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.
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.
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.
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“.
