Više od 350 pojmova od A kao agent do Z kao zero-shot – jasno objašnjeno, s napomenama o tome gdje KI.ordo pomaže.
Account-based marketing (ABM) usmjerava marketing i prodaju na odabrani skup poslovnih klijenata umjesto na široku publiku. Orkestracija znači usklađivanje svake točke kontakta: koji član tima koji odlučuje o kupnji dobiva koju poruku, kojim kanalom i kada. UI pomaže objedinjavanjem informacija o ciljnim tvrtkama, izradom poruka prilagođenih ulogama i planiranjem slijedova kroz e-poštu, telefon, događanja i društvene mreže.
Adaptivno učenje označava programe učenja koji se neprestano prilagođavaju znanju, tempu i pogreškama polaznika. Softver analizira odgovore i zatim odabire prikladne vježbe, objašnjenja ili ponavljanje gradiva. Primjenjuje se u školama, na sveučilištima i u korporativnoj izobrazbi – primjerice kada platforma nakon netočno riješenog zadatka automatski ponudi lakši međukorak. U strojnom učenju taj pojam opisuje i modele koji se neprestano prilagođavaju novim podacima.
„Agentski“ opisuje UI sustave koji ne odgovaraju samo na pojedinačno pitanje: slijede cilj kroz više koraka, planiraju, koriste alate poput web-pretraživanja ili API-ja, provjeravaju međurezultate i odlučuju što dalje. Primjer je asistent koji kategorizira zahtjev, potraži informacije i pripremi nacrt odgovora. Ključni su jasne granice, bilježenje i ljudsko odobrenje na kritičnim točkama.
Aktivacijske funkcije određuju koliko snažno neuron u umjetnoj neuronskoj mreži prosljeđuje svoj signal. One uvode nelinearnost – tek tada mreža može prikazati složene odnose poput jezika ili slika. Uobičajeni su primjeri ReLU, koja negativne vrijednosti postavlja na nulu, sigmoida za vjerojatnosti između 0 i 1 te GELU, koja se koristi u mnogim transformer modelima. Izbor utječe na brzinu i stabilnost učenja.
Alat za preoblikovanje odlomaka UI je alat koji postojeći odlomak izražava drukčije, a da ne mijenja ono što on kaže. Uobičajeni ciljevi su drukčiji ton, kraća verzija, jednostavniji jezik ili manje ponavljanja. To je korisno, primjerice, kada interni stručni tekst treba biti razumljiviji kupcima. Sadržaj i činjenice ipak treba naknadno provjeriti jer preoblikovanje može promijeniti nijanse.
Algoritamska transparentnost znači da je moguće razumjeti kako automatizirani sustav dolazi do rezultata: koje podatke koristi, koja pravila slijedi i gdje su mu granice. To gradi povjerenje, olakšava praćenje pogrešaka i sve je češće zakonski zahtjev, primjerice kroz obveze informiranja prema GDPR-u i Aktu EU-a o umjetnoj inteligenciji. U praksi pomažu dokumentacija, navođenje izvora, zapisi i jasne obavijesti za osobe na koje se to odnosi.
AllenNLP je biblioteka otvorenog koda za Python namijenjena istraživanju obrade prirodnog jezika, koju je na temelju PyTorcha razvio Allen Institute for AI. Nudila je gotove komponente i modele za zadatke kao što su klasifikacija teksta, razrješavanje koreferencije i odgovaranje na pitanja. Od kraja 2022. AllenNLP se više ne razvija aktivno i nalazi se u načinu održavanja; njegovi održavatelji upućuju na alternative kao što su AI2 Tango, flair ili Hugging Face Transformers (stanje: listopad 2026.).
Amazon Kindle Direct Publishing (KDP) Amazonova je platforma na kojoj autori samostalno objavljuju e-knjige te meko i tvrdo uvezane knjige. Naslovi, opisi, ključne riječi i kategorije moraju slijediti vlastita pravila platforme. Tko sadržaj generira pomoću UI-ja – tekstove, slike za naslovnicu ili prijevode – mora to prilikom objave prijaviti Amazonu; rad koji je UI samo podržao, poput prikupljanja ideja ili lekture, izuzet je (stanje: listopad 2026.). Prije svake objave treba provjeriti aktualne smjernice.
Amazon SageMaker usluga je u oblaku tvrtke Amazon Web Services (AWS) za izradu, učenje i uvođenje modela strojnog učenja. Krajem 2024. izvorna usluga preimenovana je u „Amazon SageMaker AI“; otada „Amazon SageMaker“ označava širu platformu za podatke, analitiku i UI sa sučeljem SageMaker Unified Studio (stanje: listopad 2026.). Koriste je uglavnom timovi za podatkovnu znanost koji pokreću modele na AWS infrastrukturi.
Anaconda je raširena distribucija programskih jezika Python i R za analizu podataka i strojno učenje koju izdaje Anaconda Inc. Objedinjuje upravitelj paketa conda s unaprijed instaliranim bibliotekama kao što su NumPy, pandas i Jupyter te olakšava vođenje zasebnih okruženja za svaki projekt. Organizacije s više od 200 zaposlenika trebaju plaćenu licencu za Anaconda Distribution i njezin zadani kanal paketa; sam conda i zajednički kanal conda-forge i dalje su besplatni (stanje: listopad 2026.).
Analiza sentimenta automatski utvrđuje raspoloženje ili stav koji tekst izražava – obično pozitivan, neutralan ili negativan, a ponekad i finije emocije. Tvrtke je koriste za vrednovanje velikog broja recenzija proizvoda, e-poruka podršci, anketa ili objava na društvenim mrežama te za brzo uočavanje gdje su klijenti zadovoljni, a gdje postoje problemi. Ironija, sarkazam i miješane izjave poput „brza isporuka, razočaravajuća kvaliteta“ ostaju teški, pa uzorke trebaju provjeravati ljudi.
Antropomorfizam je sklonost pripisivanju ljudskih svojstava poput osjećaja, namjera ili razumijevanja strojevima. Kod chatbotova to se nameće samo po sebi jer pišu tečno i osobno. To može učiniti interakciju ugodnijom, ali nosi rizike: ljudi mogu previše vjerovati odgovorima ili dijeliti osjetljive informacije. Tome se može suprotstaviti jasnim obavijestima da korisnici komuniciraju s UI-jem i iskrenim izjavama o njegovim ograničenjima.
Anyword je UI platforma za pisanje marketinških tekstova koja je nastala iz tvrtke Keywee, osnovane 2013. Izrađuje kratke tekstove kao što su oglasi, predmeti e-poruka, naslovi i opisi proizvoda te varijantama dodjeljuje predviđenu ocjenu koliko bi mogle odjeknuti kod ciljne publike. Nudi i postavke glasa robne marke te analizu postojećeg sadržaja (stanje: listopad 2026.). Takva su predviđanja procjene i ne zamjenjuju testiranje u stvarnim uvjetima.
Tajni kod koji drugim programima omogućuje pozivanje KI.ordo.
Asocijativna memorija dohvaća pohranjene informacije prema sadržaju, a ne prema adresi: djelomičan ili zašumljen znak dovoljan je za prisjećanje odgovarajuće cjeline – slično kao što prvi taktovi prizovu cijelu pjesmu. Hopfieldove mreže klasičan su primjer u istraživanju UI-ja. Načelo se pojavljuje i u hardveru (sadržajno adresirana memorija) te u analizama mehanizma pažnje u modernim jezičnim modelima.
Automatizacija korisničke službe znači da softver u potpunosti ili djelomično obrađuje ponavljajuće upite kupaca – primjerice putem chatbotova, predloženih odgovora ili predrazvrstavanja zahtjeva. Na česta pitanja o radnom vremenu, statusu isporuke ili povratu robe može se odgovarati danonoćno, dok tim dobiva vrijeme za teže slučajeve. Ključni su pouzdani izvori znanja i jednostavna predaja razgovora ljudima.
Automatska klasifikacija razvrstava tekstove, dokumente ili zapise u unaprijed definirane kategorije bez ručnog sortiranja. Tradicionalno modeli to uče iz označenih primjera; veliki jezični modeli mogu kategorije dodijeliti i samo na temelju opisa. Tipične su primjene razvrstavanje dolaznih e-poruka prema vrsti zahtjeva, razvrstavanje računa i potvrda ili označavanje hitnih zahtjeva za podršku. Za važne slučajeve preporučljive su nasumične provjere koje provode ljudi.
Autonomna vozila kreću se u potpunosti ili djelomično bez ljudske intervencije, koristeći kamere, radar, lidar i UI softver. Norma SAE J3016 definira šest razina – od 0 (bez automatizacije) do 5 (potpuno bez vozača svugdje). UI preuzima percepciju, predviđanje ponašanja drugih sudionika u prometu i planiranje rute. Osim automobila, to obuhvaća robotaksije, kamione, shuttle vozila i skladišna vozila; odobrenje i odgovornost u svakoj se zemlji uređuju zasebno.
Povratna propagacija (backpropagation) standardna je metoda kojom neuronske mreže uče. Nakon svakog predviđanja mjeri se pogreška i širi unatrag kroz slojeve mreže, pokazujući koliko je svaka težina pridonijela pogrešci. Optimizacijska metoda kao što je gradijentni spust zatim postupno prilagođava težine. Bez povratne propagacije učenje današnjih jezičnih i slikovnih modela bilo bi praktički nemoguće.
Bagging (skraćeno od bootstrap aggregating) ansambl je metoda strojnog učenja: mnogo modela uči se na nasumično odabranim uzorcima podataka za učenje, a njihova se predviđanja usrednjavaju ili kombiniraju većinskim glasanjem. Time rezultati postaju stabilniji, a prenaučenost se smanjuje. Najpoznatiji je primjer slučajna šuma (random forest), koja kombinira mnogo stabala odlučivanja – primjerice za predviđanje odljeva kupaca ili cijena.
Batch normalizacija tehnika je za učenje dubokih neuronskih mreža koja međuvrijednosti sloja za svaku seriju podataka svodi na ujednačenu srednju vrijednost i raspršenost. Time učenje postaje stabilnije i često brže, a mreža manje osjetljiva na početne vrijednosti. Uvedena 2015., česta je u mrežama za prepoznavanje slika; transformeri se uglavnom oslanjaju na srodnu normalizaciju sloja.
Bayesove mreže grafički su modeli koji varijable prikazuju kao čvorove, a njihove probabilističke ovisnosti kao usmjerene strelice. Primjenom Bayesova teorema pokazuju kako nova opažanja mijenjaju vjerojatnost drugih događaja. Jedan je primjer dijagnostička podrška: procjena najvjerojatnijeg uzroka na temelju uočenih simptoma. Njihove su prednosti transparentnost i sposobnost rada s nesigurnim ili nepotpunim podacima.
U području UI-ja benchmarking znači sustavnu usporedbu modela ili sustava pomoću definiranih zadataka i kriterija. Javni benchmarkovi mjere, primjerice, opće znanje, zaključivanje ili sposobnost programiranja; za praktičnu primjenu ipak su najvažniji testni slučajevi iz vlastitog svakodnevnog rada. Tipični su kriteriji točnost, potpunost, vrijeme odziva i trošak. To pomaže odlučiti je li manji, jeftiniji model dovoljno dobar za neki zadatak.
BERT (Bidirectional Encoder Representations from Transformers) jezični je model koji je Google predstavio 2018. Za razliku od ranijih modela, istodobno uzima u obzir kontekst lijevo i desno od riječi, što mu pomaže razriješiti višeznačnost. BERT je namijenjen razumijevanju teksta, a ne pisanju duljih odlomaka. Koristi se za pretraživanje, klasifikaciju teksta, prepoznavanje imenovanih entiteta i odgovaranje na pitanja te je oblikovao mnoge modele nasljednike.
U području UI-ja pristranost označava sustavno iskrivljenje rezultata. Često proizlazi iz neuravnoteženih ili povijesno iskrivljenih podataka za učenje, ali i iz dizajna modela ili načina na koji je pitanje postavljeno. Poznat primjer: alat za probir kandidata koji uči iz prošlih odluka o zapošljavanju može produljiti postojeće nepovoljne položaje. U statistici pristranost označava i odstupanje procjene od stvarne vrijednosti. Protumjere uključuju raznolike podatke, redovite revizije i ljudske odluke u kadrovskim pitanjima.
BigML je platforma za strojno učenje istoimene tvrtke, osnovane 2011., sa sjedištem u Corvallisu u Oregonu (SAD). Putem web-sučelja ili API-ja korisnici mogu bez mnogo programiranja izrađivati modele kao što su stabla odlučivanja, ansambli, klasteriranje ili otkrivanje anomalija. Naglasak stavlja na interpretabilne modele i tijekove rada koji se mogu automatizirati. Nudi se kao usluga u oblaku i za rad u vlastitom podatkovnom centru (stanje: listopad 2026.).
BLEU ocjena (Bilingual Evaluation Understudy) metrika je razvijena u IBM-u 2002. za automatsko vrednovanje strojnih prijevoda. Mjeri koliko se nizova riječi iz prijevoda pojavljuje i u jednom ili više ljudskih referentnih prijevoda te daje vrijednost između 0 i 1 (često prikazanu kao 0–100). BLEU je brz i usporediv, ali ne obuhvaća dobro ni značenje ni stil – dobre parafraze mogu dobiti nisku ocjenu.
Blokiranje UI botova znači sprječavanje da crawleri UI pružatelja čitaju vašu web-stranicu, obično pravilima u datoteci robots.txt za korisničke agente poput GPTBota, ClaudeBota ili Google-Extended. Datoteka je zahtjev, a ne tehnička prepreka; strože upravljanje zahtijeva pravila vatrozida ili poslužitelja. Kompromis: blokiranje štiti sadržaj od uporabe za treniranje, ali može smanjiti vidljivost u UI pretrazi i odgovorima generiranim UI-jem. Često ima smisla različito postupati s crawlerima za treniranje i crawlerima za pretragu.
BMXNet je biblioteka otvorenog koda za binarne neuronske mreže koju je 2017. objavio Institut Hasso Plattner u Potsdamu, a temelji se na okviru Apache MXNet. Binarne mreže pohranjuju težine i aktivacije s jednim bitom umjesto 32, zbog čega su modeli znatno manji i brži – privlačno za pametne telefone i ugrađene uređaje, iako obično uz određeni gubitak točnosti. Otkako je MXNet 2023. umirovljen, BMXNet je danas uglavnom od istraživačkog interesa (stanje: listopad 2026.).
Boosting je ansambl metoda strojnog učenja u kojoj se mnogo jednostavnih modela uči jedan za drugim, pri čemu se svaki novi model usredotočuje na slučajeve u kojima su prethodnici pogriješili. Zajedno čine znatno točniji ukupni model. Poznate su varijante AdaBoost i gradient boosting, s bibliotekama kao što su XGBoost ili LightGBM. Boosting je osobito snažan na tabličnim podacima, primjerice za prognoze kreditnog rizika, prodaje ili odljeva kupaca.
Botpress je platforma za izradu chatbotova i UI agenata istoimene kanadske tvrtke sa sjedištem u Montrealu. Vizualni radni prostor omogućuje korisnicima osmišljavanje tijeka razgovora, povezivanje izvora znanja i povezivanje agenata s kanalima kao što su web-stranice ili aplikacije za razmjenu poruka putem integracija; naplata se temelji na potrošnji. Nekadašnja verzija 12 otvorenog koda za vlastito hostiranje ukinuta je – novi projekti rade na Botpress Cloudu (stanje: listopad 2026.).
Caffe (Convolutional Architecture for Fast Feature Embedding) okvir je otvorenog koda za duboko učenje koji je razvio Yangqing Jia na Sveučilištu Kalifornije u Berkeleyju, a objavljen je 2013. Bio je popularan uglavnom za prepoznavanje slika pomoću konvolucijskih neuronskih mreža jer je radio brzo, a modeli su se definirali u konfiguracijskim datotekama. Posljednja verzija, 1.0, izašla je 2017.; njegov nasljednik Caffe2 spojen je s PyTorchem 2018. Caffe se danas rijetko koristi za nove projekte.
Chainer je okvir otvorenog koda za duboko učenje u Pythonu koji je razvila japanska tvrtka Preferred Networks. Popularizirao je pristup „define-by-run“, u kojem se neuronska mreža gradi tijekom izvođenja izračuna, što olakšava eksperimentiranje s fleksibilnim strukturama modela. Od prosinca 2019. Chainer se samo održava, a ne razvija dalje; Preferred Networks prešao je na PyTorch, koji slijedi isto načelo.
Chatbot je program koji prima pitanja u tekstualnom ili govornom obliku i odgovara na njih u dijalogu. Jednostavni chatbotovi slijede fiksna pravila i stabla odlučivanja, dok moderni koriste velike jezične modele i razumiju slobodno formulirane zahtjeve. Tipične primjene uključuju korisničku službu, interne službe za pomoć i zahtjeve za termine – primjerice chat na web-stranici koji danonoćno odgovara na pitanja o rokovima isporuke.
ChatGPT je UI asistent američke tvrtke OpenAI, objavljen u studenome 2022., koji je generativnu UI približio širokoj publici. Temelji se na velikim jezičnim modelima serije GPT i odgovara na pitanja, piše i uređuje tekstove, sažima dokumente i pomaže pri programiranju. ChatGPT je dostupan u pregledniku i kao aplikacija, u besplatnoj i plaćenim razinama te u verzijama za timove i poduzeća.
Napomena u odgovoru koja pokazuje iz kojeg odlomka znanja potječe.
Cjevovod dohvaćanja niz je koraka obrade kojima sustav pronalazi prave informacije za neko pitanje. Tipični koraci su: preuzimanje i čišćenje dokumenata, njihovo dijeljenje na odlomke (chunkove), izgradnja indeksa za pretraživanje, po potrebi preoblikovanje upita, dohvaćanje pogodaka, njihovo rangiranje (reranking) i prosljeđivanje najboljih jezičnom modelu. To je temelj svake RAG aplikacije, a njegova kvaliteta uvelike određuje koliko će dobri biti dobiveni odgovori.
Cjevovod strojnog učenja (machine learning pipeline) definiran je slijed koraka koji sirove podatke pretvara u model spreman za uporabu: prikupljanje i čišćenje podataka, priprema obilježja, treniranje, vrednovanje, uvođenje i nadzor. Automatizacijom tih koraka rezultati postaju ponovljivi, a novi se podaci mogu obrađivati uz malo truda. Trgovac, primjerice, svaki tjedan može ponovno trenirati i testirati svoj model za prognozu prodaje s najnovijim brojkama.
Claude je obitelj velikih jezičnih modela američke tvrtke za UI Anthropic. Modeli razumiju i pišu tekst na mnogim jezicima, analiziraju dokumente, pišu kod i mogu koristiti alate, primjerice za istraživanje ili automatizaciju. Najpoznatije su obitelji modela Haiku, Sonnet i Opus, koje se razlikuju po brzini, trošku i sposobnostima. Anthropic posebno naglašava sigurnost i pouzdano ponašanje modela.
Claude Haiku najbrža je i najjeftinija od triju Anthropicovih obitelji modela Claude, uz Sonnet i Opus. Prikladna je za zadatke velikog obujma koji zahtijevaju kratko vrijeme odziva, poput razvrstavanja e-poruka, izdvajanja podataka iz tekstova ili usmjeravanja zahtjeva na pravo mjesto. Aktualna generacija je Claude Haiku 5.5 (stanje: listopad 2026.).
Claude Opus najsposobnija je od triju Anthropicovih obitelji modela Claude: Haiku, Sonnet i Opus. Namijenjena je zahtjevnim zadacima koji traže višestupanjsko zaključivanje, kao što su složene analize, veliki programerski projekti ili agenti koji dulje vrijeme rade samostalno. Zauzvrat je sporija i skuplja od manjih obitelji. Aktualna verzija je Claude Opus 5.5 (stanje: listopad 2026.).
Claude Sonnet srednja je od triju Anthropicovih obitelji modela Claude i spaja visoku sposobnost s kratkim vremenom odziva i umjerenim troškom. Prikladna je za širok raspon svakodnevnih poslovnih zadataka: izradu nacrta tekstova, analizu dokumenata, odgovaranje na pitanja o znanju ili pisanje koda. Anthropic redovito objavljuje nove verzije; aktualna je Claude Sonnet 5.5 (stanje: listopad 2026.).
Clearbit je usluga za obogaćivanje B2B podataka: na temelju adrese e-pošte ili domene dodaje podatke kao što su djelatnost, veličina tvrtke ili lokacija. Prodajni i marketinški timovi koriste takve podatke za bodovanje potencijalnih klijenata, skraćivanje obrazaca i povezivanje posjeta web-stranici s tvrtkama. HubSpot je 2023. preuzeo Clearbit; njegove se funkcije danas nude kao Breeze Intelligence unutar HubSpota (stanje: listopad 2026.).
Klasteriranje je metoda nenadziranog učenja koja dijeli podatkovne točke u skupine prema njihovoj sličnosti, bez unaprijed definiranih kategorija. Otkriva obrasce koje nitko prije nije imenovao – primjerice segmente kupaca sa sličnim kupovnim ponašanjem. Kod tekstova klasteriranje pomaže razvrstati stotine upita kupaca u teme kao što su isporuka, naplata ili pritužbe i pokazuje gdje je težište.
Copilot je marka pod kojom Microsoft okuplja svoje UI asistente. Obuhvaća opći asistent za web i Windows, Microsoft 365 Copilot za rad u programima Word, Excel, Outlook ili Teams te Copilot Studio za izradu vlastitih agenata; GitHub Copilot podržava programiranje. Asistenti se temelje na velikim jezičnim modelima i, ovisno o izvedbi, mogu pristupati podacima organizacije u Microsoftu 365 (stanje: listopad 2026.).
Copy.ai je američka UI platforma koja je započela kao generator tekstova za marketinške sadržaje poput oglasa, e-poruka ili opisa proizvoda. Fokus se kasnije pomaknuo na automatizirane tijekove rada za prodaju i marketing, koje tvrtka objedinjuje pod pojmom „GTM AI”. U listopadu 2025. Copy.ai preuzeo je pružatelj rješenja za upravljanje prihodima Fullcast (stanje: listopad 2026.).
Copysmith je američki pružatelj UI alata, poznat po generatoru tekstova za marketing i e-trgovinu, primjerice za opise proizvoda i oglase. Copysmith je 2022. preuzeo alate za pisanje i SEO Rytr i Frase. Danas tvrtka djeluje kao krovna organizacija za više proizvoda, među njima Describely za tekstove proizvoda u maloprodaji na internetu (stanje: listopad 2026.).
CrewAI je open-source Python okvir za povezivanje više UI agenata u tim („crew”). Svaki agent dobiva ulogu, cilj i prikladne alate; zadaci se raspodjeljuju, a rezultati prosljeđuju dalje. Uz to, „flows” omogućuju strogo kontrolirane tijekove rada pokretane događajima. Primjerice, agent za istraživanje prikuplja informacije, a agent za pisanje od njih izrađuje izvješće.
Curenje upita (prompt leaking) označava nenamjerno otkrivanje internih uputa UI sustava, primjerice kada chatbot na lukavo formuliran zahtjev otkrije svoj sistemski upit. To postaje problem ako te upute sadrže poslovnu logiku, interne informacije ili čak vjerodajnice. Popis OWASP za LLM aplikacije izričito navodi taj rizik. Najučinkovitija zaštita je pisati upute kao da bi mogle postati javne, u njih nikada ne pohranjivati tajne i provjeravati i izlazne rezultate.
Čišćenje podataka je prepoznavanje i ispravljanje netočnih, dvostrukih ili nedosljednih unosa u skupovima podataka. Tipični koraci uključuju ujednačavanje pisanja i formata datuma, uklanjanje suvišnih razmaka i spajanje duplikata poput „Horvat d.o.o.” i „Horvat d. o. o.”. Čisti podaci preduvjet su pouzdanih analiza, masovnih slanja i UI aplikacija.
Čitljivost opisuje koliko se lako tekst može čitati i razumjeti. Ovisi o duljini rečenica, duljini riječi, stručnim izrazima, strukturi rečenica i rasporedu te se može aproksimirati formulama poput Fleschova indeksa ili LIX. Dobra čitljivost važna je za komunikaciju s klijentima, upute, web-stranice i pristupačan sadržaj. Formule ipak nude samo smjernice; je li tekst jasan, u konačnici ovisi o publici.
Čovjek u petlji (human-in-the-loop) opisuje tijekove rada u kojima ljudi na definiranim točkama ulaze u UI proces: pregledavaju rezultate, odobravaju ih ili ispravljaju, ili preuzimaju zahtjevne slučajeve. Načelo smanjuje rizik od pogrešnih izlaza i zadržava odgovornost kod ljudi, osobito kod odluka koje se tiču pojedinaca, novca ili pravnih pitanja. Primjer: UI agent izrađuje nacrte odgovora na upite klijenata, a djelatnik ih provjerava prije slanja.
DALL-E je serija modela za generiranje slika tvrtke OpenAI koji stvaraju slike na temelju tekstualnih opisa. Prva verzija pojavila se 2021.; DALL-E 3 integriran je u ChatGPT 2023. i učinio je generiranje slika iz teksta dostupnim širokoj publici. OpenAI je u međuvremenu DALL-E zamijenio novijim modelima za slike iz serije GPT Image; API pristup za DALL-E 2 i 3 ukinut je u svibnju 2026. (stanje: listopad 2026.).
Dash je open-source okvir tvrtke Plotly za izradu interaktivnih web-aplikacija za analizu podataka u Pythonu, bez samostalnog pisanja JavaScripta. Grafikoni, filtri i klizači izravno su povezani s Python kodom. Tipični primjeri su nadzorne ploče na kojima poslovni timovi filtriraju prodaju po regijama ili isprobavaju predviđanja modela strojnog učenja s vlastitim vrijednostima.
DataRobot je američka softverska tvrtka čija platforma pomaže organizacijama u izgradnji, pokretanju i nadzoru UI aplikacija. Postala je poznata po automatiziranom strojnom učenju (AutoML), koje automatski trenira i uspoređuje mnoge varijante modela – primjerice za predviđanje odlaska klijenata ili potražnje. Danas se tvrtka usredotočuje i na pokretanje UI agenata te upravljanje njima (stanje: listopad 2026.).
Deepfake je slika, videozapis ili audiozapis stvoren ili izmijenjen pomoću UI-ja koji uvjerljivo prikazuje stvarne osobe kako govore ili čine nešto što se nikada nije dogodilo. Uz legitimnu uporabu u filmu ili sinkronizaciji, deepfakeovi se koriste za dezinformiranje, nanošenje štete ugledu i prijevare – primjerice lažni pozivi navodnog nadređenog koji traži bankovni prijenos. Zaštita uključuje povratne pozive putem poznatih kanala, jasne procese odobravanja i označavanje sadržaja generiranog UI-jem.
Deterministički model uvijek daje isti rezultat za isti unos, jer slijedi čvrsta pravila ili formule i ne uključuje slučajnost – primjerice pravilo „5 % popusta na narudžbe preko 100 €”. Veliki jezični modeli, nasuprot tome, rade probabilistički: njihovi odgovori na isto pitanje mogu varirati. U praksi se ta dva pristupa često kombiniraju kako bi se uravnotežile fleksibilnost i sljedivost.
Developmental Reading Assessment (DRA) postupak je raširen u Sjedinjenim Američkim Državama kojim učitelji određuju razinu čitanja djece od vrtića do 8. razreda; objavljuje ga Pearson. Djeca naglas čitaju tekstove prilagođene razinama i odgovaraju na pitanja o njima, a procjena obuhvaća aspekte poput tečnosti i razumijevanja. Rezultat je razina čitanja koja usmjerava izbor prikladnih knjiga i mjera potpore.
Diskriminacija u UI-ju nastaje kada UI sustav neopravdano stavlja ljude u nepovoljniji položaj na temelju obilježja poput spola, etničkog podrijetla, dobi ili invaliditeta. Uzroci su obično iskrivljeni podaci za treniranje, neprikladna zamjenska obilježja poput poštanskih brojeva ili nedostatak testiranja; poznati slučajevi dolaze iz zapošljavanja i kreditiranja. Protumjere uključuju reprezentativne podatke, redovita testiranja pravednosti, transparentnost i ljudski nadzor nad odlukama o ljudima.
Diskriminativni modeli uče razlikovati podatkovne točke izravnim određivanjem granice između klasa – odgovaraju na pitanje „Kojoj kategoriji pripada ovaj unos?”. Primjeri su logistička regresija, stroj potpornih vektora i mnogi neuronski klasifikatori, primjerice za prepoznavanje spama. Generativni modeli, nasuprot tome, bilježe kako sami podaci nastaju pa stoga mogu stvarati nove primjere.
DL4J (Eclipse Deeplearning4j) open-source je biblioteka za duboko učenje na Java virtualnom stroju (JVM). Omogućuje treniranje i pokretanje neuronskih mreža u Javi ili Scali pa se uklapa u postojeće poslovne sustave temeljene na Javi. Projekt uključuje i alate za uvoz modela iz drugih okvira. Održava se kao projekt zaklade Eclipse Foundation.
Dohvaćanje informacija (information retrieval) obuhvaća metode koje u velikom korpusu teksta pronalaze dokumente ili odlomke koji odgovaraju upitu i rangiraju ih prema relevantnosti. Klasični pristupi poput BM25 ponderiraju pojmove pretrage prema tome koliko se često i koliko rijetko pojavljuju; noviji dodaju semantičku sličnost. Temelj je tražilica, pretraživanja unutar poduzeća i generiranja potpomognutog dohvaćanjem, u kojem jezični model dohvaćene odlomke koristi kao osnovu za svoj odgovor.
Dropout je tehnika regularizacije koja se koristi pri treniranju neuronskih mreža: u svakom koraku treniranja nasumičan udio neurona privremeno se isključuje. Time se sprječava da se mreža oslanja na pojedine veze pa uči robusnije obrasce. Smanjuje pretreniranost, tj. puko pamćenje podataka za treniranje. Kada se gotov model kasnije koristi, svi su neuroni ponovno aktivni.
Duboko učenje je grana strojnog učenja koja koristi umjetne neuronske mreže s mnogo slojeva. Takve mreže iz velikih količina podataka uče koja su obilježja važna – od rubova na slikama do odnosa značenja u tekstovima. Duboko učenje temelj je današnjih jezičnih modela, prepoznavanja slika i govora te strojnog prevođenja, a obično zahtijeva znatnu računalnu snagu i podatke za treniranje.
Dvosmjerni LSTM (BiLSTM) rekurentna je neuronska mreža koja čita slijed i unaprijed i unatrag te kombinira oba pogleda. To znači da se uzima u obzir i kontekst koji slijedi nakon svake riječi. Prije nego što su prevladali transformeri, bio je standardni izbor za zadatke kao što su označavanje vrsta riječi, prepoznavanje imenovanih entiteta i prepoznavanje govora. Za vrlo duge tekstove i velike skupove podataka transformeri danas obično daju bolje rezultate.
Eksfiltracija podataka je neovlašteni prijenos podataka iz sustava. U UI aplikacijama može se dogoditi kada se chatbot ili agent posebno oblikovanim unosima ili podmetnutim sadržajem – primjerice na web-stranici koju čita – navede da otkrije ili proslijedi povjerljive informacije. Zaštita uključuje minimalna prava pristupa, provjere unosa, ograničenja odlaznih veza i nadzor odgovora.
Ekspertni sustav je računalni program koji znanje ljudskih stručnjaka pohranjuje u obliku pravila i činjenica te iz njih izvodi zaključke. Tipično se sastoji od baze znanja i mehanizma zaključivanja koji primjenjuje pravila. Ekspertni sustavi oblikovali su UI 1970-ih i 1980-ih, primjerice u medicinskoj dijagnostici ili konfiguriranju tehničke opreme. Njihove ideje i danas žive u provjerama temeljenima na pravilima i grafovima znanja.
Eksplorativna analiza podataka (EDA) prvi je, otvoreni pogled na skup podataka: računaju se sažete brojke, ispituju distribucije i grafikoni te traže obrasci, odstupanja i nedostajuće vrijednosti – još bez čvrste hipoteze. Pomaže procijeniti kvalitetu podataka i pronaći smislena pitanja za daljnju analizu ili modeliranje. Primjer: prije prognoze prodaje EDA otkriva da je jedan mjesec zbog migracije sustava nepotpuno evidentiran.
Ekstraktivna UI odnosi se na metode koje postojeće informacije izdvajaju iz tekstova ili dokumenata umjesto da pišu novi sadržaj. Izlaz dolazi doslovno ili u čvrstoj strukturi iz izvora – primjerice brojevi računa iz PDF-ova, ključne rečenice za sažetak ili odgovarajući odlomak kao odgovor na pitanje. Budući da se ništa ne izmišlja, rizik od netočnih tvrdnji manji je nego kod čisto generativnih pristupa; ta se dva pristupa često kombiniraju.
Emergencija opisuje svojstva sustava koja nastaju međudjelovanjem mnogih jednostavnih dijelova, ali se ne vide ni u jednom pojedinačnom dijelu. U istraživanju UI-ja sposobnosti se nazivaju emergentnima kada veliki jezični modeli iznad određene veličine znatno bolje od manjih modela rješavaju zadatke poput višekoračnog računanja ili prevođenja. Istraživači raspravljaju jesu li takvi skokovi stvarni ili djelomično ovise o načinu mjerenja.
Etika UI-ja bavi se moralnim pitanjima razvoja i uporabe UI-ja: pravednošću i diskriminacijom, transparentnošću i objašnjivošću, zaštitom podataka, odgovornošću za pogreške, sigurnošću te utjecajem na rad i društvo. Za organizacije postaje konkretna u smjernicama, procjenama rizika, ljudskom nadzoru i iskrenoj komunikaciji o ograničenjima UI-ja. Primjer: prije uvođenja alata za probir životopisa provjerava se stavlja li određene skupine u nepovoljniji položaj.
F-mjera je metrika za ocjenjivanje klasifikacijskih modela. Uobičajena F1 mjera je harmonijska sredina preciznosti (koliko je predviđenih pogodaka točno) i odziva (koliko je stvarnih pogodaka pronađeno), a kreće se od 0 do 1. Posebno je korisna kod neuravnoteženih podataka: filtar za spam koji gotovo nikad ne označi spam može imati visoku točnost, ali nisku F1 mjeru.
U fasetnoj pretrazi korisnici korak po korak sužavaju rezultate filtrima izgrađenima iz atributa sadržaja – poput kategorije, cijene, marke, datuma ili autora. Svaka faseta obično prikazuje koliko rezultata ostaje. Pristup je poznat iz internetskih trgovina, ali se koristi i u knjižnicama, intranetima i arhivima dokumenata kako bi velike zbirke postale pregledne bez točnih pojmova za pretraživanje.
fastai je open-source Python biblioteka za duboko učenje izgrađena na PyTorchu. Objedinjuje provjerene zadane postavke tako da se modeli za slike, tekst ili tablične podatke mogu trenirati s nekoliko redaka koda, a istodobno omogućuje duboko prilagođavanje na svakoj razini. Nastala je iz obrazovne inicijative fast.ai i prati njezine besplatne tečajeve, zbog čega je popularna u obrazovanju i za brzo isprobavanje modela.
Federativno učenje pristup je treniranju u kojem UI model uči na mnogo uređaja ili lokacija, a da neobrađeni podaci nikada ne napuštaju te uređaje ili lokacije. Svaki sudionik trenira lokalno i središnjem poslužitelju šalje samo ažuriranja modela, koji ih objedinjuje. Time se štiti privatnost, a pristup je prikladan, primjerice, za bolnice koje zajedno žele poboljšati dijagnostički model ili za tipkovnice pametnih telefona koje uče prijedloge riječi.
Fino podešavanje (fine-tuning) znači daljnje treniranje već unaprijed treniranog UI modela na dodatnim, obično zadatku prilagođenim podacima. Njegove unutarnje težine prilagođavaju se tako da model pouzdanije obrađuje, primjerice, određeni stil pisanja, stručni rječnik ili izlazni format. Fino podešavanje zahtijeva pažljivo pripremljene primjere podataka, računalnu snagu i testiranje. Za mnoge primjene dovoljne su dobro napisane upute i povezano znanje, koje je ujedno lakše mijenjati.
Fino podešavanje učinkovito s obzirom na parametre (PEFT) obuhvaća tehnike kojima se veliki unaprijed trenirani model prilagođava zadatku treniranjem samo malog dijela njegovih parametara ili dodavanjem nekoliko dodatnih. Poznate metode su LoRA, QLoRA, adapteri i prefix tuning. Time se uvelike smanjuju zahtjevi za računalnom snagom i memorijom, a umjesto potpunih kopija modela mogu se pohraniti mali dodatni moduli za više zadataka. Primjer: jezični model prilagođava se stilu internih tehničkih dokumenata.
Fleschov indeks čitljivosti procjenjuje koliko je tekst lako razumljiv, na temelju prosječne duljine rečenice i broja slogova po riječi. Rudolf Flesch razvio ga je 1948. za engleski jezik, a postoje i prilagođene formule za druge jezike. Ljestvica otprilike ide od 0 do 100 – što je rezultat viši, tekst je lakši. Mjeri samo oblik, a ne odgovaraju li sadržaj i terminologija ciljanoj publici.
Frase je softver za istraživanje i optimizaciju web-sadržaja. Analizira koje teme, pitanja i pojmove obrađuju stranice s dobrim rangom za neki upit, na temelju toga izrađuje sažetke sadržaja (content briefs) i ocjenjuje tekstove tijekom njihove izrade. Frase danas nudi i značajke za praćenje i poboljšanje citiraju li se sadržaji u odgovorima UI sustava za pretraživanje poput ChatGPT-a ili Perplexityja (stanje: listopad 2026.).
Fréchetova udaljenost inception (FID) metrika je za procjenu kvalitete slika generiranih UI-jem. Stvarne i generirane slike propuštaju se kroz unaprijed treniranu mrežu za prepoznavanje slika (Inception v3) i uspoređuju se statističke distribucije njihovih obilježja. Što je vrijednost niža, to su generirane slike bliže stvarnim fotografijama po realističnosti i raznolikosti. FID je predstavljen 2017. i standard je za usporedbu generatora slika.
„Garbage in, garbage out” (smeće unutra, smeće van) opisuje načelo da sustav može dati samo onoliko dobre rezultate koliko su dobri podaci koje prima. To dvostruko vrijedi za UI: netočni, zastarjeli ili jednostrani podaci za treniranje ili znanje dovode do pogrešnih ili pristranih odgovora. Chatbot koji se oslanja na zastarjeli cjenik navodit će zastarjele cijene. Briga o podacima stoga je trajan zadatak u svakom UI projektu.
Generativna suparnička mreža (GAN) sastoji se od dviju neuronskih mreža koje se treniraju jedna protiv druge: generator stvara umjetne podatke poput slika, a diskriminator ih pokušava razlikovati od stvarnih. Tim natjecanjem rezultati postaju sve realističniji. GAN-ovi su predstavljeni 2014. i oblikovali su generiranje slika prije šire primjene difuzijskih modela; koriste se, primjerice, za sintetičke podatke za treniranje ili poboljšanje slika.
Generativna UI odnosi se na UI sustave koji stvaraju novi sadržaj – tekst, slike, zvuk, video ili programski kod – umjesto da samo razvrstavaju ili ocjenjuju postojeće podatke. Temelje se na modelima koji iz velikih količina podataka uče obrasce i koriste ih za izradu uvjerljivih novih izlaza. U poslovanju se koristi, primjerice, za izradu nacrta e-poruka, sažetaka, opisa proizvoda ili ideja za slike. Rezultati mogu sadržavati pogreške i treba ih provjeriti prije uporabe.
GPT (generative pre-trained transformer) označava seriju velikih jezičnih modela tvrtke OpenAI koji se temelje na arhitekturi transformera. Modeli se najprije unaprijed treniraju na golemim količinama teksta kako bi predviđali sljedeći token, a zatim se dodatno treniraju za dijalog i izvršavanje uputa. Prvi GPT model pojavio se 2018.; kasnije generacije temelj su ChatGPT-a. U svakodnevnom govoru „GPT” se često koristi za jezične modele općenito.
Generator prodajnih skripti UI je alat koji izrađuje vodiče za prodajne razgovore – primjerice hladne pozive, sastanke ili ponovne kontakte. Iz podataka o ponudi i ciljnoj skupini izrađuje uvod, pitanja za otkrivanje potreba, argumente o koristi, odgovore na tipične prigovore i prijedlog sljedećeg koraka. Dobar vodič pruža orijentaciju, a ne krutu skriptu: slušanje i iskreno savjetovanje i dalje su važniji od gotovih fraza.
UI generator web-stranica automatski izrađuje web-stranicu, uključujući strukturu stranica, izgled, tekstove i prijedloge slika, iz nekoliko unosa poput industrije, ponude i željenog stila. Tako male tvrtke ili projekti brzo dobivaju online prisutnost bez znanja programiranja. Rezultati su polazište: sadržaj, zakonski obvezne informacije, pristupačnost i optimizaciju za tražilice zatim treba provjeriti i prilagoditi.
Generiranje obogaćeno predmemorijom (CAG) pristup je u kojem jezični model ne pretražuje znanje pri svakom pitanju. Umjesto toga, pregledna baza znanja unaprijed se učitava u njegov kontekstni prozor i to se stanje pohranjuje u predmemoriju, tako da odgovori ne zahtijevaju zaseban korak dohvaćanja. Pojam je populariziran istraživačkim radom s kraja 2024. kao alternativa generiranju obogaćenom dohvaćanjem (RAG). CAG je prikladan za male, stabilne baze znanja; za velike ili često promjenjive podatke RAG je obično i dalje praktičniji.
Generiranje potpomognuto dohvaćanjem povezuje pretraživanje i generiranje teksta: prije odgovaranja sustav u zbirci znanja – primjerice priručnicima, pravilnicima ili čestim pitanjima – traži relevantne odlomke i prosljeđuje ih jezičnom modelu kao kontekst. Odgovor se tako temelji na aktualnom sadržaju specifičnom za tvrtku, a ne samo na znanju stečenom treniranjem modela. To smanjuje izmišljene tvrdnje, omogućuje praćenje izvora i dopušta ažuriranja bez ponovnog treniranja.
Generiranje prirodnog jezika (NLG) područje je obrade jezika koje iz podataka, natuknica ili drugih ulaza proizvodi razumljiv tekst. Raniji NLG sustavi oslanjali su se na predloške i pravila, a danas većina koristi velike jezične modele. Tipične primjene su izvješća o vremenu i burzi, opisi proizvoda, sažeci ključnih pokazatelja i odgovori chatbota. Važno je da se brojke i činjenice iz ulaznih podataka prenesu točno i nepromijenjeno.
Generiranje teksta automatska je proizvodnja teksta pomoću UI-ja, danas obično pomoću velikih jezičnih modela koji riječ po riječ izračunavaju najvjerojatniji nastavak. To je grana generiranja prirodnog jezika i ključna primjena generativne UI. Organizacije ga koriste za sastavljanje e-poruka, izvješća ili opisa proizvoda; činjenice i brojke treba provjeriti prije objave.
Gensim je open-source Python biblioteka za analizu velikih zbirki tekstova. Poznata je po tematskim modelima poput LDA, treniranju vektora riječi (primjerice Word2Vec, FastText i Doc2Vec) i usporedbi dokumenata prema sličnosti. Budući da Gensim obrađuje podatke u dijelovima, može raditi i s korpusima koji ne stanu u memoriju. Tipična primjena: automatsko grupiranje tisuća komentara klijenata prema ponavljajućim temama.
Google Colab (Colaboratory) je Googleova usluga u oblaku za pokretanje Python koda u bilježnicama u stilu Jupytera izravno u pregledniku, bez lokalne instalacije. Besplatna razina nudi i GPU-ove i TPU-ove, ovisno o dostupnosti i uz ograničenja trajanja rada; plaćeni paketi nude veću računalnu snagu. Colab je popularan za poučavanje, analizu podataka i isprobavanje modela, a ugrađeni asistent Gemini pomaže pri pisanju i ispravljanju koda (stanje: listopad 2026.).
Pojam obuhvaća gospodarske posljedice uporabe umjetne inteligencije: porast produktivnosti, nove proizvode i poslovne modele, promjenu zadataka i potrebnih vještina te pomake u konkurenciji. Opseg i raspodjela tih učinaka su sporni i uvelike ovise o sektoru, ulaganjima i edukaciji. Za pojedine organizacije najviše se računa mjerljiva korist konkretnih primjena. Primjer: kraće vrijeme obrade u korisničkoj podršci smanjuje trošak po upitu.
Gradijentni spust je optimizacijska metoda kojom se trenira većina UI modela. Mjeri se koliko je velika pogreška modela, izračunava u kojem smjeru treba mijenjati parametre da bi se smanjila, a zatim se u tom smjeru čini mali korak – iznova i iznova. Slično je planinaru u magli koji stalno ide nizbrdo kako bi stigao do doline. Veličina koraka (stopa učenja) određuje brzinu i stabilnost.
Gradijentno pojačavanje (gradient boosting) tehnika je strojnog učenja koja jedan za drugim kombinira mnogo jednostavnih modela – obično malih stabala odlučivanja. Svako novo stablo trenira se posebno kako bi smanjilo preostale pogreške prethodnih. Rezultat su vrlo točni modeli za tablične podatke, primjerice za kreditni rizik, prognoze prodaje ili vjerojatnost odlaska klijenata. Poznate implementacije su XGBoost, LightGBM i CatBoost; potrebno je pažljivo podešavanje kako bi se izbjegla pretreniranost.
Granica znanja je vremenska točka do koje sežu podaci za učenje jezičnog modela. Model nema vlastito znanje o događajima, cijenama, zakonima ili proizvodima koji su nastali nakon toga i može davati zastarjele informacije ako mu se ne dostave aktualni podaci. To se može riješiti metodama koje u vrijeme izvođenja uključuju vlastite dokumente ili aktualne web-sadržaje.
Grok je UI asistent temeljen na velikim jezičnim modelima koji razvija tvrtka xAI. Integriran je u platformu X, a dostupan je i putem vlastite web-stranice, mobilnih aplikacija i API-ja. Jedna od njegovih značajki je pristup aktualnim objavama na X-u i web-pretrazi. Od veljače 2026. xAI je dio tvrtke SpaceX i sada djeluje pod imenom SpaceXAI; verzije modela redovito se ažuriraju (stanje: listopad 2026.).
Halucinacija je izlaz UI modela koji zvuči uvjerljivo, ali je pogrešan ili potpuno izmišljen – primjerice nepostojeća sudska odluka, netočna brojka ili izmišljen izvor. Uzrok: jezični modeli stvaraju vjerojatne formulacije, a ne provjeravaju automatski činjenice. Rizik se smanjuje kada se odgovori temelje na provjerenim izvorima, navode se dokazi, a ljudi provjeravaju važne rezultate.
Heteronim je riječ koja se piše isto kao druga, ali se izgovara drukčije i ima drukčije značenje – primjerice engleski „lead” (voditi) i „lead” (olovo) ili „wind” (vjetar) i „wind” (namotati). Heteronimi su podskup homografa. Izazov su za sustave pretvorbe teksta u govor, jer se ispravan izgovor može zaključiti samo iz konteksta, često uz pomoć analize vrsta riječi.
Heuristike su praktična pravila ili pojednostavljene strategije koje u razumnom roku vode do dobrog, premda ne zajamčeno optimalnog rješenja. U računalnoj znanosti i UI-ju pomažu suziti goleme prostore pretraživanja – primjerice pri planiranju rute, gdje zračna udaljenost do cilja služi kao procjena, ili u šahu, gdje se vrednuju pozicije. Ljudi heuristike koriste i u svakodnevnim i poslovnim odlukama, uz rizik sustavnih pogrešaka u razmišljanju.
Horovod je open-source okvir za distribuirano treniranje modela dubokog učenja na mnogo GPU-ova ili strojeva. Izvorno razvijen u tvrtki Uber, podržava TensorFlow, Keras, PyTorch i MXNet te sinkronizira gradijente koje izračunavaju strojevi koji sudjeluju pomoću ring-allreduce metode, bez središnjeg poslužitelja parametara. Projekt hostira zaklada LF AI & Data Foundation; posljednje stabilno izdanje, 0.28.1, datira iz 2023. (stanje: listopad 2026.).
Hugging Face Transformers je open-source Python biblioteka koja putem jednog, dosljednog sučelja omogućuje pristup unaprijed treniranim modelima za tekst, slike i zvuk. Programeri je koriste za preuzimanje modela s Hugging Face Huba, njihovo isprobavanje, prilagodbu vlastitim podacima ili lokalno pokretanje. Od verzije 5 biblioteka je usmjerena prvenstveno na PyTorch (stanje: listopad 2026.). Primjer: tim testira model za analizu sentimenta u samo nekoliko redaka koda.
Ideogram je UI usluga koja generira slike iz tekstualnih opisa, a razvija je istoimena tvrtka osnovana 2022. Najpoznatija je po prikazivanju čitljivog teksta unutar slika, što je čini korisnom za plakate, pozivnice ili grafike za društvene mreže. Dostupna je kao web-aplikacija i putem API-ja; verzije modela i licencni uvjeti redovito se mijenjaju (stanje: listopad 2026.). Prava korištenja treba provjeriti prije komercijalne uporabe.
Insight engine je oblik pretraživanja unutar poduzeća koji objedinjuje informacije iz mnogih izvora, poput dokumenata, e-poruka, baza podataka i aplikacija, te ih analizira UI tehnikama. Umjesto običnih popisa rezultata isporučuje pripremljene odgovore, poveznice ili preporuke, često u kontekstu aktualnog zadatka. Pojam su popularizirali uglavnom industrijski analitičari. Primjer: prije sastanka s klijentom prodajni tim na jednom mjestu vidi sve relevantne ugovore, tikete i bilješke.
Podešavanje prema uputama (instruction tuning) oblik je finog podešavanja u kojem se unaprijed treniran jezični model dalje trenira na mnogo parova uputa i željenih odgovora. Time model uči izvršavati zadatke formulirane prirodnim jezikom, a ne samo nastavljati tekst. To je ključni korak u pretvaranju osnovnog modela u asistenta i često se kombinira s metodama poput RLHF-a. Primjer: „Sažmi ovaj tekst u tri rečenice” izvršava se pouzdano.
Integrirani krug specifične namjene (ASIC) čip je projektiran za jedan određeni zadatak, a ne za računanje opće namjene poput CPU-a. U području UI-ja ASIC-ovi su prilagođeni računskim operacijama neuronskih mreža – Googleove jedinice Tensor Processing Unit (TPU) jedan su primjer. Za taj zadatak rade brže i energetski učinkovitije od čipova opće namjene, ali je njihov razvoj skup i teško ih je prilagoditi novim opterećenjima.
Inteligentna obrada dokumenata (IDP) automatski čita dokumente poput računa, ugovora ili obrazaca, prepoznaje njihovu vrstu i relevantne podatke pretvara u strukturirane podatke. Kombinira prepoznavanje teksta za skenirane dokumente, obradu prirodnog jezika i pravila validacije. Organizacije tako štede ručni unos podataka i ubrzavaju procese poput obrade ulaznih računa ili pošte. Nesigurna polja trebaju provjeriti ljudi.
Inteligentni agent je sustav koji percipira svoju okolinu, obrađuje informacije i samostalno odabire radnje kako bi postigao cilj. Danas se taj pojam obično odnosi na softver temeljen na velikim jezičnim modelima koji slijedi upute, koristi znanje i poziva alate poput funkcije pretraživanja ili API-ja. Koliko agent smije raditi samostalno treba odlučiti promišljeno. Primjer: agent odgovara na pitanja klijenata na temelju dokumentacije proizvoda.
Interpretabilnost modela opisuje koliko dobro ljudi mogu razumjeti kako UI model dolazi do svojih rezultata. Jednostavne modele, poput stabala odlučivanja, po prirodi je lako pročitati; kod složenih neuronskih mreža mogu pomoći tehnike koje otkrivaju utjecaj pojedinih značajki. Interpretabilnost je važna za otklanjanje pogrešaka, povjerenje i regulatorne zahtjeve, primjerice kada treba obrazložiti odbijanje kredita.
Inženjer UI sustava projektira i vodi UI aplikacije kao cjelovit sustav: povezuje modele s izvorima podataka, sučeljima i postojećim softverom, osigurava sigurnost, nadzor i kontrolu troškova te prototipove prevodi u stabilan rad. Za razliku od čistog razvoja modela, naglasak je na integraciji. Jedan primjer je povezivanje agenta za podršku sa sustavom tiketa, uključujući bilježenje i prava pristupa.
Inženjering obilježja (feature engineering) znači odabir, transformaciju i stvaranje atributa (obilježja) iz neobrađenih podataka kako bi algoritam učenja lakše prepoznao obrasce. Izdvajanje obilježja iz složenih podataka poput teksta, slika ili signala izvodi kompaktne, smislene vrijednosti. Primjer: pojedinačni zapisi o kupnji pretvaraju se u obilježja poput „dana od posljednje kupnje” ili „prosječne vrijednosti narudžbe”, što može osjetno poboljšati predviđanje odlaska klijenata.
Inženjerstvo znanja obuhvaća prikupljanje, organiziranje i pripremu stručnog znanja tako da ga IT sustavi mogu koristiti. Izvorno se usredotočivalo na pravila za ekspertne sustave; danas je prioritet često dokumentirati raspršeno znanje iz priručnika, opisa procesa i ljudskih glava kako bi UI agenti na temelju njega mogli pouzdano odgovarati. To uključuje jasne strukture, ažurne izvore, definirane odgovornosti i popunjavanje utvrđenih praznina.
Istraživačke potpore i financiranje za UI financiraju istraživačke projekte, skupine mladih istraživača ili suradnje u području umjetne inteligencije. U Njemačkoj, primjerice, Njemačka zaklada za istraživanje (DFG) u sklopu svoje inicijative za UI financira skupine Emmy Noether o metodama UI-ja, dok Savezno ministarstvo istraživanja, tehnologije i svemira (BMFTR) dodjeljuje sredstva putem tematskih smjernica za financiranje. Na razini EU-a pozive provode Obzor Europa (Horizon Europe) i Europsko vijeće za istraživanja (ERC). Rokovi i uvjeti stalno se mijenjaju (stanje: listopad 2026.).
Izdvajanje značajki postupak je izvođenja smislenih vrijednosti iz neobrađenih podataka kako bi ih model mogao učinkovito obrađivati. Umjesto milijuna pojedinačnih piksela sustav može upotrebljavati rubove, boje ili oblike; tekstovi se pretvaraju u težine riječi ili vektore umetanja (embeddinge). Dobre značajke smanjuju količinu podataka, snižavaju računalne troškove i često povećavaju točnost. Izdvajanje značajki ključni je dio inženjerstva značajki.
Strategija izlaska na tržište (go-to-market, GTM) određuje kako će se proizvod ili usluga uspješno lansirati na tržištu: koja ciljna skupina ima koji problem, kako se ponuda pozicionira i određuje joj se cijena, kroz koje se kanale prodaje i kojim se metrikama mjeri uspjeh. GTM plan povezuje marketing, prodaju i proizvod. Primjer: pružatelj softvera počinje s jednom industrijom, jednim partnerskim kanalom i ciljem na 90 dana.
Izrada sadržaja uz pomoć UI-ja znači izradu tekstova, slika ili drugog sadržaja uz pomoć generativne UI, primjerice za web-stranice, newslettere, opise proizvoda ili društvene mreže. UI brzo isporučuje nacrte, varijante i prijevode, dok stručno znanje, glas marke i provjera činjenica ostaju ljudski zadaci. Pomažu jasne smjernice o publici, tonu i izvorima. Primjer: natuknice o novoj ponudi postaju nacrt blog-objave i tri objave za društvene mreže.
Izvještavanje o usklađenosti redovito je i sljedivo dokumentiranje toga ispunjava li organizacija zakonske zahtjeve, norme i interne politike. Tipično izvješće navodi razdoblje i opseg, status svakog zahtjeva, odstupanja te mjere s odgovornim osobama i rokovima. Služi upravi, nadzornim odborima, revizorima ili tijelima vlasti kao dokaz, primjerice u području zaštite podataka ili informacijske sigurnosti.
Izvlačenje sistemskog upita označava pokušaje da se chatbot ili UI agent natjera da otkrije svoje skrivene sistemske upute. Ako takav pokušaj uspije, rezultat se naziva curenje upita (prompt leaking): izvlačenje je napad, a curenje posljedica. Učinkovita zaštita počinje time da se lozinke, ključevi i povjerljiva pravila drže izvan uputa te da se pretpostavi da mogu postati javni; provjere unosa i redovito testiranje dodatne su mjere zaštite.
Tekst koji KI.ordo dijeli na odlomke i čini pretraživim za agente.
Jailbreaking označava pokušaje zaobilaženja sigurnosnih pravila UI modela vješto formuliranim unosima kako bi proizveo sadržaj ili poduzeo radnje koje bi trebao odbiti. Za organizacije je to rizik, jer bi chatbot mogao, primjerice, otkriti povjerljive upute ili neprimjereno odgovoriti. Zaštitne mjere uključuju jasne sistemske upute, provjeru unosa i izlaza, ograničene ovlasti, bilježenje i redovita sigurnosna testiranja (red teaming).
Jasper je UI platforma za marketinške timove tvrtke Jasper AI, američke tvrtke osnovane 2021. Pomaže u izradi tekstova poput blog-objava, oglasa ili objava na društvenim mrežama i može uzeti u obzir pohranjene smjernice marke i ton komunikacije. Pružatelj se danas pozicionira oko specijaliziranih agenata i automatiziranih tijekova rada za sadržaj (stanje: listopad 2026.). Kao i kod svakog generatora tekstova, činjenice i tvrdnje treba provjeriti prije objave.
„Jeste li mislili” (Did you mean, DYM) značajka je pretrage koja predlaže ispravljen upit kada se čini da je unos pogrešno napisan ili neobičan. Oslanja se na mjere sličnosti među riječima, jezične modele i analizu čestih pretraga. Primjer: tko u internetsku trgovinu upiše „aparta za kavu”, vidi „Jeste li mislili: aparat za kavu?”. Značajka smanjuje broj praznih stranica s rezultatima i tako poboljšava iskustvo pretraživanja.
Jupyter Notebook je open-source aplikacija u pregledniku projekta Project Jupyter koja u jednom dokumentu objedinjuje izvršivi kod, rezultate, grafikone i objašnjavajući tekst. Bilježnice se naširoko koriste u analizi podataka, strojnom učenju, istraživanju i poučavanju jer se svaki korak može dokumentirati i dijeliti na sljediv način. Python je najčešći jezik. Primjer: analitičar učitava podatke o prodaji, čisti ih i prikazuje rezultate kao grafikon izravno ispod.
K najbližih susjeda (k-NN) jednostavna je metoda nadziranog učenja. Za klasifikaciju nove podatkovne točke traži k najsličnijih poznatih primjera i preuzima njihovu najčešću klasu ili, za numeričke vrijednosti, njihov prosjek. Ne treba pravu fazu treniranja, ali postaje spora s velikim skupovima podataka i osjetljiva je na način skaliranja obilježja. Primjer: preporuke proizvoda na temelju sličnih klijenata.
Kaggle je internetska platforma za znanost o podacima i strojno učenje, u vlasništvu Googlea od 2017. Nudi javne skupove podataka, natjecanja temeljena na stvarnim problemima, bilježnice u pregledniku s računalnim resursima i tečajeve. Za organizacije i polaznike koristan je za isprobavanje metoda, usporedbu pristupa ili uočavanje talenata. Licenciju i podrijetlo svakog skupa podataka treba provjeriti prije uporabe.
Pregled ključnih procesa tvrtke i njihove međusobne povezanosti.
Kauzalno zaključivanje obuhvaća metode za izvođenje uzročno-posljedičnih veza iz podataka, umjesto da se samo utvrđuju korelacije. Odgovara na pitanja poput „Što bi se dogodilo da nismo poduzeli ovu mjeru?”. Alati uključuju randomizirane pokuse poput A/B testova, uzročne grafove i statističke tehnike za opservacijske podatke. Primjer: provjera je li kampanja popusta doista povećala prodaju ili bi ona porasla i bez nje zbog sezonskih razloga.
Keras je open-source Python biblioteka za izgradnju i treniranje neuronskih mreža, koju je izvorno razvio François Chollet. Nudi pristupačno sučelje visoke razine za sastavljanje modela od slojeva. Od verzije 3 Keras se može izvoditi na JAX-u, TensorFlowu ili PyTorchu kao računalnoj pozadini. Primjer: tim u samo nekoliko redaka koda gradi prototip modela za klasifikaciju slika.
Klasifikacija teksta automatski razvrstava tekstove u unaprijed zadane kategorije, primjerice e-poruke prema vrsti upita, recenzije prema sentimentu ili dokumente prema temi. Prije je za to bilo potrebno trenirati posebne modele na označenim primjerima; danas veliki jezični modeli često mogu dodijeliti kategorije samo na temelju opisa. Tako je moguće unaprijed razvrstati upite i brže ih usmjeriti pravom timu.
Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.
K-means je metoda nenadziranog učenja koja podatkovne točke dijeli u unaprijed zadan broj k skupina. Svaku točku dodjeljuje najbližem središtu skupine i neprestano pomiče ta središta dok se dodjele jedva mijenjaju. Metoda je brza i lako razumljiva, ali zahtijeva razuman odabir k i obilježja na usporedivim ljestvicama. Primjer: grupiranje klijenata prema učestalosti kupnje i vrijednosti košarice.
KNIME je softver za analitiku podataka u kojem se tijekovi rada vizualno sastavljaju od blokova („čvorova”) umjesto da se programiraju. Open-source KNIME Analytics Platform obuhvaća uvoz podataka, čišćenje, analizu, strojno učenje i izvješćivanje, dok komercijalne ponude pružatelja dodaju suradnju i rad unutar organizacija. Tipičan primjer je tijek rada koji spaja mjesečne podatke o prodaji iz više Excel datoteka, čisti ih i izrađuje prognozu.
Knjiga postignuća neprestano je ažurirana zbirka vlastitih profesionalnih postignuća: završeni projekti, pokazatelji, pozitivne povratne informacije, nagrade i usavršavanja. Služi kao osnova za razgovore o učinku, pregovore o plaći, prijave za posao ili napredovanja. Provjerena struktura je situacija, zadatak, radnja i rezultat. Treba navoditi samo provjerljive informacije, a brojke ne treba uljepšavati.
Kognitivna karta izvorno je pojam iz psihologije koji opisuje mentalni prikaz okoline koji oblikuju ljudi ili životinje. U menadžmentu i UI-ju odnosi se i na grafičke modele koji pojmove prikazuju kao čvorove, a njihove uzročno-posljedične odnose kao ponderirane strelice, primjerice „neizrazite kognitivne karte” (fuzzy cognitive maps). Takve karte pomažu strukturirati stručno znanje i istraživati scenarije, primjerice kako promjene cijena utječu na potražnju i razine zaliha.
Kognitivno računalstvo je krovni pojam za sustave koji nastoje oponašati ljudske misaone procese poput razumijevanja jezika, zaključivanja i učenja iz iskustva kako bi podržali odluke ljudi. Pojam je postao široko poznat 2010-ih, uglavnom zahvaljujući IBM Watsonu. Kombinira metode poput obrade prirodnog jezika, strojnog učenja i prikaza znanja; danas se češće govori o UI asistentima ili jezičnim modelima.
Kolaborativni roboti, ili kobotovi, industrijski su roboti osmišljeni za rad izravno uz ljude bez odvajajuće sigurnosne ograde. Senzori, ograničene sile i brzine te sigurnosne funkcije osiguravaju da se pri dodiru zaustave ili odmaknu; zahtjevi su utvrđeni normama poput serije ISO 10218. Kobotovi obavljaju zadatke poput opskrbe strojeva, zavrtanja ili pakiranja, dok zaposlenici brinu o kontroli i posebnim slučajevima.
Kolaps modela gubitak je kvalitete do kojeg može doći kada se generativni modeli opetovano uče na podacima koje je i sama proizvela UI. Rijetki sadržaji i rubni slučajevi postupno nestaju, a izlazni rezultati postaju ujednačeniji i skloniji pogreškama. Problem postaje sve važniji jer raste udio tekstova i slika koje je generirala UI na internetu. Pažljivo odabrani podaci koje su izradili ljudi pomažu u suzbijanju tog učinka.
Jarak (moat) je trajna konkurentska prednost koja štiti tvrtku od imitatora, primjerice mrežni učinci, troškovi prelaska, snažna marka, ekskluzivni podaci ili duboka integracija u procese klijenata. Pitanje je posebno relevantno za UI ponude jer se mnogi proizvodi grade na istim dostupnim modelima. Prednosti tada češće proizlaze iz stručnosti u domeni, bliskosti klijentima, dobrih procesa i povjerenja nego samo iz tehnologije.
Konstitucijska UI (Constitutional AI) metoda je treniranja jezičnih modela koju je Anthropic objavio 2022.; nema veze s ustavnim pravom. Temelji se na pisanom skupu načela, „ustavu”: model kritizira i prerađuje vlastite odgovore prema tim načelima, zatim UI uspoređuje parove odgovora, a ta povratna informacija služi kao signal nagrade za podržano učenje (RLAIF). Time se smanjuje potreba za ljudskim označavanjem štetnog sadržaja; u siječnju 2026. Anthropic je objavio revidirani ustav za Claudea.
U strojnom učenju konvergencija znači da se postupak treniranja približava stabilnom stanju: gubitak se gotovo više ne smanjuje, a parametri modela mijenjaju se tek minimalno. Hoće li model konvergirati i koliko brzo, ovisi o čimbenicima poput stope učenja, kvalitete podataka i arhitekture modela. Ako je stopa učenja previsoka, gubitak skače; ako je preniska, treniranje traje nepotrebno dugo. Konvergencija ne jamči dobar model, jer on i dalje može biti pretreniran.
Konverzacijska UI obuhvaća tehnologije koje računalima omogućuju vođenje dijaloga na prirodnom jeziku, pisano putem chata ili govorom putem glasovnih asistenata. Moderni sustavi obično se temelje na velikim jezičnim modelima koji razumiju zahtjeve, uzimaju u obzir povijest razgovora i formuliraju prikladne odgovore. Organizacije ih koriste u korisničkoj podršci, za dogovaranje termina ili za interne službe za pomoć. Pouzdano znanje, jasne granice i predaja ljudima kada UI ne može pomoći ključni su.
Konvolucijska neuronska mreža (CNN) arhitektura je neuronske mreže osobito prikladna za slikovne podatke. Ulaz pretražuje malim filtrima, pri čemu u prvim slojevima otkriva jednostavna obilježja poput rubova, a u dubljima složenije oblike. CNN-ovi su godinama oblikovali prepoznavanje slika i koriste se, primjerice, za uočavanje nedostataka na fotografijama proizvoda ili u analizi medicinskih slika.
Korpus je strukturirana zbirka tekstova ili jezičnih podataka sastavljena za analizu, istraživanje ili treniranje jezičnih modela. Može biti opći, poput novinskih tekstova kroz mnogo godina, ili specifičan za područje, poput svih ugovora i priručnika neke tvrtke. Veličina, uravnoteženost, aktualnost i prava na tekstove određuju koliko su korisni dobiveni zaključci.
U strojnom učenju krivulja učenja je grafikon koji prikazuje performanse ili pogrešku modela tijekom vremena treniranja ili ovisno o količini podataka za treniranje, obično zasebno za podatke za treniranje i validaciju. Njezin oblik otkriva je li model podtreniran ili pretreniran i hoće li više podataka vjerojatno pomoći. Ako pogreška na validaciji ostaje znatno iznad pogreške na treniranju, to upućuje na pretreniranost. U svakodnevnom jeziku pojam opisuje i koliko brzo ljudi svladavaju novu tehnologiju.
Kubeflow je open-source platforma za pokretanje tijekova rada strojnog učenja na Kubernetesu, od pripreme podataka preko treniranja i pretrage hiperparametara do posluživanja modela. Projekt, koji je izvorno pokrenuo Google, pripada zakladi Cloud Native Computing Foundation, gdje je u kolovozu 2026. dosegao status „graduated” (stanje: listopad 2026.). Namijenjen je prvenstveno timovima koji u velikom opsegu treniraju vlastite modele na vlastitoj ili oblačnoj infrastrukturi.
Kvantno računalstvo koristi učinke kvantne fizike poput superpozicije i spregnutosti kako bi računalo s kubitima umjesto s klasičnim bitovima. Očekuju se velika ubrzanja kod određenih zadataka, primjerice simulacije molekula, nekih problema optimizacije ili probijanja današnjih metoda šifriranja. Međutim, ti su strojevi još skloni pogreškama i uglavnom se koriste u istraživanjima i pilot-projektima (stanje: listopad 2026.). Za današnje UI primjene kvantno računalstvo još praktički ne igra ulogu.
LangChain je open-source okvir za Python i JavaScript koji programeri koriste za izgradnju aplikacija temeljenih na jezičnim modelima. Nudi jedinstvena sučelja prema mnogim pružateljima modela te gradivne blokove za pozivanje alata, agente, obradu dokumenata i generiranje potpomognuto dohvaćanjem. Od verzije 1.0 (listopad 2025.) LangChainovi agenti izgrađeni su na LangGraphu. Tipične primjene uključuju chatbotove koji pretražuju interne dokumente i agente koji pozivaju vanjske usluge.
LangGraph je open-source okvir iz ekosustava LangChain za modeliranje UI agenata i višekoračnih procesa kao grafa čvorova i bridova. Zajedničko stanje prosljeđuje se od koraka do koraka, a petlje, grananja, kontrolne točke i prekidi za ljudsko odobrenje ugrađeni su. Verzija 1.0 izdana je u listopadu 2025. Jedan primjer je agent koji istražuje temu, piše nacrt i čeka odobrenje prije slanja.
LazyGraphRAG je pristup generiranju potpomognutom dohvaćanjem temeljenom na grafovima koji je 2024. predstavio Microsoft Research. Za razliku od GraphRAG-a, ne traži od jezičnog modela da pri indeksiranju izrađuje sažetke; umjesto toga pojmove i njihova zajednička pojavljivanja prepoznaje klasičnom obradom prirodnog jezika, a jezični se model koristi tek u trenutku upita. Prema Microsoftu to snižava troškove indeksiranja na razinu osnovnog vektorskog RAG-a. Posebno je prikladan za pitanja koja zahtijevaju pregled velikih zbirki dokumenata.
Lead scraper je alat koji automatski prikuplja kontaktne podatke potencijalnih klijenata s web-stranica, imenika ili društvenih mreža. U Njemačkoj i EU-u to je pravno osjetljivo: imena i e-adrese kontakt osoba osobni su podaci pa njihova obrada zahtijeva pravnu osnovu i obavještavanje ispitanika prema GDPR-u, a prema njemačkom pravu o nepoštenom tržišnom natjecanju (UWG, članak 7.) oglašivačke e-poruke općenito zahtijevaju prethodni izričit pristanak, uključujući i prema poduzećima. Bolji su put dolazni upiti putem vaše web-stranice, sadržaj i preporuke (nije pravni savjet).
Lektura je provjera teksta zbog pravopisa, gramatike i interpunkcije, često zajedno s dosljednom uporabom izraza; redakcija ide dalje i obuhvaća i stil, strukturu i sadržaj. UI može brzo označiti pogreške i predložiti ispravke, primjerice u citatima, newsletterima ili web-stranicama. Preporučljivo je transparentno navesti sve promjene, a stručne izraze, vlastita imena i smisao neka na kraju provjeri osoba.
Lexile Framework for Reading sustav je američke tvrtke MetaMetrics koji na istoj ljestvici mjeri i čitateljsku sposobnost osobe i težinu teksta. Vrijednosti se navode s oznakom „L”, primjerice 850L; tekst je dobro usklađen kada mu je vrijednost blizu vrijednosti čitatelja. Temelji se uglavnom na duljini rečenica i učestalosti riječi. Sustav se naširoko koristi u školama i nakladništvu, osobito u anglofonim zemljama.
LightGBM je open-source biblioteka za gradijentno pojačavanje sa stablima odlučivanja, koju je izvorno razvio Microsoft. Osmišljena je za brzinu i malu potrošnju memorije, među ostalim histogramskim treniranjem i stablima koja rastu list po list na najperspektivnijem listu. LightGBM je posebno prikladan za velike tablične skupove podataka, primjerice za prognoze prodaje, predviđanje odlaska klijenata ili otkrivanje prijevara, a često se uspoređuje s XGBoostom.
Linearna regresija statistička je metoda koja odnos između ciljne varijable i jednog ili više prediktora opisuje pravcem ili ravninom. Koeficijenti se obično biraju tako da minimiziraju zbroj kvadrata odstupanja. Metoda je laka za razumijevanje i interpretaciju: primjerice, može procijeniti koliko raste prihod kada se proračun za oglašavanje poveća za 1000 €. Dolazi do granica kod nelinearnih odnosa.
LIX (läsbarhetsindex) mjera je čitljivosti koju je u Švedskoj razvio Carl-Hugo Björnsson. Prosječnoj duljini rečenice u riječima pribraja postotak dugih riječi s više od šest slova. Primjer: 15 riječi po rečenici i 30 % dugih riječi daju LIX od 45. Budući da ne zahtijeva brojanje slogova, može se primijeniti na mnoge jezike, uključujući njemački; niske vrijednosti upućuju na lake tekstove, a vrijednosti od otprilike 60 na vrlo teške.
LLaMA, danas se obično piše „Llama”, obitelj je velikih jezičnih modela tvrtke Meta. Mnoge su verzije izdane s težinama koje se mogu preuzeti pod Metinom vlastitom licencom, što organizacijama omogućuje da ih pokreću i prilagođavaju na vlastitoj infrastrukturi. Posljednja velika generacija je Llama 4 (2025.); Meta je 2026. predstavila i seriju modela Muse, od koje je samo dio otvoreno objavljen (stanje: listopad 2026.).
llms.txt je tekstualna datoteka u formatu Markdown smještena u korijenski direktorij web-stranice koja jezičnim modelima daje sažet pregled najvažnijeg sadržaja, s poveznicama. Zamisao je u rujnu 2024. iznio Jeremy Howard (Answer.AI). To je prijedlog, a ne službeni standard; veliki UI pružatelji nisu se obvezali čitati je (stanje: listopad 2026.). Nadopunjuje robots.txt i sitemap, ali ih ne zamjenjuje.
Log loss (logaritamski gubitak) mjeri koliko se predviđene vjerojatnosti klasifikacijskog modela podudaraju sa stvarnim ishodima. Samouvjerena, ali pogrešna predviđanja kažnjavaju se posebno snažno; vrijednost blizu nule upućuje na dobro kalibrirane prognoze. Primjer: ako model klijentu koji ostaje dodijeli 95 % vjerojatnosti odlaska, log loss naglo raste. Matematički je isto što i binarna unakrsna entropija.
Logistička regresija statistička je metoda koja predviđa vjerojatnost jednog od dva ishoda, poput „kupuje” ili „ne kupuje”. Ponderira ulazna obilježja i njihov zbroj pretvara u vrijednost između 0 i 1 pomoću funkcije S-oblika. Budući da se težine lako interpretiraju, naširoko se koristi u kreditnom bodovanju, medicini i marketingu, često kao solidna osnovna linija za složenije modele.
Dugo kratkoročno pamćenje (LSTM, Long Short-Term Memory) vrsta je rekurentne neuronske mreže koja može zadržati informacije kroz duge nizove. Tzv. vrata u svakom koraku odlučuju što pohraniti, zaboraviti ili isporučiti, čime se ublažava problem nestajućeg gradijenta. Dugi niz godina LSTM-ovi su oblikovali prepoznavanje govora, prevođenje i prognoziranje vremenskih nizova. U obradi jezika uglavnom su ih zamijenili transformeri, ali i dalje su uobičajeni za podatke senzora.
Manipulacija kontekstnim prozorom odnosi se na napade koji namjerno utječu na tekst koji jezični model obrađuje odjednom, primjerice skrivenim uputama u dokumentima, izmišljenim ranijim dijelovima razgovora ili velikim količinama punila koje izvorna pravila potiskuju u pozadinu. Zaštita proizlazi iz jasnog razdvajanja pouzdanih uputa od vanjskog sadržaja, ograničenja duljine, provjere unosa i dodjele agentima što manje ovlasti.
Marketing uz pomoć UI-ja koristi UI tehnike za bolje razumijevanje ciljnih skupina, izradu sadržaja i upravljanje kampanjama. Tipične primjene uključuju segmentaciju, personalizirane poruke, prognoze vjerojatnosti kupnje, analizu povratnih informacija klijenata i optimizaciju oglasa. Oslanja se na zakonito prikupljene podatke i jasne ciljeve, a rezultate treba provjeriti testiranjem. Primjer: internetski trgovac šalje newslettere s preporukama proizvoda koje odgovaraju dosadašnjem ponašanju pri kupnji.
Tablica koja za svaki zadatak određuje tko ga izvršava (R), tko za njega odgovara (A), koga se konzultira (C) i koga se informira (I). Naziva se i RACI.
Matrica zabune (confusion matrix) tablica je koja uspoređuje predviđanja klasifikatora sa stvarnim klasama. Za dvije klase prikazuje istinito pozitivne, lažno pozitivne, istinito negativne i lažno negativne slučajeve. Iz toga se mogu izračunati metrike poput preciznosti, odziva i F1 mjere te postaje jasno koje se pogreške javljaju. Primjer: filtar za spam koji mnoge prave e-poruke označi kao spam ima mnogo lažno pozitivnih, što je često skuplje od propuštene spam poruke.
Metaprompt je uputa kojom se od jezičnog modela traži da sam sastavi ili poboljša upite odnosno sistemske upute. Opišete cilj, ciljanu skupinu i željeni ton te navedete primjere; model zatim izrađuje strukturirane upute s ulogom, pravilima i ograničenjima. Tako se brže dobivaju dobre prve verzije koje ljudi zatim testiraju i doraduju. Primjer: iz opisa „korisnička služba za biciklističku trgovinu“ nastaje cjelovit nacrt uputa.
Mistral AI je UI tvrtka sa sjedištem u Parizu, osnovana 2023. godine, a osnivači su Arthur Mensch, Guillaume Lample i Timothée Lacroix. Razvija velike jezične modele te nudi i modele s javno dostupnim težinama, od kojih neki imaju licenciju Apache 2.0, i komercijalne modele putem vlastite platforme. Europske organizacije Mistral AI često spominju u raspravama o podatkovnom suverenitetu i pokretanju modela na vlastitoj infrastrukturi.
MLflow je platforma otvorenog koda za upravljanje cijelim životnim ciklusom modela strojnog učenja, koju je izvorno 2018. predstavio Databricks. Bilježi eksperimente s njihovim parametrima i metrikama, upravlja verzijama modela u registru i pojednostavnjuje puštanje u rad. Novije verzije podržavaju i praćenje te evaluaciju aplikacija izgrađenih na jezičnim modelima. Timovi tako mogu pratiti koji je model nastao s kojim podacima i postavkama.
Model Context Protocol (MCP) otvoreni je standard koji UI aplikacijama omogućuje ujednačen pristup vanjskim alatima, izvorima podataka i uslugama. MCP poslužitelj nudi funkcije, a MCP klijent, primjerice UI asistent, može ih pozivati. Anthropic je MCP predstavio u studenom 2024.; od prosinca 2025. razvija se pod okriljem zaklade Agentic AI Foundation pri Linux Foundation (stanje: listopad 2026.). Tako se izbjegava zasebna izrada svake integracije.
Modeliranje nizova obuhvaća metode koje obrađuju i predviđaju podatke u utvrđenom redoslijedu, pri čemu je položaj svakog elementa važan. Tipični nizovi su tekst, govorni jezik, vremenske serije poput prodaje ili očitanja senzora te segmenti DNK. Primjene sežu od prevođenja i generiranja teksta do prepoznavanja govora i prognoziranja prodaje. Za to su se koristili skriveni Markovljevi modeli i rekurentne mreže; danas za jezik dominiraju transformerski modeli.
Monte Carlo metode računalne su tehnike koje se služe vrlo velikim brojem slučajnih uzoraka kako bi približno odredile rezultate koje je analitički teško izračunati. Sustav se simulira tisućama puta sa slučajno varijabilnim pretpostavkama, a zatim se analizira raspodjela ishoda. Organizacije ih koriste za analizu rizika, planiranje projekata ili vrednovanje portfelja. U UI-ju se te metode, među ostalim, primjenjuju u učenju podrškom i u pretraživanju stabla kod igara.
Mreže dubokog uvjerenja (DBN) neuronske su mreže sastavljene od nekoliko složenih slojeva koji se najprije sloj po sloj unaprijed treniraju bez nadzora, obično kao tzv. ograničeni Boltzmannovi strojevi. Geoffrey Hinton i suradnici predstavili su metodu 2006.; pokazala je da se duboke mreže mogu učinkovito trenirati i tako pridonijela usponu dubokog učenja. U praksi su DBN-ovi od tada uglavnom zamijenjeni drugim arhitekturama.
Apache MXNet bio je okvir otvorenog koda za duboko učenje koji je mogao učinkovito trenirati modele na više GPU-ova i računala, sa sučeljima za Python, C++, R, Scalu i druge jezike. Amazon Web Services nekoliko ga je godina podupirao kao svoj preferirani okvir. Apache Software Foundation ukinula je projekt u rujnu 2023., a do veljače 2024. premjestila ga je u Apache Attic; više se ne razvija. Postojeći modeli obično se prebacuju na druge okvire.
Kod nadziranog učenja model uči iz primjera za koje je točan odgovor već poznat, primjerice e-poruka označenih kao „neželjena pošta“ ili „nije neželjena pošta“. Iz njih izvodi pravila za klasifikaciju novih, nevidljivih slučajeva ili za predviđanje vrijednosti. Tipični zadaci su klasifikacija i regresija; najveći dio truda odlazi na izradu čisto označenih podataka.
Nadzorna tijela za UI javna su tijela koja prate usklađenost s pravilima o UI-ju. Na razini EU-a Ured za UI Europske komisije koordinira provedbu Akta o umjetnoj inteligenciji i nadzire UI modele opće namjene. U Njemačkoj provedbeni zakon KI-MIG (na snazi od 29. srpnja 2026.) središnjim tijelom za nadzor tržišta čini Saveznu agenciju za mreže (Bundesnetzagentur), dok sektorski regulatori poput BaFina ostaju nadležni. Prema Digitalnom omnibusu obveze za visokorizične sustave primjenjuju se tek od prosinca 2027. ili kolovoza 2028. (stanje: listopad 2026.; nije pravni savjet).
Naivni Bayes obitelj je jednostavnih metoda klasifikacije temeljenih na Bayesovu teoremu. Nazivaju se „naivnima“ jer pretpostavljaju da su sve značajke međusobno neovisne, što je u praksi rijetko točno, ali često ipak daje dobre rezultate. Metode su brze, trebaju malo podataka za učenje i posebno su prikladne za tekst. Klasičan je primjer filtar za neželjenu poštu koji razvrstava e-poruke na temelju tipičnih riječi.
Nedostatak podataka javlja se kada nema dovoljno prikladnih ili označenih podataka da bi se model za UI zadatak pouzdano trenirao ili testirao. Pogađa, primjerice, rijetke vrste kvarova u proizvodnji, rijetke jezike ili nove proizvode bez povijesti prodaje. Rješenja uključuju prijenosno učenje, sintetičke podatke, augmentaciju podataka ili unaprijed trenirane jezične modele koji daju upotrebljive rezultate već s nekoliko primjera.
Negativni upit određuje što UI model izričito ne smije generirati ili činiti. Kod generiranja slika, primjerice sa Stable Diffusionom, to je zasebno polje za unos neželjenih elemenata poput „mutno“ ili „tekst na slici“. Kod jezičnih modela ima oblik pravila u uputama, kao što su „Ne izmišljaj cijene“ ili „Ne daj pravne savjete“. Takva ograničenja čine rezultate predvidljivijima, ali ne zamjenjuju provjeru.
Kod neizravnog prompt injectiona manipulativne upute nisu u unosu korisnika, nego su skrivene u sadržaju koji UI sustav usput obrađuje, poput web-stranica, e-poruka ili dokumenata. Kada agent pročita takav sadržaj, skrivene naredbe može zamijeniti za stvarne zadatke pa, primjerice, otkriti podatke. Zaštite uključuju postupanje s vanjskim sadržajem strogo kao s podacima, ograničavanje ovlasti, provjeru unosa i traženje ljudskog odobrenja za kritične radnje.
Neizrazito podudaranje (fuzzy matching) pronalazi unose koji su slični, ali nisu potpuno identični – primjerice zbog tipfelera, kratica ili različitog pisanja. Oslanja se na mjere sličnosti poput Levenshteinove udaljenosti, koja broji koliko je znakova potrebno promijeniti. Tipična primjena je pronalaženje duplikata u podacima o adresama i klijentima: „Horvat d.o.o., Ilica 5” i „Horvat d. o. o., Ilica broj 5” prepoznaju se kao vjerojatno isti zapis.
Kod nenadziranog učenja model prima podatke bez unaprijed zadanih točnih odgovora i sam traži strukture. Tipične metode su klasteriranje, koje grupira slične zapise, i smanjenje dimenzionalnosti, koje mnogo značajki sažima u nekoliko bitnih. Organizacije ga koriste za otkrivanje segmenata klijenata ili uočavanje neobičnih transakcija; pronađene skupine zatim moraju protumačiti stručnjaci za to područje.
Nestrukturirani podaci ne slijede utvrđenu tablicu: e-poruke, ugovori, priručnici, web-stranice, prezentacije, slike ili audiozapisi. Čine velik dio znanja organizacija, ali ih je dugo bilo teško automatski analizirati. Jezični modeli mogu čitati i pretraživati takve sadržaje te ih pretvarati u strukturirane informacije, primjerice izdvajati rokove i iznose iz ugovora u tablicu.
Neuromorfno računalstvo pristup je sklopovlju i softveru koji se ugleda na strukturu mozga. Umjesto da se podaci u taktovima prenose između odvojene memorije i procesora, umjetni neuroni i sinapse rade paralelno i reagiraju samo na događaje, tzv. impulse (spikeove). To obećava vrlo nisku potrošnju energije, primjerice kod senzora ili robota. Poznati istraživački čipovi su Intel Loihi i IBM TrueNorth; široka komercijalna primjena još je u ranoj fazi.
NLTK (Natural Language Toolkit) je Python biblioteka otvorenog koda za obradu prirodnog jezika, nastala na Sveučilištu Pennsylvania početkom 2000-ih. Nudi alate za tokenizaciju, stemiranje, označivanje vrsta riječi i jednostavnu klasifikaciju te pristup brojnim korpusima tekstova. NLTK se uglavnom koristi u nastavi i istraživanju; produkcijske aplikacije često se oslanjaju na biblioteke poput spaCyja ili na transformerske modele.
No-code označava alate koji omogućuju izradu aplikacija, automatizacija ili web-stranica putem grafičkih sučelja, bez pisanja programskog koda. Poslovni timovi sami mogu provesti i testirati procese umjesto da čekaju IT razvoj. Ograničenja se pojavljuju kod vrlo specijaliziranih zahtjeva, velikih količina podataka ili dubokih integracija. Primjer: prodajni tim povlačenjem i ispuštanjem izrađuje tijek rada koji razvrstava i sažima nove upite.
Novi poslovi (net new business) označavaju prihod ostvaren od klijenata koji prije nisu postojali, za razliku od obnova, dodatne prodaje ili proširenja kod postojećih klijenata. Pokazatelj govori koliko dobro tvrtka otvara nova tržišta i ciljne skupine, a prodajni timovi često ga planiraju i nagrađuju zasebno. Primjer: proizvođač softvera 40 % tromjesečnog priljeva narudžbi iskazuje kao nove poslove.
NumPy je temeljna Python biblioteka otvorenog koda za numeričko računanje. Nudi višedimenzionalna polja i brze funkcije za linearnu algebru, statistiku i slučajne brojeve, a njezina jezgra radi u kompiliranom kodu. Mnogi alati za analizu podataka i strojno učenje, poput pandasa, scikit-learna i brojnih biblioteka za vizualizaciju, izgrađeni su na NumPyju. Tko god radi s podacima u Pythonu, gotovo ga uvijek koristi, izravno ili neizravno.
Objašnjivost (objašnjiva UI, XAI) opisuje koliko se dobro može razumjeti zašto je UI sustav došao do određenog rezultata. Obuhvaća metode koje pokazuju koji su unosi najviše utjecali na odluku, kao i praktična pomagala poput navođenja izvora i zapisnika. Objašnjivost je važna za povjerenje, otklanjanje pogrešaka i regulaciju – primjerice kada banka mora obrazložiti zašto je zahtjev odbijen.
Obogaćivanje B2B podataka dodaje informacije postojećim zapisima o tvrtkama – primjerice u CRM-u – kao što su djelatnost, ponuda, lokacija, veličina tvrtke ili web-stranica. To olakšava segmentaciju, bodovanje potencijalnih klijenata i ciljano prodajno obraćanje. Izvori uključuju javne web-stranice, registre i specijalizirane pružatelje podataka. Osobni podaci o kontaktima podliježu GDPR-u i treba ih obrađivati štedljivo i samo uz pravnu osnovu.
Obogaćivanje sadržaja znači dodavanje strukture i dopunskih informacija postojećem tekstu, poput naslova, strukture, sažetka, ključnih riječi ili metapodataka. UI modeli to mogu raditi brzo i dosljedno, čime sadržaj postaje lakše pronaći, čitati i ponovno upotrijebiti. Ključno pravilo je urediti ono što već postoji, a ne izmišljati nove činjenice. Primjer: grube bilješke sa sastanka postaju strukturiran zapisnik sa sažetkom.
Obrada prirodnog jezika grana je UI-ja koja računalima omogućuje analizu, razumijevanje i generiranje ljudskog jezika u tekstu ili govoru. Obuhvaća zadatke poput prevođenja, klasifikacije, sažimanja, analize sentimenta i odgovaranja na pitanja. Nekoć su dominirala pravila i statističke metode; danas to područje oblikuju veliki jezični modeli.
U generiranju potpomognutom dohvaćanjem (RAG) ocjenjivanje dokumenata znači provjeru dohvaćenih odlomaka kako bi se vidjelo odgovaraju li pitanju i mogu li poduprijeti odgovor. Jezičnom modelu prosljeđuju se samo odlomci ocijenjeni kao relevantni; neprikladni rezultati odbacuju se ili pokreću novu pretragu. Time se smanjuje rizik od izmišljenih odgovora ili odgovora s pogrešnim izvorom, primjerice kada se uz pitanje o trenutačnim cijenama pojavi zastarjeli dokument.
Odgovaranje na pitanja (question answering, QA) područje je obrade prirodnog jezika u kojem sustav izravno odgovara na pitanja postavljena svakodnevnim jezikom, umjesto da vraća popis rezultata pretraživanja. Moderni sustavi traže relevantne odlomke u bazi znanja i iz njih sastavljaju odgovor, idealno s navođenjem izvora. Tipične primjene su korisnička podrška, interne baze znanja i priručnici – primjerice pitanje priručniku za zaposlenike: „Koliko dana godišnjeg odmora imam u prvoj godini?”
Odziv (recall), poznat i kao osjetljivost ili stopa istinitih pozitiva, mjeri koji udio stvarnih pozitivnih slučajeva model otkriva: ispravno prepoznati pozitivni slučajevi podijeljeni sa svim stvarnim pozitivnima. Ako filtar za prijevare uhvati 80 od 100 stvarnih slučajeva prijevare, njegov je odziv 0,8. Visok odziv važan je kada su propušteni slučajevi skupi, primjerice u medicinskoj dijagnostici. Budući da zanemaruje lažne uzbune, obično se promatra zajedno s preciznošću, primjerice u F-mjeri.
Mjesečna gornja granica potrošnje UI-ja u radnom prostoru.
U informatici je ontologija formalni model nekog područja koji jasno definira pojmove, njihova svojstva i odnose među njima. Tako ljudi i strojevi mogu dosljedno tumačiti podatke i iz njih izvoditi zaključke. Ontologije su temelj mnogih grafova znanja, sustava semantičkog pretraživanja i projekata integracije podataka. Primjer: ontologija proizvoda kaže da je „e-bicikl“ „bicikl“ i da ima „bateriju“.
Opća umjetna inteligencija (AGI) označava hipotetski UI sustav koji može obavljati širok raspon intelektualnih zadataka na ljudskoj razini i fleksibilno prenositi naučeno na nova područja. Današnji sustavi dobro rade mnoge zadatke, ali još pokazuju ograničenja, primjerice u pouzdanosti. Ne postoji općeprihvaćena definicija ni način mjerenja, a stručnjaci raspravljaju hoće li se i kada AGI postići.
Open Neural Network Exchange (ONNX) otvoreni je format datoteke za modele strojnog učenja, koji su 2017. predstavili Microsoft i Facebook (danas Meta), a danas ga održava zaklada LF AI & Data Foundation. Model treniran, primjerice, u PyTorchu može se izvesti u ONNX i pokretati drugim alatima ili runtimeima poput ONNX Runtimea. To olakšava prelazak između okvira i primjenu na različitom sklopovlju.
OpenAI je UI tvrtka sa sjedištem u San Franciscu, osnovana 2015. kao neprofitna organizacija. Od restrukturiranja u listopadu 2025. čine je neprofitna zaklada OpenAI Foundation, koja kontrolira profitnu tvrtku OpenAI Group PBC (stanje: listopad 2026.). OpenAI je najpoznatiji po ChatGPT-ju i jezičnim modelima GPT te po generatoru slika DALL·E i modelu za prepoznavanje govora Whisper. Njegovi se modeli nude putem aplikacija i API-ja.
OpenCV (Open Source Computer Vision Library) je softverska biblioteka otvorenog koda za obradu slika i računalni vid, čiji je razvoj započeo u Intelu oko 2000. godine. Nudi tisuće funkcija, primjerice za filtriranje slika, otkrivanje rubova i lica, praćenje objekata u videu ili kalibraciju kamera. OpenCV je napisan u C++-u, ali se često koristi putem Pythona, primjerice u kontroli kvalitete, robotici i istraživanju.
Optičko prepoznavanje znakova (OCR) pretvara tekst sadržan u slikama, poput skenova, fotografija ili faksova, u strojno čitljiv tekst. Tek tada se dokumenti mogu pretraživati, kopirati ili automatski obrađivati. Moderni OCR koristi neuronske mreže i može prepoznati i tablice, izglede stranica te, djelomično, rukopis. Tipične primjene su obrada računa, digitalizacija arhiva i čitanje obrazaca; kvaliteta uvelike ovisi o kvaliteti slike.
Hiperparametri su postavke određene prije treniranja modela, poput stope učenja, broja slojeva ili jačine regularizacije. Optimizacija hiperparametara sustavno traži kombinaciju koja najbolje radi na podacima za validaciju, primjerice pretraživanjem po rešetki, nasumičnim pretraživanjem ili Bayesovom optimizacijom. Dobro odabrane vrijednosti poboljšavaju točnost i smanjuju pretreniranost ili podtreniranost, ali pretraga troši računalno vrijeme.
Optimizacija za generativne tražilice (GEO) obuhvaća mjere koje pomažu da sadržaj bude vidljiv u UI tražilicama poput ChatGPT-a, Perplexityja ili UI pregleda u tražilicama i da ga one citiraju kao izvor. Pojam potječe iz istraživačkog rada iz 2023. Ključni čimbenici su jasni, izravno citabilni odgovori, uredna struktura, dokazane činjenice, ažurne informacije i prepoznatljivi autori. GEO nadopunjuje klasičnu optimizaciju za tražilice (SEO), a ne zamjenjuje je.
Dijagram strukture tvrtke: odjeli, uloge i tko je kome podređen.
Otkrivanje anomalija pronalazi podatkovne točke, događaje ili obrasce koji znatno odstupaju od uobičajenog. To mogu biti neuobičajeno velike transakcije, nagli skokovi u očitanjima senzora, duplicirani zapisi ili sumnjiva mrežna aktivnost. Primjenjuje se u financijama, IT sigurnosti, proizvodnji i kontroli kvalitete. Metode sežu od jednostavnih statističkih pragova do modela koji uče; pogoci su naznake koje treba procijeniti osoba.
Otkrivanje anomalija na slikama traži odstupanja od normalnog stanja na fotografijama ili snimkama kamera – poput ogrebotina, pukotina ili promjena boje na dijelovima u proizvodnji ili nepravilnosti na medicinskim snimkama. Model često najprije uči na mnogo primjera bez nedostataka, a zatim označava sve što odstupa. To je korisno jer su stvarni nedostaci rijetki i teško ih je unaprijed potpuno opisati.
Otkrivanje financijskih prijevara obuhvaća metode koje otkrivaju prijevarne aktivnosti u plaćanjima, kreditnim karticama, osiguranju ili računovodstvu. UI modeli uče tipične obrasce legitimnih transakcija i označavaju odstupanja – primjerice neobične iznose, lokacije ili vremena – često u stvarnom vremenu. Ključno je pronaći pravu ravnotežu između otkrivenih prijevara i lažnih alarma. Sumnjive slučajeve trebaju pregledati ljudi prije nego što se računi blokiraju ili plaćanja odbiju.
Otkrivanje prijevara obuhvaća metode koje rano prepoznaju sumnjive transakcije, narudžbe, korisničke račune ili zahtjeve. Pravila i modeli koji uče traže znakove upozorenja kao što su različite adrese isporuke i naplate, neuobičajene količine, upadljiv vremenski pritisak ili jednokratne adrese e-pošte. Koristi se u e-trgovini, bankarstvu, osiguranju i platnim uslugama. Budući da lažne uzbune mogu pogoditi prave kupce, pogotke bi trebali pregledati ljudi umjesto da se automatski odbijaju.
Pretreniranost (overfitting) nastaje kada model nauči napamet podatke za učenje, uključujući slučajne osobitosti i šum, umjesto da obuhvati općenito važeće uzorke. Tada se čini vrlo točnim na poznatim podacima, ali loše radi na novima. Veliki razmak između pogreške na podacima za učenje i na testnim podacima tipičan je znak. Protumjere su više ili raznolikijih podataka, jednostavniji modeli, regularizacija, dropout i unakrsna validacija.
OWASP Top 10 za LLM aplikacije popis je najvažnijih sigurnosnih rizika u aplikacijama izgrađenima na velikim jezičnim modelima, koji objavljuje projekt OWASP GenAI Security Project. Aktualno izdanje za 2026. izašlo je u kolovozu 2026. (stanje: listopad 2026.) i obuhvaća: prompt injection, otkrivanje osjetljivih informacija, pretjeranu autonomiju, opskrbni lanac, trovanje podataka i modela, neograničenu potrošnju, dezinformacije, otkrivanje skrivenog konteksta, slabosti vektora i umetanja te neispravnu obradu izlaznih podataka. Služi kao kontrolni popis za razvoj i revizije.
Označivanje vrsta riječi automatski svakoj riječi u rečenici dodjeljuje gramatičku kategoriju, poput imenice, glagola, pridjeva ili prijedloga. Budući da su mnoge riječi višeznačne (u engleskom „book“ kao imenica ili glagol, „light“ kao pridjev ili imenica), metode uzimaju u obzir kontekst rečenice. POS označivanje klasičan je korak predobrade za parsiranje, izdvajanje informacija ili provjeru pravopisa, a nude ga biblioteke poput spaCyja i NLTK-a.
pandas je Python biblioteka otvorenog koda za analizu i obradu tabličnih podataka, koju od 2008. razvija Wes McKinney. Njezin središnji objekt, DataFrame, nalikuje tablici s imenovanim stupcima. Pomoću nje mogu se učitavati podaci iz CSV datoteka, Excela ili baza podataka te ih čistiti, filtrirati, grupirati i spajati. pandas je izgrađen na NumPyju i standardan je alat u analizi podataka, izvještavanju i pripremi podataka za učenje.
Parafraziranje znači preformulirati ono što je netko rekao vlastitim riječima, bez promjene značenja. U razgovoru je to tehnika aktivnog slušanja: provjeravate jeste li ispravno razumjeli i pokazujete pozornost, primjerice: „Ako dobro razumijem, najvažniji vam je rok isporuke?“ U pisanju parafraziranje pomaže da sadržaj bude jasniji, kraći ili prikladniji za određenu ciljanu skupinu.
PaLM je veliki jezični model tvrtke Google, predstavljen 2022. s 540 milijardi parametara, treniran istodobno na mnogim TPU čipovima pomoću Googleova sustava za treniranje Pathways. Godine 2023. uslijedio je PaLM 2, koji je, među ostalim, pokretao chatbot Bard. Google je PaLM u međuvremenu zamijenio svojim modelima Gemini, a razvojni API za PaLM ugašen je u kolovozu 2024. Danas je PaLM važan uglavnom kao prekretnica u razvoju velikih jezičnih modela.
Perplexity AI je tvrtka iz San Francisca osnovana 2022. koja upravlja UI tražilicom. Umjesto popisa poveznica daje napisan odgovor koji sažima aktualne sadržaje s weba i navodi upotrijebljene izvore. Uz besplatnu verziju postoje plaćeni paketi s izborom jezičnih modela te UI preglednik Comet (stanje: listopad 2026.). Za tvrtke je Perplexity važan i zato što mijenja način na koji se sadržaji na webu pronalaze.
Personalizirani marketing znači prilagodbu poruka, ponuda i trenutka kontakta pojedinačnim klijentima ili malim skupinama umjesto jednakog obraćanja svima. Oslanja se na informacije poput dosadašnjih kupnji, interesa ili razloga kontakta. UI to može pretvoriti u prikladan tekst, primjerice e-poruku koja se odnosi na nedavno kupljeni proizvod. Važno je koristiti samo podatke za koje postoji privola i izostaviti osjetljive pojedinosti.
Podaci za učenje su primjeri iz kojih UI model uči uzorke: velike zbirke tekstova za jezične modele, označene slike za modele slika. Njihova kvaliteta, raznolikost i aktualnost uvelike određuju koliko će model biti pouzdan i pošten te koliko će njegovo znanje biti ažurno. Organizacijama je važno i koristi li pružatelj podatke klijenata koje unesu za daljnje treniranje.
Pogreška generalizacije mjeri koliko UI model griješi na novim, prethodno neviđenim podacima – za razliku od pogreške na podacima za treniranje. Velik jaz između to dvoje ukazuje na pretreniranost: model je zapamtio primjere umjesto da nauči opće obrasce. Procjenjuje se pomoću izdvojenih testnih podataka ili unakrsne validacije. To je pokazatelj koji stvarno računa, jer se u praksi model gotovo isključivo susreće s novim slučajevima.
Pogreška učenja pokazuje koliko se predviđanja modela razlikuju od točnih vrijednosti na upravo onim podacima na kojima je treniran. Sama po sebi govori malo: važna je usporedba s pogreškom generalizacije na novim podacima. Visoka pogreška učenja upućuje na podtreniranost; vrlo niska pogreška učenja uz visoku pogrešku na testnim podacima obično signalizira pretreniranost.
Polunadzirano učenje kombinira malu količinu označenih podataka s velikom količinom neoznačenih. Model najprije uči iz nekoliko primjera s poznatim odgovorima, a zatim koristi uzorke u preostalim podacima da se poboljša – primjerice preuzimanjem pouzdanih predviđanja kao dodatnih primjera za učenje. To se isplati kada je označivanje skupo, kao kod medicinskih snimaka ili tisuća zahtjeva za podršku.
Pomak modela postupno je smanjenje kvalitete predviđanja modela tijekom rada jer se stvarnost mijenja u odnosu na podatke za učenje. Razlikuju se promjene ulaznih podataka (pomak podataka) i promjene odnosa između ulaznih podataka i ishoda (pomak koncepta). Primjer: model za otkrivanje prijevara ne prepoznaje nove obrasce prijevara. Rješenja su kontinuirano praćenje metrika i redovito ponovno učenje.
Ponovno rangiranje dokumenata (reranking) drugi je korak sortiranja u sustavima pretraživanja i RAG-a: brza početna pretraga vraća skup kandidata, koje zatim preciznija, ali skuplja metoda ponovno poredi prema relevantnosti. To često radi tzv. cross-encoder koji zajedno procjenjuje pitanje i odlomak. Zahvaljujući tome najrelevantniji odlomci završavaju na vrhu prije nego što jezični model iz njih oblikuje odgovor.
Postupci certificiranja UI-ja jesu postupci u kojima neovisno tijelo provjerava ispunjava li organizacija ili UI sustav definirane zahtjeve. Široko korišten primjer je certifikacija prema normi ISO/IEC 42001 (objavljena 2023.), koja opisuje sustav upravljanja za odgovornu uporabu UI-ja; zahtjevi za certifikacijska tijela utvrđeni su u normi ISO/IEC 42006 (2025.). Takva potvrda je dobrovoljna i ne zamjenjuje ocjenu sukladnosti koju Akt EU-a o umjetnoj inteligenciji zahtijeva za visokorizične sustave (stanje: listopad 2026.).
Povezivanje modela u lanac znači da se više UI modela ili UI koraka povezuje slijedno, tako da izlaz jednog koraka postaje ulaz sljedećeg. Složeni zadaci tako se mogu razložiti na lakše podzadatke koji se mogu pojedinačno provjeravati i poboljšavati. Primjer: prvi korak sažima upit klijenta, drugi ga dodjeljuje odjelu, a treći sastavlja odgovor.
Povratne informacije studentima uz pomoć UI-ja odnose se na komentare na eseje, zadaće ili projekte koje UI sustav generira prema definiranim kriterijima. Polaznici brže dobivaju smjernice o prednostima, strukturi, argumentaciji ili jeziku, a nastavnici se rasterećuju ponavljajućeg ocjenjivanja. Vrednovanje treba biti transparentno i utemeljeno na kriterijima; ocjene i odluke o uspjehu ostaju u nadležnosti nastavnika. Primjer: nacrt eseja dobiva prijedloge za poboljšanje prije predaje.
Površina ispod krivulje (AUC) metrika je za klasifikacijske modele, a obično se odnosi na ROC krivulju. Pokazuje koliko dobro model razdvaja pozitivne od negativnih slučajeva, neovisno o određenom pragu. Vrijednost 1 znači savršeno razdvajanje; 0,5 nije bolje od pogađanja. Primjer: model odlaska klijenata s AUC-om od 0,85 u 85 % slučajeva nasumično odabranog klijenta koji odlazi rangira kao rizičnijeg od lojalnog.
Pitanje za koje agent nije ništa pronašao u svojem znanju. KI.ordo ih prikuplja kako biste mogli popuniti praznine.
Prediktivna analitika koristi povijesne podatke, statistiku i strojno učenje za procjenu vjerojatnih budućih događaja. Odgovara na pitanja poput: koji klijenti namjeravaju otkazati? Koliko će zaliha biti potrebno sljedeći mjesec? Kada će vjerojatno otkazati neki stroj? Rezultati su vjerojatnosti, a ne sigurnosti. Njihova vrijednost uvelike ovisi o kvaliteti podataka i o tome ulaze li predviđanja doista u odluke i procese.
Prediktivno modeliranje tehnička je jezgra prediktivne analitike: pomoću primjera podataka s poznatim ishodima gradi se model koji za nove slučajeve predviđa vrijednost ili klasu. Uobičajene metode su regresija, stabla odlučivanja, slučajne šume i neuronske mreže. Model može, primjerice, procijeniti cijenu nekretnine na temelju površine, lokacije i godine izgradnje. Prije primjene testira se na izdvojenim podacima kako bi se otkrila pretreniranost.
Kod pregleda pravnih dokumenata uz pomoć UI-ja jezični model analizira ugovore, opće uvjete ili pravne podneske: sažima ključne točke poput trajanja, raskida i odgovornosti, označava neobične klauzule i upozorava na odredbe koje nedostaju. To znatno ubrzava prvi pregled, ali ne zamjenjuje pravni savjet; procjena i odgovornost ostaju na kvalificiranim osobama.
Alat za preoblikovanje rečenica preformulira pojedinačne rečenice ili kratke odlomke bez promjene značenja. Može pojednostavniti rečenicu, učiniti je formalnijom ili prijateljskijom, skratiti je ili izbjeći ponavljanja. Korisno je, primjerice, za odgovore klijentima, tekstove o proizvodima ili kada rečenica zvuči nespretno. Ipak je važna brza provjera da stručni pojmovi, brojke i tvrdnje nakon preoblikovanja ostanu točni.
Prepoznavanje govora, zvano i ASR (automatic speech recognition), automatski pretvara govorni jezik u pisani tekst. Moderni sustavi koriste neuronske mreže trenirane na velikim količinama audiozapisa i prilično dobro se nose s naglascima i pozadinskom bukom. Primjene uključuju diktiranje, titlove, glasovne asistente te transkripciju sastanaka i razgovora s klijentima. Stručni pojmovi, vlastita imena i loša kvaliteta zvuka i dalje su česti izvori pogrešaka.
Prepoznavanje imenovanih entiteta (NER) tehnika je obrade prirodnog jezika koja u tekstu pronalazi imena osoba, tvrtki i mjesta te datume ili iznose i svakom dodjeljuje kategoriju. Slobodan tekst pretvara u strukturirane podatke. Primjer: iz e-poruke se automatski izdvajaju tvrtka pošiljatelja, kontakt osoba, datum isporuke i iznos računa te prenose u CRM.
Prepoznavanje jezika automatski utvrđuje na kojem je jeziku tekst napisan, primjerice njemačkom, talijanskom ili španjolskom. Klasične metode analiziraju karakteristične nizove slova, dok veliki jezični modeli jezik prepoznaju usputno. Koristi se za usmjeravanje upita pravom timu, pokretanje odgovarajućih prijevoda ili odgovaranje na jeziku sugovornika. Vrlo kratki tekstovi i mješavine više jezika teški su za prepoznavanje.
Prepoznavanje slika područje je računalnog vida u kojem softver prepoznaje što slika prikazuje – objekte, osobe, tekst, logotipe ili prizore. Obično se temelji na neuronskim mrežama naučenima na velikom broju označenih slika. Primjene sežu od kontrole kvalitete u proizvodnji i razvrstavanja fotografija proizvoda do podrške medicinskom snimanju. Kod slika ljudi posebnu pozornost zahtijevaju zaštita podataka i moguća pristranost.
Prepoznavanje teksta u prizorima čita tekst koji se pojavljuje na fotografijama i videima stvarnog okruženja, primjerice na prometnim znakovima, ambalaži ili registarskim pločicama. Za razliku od klasičnog OCR-a za skenirane dokumente, mora se nositi s iskrivljenim perspektivama, promjenjivim svjetlom, neobičnim fontovima i zatrpanim pozadinama. Tipičan pristup radi u dvije faze: najprije se pronalaze područja teksta, a zatim se u njima prepoznaju znakovi.
Prepoznavanje uzoraka automatsko je utvrđivanje pravilnosti, struktura ili ponavljajućih obilježja u podacima poput slika, zvukova, tekstova ili mjerenja. Sustavi nova opažanja razvrstavaju u poznate kategorije ili otkrivaju skupine bez unaprijed zadanih oznaka. Primjene uključuju prepoznavanje lica, prepoznavanje rukopisa, kontrolu kvalitete u proizvodnji i uočavanje neobičnih transakcija. Ta je disciplina važna osnova strojnog učenja.
Pretraživanje bez klika (zero-click) događa se kada korisnici odgovor dobiju izravno na stranici s rezultatima, primjerice putem istaknutih okvira s odgovorima ili sažetaka koje generira UI, pa više ne prelaze na web-stranicu. Za tvrtke to smanjuje promet čak i kada njihov sadržaj služi kao izvor. Zato vidljivost kao navedenog izvora postaje važnija: uz jasne odgovore, potkrijepljene činjenice i dobro strukturirane stranice.
Pretraživanje dokumenata uz NLP koristi tehnike obrade prirodnog jezika kako bi pronašlo informacije u zbirkama dokumenata na temelju slobodno formuliranog pitanja. Umjesto da samo traže točna podudaranja nizova riječi, takvi sustavi uzimaju u obzir oblike riječi, težinu rijetkih pojmova ili sličnost značenja. Primjerice, tko upiše „Kako zatražiti godišnji odmor?” dobiva odgovarajući odjeljak priručnika za zaposlenike, čak i ako je u njemu riječ o „zahtjevu za dopust”.
Prilagođeni R-kvadrat mjeri koliko dobro regresijski model objašnjava varijaciju u podacima, korigirano za broj korištenih prediktora. Obični R-kvadrat raste sa svakom dodatnom varijablom, čak i onom koja ništa ne doprinosi; prilagođena verzija kažnjava nepotrebne varijable. To omogućuje pravedniju usporedbu modela različite veličine, primjerice prognoze prodaje s tri umjesto deset čimbenika.
Procjena dubine na temelju slika određuje koliko su objekti ili pojedini pikseli udaljeni od kamere. To je moguće pomoću dviju kamera (stereo), senzora dubine ili, uz neuronske mreže, čak i iz jedne fotografije (monokularna procjena dubine). Potrebna je u robotici, sustavima pomoći vozaču, proširenoj stvarnosti i 3D modelima prostorija.
Procjena poze tehnika je računalnog vida koja na slikama ili videu određuje držanje ljudi ili položaj i orijentaciju objekata. Model obično otkriva ključne točke poput ramena, laktova i koljena te ih spaja u kostur. Koristi se, primjerice, u fitness aplikacijama koje provjeravaju vježbe, u analizi ergonomije na radnom mjestu, u sportskoj analitici i u robotici.
Upit (prompt) je ulaz kojim se UI modelu govori što treba učiniti – pitanje, zadatak ili uputa, često dopunjeni kontekstom, primjerima i željenim formatom. Kvaliteta odgovora uvelike ovisi o tome koliko je upit jasan i potpun. Primjerice, umjesto „Napiši nešto o našem proizvodu“ bolje je „Napiši tri kratke prednosti proizvoda X za obrtničke tvrtke, u stručnom tonu“.
Propisi o zaštiti podataka pravna su pravila o postupanju s osobnim podacima. U EU-u ključni okvir je Opća uredba o zaštiti podataka (GDPR); ona, među ostalim, zahtijeva pravnu osnovu za svaku obradu, smanjenje količine podataka, transparentnost prema ispitanicima i ugovore o obradi podataka s pružateljima usluga. Pri korištenju UI-ja organizacije moraju razjasniti koji podaci dospijevaju u unose, izvore znanja i zapisnike te gdje se obrađuju.
Proširenje upita automatski dodaje srodne pojmove pretraživačkom upitu kako bi se pronašli i relevantni dokumenti koji koriste drukčije formulacije. Tipični dodaci su sinonimi, kratice, oblici riječi ili prijevodi: pretraga za „otkaz“ tada može pronaći i tekstove o „raskidu ugovora“. To je posebno korisno za pretraživanje po ključnim riječima, ali može smanjiti preciznost ako se doda previše ili neprikladnih pojmova. Danas se za generiranje proširenih upita često koriste jezični modeli.
Proširivost je sposobnost softvera da preuzme nove funkcije, izvore podataka ili veze bez ponovne izgradnje svoje jezgre. Tipična sredstva su sučelja za programiranje aplikacija (API-ji), webhookovi, dodaci i otvoreni standardi poput Model Context Protocola (MCP). Za tvrtke proširivo UI rješenje radi zajedno s postojećim sustavima poput CRM-a ili internetske trgovine i može rasti s promjenjivim zahtjevima.
PyTorch je okvir otvorenog koda za strojno i duboko učenje u programskom jeziku Python. Izvorno je razvijen u Meti (tada Facebook), a od 2022. njime upravlja PyTorch Foundation pod okriljem Linux Foundation. PyTorch se naširoko koristi u istraživanju i industriji jer programerima omogućuje fleksibilnu izgradnju modela, njihovo treniranje na GPU-ovima i testiranje korak po korak; mnogi poznati jezični i slikovni modeli izgrađeni su s njime.
Q-učenje temeljna je metoda učenja podrškom. Agent metodom pokušaja i pogrešaka uči kolika je dugoročna vrijednost („Q-vrijednost“) određene radnje u određenoj situaciji te s vremenom bira najperspektivnije radnje. Za to mu nije potreban model okoline. U kombinaciji s neuronskim mrežama (duboko Q-učenje) sustav tvrtke DeepMind tim je pristupom naučio igrati mnoge Atarijeve videoigre samo iz piksela na zaslonu.
Računalni vid područje je UI-ja u kojem računala interpretiraju slike i video. Tipični zadaci uključuju otkrivanje i lociranje objekata, čitanje teksta na slikama i mjerenje komponenti. Tehnologija se koristi, primjerice, u kontroli kvalitete u proizvodnji, u sustavima za pomoć vozaču, u logistici i u medicinskom snimanju.
Automatski pokreće tijek rada, na primjer svaki sat, dnevno, radnim danima ili tjedno.
Razina čitanja pokazuje razinu sposobnosti čitanja koju tekst zahtijeva ili koju je osoba postigla. Ovisno o sustavu izražava se kao školski razred, vrijednost na ljestvici poput Lexilea ili razina u kurikulumima i jezičnim okvirima, poput A2 ili B1 u Zajedničkom europskom referentnom okviru za jezike. U praksi pomaže prilagoditi tekstove ciljanoj publici, primjerice informacije za klijente na jednostavnom jeziku.
U istraživanju čitljivosti razina školskog razreda (grade level) mjera je školske godine od koje se tekst općenito razumije. Poznat primjer je Flesch–Kincaid Grade Level, koji iz duljine rečenice i broja slogova po riječi izračunava američki školski razred; rezultat 8 otprilike odgovara osmom razredu. Takvi se rezultati samo djelomično mogu prenijeti na druge jezike pa se za njemački često koriste prilagođene formule poput Amstadove verzije Fleschove formule ili LIX.
Razrješavanje koreferencije zadatak je obrade prirodnog jezika koji utvrđuje koji se izrazi u tekstu odnose na istu osobu, stvar ili predmet. U rečenici „Gospođa Weber je zvala. Želi da je nazovete” sustav mora razumjeti da se „želi” odnosi na gospođu Weber. To je važno za sažetke, izdvajanje informacija i chatbotove koji moraju pratiti reference kroz više rečenica ili replika u razgovoru.
Razumijevanje prirodnog jezika dio je obrade jezika koji bilježi značenje iskaza: koja je namjera iza njega, koje se osobe, mjesta ili datumi spominju i kakav je ton? Zajedno s generiranjem prirodnog jezika (NLG), NLU čini jednu od dviju strana NLP-a. Primjer je sustav korisničke službe koji iskaz „Moja pošiljka još nije stigla“ prepoznaje kao upit o isporuci.
UI prototip je rana, radna verzija UI aplikacije koja timu omogućuje brzo i uz skromne troškove isprobati ideju. Umjesto višemjesečnog planiranja, isprobava se sa stvarnim podacima i korisnicima kako bi se vidjelo rješava li UI zadatak dovoljno pouzdano, koji podaci nedostaju i kakvu vrijednost donosi. Primjer: asistent koji unaprijed razvrstava upite klijenata dva se tjedna testira na dijelu pristigle pošte prije nego što se odluči o širem uvođenju.
Regresija slučajnom šumom predviđa numeričke vrijednosti kombiniranjem mnogih stabala odlučivanja. Svako stablo trenira se na slučajnom uzorku podataka i slučajnom izboru značajki; rezultat je prosjek predviđanja svih stabala. Zbog toga je metoda robusnija i manje sklona pretreniranosti od pojedinačnog stabla. Koristi se, primjerice, za prognoze prodaje, procjene cijena ili potrošnju energije – često kao solidna polazna točka za tablične podatke.
Regularizacija obuhvaća tehnike koje tijekom treniranja sprječavaju model da se previše prilagodi podacima za učenje (pretreniranost). Primjeri su kažnjavanje velikih težina (L1 ili L2 regularizacija), nasumično isključivanje neurona (dropout) ili zaustavljanje treniranja u pravom trenutku (rano zaustavljanje). Cilj je jednostavniji model koji pouzdanije radi na novim, nevidljivim podacima, čak i ako na podacima za učenje postiže nešto slabiji rezultat.
Regulatorni okvir za UI obuhvaća zakone, norme i strukture nadzora koji uređuju kako se UI razvija i koristi. U EU-u je središnji zakon Akt o umjetnoj inteligenciji (Uredba (EU) 2024/1689), koji slijedi pristup temeljen na riziku: zabrane se primjenjuju od veljače 2025., obveze za UI modele opće namjene od kolovoza 2025., a obveze transparentnosti od kolovoza 2026. Nakon „Digitalnog omnibusa” (Uredba (EU) 2026/1744) obveze za visokorizične sustave primjenjuju se od 2. prosinca 2027. odnosno 2. kolovoza 2028. (stanje: listopad 2026.; nije pravni savjet).
Rekurentna neuronska mreža obrađuje podatke redom i prenosi unutarnje stanje iz svakog koraka u sljedeći – svojevrsnu kratkoročnu memoriju. Zato je prikladna za nizove poput teksta, govora ili vremenskih serija, primjerice za predviđanje sljedeće riječi ili sljedećeg očitanja senzora. Jednostavne RNN-ove lako zaboravljaju informacije iz daleke prošlosti; varijante poput LSTM-a i GRU-a to ublažavaju. Kod jezičnih modela RNN-ove su uglavnom zamijenili transformeri.
Rekurzivno postavljanje upita odnosi se na tehnike u kojima se izlaz jezičnog modela vraća kao novi ulaz – primjerice kako bi se nacrt pregledao i revidirao ili kako bi se veliki zadatak korak po korak razložio na podzadatke. Primjerice, najprije se izradi nacrt ponude, model ga zatim ocijeni prema kontrolnom popisu, a naposljetku se poboljša. To često podiže kvalitetu, ali zahtijeva dodatno vrijeme obrade i jasan kriterij zaustavljanja.
Remote MCP označava MCP poslužitelj koji se ne izvodi lokalno na vlastitom računalu, nego je dostupan putem interneta preko HTTP-a. Model Context Protocol otvoreni je standard koji UI aplikacijama omogućuje korištenje vanjskih alata i podataka; za udaljene poslužitelje specifikacija predviđa transport „Streamable HTTP“ i autentifikaciju, primjerice putem OAutha ili API ključa. Prednost je što je centralno hostirana usluga dostupna mnogim korisnicima i UI programima bez lokalne instalacije.
Povrat na UI (Return on AI) opisuje ekonomski povrat uvođenja UI-ja u odnosu na troškove. Jednostavan grubi izračun je: ušteđeni sati mjesečno × satnica, minus troškovi licencija, korištenja modela, uvođenja i podrške. Ako tim koji obrađuje 200 upita treba 4 umjesto 10 minuta po upitu, štedi 20 sati mjesečno. Takvi izračuni ostaju procjene; treba uzeti u obzir i kvalitetu, stopu pogrešaka i vrijeme uhodavanja.
Robusnost modela opisuje koliko pouzdano UI model radi kada su ulazni podaci zašumljeni, nepotpuni, neobični ili namjerno manipulirani. Robustan model i dalje daje stabilne rezultate, primjerice pri prepoznavanju slika u lošim svjetlosnim uvjetima ili kada jezični model obrađuje tipfelere. Robusnost se procjenjuje testovima opterećenja, raznolikim podacima za učenje i testovima protiv namjernih pokušaja obmane, a posebno je važna u primjenama kritičnima za sigurnost.
ROC krivulja (receiver operating characteristic) pokazuje koliko dobro model klasifikacije razdvaja dvije klase. Za svaki mogući prag odlučivanja prikazuje stopu istinitih pozitiva (odziv) u odnosu na stopu lažnih pozitiva. Što se krivulja više približava gornjem lijevom kutu, to je bolje; dijagonala odgovara čistom pogađanju. Površina ispod krivulje (AUC) sažima krivulju u jedan broj i pomaže, primjerice, pri usporedbi različitih modela za otkrivanje prijevara.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) obitelj je metrika za usporedbu automatski generiranih tekstova – osobito sažetaka – s referentnim tekstovima koje su napisali ljudi. Mjeri koliko se riječi ili nizova riječi preklapa, primjerice pojedinačne riječi kod ROUGE-1 ili najdulji zajednički podniz kod ROUGE-L. Ocjena se brzo izračunava, ali ne obuhvaća pouzdano parafraze istog značenja niti činjeničnu točnost.
Rudarenje podataka je sustavno pretraživanje velikih skupova podataka u potrazi za obrascima, odnosima i anomalijama. Koristi statističke tehnike i metode strojnog učenja poput klasteriranja, klasifikacije ili analize asocijacija. Klasičan primjer je analiza košarice u maloprodaji, koja pokazuje koji se proizvodi često kupuju zajedno – temelj za asortiman, raspored i preporuke.
Rytr je UI asistent za pisanje dostupan od 2021. koji izrađuje kratke marketinške i svakodnevne tekstove. Korisnici biraju slučaj upotrebe – primjerice e-poruku, opis proizvoda, objavu na društvenim mrežama ili okvir blog-članka – zatim ton i jedan od više od 30 jezika; uređivač pomaže pri preoblikovanju, skraćivanju ili proširivanju. Uz besplatnu verziju s ograničenim brojem znakova postoje i plaćeni paketi (stanje: listopad 2026.). Kao i kod svih takvih alata, rezultate treba provjeriti prije objave.
Kod automatskog sažimanja teksta UI svodi dugačke tekstove na ključne točke. Ekstraktivne metode doslovno preuzimaju važne rečenice, dok ih apstraktivne metode preoblikuju; veliki jezični modeli rade uglavnom apstraktivno. To je korisno za zapisnike, izvješća ili duge nizove e-poruka; kod važnih odluka sažetak treba provjeriti u odnosu na izvornik.
Scikit-learn je Python biblioteka otvorenog koda za klasično strojno učenje. Nudi dosljedne alate za klasifikaciju, regresiju, klasteriranje, smanjenje dimenzionalnosti, predobradu podataka i evaluaciju modela, primjerice unakrsnu validaciju. Izgrađen je na NumPyju i SciPyju te se zahvaljujući jednostavnom, ujednačenom sučelju naširoko koristi u obrazovanju, istraživanju i praksi. Za duboke neuronske mreže obično se biraju okviri poput PyTorcha ili TensorFlowa.
Seed je početni broj generatora slučajnih brojeva modela za slike. Difuzijski modeli kreću od slučajnog šuma slike iz kojeg postupno nastaje slika; seed određuje kako taj početni šum izgleda. Uz isti seed, upit i postavke slika se u istom modelu može uglavnom reproducirati. To pomaže kada se u upitu mijenja samo jedan detalj ili kada se kasnije želi ponovno izraditi uspješna varijanta slike.
Segmentacija instanci tehnika je računalnog vida koja prepoznaje svaki pojedini objekt na slici i obrubljuje ga piksel po piksel. Za razliku od semantičke segmentacije, razlikuje i objekte iste klase: tri osobe dobivaju tri zasebne maske, a ne jedno zajedničko područje. Koristi se, primjerice, u kontroli kvalitete, medicinskom snimanju, robotici ili brojanju proizvoda na polici.
Semantička analiza ispituje značenje jezika – ne samo koje se riječi pojavljuju, nego što se misli. To uključuje ispravno tumačenje višeznačnih riječi u kontekstu (primjerice „banka“ kao financijska ustanova ili klupa), prepoznavanje odnosa među pojmovima i razvrstavanje izjava prema sadržaju. Podloga je primjenama poput analize povratnih informacija klijenata, odgovaranja na pitanja ili sustava pretraživanja koji trebaju razumjeti i različito formulirane upite istog značenja.
Semantička segmentacija dodjeljuje klasu svakom pojedinom pikselu slike, primjerice cesta, vozilo, osoba ili nebo. Rezultat je svojevrsna karta sadržaja slike u boji. Za razliku od segmentacije instanci, objekti iste vrste ne razlikuju se: tri automobila promatraju se zajedno kao „automobil“. Koristi se, primjerice, u autonomnoj vožnji, u medicinskom snimanju za razgraničavanje tkiva te u analizi zračnih i satelitskih snimaka.
SEO ocjena je metrika kojom alati za analizu ocjenjuju koliko je web-stranica optimizirana za tražilice – obično na ljestvici od 0 do 100. Čimbenici mogu uključivati naslove i opise, strukturu zaglavlja, brzinu učitavanja, prilagođenost mobilnim uređajima, interne poveznice i strukturirane podatke. Svaki alat ocjenu izračunava drukčije; to nije službena Googleova ocjena. Ocjena je stoga korisna kao kontrolni popis za poboljšanja, a ne kao jamstvo dobrog plasmana.
Sigurnosna revizija chatbota strukturirani je pregled toga štiti li UI chatbot na odgovarajući način povjerljive podatke, svoje interne upute i svoje ovlasti za djelovanje. Među ostalim ispituje podložnost umetanju upita (prompt injection), nenamjerno otkrivanje informacija i preširok pristup alatima – često prema OWASP Top 10 za LLM aplikacije. Rezultat je izvješće s ocjenom za svako područje rizika i konkretnim mjerama.
Sigurnost LLM-a obuhvaća sve mjere koje aplikacije izgrađene na velikim jezičnim modelima štite od zlouporabe, curenja podataka i neželjenog ponašanja. Tipični rizici uključuju prompt injection, otkrivanje povjerljivih uputa ili podataka te agente s prevelikim ovlastima. Zaštita dolazi iz više slojeva: jasnih uputa, ograničenih prava, provjera unosa i izlaza, UI vatrozida, red teaminga i redovitih revizija.
Tehnološka singularnost teorijski je pojam: točka u kojoj se umjetna inteligencija poboljšava tako brzo da ljudi više ne mogu predvidjeti ni kontrolirati tehnološki napredak. Pojam su popularizirali autor Vernor Vinge i futurist Ray Kurzweil. Hoće li se to dogoditi i kada, znanstveno je otvoreno i sporno. Ipak ta ideja utječe na rasprave o sigurnosti UI-ja, regulaciji i dugoročnim rizicima.
Sintaktička analiza ovisnosti (dependency parsing) tehnika je obrade prirodnog jezika koja gramatičku strukturu rečenice prikazuje kao ovisnosti među riječima. Svaka riječ povezana je s nadređenom riječju, primjerice subjekt i objekt s glagolom: u rečenici „Klijent naručuje dvije svjetiljke” „klijent” i „svjetiljke” ovise o „naručuje”. To pomaže pri izdvajanju informacija, primjerice za utvrđivanje tko je što učinio.
Sintetički podaci generiraju se umjetno, a ne prikupljaju u stvarnom svijetu, ali oponašaju uzorke i svojstva stvarnih podataka. Pomažu kada su pravi podaci rijetki, skupi ili osjetljivi s gledišta zaštite podataka – primjerice za testiranje softvera, treniranje modela ili provjeru chatbota realističnim primjerima upita. Važno je da dovoljno vjerno odražavaju stvarnost i da ne omogućuju zaključivanje o stvarnim osobama.
Skriveni Markovljev model (HMM) statistički je model za nizove u kojem su stvarna stanja skrivena i mogu se zaključiti samo iz vidljivih signala. Opisuje vjerojatnost da jedno stanje slijedi drugo i da svako stanje proizvodi određeno opažanje. HMM-ovi su dugo bili standard u prepoznavanju govora i označavanju vrsta riječi; danas se još koriste, primjerice, u bioinformatici i analizi vremenskih nizova.
Smanjenje dimenzionalnosti smanjuje broj obilježja u skupu podataka bez gubitka bitnih informacija. Poznate metode uključuju analizu glavnih komponenti (PCA) te t-SNE i UMAP, koji se često koriste za vizualizaciju. Ubrzava izračune, smanjuje rizik od pretreniranosti i olakšava razumijevanje podataka – primjerice kada se stotine atributa klijenata preslikaju na dvodimenzionalni grafikon na kojem su slični klijenti blizu jedni drugima.
spaCy je Python biblioteka otvorenog koda za obradu prirodnog jezika koju razvija berlinska tvrtka Explosion. Dijeli tekstove na riječi i rečenice, određuje vrste riječi i osnovne oblike, analizira strukturu rečenica i prepoznaje imenovane entitete poput osoba, tvrtki ili mjesta. Unaprijed trenirani modeli dostupni su za mnoge jezike, uključujući njemački. spaCy je osmišljen za brzinu i za upotrebu u stvarnim aplikacijama, primjerice za predobradu velikih količina dokumenata.
Srednja apsolutna pogreška (MAE) pokazuje koliko se predviđanja modela u prosjeku razlikuju od stvarnih vrijednosti, neovisno o smjeru odstupanja. Izražava se u mjernoj jedinici ciljne varijable, pa je lako razumljiva. Primjer: MAE od 12 kod prognoze dnevne prodaje znači da model u prosjeku griješi za 12 jedinica. Izuzetcima daje manju težinu nego mjere temeljene na kvadratu pogreške.
Srednja prosječna preciznost (mAP) metrika je koja procjenjuje koliko dobro sustav pronalazi relevantne rezultate i rangira ih pri vrhu. Prosječna preciznost izračunava se kroz popis rezultata za svaki upit ili klasu objekata; mAP je srednja vrijednost svih njih. Standardna je mjera za tražilice, sustave preporuka i prepoznavanje objekata na slikama, gdje ovisi i o traženom preklapanju granica okvira (bounding boxes).
Stable Diffusion je obitelj modela za generiranje slika koji stvaraju slike iz tekstnog opisa. Prva je verzija izašla 2022., a razvijena je pod vodstvom tvrtke Stability AI zajedno s istraživačkim partnerima. Tehnički je to latentni difuzijski model koji postupno pretvara šum slike u sliku. Budući da su težine modela objavljene, može se lokalno pokretati i prilagođavati; komercijalnu upotrebu novijih verzija uređuje vlastita licencija tvrtke Stability AI (stanje: listopad 2026.).
Stablo odlučivanja je model koji odluku prikazuje kao niz jednostavnih pitanja s odgovorom da/ne: svaka grana provjerava jedno obilježje, a svaki list daje ishod. U strojnom učenju takva se stabla automatski uče iz podataka i koriste za klasifikaciju ili predviđanje. Glavna im je prednost transparentnost – primjerice, pokazuju zašto je zahtjev za kredit označen na temelju prihoda, roka i povijesti plaćanja.
Start-up temeljen na UI-ju mlada je tvrtka čiji se proizvod ili poslovni model u osnovi temelji na umjetnoj inteligenciji, primjerice specijalizirani asistenti za neku industriju, alati za analitiku ili automatizirane usluge. Takvi start-upovi često grade na postojećim temeljnim modelima, a razlikuju se stručnošću u domeni, podacima, upotrebljivošću i integracijom. Izazovi uključuju ovisnost o pružateljima modela, trošak po zahtjevu i regulaciju. Primjer: start-up koji obrtničkim tvrtkama automatski priprema izvješća o inspekcijama.
Stopa usvajanja UI-ja pokazuje koji udio tvrtki, zaposlenika ili kućanstava koristi UI i služi kao mjera raširenosti tehnologije. Prema njemačkom Saveznom uredu za statistiku (Destatis), 2024. UI je koristilo 20 % njemačkih tvrtki s deset ili više zaposlenika (2023.: 12 %). Digitalna udruga Bitkom utvrdila je 2025. udio od 36 % među tvrtkama s 20 ili više zaposlenika. Zbog različitih definicija i uzoraka studije su samo djelomično usporedive.
Strojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
Stručnjak za osiguranje kvalitete UI-ja provjerava rade li UI aplikacije pouzdano, ispravno i primjereno. Uloga uključuje testna pitanja i benchmarkove, usporedbu različitih modela, analizu korisničkih ocjena te uočavanje halucinacija i pogoršanja tijekom vremena. Primjerice, prije prelaska na novi model 50 tipičnih upita klijenata odgovaraju oba modela i uspoređuju se prema čvrstim kriterijima.
Strukturirani podaci slijede utvrđenu shemu s jasno imenovanim poljima, kao što su tablice, baze podataka ili JSON objekti s podacima poput imena, cijene i datuma. Strojevi ih mogu pouzdano čitati, filtrirati i obrađivati – za razliku od slobodnog teksta ili slika. Na web-stranicama oznake schema.org opisuju, primjerice, proizvode, događaje ili česta pitanja kako bi tražilice i UI sustavi nedvosmisleno razumjeli sadržaj. UI može i izdvajati strukturirane podatke iz nestrukturiranog teksta.
Suparničko strojno učenje istražuje kako se UI modeli mogu zavarati namjerno izmijenjenim ulaznim podacima ili podacima za učenje – i kako ih zaštititi. Poznati su primjeri jedva vidljive promjene na slikama koje mijenjaju klasifikaciju ili zatrovani podaci za učenje. Tema postaje važna za organizacije čim UI podržava odluke bitne za sigurnost. Protumjere uključuju robusno učenje, provjere ulaznih podataka, nadzor i redovita sigurnosna testiranja.
TAM analiza procjenjuje ukupno dostupno tržište (total addressable market): cjelokupni prihod koji bi neka ponuda teoretski mogla ostvariti. Pristup odozgo prema dolje sužava brojke iz istraživanja tržišta, dok pristup odozdo prema gore množi broj potencijalnih klijenata s očekivanom cijenom. Zajedno sa SAM-om (tržište koje je moguće posluživati) i SOM-om (realno dostižan udio) podupire odluke o ulaganjima i planiranju, ali ima smisla samo uz transparentne pretpostavke i raspone, a ne uz lažnu preciznost.
Temeljni model (foundation model) velik je UI model unaprijed treniran na vrlo opsežnim, raznovrsnim podacima, koji se zatim može koristiti za mnoge različite zadatke. Pojam je skovan 2021. na Sveučilištu Stanford. Poznati primjeri uključuju velike jezične modele poput Claudea ili GPT-a te modele za slike. Tvrtke svoje aplikacije obično grade na takvim modelima umjesto da treniraju vlastite od nule; Akt EU-a o umjetnoj inteligenciji odnosi se na UI modele opće namjene.
TensorFlow je okvir za strojno učenje otvorenog koda koji je razvio Google, a objavljen je 2015. Koristi se za izgradnju, treniranje i primjenu neuronskih mreža u aplikacijama, na poslužiteljima ili na mobilnim uređajima. Keras nudi pristupačno sučelje visoke razine; tipične primjene su klasifikacija slika, prognoziranje i sustavi preporuka.
Pretvaranje teksta u govor (text-to-speech) pretvara pisani tekst u govorni jezik i time je pandan prepoznavanju govora (speech-to-text). Moderni sustavi koriste neuronske mreže za izradu prirodno zvučećih glasova s odgovarajućom intonacijom. TTS se koristi u telefonskim najavama, navigacijskim uređajima, funkcijama čitanja naglas za pristupačne web-stranice i glasovnim asistentima.
Niz povezanih koraka koji se izvodi opetovano, primjerice „razvrstaj upit i odgovori na njega“.
Točnost opisuje koliko često UI model daje ispravne rezultate; stabilnost opisuje koliko se pouzdano ta učinkovitost održava – uz blago izmijenjene unose, nove podatke ili tijekom vremena. Model može biti vrlo točan u testiranju, a ipak nestabilan ako već samo preformuliranje pitanja dovodi do drukčijeg odgovora. Za stvarnu uporabu oba se svojstva provjeravaju čvrstim testnim slučajevima, unakrsnom validacijom i stalnim nadzorom.
Točnost top-k mjeri koliko se često točan odgovor nalazi među k najvjerojatnijih prijedloga modela. Kod top-1 računa se samo prvo predviđanje; kod top-5 dovoljno je da se točna klasa nalazi među pet najboljih, što je poznata metrika iz benchmarkova za prepoznavanje slika poput ImageNeta. Korisna je svugdje gdje korisnici vide više prijedloga, primjerice kod preporuka proizvoda ili automatskog dovršavanja.
Jedinica kojom jezični modeli broje tekst. Token je otprilike dio riječi; na njemu se temelje troškovi UI-ja.
Token je najmanja jedinica teksta koju jezični model obrađuje, obično dio riječi, kratka riječ ili interpunkcijski znak. Modeli čitaju ulaze i generiraju odgovore token po token, a i veličina kontekstnog prozora mjeri se u tokenima. Budući da pružatelji naplaćuju ulazne i izlazne tokene, tokeni izravno određuju troškove i ograničenja: dugačke upute i opsežno pozadinsko znanje povećavaju potrošnju.
Token smuggling oblik je jailbreakinga u kojem se neželjene upute prikrivaju, primjerice dijele na fragmente, ponovno kodiraju ili pišu znakovima sličnog izgleda, tako da ih jednostavni filtri ključnih riječi propuste, dok jezični model ipak razumije njihovo značenje. Zaštita uključuje normalizaciju ulaza prije njihove procjene, provjere temeljene na sadržaju, a ne samo na riječima, pregled izlaznih rezultata i davanje UI agentima što je moguće manje dopuštenja.
Torch je okvir za strojno učenje otvorenog koda temeljen na skriptnom jeziku Lua; njegova verzija Torch7 bila je naširoko korištena u istraživanju i industriji tijekom 2010-ih. Smatra se prethodnikom PyTorcha, koji je preuzeo ideje i dijelove Torchovih C biblioteka, ali koristi Python. Prema službenom repozitoriju Torch se više aktivno ne razvija i danas je malo relevantan za nove projekte.
Kod prijenosa učenja (transfer learning) model koji je već naučio veliki opći zadatak služi kao polazište za novi, specijalizirani zadatak. Umjesto da se kreće od nule, prilagođava se, primjerice finim podešavanjem, uz razmjerno malo vlastitih podataka. To štedi računalno vrijeme i podatke, primjerice kada opći model slika treba naučiti uočavati proizvodne greške na fotografijama.
Transformer je arhitektura neuronskih mreža predstavljena 2017. u istraživačkom radu „Attention Is All You Need“. U njezinoj je jezgri mehanizam pažnje: svaka riječ vaga se u odnosu na sve ostale riječi u tekstu, a izračun se može učinkovito paralelizirati. Transformeri su temelj današnjih jezičnih modela poput GPT-a, Claudea i BERT-a, a koriste se i za slike i zvuk.
Transkripcija zvuka pretvara govorni jezik iz snimaka u pisani tekst. Moderni sustavi automatskog prepoznavanja govora dodaju i interpunkciju, razlikuju govornike i ponekad navode vremenske oznake. Koristi se za zapisnike sa sastanaka, intervjue, titlove i dokumentiranje razgovora s kupcima. Kvaliteta uvelike ovisi o kvaliteti zvuka, naglasku i stručnom rječniku; kod razgovora koji uključuju osobne podatke treba voditi računa o privoli i zaštiti podataka.
Transparentnost UI-ja znači otkrivanje kada je UI uključen, na kojim se podacima i izvorima temelje njegovi rezultati i kako se donose odluke. To uključuje označavanje UI sadržaja, sljedive navode izvora, zapisnike i dokumentirane promjene. Transparentnost gradi povjerenje, olakšava otklanjanje pogrešaka i dijelom je propisana zakonom, primjerice obvezama transparentnosti iz Akta EU-a o umjetnoj inteligenciji, prema kojima ljudi trebaju moći prepoznati da komuniciraju s UI-jem.
Troškovi velikih jezičnih modela obično se naplaćuju po tokenu, tj. tekstualnim jedinicama veličine otprilike od sloga do riječi; ulazni i izlazni tokeni imaju zasebne cijene, a izlaz je općenito skuplji. Veći modeli koštaju više po tokenu od malih, brzih modela poput Claude Haikua, koji su za jednostavne zadatke često dovoljni. Prompt caching snižava troškove kada se isti dugi kontekst šalje opetovano. Pomažu i sažete upute i pažljivo odabrano znanje.
Turingov test potječe od matematičara Alana Turinga, koji ga je 1950. opisao kao „igru oponašanja“. Osoba vodi pisane razgovore s čovjekom i strojem; ako ne može pouzdano razlikovati koji je od njih stroj, test se smatra položenim. Današnji jezični modeli često vode razgovore koji zvuče vrlo ljudski, ali test govori samo o uvjerljivom jeziku, a ne o razumijevanju ili pouzdanosti.
Učenje bez primjera (zero-shot) znači da model može riješiti zadatak a da prethodno nije vidio konkretne primjere za njega. Veliki jezični modeli mogu, primjerice, obaviti prijevod ili klasifikaciju samo na temelju opisa u upitu. Ako kvaliteta nije dovoljna, često pomaže učenje s nekoliko primjera (few-shot): dodate nekoliko primjera željenog odgovora.
Učenje podrškom grana je strojnog učenja u kojoj agent uči metodom pokušaja i pogrešaka. Djeluje unutar okoline, dobiva nagrade za dobre ishode i kazne za loše te na taj način razvija strategiju koja maksimizira njegovu ukupnu nagradu. Poznati primjeri uključuju programe koji svladavaju društvene igre poput goa, upravljanje robotima i fino podešavanje jezičnih modela na temelju ljudskih ocjena.
RLHF je metoda treniranja koja jezične modele čini korisnijima i sigurnijima. Ljudi uspoređuju i ocjenjuju više odgovora modela; te se prosudbe koriste za treniranje modela nagrađivanja, koji zatim putem učenja podrškom dalje trenira sam jezični model. Tako se, primjerice, uči jasnije odgovarati ili odbijati problematične zahtjeve. RLHF se provodi kod pružatelja modela prije izlaska modela – ne kod pojedinačnih korisnika.
Učenje s nekoliko primjera (few-shot learning) sposobnost je modela da riješi zadatak na temelju samo šačice primjera. Kod jezičnih modela to se obično događa izravno u unosu: pokažete dva ili tri para pitanja i željenog odgovora, a model isti format i stil primjenjuje na nove slučajeve – bez ponovnog treniranja. Primjer: tri ispravno kategorizirana upita klijenata često su dovoljna da se i daljnji upiti razvrstaju na isti način.
Pružatelj usluga obrađuje osobne podatke u ime tvrtke. Za to je potreban ugovor prema čl. 28. GDPR-a.
Ugradnje riječi prikazuju riječi kao numeričke vektore tako da riječi sličnog značenja leže blizu u vektorskom prostoru, primjerice „auto“ i „vozilo“. Metode poput Word2Veca ili GloVea uče te vektore iz velikih količina teksta. Bile su važan korak u obradi jezika, primjerice za pretraživanje ili klasifikaciju; današnji jezični modeli koriste kontekstualne ugradnje u kojima se riječ prikazuje drukčije ovisno o rečenici.
UI model s fiksnim uputama i pristupom odabranom znanju koji preuzima određeni zadatak.
UI analitičar podataka je UI sustav ili asistent koji analizira podatke poput proračunskih tablica, izvoza ili ključnih pokazatelja i objašnjava rezultate jednostavnim jezikom. Izračunava zbrojeve i promjene, prepoznaje trendove i anomalije te predlaže sljedeće korake. Tako poslovni timovi bez statističkog znanja brže dobivaju odgovore. Jezični modeli ipak mogu pogriješiti u računanju, pa brojke treba dodatno provjeriti. Primjer: mjesečna se prodaja zalijepi kao CSV i komentira.
Pojam opisuje kako UI sustavi mogu utjecati na ljudska prava poput privatnosti, jednakog postupanja, slobode izražavanja ili poštenog postupka, i pozitivno i negativno. Rizici nastaju, primjerice, zbog diskriminatornih odluka, masovnog nadzora, biometrijske identifikacije ili nedostatka sredstava za osporavanje odluka. Ta pitanja obrađuju međunarodni okviri poput Okvirne konvencije Vijeća Europe o UI-ju i Akta EU-a o umjetnoj inteligenciji. Organizacije odgovaraju procjenama učinka, transparentnošću i ljudskim nadzorom.
Flux je obitelj UI modela koji generiraju i uređuju slike na temelju tekstualnih opisa. Razvija ga tvrtka Black Forest Labs sa sjedištem u Freiburgu im Breisgau u Njemačkoj. Prva generacija pojavila se u kolovozu 2024., a FLUX.2 u studenome 2025., zajedno s varijantama za uređivanje slika tekstualnim uputama. Neke su verzije dostupne s otvorenim težinama, djelomice samo za nekomercijalnu uporabu, dok se druge nude isključivo putem API-ja (stanje: listopad 2026.).
UI partnerstvo je suradnja između organizacija na zajedničkom razvoju, uvođenju ili odgovornom oblikovanju UI rješenja, primjerice između tvrtki i pružatelja tehnologije, sveučilišta ili istraživačkih instituta. Partneri dijele stručnost, podatke, infrastrukturu ili troškove. Ključni su jasni dogovori o uporabi podataka, intelektualnom vlasništvu, odgovornosti i mogućnostima izlaska. Pojam se odnosi i na inicijative poput Partnership on AI, neprofitne organizacije osnovane 2016.
UI penetracijski test je naručena, kontrolirana sigurnosna procjena u kojoj stručnjaci namjerno traže slabosti UI sustava, poput prompt injectiona, curenja povjerljivih podataka ili agenta s prevelikim ovlastima. Za razliku od šireg red teaminga, usredotočen je na jasno definiran opseg s dokumentiranim nalazima i mjerama otklanjanja. Vrijedi ga provesti prije puštanja chatbota u rad i nakon većih promjena.
UI pretraga odnosi se na metode pretraživanja koje pomoću UI-ja shvaćaju namjeru iza upita, ponderiraju rezultate i često generiraju sažet odgovor s izvorima umjesto običnog popisa poveznica. Tehnički koriste pretragu ključnih riječi, vektorsku pretragu nad embeddingima ili njihovu kombinaciju, često uz jezični model na kraju. Primjeri su tražilice odgovora na webu i interna pretraga znanja koja zaposlenicima pomaže pronaći što trebaju u priručnicima i pravilnicima.
UI red teaming strukturirano je ispitivanje UI sustava iz perspektive potencijalnih napadača ili zlouporabe. Stručnjaci kontrolirano testiraju otkriva li chatbot povjerljive upute, može li ga se navesti na neželjeno ponašanje, daje li netočne činjenice ili otkriva podatke. Nalazi služe za poboljšanje uputa, filtara i ovlasti. Sigurnosna revizija chatbota lakši je oblik: procjenjuje konfiguraciju i primjere razgovora prema poznatim područjima rizika kao što je OWASP Top 10 za LLM aplikacije.
UI savjetnik pomaže organizacijama da UI koriste smisleno i odgovorno. Tipični zadaci uključuju procjenu potencijala, odabir prikladnih slučajeva uporabe i alata, njihovo uklapanje u postojeće procese i odgovornosti, pitanja zaštite podataka i usklađenosti te edukaciju. Dobro savjetovanje trijezno odvaguje koristi i rizike i uzima u obzir ljude koji rade sa sustavima. Primjer: srednje poduzeće razjašnjava koje se upite klijenata može pouzdano automatizirati.
UI SDR (sales development representative) je UI agent koji preuzima zadatke iz rane faze prodaje: odgovaranje na dolazne upite, kvalifikaciju potencijalnih klijenata, izradu skripti za pozive i e-poruka za ponovni kontakt ili pripremu sastanaka. Rasterećuje prodajni tim, ali ne zamjenjuje njegovu prosudbu i rad na odnosima. Pri kontaktiranju novih osoba u Njemačkoj i EU-u treba poštovati zaštitu podataka i pravila protiv neželjenog oglašavanja.
UI segmentacija tržišta koristi UI za podjelu tržišta ili baze klijenata u skupine sličnih obilježja, potreba ili ponašanja. Tradicionalno se to radi metodama klasteriranja na podacima o klijentima; jezični modeli dodatno mogu izvoditi segmente iz opisa, anketa ili upita te predlagati poruke i kanale. Rezultati su hipoteze koje treba potvrditi stvarnim podacima. Primjer: pružatelj softvera razlikuje početnike osjetljive na cijenu od timova usmjerenih na rast.
UI sustav za automatizaciju kombinira tradicionalnu automatizaciju procesa s mogućnostima UI-ja poput razumijevanja teksta, klasifikacije ili podrške odlučivanju. Time je moguće automatizirati tijekove rada i s nestrukturiranim ulazima, poput e-poruka, obrazaca ili upita. Tipična struktura je lanac okidača, koraka obrade, uvjeta i izlaza, uz ljudsko odobrenje na kritičnim točkama. Primjer: pristigli upiti automatski se kategoriziraju, sažimaju i prosljeđuju pravom odjelu.
Stanje: listopad 2026. Tehnički se fokus pomiče s chatbota na UI agente koji obavljaju višekoračne zadatke i koriste alate putem standarda poput Model Context Protocola. Prema podacima Crunchbasea, oko 64 % globalnog rizičnog kapitala u trećem tromjesečju 2026. otišlo je UI start-upima. U EU-u obveze za UI modele opće namjene vrijede od kolovoza 2025.; rokovi za sustave visokog rizika odgođeni su na prosinac 2027. i kolovoz 2028.
UI u kibernetičkoj sigurnosti ima dvije strane. S jedne strane, UI tehnike pomažu brže otkrivati napade, primjerice uočavanjem anomalija u mrežnom prometu, sumnjivih prijava ili phishing e-poruka, te rasterećuju sigurnosne timove pri trijaži upozorenja. S druge strane, i same UI sustave treba zaštititi, primjerice od prompt injectiona ili curenja podataka. UI je ovdje učinkovita samo u kombinaciji s jasnim procesima, ažurnim sustavima i educiranim ljudima.
UI u maloprodaji obuhvaća primjene duž cijelog maloprodajnog lanca: prognoziranje prodaje i planiranje zaliha, personalizirane preporuke proizvoda, dinamično određivanje cijena, otkrivanje prijevara u internetskim trgovinama i korisničku podršku putem chata. Trgovci mogu smanjiti viškove i nestašice zaliha te brže odgovarati na upite. To zahtijeva čiste podatke i pažljivo postupanje s podacima o klijentima. Primjer: chat asistent danonoćno odgovara na pitanja o rokovima isporuke i povratima.
UI u proizvodnji obuhvaća primjene u proizvodnji i industriji, poput prediktivnog održavanja na temelju podataka senzora, automatizirane kontrole kvalitete kamerama, optimizacije procesnih parametara i planiranja proizvodnje te robota koji rade uz ljude. Ciljevi su manje zastoja, manje škarta i stabilniji rad. To zahtijeva pouzdane podatke sa strojeva i uključivanje stručnjaka s pogona. Primjer: sustav iz uzoraka vibracija prepoznaje da bi ležaj uskoro mogao otkazati.
UI u prometu obuhvaća primjene u logistici, prometu i mobilnosti: planiranje ruta i tura, prognoziranje prometa, prediktivno održavanje vozila i infrastrukture te sustave pomoći vozaču sve do autonomnih vozila. Ciljevi su kraći putovi, manje praznih vožnji, niži troškovi i veća sigurnost. Mnoge su primjene sigurnosno kritične pa su strogo regulirane. Primjer: paketna služba svaki dan ponovno planira svoje dostavne ture na temelju količine pošiljki i prometnih uvjeta.
UI u zabavi odnosi se na uporabu UI-ja u filmu, glazbi, igrama, streamingu i medijima. Tipične primjene uključuju sustave preporuka koji predlažu sadržaj prema ukusu, podršku pri montaži, vizualnim efektima i sinkronizaciji, generirane svjetove ili likove u igrama te generiranje glazbe i slika. Istodobno otvara pitanja o autorskim pravima, pristanku izvođača i deepfakeovima. Primjer: streaming platforma prilagođava početni zaslon svakom profilu.
UI u zdravstvu obuhvaća primjene koje podržavaju kliničko osoblje i administraciju, primjerice u analizi medicinskih snimaka, dokumentaciji, zakazivanju termina ili vrednovanju istraživačkih podataka. Takvi sustavi daju smjernice i rasterećuju, ali ne zamjenjuju kliničku prosudbu i ne obećavaju izlječenje. Mnoge medicinske UI aplikacije podliježu propisima o medicinskim proizvodima i strogim pravilima zaštite zdravstvenih podataka. Primjer: softver na rendgenskim snimkama ističe upadljiva područja koja pregledavaju stručnjaci.
Blok tijeka rada koji tekst svrstava u jednu od više kategorija i grana u skladu s tim.
UI vatrozid je zaštitni sloj između korisnika, izvora podataka i UI modela. Provjerava unose zbog pokušaja manipulacije poput prompt injectiona ili jailbreakova te provjerava izlaze, primjerice zbog povjerljivih podataka ili neželjenog sadržaja, prije nego ih proslijedi dalje. Može koristiti pravila, klasifikacijske modele ili drugi jezični model. UI vatrozid smanjuje rizik, ali ne nudi potpunu zaštitu i ne zamjenjuje ni ograničene ovlasti ni testiranje.
Umjetna superinteligencija (ASI) teorijski je koncept UI-ja koji znatno nadmašuje ljude u gotovo svim intelektualnim sposobnostima, uključujući istraživanje, planiranje i društvenu prosudbu. Takav sustav ne postoji. Pojam se koristi uglavnom u filozofiji i istraživanju sigurnosti UI-ja za raspravu o pitanjima kontrole i usklađivanja budućih sustava s ljudskim vrijednostima.
Umjetne neuronske mreže (ANN) računski su modeli sastavljeni od mnogo povezanih jedinica („neurona”) raspoređenih u slojeve koji obrađuju unose putem ponderiranih veza. Tijekom treniranja težine se korak po korak prilagođavaju na primjerima, obično povratnim širenjem pogreške (backpropagation). ANN-ovi su temelj dubokog učenja i pokreću prepoznavanje slika i govora te velike jezične modele. Unatoč biološkoj inspiraciji, rade znatno jednostavnije od ljudskog mozga.
Unakrsna entropija (cross-entropy) mjera je iz teorije informacija koja pokazuje koliko se predviđena distribucija vjerojatnosti razlikuje od stvarne. U strojnom učenju najčešća je funkcija gubitka za zadatke klasifikacije, kao i za jezične modele koji predviđaju sljedeći token. Posebno snažno kažnjava samouvjerena pogrešna predviđanja: dodjela 99 % pogrešnoj klasi daje mnogo veći gubitak od dodjele 60 %.
Unakrsna validacija metoda je provjere koliko dobro model generalizira na nove, neviđene podatke. Kod k-struke unakrsne validacije podaci se dijele na k dijelova; model se trenira k puta na k−1 dijelova i svaki put testira na preostalom, nakon čega se rezultati usrednjuju. To pomaže otkriti pretreniranost te pošteno usporediti modele ili postavke, osobito kada je podataka malo.
Podtreniranost (underfitting) nastaje kada je model prejednostavan da bi obuhvatio odnose u podacima. Tada griješi mnogo i na podacima za učenje i na novim podacima, primjerice kada se ravna crta koristi za prikaz jasno zakrivljenog uzorka. Rješenja su snažniji model, informativnije značajke, dulje treniranje ili slabija regularizacija; suprotan problem je pretreniranost.
Upravljanje podacima (data governance) obuhvaća pravila, uloge i procese kojima organizacija određuje tko smije prikupljati, upotrebljavati, mijenjati i brisati koje podatke. Uključuje odgovornost za kvalitetu podataka, prava pristupa, rokove čuvanja i usklađenost sa zahtjevima zaštite podataka. Posebno je važno za UI projekte, jer su modeli i agenti pouzdani samo koliko i podaci na koje se oslanjaju.
Upravljanje UI projektima u istraživanju i razvoju obuhvaća dvije stvari: vođenje projekata u kojima se gradi UI i uporabu UI-ja za podršku projektima istraživanja i razvoja. Tipični zadaci uključuju sažimanje literature, strukturiranje planova pokusa, praćenje prekretnica i dokumentiranje rezultata. Stručne odluke i odobrenja trebaju ostati kod ljudi.
Fiksni zadatak za agenta: uloga, ton, granice. Često se naziva „upit“ (prompt).
Usmjeravanje potencijalnih klijenata (lead routing) je automatska dodjela dolaznih upita odgovornoj osobi, odjelu ili regiji. Kriteriji mogu biti tema, proizvod, veličina tvrtke, jezik ili hitnost. UI može razumjeti i kategorizirati slobodan tekst upita, primjerice odnosi li se na novu ponudu, problem s podrškom ili zahtjev za posao. Brzo i točno usmjeravanje skraćuje vrijeme odgovora i sprječava da upiti ostanu bez odgovora.
Utjelovljeni UI agenti imaju fizičko ili simulirano tijelo kojim putem senzora percipiraju okolinu i kretanjem djeluju na nju. Primjeri su skladišni i kućanski roboti, humanoidni roboti i likovi u simulacijama u kojima se roboti treniraju prije stvarne primjene. Izazov je u povezivanju percepcije, planiranja i sigurnog djelovanja u nepredvidivom svijetu.
Validacija podataka provjerava jesu li podaci potpuni, ispravno oblikovani i vjerodostojni prije daljnje obrade. Tipične provjere odnose se na obvezna polja, format e-adresa, poštanskih brojeva ili datuma te logičke proturječnosti – primjerice datum isporuke prije datuma narudžbe. Tako se pogreške otkrivaju rano, umjesto da se prenesu u izvješća, račune ili UI analize.
Vektor ugrađivanja (embedding) popis je brojeva koji predstavlja značenje riječi, rečenice ili dokumenta tako da tekstovi sličnog sadržaja leže blizu jedni drugima. To omogućuje, primjerice, prepoznavanje da su „otkaz” i „prekid ugovora” povezani iako nemaju zajedničkih riječi. Embeddingi su temelj mnogih sustava semantičke pretrage, usluga preporuka i RAG aplikacija; izračunavaju ih posebno trenirani modeli.
Veliki jezični model (LLM) neuronska je mreža trenirana na vrlo velikim količinama teksta, zahvaljujući čemu može razumjeti i generirati jezik. Radi tako da korak po korak izračunava najvjerojatniji sljedeći token. LLM-ovi pišu, sažimaju, prevode, odgovaraju na pitanja i generiraju kod; poznati primjeri su Claude, GPT, Gemini i Llama. Bez pristupa aktualnim izvorima znaju samo ono što je bilo u njihovim podacima za treniranje.
Vertikalni UI agent prilagođen je određenoj industriji ili specijalističkom zadatku, primjerice korisničkoj podršci u e-trgovini, zakazivanju termina u liječničkim ordinacijama ili prodajnim upitima u strojarstvu. Za razliku od asistenata opće namjene, poznaje terminologiju, procese i pravila svog područja jer je opremljen odgovarajućim uputama, znanjem i alatima. Zbog toga obično daje preciznije i pouzdanije rezultate unutar svoje domene.
Vibe coding opisuje način rada u kojem se softver nastaje uglavnom putem opisa na prirodnom jeziku, a kod generiran UI-jem prihvaća se većinom bez pregleda. Pojam je u veljači 2025. skovao UI istraživač Andrej Karpathy. Može biti koristan za brze prototipove, ali u produkciji nosi rizik neotkrivenih sigurnosnih ranjivosti, koda koji je teško održavati i ovisnosti koje nitko u timu doista ne razumije, pa pregled koda i testiranje ostaju nužni.
Višekoračno zaključivanje sposobnost je UI sustava da odgovori na pitanje kroz nekoliko uzastopnih zaključaka, često kombinirajući informacije iz različitih izvora. Primjer: „Koji odjel vodi osoba odgovorna za projekt X?“ najprije zahtijeva utvrđivanje odgovorne osobe, a zatim njezina odjela. Takva su pitanja zahtjevna za sustave pretraživanja i RAG jer se svaki međukorak mora pronaći i ispravno povezati.
Internetska adresa koja pokreće tijek rada čim joj drugi program pošalje podatke.
Whisper je model za automatsko prepoznavanje govora koji je OpenAI objavio u rujnu 2022. Pretvara govorni jezik na mnogim jezicima u tekst, a snimke može i prevoditi na engleski. Njegov kod i težine modela dostupni su pod licencijom otvorenog koda MIT, pa Whisper može raditi i na vlastitom sklopovlju, što je prednost kada audiopodaci ne smiju napustiti organizaciju. Tipične primjene su transkripti sastanaka, intervjua i titlovi.
Windowing znači dijeljenje dugih podataka na odsječke („prozore“) fiksne duljine koji se često preklapaju. U UI aplikacijama time se dugi dokumenti dijele na dijelove koji se mogu pretraživati; preklapanje osigurava da rečenica na granici odsječka ne izgubi kontekst. Klizni prozori koriste se i kod vremenskih serija i audiosignala za analizu podataka dio po dio.
Writer (writer.com) je američka tvrtka osnovana 2020. koja nudi platformu za generativnu UI u poduzećima. Razvija vlastitu obitelj jezičnih modela pod nazivom Palmyra te nudi alate kojima tvrtke mogu graditi UI agente, povezivati ih s vlastitim znanjem i upravljati njima pravilima o glasu marke i odobrenjima (stanje: listopad 2026.). Koristi se uglavnom za sadržaje i radne tijekove u marketingu, prodaji i komunikaciji s klijentima.
Writesonic je UI usluga koja je najprije postala poznata kao alat za izradu marketinških tekstova. Pružatelj se sada pozicionira kao platforma za vidljivost u tradicionalnim i UI-pogonjenim pretraživanjima: cilj mu je mjeriti koliko se često marka spominje u odgovorima UI asistenata te poboljšavati sadržaj za SEO i optimizaciju za generativne tražilice (GEO) (stanje: listopad 2026.). Glavna publika su marketinški timovi i agencije.
XGBoost (Extreme Gradient Boosting) je biblioteka otvorenog koda koja posebno učinkovito implementira gradijentno pojačavanje sa stablima odlučivanja. Mnogo malih stabala trenira se jedno za drugim, pri čemu svako ispravlja pogreške prethodnih, a regularizacija pomaže spriječiti pretreniranost. XGBoost se smatra provjerenim izborom za tablične podatke, primjerice kod procjene kreditnog rizika, predviđanja odljeva klijenata ili prognoziranja prodaje.
3D rekonstrukcija obuhvaća metode koje iz fotografija, videa ili podataka senzora izračunavaju trodimenzionalni model objekta ili prostora. Tipični pristupi uspoređuju više snimaka iz različitih kutova ili vrednuju podatke o dubini s laserskih i dubinskih senzora. Primjenjuje se u geodeziji, zaštiti kulturne baštine, medicini, robotici i e-trgovini – primjerice kada se skeniranjem pametnim telefonom izradi 3D model proizvoda koji se može okretati.
Odaberite paket ili razgovarajte s nama o svojem projektu.
