A magyarázhatóság (explainable AI, XAI) azt írja le, mennyire érthető, hogy egy MI-rendszer miért jutott egy adott eredményre. Ide tartoznak azok a módszerek, amelyek megmutatják, mely bemenetek befolyásoltak leginkább egy döntést, valamint gyakorlati segédeszközök, például a forrásmegjelölések és a naplók. A magyarázhatóság a bizalom, a hibaelhárítás és a szabályozás szempontjából fontos – például amikor egy banknak indokolnia kell, miért utasított el egy kérelmet.
A megerősítéses tanulás a gépi tanulás egyik ága, amelyben az ágens próba-szerencse alapon tanul. Egy környezetben cselekszik, a jó eredményekért jutalmat, a rosszakért büntetést kap, és így olyan stratégiát alakít ki, amely maximalizálja az összjutalmát. Ismert példák a táblás játékokat – például a gót – elsajátító programok, a robotvezérlés és a nyelvi modellek emberi értékelések alapján végzett finomhangolása.
Az RLHF olyan tanítási módszer, amely a nyelvi modelleket segítőkészebbé és biztonságosabbá teszi. Emberek összehasonlítják és értékelik a modell több válaszát; ezekből az ítéletekből jutalommodellt tanítanak, amely aztán megerősítéses tanulással tovább tanítja magát a nyelvi modellt. Így megtanulja például, hogy világosabban válaszoljon, vagy hogy elutasítsa a problémás kéréseket. Az RLHF a modell kiadása előtt, a modellszolgáltatónál zajlik – nem az egyes felhasználóknál.
A megfelelőségi jelentéstétel (compliance reporting) annak rendszeres, nyomon követhető dokumentálása, hogy egy szervezet megfelel-e a jogszabályi követelményeknek, a szabványoknak és a belső szabályzatoknak. Egy jellemző jelentés rögzíti az időszakot és a hatókört, az egyes követelmények állapotát, az eltéréseket, valamint az intézkedéseket felelősökkel és határidőkkel. Bizonyítékként szolgál a vezetés, a felügyelőbizottságok, a könyvvizsgálók vagy a hatóságok számára, például az adatvédelem vagy az információbiztonság területén.
A megtestesült MI-ügynököknek fizikai vagy szimulált testük van, amellyel szenzorokon keresztül érzékelik környezetüket, és mozgással hatnak rá. Példák a raktári és háztartási robotok, a humanoid robotok és a szimulációk szereplői, amelyekben a robotokat a valós használat előtt tanítják. A kihívás az észlelés, a tervezés és a biztonságos cselekvés összekapcsolása egy kiszámíthatatlan világban.
A mély hiedelemhálók (Deep Belief Network, DBN) több egymásra épülő rétegből álló neurális hálók, amelyeket először rétegenként, felügyelet nélkül tanítanak elő, általában úgynevezett korlátozott Boltzmann-gépekként. A módszert Geoffrey Hinton és munkatársai mutatták be 2006-ban; megmutatta, hogy a mély hálók hatékonyan taníthatók, így hozzájárult a mélytanulás felemelkedéséhez. A gyakorlatban a DBN-eket azóta nagyrészt más architektúrák váltották fel.
A mélységbecslés képekből határozza meg, milyen messze vannak a tárgyak vagy az egyes képpontok a kamerától. Ez történhet két kamerával (sztereó), mélységérzékelőkkel, vagy neurális hálózatok segítségével akár egyetlen fotóból is (monokuláris mélységbecslés). Szükség van rá a robotikában, a vezetéstámogató rendszerekben, a kiterjesztett valóságban és helyiségek 3D-modelljeihez.
A mélytanulás a gépi tanulás egyik ága, amely sok rétegű mesterséges neurális hálókat használ. Az ilyen hálók nagy adatmennyiségből tanulják meg, mely jellemzők számítanak – a képek éleitől a szövegek jelentésbeli összefüggéseiig. A mélytanulás áll a mai nyelvi modellek, a kép- és beszédfelismerés, valamint a gépi fordítás mögött, és általában jelentős számítási teljesítményt és tanítóadatot igényel.
A mesterséges neurális hálók (ANN-ek) számítási modellek, amelyek sok összekapcsolt egységből („neuronból”) állnak, rétegekbe rendezve, és súlyozott kapcsolatokon keresztül dolgozzák fel a bemeneteket. A tanítás során a súlyokat lépésről lépésre, példák alapján módosítják, általában visszaterjesztéssel (backpropagation). Az ANN-ek a mélytanulás alapját képezik, és a képfelismerés, a beszédfelismerés és a nagy nyelvi modellek mögött állnak. Biológiai ihletésük ellenére sokkal egyszerűbben működnek, mint az emberi agy.
A mesterséges szuperintelligencia (ASI) egy olyan MI elméleti koncepciója, amely szinte minden intellektuális képességben – a kutatást, a tervezést és a társas ítélőképességet is beleértve – jelentősen felülmúlja az embert. Ilyen rendszer nem létezik. A kifejezést főként a filozófiában és az MI-biztonsági kutatásban használják az ellenőrzés kérdéseinek, valamint a jövőbeli rendszerek emberi értékekhez igazításának megvitatására.
A metaprompt olyan utasítás, amely arra kéri a nyelvi modellt, hogy maga fogalmazzon meg vagy javítson promptokat, illetve rendszerutasításokat. Ön megadja a célt, a célközönséget és a kívánt hangnemet, továbbá példákat ad; a modell ezekből strukturált utasításokat készít szereppel, szabályokkal és korlátokkal. Így gyorsabban születnek jó első változatok, amelyeket aztán emberek tesztelnek és finomítanak. Példa: a „kerékpárbolt ügyfélszolgálata” egy teljes utasításkészlet-vázlattá válik.
Az MI a gyártásban a termelés és az ipar alkalmazásait foglalja magában, például az érzékelőadatokon alapuló prediktív karbantartást, az automatizált, kamerás minőségellenőrzést, a folyamatparaméterek és a gyártástervezés optimalizálását, valamint az emberekkel együtt dolgozó robotokat. A célok: kevesebb leállás, kevesebb selejt és stabilabb működés. Ehhez megbízható gépadatokra és a gyártócsarnokban dolgozó szakértők bevonására van szükség. Példa: egy rendszer a rezgésmintázatokból felismeri, hogy egy csapágy hamarosan meghibásodhat.
Az MI a kiberbiztonságban két oldalról jelenik meg. Egyrészt az MI-technikák segítenek gyorsabban felismerni a támadásokat, például a hálózati forgalom anomáliáinak, a gyanús bejelentkezéseknek vagy az adathalász e-maileknek a kiszűrésével, és tehermentesítik a biztonsági csapatokat a riasztások osztályozásában. Másrészt maguk az MI-rendszereket is védeni kell, például a prompt injectionnel vagy az adatszivárgással szemben. Az MI itt csak egyértelmű folyamatokkal, naprakész rendszerekkel és képzett emberekkel kombinálva hatékony.
Az MI a kiskereskedelemben az egész kereskedelmi láncot érintő alkalmazásokat foglal magában: értékesítési előrejelzés és készlettervezés, személyre szabott termékajánlások, dinamikus árazás, csalásfelderítés webáruházakban és ügyfélszolgálat chaten keresztül. A kereskedők csökkenthetik a készlettöbbletet és a hiányt, és gyorsabban válaszolhatnak a megkeresésekre. Ehhez tiszta adatokra és az ügyféladatok gondos kezelésére van szükség. Példa: egy csevegőasszisztens éjjel-nappal válaszol a szállítási időkre és a visszaküldésekre vonatkozó kérdésekre.
Az MI a közlekedésben a logisztika, a forgalom és a mobilitás alkalmazásait foglalja magában: útvonal- és túratervezés, forgalom-előrejelzés, járművek és infrastruktúra prediktív karbantartása, valamint a vezetést segítő rendszerektől az autonóm járművekig. A célok: rövidebb útvonalak, kevesebb üres futás, alacsonyabb költségek és nagyobb biztonság. Sok alkalmazás biztonságkritikus, ezért szigorúan szabályozott. Példa: egy csomagszolgálat naponta újratervezi a kézbesítési köröket a küldeménymennyiség és a forgalmi viszonyok alapján.
Az MI a szórakoztatóiparban az MI filmben, zenében, játékokban, streamingben és médiában való alkalmazását jelenti. Tipikus alkalmazások az ízlés szerint tartalmat javasoló ajánlórendszerek, a vágás, a vizuális effektek és a szinkron támogatása, a generált játékvilágok vagy karakterek, valamint a zene- és képgenerálás. Ugyanakkor kérdéseket vet fel a szerzői joggal, az előadók beleegyezésével és a deepfake-ekkel kapcsolatban. Példa: egy streamingplatform minden profilhoz igazítja a kezdőképernyőjét.
Az MI az egészségügyben olyan alkalmazásokat foglal magában, amelyek a klinikai személyzetet és az adminisztrációt támogatják, például orvosi képek elemzésében, dokumentációban, időpont-egyeztetésben vagy kutatási adatok értékelésében. Az ilyen rendszerek támpontokat adnak és tehermentesítenek, de nem helyettesítik a klinikai ítélőképességet, és nem ígérnek gyógyulást. Sok orvosi MI-alkalmazásra az orvostechnikai eszközökre vonatkozó szabályozás és az egészségügyi adatokra vonatkozó szigorú adatvédelmi előírások érvényesek. Példa: egy szoftver kiemeli a röntgenfelvételek feltűnő területeit a szakorvosi felülvizsgálathoz.
A kifejezés azt írja le, hogyan befolyásolhatják az MI-rendszerek az olyan emberi jogokat, mint a magánélet védelme, az egyenlő bánásmód, a szólásszabadság vagy a tisztességes eljárás, egyaránt pozitív és negatív értelemben. A kockázatok eredhetnek például diszkriminatív döntésekből, tömeges megfigyelésből, biometrikus azonosításból vagy abból, hogy nincs lehetőség a döntések megtámadására. Ezekkel a kérdésekkel nemzetközi keretek – például az Európa Tanács MI-keretegyezménye – és az EU MI-rendelete foglalkozik. A szervezetek hatásvizsgálatokkal, átláthatósággal és emberi felügyelettel reagálnak.
Az MI-adatelemző olyan MI-rendszer vagy asszisztens, amely adatokat – például táblázatokat, exportokat vagy kulcsszámokat – elemez, és az eredményeket közérthetően magyarázza el. Kiszámítja az összegeket és a változásokat, azonosítja a trendeket és az anomáliákat, és javaslatot tesz a következő lépésekre. Így a statisztikai szakértelem nélküli üzleti csapatok gyorsabban kapnak válaszokat. A nyelvi modellek azonban számolási hibákat ejthetnek, ezért a számokat érdemes újraellenőrizni. Példa: a havi értékesítést CSV-ként illesztik be, és az MI kommentálja.
Az MI-alapú hallgatói visszajelzés olyan megjegyzéseket jelent, amelyeket egy MI-rendszer ír esszékhez, feladatokhoz vagy projektekhez meghatározott szempontok szerint. A tanulók gyorsabban kapnak támpontokat az erősségekről, a szerkezetről, az érvelésről vagy a nyelvről, a tanárok pedig mentesülnek az ismétlődő értékelőmunka alól. Az értékelésnek átláthatónak és szempontalapúnak kell lennie; az osztályzatokért és a teljesítményről szóló döntésekért a tanárok felelnek. Példa: egy esszévázlat a beadás előtt fejlesztési javaslatokat kap.
Az MI-alapú marketing MI-technikákat használ a célcsoportok jobb megértéséhez, tartalmak készítéséhez és kampányok irányításához. Tipikus alkalmazások: szegmentálás, személyre szabott üzenetek, vásárlási valószínűség előrejelzése, ügyfélvisszajelzések elemzése és hirdetésoptimalizálás. Jogszerűen gyűjtött adatokra és egyértelmű célokra épül, az eredményeket pedig tesztekkel kell ellenőrizni. Példa: egy webáruház olyan termékajánlásokat tartalmazó hírleveleket küld, amelyek illeszkednek a korábbi vásárlási viselkedéshez.
Az MI-alapú piacszegmentálás MI-t használ arra, hogy egy piacot vagy ügyfélkört hasonló jellemzőkkel, igényekkel vagy viselkedéssel rendelkező csoportokra osszon. Hagyományosan ezt klaszterezési módszerekkel végzik az ügyféladatokon; a nyelvi modellek ezen felül leírásokból, felmérésekből vagy megkeresésekből is képesek szegmenseket levezetni, és üzeneteket meg csatornákat javasolni. Az eredmények hipotézisek, amelyeket valós adatokkal kell validálni. Példa: egy szoftverszolgáltató megkülönbözteti az árérzékeny kezdőket a növekedésorientált csapatoktól.
Az MI-alapú startup olyan fiatal vállalat, amelynek terméke vagy üzleti modellje alapvetően a mesterséges intelligenciára épül, például iparági specializált asszisztensek, elemző eszközök vagy automatizált szolgáltatások. Az ilyen startupok gyakran meglévő alapmodellekre építenek, és szakterületi tudással, adatokkal, használhatósággal és integrációval különböztetik meg magukat. A kihívások közé tartozik a modellszolgáltatóktól való függés, a kérésenkénti költség és a szabályozás. Példa: egy startup, amely automatikusan ellenőrzési jelentéseket készít kisiparosok számára.
Az MI-átláthatóság azt jelenti, hogy nyilvánosságra hozzák, mikor vesz részt MI, mely adatokra és forrásokra épülnek az eredményei, és hogyan születnek a döntések. Ide tartozik az MI-tartalom megjelölése, a nyomon követhető forrásmegjelölések, a naplók és a dokumentált módosítások. Az átláthatóság bizalmat épít, megkönnyíti a hibaelhárítást, és részben jogszabály is előírja, például az EU MI-rendeletének átláthatósági kötelezettségei, amelyek szerint az embereknek fel kell ismerniük, hogy MI-vel kommunikálnak.
Az MI-automatizálási rendszer a hagyományos folyamatautomatizálást olyan MI-képességekkel egyesíti, mint a szövegértés, az osztályozás vagy a döntéstámogatás. Ez lehetővé teszi strukturálatlan bemenetekkel – például e-mailekkel, űrlapokkal vagy megkeresésekkel – induló munkafolyamatok automatizálását is. Tipikus felépítés az eseményindító, a feldolgozási lépések, a feltételek és a kimenet lánca, a kritikus pontokon emberi jóváhagyással. Példa: a beérkező megkereséseket automatikusan kategorizálják, összefoglalják, és a megfelelő osztályhoz továbbítják.
Az MI-botok blokkolása azt jelenti, hogy megakadályozzák az MI-szolgáltatók crawlereit abban, hogy beolvassák a weboldalt, általában a robots.txt fájlban olyan user agentekre megadott szabályokkal, mint a GPTBot, a ClaudeBot vagy a Google-Extended. A fájl kérés, nem technikai akadály; szigorúbb ellenőrzéshez tűzfal- vagy szerverszabályok szükségesek. A mérlegelendő szempont: a blokkolás védi a tartalmat attól, hogy tanításra használják, de csökkentheti a láthatóságot az MI-keresésben és az MI által generált válaszokban. Gyakran érdemes másként kezelni a tanító és a kereső crawlereket.
Munkafolyamat-építőelem, amely egy szöveget több kategória egyikébe sorol, és ennek megfelelően elágazik.
Az MI-elterjedtségi arány azt mutatja meg, hogy a vállalatok, munkavállalók vagy háztartások hányad része használ MI-t, és a technológia elterjedtségének mérőszámaként szolgál. A német szövetségi statisztikai hivatal (Destatis) szerint 2024-ben a legalább tíz főt foglalkoztató német vállalatok 20%-a használt MI-t (2023: 12%). A Bitkom digitális szövetség 2025-ben 36%-os arányt állapított meg a legalább 20 főt foglalkoztató vállalatok körében. Az eltérő definíciók és minták miatt a tanulmányok csak részben összehasonlíthatók.
Az MI-etika az MI fejlesztését és használatát övező erkölcsi kérdésekkel foglalkozik: méltányosság és diszkrimináció, átláthatóság és magyarázhatóság, adatvédelem, a hibákért viselt felelősség, biztonság, valamint a munkára és a társadalomra gyakorolt hatások. A szervezetek számára irányelvekben, kockázatértékelésekben, emberi felügyeletben és az MI korlátairól szóló őszinte kommunikációban válik konkréttá. Példa: egy önéletrajz-szűrő eszköz bevezetése előtt ellenőrzik, hogy nem hozza-e hátrányba bizonyos csoportokat.
Az MI-felügyeleti hatóságok az MI-szabályok betartását ellenőrző állami szervek. Uniós szinten az Európai Bizottság MI Hivatala koordinálja az MI-rendelet végrehajtását, és felügyeli az általános célú MI-modelleket. Németországban a KI-MIG végrehajtási törvény (2026. július 29. óta hatályos) a Szövetségi Hálózati Ügynökséget (Bundesnetzagentur) teszi központi piacfelügyeleti hatósággá, míg az ágazati felügyeletek, például a BaFin, továbbra is illetékesek. A Digital Omnibus értelmében a magas kockázatú rendszerekre vonatkozó kötelezettségek csak 2027 decemberétől vagy 2028 augusztusától alkalmazandók (2026. októberi állapot szerint; nem jogi tanácsadás).
Az MI-keresés olyan keresési módszereket jelent, amelyek MI-t használnak a lekérdezés mögötti szándék megértésére, az eredmények súlyozására, és gyakran forrásokkal ellátott, összefoglalt választ generálnak a puszta hivatkozáslista helyett. Technikailag kulcsszavas keresést, beágyazásokon alapuló vektorkeresést vagy ezek kombinációját használják, gyakran egy nyelvi modellel kiegészítve. Példák: az interneten működő válaszmotorok és a belső tudáskeresés, amely segít a munkatársaknak megtalálni a szükséges információt kézikönyvekben és szabályzatokban.
Az MI-kutatási támogatások és finanszírozások a mesterséges intelligencia területén folyó kutatási projekteket, induló kutatócsoportokat vagy együttműködéseket finanszíroznak. Németországban például a Német Kutatási Közösség (DFG) MI-kezdeményezése keretében Emmy Noether-csoportokat támogat MI-módszerek területén, a Szövetségi Kutatási, Technológiai és Űrügyi Minisztérium (BMFTR) pedig tematikus támogatási irányelvek révén ítél oda finanszírozást. Uniós szinten a Horizont Európa és az Európai Kutatási Tanács (ERC) hirdet pályázatokat. A határidők és feltételek folyamatosan változnak (2026. októberi állapot szerint).
Az MI-minőségbiztosítási szakember ellenőrzi, hogy az MI-alkalmazások megbízhatóan, helyesen és megfelelően működnek-e. A szerepkör magában foglalja a tesztkérdéseket és a benchmarkokat, a különböző modellek összehasonlítását, a felhasználói értékelések elemzését, valamint a hallucinációk és az idővel bekövetkező romlás felismerését. Például egy új modellre való váltás előtt 50 tipikus ügyfélmegkeresésre mindkét modell válaszol, és az eredményeket rögzített szempontok szerint hasonlítják össze.
A pontosság azt írja le, milyen gyakran ad helyes eredményt egy MI-modell; a stabilitás azt, mennyire megbízhatóan marad meg ez a teljesítmény – kissé módosított bemenetnél, új adatoknál vagy az idő múlásával. Egy modell tesztben lehet nagyon pontos, mégis instabil, ha már a kérdés átfogalmazása is más választ eredményez. A valós használathoz mindkét tulajdonságot rögzített tesztesetekkel, keresztvalidálással és folyamatos monitorozással ellenőrzik.
Az MI-partnerség szervezetek közötti együttműködés MI-megoldások közös fejlesztésére, bevezetésére vagy felelős alakítására, például vállalatok és technológiai szolgáltatók, egyetemek vagy kutatóintézetek között. A partnerek megosztják a szakértelmet, az adatokat, az infrastruktúrát vagy a költségeket. Alapvető fontosságúak az adathasználatra, a szellemi tulajdonra, a felelősségre és a kilépési lehetőségekre vonatkozó egyértelmű megállapodások. A kifejezés olyan kezdeményezésekre is utal, mint a Partnership on AI, a 2016-ban alapított nonprofit szervezet.
Az MI-penetrációs teszt megbízás alapján végzett, ellenőrzött biztonsági felmérés, amelyben szakemberek szándékosan gyengeségeket keresnek egy MI-rendszerben, például prompt injectiont, bizalmas adatok kiszivárgását vagy egy túlzott jogosultságokkal rendelkező ügynököt. A szélesebb körű red teaminggel ellentétben egy pontosan meghatározott körre összpontosít, dokumentált megállapításokkal és javításokkal. Érdemes elvégezni egy chatbot élesítése előtt és jelentős változtatások után.
Az MI-projektmenedzsment a kutatásban és fejlesztésben két dolgot foglal magában: az MI-t építő projektek irányítását, és az MI használatát a K+F-projektek támogatására. Tipikus feladatok: irodalom összefoglalása, kísérleti tervek strukturálása, mérföldkövek követése és eredmények dokumentálása. A szakmai döntések és jóváhagyások az embereknél maradjanak.
Az MI-prototípus egy MI-alkalmazás korai, működő változata, amellyel egy csapat gyorsan és mérsékelt költséggel kipróbálhat egy ötletet. Hónapokig tartó tervezés helyett valós adatokkal és felhasználókkal teszteli, hogy az MI megbízhatóan megoldja-e a feladatot, mely adatok hiányoznak, és milyen értéket hoz. Példa: egy ügyfélmegkereséseket előrendező asszisztenst két hétig a postafiók egy részén próbálnak ki, mielőtt a szélesebb körű bevezetésről döntenek.
Az MI-red teaming egy MI-rendszer strukturált vizsgálata a lehetséges támadók vagy a visszaélések szemszögéből. Szakemberek ellenőrzött módon tesztelik, hogy egy chatbot felfedi-e a bizalmas utasításokat, rávehető-e nem kívánt viselkedésre, közöl-e hamis tényeket, vagy kiszivárogtat-e adatokat. Az eredmények jobb utasításokba, szűrőkbe és jogosultságokba épülnek be. A chatbot biztonsági auditja ennek könnyebb formája: a konfigurációt és a mintabeszélgetéseket ismert kockázati területek – például az LLM-alkalmazásokra vonatkozó OWASP Top 10 – alapján értékeli.
Az MI-rendszermérnök az MI-alkalmazásokat teljes rendszerként tervezi és üzemelteti: összekapcsolja a modelleket az adatforrásokkal, felületekkel és meglévő szoftverekkel, gondoskodik a biztonságról, a monitorozásról és a költségellenőrzésről, és a prototípusokat stabil üzembe viszi. A tiszta modellfejlesztéssel ellentétben a hangsúly az integráción van. Egy példa: egy támogatási ügynök összekapcsolása a jegykezelő rendszerrel, a naplózást és a hozzáférési jogosultságokat is beleértve.
Az MI-SDR (sales development representative) olyan MI-ügynök, amely átvállalja az értékesítés korai szakaszának feladatait: a beérkező megkeresések megválaszolását, az érdeklődők minősítését, a telefonos forgatókönyvek és utánkövető e-mailek megfogalmazását, illetve a megbeszélések előkészítését. Tehermentesíti az értékesítési csapatot, de nem helyettesíti annak ítélőképességét és kapcsolatépítő munkáját. Új kapcsolatok megkeresésekor Németországban és az EU-ban figyelembe kell venni az adatvédelmi szabályokat és a kéretlen reklám elleni előírásokat.
Az MI-szabályozási keret azokat a törvényeket, szabványokat és felügyeleti struktúrákat foglalja magában, amelyek az MI fejlesztését és használatát szabályozzák. Az EU-ban a központi jogszabály az MI-rendelet (az (EU) 2024/1689 rendelet), amely kockázatalapú megközelítést alkalmaz: a tilalmak 2025 februárja óta, az általános célú MI-modellekre vonatkozó kötelezettségek 2025 augusztusa óta, az átláthatósági kötelezettségek pedig 2026 augusztusa óta alkalmazandók. A „Digital Omnibus” ((EU) 2026/1744 rendelet) nyomán a magas kockázatú rendszerekre vonatkozó kötelezettségek 2027. december 2-tól vagy 2028. augusztus 2-tól alkalmazandók (2026. októberi állapot szerint; nem jogi tanácsadás).
Az MI-támogatott tartalomkészítés azt jelenti, hogy szöveget, képeket vagy más tartalmat generatív MI segítségével állítanak elő, például weboldalakhoz, hírlevelekhez, termékleírásokhoz vagy közösségi médiához. Az MI gyorsan szállít vázlatokat, változatokat és fordításokat, míg a szakmai hozzáértés, az arculati hangvétel és a tényellenőrzés emberi feladat marad. Segít a célközönségre, a hangnemre és a forrásokra vonatkozó egyértelmű útmutatás. Példa: egy új ajánlatról szóló felsorolásokból blogbejegyzés-vázlat és három közösségi média bejegyzés lesz.
Az MI-tanácsadó segít a szervezeteknek az MI értelmes és felelős használatában. Tipikus feladatai: a lehetőségek felmérése, megfelelő felhasználási esetek és eszközök kiválasztása, azok beillesztése a meglévő folyamatokba és felelősségi körökbe, adatvédelmi és megfelelőségi kérdések, valamint képzés. A jó tanácsadás józanul mérlegeli az előnyöket és a kockázatokat, és figyelembe veszi a rendszerekkel dolgozó embereket. Példa: egy középvállalat tisztázza, mely ügyfélmegkeresések automatizálhatók megbízhatóan.
Az MI-tanúsítási eljárások olyan folyamatok, amelyekben egy független szervezet ellenőrzi, hogy egy szervezet vagy egy MI-rendszer megfelel-e meghatározott követelményeknek. Széles körben használt példa az ISO/IEC 42001 szerinti tanúsítás (2023-ban jelent meg), amely az MI felelős használatának irányítási rendszerét írja le; a tanúsító szervezetekkel szembeni követelményeket az ISO/IEC 42006 (2025) rögzíti. Egy ilyen tanúsítvány önkéntes, és nem helyettesíti a magas kockázatú rendszerekre az EU MI-rendelete által előírt megfelelőségértékelést (2026. októberi állapot szerint).
2026. októberi állapot szerint. Technikailag a hangsúly a csevegőrobotokról az olyan MI-ügynökökre tolódik, amelyek többlépéses feladatokat kezelnek, és olyan szabványokon keresztül használnak eszközöket, mint a Model Context Protocol. A Crunchbase adatai szerint a globális kockázatitőke-finanszírozás nagyjából 64%-a jutott MI-startupokhoz 2026 harmadik negyedévében. Az EU-ban az általános célú MI-modellekre vonatkozó kötelezettségek 2025 augusztusa óta érvényesek; a nagy kockázatú rendszerekre vonatkozó határidőket 2027 decemberére és 2028 augusztusára halasztották.
Az MI-tűzfal védőréteg a felhasználók, az adatforrások és egy MI-modell között. Átvizsgálja a bemeneteket manipulációs kísérletek – például prompt injection vagy jailbreak – után, és továbbadás előtt ellenőrzi a kimeneteket, például bizalmas adatok vagy nem kívánt tartalom szempontjából. Szabályokat, osztályozó modelleket vagy egy második nyelvi modellt használhat. Az MI-tűzfal csökkenti a kockázatot, de nem nyújt teljes védelmet, és nem helyettesíti sem a korlátozott jogosultságokat, sem a tesztelést.
Rögzített utasításokkal és kiválasztott tudáshoz való hozzáféréssel rendelkező MI-modell, amely egy adott feladatot vállal át.
A mintafelismerés a szabályszerűségek, struktúrák vagy visszatérő jellemzők automatikus azonosítása olyan adatokban, mint a képek, hangok, szövegek vagy mérések. A rendszerek az új megfigyeléseket ismert kategóriákba sorolják, vagy előre megadott címkék nélkül fedeznek fel csoportokat. Alkalmazási területei például az arcfelismerés, a kézírás-felismerés, a gyártás minőségellenőrzése és a szokatlan tranzakciók felderítése. A tudományterület a gépi tanulás fontos alapja.
A Mistral AI egy párizsi székhelyű MI-vállalat, amelyet 2023-ban alapított Arthur Mensch, Guillaume Lample és Timothée Lacroix. Nagy nyelvi modelleket fejleszt, és nyíltan hozzáférhető súlyokkal rendelkező modelleket – némelyiket Apache 2.0 licenc alatt – éppúgy kínál, mint saját platformján keresztül kereskedelmi modelleket. Az európai szervezetek körében a Mistral AI gyakran szerepel az adatszuverenitásról és a modellek saját infrastruktúrán történő üzemeltetéséről szóló vitákban.
Az MLflow egy nyílt forráskódú platform a gépi tanulási modellek teljes életciklusának kezelésére; eredetileg a Databricks mutatta be 2018-ban. Rögzíti a kísérleteket paramétereikkel és mérőszámaikkal együtt, a modellverziókat egy nyilvántartásban kezeli, és egyszerűsíti az üzembe helyezést. Az újabb verziók a nyelvi modellekre épülő alkalmazások nyomon követését (tracing) és kiértékelését is támogatják. A csapatok így vissza tudják követni, melyik modell milyen adatokkal és beállításokkal készült.
A Model Context Protocol (MCP) egy nyílt szabvány, amely lehetővé teszi, hogy az MI-alkalmazások egységes módon férjenek hozzá külső eszközökhöz, adatforrásokhoz és szolgáltatásokhoz. Az MCP-szerver funkciókat biztosít, az MCP-kliens – például egy MI-asszisztens – pedig meghívhatja azokat. Az MCP-t az Anthropic 2024 novemberében mutatta be; 2025 decembere óta a Linux Foundation Agentic AI Foundation szervezete alatt fejlesztik (2026. októberi állapot szerint). Így nem kell minden integrációt külön megépíteni.
A modell értelmezhetősége azt írja le, mennyire értik meg az emberek, hogyan jut egy MI-modell az eredményeihez. Az egyszerű modellek, például a döntési fák, eleve könnyen olvashatók; az összetett neurális hálózatoknál az egyes jellemzők hatását feltáró technikák segíthetnek. Az értelmezhetőség fontos a hibakereséshez, a bizalomhoz és a szabályozási követelményekhez, például amikor egy hitelkérelem elutasítását indokolni kell.
A modelleltolódás a modell előrejelzési minőségének fokozatos romlása működés közben, mert a valóság a tanítóadatokhoz képest megváltozik. Megkülönböztetünk a bemeneti adatok változását (adateltolódás, data drift) és a bemenetek és az eredmények közötti összefüggés változását (koncepcióeltolódás, concept drift). Példa: egy csalásfelismerő modell nem veszi észre az új csalási módszereket. Ellenszer a mérőszámok folyamatos monitorozása és a rendszeres újratanítás.
A modelllánc azt jelenti, hogy több MI-modellt vagy MI-lépést kapcsolunk egymás után úgy, hogy az egyik lépés kimenete a következő bemenete lesz. Az összetett feladatok így jól kezelhető, egyenként ellenőrizhető és javítható részfeladatokra bonthatók. Példa: az egyik lépés összefoglal egy ügyfélmegkeresést, a második besorolja egy részlegbe, a harmadik megfogalmazza a választ.
A modellösszeomlás az a minőségromlás, amely akkor léphet fel, ha a generatív modelleket ismételten olyan adatokon tanítják, amelyeket maga is MI állított elő. A ritka tartalmak és a szélsőséges esetek fokozatosan elvesznek, a kimenetek egyformábbá és hibára hajlamosabbá válnak. A kérdés egyre fontosabb, mert az interneten nő az MI által generált szövegek és képek aránya. Gondosan válogatott, ember által készített adatok segítenek ellensúlyozni a jelenséget.
A modellrobusztusság azt írja le, mennyire megbízhatóan teljesít egy MI-modell, ha a bemenetek zajosak, hiányosak, szokatlanok vagy szándékosan manipuláltak. Egy robusztus modell ilyenkor is stabil eredményeket ad, például rossz fényviszonyok mellett végzett képfelismerésnél, vagy amikor egy nyelvi modell elírásokat kezel. A robusztusságot terheléses tesztekkel, változatos tanítóadatokkal és szándékos megtévesztési kísérletek elleni tesztekkel értékelik, és különösen fontos a biztonságkritikus alkalmazásokban.
A mondatátfogalmazó egyes mondatokat vagy rövid szakaszokat fogalmaz át a jelentés megváltoztatása nélkül. Egyszerűsíthet egy mondatot, formálisabbá vagy barátságosabbá teheti, rövidítheti, vagy elkerülheti az ismétlést. Ez hasznos például ügyfélválaszoknál, termékszövegeknél, vagy ha egy mondat nehézkesen olvasható. Az átfogalmazás után továbbra is fontos a gyors ellenőrzés, hogy a szakkifejezések, számok és állítások pontosak maradtak-e.
A Monte-Carlo-módszerek olyan számítási technikák, amelyek nagyon sok véletlen minta felhasználásával közelítik az analitikusan nehezen kiszámítható eredményeket. A rendszert több ezerszer szimulálják véletlenszerűen változtatott feltevésekkel, majd elemzik az eredmények eloszlását. A szervezetek kockázatelemzésre, projektütemezésre vagy portfólióértékelésre használják. Az MI-ben a módszereket többek között megerősítéses tanulásban és játékok fakeresésében alkalmazzák.
Összekapcsolt lépések sorozata, amely ismételten lefut, például „megkeresés osztályozása és megválaszolása”.
Az Apache MXNet egy nyílt forráskódú mélytanulási keretrendszer volt, amely hatékonyan tudott modelleket tanítani több GPU-n és gépen, Python, C++, R, Scala és más nyelvek felületeivel. Az Amazon Web Services néhány évig előnyben részesített keretrendszerként támogatta. Az Apache Software Foundation 2023 szeptemberében megszüntette a projektet, és 2024 februárjára áthelyezte az Apache Atticba; többé nem fejlesztik. A meglévő modelleket általában más keretrendszerekre telepítik át.
