõhk müügi ja turunduse automatiseeritud töövoogudele, mida ettevõte koondab nimetuse „GTM AI“ alla. 2025. aasta oktoobris omandas Copy.ai tulutegevuse haldamise (revenue operations) teenusepakkuja Fullcast (seisuga oktoober 2026).
Copysmith on USA TI-tööriistade pakkuja, mis sai tuntuks turundus- ja e-kaubanduse tekstide, näiteks tootekirjelduste ja reklaamide generaatoriga. 2022. aastal ostis Copysmith kirjutamis- ja SEO-tööriistad Rytr ja Frase. Täna tegutseb ettevõte katusbrändina mitme toote jaoks, sealhulgas Describely veebipoodide tootetekstide jaoks (seisuga oktoober 2026).
CrewAI on avatud lähtekoodiga Pythoni raamistik mitme TI-agendi ühendamiseks meeskonnaks („crew“). Iga agent saab rolli, eesmärgi ja sobivad tööriistad; ülesanded jagatakse ära ja tulemused antakse edasi. Lisaks pakuvad „flows“ rangelt kontrollitud sündmuspõhiseid töövoogusid. Näiteks kogub uurimisagent infot ja kirjutamisagent vormistab selle aruandeks.
DALL-E on OpenAI pildigeneraatorite mudelite seeria, mis loob tekstikirjelduse põhjal pilte. Esimene versioon ilmus 2021. aastal; DALL-E 3 integreeriti 2023. aastal ChatGPT-sse ja tegi teksti põhjal piltide loomise kättesaadavaks laiale publikule. Vahepeal on OpenAI asendanud DALL-E uuemate pildimudelitega GPT Image seeriast; juurdepääs DALL-E 2 ja 3 API-le lõppes 2026. aasta mais (seisuga oktoober 2026).
Dash on ettevõtte Plotly avatud lähtekoodiga raamistik andmeanalüüsi interaktiivsete veebirakenduste loomiseks Pythonis, ilma et peaks ise JavaScripti kirjutama. Diagrammid, filtrid ja liugurid on otse seotud Pythoni koodiga. Tüüpilised näited on töölauad, kus ärimeeskonnad filtreerivad müüki piirkonna järgi või proovivad masinõppemudeli prognoose oma väärtustega.
DataRobot on USA tarkvaraettevõte, mille platvorm aitab organisatsioonidel luua, käitada ja jälgida TI-rakendusi. Ettevõte sai tuntuks automatiseeritud masinõppega (AutoML), mis treenib ja võrdleb automaatselt paljusid mudelivariante – näiteks klientide lahkumise või nõudluse prognoosimiseks. Tänapäeval keskendub ettevõte ka TI-agentide käitamisele ja haldamisele (seisuga oktoober 2026).
Süvvõlts (deepfake) on TI abil loodud või muudetud pilt, video või heliklipp, mis näitab veenvalt päris inimesi ütlemas või tegemas asju, mida pole kunagi juhtunud. Lisaks õiguspärasele kasutusele filmis või dubleerimisel kasutatakse süvavõltse desinformatsiooniks, maine kahjustamiseks ja pettuseks – näiteks võltskõned väidetavalt juhilt, kes nõuab ülekannet. Kaitsemeetmete hulka kuuluvad tagasihelistamine teadaoleva kanali kaudu, selged kinnitusprotsessid ja TI loodud sisu märgistamine.
Deterministlik mudel annab samale sisendile alati sama tulemuse, sest see järgib kindlaid reegleid või valemeid ega sisalda juhuslikkust – näiteks reegel „5% allahindlust üle 100 € tellimustelt“. Suured keelemudelid seevastu töötavad tõenäosuslikult: nende vastused samale küsimusele võivad erineda. Praktikas kombineeritakse neid sageli, et tasakaalustada paindlikkust ja jälgitavust.
Developmental Reading Assessment (DRA) on Ameerika Ühendriikides laialt kasutatav meetod, millega õpetajad määravad lasteaiast kuni 8. klassini laste lugemistaseme; selle annab välja Pearson. Lapsed loevad valjusti astmeliselt keerukamaid tekste ja vastavad nende kohta küsimustele ning hindamine hõlmab selliseid aspekte nagu sujuvus ja tekstist arusaamine. Tulemuseks on lugemistase, mis juhendab sobivate raamatute ja tugimeetmete valikut.
Dimensionaalsuse vähendamine vähendab andmehulga tunnuste arvu, kaotamata olulist infot. Tuntud meetodid on peakomponentide analüüs (PCA) ning t-SNE ja UMAP, mida kasutatakse sageli visualiseerimiseks. See kiirendab arvutusi, vähendab ülesobitamise riski ja muudab andmed paremini mõistetavaks – näiteks kui sadu kliendi tunnuseid kujutatakse kahemõõtmelisel diagrammil, kus sarnased kliendid asuvad üksteise lähedal.
Diskriminatiivsed mudelid õpivad andmepunkte eristama, määrates otse klasside vahelise piiri – nad vastavad küsimusele „Millisesse kategooriasse see sisend kuulub?“. Näideteks on logistiline regressioon, tugivektormasinad ja paljud närvivõrgul põhinevad klassifikaatorid, näiteks rämpsposti tuvastamiseks. Generatiivsed mudelid seevastu kirjeldavad, kuidas andmed ise tekivad, ja suudavad seetõttu luua uusi näiteid.
Diskrimineerimine TI-s tekib siis, kui TI-süsteem seab inimesi põhjendamatult ebasoodsamasse olukorda selliste tunnuste alusel nagu sugu, rahvuslik päritolu, vanus või puue. Põhjuseks on tavaliselt moonutatud treeningandmed, sobimatud asendustunnused, näiteks postiindeksid, või ebapiisav testimine; tuntud juhtumid pärinevad värbamisest ja laenuandmisest. Vastumeetmed on esinduslikud andmed, regulaarne õigluse testimine, läbipaistvus ja inimeste üle otsustamisel inimliku kontrolli säilitamine.
DL4J (Eclipse Deeplearning4j) on avatud lähtekoodiga süvaõppe teek Java virtuaalmasinale (JVM). See võimaldab närvivõrke treenida ja käitada Javas või Scalas, mistõttu sobib see olemasolevatesse Java-põhistesse ettevõttesüsteemidesse. Projekti kuuluvad ka tööriistad mudelite importimiseks teistest raamistikest. Seda haldab Eclipse Foundation oma projektina.
Dokumendiotsing NLP abil kasutab loomuliku keele töötluse võtteid, et leida dokumendikogudest infot vabalt sõnastatud küsimuse põhjal. Selle asemel et sobitada ainult täpseid sõnajärjendeid, arvestavad sellised süsteemid sõnavorme, haruldaste terminite kaalumist või tähenduse sarnasust. Näiteks kui keegi kirjutab „Kuidas ma puhkust taotlen?“, saab ta töötajate käsiraamatust asjakohase lõigu ka siis, kui seal on juttu „puhkuseavaldusest“.
Otsingupõhise genereerimise (RAG) puhul tähendab dokumentide hindamine leitud lõikude kontrollimist, kas need vastavad küsimusele ja suudavad vastust toetada. Keelemudelile antakse edasi ainult olulisteks hinnatud lõigud; sobimatud tulemused jäetakse kõrvale või need käivitavad uue otsingu. See vähendab väljamõeldud või valesti allikastatud vastuste riski, näiteks kui küsimusele praeguste hindade kohta ilmub välja aegunud dokument.
Dokumentide ümberjärjestamine (reranking) on otsingu- ja RAG-süsteemide teine sorteerimissamm: kiire esmane otsing annab hulga kandidaattulemusi, mille täpsem, kuid kulukam meetod seejärel olulisuse järgi ümber järjestab. Seda teeb sageli nn ristkodeerija (cross-encoder), mis hindab küsimust ja lõiku koos. Tulemusena jõuavad kõige olulisemad lõigud esikohale, enne kui keelemudel neist vastuse sõnastab.
Dropout on närvivõrkude treenimisel kasutatav regulariseerimisvõte: igal treeningsammul lülitatakse juhuslik osa neuroneid ajutiselt välja. See takistab võrgul tugineda üksikutele ühendustele, nii et see õpib vastupidavamaid mustreid. See vähendab ülesobitamist ehk treeningandmete lihtsalt pähe õppimist. Valmis mudeli hilisemal kasutamisel on kõik neuronid jälle aktiivsed.
Eksimismaatriks (confusion matrix) on tabel, mis võrdleb klassifikaatori ennustusi tegelike klassidega. Kahe klassi puhul näitab see tõeselt positiivseid, valepositiivseid, tõeselt negatiivseid ja valenegatiivseid. Sellest saab arvutada mõõdikuid nagu täpsus, saagis ja F1-skoor ning selgub, millised vead esinevad. Näide: rämpsposti filter, mis märgib palju õigeid e-kirju rämpspostiks, annab palju valepositiivseid, mis on sageli kulukam kui märkamata jäänud rämpspostisõnum.
Ekspertsüsteem on arvutiprogramm, mis salvestab inimspetsialistide oskusteabe reeglite ja faktidena ning teeb nende põhjal järeldusi. See koosneb tavaliselt teadmusbaasist ja järeldusmootorist, mis reegleid rakendab. Ekspertsüsteemid kujundasid TI-d 1970. ja 1980. aastatel, näiteks meditsiinilises diagnostikas või tehniliste seadmete konfigureerimisel. Nende ideed elavad täna edasi reeglipõhistes kontrollides ja teadmusgraafides.
Ekstraktiivne TI tähendab meetodeid, mis võtavad tekstidest või dokumentidest olemasolevat infot välja, selle asemel et kirjutada uut sisu. Väljund tuleb sõna-sõnalt või kindla struktuuriga allikast – näiteks arvenumbrid PDF-idest, võtmelaused kokkuvõtte jaoks või küsimusele vastav asjakohane lõik. Kuna midagi ei mõelda välja, on vale väite oht väiksem kui puhtalt generatiivsete lähenemiste puhul; sageli kombineeritakse neid.
Emergentsus kirjeldab süsteemi omadusi, mis tekivad paljude lihtsate osade koostoimes, kuid mida pole näha ühegi üksiku osa juures. TI-uuringutes nimetatakse võimeid emergentseteks, kui teatud suuruse ületavad suured keelemudelid lahendavad ülesandeid, nagu mitmeastmeline aritmeetika või tõlkimine, märgatavalt paremini kui väiksemad mudelid. Teadlaste hulgas vaieldakse, kas sellised hüpped on päriselt olemas või sõltuvad osaliselt sellest, kuidas neid mõõdetakse.
Ennustav analüütika kasutab ajaloolisi andmeid, statistikat ja masinõpet, et hinnata tõenäolisi tulevasi sündmusi. See vastab küsimustele, nagu: millised kliendid on lepingut lõpetamas? Kui palju varu läheb järgmisel kuul vaja? Millal masin tõenäoliselt rikki läheb? Tulemused on tõenäosused, mitte kindlused. Nende väärtus sõltub suuresti andmete kvaliteedist ja sellest, kas ennustused jõuavad tegelikult otsustesse ja protsessidesse.
Ennustav modelleerimine on ennustava analüütika tehniline tuum: teadaolevate tulemustega näiteandmete põhjal ehitatakse mudel, mis ennustab uute juhtumite väärtust või klassi. Levinud meetodid on regressioon, otsustuspuud, juhumetsad ja närvivõrgud. Mudel võib näiteks hinnata kinnisvara hinda elamispinna, asukoha ja ehitusaasta põhjal. Enne kasutuselevõttu testitakse seda eraldi hoitud andmetel, et avastada ülesobitamist.
F-skoor on klassifitseerimismudelite hindamise mõõdik. Levinud F1-skoor on täpsuse (kui palju ennustatud tabamustest on õiged) ja saagise (kui palju tegelikest tabamustest leiti) harmooniline keskmine ning jääb vahemikku 0 kuni 1. See on eriti kasulik tasakaalustamata andmete puhul: rämpsposti peaaegu kunagi märkiv filter võib olla väga õige (accuracy), kuid selle F1-skoor on madal.
Fassettotsingus kitsendavad kasutajad tulemusi samm-sammult filtritega, mis on loodud sisu atribuutidest – näiteks kategooria, hind, bränd, kuupäev või autor. Iga fassett näitab tavaliselt, mitu tulemust järele jääb. Lähenemine on tuttav veebipoodidest, kuid seda kasutatakse ka raamatukogudes, sisevõrkudes ja dokumendiarhiivides, et suuri kogusid saaks hallata ilma täpsete otsingusõnadeta.
fastai on PyTorchile tuginev avatud lähtekoodiga Pythoni teek süvaõppeks. See koondab end tõestanud vaikeseaded, nii et piltide, teksti või tabelandmete mudeleid saab treenida mõne koodireaga, võimaldades samas sügavat kohandamist igal tasandil. See kasvas välja õppeinitsiatiivist fast.ai ja saadab selle tasuta kursusi, mistõttu on see populaarne hariduses ja mudelite kiireks katsetamiseks.
Few-shot learning on mudeli võime lahendada ülesanne vaid käputäie näidete põhjal. Keelemudelite puhul toimub see tavaliselt otse sisendis: näidatakse kahte-kolme küsimuse ja soovitud vastuse paari ning mudel rakendab sama vormingut ja stiili uutele juhtudele – ilma ümbertreenimiseta. Näide: kolm õigesti kategoriseeritud klienditaotlust on sageli piisav, et ka järgmised taotlused samamoodi sorteerida.
Finantspettuste tuvastamine hõlmab meetodeid, mis paljastavad pettust maksetes, krediitkaartides, kindlustuses või raamatupidamises. TI-mudelid õpivad seaduslike tehingute tüüpilisi mustreid ja märgivad kõrvalekalded – näiteks ebatavalised summad, asukohad või ajad –, sageli reaalajas. Oluline on leida õige tasakaal tuvastatud pettuste ja valehäirete vahel. Kahtlased juhtumid peaksid inimesed üle vaatama, enne kui kontod külmutatakse või maksed tagasi lükatakse.
Fleschi loetavusindeks hindab, kui kergesti tekst arusaadav on, lähtudes lause keskmisest pikkusest ja silpide arvust sõnas. Rudolf Flesch töötas selle välja inglise keele jaoks 1948. aastal ja teiste keelte jaoks on olemas kohandatud valemid. Skaala ulatub umbes 0-st 100-ni – mida kõrgem skoor, seda kergemini loetav tekst. See mõõdab ainult vormi, mitte seda, kas sisu ja terminoloogia sobivad sihtrühmale.
Flux on TI-mudelite perekond, mis loob ja muudab pilte tekstikirjelduste põhjal. Selle on välja töötanud Saksamaal Freiburg im Breisgaus asuv Black Forest Labs. Esimene põlvkond ilmus 2024. aasta augustis ja FLUX.2 2025. aasta novembris, koos variantidega piltide muutmiseks tekstijuhise abil. Mõned versioonid on saadaval avatud kaaludega, osaliselt ainult mittekaubanduslikuks kasutuseks, teisi pakutakse üksnes API kaudu (seisuga oktoober 2026).
Frase on tarkvara veebisisu uurimiseks ja optimeerimiseks. See analüüsib, milliseid teemasid, küsimusi ja termineid otsingupäringu puhul hästi edetabelis olevad lehed katavad, muudab selle sisujuhisteks (content brief) ning hindab tekste nende ülevaatamise ajal. Praegu pakub Frase ka funktsioone, millega jälgida ja parandada, kas sisule viidatakse TI-otsingusüsteemide, nagu ChatGPT või Perplexity, vastustes (seisuga oktoober 2026).
Fréchet' inception distance (FID) on TI loodud piltide kvaliteedi hindamise mõõdik. Päris ja genereeritud pildid lastakse läbi eeltreenitud pildituvastusvõrgu (Inception v3) ning võrreldakse nende tunnuste statistilisi jaotusi. Mida madalam väärtus, seda lähemal on genereeritud pildid päris fotodele realistlikkuse ja mitmekesisuse poolest. FID võeti kasutusele 2017. aastal ja see on pildigeneraatorite võrdlemise standard.
Föderatiivne õpe on treeningviis, kus TI-mudel õpib paljudes seadmetes või asukohtades, ilma et toorandmed kunagi neid maha jätaksid. Iga osaline treenib kohapeal ja saadab keskserverisse ainult mudeli uuendused, mis need kokku liidab. See kaitseb privaatsust ja sobib näiteks haiglatele, kes soovivad ühiselt diagnostikamudelit parandada, või nutitelefonide klaviatuuridele, mis õpivad sõnasoovitusi.
„Garbage in, garbage out“ ehk „prügi sisse, prügi välja“ väljendab põhimõtet, et süsteem suudab anda ainult nii häid tulemusi kui andmed, mille ta saab. See kehtib TI puhul kahekordselt: valed, aegunud või ühekülgsed treening- või teadmisandmed viivad valede või kallutatud vastusteni. Vestlusrobot, mis tugineb aegunud hinnakirjale, nimetab aegunud hindu. Andmete hooldamine on seetõttu igas TI-projektis pidev ülesanne.
GPT (generative pre-trained transformer) tähistab OpenAI välja töötatud suurte keelemudelite seeriat, mis põhineb transformeri arhitektuuril. Mudeleid eeltreenitakse esmalt tohutute tekstihulkadega, et ennustada järgmist tokenit, ning seejärel treenitakse edasi dialoogiks ja juhiste järgimiseks. Esimene GPT-mudel ilmus 2018. aastal; hilisemad põlvkonnad on ChatGPT aluseks. Igapäevakõnes kasutatakse „GPT“ sageli keelemudelite kohta üldiselt.
Generatiivne TI tähendab TI-süsteeme, mis loovad uut sisu – teksti, pilte, heli, videot või programmikoodi –, selle asemel et lihtsalt olemasolevaid andmeid sorteerida või hinnata. Need põhinevad mudelitel, mis õpivad suurtest andmehulkadest mustreid ja kasutavad neid usutavate uute väljundite loomiseks. Ärivaldkonnas kasutatakse seda näiteks e-kirjade, kokkuvõtete, tootekirjelduste või pildiideede kavandamiseks. Tulemused võivad sisaldada vigu ning neid tuleks enne kasutamist kontrollida.
Generatiivne võistlusvõrk (generative adversarial network, GAN) koosneb kahest närvivõrgust, mida treenitakse üksteise vastu: generaator loob tehisandmeid, näiteks pilte, ja diskriminaator püüab neid päris andmetest eristada. Selle võistluse käigus muutuvad tulemused üha realistlikumaks. GAN-id võeti kasutusele 2014. aastal ja need kujundasid pildiloomet, enne kui difusioonimudelid laiemalt levisid; neid kasutatakse näiteks sünteetiliste treeningandmete loomiseks või piltide parandamiseks.
Generatiivse otsingumootori optimeerimine (GEO) hõlmab meetmeid, mis aitavad sisul olla nähtav TI-põhistes otsingusüsteemides, nagu ChatGPT, Perplexity või otsingumootorite TI-ülevaated, ja et neis sellele allikana viidataks. Termin pärineb 2023. aasta teadusartiklist. Olulised tegurid on selged, otse tsiteeritavad vastused, korrektne struktuur, tõendatud faktid, ajakohane info ja tuvastatavad autorid. GEO täiendab klassikalist otsingumootorite optimeerimist (SEO), mitte ei asenda seda.
Gensim on avatud lähtekoodiga Pythoni teek suurte tekstikogude analüüsimiseks. See on tuntud teemamudelite, nagu LDA, sõnavektorite treenimise (näiteks Word2Vec, FastText ja Doc2Vec) ning dokumentide sarnasuse alusel võrdlemise poolest. Kuna Gensim töötleb andmeid tükkhaaval, saab see hakkama ka korpustega, mis mällu ei mahu. Tüüpiline kasutus: tuhandete klienditagasisidede automaatne rühmitamine korduvate teemade järgi.
Google Colab (Colaboratory) on Google'i pilveteenus Pythoni koodi käitamiseks Jupyteri stiilis märkmikes otse brauseris, ilma kohaliku paigalduseta. Tasuta paketis on saadaval ka GPU-d ja TPU-d, sõltuvalt saadavusest ja koos tööaja piirangutega; tasulised paketid pakuvad rohkem arvutusvõimsust. Colab on populaarne õpetamisel, andmeanalüüsis ja mudelite katsetamisel ning sisseehitatud Gemini assistent aitab koodi kirjutada ja parandada (seisuga oktoober 2026).
Gradientlaskumine on optimeerimismeetod, mida kasutatakse enamiku TI-mudelite treenimiseks. Mõõdetakse, kui suur on mudeli viga, arvutatakse, millises suunas peavad parameetrid muutuma, et seda vähendada, ja tehakse siis selles suunas väike samm – ikka ja jälle. See on nagu udus matkaja, kes jätkab allamäge kõndimist, et jõuda orgu. Sammu suurus (õppimiskiirus) määrab kiiruse ja stabiilsuse.
Gradientvõimendus (gradient boosting) on masinõppe võte, mis ühendab paljusid lihtsaid mudeleid – tavaliselt väikseid otsustuspuid – üksteise järel. Iga uut puud treenitakse spetsiaalselt eelmiste järelejäänud vigade vähendamiseks. Tulemuseks on tabelandmete jaoks väga täpsed mudelid, näiteks krediidiriski, müügiprognooside või klientide lahkumise tõenäosuse hindamiseks. Tuntud teostused on XGBoost, LightGBM ja CatBoost; ülesobitamise vältimiseks on vaja hoolikat häälestamist.
Grok on suurtel keelemudelitel põhinev TI-assistent, mille on välja töötanud xAI. See on integreeritud platvormi X ning kättesaadav ka oma veebilehe, mobiilirakenduste ja API kaudu. Üks iseärasus on juurdepääs X-i värsketele postitustele ja veebiotsingule. Alates 2026. aasta veebruarist kuulub xAI SpaceX-i alla ja tegutseb nüüd nime SpaceXAI all; mudeliversioone uuendatakse regulaarselt (seisuga oktoober 2026).
Hallutsinatsioon on TI-mudeli väljund, mis kõlab veenvalt, kuid on vale või täiesti väljamõeldud – näiteks olematu kohtuotsus, vale arv või väljamõeldud allikas. Põhjus: keelemudelid loovad tõenäolisi sõnastusi; nad ei otsi fakte automaatselt üles. Risk väheneb, kui vastused põhinevad kontrollitud allikatel, tõendid on viidatud ja inimesed kontrollivad olulisi tulemusi.
Heli transkribeerimine muudab salvestistel kõneldud keele kirjalikuks tekstiks. Tänapäevased automaatse kõnetuvastuse süsteemid lisavad ka kirjavahemärgid, eristavad kõnelejaid ja annavad mõnikord ajatemplid. Seda kasutatakse koosolekute protokollide, intervjuude, subtiitrite ja klientidega peetud kõnede dokumenteerimiseks. Kvaliteet sõltub suuresti helikvaliteedist, aktsendist ja erialasõnavarast; isikuandmeid sisaldavate vestluste puhul tuleb arvestada nõusoleku ja andmekaitsega.
Heteronüüm on sõna, mis kirjutatakse samamoodi nagu mõni teine, kuid hääldatakse teisiti ja mille tähendus on erinev – näiteks inglise keeles „lead“ (juhtima) ja „lead“ (plii) või „wind“ (tuul) ja „wind“ (keerama). Heteronüümid on homograafide alamhulk. Need on väljakutse kõnesünteesisüsteemidele, sest õige hääldus on tuletatav ainult kontekstist, sageli sõnaliigi analüüsi abil.
Heuristika on kogemusreeglid või lihtsustatud strateegiad, mis viivad mõistliku aja jooksul hea, kuigi mitte tingimata optimaalse lahenduseni. Arvutiteaduses ja TI-s aitavad need kitsendada tohutuid otsinguruume – näiteks marsruudi planeerimisel, kus sihtkohani joonkaugus on hinnanguks, või males, kus positsioone hinnatakse. Inimesed kasutavad heuristikat ka igapäevastes ja äriotsustes, millega kaasneb süstemaatiliste mõtlemisvigade oht.
Horovod on avatud lähtekoodiga raamistik süvaõppemudelite hajutatud treenimiseks paljudel GPU-del või masinatel. Algselt Uberis välja töötatud raamistik toetab TensorFlow'd, Kerast, PyTorchi ja MXNeti ning sünkroniseerib osalevate masinate arvutatud gradiendid ring-allreduce'i abil, ilma keskse parameetriserverita. Projekti majutab LF AI & Data Foundation; uusim stabiilne väljalase 0.28.1 pärineb aastast 2023 (seisuga oktoober 2026).
Hugging Face Transformers on avatud lähtekoodiga Pythoni teek, mis annab ühtse ja järjepideva liidese kaudu juurdepääsu teksti, piltide ja heli eeltreenitud mudelitele. Arendajad kasutavad seda mudelite allalaadimiseks Hugging Face Hubist, katsetamiseks, oma andmetele kohandamiseks või kohalikuks käitamiseks. Alates versioonist 5 keskendub teek peamiselt PyTorchile (seisuga oktoober 2026). Näide: meeskond testib sentimendianalüüsi mudelit vaid mõne koodireaga.
Hägus sobitamine (fuzzy matching) leiab kirjeid, mis on sarnased, kuid mitte täpselt identsed – näiteks kirjavigade, lühendite või erinevate kirjaviiside tõttu. See tugineb sarnasusmõõtudele, nagu Levenshteini kaugus, mis loendab, mitut märki on vaja muuta. Tüüpiline kasutus on duplikaatide leidmine aadressi- ja kliendiandmetes: „Tamm OÜ, Pikk 5“ ja „Tamm Osaühing, Pikk tn 5“ tuvastatakse tõenäoliselt samaks kirjeks.
Hüperparameetrid on seaded, mis fikseeritakse enne mudeli treenimist, näiteks õppimiskiirus, kihtide arv või regulariseerimise tugevus. Hüperparameetrite optimeerimine otsib süstemaatiliselt kombinatsiooni, mis toimib valideerimisandmetel kõige paremini, näiteks ruudustikotsingu, juhuotsingu või Bayesi optimeerimise abil. Hästi valitud väärtused parandavad täpsust ning vähendavad üle- või alasobitamist, kuid otsing nõuab arvutusaega.
Ideogram on TI-teenus, mis loob tekstikirjelduste põhjal pilte; selle on välja töötanud samanimeline, 2022. aastal asutatud ettevõte. See on tuntud eelkõige piltide sees loetava teksti kujutamise poolest, mistõttu on see kasulik plakatite, kutsete või sotsiaalmeedia graafika jaoks. See on saadaval veebirakendusena ja API kaudu; mudeliversioonid ja litsentsitingimused muutuvad regulaarselt (seisuga oktoober 2026). Enne kommertskasutust tuleks kasutusõigused üle kontrollida.
Infootsing hõlmab meetodeid, mis leiavad suurest tekstihulgast päringule vastavad dokumendid või lõigud ja järjestavad need olulisuse järgi. Klassikalised lähenemised, nagu BM25, kaalutlevad otsingutermineid selle järgi, kui sageli ja kui harva need esinevad; uuemad lisavad semantilise sarnasuse. See on otsingumootorite, ettevõttesisese otsingu ja otsingupõhise genereerimise (RAG) aluseks, kus keelemudel kasutab leitud lõike oma vastuse alusena.
Inimene tsüklis (human-in-the-loop) kirjeldab töövooge, kus inimesed astuvad TI-protsessi kindlates punktides sisse: nad vaatavad tulemused üle, kinnitavad või parandavad need või võtavad üle rasked juhtumid. Põhimõte vähendab vigase väljundi riski ja jätab vastutuse inimestele, eriti üksikisikuid, raha või õigusküsimusi puudutavate otsuste puhul. Näide: TI-agent koostab vastuste kavandeid klienditaotlustele ja töötaja kontrollib neid enne saatmist.
Insight engine on ettevõttesisese otsingu vorm, mis toob kokku info paljudest allikatest, näiteks dokumentidest, e-kirjadest, andmebaasidest ja rakendustest, ning analüüsib seda TI-võtetega. Pelgade tabamuste loendite asemel annab see ette valmistatud vastuseid, seoseid või soovitusi, sageli käsilolevat ülesannet arvestades. Terminit on populariseerinud peamiselt valdkonna analüütikud. Näide: enne kliendikohtumist näeb müügimeeskond kõiki asjakohaseid lepinguid, pöördumisi ja märkmeid ühes kohas.
Instantssegmenteerimine (instance segmentation) on masinnägemise võte, mis tuvastab pildil iga üksiku objekti ja piirab selle pikslite täpsusega. Erinevalt semantilisest segmenteerimisest eristab see ka sama klassi objekte: kolm inimest saavad kolm eraldi maski, mitte ühte ühist ala. Seda kasutatakse näiteks kvaliteedikontrollis, meditsiinilises kuvamises, robootikas või toodete loendamisel riiulil.
Juhistega häälestamine (instruction tuning) on peenhäälestuse vorm, kus eeltreenitud keelemudelit treenitakse edasi paljude juhiste ja soovitud vastuste paaridega. See õpetab mudelit järgima loomulikus keeles sõnastatud ülesandeid, mitte lihtsalt teksti jätkama. See on oluline samm baasmudeli muutmisel assistendiks ja seda kombineeritakse sageli selliste meetoditega nagu RLHF. Näide: „Võta see tekst kolme lausega kokku“ täidetakse usaldusväärselt.
Intelligentne dokumenditöötlus (intelligent document processing, IDP) loeb automaatselt dokumente, nagu arved, lepingud või vormid, tuvastab nende tüübi ja muudab olulised andmed struktureeritud andmeteks. See ühendab skannitud dokumentide tekstituvastuse, loomuliku keele töötluse ja valideerimisreeglid. Organisatsioonid säästavad käsitsi andmesisestust ja kiirendavad protsesse, nagu saabuvate arvete või posti käsitlemine. Ebakindlad väljad peaksid inimesed üle kontrollima.
Intelligentne agent on süsteem, mis tajub oma keskkonda, töötleb infot ja valib iseseisvalt toiminguid eesmärgi saavutamiseks. Tänapäeval viitab termin tavaliselt suurtel keelemudelitel põhinevale tarkvarale, mis järgib juhiseid, toetub teadmistele ja kutsub välja tööriistu, nagu otsingufunktsioon või API. Kui palju agent tohib iseseisvalt teha, tuleks otsustada teadlikult. Näide: agent vastab klientide küsimustele tootedokumentatsiooni põhjal.
Teenusepakkuja töötleb isikuandmeid ettevõtte nimel. Selleks on vaja lepingut IKÜM artikli 28 alusel.
Jadamodelleerimine hõlmab meetodeid, mis töötlevad ja ennustavad kindlas järjekorras andmeid, kus iga elemendi asukoht loeb. Tüüpilised jadad on tekst, kõnekeel, aegread nagu müük või anduri näidud ning DNA lõigud. Rakendused ulatuvad tõlkest ja tekstigenereerimisest kõnetuvastuse ja müügiprognoosideni. Selleks on kasutatud varjatud Markovi mudeleid ja rekurrentseid võrke; tänapäeval domineerivad keele puhul transformer-mudelid.
Jailbreaking tähendab katseid TI-mudeli ohutusreeglitest mööda hiilida nutikalt sõnastatud sisenditega, et see looks sisu või teeks toiminguid, millest ta peaks keelduma. Organisatsioonide jaoks on see risk, sest vestlusrobot võib näiteks avaldada konfidentsiaalseid juhiseid või reageerida sobimatult. Kaitsemeetmed on selged süsteemijuhised, sisendite ja väljundite filtreerimine, piiratud õigused, logimine ja regulaarne turvatestimine (red teaming).
Jasper on Jasper AI, 2021. aastal asutatud USA ettevõtte, TI-platvorm turundusmeeskondadele. See aitab luua tekste, nagu blogipostitused, reklaamid või sotsiaalmeedia postitused, ning võib arvestada salvestatud brändijuhiste ja kõnetooniga. Pakkuja positsioneerib end nüüd spetsialiseeritud agentide ja automatiseeritud sisutöövoogude ümber (seisuga oktoober 2026). Nagu iga tekstigeneraatori puhul, tuleks fakte ja väiteid enne avaldamist kontrollida.
Juhendamata õppes saab mudel andmeid ilma etteantud õigete vastusteta ja otsib ise struktuure. Tüüpilised meetodid on klasterdamine, mis rühmitab sarnased kirjed, ja mõõtmelisuse vähendamine, mis tihendab paljud tunnused mõneks põhiliseks. Organisatsioonid kasutavad seda kliendisegmentide avastamiseks või ebatavaliste tehingute märkamiseks; leitud rühmi peavad seejärel tõlgendama valdkonnaeksperdid.
Juhendatud õppes õpib mudel näidetest, mille õige vastus on juba teada, näiteks e-kirjadest, mis on märgitud „rämpspost“ või „mitte rämpspost“. Nende põhjal tuletab ta reeglid uute, nägemata juhtumite klassifitseerimiseks või väärtuste ennustamiseks. Tüüpilised ülesanded on klassifitseerimine ja regressioon; suurem osa vaevast läheb puhtalt märgendatud andmete loomisele.
Agendi püsiv ülesandepüstitus: roll, toon, piirid. Sageli nimetatakse seda „promptiks“.
Juhumetsa regressioon ennustab arvväärtusi, kombineerides paljusid otsustuspuid. Iga puud treenitakse andmete juhuvalimil ja tunnuste juhuslikul valikul; tulemus on kõigi puude ennustuste keskmine. See muudab meetodi töökindlamaks ja vähem ülesobitamisele kalduvaks kui üksik puu. Seda kasutatakse näiteks müügiprognoosideks, hinnahinnanguteks või energiavajaduse ennustamiseks – sageli tugeva lähtepunktina tabeliandmete jaoks.
Jupyter Notebook on Project Jupyteri avatud lähtekoodiga brauseripõhine rakendus, mis ühendab käivitatava koodi, tulemused, diagrammid ja selgitava teksti ühes dokumendis. Märkmikke kasutatakse laialdaselt andmeanalüüsis, masinõppes, uurimistöös ja õpetamisel, sest iga sammu saab dokumenteerida ja jagada jälgitaval viisil. Python on kõige levinum keel. Näide: analüütik laadib müügiandmed, puhastab need ja näitab tulemusi otse allpool diagrammina.
TI-toetatud juriidiliste dokumentide ülevaatuses analüüsib keelemudel lepinguid, üldtingimusi või õiguslikke kirjalikke seisukohti: see võtab kokku põhipunktid, nagu kehtivusaeg, lõpetamine ja vastutus, märgib ebatavalised klauslid ja juhib tähelepanu puuduvatele sätetele. See kiirendab esmast läbivaatust märgatavalt, kuid ei asenda õigusnõustamist; hindamine ja vastutus jäävad kvalifitseeritud inimestele.
K lähimat naabrit (k-nearest neighbours, k-NN) on lihtne juhendatud õppe meetod. Uue andmepunkti klassifitseerimiseks otsib see k kõige sarnasemat teadaolevat näidet ning võtab nende kõige sagedasema klassi või arvuliste väärtuste puhul nende keskmise. See ei vaja päris treeningfaasi, kuid muutub suurte andmehulkade puhul aeglaseks ja on tundlik tunnuste skaleerimise suhtes. Näide: tootesoovitused sarnaste klientide põhjal.
K-keskmiste meetod (k-means) on juhendamata õppe meetod, mis jagab andmepunktid ettemääratud arvuks k rühmaks. See määrab iga punkti lähimasse rühma keskpunkti ja liigutab neid keskpunkte seni, kuni jaotused peaaegu enam ei muutu. Meetod on kiire ja lihtsasti mõistetav, kuid nõuab k mõistlikku valikut ja võrreldavas skaalas tunnuseid. Näide: klientide rühmitamine ostusageduse ja ostukorvi väärtuse järgi.
Kaggle on andmeteaduse ja masinõppe veebiplatvorm, mis kuulub alates 2017. aastast Google'ile. See pakub avalikke andmehulki, päris probleemidel põhinevaid võistlusi, brauseripõhiseid märkmikke koos arvutusressurssidega ja õppekursusi. Organisatsioonidele ja õppijatele on see kasulik meetodite katsetamiseks, lähenemisviiside võrdlemiseks või talentide märkamiseks. Enne kasutamist tuleks kontrollida andmehulga litsentsi ja päritolu.
Kahesuunaline LSTM (BiLSTM) on rekurrentne närvivõrk, mis loeb jada nii edasi- kui ka tagasisuunas ja ühendab kaks vaadet. See tähendab, et arvesse võetakse ka iga sõnale järgnevat konteksti. Enne transformerite esiletõusu oli see standardvalik selliste ülesannete jaoks nagu sõnaliikide märgendamine, nimeolemite tuvastamine ja kõnetuvastus. Väga pikkade tekstide ja suurte andmekogumite puhul toimivad transformerid nüüd tavaliselt paremini.
„Kas mõtlesite…?“ (did you mean, DYM) on otsingufunktsioon, mis pakub parandatud päringut, kui sisend tundub valesti kirjutatud või ebatavaline. See tugineb sõnadevahelistele sarnasusmõõtudele, keelemudelitele ja sagedaste otsingute analüüsile. Näide: kui keegi kirjutab veebipoes „kohvimassin“, näeb ta „Kas mõtlesite: kohvimasin?“. Funktsioon vähendab tühje tulemuslehti ja parandab seega otsingukogemust.
Kaudse prompt injection'i korral ei ole manipuleerivad juhised kasutaja sisendis, vaid peidetud sisus, mida TI-süsteem muu hulgas töötleb, näiteks veebilehtedel, e-kirjades või dokumentides. Kui agent sellist sisu loeb, võib ta peidetud käsud ekslikult päris ülesanneteks pidada ja näiteks andmeid avaldada. Kaitsemeetmed on välise sisu käsitlemine rangelt andmetena, õiguste piiramine, sisendite filtreerimine ja inimese kinnituse nõudmine kriitiliste toimingute puhul.
Keele tuvastamine määrab automaatselt, millises keeles tekst on kirjutatud, näiteks saksa, itaalia või hispaania keeles. Klassikalised meetodid analüüsivad iseloomulikke tähejärjendeid, suured keelemudelid aga tuvastavad keele kõrvalproduktina. Seda kasutatakse päringute suunamiseks õigele tiimile, sobivate tõlgete käivitamiseks või vastamiseks teise osapoole keeles. Väga lühikesed tekstid ja mitme keele segud on keerulised.
Kehaasendi hindamine (pose estimation) on arvutinägemise tehnika, mis määrab piltidel või videos inimeste kehaasendi või objektide asukoha ja suuna. Tavaliselt tuvastab mudel võtmepunktid, nagu õlad, küünarnukid ja põlved, ning ühendab need skeletiks. Seda kasutatakse näiteks treeninguid kontrollivates fitnessirakendustes, töökoha ergonoomika analüüsis, spordianalüütikas ja robootikas.
Kehastunud TI-agentidel on füüsiline või simuleeritud keha, mille kaudu nad tajuvad ümbrust anduritega ja mõjutavad seda liikumisega. Näited on lao- ja kodurobotid, humanoidrobotid ning tegelased simulatsioonides, kus roboteid treenitakse enne päriselus kasutamist. Väljakutse on tajumise, planeerimise ja ohutu tegutsemise ühendamine ettearvamatus maailmas.
Keras on avatud lähtekoodiga Pythoni teek närvivõrkude ehitamiseks ja treenimiseks, mille töötas algselt välja François Chollet. See pakub kergesti kasutatavat kõrgetasemelist liidest mudelite kokkupanekuks kihtidest. Alates versioonist 3 saab Keras töötada arvutustaustsüsteemina JAX-il, TensorFlow'l või PyTorchil. Näide: meeskond ehitab pildiklassifitseerimise mudeli prototüübi vaid mõne koodireaga.
Keskmine absoluutviga (MAE) näitab, kui palju mudeli ennustused tegelikest väärtustest keskmiselt erinevad, olenemata suunast. See väljendatakse sihtmuutuja ühikutes, mistõttu on seda lihtne mõista. Näide: päevase müügiprognoosi MAE 12 tähendab, et mudel eksib keskmiselt 12 ühiku võrra. Erandväärtustele annab see vähem kaalu kui ruutvigadel põhinevad mõõdikud.
Keskmine keskmistatud täpsus (mean average precision, mAP) on mõõdik, mis hindab, kui hästi süsteem leiab asjakohaseid tulemusi ja järjestab need tipu lähedale. Keskmine täpsus arvutatakse iga päringu või objektiklassi tulemusloendi põhjal; mAP on nende kõigi keskmine. See on otsingumootorite, soovitussüsteemide ja piltidel objektituvastuse standardmõõt, kus see sõltub ka piirdekastide nõutavast kattuvusest.
Klassifikaator on mudel või meetod, mis määrab sisendid ühte mitmest etteantud kategooriast. Klassikalisi variante, nagu otsustuspuud või naiivne Bayes, treenitakse märgendatud näidetega; keelemudelid saavad tekste sorteerida ka kategooriate kirjelduse põhjal. Tüüpilised kasutusalad on rämpsposti tuvastamine, klienditaotluste sorteerimine teemade kaupa ja kviitungite kategoriseerimine. Kvaliteeti mõõdetakse selliste mõõdikutega nagu täpsus (accuracy), täpsus (precision) ja saagis (recall).
Loetavuse uuringutes on klassitase näitaja selle kooliaasta kohta, millest alates teksti üldiselt mõistetakse. Tuntud näide on Flesch–Kincaidi klassitase, mis arvutab lause pikkusest ja silpide arvust sõnas USA kooliklassi; skoor 8 vastab ligikaudu kaheksandale klassile. Sellised skoorid kanduvad teistesse keeltesse üle vaid osaliselt, mistõttu kasutatakse saksa keele jaoks sageli kohandatud valemeid, nagu Flesch'i Amstadi versioon või LIX.
Klienditeeninduse automatiseerimine tähendab, et korduvaid kliendipäringuid käsitleb täielikult või osaliselt tarkvara – näiteks vestlusrobotite, vastusesoovituste või piletite eelsorteerimise kaudu. Levinud küsimustele lahtiolekuaegade, tarne oleku või tagastuste kohta saab vastata ööpäevaringselt, samal ajal kui meeskond võidab aega keeruliste juhtumite jaoks. Usaldusväärsed teadmiste allikad ja lihtne üleandmine inimestele on hädavajalikud.
KNIME on andmeanalüütika tarkvara, kus töövood pannakse visuaalselt kokku plokkidest („sõlmedest“) programmeerimise asemel. Avatud lähtekoodiga KNIME Analytics Platform katab andmete importimise, puhastamise, analüüsi, masinõppe ja aruandluse, samas kui pakkuja kommertstooted lisavad koostöö ja käitamise organisatsioonides. Tüüpiline näide on töövoog, mis ühendab mitmest Exceli failist igakuised müügiandmed, puhastab need ja koostab prognoosi.
Kognitiivne andmetöötlus (cognitive computing) on koondmõiste süsteemidele, mis peaksid jäljendama inimmõtlemise protsesse, nagu keele mõistmine, arutlemine ja kogemusest õppimine, et toetada inimeste otsuseid. Termin sai laialt tuntuks 2010. aastatel peamiselt IBM Watsoni kaudu. See ühendab selliseid meetodeid nagu loomuliku keele töötlus, masinõpe ja teadmuse esitamine; täna räägitakse selle asemel sagedamini TI-assistentidest või keelemudelitest.
Kognitiivne kaart on algselt psühholoogia termin, mis kirjeldab vaimset kujutist, mille inimesed või loomad oma ümbrusest moodustavad. Juhtimises ja TI-s viitab see ka graafilistele mudelitele, mis näitavad mõisteid sõlmedena ja nende põhjus-tagajärg seoseid kaalutud nooltena, näiteks „hägusad kognitiivsed kaardid“ (fuzzy cognitive maps). Sellised kaardid aitavad struktureerida eksperditeadmisi ja uurida stsenaariume, näiteks kuidas hinnamuutused mõjutavad nõudlust ja laovarusid.
Konkurentsikraav (moat) on püsiv konkurentsieelis, mis kaitseb ettevõtet jäljendajate eest, näiteks võrgustikuefektid, vahetamiskulud, tugev bränd, ainuõiguslikud andmed või sügav integratsioon klientide protsessidesse. Küsimus on eriti oluline TI-pakkumiste jaoks, sest paljud tooted tuginevad samadele saadaolevatele mudelitele. Eelised tulenevad siis pigem valdkonnateadmistest, klienditundmisest, headest protsessidest ja usaldusest kui ainuüksi tehnoloogiast.
Kontekstiakna manipuleerimine tähendab rünnakuid, mis mõjutavad tahtlikult teksti, mida keelemudel korraga töötleb, näiteks dokumentidesse peidetud juhiste, vestluse väljamõeldud varasemate osade või suure hulga täiteteksti kaudu, mis tõrjub algsed reeglid tagaplaanile. Kaitse tuleneb usaldusväärsete juhiste selgest eraldamisest välisest sisust, pikkusepiirangutest, sisendite kontrollist ning agentidele võimalikult väheste õiguste andmisest.
Konvolutsiooniline närvivõrk (CNN) on närvivõrgu arhitektuur, mis sobib eriti hästi pildiandmete jaoks. See skaneerib sisendit väikeste filtritega, tuvastades esimestes kihtides lihtsaid tunnuseid, nagu servad, ja sügavamates kihtides keerukamaid kujundeid. CNN-id kujundasid pildituvastust palju aastaid ja neid kasutatakse näiteks defektide leidmiseks tootefotodel või meditsiinilises pildianalüüsis.
Masinõppes tähendab koondumine (convergence) seda, et treenimisprotseduur läheneb stabiilsele olekule: kadu peaaegu enam ei vähene ja mudeli parameetrid muutuvad vaid minimaalselt. See, kas ja kui kiiresti mudel koondub, sõltub sellistest teguritest nagu õppimiskiirus, andmekvaliteet ja mudeli arhitektuur. Kui õppimiskiirus on liiga kõrge, kadu hüpleb; kui liiga madal, kestab treenimine põhjendamatult kaua. Koondumine ei garanteeri head mudelit, sest see võib siiski olla ülesobitatud.
Koostöörobotid ehk kobotid on tööstusrobotid, mis on loodud töötama otse inimeste kõrval ilma eraldava kaitsepiirdeta. Andurid, piiratud jõud ja kiirused ning ohutusfunktsioonid tagavad, et need peatuvad või taanduvad kokkupuutel; nõuded on sätestatud standardites, nagu ISO 10218 seeria. Kobotid tegelevad selliste ülesannetega nagu masinate laadimine, kruvimine või pakkimine, samal ajal kui töötajad hoolitsevad kontrolli ja erijuhtumite eest.
Koreferentsi lahendamine (coreference resolution) on loomuliku keele töötluse ülesanne, mis tuvastab, millised väljendid tekstis viitavad samale isikule, asjale või küsimusele. Lauses „Proua Weber helistas. Ta soovib tagasihelistamist“ peab süsteem aru saama, et „ta“ tähendab proua Weberit. See on oluline kokkuvõtete, infoekstraktsiooni ja vestlusrobotite jaoks, mis peavad mitme lause või vestluskorra vältel viidetel silma peal hoidma.
Korpus on tekstide või keeleandmete struktureeritud kogu, mis on koostatud analüüsiks, uurimistööks või keelemudelite treenimiseks. See võib olla üldine, näiteks paljude aastate uudistekstid, või valdkonnaspetsiifiline, näiteks ettevõtte kõik lepingud ja juhendid. Suurus, tasakaal, ajakohasus ja tekstide õigused määravad, kui kasulikud saadud tulemused on.
Korrektuur on teksti kontrollimine õigekirja, grammatika ja kirjavahemärkide osas, sageli koos järjepideva keelekasutusega; toimetamine läheb kaugemale ning käsitleb ka stiili, struktuuri ja sisu. TI saab kiiresti märkida vigu ja pakkuda parandusi, näiteks pakkumistes, uudiskirjades või veebilehtedel. Soovitatav on loetleda kõik muudatused läbipaistvalt ja lasta inimesel erisõnade, pärisnimede ja tähenduse lõppkontroll teha.
Korrigeeritud determinatsioonikordaja mõõdab, kui hästi regressioonimudel andmete varieeruvust selgitab, arvestades kasutatud selgitavate muutujate arvu. Tavaline R² kasvab iga lisamuutujaga, isegi kui see midagi juurde ei anna; korrigeeritud versioon karistab tarbetute muutujate eest. See võimaldab õiglasemalt võrrelda eri suurusega mudeleid, näiteks müügiprognoosi kolme või kümne teguriga.
Kubeflow on avatud lähtekoodiga platvorm masinõppe töövoogude käitamiseks Kubernetesel, alates andmete ettevalmistusest kuni treenimise ja hüperparameetrite otsinguni ning mudelite teenindamiseni. Algselt Google'i algatatud projekt kuulub Cloud Native Computing Foundationi, kus see saavutas 2026. aasta augustis staatuse „graduated“ (seisuga oktoober 2026). See on suunatud peamiselt meeskondadele, kes treenivad oma mudeleid suures mahus oma või pilvetaristul.
Kvantarvutus kasutab kvantfüüsika efekte, nagu superpositsioon ja põimumine, et arvutada kubittidega klassikaliste bitide asemel. Suuri kiiruseeliseid oodatakse teatud ülesannete puhul, näiteks molekulide simuleerimisel, mõnede optimeerimisprobleemide lahendamisel või tänapäevaste krüpteerimismeetodite murdmisel. Masinad on aga veel veaaldid ja neid kasutatakse enamasti teaduses ja pilootprojektides (seisuga oktoober 2026). Tänapäevastes TI-rakendustes ei mängi kvantarvutus praktiliselt veel mingit rolli.
Kõnetuvastus, mida nimetatakse ka ASR-iks (automatic speech recognition), teisendab kõneldud keele automaatselt kirjalikuks tekstiks. Kaasaegsed süsteemid kasutavad suurtel heliülesvõtete hulkadel treenitud närvivõrke ning tulevad aktsentide ja taustamüraga mõistlikult toime. Rakenduste hulka kuuluvad dikteerimine, subtiitrid, hääleassistendid ning koosolekute ja klientide kõnede transkribeerimine. Erialatermineid, pärisnimesid ja halba helikvaliteeti peetakse endiselt sagedasteks veaallikateks.
Kõvera alune pindala (area under the curve, AUC) on klassifitseerimismudelite mõõdik, mis viitab tavaliselt ROC-kõverale. See näitab, kui hästi mudel positiivseid ja negatiivseid juhtumeid eristab, sõltumata konkreetsest lävendist. Väärtus 1 tähendab täiuslikku eristamist; 0,5 pole parem kui ära arvamine. Näide: AUC-ga 0,85 klientide lahkumise mudel järjestab juhuslikult valitud lahkuva kliendi riskantsemaks kui truu kliendi 85% juhtudest.
Küsimustele vastamine (question answering, QA) on loomuliku keele töötluse valdkond, kus süsteem vastab igapäevakeeles esitatud küsimustele otse, selle asemel et tagastada otsingutulemuste loend. Kaasaegsed süsteemid otsivad teadmusbaasist asjakohaseid lõike ja koostavad neist vastuse, ideaalis allikaviitega. Tüüpilised kasutusalad on klienditeenindus, sisemised teadmusbaasid ja kasutusjuhendid – näiteks küsimus töötajate käsiraamatule: „Mitu puhkusepäeva ma esimesel aastal saan?“
Laiendatavus on tarkvara võime võtta kasutusele uusi funktsioone, andmeallikaid või ühendusi, ilma et selle tuuma tuleks ümber ehitada. Tüüpilised vahendid on rakendusliidesed (API-d), webhookid, pistikprogrammid ja avatud standardid, nagu Model Context Protocol (MCP). Ettevõtete jaoks töötab laiendatav TI-lahendus koos olemasolevate süsteemidega, näiteks CRM-i või veebipoega, ja saab kasvada koos muutuvate nõuetega.
LangChain on avatud lähtekoodiga raamistik Pythonile ja JavaScriptile, mida arendajad kasutavad keelemudelitel põhinevate rakenduste ehitamiseks. See pakub ühtseid liideseid paljudele mudelipakkujatele ning ehituskive tööriistade kutsumiseks, agentidele, dokumenditöötluseks ja otsingupõhiseks genereerimiseks (RAG). Alates versioonist 1.0 (oktoober 2025) põhinevad LangChaini agendid LangGraphil. Tüüpilised kasutusalad on sisedokumentides otsivad vestlusrobotid ja välisteenuseid kutsuvad agendid.
LangGraph on LangChaini ökosüsteemi avatud lähtekoodiga raamistik TI-agentide ja mitmeastmeliste protsesside modelleerimiseks sõlmede ja servade graafina. Ühine olek antakse sammult sammule edasi ning silmused, harud, kontrollpunktid ja katkestused inimese kinnituse jaoks on sisse ehitatud. Versioon 1.0 ilmus 2025. aasta oktoobris. Üks näide on agent, mis uurib teemat, kirjutab kavandi ja ootab enne saatmist kinnitust.
LazyGraphRAG on graafipõhise otsingupõhise genereerimise lähenemine, mille esitas Microsoft Research 2024. aastal. Erinevalt GraphRAG-ist ei lase see indekseerimise ajal keelemudelil kokkuvõtteid luua; selle asemel tuvastab see mõisted ja nende koosesinemised klassikalise loomuliku keele töötlusega ning keelemudelit kasutatakse alles päringu ajal. Microsofti sõnul viib see indekseerimiskulud põhilise vektor-RAG-i tasemele. See sobib eriti küsimustele, mis nõuavad ülevaadet suurtest dokumendikogudest.
Lausete ümbersõnastaja sõnastab üksikud laused või lühikesed lõigud ümber, muutmata nende tähendust. See võib lauset lihtsustada, muuta ametlikumaks või sõbralikumaks, lühendada või vältida kordusi. See on kasulik näiteks klientidele vastates, tootetekstides või siis, kui lause kõlab kohmakalt. Kiire kontroll jääb siiski oluliseks, et terminid, arvud ja väited oleksid pärast ümbersõnastamist ikka õiged.
Lead routing on saabuvate päringute automaatne määramine vastutavale isikule, osakonnale või piirkonnale. Kriteeriumid võivad olla teema, toode, ettevõtte suurus, keel või kiireloomulisus. TI saab päringu vaba teksti mõista ja kategoriseerida, näiteks kas see puudutab uut pakkumist, tugiprobleemi või tööavaldust. Kiire ja täpne suunamine lühendab reageerimisaegu ning hoiab ära päringute vastuseta jäämise.
Lead scraper on tööriist, mis kogub automaatselt potentsiaalsete klientide kontaktandmeid veebilehtedelt, kataloogidest või sotsiaalvõrgustikest. Saksamaal ja ELis on see õiguslikult tundlik: kontaktisikute nimed ja e-posti aadressid on isikuandmed, mistõttu nende töötlemine nõuab IKÜM-i alusel õiguslikku alust ja andmesubjektide teavitamist ning Saksamaa ebaausa konkurentsi seaduse (UWG, § 7) kohaselt vajavad reklaamilised e-kirjad üldjuhul eelnevat selgesõnalist nõusolekut, ka ettevõtetele. Parem tee on veebilehe kaudu saabuvad päringud, sisu ja soovitused (ei ole õigusnõustamine).
Lexile Framework for Reading on USA ettevõtte MetaMetrics välja töötatud süsteem, mis mõõdab nii inimese lugemisoskust kui ka teksti raskust samal skaalal. Väärtused antakse tähega „L“, näiteks 850L; tekst sobib hästi, kui selle väärtus on lugejaga lähedane. See põhineb peamiselt lause pikkusel ja sõnade sagedusel. Süsteemi kasutatakse laialdaselt koolides ja kirjastamises, eriti ingliskeelsetes riikides.
LightGBM on avatud lähtekoodiga teek otsustuspuudega gradientvõimenduseks, mille töötas algselt välja Microsoft. See on loodud kiiruse ja väikese mälukasutuse jaoks, muu hulgas histogrammipõhise treenimise ja lehekaupa kasvavate puude abil, mis kasvavad kõige lootustandvamast lehest. LightGBM sobib eriti suurte tabelandmete jaoks, näiteks müügiprognoosideks, klientide lahkumise ennustamiseks või pettuste tuvastamiseks, ja seda võrreldakse sageli XGBoostiga.
Lineaarne regressioon on statistiline meetod, mis kirjeldab sihtmuutuja ja ühe või mitme ennustaja vahelist seost sirge või tasandi abil. Koefitsiendid valitakse tavaliselt nii, et hälvete ruutude summa oleks minimaalne. Meetod on lihtsasti mõistetav ja tõlgendatav: näiteks saab hinnata, kui palju tulu kasvab, kui reklaamieelarvet suurendada 1000 € võrra. Mittelineaarsete seoste puhul jõuab see piirini.
LIX (läsbarhetsindex) on Rootsis Carl-Hugo Björnssoni välja töötatud loetavuse mõõt. See liidab keskmise lausepikkuse sõnades pikkade, enam kui kuue tähega sõnade protsendiga. Näide: 15 sõna lause kohta ja 30% pikki sõnu annavad LIX-väärtuse 45. Kuna see ei vaja silpide loendamist, saab seda rakendada paljudele keeltele, sealhulgas saksa keelele; madalad skoorid viitavad lihtsatele tekstidele ja alates umbes 60 skoorid väga rasketele.
LLaMA, nüüd tavaliselt kirjutatud „Llama“, on Meta suurte keelemudelite perekond. Paljud versioonid avaldati allalaaditavate kaaludega Meta oma litsentsi all, mis võimaldab organisatsioonidel neid oma taristul käitada ja kohandada. Viimane suurem põlvkond on Llama 4 (2025); 2026. aastal tutvustas Meta ka Muse mudeliseeriat, millest vaid osa on avatult välja antud (seisuga oktoober 2026).
Suurte keelemudelite eest arveldatakse tavaliselt tokenite alusel, st tekstiühikute järgi, mille suurus on ligikaudu silbist sõnani; sisend- ja väljundtokenitel on eraldi hind ning väljund on üldiselt kallim. Suuremad mudelid maksavad tokeni kohta rohkem kui väikesed, kiired mudelid nagu Claude Haiku, mis sageli lihtsate ülesannete jaoks piisavad. Prompt caching (promptide vahemällu salvestamine) vähendab kulusid, kui sama pikka konteksti saadetakse korduvalt. Abiks on ka lühikesed juhised ja hoolikalt valitud teadmised.
LLM-i turvalisus hõlmab kõiki meetmeid, mis kaitsevad suurtel keelemudelitel põhinevaid rakendusi väärkasutuse, andmelekke ja soovimatu käitumise eest. Tüüpilised riskid on prompt injection, konfidentsiaalsete juhiste või andmete avaldamine ning liiga laiade õigustega agendid. Kaitse tuleneb mitmest kihist: selged juhised, piiratud õigused, sisendite ja väljundite kontroll, TI tulemüürid, red teaming ja regulaarsed auditid.
llms.txt on veebisaidi juurkataloogi paigutatud Markdowni tekstifail, mis annab keelemudelitele lühiülevaate kõige olulisemast sisust koos linkidega. Idee esitas Jeremy Howard (Answer.AI) 2024. aasta septembris. See on ettepanek, mitte ametlik standard; suuremad TI-pakkujad ei ole lubanud seda lugeda (seisuga oktoober 2026). See täiendab faili robots.txt ja saidikaarti, kuid ei asenda neid.
Loetavus kirjeldab, kui kergesti teksti saab lugeda ja mõista. See sõltub lause pikkusest, sõna pikkusest, erisõnadest, lausestruktuurist ja küljendusest ning seda saab ligikaudu hinnata valemitega nagu Fleschi indeks või LIX. Hea loetavus on oluline klientidega suhtlemisel, juhendites, veebilehtedel ja ligipääsetavas sisus. Valemid annavad siiski vaid suuniseid; see, kas tekst on selge, sõltub lõpuks sihtrühmast.
Logaritmiline kadu (log loss) mõõdab, kui hästi klassifitseerimismudeli ennustatud tõenäosused vastavad tegelikele tulemustele. Kindlaid, kuid valesid ennustusi karistatakse eriti rängalt; nullilähedane väärtus viitab hästi kalibreeritud prognoosidele. Näide: kui mudel annab kliendile, kes jääb, 95% lahkumistõenäosuse, tõuseb logaritmiline kadu järsult. Matemaatiliselt on see sama mis binaarne ristentroopia.
Logistiline regressioon on statistiline meetod, mis ennustab ühe kahest tulemusest tõenäosust, näiteks „ostab“ või „ei osta“. See kaalub sisendtunnuseid ja teisendab nende summa S-kujulise funktsiooni abil väärtuseks vahemikus 0 kuni 1. Kuna kaale on lihtne tõlgendada, kasutatakse seda laialdaselt krediidiskooringus, meditsiinis ja turunduses, sageli kindla lähtetasemena keerukamate mudelite jaoks.
Long Short-Term Memory (LSTM) on rekurrentse närvivõrgu tüüp, mis suudab infot pikkades jadades säilitada. Nn väravad otsustavad igal sammul, mida salvestada, unustada või väljastada, mis leevendab kaduva gradiendi probleemi. Mitu aastat kujundasid LSTM-id kõnetuvastust, tõlget ja aegridade prognoosimist. Keeletöötluses on need suuresti asendunud transformeritega, kuid anduriandmete puhul on need endiselt levinud.
Loomuliku keele genereerimine (NLG) on keeletöötluse valdkond, mis loob andmetest, märksõnadest või muudest sisenditest arusaadavat teksti. Varasemad NLG-süsteemid tuginesid mallidele ja reeglitele; tänapäeval kasutab enamik suuri keelemudeleid. Tüüpilised kasutusalad on ilma- ja börsiaruanded, tootekirjeldused, näitajate kokkuvõtted ja vestlusrobotite vastused. Oluline on, et sisendite arvud ja faktid kantakse üle õigesti ja muutmata.
Loomuliku keele mõistmine on keeletöötluse osa, mis haarab väljendi tähenduse: milline kavatsus selle taga on, milliseid inimesi, kohti või kuupäevi mainitakse ja milline on toon? Koos loomuliku keele genereerimisega (NLG) moodustab NLU ühe NLP kahest poolest. Näide on klienditeenindussüsteem, mis tuvastab lause „Mu pakk ei ole veel kohale jõudnud“ tarnepäringuna.
Loomuliku keele töötlus on TI haru, mis võimaldab arvutitel analüüsida, mõista ja genereerida inimkeelt tekstis või kõnes. See hõlmab ülesandeid nagu tõlge, klassifitseerimine, kokkuvõtete tegemine, meelestatuse analüüs ja küsimustele vastamine. Kunagi domineerisid reeglid ja statistilised meetodid; tänapäeval kujundavad valdkonda suured keelemudelid.
Lugemistase näitab lugemisoskuse taset, mida tekst nõuab või mille inimene on saavutanud. Olenevalt süsteemist väljendatakse seda kooliklassina, väärtusena skaalal nagu Lexile või tasemena õppekavades ja keeleraamistikes, näiteks A2 või B1 Euroopa keeleõppe raamdokumendis. Praktikas aitab see kohandada tekste sihtrühmale, näiteks selges keeles klienditeave.
Lõigu ümberkirjutaja on TI-tööriist, mis sõnastab olemasoleva lõigu ümber, muutmata selle sisu. Levinud eesmärgid on teistsugune toon, lühem versioon, lihtsam keel või vähem kordusi. See on kasulik näiteks siis, kui sisemine tehniline tekst peab klientidele selgem olema. Sisu ja fakte tuleks pärast siiski kontrollida, sest ümbersõnastamine võib nüansse nihutada.
Masinnägemine on TI valdkond, kus arvutid tõlgendavad pilte ja videot. Tüüpilised ülesanded on objektide tuvastamine ja asukoha määramine, piltidel oleva teksti lugemine ja detailide mõõtmine. Tehnoloogiat kasutatakse näiteks tootmise kvaliteedikontrollis, juhiabisüsteemides, logistikas ja meditsiinilises kuvamises.
Masinõpe on tehisintellekti haru, kus arvutid tuletavad andmetest mustreid, selle asemel et iga reegel oleks selgesõnaliselt programmeeritud. Olenevalt ülesandest õpivad mudelid märgendatud näidetest (juhendatud), märgendamata andmetest (juhendamata) või preemiate kaudu (tugevdusõpe). Rakendused ulatuvad rämpsposti filtritest ja nõudluse prognoosidest tootesoovitusteni. Kvaliteet sõltub suuresti treeningandmete hulgast ja kvaliteedist.
Masinõppe torujuhe (pipeline) on määratletud sammude jada, mis muudab toorandmed kasutuselevõetavaks mudeliks: andmete kogumine ja puhastamine, tunnuste ettevalmistus, treenimine, hindamine, kasutuselevõtt ja jälgimine. Nende sammude automatiseerimine muudab tulemused reprodutseeritavaks ja võimaldab uusi andmeid väikese vaevaga töödelda. Näiteks saab jaemüüja oma müügiprognoosi mudelit igal nädalal uusimate numbritega uuesti treenida ja testida.
Meelestatuse analüüs (sentiment analysis) määrab automaatselt, millist meeleolu või hoiakut tekst väljendab – tavaliselt positiivset, neutraalset või negatiivset, mõnikord peenemaid emotsioone. Ettevõtted kasutavad seda paljude tooteülevaadete, tugikirjade, küsitluste või sotsiaalmeedia postituste hindamiseks ning et kiiresti näha, kus kliendid on rahul ja kus on probleeme. Iroonia, sarkasm ja segatud väited nagu „kiire tarne, pettumust valmistav kvaliteet“ jäävad keerulisteks, seega peaksid inimesed valimeid kontrollima.
Metaprompt on juhis, mis palub keelemudelil ise koostada või täiendada prompte või süsteemijuhiseid. Kirjeldad eesmärgi, sihtrühma ja soovitud tooni ning lisad näited; mudel koostab seejärel struktureeritud juhised koos rolli, reeglite ja piirangutega. See annab kiiremini häid esimesi versioone, mida inimesed seejärel testivad ja täpsustavad. Näide: „klienditeenindus jalgrattapoele“ muutub täielikuks juhiste mustandiks.
Mistral AI on Pariisis asuv TI-ettevõte, mille asutasid 2023. aastal Arthur Mensch, Guillaume Lample ja Timothée Lacroix. See arendab suuri keelemudeleid ning pakub nii avalikult kättesaadavate kaaludega mudeleid, millest mõned on Apache 2.0 litsentsi all, kui ka kommertsmudeleid oma platvormi kaudu. Euroopa organisatsioonide jaoks mainitakse Mistral AI-d sageli andmesuveräänsuse ja mudelite oma taristus käitamise aruteludes.
Mitmeastmeline arutlus (multi-hop reasoning) on TI-süsteemi võime vastata küsimusele mitme järjestikuse järelduse kaudu, sageli kombineerides teavet eri allikatest. Näide: „Millist osakonda juhib projekti X eest vastutav isik?“ nõuab kõigepealt vastutava isiku ja seejärel tema osakonna väljaselgitamist. Sellised küsimused on otsingu- ja RAG-süsteemidele nõudlikud, sest iga vaheetapp tuleb õigesti leida ja siduda.
MLflow on avatud lähtekoodiga platvorm masinõppemudelite kogu elutsükli haldamiseks, mille tõi 2018. aastal algselt välja Databricks. See salvestab katsed koos nende parameetrite ja mõõdikutega, haldab mudeliversioone registris ning lihtsustab kasutuselevõttu. Uuemad versioonid toetavad ka keelemudelitel põhinevate rakenduste jälgimist ja hindamist. Tiimid saavad seega tagantjärele näha, milline mudel loodi milliste andmete ja seadistustega.
Model Context Protocol (MCP) on avatud standard, mis võimaldab TI-rakendustel pääseda ühtsel viisil ligi välistele tööriistadele, andmeallikatele ja teenustele. MCP server pakub funktsioone ning MCP klient, näiteks TI-assistent, saab neid kutsuda. Anthropic tutvustas MCP-d 2024. aasta novembris; alates 2025. aasta detsembrist arendatakse seda Linux Foundationi Agentic AI Foundation'i egiidi all (seisuga oktoober 2026). Nii ei pea iga integratsiooni eraldi ehitama.
Monte Carlo meetodid on arvutustehnikad, mis kasutavad väga suurt arvu juhuslikke valimeid, et lähendada tulemusi, mida on analüütiliselt raske arvutada. Süsteemi simuleeritakse tuhandeid kordi juhuslikult varieeritud eeldustega ning tulemuste jaotust analüüsitakse. Organisatsioonid kasutavad seda riskianalüüsiks, projektide ajakavade koostamiseks või portfelli hindamiseks. TI-s kasutatakse meetodeid muu hulgas stiimulõppes ja mängude puuotsingus.
Mudeli kollaps on kvaliteedikadu, mis võib tekkida, kui generatiivseid mudeleid treenitakse korduvalt andmetel, mille on omakorda loonud TI. Haruldane sisu ja äärejuhtumid lähevad järk-järgult kaduma ning väljundid muutuvad ühetaolisemaks ja veaaldimaks. Teema muutub olulisemaks, kuna TI loodud tekstide ja piltide osakaal internetis kasvab. Hoolikalt valitud inimeste loodud andmed aitavad sellele vastu tegutseda.
Mudeli triiv on mudeli ennustuskvaliteedi järkjärguline langus kasutuse ajal, kuna tegelikkus muutub treeningandmetega võrreldes. Eristatakse sisendandmete muutusi (andmetriiv) ning sisendite ja tulemuste vahelise seose muutusi (kontseptsioonitriiv). Näide: pettuste tuvastamise mudel ei märka uusi pettuseskeeme. Abinõudeks on mõõdikute pidev jälgimine ja regulaarne ümberõpe.
Mudeli tõlgendatavus kirjeldab, kui hästi inimesed saavad aru, kuidas TI-mudel oma tulemusteni jõuab. Lihtsad mudelid, näiteks otsustuspuud, on olemuselt hästi loetavad; keeruliste närvivõrkude puhul võivad aidata meetodid, mis toovad esile üksikute tunnuste mõju. Tõlgendatavus on oluline silumisel, usalduse loomisel ja regulatiivsete nõuete täitmisel, näiteks kui laenutaotluse tagasilükkamist tuleb põhjendada.
Mudeli töökindlus kirjeldab, kui usaldusväärselt TI-mudel toimib, kui sisendid on mürarikkad, mittetäielikud, ebatavalised või tahtlikult manipuleeritud. Töökindel mudel annab ikkagi stabiilseid tulemusi, näiteks piltide tuvastamisel halvas valguses või keelemudelil kirjavigade korral. Töökindlust hinnatakse stressitestide, mitmekesiste treeningandmete ja tahtlike eksitamiskatsete vastu tehtud testidega ning see on eriti oluline turvakriitilistes rakendustes.
Mudelite aheldamine tähendab mitme TI-mudeli või TI-sammu ühendamist järjestikku, nii et ühe sammu väljund muutub järgmise sammu sisendiks. Keerulisi ülesandeid saab nõnda jagada hallatavateks alamülesanneteks, mida saab eraldi kontrollida ja parandada. Näide: üks samm võtab kliendipäringu kokku, teine suunab selle õigele osakonnale ja kolmas koostab vastuse.
Mustrituvastus on andmetes, näiteks piltides, helides, tekstides või mõõtmistulemustes, esinevate seaduspärasuste, struktuuride või korduvate tunnuste automaatne tuvastamine. Süsteemid määravad uued vaatlused tuntud kategooriatesse või avastavad rühmi ilma ette antud siltideta. Rakenduste hulka kuuluvad näo- ja käekirjatuvastus, tootmise kvaliteedikontroll ning ebatavaliste tehingute märkamine. See distsipliin on masinõppe oluline alus.
Müügikõne skriptide generaator on TI-tööriist, mis koostab vestlusjuhiseid müügikõnede jaoks – näiteks külmkõnede, kohtumiste või järelkontaktide tarbeks. Pakkumise ja sihtrühma andmete põhjal loob see sissejuhatuse, selgitavad küsimused, kasuargumendid, vastused tüüpilistele vastuväidetele ja ettepaneku järgmiseks sammuks. Hea juhis pakub orientiiri, mitte jäika skripti: kuulamine ja ausalt nõustamine on olulisemad kui valmisfraasid.
Apache MXNet oli avatud lähtekoodiga süvaõppe raamistik, mis suutis mudeleid tõhusalt treenida mitmel GPU-l ja masinal ning millel olid liidesed Pythonile, C++-le, R-ile, Scalale ja muudele keeltele. Amazon Web Services toetas seda mõned aastad eelistatud raamistikuna. Apache Software Foundation lõpetas projekti 2023. aasta septembris ja viis selle 2024. aasta veebruariks arhiivi Apache Attic; seda ei arendata enam. Olemasolevad mudelid viiakse tavaliselt üle teistele raamistikele.
Naiivne Bayesi klassifikaator on lihtsate klassifitseerimismeetodite perekond, mis põhineb Bayesi teoreemil. Neid nimetatakse „naiivseks“, sest need eeldavad, et kõik tunnused on üksteisest sõltumatud, mis praktikas vastab harva tõele, kuid annab sageli siiski häid tulemusi. Meetodid on kiired, vajavad vähe treeningandmeid ning sobivad eriti hästi tekstide jaoks. Klassikaline näide on rämpspostifilter, mis sorteerib e-kirju tüüpiliste sõnade põhjal.
Negatiivne prompt määrab, mida TI-mudel ei tohi selgesõnaliselt genereerida ega teha. Pildigeneraatorites, näiteks Stable Diffusioni puhul, on see eraldi sisestusväli soovimatute elementide jaoks, nagu „udune“ või „tekst pildil“. Keelemudelite puhul on see juhistes olevate reeglite kujul, näiteks „Ära mõtle hindu välja“ või „Ära anna õigusnõu“. Sellised piirangud muudavad tulemused etteaimatavamaks, kuid ei asenda kontrolli.
Neuromorfne andmetöötlus on aju ehitust jäljendav riist- ja tarkvaralähenemine. Selle asemel et liigutada andmeid taktidena eraldi mälu ja protsessori vahel, töötavad kunstlikud neuronid ja sünapsid paralleelselt ning reageerivad ainult sündmustele, mida nimetatakse impulssideks. See tõotab väga väikest energiatarvet, näiteks andurites või robotites. Tuntud uurimiskiibid on Intel Loihi ja IBM TrueNorth; laialdane kommertskasutus on alles algstaadiumis.
Nimeüksuste tuvastus (named entity recognition, NER) on loomuliku keele töötluse võte, mis leiab tekstist inimeste, ettevõtete ja kohtade nimed ning kuupäevad või summad ja määrab igaühele kategooria. See muudab vaba teksti struktureeritud andmeteks. Näide: e-kirjast eraldatakse automaatselt saatja ettevõte, kontaktisik, tarnekuupäev ja arve summa ning kantakse need CRM-i.
NLTK (Natural Language Toolkit) on avatud lähtekoodiga Pythoni teek loomuliku keele töötluseks, mis loodi 2000. aastate alguses Pennsylvania Ülikoolis. See pakub tööriistu tokeniseerimiseks, sõnatüvede leidmiseks, sõnaliigi märgendamiseks ja lihtsaks klassifitseerimiseks ning juurdepääsu arvukatele tekstikorpustele. NLTK-d kasutatakse peamiselt õppetöös ja teaduses; tootmisrakendused tuginevad sageli sellistele teekidele nagu spaCy või transformer-mudelitele.
No-code tähendab tööriistu, mis võimaldavad inimestel luua rakendusi, automatiseeringuid või veebilehti graafiliste liideste kaudu ilma programmikoodi kirjutamata. Ärimeeskonnad saavad protsesse ise ellu viia ja testida, selle asemel et oodata IT-arendust. Piirid tulevad vastu väga spetsiifiliste nõuete, suurte andmemahtude või sügavate integratsioonide puhul. Näide: müügitiim ehitab lohistamisega töövoo, mis sorteerib ja võtab kokku uusi päringuid.
Nullklõpsuotsing tähendab, et kasutajad saavad vastuse otse tulemuslehel, näiteks esiletõstetud vastusekastide või TI loodud kokkuvõtete kaudu, ega klõpsa enam veebilehele. Ettevõtetele tähendab see väiksemat liiklust ka siis, kui nende sisu on allikaks. Seetõttu muutub järjest olulisemaks olla nähtav viidatud allikana: selgete vastuste, tõendatud faktide ja hästi struktureeritud lehtedega.
NumPy on põhiline avatud lähtekoodiga Pythoni teek numbriliseks arvutamiseks. See pakub mitmemõõtmelisi massiive ning kiireid funktsioone lineaarse algebra, statistika ja juhuslike arvude jaoks, mille tuum töötab kompileeritud koodis. Paljud andmeanalüüsi ja masinõppe tööriistad, näiteks pandas, scikit-learn ja arvukad visualiseerimisteegid, on ehitatud NumPy peale. Pythonis andmetega töötav inimene kasutab seda seega peaaegu alati, otse või kaudselt.
Informaatikas on ontoloogia teemavaldkonna formaalne mudel, mis määratleb selgelt mõisted, nende omadused ja nendevahelised seosed. See võimaldab inimestel ja masinatel tõlgendada andmeid ühtlaselt ja teha nende põhjal järeldusi. Ontoloogiad on paljude teadmusgraafide, semantiliste otsingusüsteemide ja andmeintegratsiooni projektide aluseks. Näide: tooteontoloogia ütleb, et „elektrijalgratas“ on „jalgratas“ ja sellel on „aku“.
Open Neural Network Exchange (ONNX) on masinõppemudelite avatud failivorming, mille võtsid 2017. aastal kasutusele Microsoft ja Facebook (nüüd Meta) ning mida haldab nüüd LF AI & Data Foundation. Näiteks PyTorchis treenitud mudeli saab eksportida ONNX-i ja käitada teiste tööriistade või käituskeskkondadega, nagu ONNX Runtime. See muudab raamistike vahel vahetamise ja eri riistvaral kasutuselevõtu lihtsamaks.
OpenAI on San Franciscos asuv TI-ettevõte, mis asutati 2015. aastal mittetulundusorganisatsioonina. Pärast 2025. aasta oktoobris toimunud ümberkorraldust koosneb see mittetulundusliku OpenAI Foundationi ja selle kontrolli all oleva kasumit taotleva OpenAI Group PBC-st (seisuga oktoober 2026). OpenAI on tuntud eeskätt ChatGPT ja GPT keelemudelite ning pildigeneraatori DALL·E ja kõnetuvastusmudeli Whisper poolest. Selle mudeleid pakutakse rakenduste ja API kaudu.
OpenCV (Open Source Computer Vision Library) on avatud lähtekoodiga tarkvarateek pilditöötluseks ja arvutinägemiseks, mille arendus algas Intelis umbes 2000. aastal. See pakub tuhandeid funktsioone, näiteks piltide filtreerimiseks, servade ja nägude tuvastamiseks, objektide jälgimiseks videos või kaamerate kalibreerimiseks. OpenCV on kirjutatud C++-s, kuid seda kasutatakse sageli Pythoni kaudu, näiteks kvaliteedikontrollis, robootikas ja teadustöös.
Optiline tekstituvastus (OCR) muudab piltidel, näiteks skaneeringutel, fotodel või faksidel olev tekst masinloetavaks tekstiks. Alles siis saab dokumente otsida, kopeerida või automaatselt töödelda. Kaasaegne OCR kasutab närvivõrke ning suudab tuvastada ka tabeleid, küljendust ja mõnel juhul käekirja. Tüüpilised kasutusalad on arvete töötlemine, arhiivide digiteerimine ja vormide lugemine; kvaliteet sõltub suuresti pildikvaliteedist.
Osaliselt juhendatud õpe ühendab väikese hulga märgendatud andmeid suure hulga märgendamata andmetega. Mudel õpib kõigepealt vähestest teadaoleva vastusega näidetest ja kasutab seejärel ülejäänud andmete mustreid enda täiustamiseks – näiteks võttes kindlad ennustused täiendavate treeningnäidetena üle. See tasub end ära, kui märgendamine on kallis, näiteks meditsiiniliste piltide või tuhandete tugipöördumiste puhul.
Otsingu töövoog (retrieval pipeline) on töötlemissammude jada, mille abil süsteem leiab küsimusele sobiva teabe. Tüüpilised sammud on: dokumentide sisestamine ja puhastamine, jagamine lõikudeks, otsinguindeksi ehitamine, soovi korral päringu ümbersõnastamine, vastete leidmine, nende järjestamine (reranking) ja parimate edastamine keelemudelile. See on iga RAG-rakenduse alus ning selle kvaliteet määrab suuresti, kui head vastused tulevad.
Otsinguga täiendatud genereerimine (retrieval-augmented generation) ühendab otsingu ja tekstigenereerimise: enne vastamist otsib süsteem teadmiste kogumikust – näiteks käsiraamatutest, reeglitest või KKK-st – asjakohaseid lõike ja annab need keelemudelile kontekstina. Vastus põhineb seega ajakohasel, ettevõttespetsiifilisel sisul, mitte ainult mudeli treeningteadmistel. See vähendab väljamõeldud väiteid, muudab allikad jälgitavaks ja võimaldab värskendusi ilma ümberõppeta.
Otsustuspuu on mudel, mis kujutab otsust lihtsate jah/ei-küsimuste jadana: iga haru kontrollib ühte tunnust ja iga leht annab tulemuse. Masinõppes õpitakse sellised puud andmetest automaatselt ja neid kasutatakse klassifitseerimiseks või prognoosimiseks. Nende peamine tugevus on läbipaistvus – näiteks näitavad need, miks laenutaotlus sissetuleku, tähtaja ja maksete ajaloo põhjal märgiti.
Ülesobitamine (overfitting) tekib siis, kui mudel jätab treeningandmed, sealhulgas juhuslikud omapärad ja müra, pähe, selle asemel et tabada üldkehtivaid mustreid. Siis tundub see tuttavate andmete puhul väga täpne, kuid toimib uute andmete puhul halvasti. Tüüpiline märk on suur vahe treening- ja testivea vahel. Vastumeetmed on rohkem või mitmekesisemad andmed, lihtsamad mudelid, regulariseerimine, dropout ja ristvalideerimine.
OWASP Top 10 suurte keelemudelite rakendustele on nimekiri olulisematest turvariskidest suurtel keelemudelitel põhinevates rakendustes, mille avaldab OWASP GenAI Security Project. Praegune 2026. aasta väljaanne ilmus 2026. aasta augustis (seisuga oktoober 2026) ja hõlmab: prompti süstimist (prompt injection), tundliku teabe avalikuks tulemist, liigset agentsust, tarneahelat, andme- ja mudelimürgitust, piiramatut ressursikasutust, väärinfot, varjatud konteksti paljastumist, vektorite ja embeddingute nõrkusi ning väljundite ebaõiget käsitlemist. See on kontrollnimekirjaks arenduses ja auditites.
Masinõppes on õppimiskõver diagramm, mis näitab mudeli jõudlust või viga treeningaja või treeningandmete hulga suhtes, tavaliselt eraldi treening- ja valideerimisandmetel. Selle kuju näitab, kas mudel on alasobitatud või ülesobitatud ning kas rohkem andmeid tõenäoliselt aitaks. Kui valideerimisviga jääb näiteks treeningveast selgelt kõrgemaks, viitab see ülesobitamisele. Igapäevakeeles kirjeldab termin ka seda, kui kiiresti inimesed uue tehnoloogia omandavad.
Paketinormaliseerimine on süvanärvivõrkude treenimise tehnika, mis skaleerib iga andmepaketi puhul kihi vaheväärtused ühtlase keskmise ja hajuvusega. See muudab treenimise stabiilsemaks ja sageli kiiremaks ning võrk muutub oma algväärtuste suhtes vähem tundlikuks. 2015. aastal kasutusele võetud tehnika on levinud pildituvastusvõrkudes; transformerid tuginevad tavaliselt sellega seotud kihinormaliseerimisele.
pandas on avatud lähtekoodiga Pythoni teek tabeliandmete analüüsimiseks ja töötlemiseks, mida arendab alates 2008. aastast Wes McKinney. Selle keskne objekt DataFrame sarnaneb nimega veergudega tabelile. Sellega saab laadida andmeid CSV-failidest, Excelist või andmebaasidest ning neid puhastada, filtreerida, rühmitada ja ühendada. pandas põhineb NumPy-l ning on andmeanalüüsis, aruandluses ja treeningandmete ettevalmistamisel standardne tööriist.
Parafraseerimine tähendab kellegi öeldu ümbersõnastamist oma sõnadega ilma tähendust muutmata. Vestluses on see aktiivse kuulamise võte: kontrollid, kas said õigesti aru, ja näitad tähelepanu, näiteks: „Kui ma sind õigesti mõistan, on sulle kõige olulisem tarneaeg?“ Kirjalikult aitab parafraseerimine muuta sisu selgemaks, lühemaks või konkreetsele sihtrühmale sobivamaks.
Parameetritõhus peenhäälestus (PEFT) hõlmab tehnikaid, mis kohandavad suure eeltreenitud mudeli ülesandele, treenides ainult väikest osa selle parameetritest või lisades mõned täiendavad parameetrid. Tuntud meetodid on LoRA, QLoRA, adapterid ja prefix tuning. See vähendab oluliselt arvutus- ja mäluvajadust ning täismudelite koopiate asemel saab mitme ülesande jaoks salvestada väikesi lisamooduleid. Näide: keelemudel kohandatakse sisemiste tehniliste dokumentide stiilile.
PaLM on Google'i suur keelemudel, mis tutvustati 2022. aastal 540 miljardi parameetriga ja mida treeniti paljudel TPU-kiipidel korraga Google'i Pathwaysi treeningsüsteemiga. 2023. aastal järgnes PaLM 2, mis käitas muu hulgas vestlusrobotit Bard. Google on PaLM-i vahepeal asendanud oma Gemini mudelitega ning PaLM-i arendaja-API suleti 2024. aasta augustis. Täna on PaLM oluline peamiselt suurte keelemudelite arengu verstapostina.
Peenhäälestus (fine-tuning) tähendab juba eeltreenitud TI-mudeli edasitreenimist täiendavate, tavaliselt ülesandespetsiifiliste andmetega. Mudeli sisemisi kaalusid kohandatakse nii, et see tuleb näiteks kindla kirjutusstiili, erialasõnavara või väljundivorminguga usaldusväärsemalt toime. Peenhäälestus nõuab hoolikalt ette valmistatud näiteandmeid, arvutusvõimsust ja testimist. Paljude rakenduste jaoks piisab hästi kirjutatud juhistest ja ühendatud teadmistest ning neid on lihtsam muuta.
Peidetud Markovi mudel (hidden Markov model, HMM) on jadade statistiline mudel, kus tegelikud olekud on peidetud ja neid saab tuletada ainult jälgitavate signaalide põhjal. See kirjeldab tõenäosust, et üks olek järgneb teisele ning et iga olek tekitab teatud vaatluse. HMM-id olid pikka aega kõnetuvastuse ja sõnaliikide märgendamise standard; täna kasutatakse neid endiselt näiteks bioinformaatikas ja aegridade analüüsis.
Perplexity AI on 2022. aastal asutatud San Francisco ettevõte, mis haldab TI-põhist otsingumootorit. Linkide nimekirja asemel annab see kirjaliku vastuse, mis võtab kokku värske veebisisu ja viitab kasutatud allikatele. Lisaks tasuta versioonile on tasulised paketid keelemudeli valikuga ning TI-brauser Comet (seisuga oktoober 2026). Ettevõtetele on Perplexity oluline ka seetõttu, et see muudab seda, kuidas veebisisu leitakse.
Personaliseeritud turundus tähendab sõnumite, pakkumiste ja ajastuse kohandamist üksikutele klientidele või väikestele rühmadele, selle asemel et pöörduda kõigi poole ühtmoodi. See tugineb teabele, nagu varasemad ostud, huvid või kontakti põhjus. TI saab selle muuta sobivaks tekstiks, näiteks e-kirjaks, mis viitab hiljuti ostetud tootele. Oluline on kasutada ainult andmeid, mille jaoks on nõusolek antud, ning jätta tundlikud üksikasjad välja.
Pettuste tuvastamine hõlmab meetodeid, mis tuvastavad kahtlased tehingud, tellimused, kontod või taotlused varakult. Reeglid ja õppivad mudelid otsivad ohumärke, nagu erinevad tarne- ja arveldusaadressid, ebatavalised kogused, silmatorkav ajasurve või ühekordsed e-posti aadressid. Seda kasutatakse e-kaubanduses, panganduses, kindlustuses ja makseteenustes. Kuna valehäired võivad mõjutada tõelisi kliente, peaksid tabamused üle vaatama inimesed, mitte neid automaatselt tagasi lükkama.
Pildituvastus on masinnägemise valdkond, kus tarkvara tuvastab, mida pilt kujutab – objekte, inimesi, teksti, logosid või stseene. Tavaliselt põhineb see närvivõrkudel, mida on treenitud suurel hulgal märgendatud piltidel. Rakendused ulatuvad tootmise kvaliteedikontrollist ja tootefotode sorteerimisest kuni meditsiinilise kuvamise toetamiseni. Inimesi kujutavate piltide puhul nõuavad andmekaitse ja võimalik kallutatus erilist tähelepanu.
Piltide anomaaliate tuvastamine otsib fotodelt või kaamerasalvestistelt kõrvalekaldeid normaalsest olekust – näiteks kriimustusi, pragusid või värvimuutusi detailidel tootmises või ebakorrapärasusi meditsiinilistel piltidel. Sageli õpib mudel kõigepealt paljudelt veatutelt näidetelt ja märgib seejärel kõik, mis erineb. See on kasulik, sest tegelikud defektid on haruldased ja neid on raske ette täielikult kirjeldada.
Prompt on sisend, mis ütleb TI-mudelile, mida teha – küsimus, ülesanne või juhis, sageli täiendatud konteksti, näidete ja soovitud vorminguga. Vastuse kvaliteet sõltub suuresti sellest, kui selge ja täielik prompt on. Näiteks „Kirjuta midagi meie toote kohta“ asemel kasuta „Kirjuta kolm lühikest eelist toote X kohta käsitööettevõtetele, asjalikus toonis“.
Prompti leke (prompt leaking) tähendab TI-süsteemi sisemiste juhiste tahtmatut avalikuks tulemist, näiteks kui vestlusrobot paljastab oma süsteemiprompti nutikalt sõnastatud päringu peale. See muutub probleemiks, kui need juhised sisaldavad ärilogikat, sisemist teavet või isegi pääsuandmeid. OWASP-i loend suurte keelemudelite rakendustele nimetab seda riski selgesõnaliselt. Tõhusaim kaitse on kirjutada juhised nii, nagu need võiksid avalikuks saada, mitte kunagi salvestada neisse saladusi ja kontrollida ka väljundeid.
Ülevaade ettevõtte põhiprotsessidest ja nende omavahelistest seostest.
Constitutional AI on Anthropicu 2022. aastal avaldatud keelemudelite treenimismeetod; sellel pole põhiseaduse õigusega mingit pistmist. See põhineb kirjalikul põhimõtete kogumil, „põhiseadusel“: mudel kritiseerib ja redigeerib oma vastuseid nende põhimõtete alusel, seejärel võrdleb TI vastuste paare ning see tagasiside on tugevdusõppe preemiasignaal (RLAIF). See vähendab vajadust kahjuliku sisu inimmärgendamise järele; 2026. aasta jaanuaris avaldas Anthropic Claude'i jaoks uuendatud põhiseaduse.
Põhjuslik järeldamine (causal inference) hõlmab meetodeid, millega tuletatakse andmetest põhjus-tagajärg seoseid, mitte ei tuvastata pelgalt korrelatsioone. See vastab küsimustele nagu „Mis oleks juhtunud, kui me poleks seda meedet rakendanud?“. Vahendite hulka kuuluvad randomiseeritud katsed, näiteks A/B-testid, põhjuslikud graafid ja statistilised võtted vaatlusandmete jaoks. Näide: kontrollimine, kas allahindluskampaania suurendas tegelikult müüki või oleks see hooajalistel põhjustel nagunii kasvanud.
Päringu laiendamine lisab otsingupäringule automaatselt seotud termineid, et leitaks ka asjakohased dokumendid, mis kasutavad teistsugust sõnastust. Tüüpilised lisandid on sünonüümid, lühendid, sõnavormid või tõlked: otsing „tühistamine“ võib siis leida ka tekste teemal „lepingu lõpetamine“. See on eriti kasulik märksõnaotsingus, kuid võib vähendada täpsust, kui lisatakse liiga palju või sobimatuid termineid. Tänapäeval kasutatakse laiendatud päringute loomiseks sageli keelemudeleid.
PyTorch on avatud lähtekoodiga raamistik masinõppeks ja süvaõppeks Pythoni programmeerimiskeeles. See töötati algselt välja Metas (tollal Facebook) ning seda haldab alates 2022. aastast Linux Foundationi alla kuuluv PyTorch Foundation. PyTorchi kasutatakse laialdaselt teaduses ja tööstuses, sest see võimaldab arendajatel mudeleid paindlikult ehitada, GPU-del treenida ja samm-sammult testida; paljud tuntud keele- ja pildimudelid on sellega ehitatud.
Q-õpe on stiimulõppe põhimeetod. Agent õpib katse-eksituse meetodil, milline pikaajaline väärtus („Q-väärtus“) on teatud tegevusel teatud olukorras, ning valib aja jooksul kõige lootustandvamad tegevused. Selleks ei ole tal vaja oma keskkonna mudelit. Koos närvivõrkudega (sügav Q-õpe) õppis DeepMindi süsteem selle lähenemisega mängima paljusid Atari videomänge ainuüksi ekraani pikslite põhjal.
Rakendusspetsiifiline integraallülitus (ASIC) on kiip, mis on loodud ühe kindla ülesande jaoks, mitte üldotstarbeliseks arvutamiseks nagu protsessor (CPU). TI valdkonnas on ASIC-id kohandatud närvivõrkude arvutustele – üks näide on Google’i tensortöötlusüksused (TPU). Selle ülesande puhul töötavad nad kiiremini ja energiatõhusamalt kui üldotstarbelised kiibid, kuid nende arendamine on kallis ja neid on raske uute töökoormustega kohandada.
Regulariseerimine hõlmab tehnikaid, mis takistavad mudelil treeningu ajal oma treeningandmetega liiga tihedalt sobituda (ülesobitamine). Näited on suurte kaalude karistamine (L1- või L2-regulariseerimine), neuronite juhuslik väljalülitamine (dropout) või treeningu õigel hetkel peatamine (early stopping). Eesmärk on lihtsam mudel, mis toimib uute, nägemata andmete puhul töökindlamalt, isegi kui treeningandmetel on tulemus veidi madalam.
Rekurrentne närvivõrk töötleb andmeid järjest ja annab sisemise oleku igalt sammult järgmisele edasi – omamoodi lühimälu. See sobib selliste jadade jaoks nagu tekst, kõne või aegread, näiteks järgmise sõna või järgmise anduri näidu ennustamiseks. Lihtsad RNN-id unustavad kaugelt tulnud teabe kergesti; variandid nagu LSTM ja GRU leevendavad seda. Keelemudelite puhul on RNN-id suuresti asendunud transformer-mudelitega.
Rekursiivne promptimine tähendab tehnikaid, kus keelemudeli väljund suunatakse uue sisendina tagasi – näiteks et mustandit üle vaadata ja parandada või jaotada suur ülesanne samm-sammult alamülesanneteks. Näiteks koostatakse kõigepealt pakkumise mustand, seejärel hindab mudel seda kontrollnimekirja alusel ja lõpuks seda täiustatakse. See tõstab sageli kvaliteeti, kuid nõuab lisatöötlusaega ja selget lõpetamiskriteeriumi.
Kaug-MCP (remote MCP) tähendab MCP serverit, mis ei tööta kohapeal teie arvutis, vaid on internetis HTTP kaudu kättesaadav. Model Context Protocol on avatud standard, mis võimaldab TI-rakendustel kasutada väliseid tööriistu ja andmeid; kaugserverite jaoks näeb spetsifikatsioon ette „Streamable HTTP“ transpordi ja autentimise, näiteks OAuthi või API-võtme kaudu. Eelis on, et tsentraalselt majutatud teenus on paljudele kasutajatele ja TI-programmidele kättesaadav ilma kohaliku paigalduseta.
TI tasuvus (Return on AI) kirjeldab TI kasutuselevõtu majanduslikku tulu suhtes kuludesse. Lihtne ligikaudne arvutus on: kuus säästetud tunnid × tunnihind, millest lahutatakse litsentside, mudelikasutuse, seadistuse ja toe kulud. Kui 200 päringut käsitlev tiim vajab päringu kohta 10 asemel 4 minutit, säästab ta kuus 20 tundi. Sellised arvutused jäävad hinnanguteks; arvesse tuleks võtta ka kvaliteeti, veamäärasid ja sisseelamisaega.
Ristentroopia (cross-entropy) on infoteooria mõõt, mis näitab, kui kaugel ennustatud tõenäosusjaotus tegelikust on. Masinõppes on see klassifitseerimisülesannete ja ka järgmist tokenit ennustavate keelemudelite kõige levinum kadufunktsioon. See karistab eriti rängalt kindlaid valeennustusi: 99% määramine valele klassile annab palju suurema kao kui 60% määramine.
Ristvalideerimine on meetod, millega kontrollitakse, kui hästi mudel üldistub uutele, nägemata andmetele. K-osaga ristvalideerimisel jagatakse andmed k osaks; mudelit treenitakse k korda k−1 osal ja testitakse iga kord ülejäänud osal, seejärel tulemused keskmistatakse. See aitab avastada ülesobitamist ja võrrelda mudeleid või seadeid ausalt, eriti kui andmeid on vähe.
ROC-kõver (receiver operating characteristic) näitab, kui hästi klassifitseerimismudel kaht klassi eraldab. Iga võimaliku otsuslävendi jaoks kujutab see tõeliselt positiivsete määra (saagist) valepositiivsete määra suhtes. Mida lähemale kõver ülemisele vasakule nurgale ulatub, seda parem; diagonaal vastab puhtale äraarvamisele. Selle all olev pindala (AUC) võtab kõvera kokku ühe arvuna ja aitab näiteks eri pettusetuvastusmudelite võrdlemisel.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) on mõõdikute perekond automaatselt loodud tekstide – eeskätt kokkuvõtete – võrdlemiseks inimeste kirjutatud viitetekstidega. See mõõdab, kui palju sõnu või sõnajärjendeid kattub, näiteks üksikuid sõnu ROUGE-1 puhul või pikimat ühist alamjada ROUGE-L puhul. Skoori on kiire arvutada, kuid see ei hõiva usaldusväärselt sama tähendusega ümbersõnastusi ega faktitäpsust.
Rytr on alates 2021. aastast saadaval olev TI-kirjutusassistent, mis loob lühikesi turundus- ja igapäevatekste. Kasutaja valib kasutusjuhu – näiteks e-kiri, tootekirjeldus, sotsiaalmeedia postitus või blogi kavand –, tooni ja ühe enam kui 30 keelest; toimeti aitab ümber sõnastada, lühendada või laiendada. Lisaks piiratud märgilimiidiga tasuta versioonile on tasulised paketid (seisuga oktoober 2026). Nagu kõigi selliste tööriistade puhul, tuleks tulemusi enne avaldamist kontrollida.
Saagis (recall, ka tundlikkus või tõeliselt positiivsete määr) mõõdab, kui suure osa tegelikest positiivsetest juhtumitest mudel tuvastab: õigesti tuvastatud positiivsed jagatud kõigi tegelike positiivsetega. Kui pettusefilter püüab kinni 80 tegelikku pettusejuhtumit 100-st, on selle saagis 0,8. Kõrge saagis on oluline, kui märkamata jäänud juhtumid on kulukad, näiteks meditsiinilises diagnostikas. Kuna see ei arvesta valehäireid, vaadeldakse seda tavaliselt koos täpsusega, näiteks F-skooris.
Saavutuste kogumik (brag book) on pidevalt uuendatav kogu oma tööalastest saavutustest: lõpetatud projektid, mõõdikud, positiivne tagasiside, autasud ja koolitused. See on aluseks arenguvestlustele, palgaläbirääkimistele, töökohale kandideerimisele või edutamisele. Läbiproovitud struktuur on olukord, ülesanne, tegevus ja tulemus. Lisada tuleks ainult kontrollitavat teavet ja arve ei tohiks ilustada.
Scikit-learn on avatud lähtekoodiga Pythoni teek klassikalise masinõppe jaoks. See pakub ühtseid tööriistu klassifitseerimiseks, regressiooniks, klasterdamiseks, mõõtmelisuse vähendamiseks, andmete eeltöötluseks ja mudeli hindamiseks, näiteks ristvalideerimiseks. NumPy ja SciPy peale ehitatuna on see lihtsa ja ühtse liidese tõttu laialdaselt kasutusel hariduses, teaduses ja praktikas. Sügavate närvivõrkude jaoks valitakse tavaliselt hoopis sellised raamistikud nagu PyTorch või TensorFlow.
Seeme (seed) on pildimudeli juhuarvugeneraatori algarv. Difusioonimudelid alustavad juhusliku pildimürast, millest järk-järgult kujuneb pilt; seeme määrab, milline see algmüra välja näeb. Sama seemne, prompti ja seadistustega saab pildi samas mudelis suuresti taastoota. See on abiks, kui soovid muuta prompti ainult ühte detaili või luua hiljem uuesti eduka pildivariandi.
Selgitatavus (explainable AI, XAI) kirjeldab, kui hästi on võimalik mõista, miks TI-süsteem jõudis konkreetse tulemuseni. See hõlmab meetodeid, mis näitavad, millised sisendid otsust enim mõjutasid, ning praktilisi abivahendeid, nagu allikaviited ja logid. Selgitatavus on oluline usalduse, veaotsingu ja regulatsiooni jaoks – näiteks kui pank peab põhjendama, miks avaldus rahuldamata jäi.
Semantiline analüüs uurib keele tähendust – mitte ainult seda, millised sõnad esinevad, vaid mida mõeldakse. See hõlmab mitmetähenduslike sõnade õiget tõlgendamist kontekstis (näiteks „pank“ rahaasutuse või kaldana), mõistete vaheliste seoste tuvastamist ja väidete sisu järgi liigitamist. See on aluseks rakendustele nagu klienditagasiside analüüs, küsimustele vastamine või otsingusüsteemid, mis peaksid mõistma ka erinevalt sõnastatud sama tähendusega päringuid.
Semantiline segmenteerimine määrab pildi igale üksikule pikslile klassi, näiteks tee, sõiduk, inimene või taevas. Tulemuseks on omamoodi värvikodeeritud kaart pildi sisust. Erinevalt eksemplarisegmenteerimisest ei eristata sama tüüpi objekte: kolme autot käsitletakse koos kui „autot“. Seda kasutatakse näiteks isejuhtivates sõidukites, meditsiinilises kujutises koe piiritlemiseks ning õhu- ja satelliidipiltide analüüsis.
SEO skoor on mõõdik, millega analüüsitööriistad hindavad, kui hästi on veebileht otsingumootoritele optimeeritud – tavaliselt skaalal 0 kuni 100. Tegurite hulka võivad kuuluda pealkirjad ja kirjeldused, pealkirjade struktuur, laadimiskiirus, mobiilisõbralikkus, sisemised lingid ja struktureeritud andmed. Iga tööriist arvutab skoori erinevalt; see ei ole Google'i ametlik hinnang. Skoor on seega kasulik parenduste kontrollnimekirjana, mitte hea edetabelikoha tagatisena.
Tehnoloogiline singulaarsus on teoreetiline kontseptsioon: hetk, mil tehisintellekt täiustab ennast nii kiiresti, et tehnoloogilist progressi ei saa inimesed enam ette näha ega kontrollida. Mõiste tegid tuntuks autor Vernor Vinge ja futurist Ray Kurzweil. Kas ja millal see võib juhtuda, on teaduslikult lahtine ja vaieldav. Sellegipoolest mõjutab idee arutelusid TI ohutuse, reguleerimise ja pikaajaliste riskide üle.
Sisendivektor (embedding) on arvude loend, mis esitab sõna, lause või dokumendi tähendust nii, et sarnase sisuga tekstid asuvad üksteise lähedal. See võimaldab näiteks tuvastada, et „ülesütlemine“ ja „lepingu lõpetamine“ on omavahel seotud, kuigi neil pole ühtegi ühist sõna. Sisendivektorid on paljude semantiliste otsingusüsteemide, soovitusteenuste ja RAG-rakenduste aluseks; neid arvutavad spetsiaalselt treenitud mudelid.
Sisu rikastamine tähendab olemasolevale tekstile struktuuri ja täiendava info lisamist, näiteks pealkirju, liigendust, kokkuvõtet, märksõnu või metaandmeid. TI-mudelid saavad seda teha kiiresti ja järjepidevalt, muutes sisu kergemini leitavaks, loetavaks ja taaskasutatavaks. Põhireegel on korrastada seda, mis juba olemas on, mitte mõelda välja uusi fakte. Näide: toored koosolekumärkmed muutuvad kokkuvõttega struktureeritud protokolliks.
spaCy on avatud lähtekoodiga Pythoni teek loomuliku keele töötluseks, mille arendab Berliinis asuv ettevõte Explosion. See jagab tekstid sõnadeks ja lauseteks, määrab sõnaliigid ja algvormid, analüüsib lausestruktuuri ning tuvastab nimetatud olemid, nagu inimesed, ettevõtted või kohad. Eeltreenitud mudelid on saadaval paljudele keeltele, sealhulgas saksa keelele. spaCy on loodud kiiruse ja päris rakenduste jaoks, näiteks suurte dokumendimahtude eeltöötluseks.
Stable Diffusion on pildigenereerimise mudelite perekond, mis loob pilte tekstikirjelduse põhjal. Esimene versioon avaldati 2022. aastal, selle töötas välja Stability AI juhtimisel koos teadusparteritega. Tehniliselt on see latentne difusioonimudel, mis muudab pildimüra järk-järgult pildiks. Kuna mudeli kaalud on avaldatud, saab seda kohapeal käitada ja kohandada; uuemate versioonide kommertskasutust reguleerib Stability AI oma litsents (seisuga oktoober 2026).
Stiimulõpe on masinõppe haru, kus agent õpib katse-eksituse meetodil. Ta tegutseb keskkonnas, saab hea tulemuse eest tasu ja halva eest karistuse ning arendab nii strateegia, mis maksimeerib tema kogutasu. Tuntud näited on programmid, mis valdavad lauamänge, nagu go, robotite juhtimine ja keelemudelite peenhäälestus inimeste hinnangute alusel.
RLHF on treeningmeetod, mis muudab keelemudelid kasulikumaks ja turvalisemaks. Inimesed võrdlevad ja hindavad mudeli mitut vastust; neid hinnanguid kasutatakse tasumudeli treenimiseks, mis seejärel treenib stiimulõppe abil edasi keelemudelit ennast. See õpetab mudelit näiteks vastama selgemalt või keelduma problemaatilistest päringutest. RLHF toimub mudelipakkuja juures enne mudeli avaldamist – mitte üksikute kasutajatega.
Struktureerimata andmed ei järgi kindlat tabeliskeemi: e-kirjad, lepingud, käsiraamatud, veebilehed, esitlused, pildid või helisalvestised. Need moodustavad suure osa organisatsiooni teadmistest, kuid neid oli pikka aega raske automaatselt analüüsida. Keelemudelid suudavad sellist sisu lugeda ja otsida ning muuta struktureeritud teabeks, näiteks eraldada lepingust tähtajad ja summad tabelisse.
Struktureeritud andmed järgivad kindlat skeemi selgelt nimetatud väljadega, nagu tabelid, andmebaasid või JSON-objektid, mis sisaldavad üksikasju nagu nimi, hind ja kuupäev. Masinad saavad neid usaldusväärselt lugeda, filtreerida ja töödelda – erinevalt vabast tekstist või piltidest. Veebilehtedel kirjeldab schema.org märgistus näiteks tooteid, sündmusi või KKK-d, et otsingumootorid ja TI-süsteemid mõistaksid sisu üheselt. TI saab struktureeritud andmeid eraldada ka struktureerimata tekstist.
Ettevõtte struktuuri skeem: osakonnad, rollid ja kes kellele allub.
Stseenitekstituvastus loeb teksti, mis esineb päris keskkonda kujutavatel fotodel ja videotel, näiteks tänavasildid, pakendid või numbrimärgid. Erinevalt skaneeritud dokumentide klassikalisest OCR-ist peab see toime tulema viltuste vaatenurkade, muutuva valguse, ebatavaliste kirjatüüpide ja segase taustaga. Tüüpiline lähenemine töötab kahes etapis: kõigepealt leitakse tekstialad, seejärel tuvastatakse neis olevad märgid.
Suur keelemudel (large language model, LLM) on närvivõrk, mis on treenitud väga suurte tekstihulkadega, mis võimaldab sellel keelest aru saada ja keelt luua. See töötab, arvutades samm-sammult kõige tõenäolisema järgmise tokeni. LLM-id kirjutavad, võtavad kokku, tõlgivad, vastavad küsimustele ja genereerivad koodi; tuntud näited on Claude, GPT, Gemini ja Llama. Ilma juurdepääsuta värsketele allikatele teavad nad ainult seda, mis oli nende treeningandmetes.
Sõltuvusanalüüs (dependency parsing) on loomuliku keele töötluse võte, mis kujutab lause grammatilist struktuuri sõnadevaheliste sõltuvustena. Iga sõna on seotud valitseva sõnaga, näiteks alus ja sihitis öeldisega: lauses „Klient tellib kaks lampi“ sõltuvad „klient“ ja „lampi“ sõnast „tellib“. See aitab infoekstraktsioonis, näiteks selle tuvastamisel, kes mida tegi.
Sõnaembeddingud esitavad sõnu arvuvektoritena nii, et sarnase tähendusega sõnad asuvad vektorruumis lähestikku, näiteks „auto“ ja „sõiduk“. Meetodid nagu Word2Vec või GloVe õpivad need vektorid suurtest tekstihulkadest. Need olid keeletöötluses oluline samm, näiteks otsingu või klassifitseerimise jaoks; tänapäeva keelemudelid kasutavad kontekstipõhiseid embeddinguid, kus sõna esitatakse sõltuvalt lausest erinevalt.
Sõnaliigi märgendamine määrab automaatselt lause igale sõnale selle grammatilise kategooria, näiteks nimisõna, tegusõna, omadussõna või eessõna. Kuna paljud sõnad on mitmetähenduslikud (inglise keeles „book“ nimi- või tegusõnana, „light“ omadus- või nimisõnana), võtavad meetodid arvesse lause konteksti. POS-märgendamine on klassikaline eeltöötlussamm süntaksianalüüsil, teabe eraldamisel või õigekirjakontrollis ning seda pakuvad teegid nagu spaCy ja NLTK.
Sügavad usuvõrgud (deep belief networks, DBN) on mitmest üksteise peale laotud kihist koosnevad närvivõrgud, mida eeltreenitakse esmalt kiht kihi haaval juhendamata, tavaliselt nn piiratud Boltzmanni masinatena. Geoffrey Hinton ja tema kolleegid tutvustasid meetodit 2006. aastal; see näitas, et sügavaid võrke saab tõhusalt treenida, ning aitas seega kaasa süvaõppe tõusule. Praktikas on DBN-id sellest ajast suuresti asendunud muude arhitektuuridega.
Sügavuse hindamine määrab piltide põhjal, kui kaugel on objektid või üksikud pikslid kaamerast. Seda saab teha kahe kaameraga (stereo), sügavusanduritega või närvivõrkude abil isegi ühe foto põhjal (monokulaarne sügavuse hindamine). Seda vajatakse robootikas, juhiabisüsteemides, liitreaalsuses ja ruumide 3D-mudelites.
Sünteetilised andmed luuakse kunstlikult, mitte ei koguta päriselust, kuid need jäljendavad päris andmete mustreid ja omadusi. See aitab, kui tõelisi andmeid on vähe, need on kallid või andmekaitse seisukohast tundlikud – näiteks tarkvara testimiseks, mudelite treenimiseks või vestlusroboti kontrollimiseks realistlike näidispäringutega. Oluline on, et need peegeldaksid tegelikkust piisavalt täpselt ega võimaldaks teha järeldusi päris inimeste kohta.
Süsteemiprompti väljavõtmine (system prompt extraction) tähendab katseid panna vestlusrobot või TI-agent oma peidetud süsteemijuhiseid paljastama. Kui selline katse õnnestub, nimetatakse tulemust prompti lekkeks: väljavõtmine on rünnak, leke on tagajärg. Tõhus kaitse algab sellest, et paroole, võtmeid ja konfidentsiaalseid reegleid juhistest eemal hoitakse ning eeldatakse, et need võivad avalikuks saada; sisendite kontroll ja regulaarne testimine lisavad täiendavat kaitset.
Süvaõpe on masinõppe haru, mis kasutab paljude kihtidega tehisnärvivõrke. Sellised võrgud õpivad suurtest andmehulkadest ise, millised tunnused on olulised – piltidel servadest, tekstides tähenduslike seosteni. Süvaõpe on tänapäevaste keelemudelite, pildituvastuse, kõnetuvastuse ja masintõlke aluseks ning vajab tavaliselt märkimisväärset arvutusvõimsust ja treeningandmeid.
TAM-analüüs hindab kogu adresseeritavat turgu (total addressable market): kogu tulu, mida pakkumine teoreetiliselt võiks tuua. Ülalt-alla lähenemine kitsendab numbreid turuuuringute põhjal, alt-üles lähenemine korrutab potentsiaalsete klientide arvu oodatava hinnaga. Koos SAM-iga (teenindatav turg) ja SOM-iga (realistlikult saavutatav osa) toetab see investeerimis- ja planeerimisotsuseid, kuid on mõttekas ainult läbipaistvate eelduste ja vahemikega, mitte näilise täpsusega.
Tekst, mille KI.ordo jagab lõikudeks ja muudab agentidele otsitavaks.
Teadmiste piirdaatum (knowledge cutoff) on ajahetk, milleni keelemudeli treeningandmed ulatuvad. Mudelil puuduvad omased teadmised sündmustest, hindadest, seadustest või toodetest, mis tekkisid hiljem, ning ta võib anda aegunud teavet, kui talle ei anta värskeid andmeid. Seda saab lahendada meetoditega, mis toovad käitusajal kasutusse teie enda dokumendid või värske veebisisu.
Küsimus, millele agent oma teadmistest midagi ei leidnud. KI.ordo kogub need, et saaksid lüngad täita.
Teadmusinseneeria hõlmab eksperditeadmiste kogumist, korrastamist ja ettevalmistamist nii, et IT-süsteemid saaksid neid kasutada. Algselt keskendus see ekspertsüsteemide reeglitele; tänapäeval on sageli peamine dokumenteerida hajutatud teadmised käsiraamatutest, protsessikirjeldustest ja inimeste peadest, et TI-agendid saaksid nende põhjal usaldusväärselt vastata. See hõlmab selgeid struktuure, ajakohaseid allikaid, määratletud vastutusalasid ja tuvastatud lünkade täitmist.
Tehisnärvivõrgud (artificial neural networks, ANN) on arvutusmudelid, mis koosnevad paljudest ühendatud üksustest („neuronitest“), mis on paigutatud kihtidesse ja töötlevad sisendeid kaalutud ühenduste kaudu. Treenimise käigus kohandatakse kaalusid samm-sammult näidete põhjal, tavaliselt tagasilevi (backpropagation) abil. ANN-id on süvaõppe alus ja annavad jõudu pildituvastusele, kõnetuvastusele ning suurtele keelemudelitele. Hoolimata bioloogilisest eeskujust töötavad need palju lihtsamalt kui inimese aju.
Tehissuperintellekt (artificial superintelligence, ASI) on teoreetiline kontseptsioon TI-st, mis ületab inimesi märkimisväärselt peaaegu kõigis intellektuaalsetes võimetes, sealhulgas uurimistöös, planeerimises ja sotsiaalses otsustusvõimes. Sellist süsteemi ei ole olemas. Terminit kasutatakse peamiselt filosoofias ja TI ohutuse uuringutes, et arutada kontrolli küsimusi ja tulevaste süsteemide viimist kooskõlla inimlike väärtustega.
Teksti klassifitseerimine määrab tekstid automaatselt ette antud kategooriatesse, näiteks e-kirjad päringu tüübi, ülevaated meelestatuse või dokumendid teema järgi. Varem nõudis see spetsiaalsete mudelite treenimist märgendatud näidetel; tänapäeval suudavad suured keelemudelid sageli kategooriad määrata ainult kirjelduse põhjal. See võimaldab päringuid eelsortida ja suunata kiiremini õigele tiimile.
Automaatse teksti kokkuvõtte tegemisel koondab TI pikad tekstid põhipunktideks. Ekstraktiivsed meetodid kopeerivad olulised laused sõna-sõnalt, abstraktiivsed meetodid sõnastavad sisu ümber; suured keelemudelid töötavad peamiselt abstraktiivselt. See on kasulik protokollide, aruannete või pikkade e-kirjaahelate puhul; oluliste otsuste jaoks tuleks kokkuvõtet originaaliga võrrelda.
Tekstide genereerimine on teksti automaatne loomine TI abil, tänapäeval tavaliselt suurte keelemudelitega, mis arvutavad sõna haaval kõige tõenäolisema jätku. See on loomuliku keele genereerimise haru ja generatiivse TI põhirakendus. Organisatsioonid kasutavad seda e-kirjade, aruannete või tootekirjelduste mustandite koostamiseks; fakte ja arve tuleks enne avaldamist kontrollida.
TensorFlow on Google'i välja töötatud ja 2015. aastal avaldatud avatud lähtekoodiga masinõppe raamistik. Seda kasutatakse närvivõrkude ehitamiseks, treenimiseks ja kasutuselevõtuks rakendustes, serverites või mobiilseadmetes. Keras pakub ligipääsetavat kõrgetasemelist liidest; tüüpilised kasutusalad on piltide klassifitseerimine, prognoosimine ja soovitussüsteemid.
Tekst kõneks (text-to-speech) teisendab kirjaliku teksti kõneldud keeleks, olles seega kõnetuvastuse (speech-to-text) vastaspool. Kaasaegsed süsteemid kasutavad närvivõrke, et luua loomuliku kõlaga hääli sobiva intonatsiooniga. TTS-i kasutatakse telefonikuulutustes, navigatsiooniseadmetes, ligipääsetavate veebilehtede ettelugemisfunktsioonides ja hääleassistentides.
TI andmeanalüütik on TI-süsteem või -assistent, mis analüüsib andmeid, nagu tabelid, eksportfailid või põhinäitajad, ja selgitab tulemusi lihtsas keeles. See arvutab summad ja muutused, tuvastab trende ja anomaaliaid ning pakub välja järgmisi samme. Nii saavad ärimeeskonnad ilma statistikaoskuseta kiiremini vastuseid. Keelemudelid võivad siiski arvutusvigu teha, seega tuleks numbreid üle kontrollida. Näide: igakuine müük kleebitakse sisse CSV-na ja selle kohta antakse kommentaar.
TI automatiseerimissüsteem ühendab traditsioonilise protsesside automatiseerimise TI võimalustega, nagu teksti mõistmine, klassifitseerimine või otsustustugi. See võimaldab automatiseerida ka töövooge struktureerimata sisenditega, nagu e-kirjad, vormid või päringud. Tüüpiline lahendus on ahel päästikust, töötlemissammudest, tingimustest ja väljundist, kriitilistes punktides inimese kinnitusega. Näide: saabuvad päringud kategoriseeritakse automaatselt, võetakse kokku ja suunatakse õigesse osakonda.
TI eetika käsitleb TI arendamise ja kasutamisega seotud moraalseid küsimusi: õiglus ja diskrimineerimine, läbipaistvus ja selgitatavus, andmekaitse, vastutus vigade eest, ohutus ning mõju tööle ja ühiskonnale. Organisatsioonidele muutub see konkreetseks juhistes, riskihinnangutes, inimlikus kontrollis ja ausas suhtlemises TI piirangute kohta. Näide: enne CV-sõelumise tööriista kasutuselevõttu kontrollitakse, kas see seab teatud rühmad ebasoodsamasse olukorda.
Termin kirjeldab, kuidas TI-süsteemid võivad mõjutada inimõigusi, nagu eraelu puutumatus, võrdne kohtlemine, sõnavabadus või õiglane kohtumenetlus, nii positiivselt kui ka negatiivselt. Riske tekitavad näiteks diskrimineerivad otsused, massijälgimine, biomeetriline tuvastamine või võimaluste puudumine otsuseid vaidlustada. Neid küsimusi käsitlevad rahvusvahelised raamistikud, nagu Euroopa Nõukogu tehisintellekti raamkonventsioon ja ELi tehisintellekti määrus. Organisatsioonid reageerivad mõjuhinnangute, läbipaistvuse ja inimliku kontrolliga.
TI jaekaubanduses hõlmab rakendusi kogu jaekaubandusahela ulatuses: müügiprognoosid ja laovarude planeerimine, personaliseeritud tootesoovitused, dünaamiline hinnastamine, pettuste tuvastamine veebipoodides ja klienditeenindus vestluse kaudu. Jaemüüjad saavad vähendada ülevarusid ja puudujääke ning vastata päringutele kiiremini. See nõuab puhtaid andmeid ja hoolikat suhtumist kliendiandmetesse. Näide: vestlusassistent vastab ööpäevaringselt küsimustele tarneaegade ja tagastuste kohta.
TI järelevalveasutused on avalik-õiguslikud asutused, mis jälgivad TI-reeglite täitmist. ELi tasandil koordineerib Euroopa Komisjoni TI-amet (AI Office) tehisintellekti määruse rakendamist ja teostab järelevalvet üldotstarbeliste TI-mudelite üle. Saksamaal määrab rakendusseadus KI-MIG (jõus alates 29. juulist 2026) keskseks turujärelevalveasutuseks Bundesnetzagenturi (föderaalne võrguagentuur), samas kui valdkondlikud reguleerijad, nagu BaFin, jäävad vastutavaks. Digital Omnibus'e alusel kohalduvad kõrge riskiga süsteemide kohustused alles detsembrist 2027 või augustist 2028 (seisuga oktoober 2026; ei ole õigusnõustamine).
TI kasutuselevõtu määr näitab, kui suur osa ettevõtetest, töötajatest või kodumajapidamistest TI-d kasutab, ning on tehnoloogia leviku mõõdupuu. Saksamaa föderaalse statistikaameti (Destatis) andmetel kasutas 2024. aastal TI-d 20% Saksamaa ettevõtetest, kus on kümme või enam töötajat (2023: 12%). Digitaalliit Bitkom leidis 2025. aastal osakaaluks 36% ettevõtete seas, kus on 20 või enam töötajat. Erinevate määratluste ja valimite tõttu on uuringud vaid osaliselt võrreldavad.
TI konsultant aitab organisatsioonidel TI-d mõistlikult ja vastutustundlikult kasutada. Tüüpilised ülesanded on potentsiaali hindamine, sobivate kasutusjuhtumite ja tööriistade valik, nende lõimimine olemasolevatesse protsessidesse ja vastutusaladesse, andmekaitse ja nõuetele vastavuse küsimused ning koolitus. Hea nõustamine kaalub kasu ja riske kaine pilguga ning arvestab inimesi, kes süsteemidega töötavad. Näide: keskmise suurusega ettevõte selgitab, milliseid klienditaotlusi saab usaldusväärselt automatiseerida.
TI kvaliteeditagamise spetsialist kontrollib, kas TI-rakendused töötavad usaldusväärselt, õigesti ja asjakohaselt. Roll hõlmab testküsimusi ja võrdlustestid, erinevate mudelite võrdlemist, kasutajahinnangute analüüsi ning hallutsinatsioonide ja aja jooksul toimuva halvenemise märkamist. Näiteks vastavad enne uuele mudelile üleminekut 50 tüüpilisele klienditaotlusele mõlemad mudelid ja neid võrreldakse kindlate kriteeriumidega.
TI küberturvalisuses on kaht külge. Ühelt poolt aitavad TI-võtted rünnakuid kiiremini avastada, näiteks märkides anomaaliaid võrguliikluses, kahtlaseid sisselogimisi või andmepüügi e-kirju, ja vabastavad turvameeskondi hoiatuste sorteerimisest. Teiselt poolt tuleb kaitsta ka TI-süsteeme endid, näiteks prompt injection'i või andmelekke eest. TI on siin tõhus ainult koos selgete protsesside, ajakohaste süsteemide ja koolitatud inimestega.
TI läbipaistvus tähendab avalikustamist, millal TI on kaasatud, milliste andmete ja allikate peal selle tulemused põhinevad ning kuidas otsuseni jõutakse. See hõlmab TI-sisu märgistamist, jälgitavaid allikaviiteid, logisid ja dokumenteeritud muudatusi. Läbipaistvus loob usaldust, lihtsustab veaotsingut ning on osaliselt nõutud ka seadusega, näiteks ELi tehisintellekti määruse läbipaistvuskohustustega, mille kohaselt peaksid inimesed aru saama, et nad suhtlevad TI-ga.
TI läbitungimistest (penetration test) on tellitud kontrollitud turvahindamine, kus spetsialistid uurivad TI-süsteemi tahtlikult nõrkuste suhtes, nagu prompt injection, konfidentsiaalsete andmete leke või liiga laiade õigustega agent. Erinevalt laiemast red teamingust keskendub see selgelt piiritletud mahule koos dokumenteeritud leidude ja lahendustega. Seda tasub teha enne vestlusroboti kasutuselevõttu ja pärast suuremaid muudatusi.
TI meelelahutuses tähendab TI kasutamist filmis, muusikas, mängudes, voogedastuses ja meedias. Tüüpilised rakendused on soovitussüsteemid, mis pakuvad sisu maitse järgi, tugi montaažile, visuaalefektidele ja dubleerimisele, genereeritud mängumaailmad või tegelased ning muusika- ja pildiloome. Samal ajal tekitab see küsimusi autoriõiguse, esinejate nõusoleku ja süvavõltsingute kohta. Näide: voogedastusplatvorm kohandab avalehe iga profiili jaoks.
TI partnerlus on organisatsioonide koostöö, et TI-lahendusi ühiselt arendada, kasutusele võtta või vastutustundlikult kujundada, näiteks ettevõtete ja tehnoloogiapakkujate, ülikoolide või teadusinstituutide vahel. Partnerid jagavad oskusteavet, andmeid, taristut või kulusid. Olulised on selged kokkulepped andmete kasutamise, intellektuaalomandi, vastutuse ja lahkumisvõimaluste kohta. Termin viitab ka algatustele nagu Partnership on AI, 2016. aastal asutatud mittetulundusühing.
TI projektijuhtimine teadus- ja arendustöös hõlmab kahte asja: projektide juhtimine, milles TI-d luuakse, ja TI kasutamine T&A-projektide toetamiseks. Tüüpilised ülesanded on kirjanduse kokkuvõtete tegemine, katseplaanide struktureerimine, vahe-eesmärkide jälgimine ja tulemuste dokumenteerimine. Erialased otsused ja kinnitused peaksid jääma inimestele.
TI prototüüp on TI-rakenduse varajane töötav versioon, mis võimaldab meeskonnal ideed kiiresti ja väikese kuluga järele proovida. Kuude kaupa planeerimise asemel katsetatakse seda päris andmete ja kasutajatega, et näha, kas TI lahendab ülesande piisavalt usaldusväärselt, millised andmed puuduvad ja millist väärtust see annab. Näide: klienditaotlusi eelsorteeriv assistent on kaks nädalat proovil osal postkastist, enne kui otsustatakse laiema kasutuselevõtu üle.
TI punane meeskond (red teaming) on TI-süsteemi struktureeritud uurimine võimalike ründajate või väärkasutuse vaatenurgast. Spetsialistid testivad kontrollitud viisil, kas vestlusrobot paljastab konfidentsiaalseid juhiseid, kas seda saab suunata soovimatule käitumisele, kas see annab valefakte või paljastab andmeid. Leiud aitavad parandada juhiseid, filtreid ja õigusi. Vestlusroboti turvaaudit on kergem vorm: see hindab seadistust ja näidisvestlusi teadaolevate riskivaldkondade, nagu OWASP Top 10 for LLM Applications, alusel.
TI regulatiivne raamistik hõlmab seadusi, standardeid ja järelevalvestruktuure, mis reguleerivad TI arendamist ja kasutamist. ELis on keskne õigusakt tehisintellekti määrus (määrus (EL) 2024/1689), mis lähtub riskipõhisest käsitlusest: keelud kehtivad alates 2025. aasta veebruarist, üldotstarbeliste TI-mudelite kohustused alates 2025. aasta augustist ja läbipaistvuskohustused alates 2026. aasta augustist. „Digital Omnibus'e“ (määrus (EL) 2026/1744) järel kohalduvad kõrge riskiga süsteemide kohustused alates 2. detsembrist 2027 või 2. augustist 2028 (seisuga oktoober 2026; ei ole õigusnõustamine).
TI SDR (sales development representative ehk müügiarenduse esindaja) on TI-agent, kes võtab üle müügi varajase etapi ülesandeid: vastab saabuvatele päringutele, kvalifitseerib huvilisi, koostab kõneskripte ja järelkontakti e-kirju või valmistab ette kohtumisi. See vabastab müügimeeskonna, kuid ei asenda nende otsustusvõimet ja suhtetööd. Uute kontaktidega ühenduse võtmisel Saksamaal ja ELis tuleb järgida andmekaitset ja soovimatu reklaami vastaseid reegleid.
TI sertifitseerimisprotsessid on menetlused, kus sõltumatu asutus kontrollib, kas organisatsioon või TI-süsteem vastab kindlaksmääratud nõuetele. Laialt kasutatav näide on sertifitseerimine standardi ISO/IEC 42001 (avaldatud 2023) järgi, mis kirjeldab juhtimissüsteemi vastutustundlikuks TI kasutamiseks; sertifitseerimisasutuste nõuded on sätestatud standardis ISO/IEC 42006 (2025). Selline sertifikaat on vabatahtlik ega asenda vastavushindamist, mida ELi tehisintellekti määrus nõuab kõrge riskiga süsteemidelt (seisuga oktoober 2026).
TI süsteemiinsener kavandab ja käitab TI-rakendusi tervikliku süsteemina: ühendab mudelid andmeallikate, liideste ja olemasoleva tarkvaraga, tagab turvalisuse, jälgimise ja kulukontrolli ning viib prototüübid stabiilsesse töösse. Erinevalt puhtalt mudeliarendusest on rõhk lõimimisel. Üks näide on tugiagendi ühendamine pöördumiste süsteemiga, sealhulgas logimine ja juurdepääsuõigused.
TI tervishoius hõlmab rakendusi, mis toetavad kliinilist personali ja haldust, näiteks meditsiiniliste piltide analüüsimisel, dokumenteerimisel, vastuvõtuaegade planeerimisel või uuringuandmete hindamisel. Sellised süsteemid annavad viiteid ja vähendavad töökoormust, kuid need ei asenda kliinilist otsustusvõimet ega luba ravi. Paljud meditsiinilised TI-rakendused kuuluvad meditsiiniseadmete regulatsiooni ja terviseandmete ranget andmekaitse alla. Näide: tarkvara tõstab röntgenpiltidel esile silmatorkavad alad spetsialistide kontrolliks.
TI transpordis hõlmab rakendusi logistikas, liikluses ja liikuvuses: marsruudi- ja tuuriplaneerimine, liiklusprognoosid, sõidukite ja taristu ennetav hooldus ning juhiabisüsteemid kuni isejuhtivate sõidukiteni. Eesmärk on lühemad marsruudid, vähem tühisõite, madalamad kulud ja suurem ohutus. Paljud rakendused on ohutuskriitilised ja seetõttu rangelt reguleeritud. Näide: pakiveoteenus planeerib oma kohaletoimetamisringid iga päev ümber saadetiste mahu ja liiklusolude põhjal.
Seisuga oktoober 2026. Tehniliselt nihkub rõhk vestlusrobotitelt TI-agentidele, kes tegelevad mitmeastmeliste ülesannetega ja kasutavad tööriistu sellistel standarditel nagu Model Context Protocol. Crunchbase'i andmetel suunati 2026. aasta kolmandas kvartalis umbes 64% ülemaailmsest riskikapitalist TI-idufirmadesse. ELis kehtivad üldotstarbeliste TI-mudelite kohustused alates 2025. aasta augustist; kõrge riskiga süsteemide tähtajad lükati edasi 2027. aasta detsembrisse ja 2028. aasta augustisse.
TI tulemüür on kaitsekiht kasutajate, andmeallikate ja TI-mudeli vahel. See filtreerib sisendeid manipuleerimiskatsete, nagu prompt injection või jailbreak, suhtes ning kontrollib väljundeid, näiteks konfidentsiaalsete andmete või soovimatu sisu osas, enne nende edasiandmist. See võib kasutada reegleid, klassifitseerimismudeleid või teist keelemudelit. TI tulemüür vähendab riski, kuid ei paku täielikku kaitset ning ei asenda piiratud õigusi ega testimist.
TI turusegmenteerimine kasutab TI-d, et jagada turg või kliendibaas sarnaste omaduste, vajaduste või käitumisega rühmadeks. Traditsiooniliselt tehakse seda klasterdamismeetoditega kliendiandmetel; keelemudelid saavad segmente tuletada ka kirjeldustest, küsitlustest või päringutest ning pakkuda sõnumeid ja kanaleid. Tulemused on hüpoteesid, mida tuleks päris andmetega kinnitada. Näide: tarkvarapakkuja eristab hinnatundlikke algajaid kasvule orienteeritud meeskondadest.
TI tööstuses hõlmab rakendusi tootmises ja tööstuses, näiteks andurite andmetel põhinev ennetav hooldus, automatiseeritud kaamerapõhine kvaliteedikontroll, protsessiparameetrite ja tootmisplaneerimise optimeerimine ning inimestega kõrvuti töötavad robotid. Eesmärk on vähem rikkeid, vähem praaki ja stabiilsem töö. See nõuab usaldusväärseid masinaandmeid ja tootmispõranda ekspertide kaasamist. Näide: süsteem tuvastab vibratsioonimustritest, et laager võib peagi rikki minna.
TI uurimistoetused ja rahastus finantseerivad tehisintellekti valdkonna uurimisprojekte, algajate teadlaste rühmi või koostööd. Saksamaal rahastab näiteks Saksa Teadusfond (DFG) oma TI-algatuse raames TI-meetodeid käsitlevaid Emmy Noetheri rühmi, samas kui föderaalne teadus-, tehnoloogia- ja kosmoseministeerium (BMFTR) annab rahastust teemapõhiste toetusprogrammide kaudu. ELi tasandil korraldavad konkursse Euroopa Horisont ja Euroopa Teadusnõukogu (ERC). Tähtajad ja tingimused muutuvad pidevalt (seisuga oktoober 2026).
TI-mudel kindlate juhiste ja ligipääsuga valitud teadmistele, mis täidab konkreetset ülesannet.
Täpsus kirjeldab, kui sageli annab TI-mudel õigeid tulemusi; stabiilsus kirjeldab, kui usaldusväärselt see tase säilib – veidi muudetud sisendite, uute andmete või aja jooksul. Mudel võib testimisel olla väga täpne, kuid ebastabiilne, kui küsimuse lihtne ümbersõnastamine annab teistsuguse vastuse. Reaalses kasutuses kontrollitakse mõlemat omadust kindlate testjuhtumite, ristvalideerimise ja pideva jälgimisega.
TI-otsing tähendab otsingumeetodeid, mis kasutavad TI-d, et mõista päringu taga olevat kavatsust, kaaluda tulemusi ja sageli genereerida allikatega kokkuvõtlik vastus, selle asemel et anda pelgalt linkide loend. Tehniliselt kasutavad need märksõnaotsingut, sisendivektoritel põhinevat vektorotsingut või nende kombinatsiooni, mille järel on sageli keelemudel. Näideteks on veebi vastusemootorid ja sisemine teadmisteotsing, mis aitab töötajatel leida vajaliku juhendites ja eeskirjades.
TI-põhine idufirma on noor ettevõte, mille toode või ärimudel põhineb olemuslikult tehisintellektil, näiteks valdkonnaspetsiifilised assistendid, analüüsitööriistad või automatiseeritud teenused. Sellised idufirmad ehitavad sageli olemasolevate alusmudelite peale ja eristuvad valdkonnaoskuse, andmete, kasutatavuse ja integratsiooniga. Väljakutsed on sõltuvus mudelipakkujatest, ühe päringu maksumus ja regulatsioon. Näide: idufirma, mis koostab automaatselt kontrollaruandeid käsitööettevõtetele.
Termin hõlmab tehisintellekti kasutamise majanduslikke tagajärgi: tootlikkuse kasv, uued tooted ja ärimudelid, muutuvad ülesanded ja oskusnõuded ning nihked konkurentsis. Nende mõjude ulatus ja jaotus on vaidlusalused ning sõltuvad suuresti sektorist, investeeringutest ja koolitusest. Üksikute organisatsioonide jaoks loeb kõige enam konkreetsete rakenduste mõõdetav kasu. Näide: klienditeeninduse lühemad töötlusajad vähendavad ühe päringu maksumust.
TI-põhine tagasiside õpilastele tähendab TI-süsteemi genereeritud kommentaare esseedele, ülesannetele või projektidele kindlaksmääratud kriteeriumide alusel. Õppijad saavad kiiremini viiteid tugevuste, ülesehituse, argumentatsiooni või keele kohta ning õpetajad vabanevad korduvast hindamisest. Hindamine peaks olema läbipaistev ja kriteeriumipõhine; hinded ja otsused sooritusvõime kohta jäävad õpetajate vastutusele. Näide: essee mustand saab enne esitamist parendusettepanekud.
TI-põhine turundus kasutab TI-võtteid, et sihtrühmi paremini mõista, sisu luua ja kampaaniaid juhtida. Tüüpilised rakendused on segmenteerimine, personaliseeritud sõnumid, ostutõenäosuse prognoosid, klienditagasiside analüüs ja reklaamide optimeerimine. See tugineb õiguspäraselt kogutud andmetele ja selgetele eesmärkidele ning tulemused tuleks testimisega üle kontrollida. Näide: veebipood saadab uudiskirju tootesoovitustega, mis sobivad varasema ostukäitumisega.
TI-robotite blokeerimine tähendab TI-pakkujate roomajate (crawler) takistamist teie veebisaiti lugemast, tavaliselt robots.txt faili reeglitega kasutajaagentidele nagu GPTBot, ClaudeBot või Google-Extended. Fail on palve, mitte tehniline tõke; rangem kontroll nõuab tulemüüri- või serverireegleid. Kompromiss: blokeerimine kaitseb sisu treenimiseks kasutamise eest, kuid võib vähendada nähtavust TI-otsingus ja TI loodud vastustes. Sageli on mõistlik kohelda treeningroomajaid ja otsinguroomajaid erinevalt.
Töövoo ehitusplokk, mis määrab tekstile ühe mitmest kategooriast ja hargneb vastavalt.
TI-toega sisuloome tähendab teksti, piltide või muu sisu loomist generatiivse TI abil, näiteks veebilehtede, uudiskirjade, tootekirjelduste või sotsiaalmeedia jaoks. TI annab kiiresti kavandeid, variante ja tõlkeid, samal ajal kui erialane asjatundlikkus, brändi hääl ja faktikontroll jäävad inimeste ülesandeks. Abiks on selged juhised sihtrühma, tooni ja allikate kohta. Näide: märksõnad uue pakkumise kohta muutuvad blogipostituse kavandiks ja kolmeks sotsiaalmeedia postituseks.
Ühik, milles keelemudelid teksti loevad. Token on umbes sõna osa; TI kulud põhinevad sellel.
Token on väikseim tekstiühik, mida keelemudel töötleb, tavaliselt sõna osa, lühike sõna või kirjavahemärk. Mudelid loevad sisendeid ja genereerivad vastuseid token haaval ning ka kontekstiakna suurust mõõdetakse tokenites. Kuna pakkujad arvestavad sisend- ja väljundtokenite eest tasu, määravad tokenid otseselt kulud ja piirangud: pikad juhised ja ulatuslikud taustateadmised suurendavad tarbimist.
Tokenisalakaubavedu (token smuggling) on jailbreakimise vorm, kus soovimatuid juhiseid varjatakse, näiteks jagatakse killukesteks, kodeeritakse ümber või kirjutatakse sarnaste märkidega, nii et lihtsad märksõnafiltrid jäävad nendest ilma, kuid keelemudel saab siiski nende tähendusest aru. Kaitse hõlmab sisendite normaliseerimist enne hindamist, sisupõhiseid, mitte ainult sõnapõhiseid kontrolle, väljundite ülevaatamist ja TI-agentidele võimalikult väheste õiguste andmist.
Tööruumi TI-kasutuse igakuine ülempiir.
Top-k täpsus mõõdab, kui tihti on õige vastus mudeli k kõige tõenäolisema ettepaneku hulgas. Top-1 puhul loeb ainult esimene ennustus; top-5 puhul piisab, kui õige klass on viie parima seas – tuntud mõõdik pildituvastuse võrdlustestides nagu ImageNet. See on kasulik kõikjal, kus kasutajad näevad mitut ettepanekut, näiteks tootesoovituste või automaatse täiendamise puhul.
Torch on avatud lähtekoodiga masinõppe raamistik, mis põhineb skriptikeelel Lua; selle versioon Torch7 oli 2010. aastatel teaduses ja tööstuses laialdaselt kasutusel. Seda peetakse PyTorchi eelkäijaks, mis võttis üle ideid ja osa Torchi C-teekidest, kuid kasutab Pythonit. Ametliku hoidla andmetel Torchi enam aktiivselt ei arendata ja uute projektide jaoks on see nüüd vähe oluline.
Siirdeõppes (transfer learning) on lähtepunktiks mudel, mis on juba õppinud suure üldise ülesande, uue spetsialiseeritud ülesande jaoks. Nullist alustamise asemel kohandatakse seda, näiteks peenhäälestuse abil, võrdlemisi vähese omaandmestikuga. See säästab arvutusaega ja andmeid, näiteks kui üldine pildimudel peab õppima fotodelt tootmisdefekte märkama.
Transformer on närvivõrgu arhitektuur, mis tutvustati 2017. aastal uurimistöös „Attention Is All You Need“. Selle tuumaks on tähelepanumehhanism: iga sõna kaalutakse suhtes kõigi teiste sõnadega tekstis ning arvutust saab tõhusalt paralleliseerida. Transformerid on tänapäeva keelemudelite, nagu GPT, Claude ja BERT, aluseks ning neid kasutatakse ka piltide ja heli jaoks.
Treeningandmed on näited, millest TI-mudel mustreid õpib: suured tekstikogud keelemudelite jaoks, märgendatud pildid pildimudelite jaoks. Nende kvaliteet, mitmekesisus ja värskus määravad suuresti, kui usaldusväärne ja õiglane mudel on ning kui ajakohased on selle teadmised. Organisatsioonide jaoks on oluline ka see, kas pakkuja kasutab nende sisestatud kliendiandmeid edasiseks treenimiseks.
Treeningviga näitab, kui palju mudeli ennustused erinevad õigetest väärtustest täpselt nendel andmetel, millega seda treeniti. Üksi ütleb see vähe: oluline on võrdlus üldistusveaga uutel andmetel. Kõrge treeningviga viitab alasobitamisele; väga madal treeningviga koos kõrge veaga testandmetel viitab tavaliselt ülesobitamisele.
Tunnuste eraldamine on protsess, mille käigus tuletatakse toorandmetest tähenduslikud väärtused, et mudel saaks neid tõhusalt töödelda. Miljonite üksikute pikslite asemel võib süsteem kasutada servi, värve või kujundeid; tekstid muudetakse sõnakaaludeks või embedding-vektoriteks. Head tunnused vähendavad andmemahtu, alandavad arvutuskulu ja parandavad sageli täpsust. Tunnuste eraldamine on tunnuste inseneeria (feature engineering) keskne osa.
Tunnuste kujundamine (feature engineering) tähendab toorandmetest atribuutide (tunnuste) valimist, teisendamist ja loomist, et õppealgoritm tuvastaks mustreid kergemini. Tunnuste eraldamine (feature extraction) tuletab keerukatest andmetest, nagu tekstid, pildid või signaalid, kompaktseid tähendusrikkaid väärtusi. Näide: üksikutest ostukirjetest tehakse tunnused nagu „päevi viimasest ostust“ või „keskmine tellimuse väärtus“, mis võivad klientide lahkumise ennustust märgatavalt parandada.
Turingi test pärineb matemaatik Alan Turingilt, kes kirjeldas seda 1950. aastal kui „imitatsioonimängu“. Inimene peab kirjalikku vestlust inimese ja masinaga; kui ta ei suuda usaldusväärselt eristada, kumb on masin, loetakse test läbituks. Tänapäeva keelemudelid peavad sageli väga inimlikult kõlavaid vestlusi, kuid test ütleb midagi ainult veenva keelekasutuse, mitte mõistmise ega töökindluse kohta.
Turuletuleku strateegia (go-to-market, GTM) määrab, kuidas toode või teenus turule edukalt tuua: millisel sihtrühmal on milline probleem, kuidas pakkumine positsioneeritakse ja hinnastatakse, millistes kanalites seda müüakse ja millised mõõdikud edu mõõdavad. GTM-plaan seob omavahel turunduse, müügi ja toote. Näide: tarkvarapakkuja alustab ühest tööstusharust, ühest partnerikanalist ja 90-päevasest eesmärgist.
Omavahel ühendatud sammude jada, mis käivitub korduvalt, näiteks „päringu sorteerimine ja vastamine“.
Alasobitamine (underfitting) tekib siis, kui mudel on liiga lihtne, et andmetes olevaid seoseid tabada. Siis teeb see palju vigu nii treeningandmetel kui ka uutel andmetel, näiteks kui selgelt kõverat mustrit püütakse kujutada sirgjoonega. Abinõud on võimekam mudel, informatiivsemad tunnused, pikem treening või vähem regulariseerimist; vastupidine probleem on ülesobitamine.
Uuriv andmeanalüüs (exploratory data analysis, EDA) on andmestiku esimene vaba pilk: arvutatakse kokkuvõtlikke näitajaid, uuritakse jaotusi ja diagramme ning otsitakse mustreid, kõrvalekaldeid ja puuduvaid väärtusi – ilma kindla hüpoteesita. See aitab hinnata andmekvaliteeti ja leida mõistlikke küsimusi edasiseks analüüsiks või modelleerimiseks. Näide: enne müügiprognoosi selgub EDA abil, et üks kuu on süsteemi üleviimise tõttu poolikult kirjendatud.
Uusklientidelt saadav äri (net new business) tähendab tulu klientidelt, keda varem ei olnud, erinevalt pikendustest, lisamüügist või olemasolevate klientide laiendamisest. Näitaja kajastab, kui hästi ettevõte avab uusi turge ja sihtrühmi, ning müügitiimid planeerivad ja tasustavad seda sageli eraldi. Näide: tarkvarapakkuja teatab, et 40% tema kvartaalsest tellimuste mahust tuleb uusklientidelt.
Üldine tehisintellekt (artificial general intelligence, AGI) tähistab hüpoteetilist TI-süsteemi, mis suudab inimtasemel hakkama saada laia intellektuaalsete ülesannete valikuga ja kanda õpitu paindlikult üle uutesse valdkondadesse. Tänapäeva süsteemid toimivad paljudes ülesannetes hästi, kuid neil on endiselt piirangud, näiteks usaldusväärsuses. Üldtunnustatud määratlust ega mõõtmisviisi pole ning see, kas ja millal AGI saavutatakse, on ekspertide seas vaidlusalune.
Üldistusviga mõõdab, kui palju TI-mudel eksib uute, varem nägemata andmete puhul – erinevalt veast treeningandmetel. Suur lõhe nende kahe vahel viitab ülesobitamisele: mudel on näited pähe õppinud, mitte üldisi mustreid omandanud. Seda hinnatakse kõrvale jäetud testandmete või ristvalideerimise abil. See on näitaja, mis tegelikult loeb, sest praktikas puutub mudel kokku peaaegu ainult uute juhtumitega.
Vahemäluga täiendatud genereerimine (cache-augmented generation, CAG) on lähenemisviis, mille puhul keelemudel ei otsi teadmisi iga küsimusega. Selle asemel laaditakse ülevaatlik teadmistebaas eelnevalt selle kontekstiaknasse ja see olek salvestatakse vahemällu, nii et vastused ei vaja eraldi otsingusammu. Mõiste muutis populaarseks 2024. aasta lõpu teadusartikkel alternatiivina otsinguga täiendatud genereerimisele (RAG). CAG sobib väikestele ja stabiilsetele teadmistebaasidele; suurte või sageli muutuvate andmete puhul jääb RAG tavaliselt praktilisemaks.
Vastanduv masinõpe uurib, kuidas TI-mudeleid saab tahtlikult manipuleeritud sisendite või treeningandmetega eksitada – ja kuidas neid kaitsta. Tuntud näited on vaevu nähtavad pildimuudatused, mis muudavad liigitust, või mürgitatud treeningandmed. Teema on organisatsioonidele oluline niipea, kui TI toetab turvalisuse seisukohalt olulisi otsuseid. Vastumeetmete hulka kuuluvad töökindel treenimine, sisendite kontroll, jälgimine ja regulaarne turvatestimine.
Vastavusaruandlus on regulaarne ja jälgitav dokumenteerimine selle kohta, kas organisatsioon täidab õigusnõudeid, standardeid ja sisemisi põhimõtteid. Tüüpiline aruanne esitab perioodi ja ulatuse, iga nõude oleku, kõrvalekalded ning meetmed koos vastutajate ja tähtaegadega. See on tõendiks juhtkonnale, nõukogule, audiitoritele või ametiasutustele, näiteks andmekaitse või infoturbe kohta.
Tabel, mis määrab iga ülesande puhul, kes on teostaja (R), vastutaja (A), konsulteeritav (C) ja teavitatav (I). Nimetatakse ka RACI-ks.
TI-veebilehe generaator loob mõne sisendi, nagu tööstusharu, pakkumine ja eelistatud stiil, põhjal automaatselt veebilehe, sealhulgas lehestruktuuri, küljenduse, tekstid ja pildiettepanekud. See annab väikeettevõtetele või projektidele kiire veebipresentsi ilma programmeerimisoskuseta. Tulemused on lähtepunkt: sisu, õiguslikult nõutav teave, ligipääsetavus ja otsingumootoroptimeerimine tuleks seejärel üle kontrollida ja kohandada.
Vertikaalne TI-agent on kohandatud konkreetsele tööstusharule või erialaülesandele, näiteks e-kaubanduse klienditoele, arstipraksiste aegade broneerimisele või masinaehituse müügipäringutele. Erinevalt üldotstarbelistest assistentidest tunneb ta oma valdkonna terminoloogiat, protsesse ja reegleid, kuna tal on sobivad juhised, teadmised ja tööriistad. Seetõttu annab ta oma valdkonnas tavaliselt täpsemaid ja usaldusväärsemaid tulemusi.
Vestlus-TI hõlmab tehnoloogiaid, mis võimaldavad arvutitel pidada dialooge loomulikus keeles, kas kirjalikult vestluse kaudu või suuliselt häälassistentide abil. Kaasaegsed süsteemid põhinevad tavaliselt suurtel keelemudelitel, mis mõistavad päringuid, arvestavad vestluse ajalugu ja sõnastavad sobivaid vastuseid. Organisatsioonid kasutavad neid klienditeeninduses, aegade broneerimisel või sisemistes abilauasüsteemides. Olulised on usaldusväärsed teadmised, selged piirid ja inimesele üleandmine, kui TI ei saa aidata.
Vestlusroboti turvaaudit on struktureeritud ülevaatus selle kohta, kas TI-vestlusrobot kaitseb piisavalt konfidentsiaalseid andmeid, oma sisemisi juhiseid ja oma tegutsemisõigusi. Muu hulgas uuritakse vastuvõtlikkust juhiste süstimisele (prompt injection), teabe tahtmatut avalikustamist ja liiga laia ligipääsu tööriistadele – sageli OWASP Top 10 for LLM Applications järgi. Tulemuseks on aruanne, milles on hinnang iga riskivaldkonna kohta ja konkreetsed meetmed.
Vibe coding kirjeldab töötamisviisi, kus tarkvara luuakse peamiselt loomuliku keele kirjelduste kaudu ning TI loodud koodi võetakse vastu suuresti ilma ülevaatuseta. Mõiste pani käibele TI-teadlane Andrej Karpathy 2025. aasta veebruaris. See võib olla kasulik kiirete prototüüpide jaoks, kuid tootmises kaasneb risk märkamata turvaaukude, raskesti hooldatava koodi ja sõltuvustega, millest tiimis keegi tegelikult aru ei saa, seega jäävad koodi ülevaatus ja testimine hädavajalikuks.
Märge vastuses, mis näitab, millisest teadmiste lõigust see pärineb.
Internetiaadress, mis käivitab töövoo kohe, kui mõni teine programm sellele andmeid saadab.
Whisper on OpenAI 2022. aasta septembris välja antud automaatse kõnetuvastuse mudel. See teisendab paljudes keeltes kõneldud keele tekstiks ning oskab salvestisi tõlkida ka inglise keelde. Selle kood ja mudelikaalud on saadaval avatud lähtekoodiga MIT litsentsi all, seega saab Whisperit käitada ka oma riistvaral, mis on eelis, kui helisalvestised ei tohi organisatsioonist lahkuda. Tüüpilised kasutusalad on koosolekute ja intervjuude transkriptsioonid ning subtiitrid.
Akendamine (windowing) tähendab pikkade andmete jagamist kindla pikkusega lõikudeks („akendeks“), mis sageli kattuvad. TI-rakendustes jagab see pikad dokumendid otsitavateks osadeks; kattumine tagab, et lõigu piiril olev lause ei kaota oma konteksti. Libisevaid aknaid kasutatakse ka aegridade ja helisignaalide puhul, et analüüsida andmeid tükkhaaval.
Writer (writer.com) on 2020. aastal asutatud USA ettevõte, mis pakub platvormi generatiivse TI jaoks ettevõtetes. See arendab oma keelemudelite perekonda nimega Palmyra ning pakub tööriistu, millega ettevõtted saavad ehitada TI-agente, ühendada need oma teadmistega ja juhtida neid brändihääle ja kinnituste reeglitega (seisuga oktoober 2026). Seda kasutatakse peamiselt sisu ja töövoogude jaoks turunduses, müügis ja klientidega suhtlemisel.
Writesonic on TI-teenus, mis sai esmalt tuntuks turundustekstide loomise tööriistana. Pakkuja positsioneerib end nüüd platvormina nähtavuse jaoks nii traditsioonilises kui ka TI-põhises otsingus: eesmärk on mõõta, kui tihti brändi TI-assistentide vastustes mainitakse, ning parandada sisu SEO ja generatiivse mootoroptimeerimise (GEO) jaoks (seisuga oktoober 2026). Peamine sihtrühm on turundustiimid ja agentuurid.
XGBoost (Extreme Gradient Boosting) on avatud lähtekoodiga teek, mis rakendab otsustuspuudega gradientvõimendust eriti tõhusalt. Paljusid väikeseid puid treenitakse üksteise järel, igaüks parandab eelmiste vigu, samal ajal kui regulariseerimine aitab ülesobitamist ära hoida. XGBoost'i peetakse tabeliandmete jaoks end tõestanud valikuks, näiteks krediidiriski hindamisel, kliendikao ennustamisel või müügiprognoosides.
Zero-shot-õpe tähendab, et mudel suudab lahendada ülesande, ilma et oleks selle kohta varem konkreetseid näiteid näinud. Suured keelemudelid saavad näiteks sooritada tõlke või klassifitseerimise ainuüksi prompti kirjelduse põhjal. Kui kvaliteet ei ole piisav, aitab sageli few-shot-õpe: lisad mõned näited soovitud vastusest.
3D-rekonstruktsioon hõlmab meetodeid, mis arvutavad fotode, video või anduriandmete põhjal objekti või ruumi kolmemõõtmelise mudeli. Tüüpilised lähenemisviisid võrdlevad mitut eri nurkade alt tehtud pilti või analüüsivad laser- ja sügavusandurite sügavusandmeid. Seda kasutatakse mõõdistamisel, muinsuskaitses, meditsiinis, robootikas ja e-kaubanduses – näiteks nutitelefoniga tehtud skannist pööratava 3D-tootemudeli loomiseks.
