Daugiau nei 350 terminų nuo A (agentas) iki Z (zero-shot) – aiškiai paaiškinta, su nuorodomis, kur padeda KI.ordo.
Į klientą orientuota rinkodara (ABM) rinkodarą ir pardavimus sutelkia į pasirinktą verslo klientų grupę, o ne į plačią auditoriją. Orkestravimas reiškia visų sąlyčio taškų koordinavimą: kuris pirkimo komiteto narys kokią žinutę gauna, kokiu kanalu ir kada. DI padeda sujungdamas informaciją apie tikslines įmones, rengdamas vaidmenims pritaikytų žinučių juodraščius ir planuodamas sekas per el. paštą, telefoną, renginius ir socialinius tinklus.
Adaptyvusis mokymasis – tai mokymosi programos, kurios nuolat prisitaiko prie besimokančiojo žinių, tempo ir klaidų. Programinė įranga analizuoja atsakymus ir tada parenka tinkamas užduotis, paaiškinimus ar kartojimą. Jis naudojamas mokyklose, universitetuose ir įmonių mokymuose, pavyzdžiui, kai platforma, neteisingai atsakius į užduotį, automatiškai pasiūlo lengvesnį tarpinį žingsnį. Mašininiame mokymesi šis terminas taip pat apibūdina modelius, kurie nuolat prisitaiko prie naujų duomenų.
„Agentinis“ apibūdina DI sistemas, kurios daro daugiau nei atsako į vieną klausimą: jos siekia tikslo per kelis žingsnius, planuoja, naudoja įrankius, pavyzdžiui, interneto paiešką ar API, tikrina tarpinius rezultatus ir sprendžia, ką daryti toliau. Pavyzdys – asistentas, kuris suskirsto užklausą į kategoriją, susiranda informaciją ir parengia atsakymo juodraštį. Būtinos aiškios ribos, žurnalai ir žmogaus patvirtinimas kritiniuose taškuose.
Aktyvacijos funkcijos nustato, kaip stipriai dirbtinio neuroninio tinklo neuronas perduoda savo signalą. Jos įveda netiesiškumą – tik tada tinklas gali atvaizduoti sudėtingus ryšius, pavyzdžiui, kalbą ar vaizdus. Įprasti pavyzdžiai – ReLU, kuri neigiamas reikšmes paverčia nuliu, sigmoidė tikimybėms nuo 0 iki 1 ir GELU, naudojama daugelyje transformerių modelių. Pasirinkimas turi įtakos mokymo greičiui ir stabilumui.
Algoritmų skaidrumas reiškia, kad galima suprasti, kaip automatizuota sistema pasiekia rezultatą: kokius duomenis ji naudoja, kokių taisyklių laikosi ir kur yra jos ribos. Tai stiprina pasitikėjimą, palengvina klaidų atsekimą ir vis dažniau tampa teisiniu reikalavimu, pavyzdžiui, dėl informavimo pareigų pagal BDAR ir ES dirbtinio intelekto aktą. Praktikoje padeda dokumentacija, šaltinių nuorodos, žurnalai ir aiškūs pranešimai paveiktiems asmenims.
AllenNLP – atvirojo kodo Python biblioteka natūraliosios kalbos apdorojimo tyrimams, kurią Allen dirbtinio intelekto institutas sukūrė PyTorch pagrindu. Ji teikė paruoštus komponentus ir modelius tokioms užduotims kaip teksto klasifikavimas, koreferencijos nustatymas ir atsakymas į klausimus. Nuo 2022 m. pabaigos AllenNLP nebėra aktyviai plėtojama ir yra palaikymo režime; jos prižiūrėtojai nurodo alternatyvas, pavyzdžiui, AI2 Tango, flair ar Hugging Face Transformers (2026 m. spalio duomenimis).
Amazon Kindle Direct Publishing (KDP) – Amazon platforma, kurioje autoriai patys leidžia e. knygas, knygas minkštais ir kietais viršeliais. Pavadinimai, aprašymai, raktiniai žodžiai ir kategorijos turi atitikti platformos taisykles. Kas DI pagalba kuria turinį – tekstą, viršelio vaizdus ar vertimus, – skelbdamas turi tai atskleisti Amazon; tik DI padedant atliktas darbas, pavyzdžiui, idėjų generavimas ar korektūra, yra išimtis (2026 m. spalio duomenimis). Prieš kiekvieną leidimą reikėtų patikrinti galiojančias gaires.
Amazon SageMaker – Amazon Web Services (AWS) debesijos paslauga mašininio mokymosi modeliams kurti, mokyti ir diegti. 2024 m. pabaigoje pradinė paslauga pervadinta į „Amazon SageMaker AI“; nuo tada „Amazon SageMaker“ reiškia platesnę duomenų, analitikos ir DI platformą su SageMaker Unified Studio sąsaja (2026 m. spalio duomenimis). Ją daugiausia naudoja duomenų mokslo komandos, kurių modeliai veikia AWS infrastruktūroje.
Anaconda – plačiai naudojamas Python ir R programavimo kalbų paskirstymas duomenų analizei ir mašininiam mokymuisi, kurį leidžia Anaconda Inc. Jis apima conda paketų tvarkyklę su iš anksto įdiegtomis bibliotekomis, pavyzdžiui, NumPy, pandas ir Jupyter, ir leidžia lengvai palaikyti atskiras aplinkas kiekvienam projektui. Organizacijoms, turinčioms daugiau kaip 200 darbuotojų, Anaconda Distribution ir jos numatytajam paketų kanalui reikia mokamos licencijos; pati conda ir bendruomenės kanalas conda-forge lieka nemokami (2026 m. spalio duomenimis).
Anyword – DI rašymo platforma rinkodaros tekstams, išaugusi iš 2013 m. įkurtos įmonės Keywee. Ji kuria trumpus tekstus, pavyzdžiui, reklamas, el. laiškų temas, antraštes ir produktų aprašymus, ir variantams suteikia prognozuojamą balą, rodantį, kaip gerai jie gali paveikti tikslinę auditoriją. Ji taip pat siūlo prekės ženklo tono nustatymus ir esamo turinio analizę (2026 m. spalio duomenimis). Tokios prognozės yra įverčiai ir nepakeičia testavimo realiomis sąlygomis.
Anomalijų aptikimas randa duomenų taškus, įvykius ar dėsningumus, kurie gerokai skiriasi nuo normos. Tai gali būti neįprastai didelės operacijos, staigūs jutiklių rodmenų šuoliai, pasikartojantys įrašai ar įtartina veikla tinkle. Jis naudojamas finansuose, IT saugume, gamyboje ir kokybės kontrolėje. Metodai svyruoja nuo paprastų statistinių ribų iki besimokančių modelių; radiniai yra požymiai, kuriuos turėtų įvertinti žmogus.
Antropomorfizmas – tai polinkis priskirti mašinoms žmogiškų savybių, pavyzdžiui, jausmų, ketinimų ar supratimo. Su pokalbių robotais tai vyksta natūraliai, nes jie rašo sklandžiai ir asmeniškai. Tai gali padaryti bendravimą malonesnį, tačiau kelia rizikų: žmonės gali per daug pasitikėti atsakymais ar atskleisti jautrią informaciją. Tam atsverti padeda aiškūs pranešimai, kad naudotojai bendrauja su DI, ir sąžiningi teiginiai apie jo ribas.
Slaptas kodas, leidžiantis kitoms programoms kreiptis į KI.ordo.
Apibendrinimo paklaida parodo, kiek DI modelis klysta su naujais, anksčiau nematytais duomenimis – priešingai nei jo paklaida mokymo duomenims. Didelis skirtumas tarp jų rodo persimokymą: modelis įsiminė pavyzdžius, užuot išmokęs bendrus dėsningumus. Ji vertinama naudojant atskirtus testinius duomenis arba kryžminį patvirtinimą. Tai tikrai svarbus rodiklis, nes praktikoje modelis beveik visada susiduria su naujais atvejais.
„Ar turėjote omenyje“ (angl. did you mean, DYM) – tai paieškos funkcija, siūlanti pataisytą užklausą, kai įvestis atrodo su klaida arba neįprasta. Ji remiasi žodžių panašumo matais, kalbos modeliais ir dažnų paieškų analize. Pavyzdys: internetinėje parduotuvėje įvedus „kavos aparatas“ su rašybos klaida, rodoma „Ar turėjote omenyje: kavos aparatas?“. Funkcija sumažina tuščių rezultatų puslapių skaičių ir taip pagerina paieškos patirtį.
Asociatyvioji atmintis išsaugotą informaciją pateikia pagal jos turinį, o ne pagal adresą: pakanka dalinės ar triukšmingos užuominos, kad būtų prisiminta atitinkama visuma – panašiai kaip pirmieji taktai primena visą dainą. Klasikinis pavyzdys DI tyrimuose yra Hopfield tinklai. Šis principas taip pat sutinkamas aparatinėje įrangoje (turiniu adresuojama atmintis) ir analizuojant šiuolaikinių kalbos modelių dėmesio mechanizmą.
Atitikties ataskaitų teikimas – reguliarus, atsekamas dokumentavimas, ar organizacija laikosi teisės aktų reikalavimų, standartų ir vidaus politikų. Įprastoje ataskaitoje nurodomas laikotarpis ir taikymo sritis, kiekvieno reikalavimo būsena, nukrypimai ir priemonės su atsakingais asmenimis bei terminais. Ji vadovybei, stebėtojų tarybai, auditoriams ar institucijoms tarnauja kaip įrodymas, pavyzdžiui, duomenų apsaugos ar informacijos saugumo srityje.
Atkūrimas (angl. recall, dar vadinamas jautrumu ar tikrųjų teigiamų atvejų dažniu) parodo, kokią tikrųjų teigiamų atvejų dalį modelis aptinka: teisingai atpažinti teigiami atvejai, padalyti iš visų tikrų teigiamų atvejų. Jei sukčiavimo filtras pagauna 80 iš 100 tikrų sukčiavimo atvejų, jo atkūrimas yra 0,8. Didelis atkūrimas svarbus, kai praleisti atvejai brangiai kainuoja, pavyzdžiui, medicininėje diagnostikoje. Kadangi jis nepaiso klaidingų aliarmų, paprastai vertinamas kartu su tikslumu (precision), pavyzdžiui, F rodiklyje.
Atsakymai į klausimus (angl. question answering, QA) – tai natūraliosios kalbos apdorojimo sritis, kurioje sistema tiesiogiai atsako į kasdiene kalba pateiktus klausimus, užuot grąžinusi paieškos rezultatų sąrašą. Šiuolaikinės sistemos žinių bazėje ieško aktualių ištraukų ir iš jų sudaro atsakymą, geriausia su šaltinio nuoroda. Tipinis naudojimas: klientų aptarnavimas, vidinės žinių bazės ir vadovai – pavyzdžiui, darbuotojų vadovo paklausiama „Kiek atostogų dienų gaunu pirmaisiais metais?“
Lentelė, kurioje kiekvienai užduočiai nustatoma, kas yra vykdytojas (R), atskaitingas (A), konsultuojamas (C) ir informuojamas (I). Dar vadinama RACI.
Atsitiktinio miško regresija prognozuoja skaitines reikšmes sujungdama daugybę sprendimų medžių. Kiekvienas medis mokomas pagal atsitiktinę duomenų imtį ir atsitiktinai parinktus požymius; rezultatas yra visų medžių prognozių vidurkis. Dėl to metodas atsparesnis ir mažiau linkęs į persimokymą nei pavienis medis. Jis naudojamas, pavyzdžiui, pardavimų prognozėms, kainų vertinimui ar energijos poreikiui – dažnai kaip tvirtas atspirties taškas lentelių duomenims.
Automatinis klasifikavimas priskiria tekstus, dokumentus ar įrašus iš anksto apibrėžtoms kategorijoms be rankinio rūšiavimo. Tradiciškai modeliai to išmoksta iš pažymėtų pavyzdžių; didieji kalbos modeliai kategorijas gali priskirti ir vien pagal aprašymą. Įprasti naudojimo atvejai – gaunamų el. laiškų rūšiavimas pagal užklausos tipą, kvitų priskyrimas ar skubių pagalbos bilietų žymėjimas. Svarbiais atvejais patartina atlikti atsitiktines žmonių patikras.
Autonominės transporto priemonės visiškai ar iš dalies juda be žmogaus įsikišimo, naudodamos kameras, radarus, lidarus ir DI programinę įrangą. Standartas SAE J3016 apibrėžia šešis lygius – nuo 0 (jokios automatizacijos) iki 5 (visiškai be vairuotojo visur). DI atlieka aplinkos suvokimą, kitų eismo dalyvių elgesio prognozavimą ir maršruto planavimą. Be automobilių, tai apima robotaksi, sunkvežimius, autobusiukus ir sandėlių transporto priemones; leidimai ir atsakomybė reglamentuojami kiekvienoje šalyje atskirai.
B2B duomenų papildymas papildo esamus įmonių įrašus – pavyzdžiui, CRM sistemoje – tokia informacija kaip sektorius, pasiūla, vieta, įmonės dydis ar svetainė. Tai palengvina segmentavimą, potencialių klientų vertinimą ir tikslingą pardavimų veiklą. Šaltiniai – viešos svetainės, registrai ir specializuoti duomenų teikėjai. Kontaktinių asmenų asmens duomenims taikomas BDAR, juos reikėtų tvarkyti saikingai ir tik turint teisinį pagrindą.
Atgalinis sklidimas (backpropagation) – standartinis metodas, kuriuo mokosi neuroniniai tinklai. Po kiekvienos prognozės išmatuojama klaida ir ji skleidžiama atgal per tinklo sluoksnius, parodant, kiek kiekvienas svoris prie jos prisidėjo. Tada optimizavimo metodas, pavyzdžiui, gradientinis nusileidimas, žingsnis po žingsnio koreguoja svorius. Be atgalinio sklidimo šiandieninių kalbos ir vaizdų modelių mokymas būtų praktiškai neįmanomas.
Bagging (sutrumpinimas nuo bootstrap aggregating) – mašininio mokymosi ansamblio metodas: daug modelių mokoma atsitiktinai atrinktomis mokymo duomenų imtimis, o jų prognozės suvidurkinamos arba sujungiamos daugumos balsavimu. Taip rezultatai tampa stabilesni ir mažėja permokymas. Žinomiausias pavyzdys – atsitiktinis miškas, sujungiantis daug sprendimų medžių, pavyzdžiui, klientų nutekėjimui ar kainoms prognozuoti.
Bajeso tinklai – grafiniai modeliai, kurie kintamuosius vaizduoja kaip mazgus, o jų tikimybines priklausomybes – kaip kryptines rodykles. Naudodami Bajeso teoremą jie parodo, kaip nauji stebėjimai keičia kitų įvykių tikimybę. Vienas pavyzdžių – diagnostikos pagalba: pagal pastebėtus simptomus įvertinama labiausiai tikėtina priežastis. Jų stiprybės – skaidrumas ir gebėjimas dirbti su neapibrėžtais ar neišsamiais duomenimis.
Bazinis modelis (angl. foundation model) – tai didelis DI modelis, iš anksto apmokytas labai plačiais, įvairiais duomenimis, kurį vėliau galima naudoti daugeliui skirtingų užduočių. Terminą 2021 m. sukūrė Stanfordo universitetas. Gerai žinomi pavyzdžiai yra dideli kalbos modeliai, tokie kaip „Claude“ ar GPT, taip pat vaizdų modeliai. Įmonės savo taikomąsias programas paprastai kuria remdamosi tokiais modeliais, o ne apmoko savo nuo nulio; ES dirbtinio intelekto akte kalbama apie bendrosios paskirties DI modelius.
DI srityje lyginamasis testavimas (benchmarking) reiškia sistemingą modelių ar sistemų palyginimą naudojant apibrėžtas užduotis ir kriterijus. Vieši lyginamieji testai matuoja, pavyzdžiui, bendrąsias žinias, samprotavimą ar programavimo gebėjimus; tačiau praktiniam naudojimui svarbiausi yra testiniai atvejai iš jūsų kasdienio darbo. Įprasti kriterijai – tikslumas, išsamumas, atsakymo laikas ir kaina. Tai padeda nuspręsti, ar mažesnio, pigesnio modelio užduočiai pakanka.
Bendrasis dirbtinis intelektas (angl. artificial general intelligence, AGI) reiškia hipotetinę DI sistemą, galinčią žmogaus lygiu atlikti plačią intelektinių užduočių įvairovę ir lanksčiai perkelti išmoktus dalykus į naujas sritis. Šiandieninės sistemos gerai atlieka daugelį užduočių, bet vis dar turi apribojimų, pavyzdžiui, patikimumo srityje. Nėra visuotinai priimto apibrėžimo ar matavimo būdo, o ar ir kada AGI bus pasiektas, ekspertai ginčijasi.
BERT (Bidirectional Encoder Representations from Transformers) – 2018 m. Google pristatytas kalbos modelis. Skirtingai nei ankstesni modeliai, jis vienu metu atsižvelgia į kontekstą žodžio kairėje ir dešinėje, todėl lengviau išsprendžia daugiaprasmiškumą. BERT skirtas tekstui suprasti, o ne ilgesniems tekstams rašyti. Jis naudojamas paieškai, teksto klasifikavimui, įvardytųjų esybių atpažinimui ir atsakymams į klausimus bei padarė įtaką daugeliui vėlesnių modelių.
DI srityje šališkumas reiškia sistemingą rezultatų iškraipymą. Jis dažnai kyla dėl nesubalansuotų ar istoriškai iškreiptų mokymo duomenų, bet taip pat dėl modelio sandaros ar klausimo formulavimo. Gerai žinomas pavyzdys: kandidatų atrankos įrankis, besimokantis iš ankstesnių įdarbinimo sprendimų, gali įtvirtinti esamą diskriminaciją. Statistikoje šališkumas taip pat reiškia įverčio nuokrypį nuo tikrosios reikšmės. Atsakomosios priemonės – įvairūs duomenys, reguliarūs auditai ir žmonių priimami sprendimai personalo klausimais.
BigML – to paties pavadinimo įmonės mašininio mokymosi platforma; įmonė įkurta 2011 m., jos būstinė – Corvallis mieste, Oregone (JAV). Per žiniatinklio sąsają arba API naudotojai gali kurti modelius, pavyzdžiui, sprendimų medžius, ansamblius, klasterizavimą ar anomalijų aptikimą, beveik nerašydami kodo. Ji akcentuoja interpretuojamus modelius ir automatizuojamas darbo eigas. Ji siūloma kaip debesijos paslauga ir diegimui savo duomenų centre (2026 m. spalio duomenimis).
BLEU balas (Bilingual Evaluation Understudy) – 2002 m. IBM sukurtas rodiklis mašininiams vertimams automatiškai vertinti. Jis matuoja, kiek vertimo žodžių sekų yra ir viename ar keliuose žmogaus atliktuose etaloniniuose vertimuose, ir pateikia reikšmę nuo 0 iki 1 (dažnai rodomą kaip 0–100). BLEU yra greitas ir palyginamas, tačiau prastai atspindi prasmę ir stilių – geros perfrazės gali gauti žemą balą.
BMXNet – atvirojo kodo biblioteka dvejetainiams neuroniniams tinklams, kurią 2017 m. išleido Hasso Plattnerio institutas Potsdame, sukurta Apache MXNet sistemos pagrindu. Dvejetainiai tinklai svorius ir aktyvacijas saugo vienu bitu vietoj 32, todėl modeliai tampa daug mažesni ir greitesni – patrauklu išmaniesiems telefonams ir įterptiniams įrenginiams, nors paprastai šiek tiek nukenčia tikslumas. Kadangi MXNet nutraukta 2023 m., BMXNet šiandien daugiausia įdomi tyrimams (2026 m. spalio duomenimis).
Boosting – mašininio mokymosi ansamblio metodas, kai daug paprastų modelių mokoma vienas po kito, o kiekvienas naujas modelis sutelkia dėmesį į atvejus, kuriuose suklydo ankstesni. Kartu jie sudaro daug tikslesnį bendrą modelį. Žinomi variantai – AdaBoost ir gradientinis boosting, su bibliotekomis, pavyzdžiui, XGBoost ar LightGBM. Boosting ypač stiprus dirbant su lenteliniais duomenimis, pavyzdžiui, kredito rizikos, pardavimų ar klientų nutekėjimo prognozėse.
Botpress – pokalbių robotų ir DI agentų kūrimo platforma, kurią sukūrė to paties pavadinimo Kanados įmonė, įsikūrusi Monrealyje. Vizualioje darbo erdvėje naudotojai gali kurti pokalbių eigas, prijungti žinių šaltinius ir per integracijas susieti agentus su kanalais, pavyzdžiui, svetainėmis ar pokalbių programėlėmis; apmokestinama pagal naudojimą. Anksčiau atvirojo kodo, savo serveryje diegiama 12 versija nutraukta – nauji projektai veikia Botpress Cloud (2026 m. spalio duomenimis).
Naudodami briaunų paiešką, naudotojai palaipsniui susiaurina rezultatus filtrais, sudarytais iš turinio požymių – pavyzdžiui, kategorijos, kainos, prekių ženklo, datos ar autoriaus. Kiekviena briauna paprastai rodo, kiek rezultatų liko. Šis metodas žinomas iš internetinių parduotuvių, bet taip pat naudojamas bibliotekose, intranetuose ir dokumentų archyvuose, kad dideli rinkiniai taptų valdomi be tikslių paieškos terminų.
Caffe (Convolutional Architecture for Fast Feature Embedding) – atvirojo kodo giliojo mokymosi sistema, kurią Kalifornijos universitete Berklyje sukūrė Yangqing Jia ir kuri išleista 2013 m. Ji buvo populiari daugiausia vaizdų atpažinimui su konvoliuciniais neuroniniais tinklais, nes veikė greitai, o modeliai buvo apibrėžiami konfigūracijos failuose. Paskutinė versija 1.0 pasirodė 2017 m.; jos įpėdinė Caffe2 2018 m. sujungta su PyTorch. Naujiems projektams Caffe šiandien naudojama retai.
Chainer – atvirojo kodo giliojo mokymosi sistema Python kalbai, kurią sukūrė Japonijos įmonė Preferred Networks. Ji išpopuliarino „define-by-run“ metodą, kai neuroninis tinklas kuriamas vykstant skaičiavimui, todėl lengviau eksperimentuoti su lanksčiomis modelių struktūromis. Nuo 2019 m. gruodžio Chainer tik prižiūrima, bet nebeplėtojama; Preferred Networks perėjo prie PyTorch, kuri laikosi to paties principo.
Pokalbių robotas – programa, kuri gauna klausimus tekstu ar balsu ir atsako į juos dialogu. Paprasti pokalbių robotai laikosi fiksuotų taisyklių ir sprendimų medžių, o šiuolaikiniai naudoja didžiuosius kalbos modelius ir supranta laisvai suformuluotas užklausas. Įprasti naudojimo atvejai – klientų aptarnavimas, vidinės pagalbos tarnybos ir susitikimų užklausos, pavyzdžiui, svetainės pokalbių langas, visą parą atsakantis į klausimus apie pristatymo terminus.
ChatGPT – JAV įmonės OpenAI DI asistentas, išleistas 2022 m. lapkritį, kuris generatyvinį DI atnešė plačiajai auditorijai. Jis grindžiamas GPT serijos didžiaisiais kalbos modeliais ir atsako į klausimus, rašo bei redaguoja tekstus, apibendrina dokumentus ir padeda programuoti. ChatGPT prieinamas naršyklėje ir kaip programėlė, nemokama ir mokamomis versijomis, taip pat komandoms ir įmonėms skirtomis versijomis.
Nuoroda atsakyme, rodanti, iš kurios žinių dalies jis paimtas.
Claude – JAV DI įmonės Anthropic didžiųjų kalbos modelių šeima. Modeliai supranta ir rašo tekstą daugeliu kalbų, analizuoja dokumentus, rašo kodą ir gali naudoti įrankius, pavyzdžiui, paieškai ar automatizavimui. Geriausiai žinomos modelių šeimos – Haiku, Sonnet ir Opus, kurios skiriasi greičiu, kaina ir gebėjimais. Anthropic ypač daug dėmesio skiria saugumui ir patikimam modelių elgesiui.
Claude Haiku – greičiausia ir pigiausia iš trijų Anthropic Claude modelių šeimų, šalia Sonnet ir Opus. Ji tinka didelės apimties užduotims, kurioms reikia trumpo atsakymo laiko, pavyzdžiui, el. laiškams rūšiuoti, duomenims iš tekstų išskirti ar užklausoms nukreipti į tinkamą vietą. Dabartinė karta – Claude Haiku 5.5 (2026 m. spalio duomenimis).
Claude Opus – pajėgiausia iš trijų Anthropic Claude modelių šeimų: Haiku, Sonnet ir Opus. Ji skirta sudėtingoms užduotims, kurioms reikia daugiapakopio samprotavimo, pavyzdžiui, sudėtingoms analizėms, dideliems programavimo projektams ar agentams, ilgiau dirbantiems savarankiškai. Užtat ji lėtesnė ir brangesnė nei mažesnės šeimos. Dabartinė versija – Claude Opus 5.5 (2026 m. spalio duomenimis).
Claude Sonnet – vidurinė iš trijų Anthropic Claude modelių šeimų, derinanti didelius gebėjimus su trumpu atsakymo laiku ir vidutine kaina. Ji tinka įvairioms kasdienėms verslo užduotims: tekstų juodraščiams rengti, dokumentams analizuoti, į žinių klausimus atsakyti ar kodui rašyti. Anthropic reguliariai išleidžia naujas versijas; dabartinė – Claude Sonnet 5.5 (2026 m. spalio duomenimis).
Clearbit – B2B duomenų papildymo paslauga: pagal el. pašto adresą ar domeną ji prideda tokias detales kaip sektorius, įmonės dydis ar vieta. Pardavimų ir rinkodaros komandos tokius duomenis naudoja potencialiems klientams vertinti, formoms sutrumpinti ir svetainės apsilankymams susieti su įmonėmis. 2023 m. Clearbit įsigijo HubSpot; jos funkcijos dabar siūlomos kaip Breeze Intelligence HubSpot sistemoje (2026 m. spalio duomenimis).
Klasterizavimas – neprižiūrimojo mokymosi metodas, kuris duomenų taškus suskirsto į grupes pagal panašumą be iš anksto apibrėžtų kategorijų. Jis atskleidžia dėsningumus, kurių niekas anksčiau nebuvo įvardijęs, pavyzdžiui, panašaus pirkimo elgesio klientų segmentus. Dirbant su tekstais klasterizavimas padeda šimtus klientų užklausų suskirstyti į temas, pavyzdžiui, pristatymas, sąskaitos ar skundai, ir parodo, kur sutelktas dėmesys.
„Copy.ai“ yra JAV įsikūrusi DI platforma, pradėjusi kaip rinkodaros tekstų, pavyzdžiui, skelbimų, el. laiškų ar produktų aprašymų, generatorius. Vėliau dėmesys perkeltas į automatizuotas pardavimų ir rinkodaros darbo eigas, kurias įmonė vadina „GTM AI“. 2025 m. spalį „Copy.ai“ įsigijo pajamų operacijų paslaugų teikėjas „Fullcast“ (2026 m. spalio mėn. duomenimis).
„Copilot“ yra prekės ženklas, kuriuo „Microsoft“ vienija savo DI asistentus. Jam priklauso bendrasis asistentas internetui ir „Windows“, „Microsoft 365 Copilot“, skirtas darbui „Word“, „Excel“, „Outlook“ ar „Teams“ programose, ir „Copilot Studio“ nuosavų agentų kūrimui; „GitHub Copilot“ padeda programuoti. Asistentai grindžiami dideliais kalbos modeliais ir, priklausomai nuo varianto, gali pasiekti organizacijos duomenis „Microsoft 365“ aplinkoje (2026 m. spalio mėn. duomenimis).
„Copysmith“ yra JAV DI įrankių teikėjas, išgarsėjęs rinkodaros ir e. prekybos tekstų, pavyzdžiui, produktų aprašymų ir skelbimų, generatoriumi. 2022 m. „Copysmith“ įsigijo rašymo ir SEO įrankius „Rytr“ ir „Frase“. Šiandien bendrovė veikia kaip kelių produktų, tarp jų internetinės prekybos produktų tekstams skirto „Describely“, bendras stogas (2026 m. spalio mėn. duomenimis).
„CrewAI“ yra atvirojo kodo „Python“ karkasas, skirtas kelis DI agentus sujungti į komandą („crew“). Kiekvienam agentui suteikiamas vaidmuo, tikslas ir tinkami įrankiai; užduotys paskirstomos, o rezultatai perduodami toliau. Be to, „flows“ suteikia griežtai valdomas, įvykiais grindžiamas darbo eigas. Pavyzdžiui, tyrimų agentas surenka informaciją, o rašymo agentas paverčia ją ataskaita.
„DALL-E“ yra „OpenAI“ vaizdų generavimo modelių serija, kuri kuria vaizdus pagal tekstinius aprašymus. Pirmoji versija pasirodė 2021 m.; 2023 m. „DALL-E 3“ buvo integruotas į „ChatGPT“ ir paskatino teksto paverčimą vaizdu tapti prieinamu plačiajai auditorijai. Vėliau „OpenAI“ pakeitė „DALL-E“ naujesniais „GPT Image“ serijos vaizdų modeliais; prieiga prie „DALL-E 2“ ir „DALL-E 3“ per API baigėsi 2026 m. gegužę (2026 m. spalio mėn. duomenimis).
„Dash“ yra atvirojo kodo karkasas iš bendrovės „Plotly“, skirtas kurti interaktyvias duomenų analizės žiniatinklio programas „Python“ kalba, patiems nerašant „JavaScript“. Diagramos, filtrai ir slankikliai tiesiogiai susiejami su „Python“ kodu. Tipiniai pavyzdžiai yra skydeliai, kuriuose verslo komandos filtruoja pardavimus pagal regioną arba su savo reikšmėmis išbando mašininio mokymosi modelio prognozes.
„DataRobot“ yra JAV programinės įrangos bendrovė, kurios platforma padeda organizacijoms kurti, eksploatuoti ir stebėti DI taikomąsias programas. Išgarsėjo automatizuotu mašininiu mokymusi (AutoML), kuris automatiškai apmoko ir palygina daugybę modelių variantų – pavyzdžiui, klientų nutekėjimui ar paklausai prognozuoti. Šiandien bendrovė daug dėmesio skiria ir DI agentų paleidimui bei valdymui (2026 m. spalio mėn. duomenimis).
Daugiapakopis samprotavimas – tai DI sistemos gebėjimas atsakyti į klausimą atliekant kelias iš eilės einančias išvadas, dažnai sujungiant informaciją iš skirtingų šaltinių. Pavyzdys: klausimui „Kuriam skyriui vadovauja už projektą X atsakingas asmuo?“ pirmiausia reikia nustatyti atsakingą asmenį, o paskui jo skyrių. Tokie klausimai sudėtingi paieškos ir RAG sistemoms, nes kiekvienas tarpinis žingsnis turi būti rastas ir teisingai susietas.
Giluminė klastotė (angl. deepfake) – tai DI sukurtas ar pakeistas vaizdas, vaizdo ar garso įrašas, įtikinamai rodantis tikrus žmones sakant ar darant tai, kas niekada neįvyko. Be teisėto naudojimo kine ar dubliavime, tokios klastotės naudojamos dezinformacijai, reputacijos žalojimui ir sukčiavimui – pavyzdžiui, netikriems skambučiams tariamo vadovo vardu, prašant pervesti pinigų. Apsauga apima atgalinius skambučius žinomais kanalais, aiškius patvirtinimo procesus ir DI sukurto turinio žymėjimą.
Dėsningumų atpažinimas – tai automatinis dėsningumų, struktūrų ar pasikartojančių požymių nustatymas duomenyse, pavyzdžiui, vaizduose, garsuose, tekstuose ar matavimuose. Sistemos priskiria naujus stebėjimus žinomoms kategorijoms arba randa grupes be iš anksto nustatytų žymų. Taikymo sritys: veido atpažinimas, rašysenos atpažinimas, gamybos kokybės kontrolė ir neįprastų sandorių aptikimas. Ši disciplina yra svarbus mašininio mokymosi pagrindas.
Deterministinis modelis to paties įvesties atveju visada pateikia tą patį rezultatą, nes remiasi pastoviomis taisyklėmis ar formulėmis ir jame nėra atsitiktinumo – pavyzdžiui, taisyklė „5 % nuolaida užsakymams virš 100 €“. Dideli kalbos modeliai, priešingai, veikia tikimybiniu principu: jų atsakymai į tą patį klausimą gali skirtis. Praktikoje abu dažnai derinami, siekiant suderinti lankstumą su atsekamumu.
Skaitymo gebėjimų vertinimas (angl. Developmental Reading Assessment, DRA) – tai Jungtinėse Valstijose plačiai naudojama procedūra, kuria mokytojai nustato vaikų nuo darželio iki 8 klasės skaitymo lygį; ją leidžia „Pearson“. Vaikai garsiai skaito lygiuotus tekstus ir atsako į klausimus apie juos, o vertinime atsižvelgiama į tokius aspektus kaip sklandumas ir supratimas. Rezultatas – skaitymo lygis, pagal kurį parenkamos tinkamos knygos ir pagalbos priemonės.
DI modelis su nustatytais nurodymais ir prieiga prie pasirinktų žinių, atliekantis konkrečią užduotį.
DI automatizavimo sistema sujungia tradicinį procesų automatizavimą su DI galimybėmis, tokiomis kaip teksto supratimas, klasifikavimas ar sprendimų parama. Tai leidžia automatizuoti ir darbo eigas su nestruktūrizuotais įvesties duomenimis, pavyzdžiui, el. laiškais, formomis ar užklausomis. Tipinė schema – grandinė iš paleidiklio, apdorojimo žingsnių, sąlygų ir išvesties, kritiniuose taškuose reikalaujant žmogaus patvirtinimo. Pavyzdys: gaunamos užklausos automatiškai suskirstomos į kategorijas, apibendrinamos ir persiunčiamos reikiamam skyriui.
DI diegimo lygis parodo, kokia įmonių, darbuotojų ar namų ūkių dalis naudoja DI, ir yra technologijos paplitimo matas. Pasak Vokietijos federalinės statistikos tarnybos (Destatis), 2024 m. DI naudojo 20 % Vokietijos įmonių, turinčių dešimt ar daugiau darbuotojų (2023 m.: 12 %). Skaitmeninė asociacija „Bitkom“ nustatė 36 % dalį 2025 m. tarp įmonių, turinčių 20 ar daugiau darbuotojų. Dėl skirtingų apibrėžimų ir imčių tyrimai tik iš dalies palyginami.
DI duomenų analitikas – tai DI sistema ar asistentas, analizuojantis duomenis, tokius kaip skaičiuoklės, eksportai ar rodikliai, ir rezultatus paaiškinantis aiškia kalba. Jis skaičiuoja sumas ir pokyčius, nustato tendencijas bei anomalijas ir siūlo tolesnius žingsnius. Taip verslo komandos be statistikos išmanymo greičiau gauna atsakymus. Tačiau kalbos modeliai gali suklysti skaičiuodami, todėl skaičius reikėtų dar kartą patikrinti. Pavyzdys: mėnesio pardavimai įklijuojami kaip CSV ir pakomentuojami.
DI etika nagrinėja moralinius klausimus, susijusius su DI kūrimu ir naudojimu: sąžiningumą ir diskriminaciją, skaidrumą ir paaiškinamumą, duomenų apsaugą, atsakomybę už klaidas, saugą ir poveikį darbui bei visuomenei. Organizacijoms tai konkretizuojasi gairėse, rizikos vertinimuose, žmogaus vykdomoje priežiūroje ir sąžiningame bendravime apie DI ribas. Pavyzdys: prieš įdiegiant gyvenimo aprašymų atrankos įrankį patikrinama, ar jis nenuvertina tam tikrų grupių.
DI gamyboje apima taikymus gamyboje ir pramonėje, pavyzdžiui, prognozuojamąją priežiūrą pagal jutiklių duomenis, automatizuotą kokybės kontrolę kameromis, proceso parametrų ir gamybos planavimo optimizavimą bei robotus, dirbančius greta žmonių. Tikslai: mažiau gedimų, mažiau broko ir stabilesnė veikla. Tam reikia patikimų mašinų duomenų ir gamybos cecho ekspertų įtraukimo. Pavyzdys: sistema pagal vibracijos dėsningumus atpažįsta, kad guolis netrukus gali sugesti.
Šis terminas apibūdina, kaip DI sistemos gali paveikti žmogaus teises, tokias kaip privatumas, vienodas požiūris, saviraiškos laisvė ar teisingas procesas, tiek teigiamai, tiek neigiamai. Rizika kyla, pavyzdžiui, dėl diskriminacinių sprendimų, masinio sekimo, biometrinio atpažinimo ar galimybių ginčyti sprendimus stokos. Šiuos klausimus sprendžia tarptautinės sistemos, tokios kaip Europos Tarybos pagrindų konvencija dėl DI, ir ES dirbtinio intelekto aktas. Organizacijos reaguoja poveikio vertinimais, skaidrumu ir žmogaus vykdoma priežiūra.
DI kibernetiniame saugume turi dvi puses. Viena vertus, DI metodai padeda greičiau aptikti atakas, pavyzdžiui, pastebint tinklo srauto anomalijas, įtartinus prisijungimus ar sukčiavimo el. laiškus, ir palengvina saugumo komandų darbą rūšiuojant įspėjimus. Kita vertus, pačias DI sistemas reikia saugoti, pavyzdžiui, nuo užklausos injekcijos ar duomenų nutekėjimo. DI čia veiksmingas tik kartu su aiškiais procesais, atnaujintomis sistemomis ir apmokytais žmonėmis.
DI kokybės užtikrinimo specialistas tikrina, ar DI taikomosios programos veikia patikimai, teisingai ir tinkamai. Šis vaidmuo apima testinius klausimus ir etalonus, skirtingų modelių palyginimą, naudotojų įvertinimų analizę bei haliucinacijų ir laikui bėgant atsirandančio kokybės blogėjimo pastebėjimą. Pavyzdžiui, prieš pereinant prie naujo modelio, 50 tipinių klientų užklausų atsako abu modeliai ir jie palyginami pagal nustatytus kriterijus.
DI konsultantas padeda organizacijoms prasmingai ir atsakingai naudoti DI. Tipinės užduotys: potencialo vertinimas, tinkamų panaudojimo atvejų ir įrankių parinkimas, jų įtraukimas į esamus procesus ir atsakomybes, duomenų apsaugos ir atitikties klausimai bei mokymai. Gera konsultacija blaiviai sveria naudą ir riziką ir atsižvelgia į žmones, dirbančius su sistemomis. Pavyzdys: vidutinė įmonė išsiaiškina, kurias klientų užklausas galima patikimai automatizuoti.
Srauto blokas, priskiriantis tekstą vienai iš kelių kategorijų ir atitinkamai išsišakojantis.
DI mažmeninėje prekyboje apima taikymus visoje mažmeninės prekybos grandinėje: pardavimų prognozavimą ir atsargų planavimą, personalizuotas produktų rekomendacijas, dinaminį kainodarą, sukčiavimo aptikimą internetinėse parduotuvėse ir klientų aptarnavimą pokalbių langu. Mažmenininkai gali sumažinti atsargų perteklių ir trūkumus bei greičiau atsakyti į užklausas. Tam reikia švarių duomenų ir atsargaus elgesio su klientų informacija. Pavyzdys: pokalbių asistentas visą parą atsako į klausimus apie pristatymo laiką ir grąžinimą.
„Flux“ yra DI modelių šeima, generuojanti ir redaguojanti vaizdus pagal tekstinius aprašymus. Ją kuria Vokietijos Freiburgo mieste įsikūrusi bendrovė „Black Forest Labs“. Pirmoji karta pasirodė 2024 m. rugpjūtį, o FLUX.2 – 2025 m. lapkritį, kartu su variantais vaizdams redaguoti pagal tekstinį nurodymą. Kai kurios versijos prieinamos su atvirais svoriais, iš dalies tik nekomerciniam naudojimui, o kitos siūlomos tik per API (2026 m. spalio mėn. duomenimis).
Tikslumas apibūdina, kaip dažnai DI modelis pateikia teisingus rezultatus; stabilumas – kaip patikimai ši kokybė išlieka – esant šiek tiek pakeistiems įvesties duomenims, naujiems duomenims ar laikui bėgant. Modelis gali būti labai tikslus per testus, bet nestabilus, jei vien perfrazavus klausimą pateikiamas kitas atsakymas. Realiam naudojimui abi savybės tikrinamos pastoviais testiniais atvejais, kryžminiu patvirtinimu ir nuolatine stebėsena.
DI padedamas turinio kūrimas reiškia teksto, vaizdų ar kito turinio kūrimą naudojant generatyvinį DI, pavyzdžiui, svetainėms, naujienlaiškiams, produktų aprašymams ar socialiniams tinklams. DI greitai pateikia juodraščius, variantus ir vertimus, o dalykinė kompetencija, prekės ženklo balsas ir faktų tikrinimas lieka žmonių užduotimi. Padeda aiškios nuorodos apie auditoriją, toną ir šaltinius. Pavyzdys: punktai apie naują pasiūlymą tampa tinklaraščio įrašo juodraščiu ir trimis socialinių tinklų įrašais.
DI pagrįsta grįžtamoji informacija mokiniams – tai DI sistemos pagal apibrėžtus kriterijus sugeneruoti komentarai apie rašinius, užduotis ar projektus. Besimokantieji greičiau gauna pastabų apie stipriąsias puses, struktūrą, argumentaciją ar kalbą, o mokytojai atleidžiami nuo pasikartojančio taisymo. Vertinimas turėtų būti skaidrus ir grįstas kriterijais; pažymiai ir sprendimai dėl pasiekimų lieka mokytojų atsakomybė. Pavyzdys: rašinio juodraštis prieš pateikiant gauna patobulinimo pasiūlymų.
DI pagrįsta rinkodara naudoja DI metodus, kad geriau suprastų tikslines grupes, kurtų turinį ir valdytų kampanijas. Tipiniai taikymai: segmentavimas, personalizuoti pranešimai, pirkimo tikimybės prognozės, klientų atsiliepimų analizė ir reklamos optimizavimas. Ji remiasi teisėtai surinktais duomenimis ir aiškiais tikslais, o rezultatus reikėtų patikrinti testais. Pavyzdys: internetinis mažmenininkas siunčia naujienlaiškius su produktų rekomendacijomis, atitinkančiomis ankstesnį pirkimo elgesį.
DI paieška reiškia paieškos metodus, kurie naudoja DI užklausos tikslui suprasti, rezultatams sverti ir dažnai sugeneruoti apibendrintą atsakymą su šaltiniais, o ne paprastą nuorodų sąrašą. Techniškai jie naudoja raktažodžių paiešką, vektorinę paiešką pagal įterptis arba jų derinį, dažnai su paskesniu kalbos modeliu. Pavyzdžiai: atsakymų varikliai internete ir vidinė žinių paieška, padedanti darbuotojams rasti, ko jiems reikia, vadovuose ir politikose.
DI partnerystė – tai organizacijų bendradarbiavimas siekiant kartu kurti, diegti ar atsakingai formuoti DI sprendimus, pavyzdžiui, tarp įmonių ir technologijų teikėjų, universitetų ar mokslo institutų. Partneriai dalijasi kompetencija, duomenimis, infrastruktūra ar išlaidomis. Būtini aiškūs susitarimai dėl duomenų naudojimo, intelektinės nuosavybės, atsakomybės ir pasitraukimo galimybių. Terminas taip pat žymi iniciatyvas, tokias kaip „Partnership on AI“, 2016 m. įkurta ne pelno organizacija.
DI pramogų srityje reiškia DI naudojimą kine, muzikoje, žaidimuose, srautiniame transliavime ir žiniasklaidoje. Tipiniai taikymai: rekomendacijų sistemos, siūlančios turinį pagal skonį, pagalba montuojant, kuriant vizualiuosius efektus ir dubliuojant, sugeneruoti žaidimų pasauliai ar veikėjai, muzikos ir vaizdų generavimas. Kartu kyla klausimų dėl autorių teisių, atlikėjų sutikimo ir giluminių klastočių. Pavyzdys: srautinio transliavimo platforma pritaiko pradinį ekraną kiekvienam profiliui.
DI priežiūros institucijos yra valstybės įstaigos, kontroliuojančios DI taisyklių laikymąsi. ES lygmeniu Europos Komisijos DI biuras koordinuoja DI akto įgyvendinimą ir prižiūri bendrosios paskirties DI modelius. Vokietijoje įgyvendinimo aktas KI-MIG (galioja nuo 2026 m. liepos 29 d.) centrine rinkos priežiūros institucija paskiria Federalinę tinklų agentūrą (Bundesnetzagentur), o sektorių reguliuotojai, tokie kaip BaFin, lieka atsakingi. Pagal Skaitmeninį omnibusą didelės rizikos įpareigojimai taikomi tik nuo 2027 m. gruodžio arba 2028 m. rugpjūčio (2026 m. spalio mėn. duomenimis; ne teisinė konsultacija).
DI projektų valdymas moksliniuose tyrimuose ir eksperimentinėje plėtroje (MTEP) apima du dalykus: projektų, kuriuose kuriamas DI, vadovavimą ir DI naudojimą MTEP projektams remti. Tipinės užduotys: literatūros apibendrinimas, eksperimentų planų struktūrizavimas, etapų sekimas ir rezultatų dokumentavimas. Specialistų sprendimai ir patvirtinimai turėtų likti žmonėms.
DI prototipas – tai ankstyva veikianti DI taikomosios programos versija, leidžianti komandai greitai ir už nedidelę kainą išbandyti idėją. Užuot planavus mėnesius, ją išbandote su tikrais duomenimis ir naudotojais, kad pamatytumėte, ar DI užduotį sprendžia pakankamai patikimai, kokių duomenų trūksta ir kokią vertę teikia. Pavyzdys: asistentas, iš anksto rūšiuojantis klientų užklausas, dvi savaites išbandomas su dalimi gautųjų, ir tik tada sprendžiama dėl platesnio diegimo.
DI raudonoji komanda (red teaming) – tai struktūruotas DI sistemos tyrimas iš galimų užpuolikų ar piktnaudžiavimo perspektyvos. Specialistai kontroliuojamai tikrina, ar pokalbių robotas neatskleidžia konfidencialių nurodymų, ar jo negalima priversti elgtis nepageidaujamai, ar jis nepateikia klaidingų faktų ir neatskleidžia duomenų. Išvados padeda pagerinti nurodymus, filtrus ir leidimus. Pokalbių roboto saugumo auditas yra lengvesnė forma: jis vertina konfigūraciją ir pavyzdinius pokalbius pagal žinomas rizikos sritis, pavyzdžiui, OWASP Top 10 LLM programoms.
DI reguliavimo sistema apima įstatymus, standartus ir priežiūros struktūras, nustatančias, kaip DI kuriamas ir naudojamas. ES pagrindinis teisės aktas yra DI aktas (Reglamentas (ES) 2024/1689), kuris taiko rizika grįstą požiūrį: draudimai taikomi nuo 2025 m. vasario, įpareigojimai bendrosios paskirties DI modeliams – nuo 2025 m. rugpjūčio, o skaidrumo pareigos – nuo 2026 m. rugpjūčio. Po „Skaitmeninio omnibuso“ (Reglamentas (ES) 2026/1744) didelės rizikos įpareigojimai taikomi nuo 2027 m. gruodžio 2 d. arba 2028 m. rugpjūčio 2 d. (2026 m. spalio mėn. duomenimis; ne teisinė konsultacija).
DI rinkos segmentavimas naudoja DI rinkai ar klientų bazei suskirstyti į grupes su panašiomis charakteristikomis, poreikiais ar elgesiu. Tradiciškai tai daroma klasterizavimo metodais su klientų duomenimis; kalbos modeliai gali papildomai išvesti segmentus iš aprašymų, apklausų ar užklausų ir pasiūlyti pranešimus bei kanalus. Rezultatai yra hipotezės, kurias reikia patvirtinti tikrais duomenimis. Pavyzdys: programinės įrangos teikėjas atskiria į kainą jautrius pradedančiuosius nuo į augimą orientuotų komandų.
DI robotų blokavimas reiškia neleidimą DI teikėjų tinklo rodyklėms (crawlers) skaityti jūsų svetainės, paprastai taisyklėmis failuje robots.txt naudotojo agentams, tokiems kaip GPTBot, ClaudeBot ar Google-Extended. Failas yra prašymas, o ne techninis barjeras; griežtesnei kontrolei reikia ugniasienės ar serverio taisyklių. Kompromisas: blokavimas apsaugo turinį nuo panaudojimo mokymui, bet gali sumažinti matomumą DI paieškoje ir DI sugeneruotuose atsakymuose. Dažnai prasminga mokymo ir paieškos rodykles traktuoti skirtingai.
DI SDR (angl. sales development representative, pardavimų plėtros atstovas) – tai DI agentas, perimantis ankstyvosios pardavimų stadijos užduotis: atsakymą į gaunamas užklausas, potencialių klientų kvalifikavimą, skambučių scenarijų ir pakartotinio susisiekimo el. laiškų rengimą ar susitikimų paruošimą. Jis palengvina pardavimų komandos darbą, bet nepakeičia jos sprendimų ir santykių kūrimo. Kreipiantis į naujus kontaktus Vokietijoje ir ES, reikia laikytis duomenų apsaugos ir su nepageidaujama reklama susijusių taisyklių.
DI sertifikavimo procesai – tai procedūros, kuriose nepriklausoma įstaiga tikrina, ar organizacija ar DI sistema atitinka apibrėžtus reikalavimus. Plačiai naudojamas pavyzdys yra sertifikavimas pagal ISO/IEC 42001 (paskelbtas 2023 m.), kuris aprašo atsakingo DI naudojimo vadybos sistemą; reikalavimai sertifikavimo įstaigoms nustatyti ISO/IEC 42006 (2025). Toks sertifikatas yra savanoriškas ir nepakeičia atitikties vertinimo, kurio ES DI aktas reikalauja didelės rizikos sistemoms (2026 m. spalio mėn. duomenimis).
DI sistemų inžinierius projektuoja ir eksploatuoja DI taikomąsias programas kaip visą sistemą: jungia modelius su duomenų šaltiniais, sąsajomis ir esama programine įranga, užtikrina saugumą, stebėseną ir sąnaudų kontrolę bei perkelia prototipus į stabilią veiklą. Skirtingai nei gryna modelių kūrimo veikla, dėmesys skiriamas integracijai. Vienas pavyzdys – palaikymo agento prijungimas prie užklausų valdymo sistemos, įskaitant registravimą ir prieigos teises.
DI skverbties testas – tai užsakytas, kontroliuojamas saugumo vertinimas, kurio metu specialistai tyčia ieško DI sistemos silpnų vietų, pavyzdžiui, užklausos injekcijos, konfidencialių duomenų nutekėjimo ar pernelyg didelių leidimų turinčio agento. Skirtingai nei platesnis red teaming, jis sutelkiamas į aiškiai apibrėžtą apimtį su dokumentuotais radiniais ir taisomosiomis priemonėmis. Jį verta atlikti prieš paleidžiant pokalbių robotą ir po didesnių pakeitimų.
DI skaidrumas reiškia atskleidimą, kada dalyvauja DI, kokiais duomenimis ir šaltiniais grindžiami jo rezultatai ir kaip priimami sprendimai. Tai apima DI turinio žymėjimą, atsekamas šaltinių nuorodas, žurnalus ir dokumentuotus pakeitimus. Skaidrumas kuria pasitikėjimą, palengvina klaidų paiešką ir iš dalies reikalaujamas įstatymų, pavyzdžiui, ES DI akto skaidrumo pareigų, pagal kurias žmonės turėtų galėti suprasti, kad bendrauja su DI.
Šis terminas apima dirbtinio intelekto naudojimo ekonomines pasekmes: produktyvumo augimą, naujus produktus ir verslo modelius, kintančias užduotis ir įgūdžių reikalavimus bei konkurencijos pokyčius. Šių poveikių mastas ir pasiskirstymas yra ginčytini ir labai priklauso nuo sektoriaus, investicijų ir mokymų. Atskiroms organizacijoms svarbiausia išmatuojama konkrečių taikymų nauda. Pavyzdys: trumpesnis užklausų tvarkymo laikas klientų aptarnavime sumažina vienos užklausos kainą.
DI sveikatos priežiūroje apima taikymus, padedančius klinikiniam personalui ir administravimui, pavyzdžiui, analizuojant medicininius vaizdus, dokumentuojant, planuojant vizitus ar vertinant tyrimų duomenis. Tokios sistemos pateikia užuominų ir palengvina darbo krūvį, bet nepakeičia klinikinio vertinimo ir nežada pagydyti. Daugelis medicininių DI taikomųjų programų priklauso medicinos priemonių reglamentavimui ir griežtoms sveikatos duomenų apsaugos taisyklėms. Pavyzdys: programinė įranga rentgeno nuotraukose paryškina pastebimas vietas, kad jas peržiūrėtų specialistai.
2026 m. spalio mėn. duomenimis. Techniškai dėmesys pereina nuo pokalbių robotų prie DI agentų, kurie atlieka kelių žingsnių užduotis ir naudoja įrankius per tokius standartus kaip Model Context Protocol. Pagal Crunchbase duomenis, apie 64 % pasaulinio rizikos kapitalo finansavimo 2026 m. trečiąjį ketvirtį atiteko DI startuoliams. ES bendrosios paskirties DI modelių įpareigojimai taikomi nuo 2025 m. rugpjūčio; didelės rizikos sistemų terminai nukelti į 2027 m. gruodį ir 2028 m. rugpjūtį.
DI tyrimų dotacijos ir finansavimas remia dirbtinio intelekto tyrimų projektus, jaunųjų mokslininkų grupes ar bendradarbiavimą. Vokietijoje, pavyzdžiui, Vokietijos mokslo tyrimų fondas (DFG) pagal savo DI iniciatyvą finansuoja Emmy Noether grupes DI metodų srityje, o Federalinė mokslo, technologijų ir kosmoso ministerija (BMFTR) skiria lėšas pagal teminius finansavimo nurodymus. ES lygmeniu kvietimus skelbia „Horizon Europe“ ir Europos mokslinių tyrimų taryba (ERC). Terminai ir sąlygos nuolat keičiasi (2026 m. spalio mėn. duomenimis).
DI transporte apima taikymus logistikoje, eismo ir mobilumo srityse: maršrutų ir reisų planavimą, eismo prognozavimą, transporto priemonių ir infrastruktūros prognozuojamąją priežiūrą bei vairuotojo pagalbos sistemas iki autonominių transporto priemonių. Tikslai: trumpesni maršrutai, mažiau tuščių reisų, mažesnės sąnaudos ir didesnis saugumas. Daugelis taikymų yra saugai kritiniai, todėl griežtai reglamentuojami. Pavyzdys: siuntų tarnyba kasdien iš naujo planuoja pristatymo maršrutus pagal siuntų kiekį ir eismo sąlygas.
DI ugniasienė – tai apsauginis sluoksnis tarp naudotojų, duomenų šaltinių ir DI modelio. Ji tikrina įvestį dėl manipuliavimo bandymų, tokių kaip užklausos injekcija ar jailbreak, ir prieš perduodama toliau tikrina išvestį, pavyzdžiui, dėl konfidencialių duomenų ar nepageidaujamo turinio. Ji gali naudoti taisykles, klasifikavimo modelius ar antrą kalbos modelį. DI ugniasienė mažina riziką, bet nesuteikia visiškos apsaugos ir nepakeičia nei ribotų leidimų, nei testavimo.
DI varomas startuolis – tai jauna įmonė, kurios produktas ar verslo modelis iš esmės grindžiamas dirbtiniu intelektu, pavyzdžiui, specializuoti asistentai tam tikrai pramonės šakai, analitikos įrankiai ar automatizuotos paslaugos. Tokie startuoliai dažnai remiasi esamais baziniais modeliais ir išsiskiria srities kompetencija, duomenimis, naudojimo patogumu ir integracija. Iššūkiai: priklausomybė nuo modelių teikėjų, vienos užklausos kaina ir reguliavimas. Pavyzdys: startuolis, kuris amatininkų įmonėms automatiškai rengia patikros ataskaitas.
Didysis kalbos modelis (angl. large language model, LLM) – tai neuroninis tinklas, apmokytas su labai dideliais teksto kiekiais, todėl gebantis suprasti ir generuoti kalbą. Jis veikia žingsnis po žingsnio skaičiuodamas labiausiai tikėtiną kitą tokeną. LLM rašo, apibendrina, verčia, atsako į klausimus ir generuoja kodą; gerai žinomi pavyzdžiai – „Claude“, GPT, „Gemini“ ir „Llama“. Neturėdami prieigos prie aktualių šaltinių, jie žino tik tai, kas buvo jų mokymo duomenyse.
Dimensijų mažinimas sumažina duomenų rinkinio požymių skaičių neprarandant esminės informacijos. Gerai žinomi metodai yra pagrindinių komponenčių analizė (PCA) bei t-SNE ir UMAP, dažnai naudojami vizualizacijai. Tai pagreitina skaičiavimus, sumažina persimokymo riziką ir palengvina duomenų suvokimą – pavyzdžiui, kai šimtai klientų požymių atvaizduojami dvimatėje diagramoje, kurioje panašūs klientai išsidėsto arti vienas kito.
Dirbtiniai neuroniniai tinklai (DNT) – tai skaičiavimo modeliai, sudaryti iš daugelio sujungtų sluoksniais išdėstytų vienetų („neuronų“), kurie apdoroja įvestį per svertinius ryšius. Mokymo metu svoriai žingsnis po žingsnio koreguojami pagal pavyzdžius, dažniausiai atgalinio sklidimo metodu. DNT yra giluminio mokymosi pagrindas ir veikia vaizdų atpažinimą, kalbos atpažinimą bei didelius kalbos modelius. Nepaisant biologinės įkvėpties, jie veikia daug paprasčiau nei žmogaus smegenys.
Dirbtinis supraintelektas (angl. artificial superintelligence, ASI) – tai teorinė sąvoka DI, kuris reikšmingai pranoksta žmones beveik visais intelektiniais gebėjimais, įskaitant tyrimus, planavimą ir socialinį vertinimą. Tokios sistemos nėra. Terminas vartojamas daugiausia filosofijoje ir DI saugos tyrimuose, aptariant kontrolės klausimus ir būsimų sistemų suderinimą su žmogiškosiomis vertybėmis.
Diskriminacija DI sistemose atsiranda, kai DI sistema nepagrįstai nuvertina žmones dėl tokių požymių kaip lytis, etninė kilmė, amžius ar negalia. Priežastys dažniausiai yra iškreipti mokymo duomenys, netinkami pakaitiniai požymiai, pavyzdžiui, pašto kodai, arba nepakankamas testavimas; gerai žinomų atvejų yra įdarbinimo ir kreditavimo srityse. Priemonės: reprezentatyvūs duomenys, reguliarūs sąžiningumo testai, skaidrumas ir žmogaus vykdoma sprendimų dėl žmonių priežiūra.
Diskriminaciniai modeliai mokosi atskirti duomenų taškus tiesiogiai nustatydami ribą tarp klasių – jie atsako į klausimą „Kuriai kategorijai priklauso ši įvestis?“. Pavyzdžiai: logistinė regresija, atraminių vektorių mašinos ir daugelis neuroninių klasifikatorių, pavyzdžiui, šlamštui aptikti. Generatyviniai modeliai, priešingai, fiksuoja, kaip atsiranda patys duomenys, todėl gali kurti naujus pavyzdžius.
DL4J („Eclipse Deeplearning4j“) yra atvirojo kodo giluminio mokymosi biblioteka, veikianti „Java“ virtualioje mašinoje (JVM). Ji leidžia neuroninius tinklus apmokyti ir paleisti „Java“ ar „Scala“ kalbomis, todėl tinka esamoms „Java“ pagrindu veikiančioms įmonių sistemoms. Projekte taip pat yra įrankių modeliams iš kitų karkasų importuoti. Jį prižiūri „Eclipse Foundation“ kaip savo projektą.
Dokumentų paieška naudojant NLP taiko natūraliosios kalbos apdorojimo metodus, kad dokumentų rinkiniuose rastų informaciją pagal laisvai suformuluotą klausimą. Vietoj vien tikslių žodžių sekų sutapdinimo tokios sistemos atsižvelgia į žodžių formas, retų terminų svorį ar prasmės panašumą. Pavyzdžiui, kas įveda „Kaip paprašyti atostogų?“, gauna atitinkamą darbuotojų vadovo skyrių, net jei jame kalbama apie „atostogų prašymą“.
Dokumentų perrikiavimas – tai antrasis rūšiavimo žingsnis paieškos ir RAG sistemose: greita pradinė paieška grąžina kandidatų rezultatų rinkinį, kurį tikslesnis, bet brangesnis metodas paskui perrikiuoja pagal aktualumą. Tai dažnai daro vadinamasis kryžminis kodavimo modelis (cross-encoder), vertinantis klausimą ir ištrauką kartu. Dėl to aktualiausios ištraukos atsiduria viršuje, kol kalbos modelis iš jų formuluoja atsakymą.
Paieška papildytame generavime (RAG) dokumentų vertinimas reiškia, kad rastos ištraukos tikrinamos, ar jos atitinka klausimą ir gali pagrįsti atsakymą. Kalbos modeliui perduodamos tik aktualiomis įvertintos ištraukos; netinkami rezultatai atmetami arba sukelia naują paiešką. Tai sumažina išgalvotų ar neteisingai pagrįstų atsakymų riziką, pavyzdžiui, kai klausiant apie dabartines kainas pateikiamas pasenęs dokumentas.
„Dropout“ yra reguliarizavimo technika, naudojama mokant neuroninius tinklus: kiekviename mokymo žingsnyje atsitiktinė dalis neuronų laikinai išjungiama. Tai neleidžia tinklui pasikliauti pavieniais ryšiais, todėl jis išmoksta atsparesnius dėsningumus. Tai mažina persimokymą, t. y. vien mokymo duomenų įsiminimą. Vėliau naudojant parengtą modelį visi neuronai vėl aktyvūs.
Duomenų apsaugos reglamentavimas – tai teisės normos, nustatančios, kaip elgtis su asmens duomenimis. ES pagrindinis teisės aktas yra Bendrasis duomenų apsaugos reglamentas (BDAR); jis, be kita ko, reikalauja teisinio pagrindo kiekvienam tvarkymo veiksmui, duomenų kiekio mažinimo, skaidrumo duomenų subjektų atžvilgiu ir duomenų tvarkymo sutarčių su paslaugų teikėjais. Naudodamos DI, organizacijos turi išsiaiškinti, kokie duomenys patenka į užklausas, žinių šaltinius ir žurnalus bei kur jie tvarkomi.
Duomenų gavyba – tai sistemingas didelių duomenų rinkinių tyrimas siekiant rasti dėsningumų, ryšių ir anomalijų. Ji remiasi statistiniais metodais ir mašininio mokymosi technikomis, pavyzdžiui, klasterizavimu, klasifikavimu ar asociacijų analize. Klasikinis pavyzdys – pirkinių krepšelio analizė mažmeninėje prekyboje, rodanti, kokios prekės dažnai perkamos kartu; tai asortimento, išdėstymo ir rekomendacijų pagrindas.
Duomenų nutekinimas – tai neleistinas duomenų perkėlimas iš sistemos. DI taikomosiose programose jis gali įvykti, kai pokalbių robotas ar agentas, manipuliuojant specialiai sukurtais įvesties duomenimis ar paruoštu turiniu – pavyzdžiui, jo skaitomame tinklalapyje – priverčiamas atskleisti ar persiųsti konfidencialią informaciją. Apsauga apima minimalias prieigos teises, įvesties patikras, išeinančių ryšių apribojimus ir atsakymų stebėseną.
Duomenų patikra tikrina, ar duomenys yra išsamūs, teisingo formato ir tikėtini, prieš juos apdorojant toliau. Tipinės patikros apima privalomus laukus, el. pašto adresų, pašto kodų ar datų formatą ir logines prieštaras – pavyzdžiui, pristatymo datą, ankstesnę už užsakymo datą. Taip klaidos pastebimos anksti, o ne persikelia į ataskaitas, sąskaitas faktūras ar DI analizes.
Duomenų stygius atsiranda, kai DI užduočiai trūksta tinkamų ar pažymėtų duomenų, kad modelį būtų galima patikimai apmokyti ar išbandyti. Tai paliečia, pavyzdžiui, retus gamybos defektų tipus, nišines kalbas ar naujus produktus be pardavimų istorijos. Priemonės: žinių perkėlimas (transfer learning), sintetiniai duomenys, duomenų papildymas (data augmentation) arba iš anksto apmokyti kalbos modeliai, duodantys naudingus rezultatus iš vos kelių pavyzdžių.
Paslaugų teikėjas tvarko asmens duomenis įmonės pavedimu. Tam reikalinga sutartis pagal BDAR 28 straipsnį.
Duomenų valdysena apima taisykles, vaidmenis ir procesus, pagal kuriuos organizacija nustato, kas gali rinkti, naudoti, keisti ir naikinti kokius duomenis. Ji apima atsakomybę už duomenų kokybę, prieigos teises, saugojimo terminus ir duomenų apsaugos reikalavimų laikymąsi. Ji ypač svarbi DI projektams, nes modeliai ir agentai tokie patikimi, kokie yra duomenys, kuriais jie remiasi.
Duomenų valymas – tai neteisingų, besidubliuojančių ar nenuoseklių įrašų duomenų rinkiniuose aptikimas ir taisymas. Tipiniai veiksmai: rašybos ir datų formatų suvienodinimas, perteklinių tarpų šalinimas ir dublikatų, pavyzdžiui, „UAB Jonaitis“ ir „Jonaitis, UAB“, sujungimas. Švarūs duomenys yra patikimų analizių, siuntimų ir DI taikomųjų programų išankstinė sąlyga.
Dvikryptis LSTM (BiLSTM) – rekurentinis neuroninis tinklas, kuris seką skaito ir pirmyn, ir atgal bei sujungia abu požiūrius. Tai reiškia, kad atsižvelgiama ir į po kiekvieno žodžio einantį kontekstą. Kol neįsigalėjo transformeriai, tai buvo standartinis pasirinkimas tokioms užduotims kaip kalbos dalių žymėjimas, įvardytųjų esybių atpažinimas ir kalbos atpažinimas. Labai ilgiems tekstams ir dideliems duomenų rinkiniams šiandien paprastai geriau tinka transformeriai.
Egzempliorių segmentavimas – tai kompiuterinės regos metodas, aptinkantis kiekvieną pavienį vaizdo objektą ir apibrėžiantis jį pikselis po pikselio. Skirtingai nei semantinis segmentavimas, jis taip pat atskiria tos pačios klasės objektus: trys žmonės gauna tris atskiras kaukes, o ne vieną bendrą plotą. Jis naudojamas, pavyzdžiui, kokybės kontrolėje, medicininiame vaizdavime, robotikoje ar skaičiuojant produktus lentynoje.
Ekspertinė sistema – tai kompiuterinė programa, kuri žmonių specialistų žinias saugo kaip taisykles ir faktus ir iš jų daro išvadas. Ją paprastai sudaro žinių bazė ir taisykles taikantis išvadų variklis. Ekspertinės sistemos formavo DI 1970–1980 m., pavyzdžiui, medicininėje diagnostikoje ar techninės įrangos konfigūravime. Jų idėjos gyvuoja ir šiandien taisyklėmis grįstose patikrose bei žinių grafuose.
Emergencija apibūdina sistemos savybes, kylančias iš daugelio paprastų dalių sąveikos, bet nematomas nė vienoje pavienėje dalyje. DI tyrimuose gebėjimai vadinami emergentiniais, kai dideli kalbos modeliai, viršijantys tam tikrą dydį, tokias užduotis kaip daugiažingsnė aritmetika ar vertimas sprendžia akivaizdžiai geriau nei mažesni modeliai. Mokslininkai diskutuoja, ar tokie šuoliai yra tikri, ar iš dalies priklauso nuo matavimo būdo.
Euristika – tai orientacinės taisyklės arba supaprastintos strategijos, kurios per pagrįstą laiką leidžia rasti gerą, nors ir nebūtinai optimalų sprendimą. Informatikoje ir DI jos padeda susiaurinti milžiniškas paieškos erdves – pavyzdžiui, maršrutų planavime, kur atstumas tiesia linija iki tikslo naudojamas kaip įvertis, arba šachmatuose, kur vertinamos pozicijos. Žmonės euristiką taiko ir kasdieniame gyvenime bei verslo sprendimuose, rizikuodami padaryti sistemingų mąstymo klaidų.
F balas yra klasifikavimo modeliams vertinti skirtas rodiklis. Įprastas F1 balas – tai tikslumo (kiek prognozuotų pataikymų yra teisingi) ir pilnumo (kiek tikrų pataikymų rasta) harmoninis vidurkis, kintantis nuo 0 iki 1. Jis ypač naudingas nesubalansuotų duomenų atveju: šlamšto filtras, kuris beveik niekada nežymi šlamšto, gali turėti aukštą tikslumą (accuracy), bet žemą F1 balą.
fastai yra atvirojo kodo „Python“ giluminio mokymosi biblioteka, sukurta ant „PyTorch“. Ji sujungia išbandytus numatytuosius nustatymus, kad vaizdų, teksto ar lentelinių duomenų modelius būtų galima apmokyti keliomis kodo eilutėmis, bet kiekviename lygyje vis tiek leidžia gilų pritaikymą. Ji išaugo iš mokymosi iniciatyvos fast.ai ir lydi jos nemokamus kursus, todėl yra populiari švietime ir greitam modelių išbandymui.
Federacinis mokymasis – tai mokymo metodas, kai DI modelis mokosi daugelyje įrenginių ar vietų, o neapdoroti duomenys niekada jų nepalieka. Kiekvienas dalyvis apmoko modelį vietoje ir centriniam serveriui, kuris juos sujungia, siunčia tik modelio atnaujinimus. Tai saugo privatumą ir tinka, pavyzdžiui, ligoninėms, norinčioms kartu tobulinti diagnostikos modelį, ar išmaniųjų telefonų klaviatūroms, mokančioms žodžių pasiūlymų.
Finansinio sukčiavimo aptikimas apima metodus, atskleidžiančius sukčiavimą mokėjimuose, kredito kortelėse, draudime ar apskaitoje. DI modeliai išmoksta tipinius teisėtų operacijų dėsningumus ir pažymi nukrypimus – pavyzdžiui, neįprastas sumas, vietas ar laiką – dažnai realiuoju laiku. Būtina rasti tinkamą pusiausvyrą tarp aptikto sukčiavimo ir klaidingų pavojaus signalų. Įtartinus atvejus žmonės turėtų peržiūrėti prieš blokuojant sąskaitas ar atmetant mokėjimus.
Flescho skaitomumo indeksas įvertina, kaip lengvai tekstą galima suprasti, remiantis vidutiniu sakinio ilgiu ir skiemenų skaičiumi žodyje. Rudolfas Fleschas jį sukūrė anglų kalbai 1948 m., o kitoms kalboms egzistuoja pritaikytos formulės. Skalė eina maždaug nuo 0 iki 100 – kuo didesnis balas, tuo tekstas lengvesnis. Jis matuoja tik formą, bet ne tai, ar turinys ir terminija tinka numatytai auditorijai.
„Frase“ yra programinė įranga, skirta tinklalapių turiniui tirti ir optimizuoti. Ji analizuoja, kokias temas, klausimus ir terminus aprėpia aukštai reitinguojami puslapiai pagal paieškos užklausą, iš to sudaro turinio užduotis (content briefs) ir vertina tekstus juos redaguojant. Dabar „Frase“ siūlo ir funkcijas, skirtas stebėti ir gerinti, ar turinys cituojamas DI paieškos sistemų, pavyzdžiui, „ChatGPT“ ar „Perplexity“, atsakymuose (2026 m. spalio mėn. duomenimis).
Fréchet inception atstumas (angl. Fréchet inception distance, FID) – tai rodiklis DI sukurtų vaizdų kokybei vertinti. Tikri ir sugeneruoti vaizdai perleidžiami per iš anksto apmokytą vaizdų atpažinimo tinklą („Inception v3“) ir lyginami jų požymių statistiniai skirstiniai. Kuo mažesnė reikšmė, tuo sugeneruoti vaizdai realizmu ir įvairove artimesni tikroms nuotraukoms. FID pristatytas 2017 m. ir yra standartas vaizdų generatoriams lyginti.
Garso transkripcija paverčia įrašuose sakomą kalbą rašytiniu tekstu. Šiuolaikinės automatinio kalbos atpažinimo sistemos taip pat sudeda skyrybos ženklus, atskiria kalbėtojus ir kartais pateikia laiko žymas. Ji naudojama susitikimų protokolams, interviu, subtitrams ir pokalbių su klientais dokumentavimui. Kokybė labai priklauso nuo garso kokybės, akcento ir specialiosios leksikos; pokalbiams su asmens duomenimis būtina atsižvelgti į sutikimą ir duomenų apsaugą.
Generatyvinis DI – tai DI sistemos, kurios kuria naują turinį – tekstą, vaizdus, garsą, vaizdo įrašus ar programos kodą – o ne vien rūšiuoja ar vertina esamus duomenis. Jos grindžiamos modeliais, kurie iš didelių duomenų kiekių išmoksta dėsningumų ir juos naudoja tikėtiniems naujiems rezultatams kurti. Versle jis naudojamas, pavyzdžiui, el. laiškų, santraukų, produktų aprašymų ar vaizdų idėjų juodraščiams rengti. Rezultatuose gali būti klaidų, todėl prieš naudojant juos reikia patikrinti.
GPT (angl. generative pre-trained transformer) žymi „OpenAI“ sukurtą didelių kalbos modelių seriją, grindžiamą transformerio architektūra. Modeliai pirmiausia iš anksto apmokomi su milžiniškais teksto kiekiais, kad nuspėtų kitą tokeną, o paskui toliau mokomi dialogo ir nurodymų vykdymo. Pirmasis GPT modelis pasirodė 2018 m.; vėlesnės kartos yra „ChatGPT“ pagrindas. Šnekamojoje kalboje „GPT“ dažnai vadinami apskritai kalbos modeliai.
Generatyvinį priešišką tinklą (angl. generative adversarial network, GAN) sudaro du neuroniniai tinklai, mokomi vienas prieš kitą: generatorius kuria dirbtinius duomenis, pavyzdžiui, vaizdus, o diskriminatorius bando atskirti juos nuo tikrų. Per šią kovą rezultatai tampa vis tikroviškesni. GAN pristatyti 2014 m. ir formavo vaizdų generavimą, kol labiau paplito difuziniai modeliai; jie naudojami, pavyzdžiui, sintetiniams mokymo duomenims kurti ar vaizdams gerinti.
Generatyvinių paieškos sistemų optimizavimas (angl. generative engine optimisation, GEO) apima priemones, padedančias turiniui tapti matomam DI pagrįstose paieškos sistemose, tokiose kaip „ChatGPT“, „Perplexity“ ar DI apžvalgos paieškos varikliuose, ir būti jose cituojamam kaip šaltiniui. Terminas kilo iš 2023 m. mokslinio straipsnio. Pagrindiniai veiksniai: aiškūs, tiesiogiai cituojami atsakymai, tvarkinga struktūra, pagrįsti faktai, naujausia informacija ir atpažįstami autoriai. GEO papildo klasikinį paieškos variklių optimizavimą (SEO), o ne jį pakeičia.
„Gensim“ yra atvirojo kodo „Python“ biblioteka dideliems tekstų rinkiniams analizuoti. Ji žinoma dėl temų modelių, tokių kaip LDA, žodžių vektorių mokymo (pavyzdžiui, „Word2Vec“, „FastText“ ir „Doc2Vec“) ir dokumentų palyginimo pagal panašumą. Kadangi „Gensim“ apdoroja duomenis dalimis, ji gali tvarkyti ir korpusus, kurie netelpa į atmintį. Tipinis naudojimas: tūkstančių klientų komentarų automatinis grupavimas pagal pasikartojančias temas.
Gilieji įsitikinimų tinklai (angl. deep belief networks, DBN) – tai neuroniniai tinklai iš kelių sluoksnių, kurie pirmiausia sluoksnis po sluoksnio iš anksto apmokomi be priežiūros, paprastai kaip vadinamosios ribotosios Boltzmanno mašinos. Geoffrey Hintonas ir kolegos šį metodą pristatė 2006 m.; jis parodė, kad giliuosius tinklus galima efektyviai apmokyti, ir taip prisidėjo prie giluminio mokymosi iškilimo. Praktikoje DBN vėliau daugiausia pakeistos kitomis architektūromis.
Gylio vertinimas iš vaizdų nustato, kokiu atstumu nuo kameros yra objektai ar atskiri pikseliai. Tai galima daryti dviem kameromis (stereo), gylio jutikliais arba, naudojant neuroninius tinklus, net iš vienos nuotraukos (monokuliarinis gylio vertinimas). Jis reikalingas robotikoje, vairuotojo pagalbos sistemose, papildytoje tikrovėje ir 3D patalpų modeliuose.
Giluminis mokymasis yra mašininio mokymosi šaka, naudojanti dirbtinius neuroninius tinklus su daugybe sluoksnių. Tokie tinklai iš didelių duomenų kiekių mokosi, kurie požymiai svarbūs – nuo vaizdų kontūrų iki prasminių ryšių tekstuose. Giluminis mokymasis yra šiandienos kalbos modelių, vaizdų ir kalbos atpažinimo bei mašininio vertimo pagrindas, ir paprastai reikalauja daug skaičiavimo galios bei mokymo duomenų.
„Google Colab“ (Colaboratory) yra „Google“ debesijos paslauga, leidžianti „Python“ kodą vykdyti „Jupyter“ tipo sąsiuviniuose tiesiai naršyklėje, be vietinio diegimo. Nemokamame lygyje taip pat teikiami GPU ir TPU, atsižvelgiant į prieinamumą ir su vykdymo laiko apribojimais; mokami planai siūlo daugiau skaičiavimo galios. „Colab“ populiari mokyme, duomenų analizėje ir modelių išbandyme, o integruotas „Gemini“ asistentas padeda rašyti ir taisyti kodą (2026 m. spalio mėn. duomenimis).
Gradientinis nusileidimas yra optimizavimo metodas, naudojamas daugumai DI modelių apmokyti. Išmatuojate modelio klaidos dydį, apskaičiuojate, kuria kryptimi reikia keisti parametrus, kad ji sumažėtų, ir žengiate mažą žingsnį ta kryptimi – vėl ir vėl. Tai kaip rūke einantis keliautojas, kuris vis eina žemyn, kad pasiektų slėnį. Žingsnio dydis (mokymosi sparta) lemia greitį ir stabilumą.
Gradientinis stiprinimas yra mašininio mokymosi technika, kuri iš eilės sujungia daug paprastų modelių – dažniausiai mažų sprendimų medžių. Kiekvienas naujas medis mokomas specialiai sumažinti likusias ankstesnių klaidas. Rezultatas – labai tikslūs modeliai lentelių duomenims, pavyzdžiui, kredito rizikai, pardavimų prognozėms ar klientų nutekėjimo tikimybei. Gerai žinomos realizacijos yra XGBoost, LightGBM ir CatBoost; norint išvengti persimokymo, reikia kruopštaus derinimo.
„Grok“ yra DI asistentas, grindžiamas dideliais kalbos modeliais ir kuriamas „xAI“. Jis integruotas į platformą „X“, taip pat prieinamas per savo svetainę, mobiliąsias programėles ir API. Vienas jo bruožas – prieiga prie aktualių „X“ įrašų ir žiniatinklio paieškos. Nuo 2026 m. vasario „xAI“ priklauso „SpaceX“ ir veikia pavadinimu „SpaceXAI“; modelių versijos atnaujinamos reguliariai (2026 m. spalio mėn. duomenimis).
Haliucinacija – tai DI modelio rezultatas, kuris skamba įtikinamai, bet yra klaidingas arba visiškai išgalvotas – pavyzdžiui, neegzistuojantis teismo sprendimas, neteisingas skaičius ar išgalvotas šaltinis. Priežastis: kalbos modeliai kuria tikėtinas formuluotes, o ne automatiškai ieško faktų. Rizika mažėja, kai atsakymai grindžiami patikrintais šaltiniais, nurodomi įrodymai, o svarbius rezultatus tikrina žmonės.
Heteronimas – tai žodis, rašomas taip pat kaip kitas, bet tariamas kitaip ir turintis kitą reikšmę – pavyzdžiui, anglų kalbos „lead“ (vesti) ir „lead“ (metalas) arba „wind“ (oras) ir „wind“ (sukti). Heteronimai yra homografų poaibis. Jie kelia iššūkį teksto į kalbą sistemoms, nes teisingą tarimą galima nustatyti tik iš konteksto, dažnai padedant kalbos dalių analizei.
Hiperparametrai yra nustatymai, parenkami prieš apmokant modelį, pavyzdžiui, mokymosi sparta, sluoksnių skaičius ar reguliarizavimo stiprumas. Hiperparametrų optimizavimas sistemingai ieško derinio, kuris geriausiai veikia su validavimo duomenimis, pavyzdžiui, tinklelio paieška, atsitiktine paieška ar Bajeso optimizavimu. Gerai parinktos reikšmės pagerina tikslumą ir sumažina per didelį ar per mažą pritaikymą, tačiau paieška kainuoja skaičiavimo laiko.
„Horovod“ yra atvirojo kodo karkasas, skirtas giluminio mokymosi modelių paskirstytajam mokymui keliuose GPU ar kompiuteriuose. Iš pradžių sukurtas „Uber“, jis palaiko „TensorFlow“, „Keras“, „PyTorch“ ir „MXNet“ ir dalyvaujančių kompiuterių apskaičiuotus gradientus sinchronizuoja naudodamas ring-allreduce, be centrinio parametrų serverio. Projektą talpina LF AI & Data Foundation; naujausias stabilus leidimas 0.28.1 yra iš 2023 m. (2026 m. spalio mėn. duomenimis).
„Hugging Face Transformers“ yra atvirojo kodo „Python“ biblioteka, per vieną nuoseklią sąsają suteikianti prieigą prie iš anksto apmokytų teksto, vaizdų ir garso modelių. Kūrėjai ją naudoja modeliams atsisiųsti iš „Hugging Face Hub“, jiems išbandyti, pritaikyti savo duomenims arba paleisti vietoje. Nuo 5 versijos biblioteka daugiausia orientuota į „PyTorch“ (2026 m. spalio mėn. duomenimis). Pavyzdys: komanda vos keliomis kodo eilutėmis išbando nuotaikų analizės modelį.
„Ideogram“ yra DI paslauga, generuojanti vaizdus pagal tekstinius aprašymus, kurią kuria tokio paties pavadinimo 2022 m. įkurta bendrovė. Ji geriausiai žinoma dėl įskaitomo teksto atvaizdavimo vaizduose, todėl naudinga plakatams, kvietimams ar socialinių tinklų grafikai. Ji prieinama kaip žiniatinklio programa ir per API; modelių versijos ir licencijos sąlygos reguliariai keičiasi (2026 m. spalio mėn. duomenimis). Prieš komercinį naudojimą reikėtų patikrinti naudojimo teises.
Įkūnyti DI agentai turi fizinį ar simuliuotą kūną, per kurį jutikliais suvokia aplinką ir judesiu veikia ją. Pavyzdžiai: sandėlių ir namų robotai, humanoidiniai robotai ir simuliacijų veikėjai, kuriuose robotai mokomi prieš naudojant realiame pasaulyje. Iššūkis – suderinti suvokimą, planavimą ir saugų veikimą nenuspėjamame pasaulyje.
Informacijos paieška apima metodus, kurie dideliame teksto kiekyje randa užklausą atitinkančius dokumentus ar ištraukas ir surikiuoja jas pagal aktualumą. Klasikiniai metodai, tokie kaip BM25, paieškos terminus sveria pagal tai, kaip dažnai ir kaip retai jie pasitaiko; naujesni prideda semantinį panašumą. Ji yra paieškos sistemų, įmonių paieškos ir paieška papildyto generavimo pagrindas, kai kalbos modelis rastas ištraukas naudoja kaip atsakymo pagrindą.
Įžvalgų variklis (insight engine) – tai įmonių paieškos forma, sujungianti informaciją iš daugelio šaltinių, pavyzdžiui, dokumentų, el. laiškų, duomenų bazių ir programų, ir analizuojanti ją DI metodais. Užuot pateikęs paprastus rezultatų sąrašus, jis pateikia parengtus atsakymus, sąsajas ar rekomendacijas, dažnai atsižvelgdamas į einamosios užduoties kontekstą. Terminą pirmiausia išpopuliarino pramonės analitikai. Pavyzdys: prieš susitikimą su klientu pardavimų komanda vienoje vietoje mato visas aktualias sutartis, užklausas ir užrašus.
Nurodymų derinimas (instruction tuning) – tai tikslinio derinimo forma, kai iš anksto apmokytas kalbos modelis toliau mokomas su daugybe nurodymų ir pageidaujamų atsakymų porų. Taip modelis išmoksta vykdyti natūralia kalba suformuluotas užduotis, o ne vien tęsti tekstą. Tai pagrindinis žingsnis bazinį modelį paverčiant asistentu, ir dažnai derinamas su tokiais metodais kaip RLHF. Pavyzdys: nurodymas „Apibendrink šį tekstą trimis sakiniais“ įvykdomas patikimai.
Intelektualusis agentas – tai sistema, kuri suvokia savo aplinką, apdoroja informaciją ir pati pasirenka veiksmus tikslui pasiekti. Šiandien šis terminas paprastai reiškia programinę įrangą, sukurtą ant didelių kalbos modelių, kuri vykdo nurodymus, remiasi žiniomis ir kviečia įrankius, pavyzdžiui, paieškos funkciją ar API. Kiek agentas gali daryti savarankiškai, reikia nuspręsti apgalvotai. Pavyzdys: agentas atsako į klientų klausimus pagal produkto dokumentaciją.
Intelektualus dokumentų apdorojimas (angl. intelligent document processing, IDP) automatiškai skaito dokumentus, tokius kaip sąskaitos faktūros, sutartys ar formos, nustato jų tipą ir svarbias detales paverčia struktūrizuotais duomenimis. Jis jungia nuskaitytų dokumentų teksto atpažinimą, natūraliosios kalbos apdorojimą ir patikros taisykles. Organizacijos sutaupo rankinio duomenų įvedimo ir pagreitina tokius procesus kaip gaunamų sąskaitų faktūrų ar pašto tvarkymas. Neaiškius laukus turėtų patikrinti žmonės.
Išėjimo į rinką strategija (angl. go-to-market, GTM) nustato, kaip produktas ar paslauga bus sėkmingai pristatyta rinkoje: kuri tikslinė grupė turi kokią problemą, kaip pasiūlymas pozicionuojamas ir kainuojamas, kuriais kanalais parduodamas ir kokiais rodikliais matuojama sėkmė. GTM planas sieja rinkodarą, pardavimus ir produktą. Pavyzdys: programinės įrangos teikėjas pradeda nuo vienos pramonės šakos, vieno partnerių kanalo ir 90 dienų tikslo.
Ištraukiamasis DI reiškia metodus, kurie iš tekstų ar dokumentų išgauna esamą informaciją, o ne rašo naują turinį. Rezultatas pateikiamas pažodžiui arba pagal nustatytą struktūrą iš šaltinio – pavyzdžiui, sąskaitų faktūrų numeriai iš PDF, pagrindiniai santraukos sakiniai ar atitinkama ištrauka atsakant į klausimą. Kadangi niekas neišgalvojama, klaidingų teiginių rizika mažesnė nei grynai generatyvinių metodų atveju; abu dažnai derinami.
Įterpties vektorius (įterptis, angl. embedding) – tai skaičių sąrašas, vaizduojantis žodžio, sakinio ar dokumento prasmę taip, kad panašaus turinio tekstai atsiduria arti vienas kito. Tai leidžia pastebėti, pavyzdžiui, kad „atšaukimas“ ir „sutarties nutraukimas“ yra susiję, nors neturi bendrų žodžių. Įterptys yra daugelio semantinės paieškos sistemų, rekomendacijų paslaugų ir RAG taikomųjų programų pagrindas; jas skaičiuoja specialiai apmokyti modeliai.
Įvardytų esybių atpažinimas (angl. named entity recognition, NER) – tai natūraliosios kalbos apdorojimo metodas, tekste randantis žmonių, įmonių ir vietovių pavadinimus, taip pat datas ar sumas ir priskiriantis kiekvieną kategorijai. Jis laisvą tekstą paverčia struktūrizuotais duomenimis. Pavyzdys: iš el. laiško automatiškai išgaunama siuntėjo įmonė, kontaktinis asmuo, pristatymo data ir sąskaitos faktūros suma ir perkeliama į CRM.
Jailbreak – tai bandymai apeiti DI modelio saugos taisykles gudriai suformuluotomis užklausomis, kad jis sukurtų turinį ar atliktų veiksmus, kurių turėtų atsisakyti. Organizacijoms tai yra rizika, nes pokalbių robotas gali, pavyzdžiui, atskleisti konfidencialius nurodymus ar netinkamai atsakyti. Apsaugos priemonės: aiškūs sisteminiai nurodymai, įvesties ir išvesties tikrinimas, ribotos teisės, registravimas ir reguliarūs saugumo testai (red teaming).
„Jasper“ yra DI platforma rinkodaros komandoms iš 2021 m. įkurtos JAV bendrovės „Jasper AI“. Ji padeda kurti tekstus, tokius kaip tinklaraščio įrašai, skelbimai ar socialinių tinklų įrašai, ir gali atsižvelgti į išsaugotas prekės ženklo gaires bei kalbėjimo toną. Teikėjas dabar pozicionuojasi per specializuotus agentus ir automatizuotas turinio darbo eigas (2026 m. spalio mėn. duomenimis). Kaip ir naudojant bet kurį teksto generatorių, prieš skelbiant faktus ir teiginius reikėtų patikrinti.
„Jupyter Notebook“ yra atvirojo kodo naršyklėje veikianti programa iš „Project Jupyter“, viename dokumente sujungianti vykdomą kodą, rezultatus, diagramas ir aiškinamąjį tekstą. Sąsiuviniai plačiai naudojami duomenų analizėje, mašininiame mokymesi, moksliniuose tyrimuose ir mokyme, nes kiekvieną žingsnį galima dokumentuoti ir atsekamai dalytis. Dažniausia kalba yra „Python“. Pavyzdys: analitikas įkelia pardavimų duomenis, išvalo juos ir rezultatus iškart žemiau parodo diagrama.
K artimiausių kaimynų metodas (k-NN) yra paprastas mokymosi su priežiūra metodas. Norėdamas klasifikuoti naują duomenų tašką, jis ieško k panašiausių žinomų pavyzdžių ir perima jų dažniausią klasę arba, skaitinėms reikšmėms, jų vidurkį. Jam nereikia tikros mokymo fazės, tačiau jis tampa lėtas su dideliais duomenų rinkiniais ir jautrus požymių mastelio parinkimui. Pavyzdys: produktų rekomendacijos pagal panašius klientus.
K vidurkių metodas (k-means) yra mokymosi be priežiūros metodas, kuris duomenų taškus padalija į iš anksto nustatytą skaičių k grupių. Jis kiekvieną tašką priskiria artimiausiam grupės centrui ir tol perkelia šiuos centrus, kol priskyrimai beveik nebesikeičia. Metodas greitas ir lengvai suprantamas, bet reikalauja pagrįstai parinkti k ir kad požymiai būtų panašių mastelių. Pavyzdys: klientų grupavimas pagal pirkimo dažnumą ir krepšelio vertę.
„Kaggle“ yra duomenų mokslo ir mašininio mokymosi internetinė platforma, nuo 2017 m. priklausanti „Google“. Ji siūlo viešus duomenų rinkinius, konkursus pagal realias problemas, naršyklėje veikiančius sąsiuvinius su skaičiavimo ištekliais ir mokymosi kursus. Organizacijoms ir besimokantiesiems ji naudinga metodams išbandyti, požiūriams palyginti ar talentams pastebėti. Prieš naudojant reikėtų patikrinti kiekvieno duomenų rinkinio licenciją ir kilmę.
Kalbos atpažinimas, dar vadinamas ASR (angl. automatic speech recognition), automatiškai paverčia šnekamąją kalbą rašytiniu tekstu. Šiuolaikinės sistemos naudoja neuroninius tinklus, apmokytus pagal didelius garso įrašų kiekius, ir pakankamai gerai susidoroja su akcentais bei foniniu triukšmu. Taikymai: diktavimas, subtitrai, balso asistentai ir susitikimų bei klientų skambučių transkribavimas. Techniniai terminai, tikriniai vardai ir prasta garso kokybė išlieka dažnomis klaidų priežastimis.
Kalbos dalių žymėjimas automatiškai priskiria kiekvienam sakinio žodžiui jo gramatinę kategoriją, pavyzdžiui, daiktavardis, veiksmažodis, būdvardis ar prielinksnis. Kadangi daug žodžių yra daugiareikšmiai (anglų „book“ kaip daiktavardis arba veiksmažodis, „light“ kaip būdvardis arba daiktavardis), metodai atsižvelgia į sakinio kontekstą. POS žymėjimas – klasikinis išankstinio apdorojimo žingsnis sintaksės analizei, informacijos išgavimui ar rašybos tikrinimui, jį siūlo tokios bibliotekos kaip spaCy ir NLTK.
Kalbos nustatymas automatiškai nustato, kuria kalba parašytas tekstas, pavyzdžiui, vokiečių, italų ar ispanų. Klasikiniai metodai analizuoja būdingas raidžių sekas, o dideli kalbos modeliai kalbą atpažįsta kaip šalutinį rezultatą. Jis naudojamas užklausoms nukreipti tinkamai komandai, tinkamiems vertimams paleisti ar atsakyti kito asmens kalba. Labai trumpi tekstai ir kelių kalbų mišiniai yra sudėtingi.
„Keras“ yra atvirojo kodo „Python“ biblioteka neuroniniams tinklams kurti ir mokyti, iš pradžių sukurta François Chollet. Ji siūlo patogią aukšto lygio sąsają modeliams iš sluoksnių surinkti. Nuo 3 versijos „Keras“ gali veikti su „JAX“, „TensorFlow“ ar „PyTorch“ kaip skaičiavimo pagrindu. Pavyzdys: komanda vos keliomis kodo eilutėmis sukuria vaizdų klasifikavimo modelio prototipą.
Klaidų matrica – tai lentelė, lyginanti klasifikatoriaus prognozes su tikromis klasėmis. Dviejų klasių atveju ji rodo teisingai teigiamus, klaidingai teigiamus, teisingai neigiamus ir klaidingai neigiamus atvejus. Iš jos galima apskaičiuoti tokius rodiklius kaip tikslumas (precision), pilnumas (recall) ir F1 balas, ir tampa aišku, kokių klaidų pasitaiko. Pavyzdys: šlamšto filtras, daug tikrų el. laiškų pažymintis kaip šlamštą, turi daug klaidingai teigiamų atvejų, o tai dažnai kainuoja brangiau nei praleistas šlamštas.
Skaitomumo tyrimuose klasės lygis – tai mokslo metų, nuo kurių tekstas paprastai suprantamas, rodiklis. Gerai žinomas pavyzdys yra Flescho–Kincaido klasės lygis, pagal sakinio ilgį ir skiemenų skaičių žodyje apskaičiuojantis JAV mokyklos klasę; rezultatas 8 maždaug atitinka aštuntą klasę. Tokie rodikliai tik iš dalies perkeliami į kitas kalbas, todėl vokiečių kalbai dažnai naudojamos pritaikytos formulės, pavyzdžiui, Amstado Flescho versija ar LIX.
Klasifikatorius – tai modelis ar metodas, priskiriantis įvestį vienai iš kelių iš anksto apibrėžtų kategorijų. Klasikiniai variantai, tokie kaip sprendimų medžiai ar naivusis Bajeso klasifikatorius, mokomi su pažymėtais pavyzdžiais; kalbos modeliai taip pat gali rūšiuoti tekstus pagal kategorijų aprašymą. Tipiniai taikymai: šlamšto aptikimas, klientų užklausų rūšiavimas pagal temą ir kvitų kategorizavimas. Kokybė matuojama rodikliais, tokiais kaip tikslumas (accuracy), tikslumas (precision) ir pilnumas (recall).
Klientų aptarnavimo automatizavimas reiškia, kad pasikartojančias klientų užklausas visiškai ar iš dalies tvarko programinė įranga – pavyzdžiui, pokalbių robotai, siūlomi atsakymai ar išankstinis bilietų rūšiavimas. Į dažnus klausimus apie darbo laiką, pristatymo būseną ar grąžinimą galima atsakyti visą parą, o komanda gauna daugiau laiko sudėtingiems atvejams. Būtini patikimi žinių šaltiniai ir paprastas perdavimas žmonėms.
KNIME yra duomenų analitikos programinė įranga, kurioje darbo eigos surenkamos vizualiai iš blokų („mazgų“), o ne programuojamos. Atvirojo kodo KNIME Analytics Platform apima duomenų importą, valymą, analizę, mašininį mokymąsi ir ataskaitų rengimą, o komerciniai teikėjo pasiūlymai prideda bendradarbiavimą ir eksploatavimą organizacijose. Tipinis pavyzdys – darbo eiga, kuri sujungia mėnesio pardavimų duomenis iš kelių „Excel“ failų, išvalo juos ir sudaro prognozę.
Kognityvinė skaitmeninė sistema (angl. cognitive computing) yra bendrinis terminas sistemoms, skirtoms imituoti žmogaus mąstymo procesus, tokius kaip kalbos supratimas, samprotavimas ir mokymasis iš patirties, kad būtų padedama priimti žmonių sprendimus. Terminas išpopuliarėjo 2010-aisiais, daugiausia dėl IBM „Watson“. Jis jungia tokius metodus kaip natūraliosios kalbos apdorojimas, mašininis mokymasis ir žinių vaizdavimas; šiandien dažniau kalbama apie DI asistentus ar kalbos modelius.
Kognityvinis žemėlapis iš pradžių yra psichologijos terminas, apibūdinantis psichinį vaizdinį, kurį žmonės ar gyvūnai susidaro apie savo aplinką. Vadyboje ir DI taip pat vadinami grafiniai modeliai, kuriuose sąvokos rodomos kaip mazgai, o jų priežasties ir pasekmės ryšiai – kaip svertinės rodyklės, pavyzdžiui, „neraiškieji kognityviniai žemėlapiai“ (fuzzy cognitive maps). Tokie žemėlapiai padeda struktūrizuoti ekspertų žinias ir tirti scenarijus, pavyzdžiui, kaip kainų pokyčiai veikia paklausą ir atsargų lygį.
Kolaboratyviniai robotai, arba kobotai, – tai pramoniniai robotai, skirti dirbti tiesiogiai šalia žmonių be atskiriančios saugos tvoros. Jutikliai, ribotos jėgos ir greičiai bei saugos funkcijos užtikrina, kad palietus jie sustotų arba atsitrauktų; reikalavimai nustatyti standartuose, tokiuose kaip ISO 10218 serija. Kobotai atlieka tokias užduotis kaip staklių pakrovimas, sukimas varžtais ar pakavimas, o darbuotojai rūpinasi patikra ir ypatingais atvejais.
Kompiuterinė rega – DI sritis, kurioje kompiuteriai interpretuoja vaizdus ir vaizdo įrašus. Įprastos užduotys – objektų aptikimas ir lokalizavimas, teksto vaizduose skaitymas ir komponentų matavimas. Ši technologija naudojama, pavyzdžiui, kokybės kontrolei gamyboje, vairuotojo pagalbos sistemose, logistikoje ir medicininiame vaizdinime.
Griovys (angl. moat) – tai ilgalaikis konkurencinis pranašumas, saugantis įmonę nuo mėgdžiotojų, pavyzdžiui, tinklo efektai, perėjimo kaštai, stiprus prekės ženklas, išskirtiniai duomenys ar gili integracija į klientų procesus. Šis klausimas ypač aktualus DI pasiūlymams, nes daugelis produktų remiasi tais pačiais prieinamais modeliais. Pranašumai tada dažniau kyla iš srities kompetencijos, artumo klientams, gerų procesų ir pasitikėjimo, o ne vien iš technologijos.
Konstitucinis DI – tai kalbos modelių mokymo metodas, kurį 2022 m. paskelbė „Anthropic“; jis neturi nieko bendra su konstitucine teise. Jis grindžiamas raštišku principų rinkiniu, „konstitucija“: modelis kritikuoja ir taiso savo atsakymus pagal šiuos principus, tada DI lygina atsakymų poras, o ši grįžtamoji informacija tampa atlygio signalu sustiprintam mokymuisi (RLAIF). Tai sumažina poreikį žmonėms žymėti žalingą turinį; 2026 m. sausį „Anthropic“ paskelbė peržiūrėtą „Claude“ konstituciją.
Konteksto lango manipuliavimas reiškia atakas, kuriomis tyčia veikiamas tekstas, kurį kalbos modelis apdoroja vienu metu, pavyzdžiui, paslėptais nurodymais dokumentuose, išgalvotomis ankstesnėmis pokalbio dalimis ar dideliais užpildo kiekiais, nustumiančiais pirminius nurodymus į antrą planą. Apsauga kyla aiškiai atskiriant patikimus nurodymus nuo išorinio turinio, ribojant ilgį, tikrinant įvestį ir agentams suteikiant kuo mažiau leidimų.
Mašininiame mokymesi konvergencija reiškia, kad mokymo procedūra artėja prie stabilios būsenos: nuostolis beveik nebemažėja, o modelio parametrai keičiasi tik minimaliai. Ar ir kaip greitai modelis konverguoja, priklauso nuo tokių veiksnių kaip mokymosi sparta, duomenų kokybė ir modelio architektūra. Jei mokymosi sparta per didelė, nuostolis šokinėja; jei per maža, mokymas trunka be reikalo ilgai. Konvergencija negarantuoja gero modelio, nes jis vis tiek gali būti persimokęs.
Konvoliucinis neuroninis tinklas (CNN) – neuroninio tinklo architektūra, ypač tinkanti vaizdų duomenims. Ji nuskaito įvestį mažais filtrais: pirmuosiuose sluoksniuose aptinka paprastus požymius, pavyzdžiui, kraštus, o gilesniuose – sudėtingesnes formas. CNN daugelį metų formavo vaizdų atpažinimą ir naudojami, pavyzdžiui, defektams produktų nuotraukose aptikti ar medicininių vaizdų analizei.
Koreferencijų nustatymas – tai natūraliosios kalbos apdorojimo užduotis, kuria nustatoma, kurios teksto išraiškos nurodo tą patį asmenį, daiktą ar reikalą. Sakinyje „Skambino ponia Weber. Ji norėtų, kad jai perskambintumėte“ sistema turi suprasti, kad „ji“ reiškia ponią Weber. Tai svarbu santraukoms, informacijos išgavimui ir pokalbių robotams, kuriems reikia sekti nuorodas per kelis sakinius ar pokalbio replikas.
Koreguotasis R kvadratas matuoja, kaip gerai regresijos modelis paaiškina duomenų sklaidą, atsižvelgiant į naudojamų prediktorių skaičių. Paprastasis R kvadratas didėja su kiekvienu papildomu kintamuoju, net jei jis nieko neprideda; koreguotoji versija baudžia už nereikalingus kintamuosius. Taip galima teisingiau palyginti skirtingo dydžio modelius, pavyzdžiui, pardavimų prognozę su trimis, o ne dešimčia veiksnių.
Korektūra – tai teksto tikrinimas dėl rašybos, gramatikos ir skyrybos, dažnai kartu su vartosenos nuoseklumu; redagavimas eina toliau ir apima stilių, struktūrą bei turinį. DI gali greitai pažymėti klaidas ir pasiūlyti taisymus, pavyzdžiui, citatose, naujienlaiškiuose ar tinklalapiuose. Patartina skaidriai išvardyti visus pakeitimus, o galutinį techninių terminų, tikrinių vardų ir prasmės patikrinimą palikti žmogui.
Korpusas – tai struktūrizuotas tekstų ar kalbos duomenų rinkinys, sudarytas analizei, tyrimams ar kalbos modeliams mokyti. Jis gali būti bendrinis, pavyzdžiui, daugelio metų naujienų tekstai, arba konkrečios srities, pavyzdžiui, visos įmonės sutartys ir vadovai. Dydis, subalansuotumas, aktualumas ir teisės į tekstus lemia, kiek naudingos yra gautos išvados.
Kryžminė entropija – tai informacijos teorijos matas, rodantis, kiek prognozuojamas tikimybių skirstinys nukrypsta nuo tikrojo. Mašininiame mokymesi tai dažniausia nuostolio funkcija klasifikavimo užduotims ir kalbos modeliams, nuspėjantiems kitą tokeną. Ji ypač stipriai baudžia už užtikrintas klaidingas prognozes: 99 % priskyrimas netinkamai klasei duoda daug didesnį nuostolį nei 60 % priskyrimas.
Kryžminis patvirtinimas – tai metodas patikrinti, kaip gerai modelis apibendrina naujus, nematytus duomenis. Taikant k dalių kryžminį patvirtinimą, duomenys padalijami į k dalių; modelis k kartų apmokomas su k−1 dalimi ir kaskart išbandomas su likusia dalimi, o paskui rezultatai suvidurkinami. Tai padeda aptikti persimokymą ir sąžiningai palyginti modelius ar nustatymus, ypač kai duomenų nedaug.
„Kubeflow“ yra atvirojo kodo platforma mašininio mokymosi darbo eigoms vykdyti ant „Kubernetes“, nuo duomenų paruošimo per mokymą ir hiperparametrų paiešką iki modelių teikimo. Iš pradžių ją inicijavo „Google“, projektas priklauso Cloud Native Computing Foundation, kur 2026 m. rugpjūtį pasiekė būseną „graduated“ (2026 m. spalio mėn. duomenimis). Ji skirta daugiausia komandoms, kurios dideliu mastu moko savo modelius savo ar debesijos infrastruktūroje.
Kvantinė kompiuterija naudoja kvantinės fizikos reiškinius, tokius kaip superpozicija ir susietumas, ir skaičiuoja kubitais, o ne klasikiniais bitais. Tikimasi didelio spartos pranašumo tam tikroms užduotims, pavyzdžiui, molekulių simuliacijai, kai kurioms optimizavimo problemoms ar šiandienos šifravimo metodų laužymui. Tačiau tokios mašinos vis dar linkusios klysti ir daugiausia naudojamos moksliniuose tyrimuose bei bandomuosiuose projektuose (2026 m. spalio mėn. duomenimis). Šiandienėms DI programoms kvantinė kompiuterija praktiškai dar neturi reikšmės.
„LangChain“ yra atvirojo kodo „Python“ ir „JavaScript“ karkasas, kurį kūrėjai naudoja programoms, grindžiamoms kalbos modeliais, kurti. Jis suteikia vieningas sąsajas su daugeliu modelių teikėjų, taip pat blokus įrankių kvietimui, agentams, dokumentų apdorojimui ir paieška papildytam generavimui. Nuo 1.0 versijos (2025 m. spalis) „LangChain“ agentai kuriami ant „LangGraph“. Tipiniai naudojimo atvejai: pokalbių robotai, ieškantys vidiniuose dokumentuose, ir agentai, kviečiantys išorines paslaugas.
„LangGraph“ yra atvirojo kodo karkasas iš „LangChain“ ekosistemos, skirtas DI agentams ir daugiažingsniams procesams modeliuoti kaip mazgų ir briaunų grafą. Bendra būsena perduodama iš žingsnio į žingsnį, o ciklai, šakos, kontrolės taškų išsaugojimas ir pertraukos žmogaus patvirtinimui yra įtraukti. 1.0 versija išleista 2025 m. spalį. Vienas pavyzdys – agentas, kuris tiria temą, parašo juodraštį ir prieš siųsdamas laukia patvirtinimo.
„LazyGraphRAG“ – tai „Microsoft Research“ 2024 m. pristatytas grafais grįsto paieška papildyto generavimo metodas. Skirtingai nei „GraphRAG“, jis neverčia kalbos modelio kurti santraukų indeksavimo metu; vietoj to sąvokas ir jų bendrą pasitaikymą nustato klasikiniu natūraliosios kalbos apdorojimu, o kalbos modelis naudojamas tik vykdant užklausą. Pasak „Microsoft“, tai sumažina indeksavimo sąnaudas iki paprasto vektorinio RAG lygio. Jis ypač tinka klausimams, kuriems reikia didelių dokumentų rinkinių apžvalgos.
Potencialių klientų rinkimo įrankis (lead scraper) – tai priemonė, automatiškai renkanti potencialių klientų kontaktinius duomenis iš svetainių, katalogų ar socialinių tinklų. Vokietijoje ir ES tai teisiškai jautru: kontaktinių asmenų vardai ir el. pašto adresai yra asmens duomenys, todėl jų tvarkymui pagal BDAR reikia teisinio pagrindo ir duomenų subjektų informavimo, o pagal Vokietijos nesąžiningos konkurencijos įstatymą (UWG, 7 straipsnis) reklaminiams el. laiškams paprastai reikia išankstinio aiškaus sutikimo, įskaitant įmonėms. Geresnis kelias – gaunamos užklausos per jūsų svetainę, turinys ir rekomendacijos (ne teisinė konsultacija).
„Lexile Framework for Reading“ yra JAV bendrovės „MetaMetrics“ sukurta sistema, kuri tos pačios skalės pagrindu matuoja ir asmens skaitymo gebėjimą, ir teksto sudėtingumą. Reikšmės nurodomos su raide „L“, pavyzdžiui, 850L; tekstas tinkamas, kai jo reikšmė artima skaitytojo. Ji daugiausia grindžiama sakinio ilgiu ir žodžių dažnumu. Sistema plačiai naudojama mokyklose ir leidyboje, ypač anglakalbėse šalyse.
LightGBM yra atvirojo kodo gradientinio stiprinimo su sprendimų medžiais biblioteka, iš pradžių sukurta „Microsoft“. Ji sukurta greičiui ir mažam atminties naudojimui, be kita ko, naudojant histogramomis grįstą mokymą ir medžius, augančius lapas po lapo perspektyviausiame lape. LightGBM ypač tinka dideliems lentelių duomenų rinkiniams, pavyzdžiui, pardavimų prognozėms, klientų nutekėjimo prognozavimui ar sukčiavimo aptikimui, ir dažnai lyginama su XGBoost.
LIX (švedų k. läsbarhetsindex) yra Švedijoje Carlo-Hugo Björnssono sukurtas skaitomumo rodiklis. Jis sudeda vidutinį sakinio ilgį žodžiais ir ilgų žodžių, turinčių daugiau nei šešias raides, procentinę dalį. Pavyzdys: 15 žodžių sakinyje ir 30 % ilgų žodžių LIX yra 45. Kadangi nereikia skaičiuoti skiemenų, jį galima taikyti daugeliui kalbų, įskaitant vokiečių; maži balai rodo lengvus tekstus, o maždaug nuo 60 – labai sunkius.
LLaMA, dabar dažniausiai rašoma „Llama“, yra „Meta“ didelių kalbos modelių šeima. Daugelis versijų išleistos su atsisiunčiamais svoriais pagal pačios „Meta“ licenciją, leidžiančią organizacijoms jas paleisti ir pritaikyti savo infrastruktūroje. Naujausia svarbi karta yra „Llama 4“ (2025 m.); 2026 m. „Meta“ taip pat pristatė modelių seriją „Muse“, kurios tik dalis išleista atvirai (2026 m. spalio mėn. duomenimis).
Didelių kalbos modelių sąnaudos paprastai skaičiuojamos už tokeną, t. y. teksto vienetus, maždaug nuo skiemens iki žodžio dydžio; įvesties ir išvesties tokenai kainuojami atskirai, išvestis paprastai brangesnė. Didesni modeliai už tokeną kainuoja daugiau nei maži, greiti modeliai, tokie kaip „Claude Haiku“, kurių dažnai pakanka paprastoms užduotims. Užklausų talpyklos naudojimas (prompt caching) mažina sąnaudas, kai ta pati ilga aplinka siunčiama pakartotinai. Padeda ir glausti nurodymai bei kruopščiai parinktos žinios.
LLM sauga apima visas priemones, saugančias didelių kalbos modelių pagrindu sukurtas programas nuo piktnaudžiavimo, duomenų nutekėjimo ir nepageidaujamo elgesio. Tipinė rizika: užklausos injekcija, konfidencialių nurodymų ar duomenų atskleidimas ir agentai su pernelyg dideliais leidimais. Apsauga kyla iš kelių sluoksnių: aiškių nurodymų, apribotų teisių, įvesties ir išvesties patikrų, DI ugniasienių, red teaming ir reguliarių auditų.
llms.txt yra „Markdown“ tekstinis failas, patalpintas svetainės šakniniame kataloge, kuris kalbos modeliams pateikia glaustą svarbiausio turinio apžvalgą su nuorodomis. Idėją 2024 m. rugsėjį pasiūlė Jeremy Howardas („Answer.AI“). Tai pasiūlymas, o ne oficialus standartas; didieji DI teikėjai neįsipareigojo jo skaityti (2026 m. spalio mėn. duomenimis). Jis papildo robots.txt ir svetainės žemėlapį, bet jų nepakeičia.
Logaritminis nuostolis (angl. log loss, logarithmic loss) matuoja, kaip gerai klasifikavimo modelio prognozuotos tikimybės atitinka tikrus rezultatus. Užtikrintos, bet klaidingos prognozės baudžiamos ypač stipriai; artima nuliui reikšmė rodo gerai sukalibruotas prognozes. Pavyzdys: jei modelis klientui, kuris pasilieka, priskiria 95 % nutekėjimo tikimybę, logaritminis nuostolis smarkiai išauga. Matematiškai tai tas pats, kas dvejetainė kryžminė entropija.
Logistinė regresija – tai statistinis metodas, prognozuojantis vieno iš dviejų rezultatų, pavyzdžiui, „perka“ ar „neperka“, tikimybę. Jis sveria įvesties požymius ir jų sumą S formos funkcija paverčia reikšme tarp 0 ir 1. Kadangi svorius lengva interpretuoti, ji plačiai naudojama kredito vertinime, medicinoje ir rinkodaroje, dažnai kaip tvirtas pradinis atskaitos taškas sudėtingesniems modeliams.
Ilgoji trumpalaikė atmintis (LSTM, angl. long short-term memory) – tai rekurentinio neuroninio tinklo tipas, galintis išlaikyti informaciją per ilgas sekas. Vadinamieji vartai kiekviename žingsnyje nusprendžia, ką išsaugoti, pamiršti ar išvesti, o tai sušvelnina nykstančio gradiento problemą. Daugelį metų LSTM formavo kalbos atpažinimą, vertimą ir laiko eilučių prognozavimą. Kalbos apdorojime juos daugiausia pakeitė transformeriai, tačiau jutiklių duomenims jie išlieka įprasti.
Mašininio mokymosi konvejeris (angl. pipeline) – tai apibrėžta žingsnių seka, kuri neapdorotus duomenis paverčia diegiamu modeliu: duomenų rinkimas ir valymas, požymių paruošimas, mokymas, vertinimas, diegimas ir stebėsena. Šių žingsnių automatizavimas daro rezultatus atkartojamus ir leidžia naujus duomenis apdoroti mažai pastangų. Pavyzdžiui, mažmenininkas gali kiekvieną savaitę perkvalifikuoti ir išbandyti savo pardavimų prognozavimo modelį naudodamas naujausius skaičius.
Mašininis mokymasis yra dirbtinio intelekto šaka, kurioje kompiuteriai dėsningumus išveda iš duomenų, o ne turi aiškiai užprogramuotą kiekvieną taisyklę. Priklausomai nuo užduoties, modeliai mokosi iš pažymėtų pavyzdžių (su priežiūra), iš nepažymėtų duomenų (be priežiūros) arba per atlygius (sustiprintas mokymasis). Taikymai apima nuo šlamšto filtrų ir paklausos prognozių iki produktų rekomendacijų. Kokybė labai priklauso nuo mokymo duomenų kiekio ir kokybės.
Metaužklausa – tai nurodymas, kuriuo kalbos modelio prašoma pačiam parengti arba patobulinti užklausas ar sistemos nurodymus. Aprašote tikslą, auditoriją ir norimą toną bei pateikiate pavyzdžių; modelis sukuria struktūruotus nurodymus su vaidmeniu, taisyklėmis ir ribomis. Taip greičiau gaunami geri pirmieji variantai, kuriuos vėliau žmonės išbando ir tobulina. Pavyzdys: iš frazės „dviračių parduotuvės klientų aptarnavimas“ gaunamas visas nurodymų juodraštis.
Mistral AI – Paryžiuje įsikūrusi DI bendrovė, 2023 m. įkurta Arthuro Menscho, Guillaume’o Lample’o ir Timothée Lacroix. Ji kuria didelius kalbos modelius ir siūlo tiek modelius su viešai prieinamais svoriais, kai kuriuos iš jų – pagal Apache 2.0 licenciją, tiek komercinius modelius per savo platformą. Europos organizacijoms Mistral AI dažnai minima diskusijose apie duomenų suverenitetą ir modelių naudojimą savo infrastruktūroje.
MLflow – atvirojo kodo platforma, skirta valdyti visą mašininio mokymosi modelių gyvavimo ciklą; ją 2018 m. pirmą kartą pristatė Databricks. Ji registruoja eksperimentus su jų parametrais ir metrikomis, valdo modelių versijas registre ir supaprastina diegimą. Naujesnės versijos taip pat palaiko kalbos modeliais pagrįstų programų sekimą ir vertinimą. Todėl komandos gali atsekti, koks modelis buvo sukurtas su kokiais duomenimis ir nustatymais.
Model Context Protocol (MCP) – atvirasis standartas, leidžiantis DI programoms vienodu būdu naudotis išoriniais įrankiais, duomenų šaltiniais ir paslaugomis. MCP serveris teikia funkcijas, o MCP klientas, pavyzdžiui, DI asistentas, gali jas iškviesti. Anthropic MCP pristatė 2024 m. lapkritį; nuo 2025 m. gruodžio jis plėtojamas Linux Foundation priklausančio Agentic AI Foundation fondo žinioje (2026 m. spalio mėn. duomenimis). Taip išvengiama būtinybės kurti kiekvieną integraciją atskirai.
Modelio atsparumas apibūdina, kaip patikimai DI modelis veikia, kai įvestis yra triukšminga, neišsami, neįprasta ar tyčia manipuliuojama. Atsparus modelis vis tiek pateikia stabilius rezultatus, pavyzdžiui, atpažįsta vaizdus prastu apšvietimu arba kalbos modelis susidoroja su rašybos klaidomis. Atsparumas vertinamas stresiniais testais, įvairiais mokymo duomenimis ir bandymais apgauti modelį, o ypač svarbus jis saugumui kritinėse srityse.
Modelio dreifas – tai pamažu menkstanti modelio prognozių kokybė naudojimo metu, nes tikrovė keičiasi, palyginti su mokymo duomenimis. Skiriami įvesties duomenų pokyčiai (duomenų dreifas) ir ryšio tarp įvesties ir rezultatų pokyčiai (koncepcijos dreifas). Pavyzdys: sukčiavimo aptikimo modelis nepastebi naujų sukčiavimo schemų. Padeda nuolatinė metrikų stebėsena ir reguliarus permokymas.
Modelio interpretuojamumas apibūdina, kiek gerai žmonės gali suprasti, kaip DI modelis gauna savo rezultatus. Paprasti modeliai, pavyzdžiui, sprendimų medžiai, iš prigimties lengvai skaitomi; sudėtingiems neuroniniams tinklams padėti gali metodai, atskleidžiantys atskirų požymių įtaką. Interpretuojamumas svarbus derinant klaidas, kuriant pasitikėjimą ir laikantis reguliavimo reikalavimų, pavyzdžiui, kai reikia pagrįsti atsisakymą suteikti paskolą.
Modelio kolapsas – tai kokybės praradimas, galintis atsirasti, kai generatyviniai modeliai pakartotinai mokomi duomenimis, kuriuos pati sukūrė DI. Pamažu išnyksta reti turiniai ir kraštutiniai atvejai, o rezultatai tampa vienodesni ir labiau linkę į klaidas. Ši problema darosi vis svarbesnė, nes DI sukurtų tekstų ir vaizdų dalis internete auga. Atsverti ją padeda kruopščiai atrinkti žmonių sukurti duomenys.
Modelių grandinimas reiškia kelių DI modelių arba DI žingsnių sujungimą į seką, kad vieno žingsnio rezultatas taptų kito žingsnio įvestimi. Taip sudėtingas užduotis galima suskaidyti į aiškias dalines užduotis, kurias galima tikrinti ir tobulinti atskirai. Pavyzdys: pirmas žingsnis apibendrina kliento užklausą, antras priskiria ją skyriui, trečias parengia atsakymą.
Mokymasis be pavyzdžių (angl. zero-shot learning) reiškia, kad modelis gali išspręsti užduotį, prieš tai nematęs konkrečių jos pavyzdžių. Pavyzdžiui, dideli kalbos modeliai gali atlikti vertimą ar klasifikavimą remdamiesi vien užklausoje pateiktu aprašymu. Jei kokybės nepakanka, dažnai padeda mokymasis iš kelių pavyzdžių (few-shot): pridedate keletą norimo atsakymo pavyzdžių.
Mokymasis iš kelių pavyzdžių (angl. few-shot learning) – tai modelio gebėjimas išspręsti užduotį pagal vos saują pavyzdžių. Su kalbos modeliais tai paprastai vyksta tiesiogiai įvestyje: parodote dvi ar tris klausimo ir pageidaujamo atsakymo poras, o modelis tą patį formatą ir stilių pritaiko naujiems atvejams – be perkvalifikavimo. Pavyzdys: trijų teisingai suklasifikuotų klientų užklausų dažnai pakanka, kad kitos užklausos būtų išrūšiuotos taip pat.
Mokymo duomenys – pavyzdžiai, iš kurių DI modelis mokosi dėsningumų: dideli tekstų rinkiniai kalbos modeliams, pažymėti vaizdai vaizdų modeliams. Jų kokybė, įvairovė ir naujumas daugiausia lemia, kaip patikimas ir teisingas bus modelis ir kokios šviežios bus jo žinios. Organizacijoms taip pat svarbu, ar tiekėjas jų įvestus klientų duomenis naudoja tolesniam mokymui.
Mokymo paklaida rodo, kiek modelio prognozės nukrypsta nuo teisingų reikšmių būtent tuose duomenyse, su kuriais jis buvo mokomas. Savaime ji menką ką pasako: svarbu palyginimas su apibendrinimo paklaida naujuose duomenyse. Didelė mokymo paklaida rodo nepakankamą pritaikymą (underfitting); labai maža mokymo paklaida kartu su didele paklaida testavimo duomenyse paprastai signalizuoja persimokymą.
Mašininiame mokymesi mokymosi kreivė – tai diagrama, rodanti modelio veikimą ar paklaidą per mokymo laiką arba pagal mokymo duomenų kiekį, paprastai atskirai mokymo ir validavimo duomenims. Jos forma atskleidžia, ar modelis nepakankamai ar per daug prisitaikęs ir ar daugiau duomenų greičiausiai padės. Jei, pavyzdžiui, validavimo paklaida išlieka gerokai aukštesnė už mokymo paklaidą, tai rodo persimokymą. Kasdienėje kalboje šis terminas taip pat apibūdina, kaip greitai žmonės įsisavina naują technologiją.
Monte Karlo metodai – tai skaičiavimo metodai, kurie naudoja labai daug atsitiktinių imčių, kad apytiksliai gautų rezultatus, kuriuos sunku apskaičiuoti analitiškai. Sistema imituojama tūkstančius kartų su atsitiktinai keičiamomis prielaidomis, o rezultatų pasiskirstymas analizuojamas. Organizacijos tai naudoja rizikos analizei, projektų planavimui ar portfelio vertinimui. DI srityje šie metodai, be kita ko, taikomi skatinamajame mokymesi ir žaidimų medžių paieškoje.
Apache MXNet buvo atvirojo kodo giliojo mokymosi karkasas, galėjęs efektyviai mokyti modelius keliuose GPU ir kompiuteriuose, su sąsajomis Python, C++, R, Scala ir kitoms kalboms. Kelerius metus Amazon Web Services rėmė jį kaip pageidaujamą karkasą. Apache Software Foundation projektą nutraukė 2023 m. rugsėjį, o iki 2024 m. vasario perkėlė į Apache Attic; jis nebeplėtojamas. Esami modeliai paprastai perkeliami į kitus karkasus.
Naivusis Bajeso klasifikatorius – paprastų klasifikavimo metodų šeima, pagrįsta Bajeso teorema. Jie vadinami „naiviais“, nes daroma prielaida, kad visi požymiai yra tarpusavyje nepriklausomi; praktikoje taip būna retai, tačiau rezultatai dažnai vis tiek geri. Metodai greiti, jiems reikia nedaug mokymo duomenų ir jie ypač tinka tekstams. Klasikinis pavyzdys – šlamšto filtras, rūšiuojantis el. laiškus pagal būdingus žodžius.
Natūralios kalbos apdorojimas – DI šaka, leidžianti kompiuteriams analizuoti, suprasti ir generuoti žmonių kalbą tekstu ar žodžiu. Jis apima tokias užduotis kaip vertimas, klasifikavimas, apibendrinimas, nuotaikų analizė ir atsakymai į klausimus. Kadaise dominavo taisyklės ir statistiniai metodai; šiandien sritį formuoja dideli kalbos modeliai.
Natūralios kalbos generavimas (NLG) – kalbos apdorojimo sritis, kurioje iš duomenų, trumpų punktų ar kitos įvesties sukuriamas suprantamas tekstas. Ankstesnės NLG sistemos rėmėsi šablonais ir taisyklėmis; šiandien dauguma naudoja didelius kalbos modelius. Tipiniai taikymai: orų ir biržos ataskaitos, produktų aprašymai, rodiklių santraukos ir pokalbių roboto atsakymai. Svarbu, kad skaičiai ir faktai iš įvesties būtų perimti teisingai ir nepakeisti.
Natūralios kalbos supratimas – kalbos apdorojimo dalis, fiksuojanti pasakymo prasmę: koks kėslas už jo slypi, kokie asmenys, vietos ar datos minimi ir koks yra tonas? Kartu su natūralios kalbos generavimu (NLG) NLU sudaro vieną iš dviejų NLP pusių. Vienas pavyzdys – klientų aptarnavimo sistema, atpažįstanti „Mano siuntinys vis dar neatkeliavo“ kaip užklausą dėl pristatymo.
Neapibrėžtasis sutapdinimas randa panašius, bet ne visiškai identiškus įrašus – pavyzdžiui, dėl rašybos klaidų, santrumpų ar skirtingų rašybos variantų. Jis remiasi panašumo matais, tokiais kaip Levenšteino atstumas, nurodantis, kiek simbolių reikia pakeisti. Tipinis naudojimas – dublikatų paieška adresų ir klientų duomenyse: „Jonaitis, UAB, Gedimino pr. 5“ ir „UAB Jonaitis, Gedimino prospektas 5“ atpažįstami kaip tikėtinai tas pats įrašas.
Neigiamoji užklausa nurodo, ko DI modelis aiškiai neturėtų generuoti ar daryti. Generuojant vaizdus, pavyzdžiui, naudojant Stable Diffusion, tai atskiras įvesties laukas nepageidaujamiems elementams, tokiems kaip „neryškus“ ar „tekstas vaizde“. Kalbos modeliuose ji pateikiama kaip nurodymų taisyklės, pavyzdžiui, „Nesigalvok kainų“ ar „Neteik teisinių patarimų“. Tokios ribos daro rezultatus nuspėjamesnius, bet nepakeičia patikros.
Neprižiūrimo mokymosi metu modelis gauna duomenis be iš anksto nustatytų teisingų atsakymų ir pats ieško struktūrų. Tipiniai metodai: klasterizavimas, grupuojantis panašius įrašus, ir dimensijų mažinimas, sutraukiantis daug požymių į kelis svarbiausius. Organizacijos jį naudoja klientų segmentams atrasti ar neįprastiems sandoriams pastebėti; rastas grupes paskui turi interpretuoti srities ekspertai.
Nestruktūruoti duomenys nesilaiko fiksuotos lentelės schemos: el. laiškai, sutartys, instrukcijos, interneto puslapiai, pristatymai, vaizdai ar garso įrašai. Jie sudaro didelę organizacijų žinių dalį, tačiau ilgai buvo sunkiai automatiškai analizuojami. Kalbos modeliai gali skaityti ir ieškoti tokiame turinyje ir paversti jį struktūruota informacija, pavyzdžiui, išgauti terminus ir sumas iš sutarties į lentelę.
Netiesioginės užklausos injekcijos (angl. indirect prompt injection) atveju manipuliuojantys nurodymai yra ne naudotojo įvestyje, o paslėpti turinyje, kurį DI sistema apdoroja pakeliui, pavyzdžiui, tinklalapiuose, el. laiškuose ar dokumentuose. Perskaitęs tokį turinį, agentas gali paslėptas komandas palaikyti tikromis užduotimis ir, pavyzdžiui, atskleisti duomenis. Apsaugos priemonės: išorinį turinį laikyti tik duomenimis, riboti leidimus, tikrinti įvestį ir reikalauti žmogaus patvirtinimo kritiniams veiksmams.
Neuromorfinė skaičiavimo technika – techninės ir programinės įrangos požiūris, sekantis smegenų sandara. Užuot perkėlus duomenis tarp atskiros atminties ir procesoriaus pagal taktą, dirbtiniai neuronai ir sinapsės veikia lygiagrečiai ir reaguoja tik į įvykius, vadinamus impulsais. Tai žada labai mažą energijos sąnaudą, pavyzdžiui, jutikliuose ar robotuose. Žinomi tyrimų lustai – Intel Loihi ir IBM TrueNorth; plačiai komerciškai naudoti jie dar tik pradedami.
NLTK (Natural Language Toolkit) – atvirojo kodo Python biblioteka natūralios kalbos apdorojimui, sukurta Pensilvanijos universitete 2000-ųjų pradžioje. Ji teikia įrankius tokenizavimui, kamienų išskyrimui, kalbos dalių žymėjimui ir paprastam klasifikavimui bei prieigą prie daugybės tekstų korpusų. NLTK daugiausia naudojama mokyme ir moksliniuose tyrimuose; gamybinėms programoms dažnai pasirenkamos tokios bibliotekos kaip spaCy arba transformerių modeliai.
No-code – tai įrankiai, leidžiantys kurti programas, automatizavimus ar svetaines grafinėmis sąsajomis, nerašant programinio kodo. Verslo komandos procesus gali įgyvendinti ir išbandyti pačios, nelaukdamos IT kūrėjų. Apribojimai atsiranda esant labai specializuotiems reikalavimams, dideliems duomenų kiekiams ar gilioms integracijoms. Pavyzdys: pardavimų komanda tempimo ir paleidimo būdu sukuria srautą, kuris rūšiuoja ir apibendrina naujas užklausas.
NumPy – pagrindinė atvirojo kodo Python biblioteka skaitiniams skaičiavimams. Ji teikia daugiamačius masyvus ir greitas funkcijas tiesinei algebrai, statistikai ir atsitiktiniams skaičiams, o jos branduolys veikia sukompiliuotu kodu. Daugelis duomenų analizės ir mašininio mokymosi įrankių, pavyzdžiui, pandas, scikit-learn ir daugybė vizualizavimo bibliotekų, sukurti remiantis NumPy. Todėl kiekvienas, dirbantis su duomenimis Python kalba, beveik visada ją naudoja tiesiogiai arba netiesiogiai.
Nuotaikų analizė automatiškai nustato tekste išreikštą nuotaiką ar požiūrį – dažniausiai teigiamą, neutralią ar neigiamą, kartais smulkesnes emocijas. Įmonės ją naudoja dideliam kiekiui produktų atsiliepimų, pagalbos el. laiškų, apklausų ar socialinių tinklų įrašų įvertinti ir greitai pamatyti, kur klientai patenkinti, o kur kyla problemų. Ironija, sarkazmas ir mišrūs teiginiai, pavyzdžiui, „greitas pristatymas, nuvilianti kokybė“, išlieka sudėtingi, todėl imtis turėtų patikrinti žmonės.
Nuolatinė agento užduotis: vaidmuo, tonas, ribos. Dažnai vadinama užklausa („prompt“).
Informatikoje ontologija yra formalus dalykinės srities modelis, aiškiai apibrėžiantis sąvokas, jų savybes ir ryšius tarp jų. Tai leidžia žmonėms ir mašinoms nuosekliai interpretuoti duomenis ir daryti iš jų išvadas. Ontologijos yra daugelio žinių grafų, semantinės paieškos sistemų ir duomenų integravimo projektų pagrindas. Pavyzdys: produktų ontologija nurodo, kad „elektrinis dviratis“ yra „dviratis“ ir turi „bateriją“.
Open Neural Network Exchange (ONNX) – atviras mašininio mokymosi modelių failų formatas, 2017 m. pristatytas Microsoft ir Facebook (dabar Meta), o šiuo metu prižiūrimas LF AI & Data Foundation. Pavyzdžiui, PyTorch apmokytą modelį galima eksportuoti į ONNX ir paleisti su kitais įrankiais ar vykdymo aplinkomis, tokiomis kaip ONNX Runtime. Tai palengvina perėjimą tarp karkasų ir diegimą skirtingoje techninėje įrangoje.
OpenAI – San Franciske įsikūrusi DI bendrovė, 2015 m. įkurta kaip ne pelno organizacija. Nuo 2025 m. spalio persitvarkymo ją sudaro ne pelno organizacija OpenAI Foundation, kuri kontroliuoja pelno siekiančią OpenAI Group PBC (2026 m. spalio mėn. duomenimis). OpenAI geriausiai žinoma dėl ChatGPT ir GPT kalbos modelių, taip pat DALL·E vaizdų generatoriaus ir kalbos atpažinimo modelio Whisper. Jos modeliai siūlomi per programas ir API.
OpenCV (Open Source Computer Vision Library) – atvirojo kodo programinės įrangos biblioteka vaizdų apdorojimui ir kompiuterinei regai; jos kūrimas prasidėjo Intel apie 2000 m. Ji siūlo tūkstančius funkcijų, pavyzdžiui, vaizdų filtravimui, kraštų ir veidų aptikimui, objektų sekimui vaizdo įraše ar kamerų kalibravimui. OpenCV parašyta C++, bet dažnai naudojama per Python, pavyzdžiui, kokybės kontrolėje, robotikoje ir moksliniuose tyrimuose.
Optinis simbolių atpažinimas (OCR) paverčia vaizduose, pavyzdžiui, skenuotuose dokumentuose, nuotraukose ar faksuose, esantį tekstą mašininiu būdu skaitomu tekstu. Tik tada dokumentus galima ieškoti, kopijuoti ar apdoroti automatiškai. Šiuolaikinis OCR naudoja neuroninius tinklus ir gali atpažinti lenteles, maketus, o kartais ir rašyseną. Tipiniai taikymai: sąskaitų faktūrų apdorojimas, archyvų skaitmeninimas ir formų skaitymas; kokybė labai priklauso nuo vaizdo kokybės.
Įmonės struktūros schema: padaliniai, vaidmenys ir kas kam pavaldus.
Persimokymas atsiranda, kai modelis įsimena mokymo duomenis, įskaitant atsitiktinius ypatumus ir triukšmą, užuot išmokęs visuotinai galiojančių dėsningumų. Tada jis atrodo labai tikslus su pažįstamais duomenimis, bet prastai veikia su naujais. Tipiškas požymis – didelis atotrūkis tarp mokymo ir testavimo paklaidos. Priemonės: daugiau ar įvairesnių duomenų, paprastesni modeliai, reguliarizavimas, dropout ir kryžminis patikrinimas.
OWASP Top 10 for LLM Applications – svarbiausių saugumo rizikų, kylančių programoms, sukurtoms su dideliais kalbos modeliais, sąrašas, kurį skelbia OWASP GenAI Security Project. Dabartinis 2026 m. leidimas pasirodė 2026 m. rugpjūtį (2026 m. spalio mėn. duomenimis) ir apima: užklausų injekciją, jautrios informacijos atskleidimą, pernelyg didelius įgaliojimus, tiekimo grandinę, duomenų ir modelio užnuodijimą, neribotą išteklių naudojimą, dezinformaciją, paslėpto konteksto atskleidimą, vektorių ir įterpinių silpnybes bei netinkamą išvesties tvarkymą. Jis tarnauja kaip kontrolinis sąrašas kūrimui ir auditams.
Paaiškinamumas (paaiškinamasis DI, angl. XAI) apibūdina, kiek galima suprasti, kodėl DI sistema gavo konkretų rezultatą. Jis apima metodus, rodančius, kurie įvesties duomenys sprendimą paveikė labiausiai, ir praktines priemones, pavyzdžiui, šaltinių nuorodas bei žurnalus. Paaiškinamumas svarbus pasitikėjimui, klaidų paieškai ir reglamentavimui – pavyzdžiui, kai bankas turi pagrįsti, kodėl paraiška buvo atmesta.
Paieška be paspaudimų (angl. zero-click search) vyksta tada, kai naudotojai atsakymą gauna tiesiai rezultatų puslapyje, pavyzdžiui, iš išskirtinių atsakymų langelių ar DI sugeneruotų santraukų, ir nebeatsidaro svetainės. Verslui tai sumažina srautą, net jei jo turinys naudojamas kaip šaltinis. Todėl vis svarbiau tampa matomumas kaip cituojamam šaltiniui: su aiškiais atsakymais, pagrįstais faktais ir gerai struktūruotais puslapiais.
Paieškos grandinė (angl. retrieval pipeline) – apdorojimo žingsnių seka, kuria sistema suranda tinkamą informaciją klausimui. Tipiniai žingsniai: dokumentų įkėlimas ir valymas, skaidymas į fragmentus, paieškos indekso kūrimas, pasirinktinai užklausos perrašymas, atitikmenų paieška, jų reitingavimas (reranking) ir geriausių perdavimas kalbos modeliui. Tai kiekvienos RAG programos pagrindas, o jos kokybė daugiausia lemia, kokie geri bus atsakymai.
Paketinis normalizavimas – giliųjų neuroninių tinklų mokymo technika, kuri kiekvienam duomenų paketui perskaičiuoja sluoksnio tarpines reikšmes į vienodą vidurkį ir sklaidą. Tai daro mokymą stabilesnį ir dažnai greitesnį, o tinklas tampa mažiau jautrus pradinėms reikšmėms. 2015 m. pristatyta technika paplitusi vaizdų atpažinimo tinkluose; transformeriai paprastai remiasi giminingu sluoksnio normalizavimu.
pandas – atvirojo kodo Python biblioteka lentelių duomenims analizuoti ir keisti, nuo 2008 m. kuriama Weso McKinney. Pagrindinis jos objektas, DataFrame, primena lentelę su pavadintais stulpeliais. Ja galima įkelti duomenis iš CSV failų, Excel ar duomenų bazių, juos valyti, filtruoti, grupuoti ir sujungti. pandas sukurta remiantis NumPy ir yra standartinis duomenų analizės, ataskaitų rengimo ir mokymo duomenų paruošimo įrankis.
Papildyta paieškos generacija (angl. retrieval-augmented generation) sujungia paiešką su tekstų generavimu: prieš atsakydama sistema žinių rinkinyje – pavyzdžiui, instrukcijose, taisyklėse ar DUK – ieško svarbių ištraukų ir perduoda jas kalbos modeliui kaip kontekstą. Todėl atsakymas remiasi aktualiu, įmonei specifiniu turiniu, o ne tik modelio mokymo žiniomis. Tai sumažina išgalvotus teiginius, leidžia atsekti šaltinius ir atnaujinti turinį be permokymo.
Parametrų požiūriu efektyvus tikslinimas (PEFT) apima metodus, kurie pritaiko didelį iš anksto apmokytą modelį užduočiai, mokydami tik nedidelę jo parametrų dalį arba pridėdami keletą papildomų. Žinomi metodai: LoRA, QLoRA, adapteriai ir prefiksų tikslinimas. Tai labai sumažina skaičiavimo ir atminties poreikį, o vietoje pilnų modelio kopijų galima saugoti mažus priedinius modulius kelioms užduotims. Pavyzdys: kalbos modelis pritaikomas vidinių techninių dokumentų stiliui.
Pardavimų pokalbio scenarijų generatorius – DI įrankis, rengiantis pokalbio gaires pardavimų skambučiams, pavyzdžiui, šaltiesiems skambučiams, susitikimams ar pakartotiniams kontaktams. Iš informacijos apie pasiūlymą ir tikslinę grupę jis sukuria įžangą, poreikių išsiaiškinimo klausimus, naudos argumentus, atsakymus į tipiškus prieštaravimus ir siūlomą kitą žingsnį. Gera gairė suteikia orientyrą, o ne griežtą scenarijų: klausymasis ir sąžiningas konsultavimas išlieka svarbesni už paruoštas frazes.
Pasiekimų aplankas (brag book) – nuolat atnaujinamas profesinių pasiekimų rinkinys: užbaigti projektai, rodikliai, teigiami atsiliepimai, apdovanojimai ir mokymai. Jis yra pagrindas vertinimo pokalbiams, atlyginimo deryboms, darbo paraiškoms ar paaukštinimams. Pasiteisinusi struktūra – situacija, užduotis, veiksmas ir rezultatas. Reikėtų įtraukti tik patikrinamą informaciją, o skaičių nepagražinti.
Paslėptasis Markovo modelis (angl. hidden Markov model, HMM) – tai statistinis sekų modelis, kuriame tikrosios būsenos yra paslėptos ir gali būti nustatytos tik iš stebimų signalų. Jis aprašo tikimybę, kad po vienos būsenos seks kita, ir kad kiekviena būsena sukurs tam tikrą stebėjimą. HMM ilgą laiką buvo kalbos atpažinimo ir kalbos dalių žymėjimo standartas; šiandien jie vis dar naudojami, pavyzdžiui, bioinformatikoje ir laiko eilučių analizėje.
Pastraipų perrašymo įrankis – tai DI įrankis, kuris perfrazuoja esamą tekstą nekeisdamas jo turinio. Įprasti tikslai – kitoks tonas, trumpesnė versija, paprastesnė kalba ar mažiau pasikartojimų. Tai naudinga, pavyzdžiui, kai vidinį techninį tekstą reikia padaryti aiškesnį klientams. Turinį ir faktus vis tiek reikėtų patikrinti, nes perfrazuojant gali pasikeisti niuansai.
PaLM – didelis Google kalbos modelis, pristatytas 2022 m. su 540 milijardų parametrų ir apmokytas daugybe TPU lustų vienu metu naudojant Google Pathways mokymo sistemą. 2023 m. pasirodė PaLM 2, kuris, be kita ko, valdė pokalbių robotą Bard. Vėliau Google PaLM pakeitė savo Gemini modeliais, o PaLM kūrėjų API buvo išjungta 2024 m. rugpjūtį. Šiandien PaLM svarbus daugiausia kaip didelių kalbos modelių raidos etapas.
Perfrazavimas reiškia kito asmens pasakytos minties atpasakojimą savais žodžiais nekeičiant jos prasmės. Pokalbyje tai aktyvaus klausymosi technika: patikrinate, ar teisingai supratote, ir parodote dėmesį, pavyzdžiui: „Jei teisingai suprantu, jums svarbiausias pristatymo laikas?“ Rašant perfrazavimas padeda padaryti turinį aiškesnį, trumpesnį arba labiau pritaikytą konkrečiai auditorijai.
Perplexity AI – San Franciske įsikūrusi bendrovė, įkurta 2022 m., valdanti DI pagrįstą paieškos variklį. Užuot pateikęs nuorodų sąrašą, jis pateikia parašytą atsakymą, apibendrinantį naujausią interneto turinį ir nurodantį panaudotus šaltinius. Greta nemokamos versijos yra mokamų planų su kalbos modelių pasirinkimu bei DI naršyklė Comet (2026 m. spalio mėn. duomenimis). Verslui Perplexity svarbi ir todėl, kad keičia, kaip randamas turinys internete.
Personalizuota rinkodara reiškia pranešimų, pasiūlymų ir laiko pritaikymą atskiriems klientams ar mažoms grupėms, užuot visus kalbinus vienodai. Ji remiasi tokia informacija kaip ankstesni pirkimai, interesai ar kreipimosi priežastis. DI gali paversti tai tinkamu tekstu, pavyzdžiui, el. laišku, kuriame minimas neseniai įsigytas produktas. Svarbu naudoti tik tuos duomenis, dėl kurių gautas sutikimas, ir nenaudoti jautrių detalių.
PyTorch – atvirojo kodo mašininio ir giliojo mokymosi karkasas Python programavimo kalbai. Iš pradžių jį sukūrė Meta (tuomet Facebook), o nuo 2022 m. jį prižiūri Linux Foundation priklausantis PyTorch Foundation. PyTorch plačiai naudojamas moksle ir pramonėje, nes leidžia kūrėjams lanksčiai kurti modelius, mokyti juos GPU ir išbandyti žingsnis po žingsnio; juo sukurta daug žinomų kalbos ir vaizdų modelių.
Plečiamumas – tai programinės įrangos gebėjimas perimti naujas funkcijas, duomenų šaltinius ar jungtis nekeičiant jos branduolio. Tipinės priemonės yra taikomųjų programų programavimo sąsajos (API), webhook, papildiniai ir atvirieji standartai, pavyzdžiui, Model Context Protocol (MCP). Įmonėms plečiamas DI sprendimas veikia kartu su esamomis sistemomis, pavyzdžiui, CRM ar internetine parduotuve, ir gali augti kartu su kintančiais poreikiais.
Plotas po kreive (angl. area under the curve, AUC) yra klasifikavimo modelių rodiklis, paprastai susijęs su ROC kreive. Jis parodo, kaip gerai modelis atskiria teigiamus ir neigiamus atvejus, nepriklausomai nuo konkretaus slenksčio. Reikšmė 1 reiškia tobulą atskyrimą; 0,5 – ne geriau nei spėjimas. Pavyzdys: klientų nutekėjimo modelis, kurio AUC yra 0,85, atsitiktinai pasirinktą išeinantį klientą 85 % atvejų įvertina kaip rizikingesnį nei ištikimą.
Pokalbių DI apima technologijas, leidžiančias kompiuteriams vesti dialogus natūralia kalba, raštu per pokalbių langą arba žodžiu per balso asistentus. Šiuolaikinės sistemos paprastai grindžiamos dideliais kalbos modeliais, kurie supranta užklausas, atsižvelgia į pokalbio istoriją ir formuluoja tinkamus atsakymus. Organizacijos jas naudoja klientų aptarnavime, vizitų registravimui ar vidinėms pagalbos tarnyboms. Būtinos patikimos žinios, aiškios ribos ir perdavimas žmonėms, kai DI negali padėti.
Pokalbių roboto saugumo auditas – struktūruota patikra, ar DI pokalbių robotas tinkamai saugo konfidencialius duomenis, savo vidinius nurodymus ir veiksmų leidimus. Be kita ko, tikrinamas jautrumas užklausos injekcijai, netyčinis informacijos atskleidimas ir per plati prieiga prie įrankių – dažnai pagal OWASP Top 10 LLM programoms. Rezultatas – ataskaita su kiekvienos rizikos srities įvertinimu ir konkrečiomis priemonėmis.
Pozos vertinimas – kompiuterinės regos metodas, nustatantis žmonių laikyseną arba objektų padėtį ir orientaciją vaizduose ar vaizdo įrašuose. Paprastai modelis aptinka pagrindinius taškus, tokius kaip pečiai, alkūnės ir keliai, ir sujungia juos į skeletą. Jis naudojamas, pavyzdžiui, kūno rengybos programose pratimams tikrinti, darbo vietos ergonomikos analizei, sporto analitikoje ir robotikoje.
Požymių inžinerija – tai požymių (angl. features) atranka, transformavimas ir kūrimas iš neapdorotų duomenų, kad mokymosi algoritmas dėsningumus aptiktų lengviau. Požymių išgavimas iš sudėtingų duomenų, pavyzdžiui, teksto, vaizdų ar signalų, gauna glaustas, prasmingas reikšmes. Pavyzdys: pavieniai pirkimo įrašai paverčiami tokiais požymiais kaip „dienos nuo paskutinio pirkimo“ ar „vidutinė užsakymo vertė“, o tai gali pastebimai pagerinti klientų nutekėjimo prognozę.
Požymių išskyrimas – tai procesas, kai iš neapdorotų duomenų išgaunamos prasmingos reikšmės, kad modelis galėtų juos efektyviai apdoroti. Vietoje milijonų atskirų pikselių sistema gali naudoti kraštus, spalvas ar formas; tekstai paverčiami žodžių svoriais arba įterpinių vektoriais. Geri požymiai sumažina duomenų apimtį, skaičiavimo sąnaudas ir dažnai pagerina tikslumą. Požymių išskyrimas yra svarbi požymių inžinerijos dalis.
Priešiškasis mašininis mokymasis tiria, kaip DI modelius galima suklaidinti tyčia manipuliuotomis įvestimis ar mokymo duomenimis ir kaip juos apsaugoti. Gerai žinomi pavyzdžiai – vos pastebimi vaizdo pakeitimai, apverčiantys klasifikaciją, arba užnuodyti mokymo duomenys. Ši tema organizacijoms tampa svarbi, kai tik DI padeda priimti su saugumu susijusius sprendimus. Atsakomosios priemonės – atsparus mokymas, įvesties patikros, stebėsena ir reguliarūs saugumo testai.
Priežastinis išvedimas apima metodus, skirtus iš duomenų išvesti priežasties ir pasekmės ryšius, o ne vien nustatyti koreliacijas. Jis atsako į tokius klausimus kaip „Kas būtų nutikę, jei nebūtume ėmęsi šios priemonės?“. Priemonės: atsitiktinių imčių eksperimentai, pavyzdžiui, A/B testai, priežastiniai grafai ir statistiniai metodai stebimiesiems duomenims. Pavyzdys: tikrinimas, ar nuolaidų kampanija iš tikrųjų padidino pardavimus, ar jie būtų išaugę ir taip dėl sezoninių priežasčių.
Priklausomybių sintaksinė analizė – tai natūraliosios kalbos apdorojimo metodas, vaizduojantis sakinio gramatinę struktūrą kaip žodžių tarpusavio priklausomybes. Kiekvienas žodis susiejamas su jį valdančiu žodžiu, pavyzdžiui, veiksnys ir papildinys su veiksmažodžiu: sakinyje „Klientas užsako dvi lempas“ „klientas“ ir „lempas“ priklauso nuo „užsako“. Tai padeda išgauti informaciją, pavyzdžiui, nustatyti, kas ką padarė.
Prižiūrimo mokymosi metu modelis mokosi iš pavyzdžių, kurių teisingas atsakymas jau žinomas, pavyzdžiui, el. laiškų, pažymėtų „šlamštas“ arba „ne šlamštas“. Iš jų jis išveda taisykles, kaip klasifikuoti naujus, nematytus atvejus arba prognozuoti reikšmes. Tipinės užduotys – klasifikavimas ir regresija; didžioji dalis pastangų skiriama švariai pažymėtiems duomenims sukurti.
Pagrindinių įmonės procesų ir jų tarpusavio ryšių apžvalga.
Prognozinė analitika naudoja istorinius duomenis, statistiką ir mašininį mokymąsi, kad įvertintų tikėtinus būsimus įvykius. Ji atsako į tokius klausimus: kurie klientai ketina nutraukti sutartį? Kiek atsargų reikės kitą mėnesį? Kada tikėtina mašinos gedimas? Rezultatai yra tikimybės, o ne tikrumas. Jų vertė labai priklauso nuo duomenų kokybės ir nuo to, ar prognozės iš tikrųjų panaudojamos sprendimams ir procesams.
Prognozinis modeliavimas yra prognozinės analitikos techninė šerdis: naudojant pavyzdinius duomenis su žinomais rezultatais sukuriamas modelis, kuris prognozuoja reikšmę ar klasę naujiems atvejams. Įprasti metodai: regresija, sprendimų medžiai, atsitiktiniai miškai ir neuroniniai tinklai. Pavyzdžiui, modelis gali įvertinti nekilnojamojo turto kainą pagal plotą, vietą ir statybos metus. Prieš diegiant jis išbandomas su atidėtais duomenimis, kad būtų aptiktas persimokymas.
Užklausa (angl. prompt) – tai įvestis, kuri nurodo DI modeliui, ką daryti: klausimas, užduotis ar nurodymas, dažnai papildytas kontekstu, pavyzdžiais ir norimu formatu. Atsakymo kokybė labai priklauso nuo to, kokia aiški ir išsami yra užklausa. Pavyzdžiui, užuot rašius „Parašyk ką nors apie mūsų produktą“, geriau: „Parašyk tris trumpus produkto X privalumus amatininkų verslui, dalykiniu tonu“.
Pusiau prižiūrimas mokymasis sujungia nedidelį kiekį pažymėtų duomenų su dideliu kiekiu nepažymėtų. Modelis pirmiausia mokosi iš nedaugelio pavyzdžių su žinomais atsakymais, o paskui naudoja likusių duomenų dėsningumus, kad pagerėtų – pavyzdžiui, priimdamas patikimas prognozes kaip papildomus mokymo pavyzdžius. Tai atsiperka, kai žymėjimas brangus, pavyzdžiui, su medicininiais vaizdais ar tūkstančiais pagalbos užklausų.
Q mokymasis (angl. Q-learning) – pagrindinis skatinamojo mokymosi metodas. Agentas bandymų ir klaidų keliu išmoksta, kokią ilgalaikę vertę („Q vertę“) turi tam tikras veiksmas tam tikroje situacijoje, ir laikui bėgant renkasi perspektyviausius veiksmus. Tam nereikia aplinkos modelio. Derinant su neuroniniais tinklais (gilusis Q mokymasis), DeepMind sistema šiuo metodu išmoko žaisti daugelį Atari vaizdo žaidimų, matydama tik ekrano pikselius.
Reguliarizavimas apima metodus, kurie mokymo metu neleidžia modeliui per tiksliai prisitaikyti prie mokymo duomenų (persimokymas). Pavyzdžiai: didelių svorių baudimas (L1 arba L2 reguliarizavimas), atsitiktinis neuronų išjungimas (dropout) arba mokymo sustabdymas tinkamu momentu (early stopping). Tikslas – paprastesnis modelis, patikimiau veikiantis su naujais, nematytais duomenimis, net jei mokymo duomenyse jo rezultatas šiek tiek prastesnis.
Rekurentinis neuroninis tinklas apdoroja duomenis iš eilės ir perduoda vidinę būseną iš kiekvieno žingsnio į kitą – tarsi trumpalaikę atmintį. Dėl to jis tinka sekoms, tokioms kaip tekstas, kalba ar laiko eilutės, pavyzdžiui, kitam žodžiui ar kitam jutiklio rodmeniui prognozuoti. Paprasti RNN lengvai pamiršta informaciją iš toli; variantai, tokie kaip LSTM ir GRU, šią problemą sušvelnina. Kalbos modeliuose RNN daugiausia išstūmė transformeriai.
Rekursinės užklausos – tai metodai, kai kalbos modelio išvestis vėl pateikiama kaip nauja įvestis, pavyzdžiui, kad juodraštis būtų peržiūrėtas ir pataisytas arba didelė užduotis žingsnis po žingsnio būtų suskaidyta į dalines užduotis. Pavyzdžiui, pirmiausia parengiamas pasiūlymo juodraštis, modelis jį įvertina pagal kontrolinį sąrašą, o galiausiai patobulina. Tai dažnai pagerina kokybę, bet kainuoja papildomo apdorojimo laiko ir reikalauja aiškaus sustojimo kriterijaus.
Nuotolinis MCP – tai MCP serveris, kuris veikia ne vietoje jūsų kompiuteryje, o pasiekiamas internetu per HTTP. Model Context Protocol yra atvirasis standartas, leidžiantis DI programoms naudoti išorinius įrankius ir duomenis; nuotoliniams serveriams specifikacija numato „Streamable HTTP“ transportą ir autentifikavimą, pavyzdžiui, per OAuth arba API raktą. Privalumas – centralizuotai talpinama paslauga prieinama daugeliui naudotojų ir DI programų be vietinio diegimo.
Grąža iš DI (angl. return on AI) apibūdina DI diegimo ekonominę grąžą, palyginti su jo sąnaudomis. Paprastas apytikris skaičiavimas: per mėnesį sutaupytos valandos × valandinis įkainis, atėmus licencijų, modelio naudojimo, įdiegimo ir palaikymo sąnaudas. Jei komanda, apdorojanti 200 užklausų, vienai užklausai skiria 4, o ne 10 minučių, per mėnesį sutaupoma 20 valandų. Tokie skaičiavimai lieka įverčiais; reikėtų atsižvelgti ir į kokybę, klaidų dažnį bei įsisavinimo laiką.
Rytr – nuo 2021 m. prieinamas DI rašymo asistentas, kuriantis trumpus rinkodaros ir kasdienius tekstus. Naudotojai pasirenka naudojimo atvejį – pavyzdžiui, el. laišką, produkto aprašymą, socialinių tinklų įrašą ar tinklaraščio planą – toną ir vieną iš daugiau nei 30 kalbų; redaktorius padeda performuluoti, trumpinti ar plėsti tekstą. Greta nemokamos versijos su ribotu simbolių limitu yra mokami planai (2026 m. spalio mėn. duomenimis). Kaip ir su visais tokiais įrankiais, rezultatus prieš skelbiant reikia patikrinti.
ROC kreivė (angl. receiver operating characteristic) parodo, kaip gerai klasifikavimo modelis atskiria dvi klases. Kiekvienai galimai sprendimo ribai ji vaizduoja tikrųjų teigiamų atvejų dažnį (atkūrimą) palyginti su klaidingų teigiamų atvejų dažniu. Kuo kreivė arčiau viršutinio kairiojo kampo, tuo geriau; įstrižainė atitinka paprastą spėliojimą. Plotas po kreive (AUC) apibendrina kreivę vienu skaičiumi ir padeda, pavyzdžiui, lyginant skirtingus sukčiavimo aptikimo modelius.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) – metrikų šeima, skirta automatiškai sugeneruotiems tekstams, ypač santraukoms, palyginti su žmonių parašytais etaloniniais tekstais. Ji matuoja, kiek sutampa žodžių ar žodžių sekų, pavyzdžiui, pavienių žodžių ROUGE-1 arba ilgiausios bendros posekio ROUGE-L. Rodiklis skaičiuojamas greitai, tačiau jis nepatikimai atspindi tos pačios prasmės perfrazavimus ar faktinį tikslumą.
Sakinių perrašymo įrankis performuluoja pavienius sakinius ar trumpas ištraukas nekeisdamas jų prasmės. Jis gali supaprastinti sakinį, padaryti jį oficialesnį ar draugiškesnį, sutrumpinti arba išvengti pasikartojimų. Tai naudinga, pavyzdžiui, atsakymams klientams, produktų tekstams ar kai sakinys skamba nepatogiai. Vis tiek svarbu greitai patikrinti, ar po performulavimo terminai, skaičiai ir teiginiai išlieka tikslūs.
Scenos teksto atpažinimas skaito tekstą, esantį realios aplinkos nuotraukose ir vaizdo įrašuose, pavyzdžiui, gatvių ženkluose, pakuotėse ar valstybiniuose numeriuose. Skirtingai nei klasikinis OCR nuskenuotiems dokumentams, jis turi susidoroti su iškreipta perspektyva, kintančiu apšvietimu, neįprastais šriftais ir netvarkingu fonu. Tipinis būdas veikia dviem etapais: pirmiausia randamos teksto sritys, paskui jose atpažįstami simboliai.
Scikit-learn – atvirojo kodo Python biblioteka klasikiniam mašininiam mokymuisi. Ji teikia nuoseklius įrankius klasifikavimui, regresijai, klasterizavimui, dimensijų mažinimui, duomenų išankstiniam apdorojimui ir modelių vertinimui, pavyzdžiui, kryžminiam patikrinimui. Sukurta naudojant NumPy ir SciPy, dėl paprastos, vieningos sąsajos ji plačiai naudojama švietime, moksle ir praktikoje. Giliesiems neuroniniams tinklams paprastai renkamasi tokie karkasai kaip PyTorch ar TensorFlow.
Seed – vaizdų modelio atsitiktinių skaičių generatoriaus pradinis skaičius. Difuziniai modeliai pradeda nuo atsitiktinio vaizdo triukšmo, iš kurio pamažu atsiranda paveikslas; seed nulemia, kaip šis pradinis triukšmas atrodo. Su ta pačia pradine reikšme, užklausa ir nustatymais tame pačiame modelyje vaizdą galima iš esmės atkurti. Tai padeda, kai užklausoje norima pakeisti tik vieną detalę arba vėliau atkurti sėkmingą vaizdo variantą.
Sekų modeliavimas apima metodus, kurie apdoroja ir prognozuoja duomenis tam tikra tvarka, kai kiekvieno elemento vieta yra svarbi. Tipinės sekos: tekstas, šnekamoji kalba, laiko eilutės, pavyzdžiui, pardavimai ar jutiklių rodmenys, ir DNR fragmentai. Taikymai – nuo vertimo ir tekstų generavimo iki kalbos atpažinimo ir pardavimų prognozavimo. Tam buvo naudojami paslėptieji Markovo modeliai ir rekurentiniai tinklai; šiandien kalbai dominuoja transformerių modeliai.
Semantinė analizė nagrinėja kalbos prasmę – ne tik kokie žodžiai pasitaiko, bet ir ką jais norima pasakyti. Tai apima dviprasmių žodžių teisingą interpretavimą kontekste (pavyzdžiui, „bankas“ kaip finansų įstaiga ar upės krantas), ryšių tarp sąvokų atpažinimą ir teiginių klasifikavimą pagal turinį. Ji yra pagrindas tokioms programoms kaip klientų atsiliepimų analizė, atsakymai į klausimus ar paieškos sistemos, kurios turi suprasti ir skirtingai suformuluotas tos pačios prasmės užklausas.
Semantinė segmentacija kiekvienam atskiram vaizdo pikseliui priskiria klasę, pavyzdžiui, kelias, transporto priemonė, žmogus ar dangus. Rezultatas – tarsi spalvomis koduotas vaizdo turinio žemėlapis. Skirtingai nei egzempliorių segmentacija, tos pačios rūšies objektai neatskiriami: trys automobiliai traktuojami kartu kaip „automobilis“. Ji naudojama, pavyzdžiui, autonominiame vairavime, medicininiuose vaizduose audiniams išskirti ir aerofotografijos bei palydovinių vaizdų analizėje.
SEO įvertis – analizės įrankių naudojamas rodiklis, vertinantis, kaip gerai interneto puslapis optimizuotas paieškos sistemoms, paprastai pagal skalę nuo 0 iki 100. Veiksniai gali apimti pavadinimus ir aprašymus, antraščių struktūrą, įkėlimo greitį, pritaikymą mobiliesiems, vidines nuorodas ir struktūruotus duomenis. Kiekvienas įrankis įvertį skaičiuoja skirtingai; tai nėra oficialus Google įvertinimas. Todėl įvertis naudingas kaip patobulinimų kontrolinis sąrašas, bet ne kaip gerų pozicijų garantija.
Technologinis singuliarumas – teorinė samprata: momentas, kai dirbtinis intelektas save tobulina taip greitai, kad žmonės nebegali nuspėti ar valdyti technologinės pažangos. Terminą išpopuliarino rašytojas Vernoras Vingė ir futurologas Rėjus Kurcveilas. Ar ir kada tai gali įvykti, mokslui lieka atviras ir ginčytinas klausimas. Vis dėlto ši idėja daro įtaką diskusijoms apie DI saugą, reguliavimą ir ilgalaikes rizikas.
Sintetiniai duomenys generuojami dirbtinai, o ne renkami realiame pasaulyje, tačiau imituoja tikrų duomenų dėsningumus ir savybes. Jie padeda, kai tikrų duomenų trūksta, jie brangūs arba jautrūs duomenų apsaugos požiūriu – pavyzdžiui, testuojant programinę įrangą, mokant modelius ar tikrinant pokalbių robotą su tikroviškais pavyzdinių užklausų rinkiniais. Svarbu, kad jie pakankamai tiksliai atspindėtų tikrovę ir neleistų daryti išvadų apie realius asmenis.
Sisteminio nurodymo išgavimas (angl. system prompt extraction) apibūdina bandymus priversti pokalbių robotą ar DI agentą atskleisti paslėptus sistemos nurodymus. Jei toks bandymas pavyksta, rezultatas vadinamas užklausų nutekėjimu: išgavimas yra ataka, nutekėjimas – pasekmė. Veiksminga apsauga prasideda nuo to, kad slaptažodžiai, raktai ir konfidencialios taisyklės nebūtų nurodymuose ir kad būtų laikoma, jog jie gali tapti vieši; papildomų apsaugos priemonių suteikia įvesties patikros ir reguliarus testavimas.
Skaitymo lygis nurodo skaitymo gebėjimų lygį, kurio reikalauja tekstas arba kurį pasiekė asmuo. Priklausomai nuo sistemos, jis išreiškiamas mokyklos klase, reikšme tokioje skalėje kaip „Lexile“ arba lygiu mokymo programose ir kalbų sistemose, pavyzdžiui, A2 ar B1 Bendruosiuose Europos kalbų metmenyse. Praktikoje tai padeda pritaikyti tekstus numatytai auditorijai, pavyzdžiui, klientų informaciją paprasta kalba.
Skaitomumas apibūdina, kaip lengvai tekstą galima skaityti ir suprasti. Jis priklauso nuo sakinio ilgio, žodžių ilgio, techninių terminų, sakinio struktūros ir maketo ir gali būti apytiksliai įvertintas formulėmis, tokiomis kaip Flescho indeksas ar LIX. Geras skaitomumas svarbus bendravimui su klientais, instrukcijoms, svetainėms ir prieinamam turiniui. Tačiau formulės tik orientuoja; ar tekstas aiškus, galiausiai priklauso nuo jo auditorijos.
Skatinamasis mokymasis – mašininio mokymosi šaka, kurioje agentas mokosi bandymų ir klaidų keliu. Jis veikia aplinkoje, už gerus rezultatus gauna atlygį, o už blogus – baudas, ir taip išugdo strategiją, maksimizuojančią bendrą atlygį. Žinomi pavyzdžiai: programos, įvaldančios stalo žaidimus, tokius kaip Go, robotų valdymas ir kalbos modelių tikslinimas pagal žmonių vertinimus.
RLHF – mokymo metodas, daro kalbos modelius naudingesnius ir saugesnius. Žmonės palygina ir įvertina kelis modelio atsakymus; šie vertinimai naudojami atlygio modeliui apmokyti, kuris paskui skatinamuoju mokymusi toliau moko patį kalbos modelį. Taip jis išmoksta, pavyzdžiui, atsakyti aiškiau arba atsisakyti problemiškų prašymų. RLHF vyksta pas modelio tiekėją prieš išleidžiant modelį – o ne su atskirais naudotojais.
spaCy – atvirojo kodo Python biblioteka natūralios kalbos apdorojimui, kurią kuria Berlyne įsikūrusi bendrovė Explosion. Ji skaido tekstus į žodžius ir sakinius, nustato kalbos dalis ir pagrindines formas, analizuoja sakinio struktūrą ir atpažįsta įvardytus objektus, pavyzdžiui, asmenis, įmones ar vietas. Iš anksto apmokytų modelių yra daugeliui kalbų, įskaitant vokiečių. spaCy sukurta greičiui ir naudojimui realiose programose, pavyzdžiui, dideliems dokumentų kiekiams iš anksto apdoroti.
Specializuotoji integrinė grandinė (ASIC) – tai lustas, sukurtas vienai konkrečiai užduočiai, o ne bendrosios paskirties skaičiavimams kaip CPU. DI srityje ASIC pritaikomi neuroninių tinklų aritmetikai – vienas pavyzdžių yra Google tenzoriniai procesoriai (TPU). Šiai užduočiai jie veikia greičiau ir taupiau nei bendrosios paskirties lustai, tačiau jų kūrimas brangus, o pritaikyti juos naujoms užduotims sunku.
Sprendimų medis – tai modelis, vaizduojantis sprendimą kaip paprastų klausimų „taip / ne“ seką: kiekviena šaka tikrina vieną požymį, o kiekvienas lapas pateikia rezultatą. Mašininiame mokymesi tokie medžiai išmokstami automatiškai iš duomenų ir naudojami klasifikavimui ar prognozavimui. Pagrindinis jų privalumas – skaidrumas, pavyzdžiui, parodoma, kodėl paskolos paraiška buvo pažymėta pagal pajamas, terminą ir mokėjimų istoriją.
Sujungtų žingsnių seka, vykdoma pakartotinai, pavyzdžiui, „suskirstyti paklausimą ir į jį atsakyti“.
Stable Diffusion – vaizdų generavimo modelių šeima, kurianti paveikslus pagal tekstinį aprašymą. Pirmoji versija išleista 2022 m., ją sukūrė Stability AI vadovaujama komanda kartu su mokslinių tyrimų partneriais. Techniškai tai latentinės difuzijos modelis, kuris pamažu paverčia vaizdo triukšmą paveikslu. Kadangi modelio svoriai paskelbti viešai, jį galima paleisti ir pritaikyti vietoje; naujesnių versijų komercinį naudojimą reglamentuoja Stability AI licencija (2026 m. spalio mėn. duomenimis).
Struktūruoti duomenys laikosi fiksuotos schemos su aiškiai pavadintais laukais, pavyzdžiui, lentelės, duomenų bazės ar JSON objektai su tokiais duomenimis kaip vardas, kaina ir data. Mašinos gali juos patikimai skaityti, filtruoti ir apdoroti – skirtingai nei laisvą tekstą ar vaizdus. Svetainėse schema.org žymėjimas apibūdina, pavyzdžiui, produktus, renginius ar DUK, kad paieškos sistemos ir DI sistemos turinį suprastų vienareikšmiškai. DI taip pat gali išgauti struktūruotus duomenis iš nestruktūruoto teksto.
Sukčiavimo aptikimas apima metodus, kuriais anksti atpažįstamos įtartinos operacijos, užsakymai, paskyros ar paraiškos. Taisyklės ir besimokantys modeliai ieško įspėjamųjų požymių, pavyzdžiui, skirtingų pristatymo ir atsiskaitymo adresų, neįprastų kiekių, krintančio į akis skubinimo ar vienkartinių el. pašto adresų. Jis naudojamas elektroninėje prekyboje, bankininkystėje, draudime ir mokėjimo paslaugose. Kadangi klaidingi pavojaus signalai gali paveikti tikrus klientus, radinius turėtų peržiūrėti žmonės, o ne automatiškai atmesti.
DI svetainių generatorius automatiškai sukuria svetainę, įskaitant puslapių struktūrą, maketą, tekstus ir vaizdų pasiūlymus, remdamasis keliais duomenimis, tokiais kaip veiklos sritis, pasiūlymas ir pageidaujamas stilius. Tai suteikia mažoms įmonėms ar projektams greitą buvimą internete be programavimo įgūdžių. Rezultatai yra atspirties taškas: turinį, teisės aktų reikalaujamą informaciją, prieinamumą ir paieškos sistemų optimizavimą reikėtų patikrinti ir pakoreguoti.
„Šiukšlės į įvestį – šiukšlės į išvestį“ (angl. garbage in, garbage out) apibūdina principą, kad sistema gali pateikti tik tokius rezultatus, kokie yra gaunami duomenys. DI tai galioja dvigubai: neteisingi, pasenę ar vienpusiški mokymo ar žinių duomenys lemia klaidingus ar šališkus atsakymus. Pokalbių robotas, remiantis pasenusiu kainoraščiu, nurodys pasenusias kainas. Todėl duomenų priežiūra yra nuolatinė kiekvieno DI projekto užduotis.
Talpykla papildytas generavimas (CAG) – metodas, kai kalbos modelis neieško žinių su kiekvienu klausimu. Vietoj to nedidelė žinių bazė iš anksto įkeliama į jo konteksto langą, o ši būsena išsaugoma talpykloje, todėl atsakymams nereikia atskiro paieškos žingsnio. Terminą išpopuliarino 2024 m. pabaigos mokslinis straipsnis kaip alternatyvą paieška papildytam generavimui (RAG). CAG tinka mažoms, stabilioms žinių bazėms; dideliems ar dažnai besikeičiantiems duomenims RAG paprastai lieka praktiškesnis.
TAM analizė įvertina visą pasiekiamą rinką (angl. total addressable market): visas pajamas, kurias pasiūlymas teoriškai galėtų generuoti. Metodas iš viršaus į apačią siaurina skaičius iš rinkos tyrimų, o metodas iš apačios į viršų daugina galimų klientų skaičių iš tikėtinos kainos. Kartu su SAM (aptarnaujama rinka) ir SOM (realiai pasiekiama dalis) ji padeda priimti investavimo ir planavimo sprendimus, tačiau prasminga tik su skaidriomis prielaidomis ir intervalais, o ne apsimestiniu tikslumu.
Atliekant DI padedamą teisinių dokumentų peržiūrą, kalbos modelis analizuoja sutartis, sąlygas ar teisines pozicijas: apibendrina pagrindinius punktus, tokius kaip trukmė, nutraukimas ir atsakomybė, pažymi neįprastas sąlygas ir nurodo trūkstamas nuostatas. Tai labai paspartina pirminę peržiūrą, tačiau nepakeičia teisinės konsultacijos; vertinimas ir atsakomybė lieka kvalifikuotiems žmonėms.
Automatiniame tekstų apibendrinime DI sutraukia ilgus tekstus iki pagrindinių punktų. Ekstrakciniai metodai žodis žodin nukopijuoja svarbius sakinius, o abstrakciniai turinį performuluoja; dideli kalbos modeliai dirba daugiausia abstrakčiai. Tai naudinga protokolams, ataskaitoms ar ilgoms el. laiškų gijoms; svarbiems sprendimams santrauką reikėtų patikrinti pagal originalą.
Tekstų generavimas – automatinis teksto kūrimas DI, šiandien dažniausiai dideliais kalbos modeliais, kurie žodis po žodžio apskaičiuoja labiausiai tikėtiną tęsinį. Tai natūralios kalbos generavimo šaka ir pagrindinis generatyvinio DI taikymas. Organizacijos jį naudoja el. laiškų, ataskaitų ar produktų aprašymų juodraščiams; faktus ir skaičius prieš skelbiant reikėtų patikrinti.
Tekstų klasifikavimas automatiškai priskiria tekstus iš anksto nustatytoms kategorijoms, pavyzdžiui, el. laiškus – pagal užklausos tipą, atsiliepimus – pagal nuotaiką, dokumentus – pagal temą. Anksčiau tam reikėjo mokyti specialius modelius pagal pažymėtus pavyzdžius; šiandien dideli kalbos modeliai dažnai gali priskirti kategorijas vien pagal aprašymą. Taip galima iš anksto surūšiuoti užklausas ir greičiau nukreipti jas tinkamai komandai.
TensorFlow – atvirojo kodo mašininio mokymosi karkasas, sukurtas Google ir išleistas 2015 m. Jis naudojamas neuroniniams tinklams kurti, mokyti ir diegti programose, serveriuose ar mobiliuosiuose įrenginiuose. Keras suteikia patogią aukšto lygio sąsają; tipiniai taikymai: vaizdų klasifikavimas, prognozavimas ir rekomendacijų sistemos.
Teksto skaitymas balsu (angl. text-to-speech) paverčia rašytinį tekstą šnekamąja kalba ir yra kalbos atpažinimo (kalba į tekstą) priešingybė. Šiuolaikinės sistemos naudoja neuroninius tinklus, kad sukurtų natūraliai skambančius balsus su tinkama intonacija. TTS naudojamas telefono pranešimuose, navigacijos įrenginiuose, skaitymo balsu funkcijose prieinamose svetainėse ir balso asistentuose.
Tiesinė regresija – tai statistinis metodas, aprašantis ryšį tarp tikslinio kintamojo ir vieno ar kelių prediktorių tiese ar plokštuma. Koeficientai dažniausiai parenkami taip, kad būtų minimali kvadratinių nuokrypių suma. Metodas lengvai suprantamas ir interpretuojamas: pavyzdžiui, juo galima įvertinti, kiek išauga pajamos, kai reklamos biudžetas padidėja 1 000 €. Jo ribos išryškėja esant netiesiniams ryšiams.
Tikslinis derinimas (fine-tuning) reiškia jau iš anksto apmokyto DI modelio tolesnį mokymą papildomais, paprastai konkrečiai užduočiai skirtais duomenimis. Koreguojami jo vidiniai svoriai, kad modelis patikimiau tvarkytų, pavyzdžiui, tam tikrą rašymo stilių, specialią leksiką ar išvesties formatą. Tikslinis derinimas reikalauja kruopščiai paruoštų pavyzdinių duomenų, skaičiavimo galios ir testavimo. Daugeliui taikymų pakanka gerai parašytų nurodymų ir prijungtų žinių, ir juos lengviau keisti.
Tiriamoji duomenų analizė (angl. exploratory data analysis, EDA) – tai pirmoji, atvira duomenų rinkinio apžvalga: skaičiuojate suvestinius rodiklius, nagrinėjate skirstinius ir diagramas, ieškote dėsningumų, nuokrypių ir trūkstamų reikšmių – dar neturėdami tvirtos hipotezės. Ji padeda įvertinti duomenų kokybę ir rasti prasmingų klausimų tolesnei analizei ar modeliavimui. Pavyzdys: prieš pardavimų prognozę EDA atskleidžia, kad vienas mėnuo dėl sistemos migracijos buvo užfiksuotas nepilnai.
Tiuringo testą sugalvojo matematikas Alanas Tiuringas, kuris 1950 m. jį aprašė kaip „imitacijos žaidimą“. Žmogus rašytiniu būdu kalbasi su žmogumi ir mašina; jei negali patikimai pasakyti, kuris iš jų yra mašina, testas laikomas išlaikytu. Šiandienos kalbos modeliai dažnai veda labai žmogiškai skambančius pokalbius, tačiau testas byloja tik apie įtikinamą kalbą, o ne apie supratimą ar patikimumą.
Vienetas, kuriuo kalbos modeliai skaičiuoja tekstą. Tokenas maždaug atitinka žodžio dalį; pagal jį skaičiuojamos DI išlaidos.
Tokenas – mažiausias teksto vienetas, kurį apdoroja kalbos modelis, paprastai žodžio dalis, trumpas žodis ar skyrybos ženklas. Modeliai skaito įvestį ir generuoja atsakymus token po tokeno, o ir konteksto lango dydis matuojamas tokenais. Kadangi tiekėjai už įvesties ir išvesties tokenus ima mokestį, tokenai tiesiogiai lemia išlaidas ir ribas: ilgi nurodymai ir plačios foninės žinios didina sąnaudas.
Tokenų slėpimas (angl. token smuggling) – jailbreak forma, kai nepageidaujami nurodymai užmaskuojami, pavyzdžiui, suskaidomi į fragmentus, perkoduojami ar parašomi panašiais simboliais, kad paprasti raktažodžių filtrai jų nepastebėtų, o kalbos modelis vis tiek suprastų jų prasmę. Apsauga apima įvesties normalizavimą prieš vertinant, turinio, o ne vien žodžių patikras, išvesties peržiūrą ir kuo mažesnių leidimų suteikimą DI agentams.
Mėnesio viršutinė darbo srities DI naudojimo riba.
Top-k tikslumas parodo, kaip dažnai teisingas atsakymas patenka tarp k labiausiai tikėtinų modelio pasiūlymų. Esant top-1 skaičiuojama tik pirmoji prognozė; esant top-5 pakanka, kad teisinga klasė būtų tarp penkių geriausių – tai gerai žinoma metrika iš vaizdų atpažinimo etalonų, tokių kaip ImageNet. Ji naudinga visur, kur naudotojai mato kelis pasiūlymus, pavyzdžiui, produktų rekomendacijose ar automatiniame užbaigime.
Torch – atvirojo kodo mašininio mokymosi karkasas, pagrįstas Lua scenarijų kalba; jo versija Torch7 buvo plačiai naudojama moksle ir pramonėje 2010-aisiais. Jis laikomas PyTorch pirmtaku, kuris perėmė Torch idėjas ir dalį C bibliotekų, bet naudoja Python. Pagal oficialią saugyklą Torch nebeplėtojamas aktyviai ir naujiems projektams šiandien beveik nesvarbus.
Perkeliamajame mokyme jau išmokęs didelę bendrą užduotį modelis tampa atspirties tašku naujam, specializuotam modeliui. Užuot pradėjus nuo nulio, jis pritaikomas, pavyzdžiui, tikslinant, naudojant palyginti nedaug savų duomenų. Tai taupo skaičiavimo laiką ir duomenis, pavyzdžiui, kai bendrą vaizdų modelį norima išmokyti aptikti gamybos defektus nuotraukose.
Transformeris – neuroninio tinklo architektūra, pristatyta 2017 m. moksliniame straipsnyje „Attention Is All You Need“. Jos esmė – dėmesio mechanizmas: kiekvienas teksto žodis įvertinamas atsižvelgiant į visus kitus žodžius, o skaičiavimus galima efektyviai lygiagretinti. Transformeriais remiasi šiandienos kalbos modeliai, tokie kaip GPT, Claude ir BERT, jie taip pat naudojami vaizdams ir garsui.
Turinio papildymas reiškia esamo teksto papildymą struktūra ir papildoma informacija, pavyzdžiui, antraštėmis, struktūros planu, santrauka, raktažodžiais ar metaduomenimis. DI modeliai tai gali atlikti greitai ir nuosekliai, todėl turinį lengviau rasti, skaityti ir naudoti iš naujo. Pagrindinė taisyklė – sutvarkyti tai, kas jau yra, o ne išgalvoti naujų faktų. Pavyzdys: neapdoroti susitikimo užrašai tampa struktūrizuotu protokolu su santrauka.
Automatiškai paleidžia srautą, pavyzdžiui, kas valandą, kasdien, darbo dienomis ar kas savaitę.
Nepakankamas pritaikymas (angl. underfitting) atsiranda, kai modelis per paprastas, kad užfiksuotų duomenų sąryšius. Tada jis daro daug klaidų ir mokymo, ir naujuose duomenyse, pavyzdžiui, kai tiesė naudojama aiškiai išlinkusiam dėsningumui atvaizduoti. Priemonės: galingesnis modelis, informatyvesni požymiai, ilgesnis mokymas ar mažesnis reguliarizavimas; priešinga problema yra persimokymas.
Užklausos išplėtimas automatiškai prideda susijusių terminų prie paieškos užklausos, kad būtų rasti ir kitaip suformuluoti svarbūs dokumentai. Tipiniai papildymai: sinonimai, santrumpos, žodžių formos ar vertimai: ieškant „atšaukimas“ gali būti rasti ir tekstai apie „sutarties nutraukimą“. Tai ypač naudinga ieškant pagal raktažodžius, tačiau pridėjus per daug ar netinkamų terminų gali sumažėti tikslumas. Šiandien išplėstoms užklausoms generuoti dažnai naudojami kalbos modeliai.
Užklausų nukreipimas (angl. lead routing) – tai automatinis gaunamų užklausų priskyrimas atsakingam asmeniui, skyriui ar regionui. Kriterijai gali būti tema, produktas, įmonės dydis, kalba ar skubumas. DI gali suprasti ir suskirstyti laisvą užklausos tekstą, pavyzdžiui, ar jis susijęs su nauju pasiūlymu, palaikymo klausimu ar darbo paraiška. Greitas ir tikslus nukreipimas sutrumpina atsakymo laiką ir neleidžia užklausoms likti be atsakymo.
Užklausų nutekėjimas (angl. prompt leaking) – tai netyčinis vidinių DI sistemos nurodymų atskleidimas, pavyzdžiui, kai pokalbių robotas gudriai suformuluotą prašymą atsakydamas parodo savo sisteminį nurodymą. Tai tampa problema, jei tuose nurodymuose yra verslo logikos, vidinės informacijos ar net prisijungimo duomenų. OWASP sąrašas LLM programoms šią riziką įvardija aiškiai. Veiksmingiausia apsauga – rašyti nurodymus taip, tarsi jie galėtų tapti vieši, niekada juose nesaugoti paslapčių ir tikrinti taip pat ir išvestį.
Vaizdų anomalijų aptikimas nuotraukose ar kamerų įrašuose ieško nukrypimų nuo įprastos būklės – pavyzdžiui, įbrėžimų, įtrūkimų ar spalvos pakitimų gamybos detalėse arba nelygumų medicininiuose vaizduose. Dažnai modelis iš pradžių mokosi iš daugybės pavyzdžių be defektų, o tada pažymi viską, kas skiriasi. Tai naudinga, nes tikri defektai reti ir juos sunku iš anksto visiškai aprašyti.
Vaizdų atpažinimas – kompiuterinės regos sritis, kurioje programinė įranga nustato, kas pavaizduota vaizde: objektai, žmonės, tekstas, logotipai ar scenos. Paprastai jis grindžiamas neuroniniais tinklais, apmokytais naudojant daugybę pažymėtų vaizdų. Taikymo sritys – nuo kokybės kontrolės gamyboje ir produktų nuotraukų rūšiavimo iki pagalbos medicininiame vaizdinime. Su žmonių vaizdais ypatingo dėmesio reikalauja duomenų apsauga ir galimas šališkumas.
Vertikalusis DI agentas pritaikytas konkrečiai pramonės šakai ar specialiai užduočiai, pavyzdžiui, klientų pagalbai e. prekyboje, vizitų registracijai gydymo įstaigose ar pardavimų užklausoms mechanikos inžinerijoje. Skirtingai nei bendrosios paskirties asistentai, jis išmano savo srities terminiją, procesus ir taisykles, nes aprūpintas tinkamais nurodymais, žiniomis ir įrankiais. Todėl savo srityje jis paprastai pateikia tikslesnius ir patikimesnius rezultatus.
Vibe coding apibūdina darbo būdą, kai programinė įranga kuriama daugiausia natūralios kalbos aprašymais, o DI sugeneruotas kodas priimamas beveik be peržiūros. Terminą 2025 m. vasarį sugalvojo DI tyrėjas Andrejus Karpathy. Jis gali būti naudingas greitiems prototipams, bet gamyboje kelia neaptiktų saugumo spragų, sunkiai prižiūrimo kodo ir priklausomybių, kurių iš tikrųjų niekas komandoje nesupranta, rizikų, todėl kodo peržiūra ir testavimas išlieka būtini.
Vidutinė absoliutinė paklaida (MAE) parodo, vidutiniškai kiek modelio prognozės nukrypsta nuo tikrųjų reikšmių, nepaisant nukrypimo krypties. Ji išreiškiama tikslinio kintamojo vienetais, todėl lengvai suprantama. Pavyzdys: jei dienos pardavimų prognozės MAE yra 12, modelis vidutiniškai klysta 12 vienetų. Išskirtinėms reikšmėms ji suteikia mažesnį svorį nei kvadratinės paklaidos rodikliai.
Vidutinis vidutinis tikslumas (angl. mean average precision, mAP) – tai rodiklis, vertinantis, kaip gerai sistema randa aktualius rezultatus ir išdėsto juos arti viršaus. Vidutinis tikslumas apskaičiuojamas per rezultatų sąrašą kiekvienai užklausai ar objektų klasei; mAP yra visų jų vidurkis. Tai standartinis matas paieškos sistemoms, rekomendacijų sistemoms ir objektų aptikimui vaizduose, kur jis taip pat priklauso nuo reikalaujamo ribojančių rėmelių persidengimo.
Visiškai naujas verslas (angl. net new business) – tai pajamos iš klientų, kurių anksčiau nebuvo, skiriant jas nuo atnaujinimų, papildomų pardavimų ar plėtros pas esamus klientus. Rodiklis parodo, kaip gerai įmonė atveria naujas rinkas ir tikslines grupes, o pardavimų komandos jį dažnai planuoja ir skatina atskirai. Pavyzdys: programinės įrangos tiekėjas praneša, kad 40 % ketvirčio užsakymų gauta iš visiškai naujo verslo.
Interneto adresas, kuris paleidžia srautą, kai tik kita programa į jį siunčia duomenis.
Whisper – automatinio kalbos atpažinimo modelis, OpenAI išleistas 2022 m. rugsėjį. Jis paverčia šnekamąją kalbą daugeliu kalbų tekstu ir gali išversti įrašus į anglų kalbą. Jo kodas ir modelio svoriai prieinami pagal atvirojo kodo MIT licenciją, todėl Whisper galima paleisti ir savo įrangoje – tai pranašumas, kai garso duomenys neturi palikti organizacijos. Tipiniai taikymai: susitikimų, interviu transkripcijos ir subtitrai.
Langų sudarymas (angl. windowing) reiškia ilgų duomenų skaidymą į fiksuoto ilgio dalis („langus“), kurios dažnai persidengia. DI taikymuose tai padalija ilgus dokumentus į dalis, kuriose galima ieškoti; persidengimas užtikrina, kad sakinys dalies riboje neprarastų konteksto. Slenkantys langai taip pat naudojami su laiko eilutėmis ir garso signalais, kad duomenys būtų analizuojami dalimis.
Writer (writer.com) – JAV bendrovė, įkurta 2020 m., siūlanti generatyvinio DI platformą įmonėms. Ji kuria savo kalbos modelių šeimą Palmyra ir teikia įrankius, kuriais įmonės gali kurti DI agentus, jungti juos su savo žiniomis ir valdyti taisyklėmis dėl prekės ženklo balso ir patvirtinimų (2026 m. spalio mėn. duomenimis). Ji naudojama daugiausia turiniui ir darbo eigoms rinkodaroje, pardavimuose ir komunikacijoje su klientais.
Writesonic – DI paslauga, pirmiausia išgarsėjusi kaip rinkodaros tekstų kūrimo įrankis. Dabar tiekėjas save pozicionuoja kaip matomumo tradicinėje ir DI paieškoje platformą: ji siekia išmatuoti, kaip dažnai prekės ženklas minimas DI asistentų atsakymuose, ir tobulinti turinį SEO bei generatyvinių variklių optimizavimui (GEO) (2026 m. spalio mėn. duomenimis). Pagrindinė jos auditorija – rinkodaros komandos ir agentūros.
XGBoost (Extreme Gradient Boosting) – atvirojo kodo biblioteka, ypač efektyviai įgyvendinanti gradientinį stiprinimą su sprendimų medžiais. Daug mažų medžių mokoma vienas po kito, kiekvienas taiso ankstesnių klaidas, o reguliarizavimas padeda išvengti persimokymo. XGBoost laikomas patikrintu pasirinkimu lentelių duomenims, pavyzdžiui, kredito rizikos vertinimui, klientų praradimo prognozavimui ar pardavimų prognozavimui.
Žinių inžinerija apima ekspertų žinių fiksavimą, tvarkymą ir paruošimą, kad IT sistemos galėtų jomis naudotis. Iš pradžių ji daugiausia buvo skirta ekspertinių sistemų taisyklėms; šiandien dažnai svarbiausia – dokumentuoti išsklaidytas žinias iš instrukcijų, procesų aprašymų ir žmonių galvų, kad DI agentai galėtų jomis remdamiesi patikimai atsakyti. Tam reikia aiškių struktūrų, aktualių šaltinių, apibrėžtų atsakomybių ir nustatytų spragų užpildymo.
Žinių riba (angl. knowledge cutoff) – laiko momentas, iki kurio apima kalbos modelio mokymo duomenys. Modelis neturi įgimtų žinių apie įvykius, kainas, įstatymus ar produktus, atsiradusius vėliau, ir, jei negauna naujausių duomenų, gali pateikti pasenusią informaciją. Tai galima spręsti metodais, kurie vykdymo metu pasitelkia jūsų dokumentus ar naujausią interneto turinį.
Klausimas, kuriam agentas savo žiniose nieko nerado. KI.ordo juos renka, kad galėtumėte užpildyti spragas.
Tekstas, kurį KI.ordo suskaido į dalis ir padaro ieškomą agentams.
Žmogus procese (angl. human-in-the-loop) apibūdina darbo eigas, kuriose žmonės įsitraukia į DI procesą apibrėžtose vietose: peržiūri rezultatus, juos patvirtina ar ištaiso arba perima sudėtingus atvejus. Šis principas mažina klaidingų rezultatų riziką ir palieka atsakomybę žmonėms, ypač kai sprendimai liečia asmenis, pinigus ar teisinius dalykus. Pavyzdys: DI agentas rengia atsakymų į klientų užklausas juodraščius, o darbuotojas juos patikrina prieš išsiunčiant.
Žodžių įterpiniai pateikia žodžius kaip skaitinius vektorius, kad panašios prasmės žodžiai vektorių erdvėje būtų arti vienas kito, pavyzdžiui, „automobilis“ ir „transporto priemonė“. Tokie metodai kaip Word2Vec ar GloVe šiuos vektorius išmoksta iš didelių tekstų kiekių. Jie buvo svarbus žingsnis kalbos apdorojime, pavyzdžiui, paieškai ar klasifikavimui; šiandienos kalbos modeliai naudoja kontekstinius įterpinius, kuriuose žodis pateikiamas skirtingai, priklausomai nuo sakinio.
3D rekonstrukcija apima metodus, kuriais iš nuotraukų, vaizdo įrašų ar jutiklių duomenų apskaičiuojamas trimatis objekto ar erdvės modelis. Įprasti būdai – sugretinti kelis skirtingais kampais darytus vaizdus arba įvertinti lazerinių ir gylio jutiklių gylio duomenis. Ji naudojama matavimuose, paveldosaugoje, medicinoje, robotikoje ir elektroninėje prekyboje, pavyzdžiui, išmaniuoju telefonu nuskenuotą produktą paverčiant pasukamu 3D produkto modeliu.
Pasirinkite planą arba aptarkite savo projektą su mumis.
