Vairāk nekā 350 termini no A kā aģents līdz Z kā zero-shot – skaidri izskaidroti, ar norādēm, kur palīdz KI.ordo.
Uz klientiem vērsts mārketings (account-based marketing, ABM) koncentrē mārketingu un pārdošanu uz atlasītu uzņēmumu klientu kopumu, nevis uz plašu auditoriju. Orķestrēšana nozīmē koordinēt katru saskares punktu: kurš iepirkuma komisijas loceklis kādu vēstījumu saņem, pa kādu kanālu un kad. MI palīdz, apkopojot informāciju par mērķa uzņēmumiem, sagatavojot lomām pielāgotus vēstījumus un plānojot secības e-pastā, pa tālruni, pasākumos un sociālajos tīklos.
Adaptīvā mācīšanās apzīmē mācību programmas, kas nepārtraukti pielāgojas izglītojamā zināšanām, tempam un kļūdām. Programmatūra analizē atbildes un pēc tam izvēlas piemērotus vingrinājumus, skaidrojumus vai atkārtojumus. To izmanto skolās, augstskolās un uzņēmumu apmācībās – piemēram, kad platforma pēc nepareizi atbildēta uzdevuma automātiski piedāvā vieglāku starpposmu. Mašīnmācīšanās jomā šis termins apzīmē arī modeļus, kas turpina pielāgoties jauniem datiem.
„Aģentisks” apzīmē MI sistēmas, kas dara vairāk nekā tikai atbild uz vienu jautājumu: tās vairākos soļos tiecas uz mērķi, plāno, izmanto rīkus, piemēram, tīmekļa meklēšanu vai API, pārbauda starprezultātus un izlemj, ko darīt tālāk. Piemērs ir asistents, kas klasificē pieprasījumu, sameklē informāciju un sagatavo atbildes melnrakstu. Būtiski ir skaidri ierobežojumi, žurnalēšana un cilvēka apstiprinājums kritiskos punktos.
Ainas teksta atpazīšana nolasa tekstu, kas parādās reālas vides fotogrāfijās un video, piemēram, ielu zīmēs, iepakojumā vai numurzīmēs. Atšķirībā no klasiskās OCR skenētiem dokumentiem tai jātiek galā ar šķību perspektīvu, mainīgu apgaismojumu, neparastiem fontiem un pārblīvētu fonu. Tipiska pieeja darbojas divos posmos: vispirms tiek atrastas teksta zonas, pēc tam tajās tiek atpazītas rakstzīmes.
Aktivācijas funkcijas nosaka, cik spēcīgi mākslīgā neironu tīkla neirons nodod tālāk savu signālu. Tās ievieš nelinearitāti – tikai tad tīkls var attēlot sarežģītas sakarības, piemēram, valodu vai attēlus. Bieži piemēri ir ReLU, kas negatīvas vērtības pielīdzina nullei, sigmoīda funkcija varbūtībām no 0 līdz 1 un GELU, ko izmanto daudzos transformeru modeļos. Izvēle ietekmē apmācības ātrumu un stabilitāti.
Algoritmiskā pārredzamība nozīmē, ka ir iespējams saprast, kā automatizēta sistēma nonāk pie rezultāta: kādus datus tā izmanto, kādiem noteikumiem seko un kur ir tās robežas. Tas vairo uzticēšanos, atvieglo kļūdu izsekošanu un arvien biežāk ir arī tiesiska prasība, piemēram, informēšanas pienākumu dēļ saskaņā ar VDAR un ES Mākslīgā intelekta aktu. Praksē palīdz dokumentācija, avotu norādes, žurnāli un skaidri paziņojumi skartajām personām.
AllenNLP ir atvērtā pirmkoda Python bibliotēka dabiskās valodas apstrādes pētniecībai, ko Allen Institute for AI izstrādāja uz PyTorch bāzes. Tā piedāvāja gatavus komponentus un modeļus tādiem uzdevumiem kā teksta klasifikācija, koreferences atrisināšana un atbildēšana uz jautājumiem. Kopš 2022. gada beigām AllenNLP vairs netiek aktīvi izstrādāta un ir uzturēšanas režīmā; tās uzturētāji norāda uz alternatīvām, piemēram, AI2 Tango, flair vai Hugging Face Transformers (stāvoklis uz 2026. gada oktobri).
Amazon Kindle Direct Publishing (KDP) ir Amazon platforma, kurā autori paši var publicēt e-grāmatas, grāmatas mīkstajos un cietajos vākos. Nosaukumiem, aprakstiem, atslēgvārdiem un kategorijām jāatbilst platformas noteikumiem. Ikvienam, kurš ģenerē saturu ar MI – tekstu, vāka attēlus vai tulkojumus –, tas publicējot jāatklāj Amazon; tikai ar MI atbalstīts darbs, piemēram, ideju ģenerēšana vai korektūra, ir izņēmums (stāvoklis uz 2026. gada oktobri). Pirms katras publikācijas jāpārbauda aktuālās vadlīnijas.
Amazon SageMaker ir Amazon Web Services (AWS) mākoņpakalpojums mašīnmācīšanās modeļu izveidei, apmācībai un ieviešanai. 2024. gada beigās sākotnējais pakalpojums tika pārdēvēts par „Amazon SageMaker AI”; kopš tā laika „Amazon SageMaker” apzīmē plašāku datu, analītikas un MI platformu ar saskarni SageMaker Unified Studio (stāvoklis uz 2026. gada oktobri). To galvenokārt izmanto datu zinātnes komandas, kas darbina modeļus AWS infrastruktūrā.
Anaconda ir plaši izmantots Python un R programmēšanas valodu distributīvs datu analīzei un mašīnmācīšanās vajadzībām, ko izdod Anaconda Inc. Tas apvieno pakotņu pārvaldnieku conda ar iepriekš instalētām bibliotēkām, piemēram, NumPy, pandas un Jupyter, un ļauj viegli uzturēt atsevišķas vides katram projektam. Organizācijām ar vairāk nekā 200 darbiniekiem Anaconda Distribution un tās noklusējuma pakotņu kanālam ir nepieciešama maksas licence; pats conda un kopienas kanāls conda-forge joprojām ir izmantojami bez maksas (stāvoklis uz 2026. gada oktobri).
Anyword ir MI rakstīšanas platforma mārketinga tekstiem, kas izauga no 2013. gadā dibinātā uzņēmuma Keywee. Tā veido īsus tekstus, piemēram, reklāmas, e-pasta temata rindas, virsrakstus un produktu aprakstus, un piešķir variantiem prognozētu vērtējumu par to, cik labi tie varētu uzrunāt mērķauditoriju. Tā piedāvā arī zīmola balss iestatījumus un esošā satura analīzi (stāvoklis uz 2026. gada oktobri). Šādas prognozes ir aplēses un neaizstāj testēšanu reālos apstākļos.
Anomāliju noteikšana atrod datu punktus, notikumus vai modeļus, kas būtiski atšķiras no normas. Tie var būt neparasti lieli darījumi, pēkšņi lēcieni sensoru rādījumos, dublēti ieraksti vai aizdomīgas darbības tīklā. To izmanto finansēs, IT drošībā, ražošanā un kvalitātes kontrolē. Metodes ir no vienkāršiem statistiskiem sliekšņiem līdz mācīšanās modeļiem; atradumi ir norādes, kuras jāizvērtē cilvēkam.
Anomāliju noteikšana attēlos meklē novirzes no normāla stāvokļa fotoattēlos vai kameras ierakstos – piemēram, skrāpējumus, plaisas vai krāsas izmaiņas detaļām ražošanā vai neregularitātes medicīniskajos attēlos. Bieži modelis vispirms mācās no daudziem nebojātiem piemēriem un pēc tam atzīmē visu, kas atšķiras. Tas ir noderīgi, jo reāli defekti ir reti un tos iepriekš gandrīz nav iespējams pilnībā aprakstīt.
Antropomorfisms ir tieksme piedēvēt mašīnām cilvēciskas īpašības, piemēram, jūtas, nodomus vai sapratni. Tērzēšanas robotu gadījumā tas notiek dabiski, jo tie raksta raiti un personiski. Tas var padarīt saziņu patīkamāku, taču rada riskus: cilvēki var pārāk uzticēties atbildēm vai dalīties ar sensitīvu informāciju. Pretdarboties palīdz skaidri paziņojumi, ka lietotāji sazinās ar MI, un godīgi apgalvojumi par tā ierobežojumiem.
Slepens kods, kas ļauj citām programmām izsaukt KI.ordo.
Apmācības dati ir piemēri, no kuriem MI modelis apgūst likumsakarības: lielas teksta kolekcijas valodas modeļiem, marķēti attēli attēlu modeļiem. To kvalitāte, daudzveidība un aktualitāte lielā mērā nosaka, cik uzticams un taisnīgs ir modelis un cik aktuālas ir tā zināšanas. Organizācijām ir svarīgi arī tas, vai pakalpojumu sniedzējs ievadītos klientu datus izmanto tālākai apmācībai.
Apmācības kļūda parāda, cik tālu modeļa prognozes novirzās no pareizajām vērtībām tieši tajos datos, uz kuriem tas apmācīts. Pati par sevi tā maz ko pasaka: svarīgs ir salīdzinājums ar vispārināšanas kļūdu uz jauniem datiem. Augsta apmācības kļūda norāda uz nepietiekamu pielāgošanos; ļoti zema apmācības kļūda kopā ar augstu kļūdu testa datos parasti liecina par pārmērīgu pielāgošanos.
Ar izgūšanu papildināta ģenerēšana apvieno meklēšanu ar teksta ģenerēšanu: pirms atbildes sniegšanas sistēma zināšanu krājumā — piemēram, rokasgrāmatās, politikās vai BUJ — meklē atbilstošus fragmentus un nodod tos valodas modelim kā kontekstu. Tādējādi atbilde balstās uz aktuālu, uzņēmumam raksturīgu saturu, nevis tikai uz modeļa apmācības zināšanām. Tas samazina izdomātus apgalvojumus, padara avotus izsekojamus un ļauj atjaunināt bez atkārtotas apmācības.
Asociatīvā atmiņa izgūst saglabāto informāciju pēc tās satura, nevis pēc adreses: pietiek ar daļēju vai trokšņainu norādi, lai atsauktu atmiņā atbilstošo veselumu – līdzīgi kā pirmie takti atsauc atmiņā visu dziesmu. Klasisks piemērs MI pētniecībā ir Hopfīlda tīkli. Šis princips sastopams arī aparatūrā (pēc satura adresējama atmiņa) un mūsdienu valodas modeļu uzmanības mehānisma analīzēs.
Tabula, kas katram uzdevumam nosaka, kurš ir izpildītājs (R), atbildīgais (A), konsultants (C) un informējamais (I). To sauc arī par RACI.
Atbilstības ziņošana ir regulāra, izsekojama dokumentēšana par to, vai organizācija ievēro tiesību aktu prasības, standartus un iekšējās politikas. Tipisks ziņojums norāda periodu un tvērumu, katras prasības statusu, novirzes un pasākumus ar atbildīgajiem un termiņiem. Tas kalpo vadībai, padomēm, revidentiem vai iestādēm kā pierādījums, piemēram, par datu aizsardzību vai informācijas drošību.
Atkarību sintaktiskā analīze ir dabiskās valodas apstrādes paņēmiens, kas teikuma gramatisko uzbūvi attēlo kā atkarības starp vārdiem. Katrs vārds ir saistīts ar pārvaldošo vārdu, piemēram, priekšmets un papildinātājs ar izteicēju: teikumā „Klients pasūta divas lampas” vārdi „klients” un „lampas” ir atkarīgi no „pasūta”. Tas palīdz informācijas izgūšanā, piemēram, lai noteiktu, kas ko izdarīja.
Norāde atbildē, kas parāda, no kuras zināšanu sadaļas tā nāk.
Attēlu atpazīšana ir datorredzes joma, kurā programmatūra nosaka, kas attēlā redzams – objekti, cilvēki, teksts, logotipi vai ainas. Tās pamatā parasti ir neironu tīkli, kas apmācīti ar lielu skaitu marķētu attēlu. Lietojumi ir no kvalitātes kontroles ražošanā un produktu fotoattēlu šķirošanas līdz medicīniskās attēldiagnostikas atbalstam. Attēlos ar cilvēkiem īpaša uzmanība jāpievērš datu aizsardzībai un iespējamai neobjektivitātei.
Audio transkripcija pārvērš ierakstos runāto valodu rakstītā tekstā. Mūsdienu automātiskās runas atpazīšanas sistēmas pievieno arī pieturzīmes, atšķir runātājus un dažkārt sniedz laikspiedolus. To izmanto sanāksmju protokoliem, intervijām, subtitriem un klientu sarunu dokumentēšanai. Kvalitāte lielā mērā ir atkarīga no audio kvalitātes, akcenta un nozares terminoloģijas; sarunās, kurās ir personas dati, jāņem vērā piekrišana un datu aizsardzība.
Automātiskā klasifikācija piešķir tekstus, dokumentus vai ierakstus iepriekš noteiktām kategorijām bez manuālas šķirošanas. Tradicionāli modeļi to apgūst no marķētiem piemēriem; lielie valodas modeļi kategorijas var piešķirt arī, balstoties tikai uz aprakstu. Tipiski lietojumi ir ienākošo e-pasta ziņojumu šķirošana pēc pieprasījuma veida, čeku piešķiršana vai steidzamu atbalsta pieteikumu atzīmēšana. Svarīgos gadījumos ieteicamas cilvēku veiktas izlases pārbaudes.
Autonomie transportlīdzekļi pārvietojas pilnībā vai daļēji bez cilvēka iejaukšanās, izmantojot kameras, radaru, lidaru un MI programmatūru. Standarts SAE J3016 nosaka sešus līmeņus – no 0 (bez automatizācijas) līdz 5 (pilnībā bez vadītāja jebkur). MI nodrošina uztveri, citu satiksmes dalībnieku uzvedības prognozēšanu un maršruta plānošanu. Bez automašīnām tas attiecas arī uz robottaksometriem, kravas automašīnām, atspoles transportu un noliktavu transportlīdzekļiem; apstiprināšana un atbildība katrā valstī tiek regulēta atsevišķi.
B2B datu bagātināšana papildina esošos uzņēmumu ierakstus – piemēram, CRM sistēmā – ar tādu informāciju kā nozare, piedāvājums, atrašanās vieta, uzņēmuma lielums vai tīmekļa vietne. Tas atvieglo segmentēšanu, potenciālo klientu novērtēšanu un mērķtiecīgu pārdošanas uzrunāšanu. Avoti ir publiskas tīmekļa vietnes, reģistri un specializēti datu sniedzēji. Kontaktpersonu personas dati ir pakļauti VDAR, un tie jāapstrādā taupīgi un tikai ar tiesisku pamatu.
Atpakaļizplatīšana (backpropagation) ir standarta metode, ar kuru mācās neironu tīkli. Pēc katras prognozes tiek izmērīta kļūda un izplatīta atpakaļ cauri tīkla slāņiem, parādot, cik lielā mērā katrs svars to ir ietekmējis. Pēc tam optimizācijas metode, piemēram, gradienta nolaišanās, soli pa solim pielāgo svarus. Bez atpakaļizplatīšanas mūsdienu valodas un attēlu modeļu apmācība būtu praktiski neiespējama.
Bagging (saīsinājums no bootstrap aggregating) ir ansambļa metode mašīnmācīšanās jomā: daudzi modeļi tiek apmācīti ar nejauši izvēlētām apmācības datu izlasēm, un to prognozes tiek vidējotas vai apvienotas ar balsu vairākumu. Tas padara rezultātus stabilākus un samazina pārmērīgu pielāgošanos. Pazīstamākais piemērs ir nejaušais mežs, kas apvieno daudzus lēmumu kokus – piemēram, lai prognozētu klientu aizplūšanu vai cenas.
Beijesa tīkli ir grafiski modeļi, kas mainīgos attēlo kā mezglus un to varbūtiskās atkarības kā virzītas bultas. Izmantojot Beijesa teorēmu, tie parāda, kā jauni novērojumi maina citu notikumu varbūtību. Viens piemērs ir diagnostikas atbalsts: visticamākā cēloņa novērtēšana pēc novērotajiem simptomiem. To stiprās puses ir pārredzamība un spēja apstrādāt nenoteiktus vai nepilnīgus datus.
MI jomā etalontestēšana (benchmarking) nozīmē sistemātisku modeļu vai sistēmu salīdzināšanu, izmantojot noteiktus uzdevumus un kritērijus. Publiski etalontesti mēra, piemēram, vispārējās zināšanas, spriešanas vai programmēšanas spējas; praktiskai izmantošanai tomēr vissvarīgākie ir testa gadījumi no jūsu pašu ikdienas darba. Tipiski kritēriji ir precizitāte, pilnīgums, atbildes laiks un izmaksas. Tas palīdz izlemt, vai mazāks, lētāks modelis konkrētam uzdevumam ir pietiekami labs.
BERT (Bidirectional Encoder Representations from Transformers) ir valodas modelis, ko Google ieviesa 2018. gadā. Atšķirībā no agrākiem modeļiem tas vienlaikus ņem vērā kontekstu pa kreisi un pa labi no vārda, kas palīdz novērst divdomību. BERT ir paredzēts teksta izpratnei, nevis garāku fragmentu rakstīšanai. To izmanto meklēšanā, teksta klasifikācijā, nosaukto entītiju atpazīšanā un atbildēšanā uz jautājumiem, un tas ir ietekmējis daudzus pēctečmodeļus.
Bez koda apzīmē rīkus, kas ļauj veidot lietojumprogrammas, automatizācijas vai tīmekļa vietnes ar grafiskām saskarnēm, nerakstot programmas kodu. Biznesa komandas var pašas ieviest un testēt procesus, negaidot IT izstrādi. Ierobežojumi parādās ļoti specializētu prasību, lielu datu apjomu vai dziļu integrāciju gadījumā. Piemērs: pārdošanas komanda ar vilkšanu un nomešanu izveido plūsmu, kas šķiro un apkopo jaunus pieprasījumus.
MI jomā neobjektivitāte (bias) apzīmē sistemātisku rezultātu izkropļojumu. Tā bieži rodas no nelīdzsvarotiem vai vēsturiski izkropļotiem apmācības datiem, bet arī no modeļa uzbūves vai jautājuma formulējuma. Labi zināms piemērs: kandidātu atlases rīks, kas mācās no iepriekšējiem pieņemšanas darbā lēmumiem, var turpināt esošo nelabvēlīgo situāciju. Statistikā ar neobjektivitāti saprot arī novērtējuma novirzi no patiesās vērtības. Pretpasākumi ietver daudzveidīgus datus, regulārus auditus un cilvēku pieņemtus lēmumus personāla jautājumos.
BigML ir mašīnmācīšanās platforma no tāda paša nosaukuma uzņēmuma, kas dibināts 2011. gadā un atrodas Korvalisā, Oregonas štatā (ASV). Ar tīmekļa saskarni vai API lietotāji var veidot tādus modeļus kā lēmumu koki, ansambļi, klasterizācija vai anomāliju noteikšana bez lielas programmēšanas. Tā uzsver interpretējamus modeļus un automatizējamas darbplūsmas. Tā tiek piedāvāta kā mākoņpakalpojums un darbināšanai savā datu centrā (stāvoklis uz 2026. gada oktobri).
BLEU rādītājs (Bilingual Evaluation Understudy) ir 2002. gadā IBM izstrādāta metrika mašīntulkojumu automātiskai novērtēšanai. Tā mēra, cik daudz vārdu secību tulkojumā sastopamas arī vienā vai vairākos cilvēku veidotos atsauces tulkojumos, un sniedz vērtību no 0 līdz 1 (bieži attēlo kā 0–100). BLEU ir ātrs un salīdzināms, taču slikti aptver gan nozīmi, gan stilu – labas pārfrāzes var iegūt zemu vērtējumu.
BMXNet ir atvērtā pirmkoda bibliotēka binārajiem neironu tīkliem, ko 2017. gadā izlaida Hasso Plattner Institute Potsdamā un kas veidota uz Apache MXNet ietvara. Binārie tīkli glabā svarus un aktivācijas ar vienu bitu 32 bitu vietā, padarot modeļus daudz mazākus un ātrākus – tas ir pievilcīgi viedtālruņiem un iegultajām ierīcēm, lai gan parasti uz zināmas precizitātes rēķina. Kopš MXNet darbība tika izbeigta 2023. gadā, BMXNet tagad galvenokārt ir pētniecības interesē (stāvoklis uz 2026. gada oktobri).
Boosting ir ansambļa metode mašīnmācīšanās jomā, kurā daudzi vienkārši modeļi tiek apmācīti viens pēc otra, katram jaunam modelim koncentrējoties uz gadījumiem, kuros tā priekšgājēji kļūdījās. Kopā tie veido daudz precīzāku kopējo modeli. Pazīstami varianti ir AdaBoost un gradienta boosting ar tādām bibliotēkām kā XGBoost vai LightGBM. Boosting ir īpaši spēcīgs tabulāriem datiem, piemēram, kredītriska, pārdošanas vai klientu aizplūšanas prognozēm.
Botpress ir platforma tērzēšanas robotu un MI aģentu izveidei no tāda paša nosaukuma Kanādas uzņēmuma, kas atrodas Monreālā. Vizuālā darbvietā lietotāji var veidot sarunu plūsmas, pievienot zināšanu avotus un ar integrāciju palīdzību savienot aģentus ar tādiem kanāliem kā tīmekļa vietnes vai ziņapmaiņas lietotnes; norēķini notiek pēc lietojuma. Agrākā atvērtā pirmkoda, pašmitinātā versija 12 ir pārtraukta – jauni projekti darbojas Botpress Cloud (stāvoklis uz 2026. gada oktobri).
Caffe (Convolutional Architecture for Fast Feature Embedding) ir atvērtā pirmkoda dziļās mācīšanās ietvars, ko izstrādāja Jandzjins Dzja (Yangqing Jia) Kalifornijas Universitātē Bērklijā un kas tika izlaists 2013. gadā. Tas bija populārs galvenokārt attēlu atpazīšanai ar konvolūcijas neironu tīkliem, jo darbojās ātri un modeļi tika definēti konfigurācijas failos. Pēdējā versija 1.0 iznāca 2017. gadā; tās pēctecis Caffe2 2018. gadā tika apvienots ar PyTorch. Mūsdienās Caffe jauniem projektiem izmanto reti.
Cēloņsakarību secināšana aptver metodes, ar kurām no datiem izsecina cēloņu un seku sakarības, nevis tikai atklāj korelācijas. Tā atbild uz tādiem jautājumiem kā: „Kas būtu noticis, ja mēs nebūtu veikuši šo pasākumu?”. Rīki ir randomizēti eksperimenti, piemēram, A/B testi, cēloņsakarību grafi un statistikas paņēmieni novērojumu datiem. Piemērs: pārbaude, vai atlaižu kampaņa patiešām palielināja pārdošanu, vai tā būtu pieaugusi tāpat sezonālu iemeslu dēļ.
Chainer ir atvērtā pirmkoda dziļās mācīšanās ietvars Python valodai, ko izstrādāja Japānas uzņēmums Preferred Networks. Tas popularizēja pieeju „define-by-run”, kurā neironu tīkls tiek veidots aprēķina izpildes laikā, atvieglojot eksperimentēšanu ar elastīgām modeļu struktūrām. Kopš 2019. gada decembra Chainer tiek tikai uzturēts, nevis tālāk izstrādāts; Preferred Networks pārgāja uz PyTorch, kas seko tam pašam principam.
Tērzēšanas robots ir programma, kas saņem jautājumus teksta vai runas veidā un atbild uz tiem dialogā. Vienkārši tērzēšanas roboti seko fiksētiem noteikumiem un lēmumu kokiem, savukārt mūsdienīgie izmanto lielos valodas modeļus un saprot brīvi formulētus pieprasījumus. Tipiski lietojumi ir klientu apkalpošana, iekšējie palīdzības dienesti un pieteikšanās uz tikšanos – piemēram, tīmekļa vietnes tērzēšana, kas visu diennakti atbild uz jautājumiem par piegādes laikiem.
ChatGPT ir ASV uzņēmuma OpenAI MI asistents, kas izlaists 2022. gada novembrī un padarīja ģeneratīvo MI pieejamu plašai auditorijai. Tā pamatā ir GPT sērijas lielie valodas modeļi, un tas atbild uz jautājumiem, raksta un rediģē tekstus, apkopo dokumentus un palīdz programmēt. ChatGPT ir pieejams pārlūkprogrammā un kā lietotne – bezmaksas un maksas līmeņos, kā arī versijās komandām un uzņēmumiem.
Cilvēks procesā (human-in-the-loop) apraksta darba gaitas, kurās cilvēki iesaistās MI procesā noteiktos punktos: pārbauda rezultātus, apstiprina vai labo tos vai pārņem sarežģītus gadījumus. Princips mazina kļūdainas izvades risku un atstāj atbildību cilvēkiem, īpaši lēmumiem, kas skar atsevišķas personas, naudu vai tiesiskus jautājumus. Piemērs: MI aģents sagatavo atbilžu melnrakstus uz klientu pieprasījumiem, un darbinieks tos pārbauda pirms nosūtīšanas.
Claude ir ASV MI uzņēmuma Anthropic lielo valodas modeļu saime. Modeļi saprot un raksta tekstu daudzās valodās, analizē dokumentus, raksta kodu un var izmantot rīkus, piemēram, izpētei vai automatizācijai. Pazīstamākās ir modeļu saimes Haiku, Sonnet un Opus, kas atšķiras pēc ātruma, izmaksām un spējām. Anthropic īpašu uzmanību pievērš drošībai un uzticamai modeļu uzvedībai.
Claude Haiku ir ātrākā un lētākā no trim Anthropic Claude modeļu saimēm līdzās Sonnet un Opus. Tā ir piemērota liela apjoma uzdevumiem, kuriem nepieciešams īss atbildes laiks, piemēram, e-pasta ziņojumu šķirošanai, datu izgūšanai no tekstiem vai pieprasījumu novirzīšanai uz pareizo vietu. Pašreizējā paaudze ir Claude Haiku 5.5 (stāvoklis uz 2026. gada oktobri).
Claude Opus ir spējīgākā no trim Anthropic Claude modeļu saimēm: Haiku, Sonnet un Opus. Tā ir paredzēta sarežģītiem uzdevumiem, kuros nepieciešama vairāku soļu spriešana, piemēram, kompleksām analīzēm, lieliem programmēšanas projektiem vai aģentiem, kas ilgāku laiku strādā patstāvīgi. Toties tā ir lēnāka un dārgāka nekā mazākās saimes. Pašreizējā versija ir Claude Opus 5.5 (stāvoklis uz 2026. gada oktobri).
Claude Sonnet ir vidējā no trim Anthropic Claude modeļu saimēm, kas apvieno spēcīgas spējas ar īsu atbildes laiku un mērenām izmaksām. Tā ir piemērota plašam ikdienas biznesa uzdevumu lokam: tekstu sagatavošanai, dokumentu analīzei, atbildēšanai uz zināšanu jautājumiem vai koda rakstīšanai. Anthropic regulāri izlaiž jaunas versijas; pašreizējā ir Claude Sonnet 5.5 (stāvoklis uz 2026. gada oktobri).
Clearbit ir B2B datu bagātināšanas pakalpojums: no e-pasta adreses vai domēna tas pievieno tādu informāciju kā nozare, uzņēmuma lielums vai atrašanās vieta. Pārdošanas un mārketinga komandas izmanto šādus datus, lai novērtētu potenciālos klientus, saīsinātu veidlapas un piesaistītu tīmekļa vietnes apmeklējumus uzņēmumiem. Clearbit 2023. gadā iegādājās HubSpot; tā funkcijas tagad tiek piedāvātas kā Breeze Intelligence platformā HubSpot (stāvoklis uz 2026. gada oktobri).
Klasterizācija ir nepārraudzītas mācīšanās metode, kas sadala datu punktus grupās pēc to līdzības bez iepriekš noteiktām kategorijām. Tā atklāj modeļus, kurus neviens iepriekš nav nosaucis, – piemēram, klientu segmentus ar līdzīgu pirkšanas uzvedību. Tekstu gadījumā klasterizācija palīdz sakārtot simtiem klientu pieprasījumu tēmās, piemēram, piegāde, rēķini vai sūdzības, un parāda, kur ir uzsvars.
Copilot ir zīmols, zem kura Microsoft apvieno savus MI asistentus. Tajā ietilpst vispārīgs asistents tīmeklim un Windows, Microsoft 365 Copilot darbam Word, Excel, Outlook vai Teams vidē un Copilot Studio pielāgotu aģentu izveidei; GitHub Copilot palīdz programmēšanā. Asistenti balstās uz lielajiem valodas modeļiem un atkarībā no varianta var piekļūt organizācijas datiem Microsoft 365 vidē (stāvoklis 2026. gada oktobrī).
Copy.ai ir ASV MI platforma, kas sākotnēji darbojās kā teksta ģenerators mārketinga tekstiem, piemēram, reklāmām, e-pastiem vai produktu aprakstiem. Vēlāk uzsvars pārcēlās uz automatizētām darba plūsmām pārdošanā un mārketingā, ko uzņēmums apvieno ar nosaukumu „GTM AI”. 2025. gada oktobrī Copy.ai pārņēma ieņēmumu operāciju nodrošinātājs Fullcast (stāvoklis 2026. gada oktobrī).
Copysmith ir ASV MI rīku nodrošinātājs, kas kļuva pazīstams ar teksta ģeneratoru mārketinga un e-komercijas tekstiem, piemēram, produktu aprakstiem un reklāmām. 2022. gadā Copysmith pārņēma rakstīšanas un SEO rīkus Rytr un Frase. Šobrīd uzņēmums darbojas kā vairāku produktu apvienojošs zīmols, tostarp Describely, kas paredzēts interneta tirdzniecības produktu aprakstiem (stāvoklis 2026. gada oktobrī).
CrewAI ir atvērtā pirmkoda Python ietvars, kas ļauj apvienot vairākus MI aģentus komandā („crew”). Katram aģentam tiek piešķirta loma, mērķis un piemēroti rīki; uzdevumi tiek sadalīti, un rezultāti tiek nodoti tālāk. Papildus „flows” nodrošina stingri kontrolētas, notikumu vadītas darba plūsmas. Piemēram, pētniecības aģents apkopo informāciju, bet rakstīšanas aģents sagatavo no tās ziņojumu.
Dabiskās valodas apstrāde ir MI nozare, kas ļauj datoriem analizēt, saprast un ģenerēt cilvēku valodu tekstā vai runā. Tā aptver uzdevumus, piemēram, tulkošanu, klasifikāciju, kopsavilkumu veidošanu, noskaņojuma analīzi un atbilžu sniegšanu uz jautājumiem. Kādreiz dominēja noteikumi un statistikas metodes; mūsdienās nozari veido lielie valodas modeļi.
Dabiskās valodas ģenerēšana (NLG) ir valodas apstrādes joma, kas no datiem, punktiem vai citas ievades veido saprotamu tekstu. Agrākās NLG sistēmas balstījās uz veidnēm un noteikumiem; mūsdienās vairums izmanto lielos valodas modeļus. Tipisks pielietojums ir laikapstākļu un biržas ziņojumi, produktu apraksti, rādītāju kopsavilkumi un tērzēšanas robotu atbildes. Svarīgi, lai skaitļi un fakti no ievades tiktu pārņemti pareizi un nemainīti.
Dabiskās valodas izpratne ir valodas apstrādes daļa, kas uztver izteikuma nozīmi: kāds nodoms tam aiz muguras, kuras personas, vietas vai datumi tiek minēti un kāds ir tonis. Kopā ar dabiskās valodas ģenerēšanu (NLG) NLU veido vienu no divām NLP pusēm. Piemērs ir klientu apkalpošanas sistēma, kas atpazīst „Mana sūtījuma joprojām nav” kā pieprasījumu par piegādi.
DALL-E ir OpenAI attēlu ģenerēšanas modeļu sērija, kas veido attēlus pēc teksta aprakstiem. Pirmā versija parādījās 2021. gadā; DALL-E 3 2023. gadā tika integrēts ChatGPT un padarīja teksta pārveidošanu attēlos pieejamu plašai auditorijai. Kopš tā laika OpenAI DALL-E ir aizstājis ar jaunākiem attēlu modeļiem no GPT Image sērijas; piekļuve DALL-E 2 un 3 caur API beidzās 2026. gada maijā (stāvoklis 2026. gada oktobrī).
Daļēji uzraudzītā mācīšanās apvieno nelielu daudzumu marķētu datu ar lielu daudzumu nemarķētu datu. Modelis vispirms mācās no dažiem piemēriem ar zināmām atbildēm un pēc tam izmanto likumsakarības pārējos datos, lai uzlabotos — piemēram, pārņemot pārliecinošas prognozes kā papildu apmācības piemērus. Tas atmaksājas, ja marķēšana ir dārga, piemēram, medicīnas attēliem vai tūkstošiem atbalsta pieteikumu.
Dash ir uzņēmuma Plotly atvērtā pirmkoda ietvars interaktīvu tīmekļa lietojumprogrammu veidošanai datu analīzei Python vidē, pašam nerakstot JavaScript. Diagrammas, filtri un slīdņi ir tieši saistīti ar Python kodu. Tipiski piemēri ir informācijas paneļi, kuros uzņēmuma komandas filtrē pārdošanu pēc reģiona vai izmēģina mašīnmācīšanās modeļa prognozes ar saviem lielumiem.
DataRobot ir ASV programmatūras uzņēmums, kura platforma palīdz organizācijām izveidot, darbināt un uzraudzīt MI lietojumprogrammas. Uzņēmums kļuva pazīstams ar automatizēto mašīnmācīšanos (AutoML), kas automātiski apmāca un salīdzina daudzus modeļu variantus — piemēram, lai prognozētu klientu aiziešanu vai pieprasījumu. Mūsdienās uzņēmums vērš uzmanību arī uz MI aģentu darbināšanu un pārvaldību (stāvoklis 2026. gada oktobrī).
Datorredze ir MI joma, kurā datori interpretē attēlus un video. Tipiski uzdevumi ir objektu noteikšana un lokalizēšana, teksta nolasīšana attēlos un detaļu mērīšana. Šo tehnoloģiju izmanto, piemēram, kvalitātes kontrolē ražošanā, vadītāja palīgsistēmās, loģistikā un medicīniskajā attēldiagnostikā.
Datu aizsardzības noteikumi ir tiesību normas, kas regulē personas datu apstrādi. ES galvenais regulējums ir Vispārīgā datu aizsardzības regula (VDAR); tā cita starpā prasa tiesisko pamatu katrai apstrādei, datu minimizēšanu, pārredzamību pret datu subjektiem un datu apstrādes līgumus ar pakalpojumu sniedzējiem. Izmantojot MI, organizācijām jāizskaidro, kādi dati nonāk ievaddatos, zināšanu avotos un žurnālos un kur tie tiek apstrādāti.
Pakalpojumu sniedzējs apstrādā personas datus uzņēmuma uzdevumā. Tam nepieciešams līgums saskaņā ar VDAR 28. pantu.
Datu ieguve ir sistemātiska liela datu apjoma meklēšana, lai atrastu likumsakarības, saistības un anomālijas. Tā izmanto statistikas paņēmienus un mašīnmācīšanās metodes, piemēram, klasterizāciju, klasifikāciju vai asociāciju analīzi. Klasisks piemērs ir pirkumu groza analīze mazumtirdzniecībā, kas parāda, kuras preces bieži tiek pirktas kopā — tā ir pamats sortimentam, preču izvietojumam un ieteikumiem.
Datu izsūkšana ir datu neatļauta pārsūtīšana ārpus sistēmas. MI lietojumprogrammās tā var notikt, ja tērzēšanas robots vai aģents ar viltotiem ievaddatiem vai sagatavotu saturu — piemēram, tīmekļa lapā, ko tas lasa — tiek pamudināts atklāt vai pārsūtīt konfidenciālu informāciju. Aizsardzība ietver minimālas piekļuves tiesības, ievaddatu pārbaudes, izejošo savienojumu ierobežojumus un atbilžu uzraudzību.
Datu pārvaldība ietver noteikumus, lomas un procesus, kuri nosaka, kam drīkst vākt, izmantot, mainīt un dzēst kurus datus. Tā aptver atbildību par datu kvalitāti, piekļuves tiesībām, glabāšanas termiņiem un datu aizsardzības prasību ievērošanu. Tā ir īpaši svarīga MI projektos, jo modeļi un aģenti ir tikai tik uzticami, cik uzticami ir dati, uz kuriem tie balstās.
Datu tīrīšana ir nepareizu, dublētu vai nekonsekventu ierakstu atklāšana un labošana datu kopās. Tipiski soļi ir rakstības un datuma formātu vienādošana, lieko atstarpju noņemšana un dublikātu apvienošana, piemēram, „Smith Ltd” un „Smith Limited”. Tīri dati ir priekšnoteikums drošām analīzēm, izsūtnēm un MI lietojumprogrammām.
Datu trūkums rodas, ja MI uzdevumam nav pietiekami daudz piemērotu vai marķētu datu, lai modeli droši apmācītu vai pārbaudītu. Tas skar, piemēram, retus defektu veidus ražošanā, nišas valodas vai jaunus produktus bez pārdošanas vēstures. Risinājumi ir pārneses mācīšanās, sintētiskie dati, datu paplašināšana vai iepriekš apmācīti valodas modeļi, kas sniedz noderīgus rezultātus jau no dažiem piemēriem.
Datu validācija pārbauda, vai dati ir pilnīgi, pareizi formatēti un ticami, pirms tos apstrādā tālāk. Tipiskas pārbaudes attiecas uz obligātajiem laukiem, e-pasta adrešu, pasta indeksu vai datumu formātu un loģiskām pretrunām — piemēram, piegādes datumu pirms pasūtījuma datuma. Tādējādi kļūdas tiek atklātas savlaicīgi, nevis pāriet uz pārskatiem, rēķiniem vai MI analīzēm.
Daudzsoļu spriešana ir MI sistēmas spēja atbildēt uz jautājumu ar vairākiem secīgiem secinājumiem, bieži apvienojot informāciju no dažādiem avotiem. Piemērs: „Kuru nodaļu vada persona, kas atbild par projektu X?” vispirms prasa noskaidrot atbildīgo personu un tikai tad tās nodaļu. Šādi jautājumi ir sarežģīti meklēšanas un RAG sistēmām, jo katrs starpsolis ir jāatrod un pareizi jāsaista.
Dziļviltojums (deepfake) ir ar MI izveidots vai pārveidots attēls, video vai audioieraksts, kas pārliecinoši rāda reālus cilvēkus sakām vai darām to, kas nekad nav noticis. Līdzās likumīgam lietojumam filmās vai dublēšanā dziļviltojumus izmanto dezinformācijai, reputācijas graušanai un krāpšanai — piemēram, viltotiem zvaniem it kā no vadītāja ar lūgumu veikt pārskaitījumu. Aizsardzība ietver atzvanu pa zināmiem kanāliem, skaidrus apstiprināšanas procesus un MI radīta satura marķēšanu.
Deterministisks modelis vienmēr dod vienu un to pašu rezultātu pie viena un tā paša ievaddatu kopuma, jo tas seko stingriem noteikumiem vai formulām un nav saistīts ar nejaušību — piemēram, noteikums „5 % atlaide pasūtījumiem virs 100 €”. Turpretī lielie valodas modeļi darbojas varbūtiski: to atbildes uz vienu un to pašu jautājumu var atšķirties. Praksē abus bieži apvieno, lai līdzsvarotu elastību un izsekojamību.
Developmental Reading Assessment (DRA) ir Amerikas Savienotajās Valstīs plaši izmantota metode, ar kuru skolotāji nosaka bērnu lasītprasmes līmeni no bērnudārza līdz 8. klasei; to izdod Pearson. Bērni skaļi nolasa līmeņotus tekstus un atbild uz jautājumiem par tiem, un novērtējums aptver tādus aspektus kā plūdums un izpratne. Rezultāts ir lasītprasmes līmenis, kas palīdz izvēlēties piemērotas grāmatas un atbalsta pasākumus.
Dimensiju samazināšana mazina datu kopas pazīmju skaitu, nezaudējot būtisko informāciju. Plaši pazīstamas metodes ir galveno komponentu analīze (PCA), kā arī t-SNE un UMAP, ko bieži izmanto vizualizācijai. Tā paātrina aprēķinus, mazina pārmācīšanās risku un padara datus vieglāk aptveramus — piemēram, ja simtiem klientu atribūtu tiek attēloti divdimensiju diagrammā, kurā līdzīgi klienti atrodas tuvu cits citam.
Diskriminatīvie modeļi apgūst atšķirt datu punktus, tieši nosakot robežu starp klasēm — tie atbild uz jautājumu „Kurai kategorijai pieder šis ievaddatu elements?”. Piemēri ir loģistiskā regresija, atbalsta vektoru mašīnas un daudzi neironu klasifikatori, piemēram, surogātpasta atpazīšanai. Turpretī ģeneratīvie modeļi aptver to, kā rodas paši dati, un tāpēc var radīt jaunus piemērus.
Diskriminācija MI jomā rodas, ja MI sistēma nepamatoti nostāda cilvēkus neizdevīgākā situācijā, pamatojoties uz tādām pazīmēm kā dzimums, etniskā izcelsme, vecums vai invaliditāte. Cēloņi parasti ir šķību apmācības datu kopa, nepiemērotas aizstājējpazīmes, piemēram, pasta indeksi, vai nepietiekama testēšana; zināmi gadījumi saistīti ar personāla atlasi un kreditēšanu. Pretpasākumi ir reprezentatīvi dati, regulāra taisnīguma testēšana, pārredzamība un lēmumu par cilvēkiem cilvēka uzraudzība.
Divvirzienu LSTM (BiLSTM) ir rekurents neironu tīkls, kas nolasa secību gan uz priekšu, gan atpakaļ un apvieno abus skatījumus. Tas nozīmē, ka tiek ņemts vērā arī konteksts, kas seko katram vārdam. Pirms transformeru izplatības tā bija standarta izvēle tādiem uzdevumiem kā vārdšķiru marķēšana, nosaukto entītiju atpazīšana un runas atpazīšana. Ļoti gariem tekstiem un lielām datu kopām transformeri tagad parasti darbojas labāk.
DL4J (Eclipse Deeplearning4j) ir atvērtā pirmkoda bibliotēka dziļajai mācīšanai Java virtuālajā mašīnā (JVM). Tā ļauj neironu tīklus apmācīt un darbināt Java vai Scala valodā, tāpēc tā iekļaujas esošajās uzņēmumu sistēmās uz Java bāzes. Projektā ietilpst arī rīki modeļu importēšanai no citiem ietvariem. To uztur kā Eclipse Foundation projektu.
Dokumentu meklēšana ar NLP izmanto dabiskās valodas apstrādes paņēmienus, lai dokumentu kolekcijās atrastu informāciju pēc brīvi formulēta jautājuma. Nevis tikai meklējot precīzas vārdu virknes, šādas sistēmas ņem vērā vārdu formas, retu terminu svaru vai nozīmes līdzību. Piemēram, kas ievada „Kā pieprasīt atvaļinājumu?”, saņem attiecīgo darbinieku rokasgrāmatas sadaļu, pat ja tajā runāts par „brīvdienu pieteikumu”.
Ar izguvi papildinātajā ģenerēšanā (RAG) dokumentu novērtēšana nozīmē izgūto fragmentu pārbaudi, vai tie atbilst jautājumam un var pamatot atbildi. Valodas modelim tiek nodoti tikai fragmenti, kas novērtēti kā atbilstoši; nepiemēroti rezultāti tiek atmesti vai izraisa jaunu meklēšanu. Tas mazina risku saņemt izdomātas vai nepareizi pamatotas atbildes, piemēram, ja uz jautājumu par aktuālajām cenām parādās novecojis dokuments.
Dokumentu pārkārtošana ir otrais šķirošanas solis meklēšanas un RAG sistēmās: ātra sākotnējā meklēšana atgriež kandidātu rezultātu kopu, ko precīzāka, bet dārgāka metode pēc tam pārkārto pēc atbilstības. To bieži veic tā sauktais krustenkoderis (cross-encoder), kas jautājumu un fragmentu vērtē kopā. Rezultātā atbilstošākie fragmenti nonāk augšgalā, pirms valodas modelis no tiem formulē atbildi.
Dropout ir regularizācijas paņēmiens neironu tīklu apmācībā: katrā apmācības solī uz laiku tiek izslēgta nejauša neironu daļa. Tas neļauj tīklam paļauties uz atsevišķiem savienojumiem, tāpēc tas apgūst noturīgākas likumsakarības. Tas mazina pārmācīšanos, proti, vienkāršu apmācības datu iegaumēšanu. Kad gatavais modelis vēlāk tiek lietots, visi neironi atkal ir aktīvi.
Dziļā mācīšanās ir mašīnmācīšanās nozare, kas izmanto mākslīgos neironu tīklus ar daudziem slāņiem. Šādi tīkli no lieliem datu apjomiem paši apgūst, kuras pazīmes ir svarīgas — no attēlu malām līdz nozīmes sakariem tekstos. Dziļā mācīšanās ir mūsdienu valodas modeļu, attēlu un runas atpazīšanas un mašīntulkošanas pamatā, un tai parasti nepieciešama ievērojama skaitļošanas jauda un daudz apmācības datu.
Dziļo pārliecību tīkli (DBN) ir neironu tīkli, kas sastāv no vairākiem uzklātiem slāņiem, kurus vispirms bez uzraudzības iepriekš apmāca slāni pa slānim, parasti kā tā saucamās ierobežotās Bolcmana mašīnas. Šo metodi 2006. gadā ieviesa Džofrijs Hintons ar kolēģiem; tā parādīja, ka dziļos tīklus var apmācīt efektīvi, un tādējādi veicināja dziļās mācīšanās uzplaukumu. Praksē DBN kopš tā laika lielā mērā aizstājušas citas arhitektūras.
Dziļuma novērtēšana no attēliem nosaka, cik tālu no kameras atrodas objekti vai atsevišķi pikseļi. To var darīt ar divām kamerām (stereo), ar dziļuma sensoriem vai, izmantojot neironu tīklus, pat no vienas fotogrāfijas (monokulārā dziļuma novērtēšana). Tā nepieciešama robotikā, vadītāja asistencē, papildinātajā realitātē un telpu 3D modeļos.
Ekspertsistēma ir datorprogramma, kas cilvēku speciālistu zinātību glabā kā noteikumus un faktus un no tiem izdara secinājumus. Tā parasti sastāv no zināšanu bāzes un secināšanas dzinēja, kas pielieto noteikumus. Ekspertsistēmas veidoja MI 20. gadsimta 70. un 80. gados, piemēram, medicīniskajā diagnostikā vai tehniskās aparatūras konfigurēšanā. To idejas dzīvo tālāk mūsdienu uz noteikumiem balstītās pārbaudēs un zināšanu grafos.
Ekstraktīvais MI ir metodes, kas no tekstiem vai dokumentiem izgūst esošu informāciju, nevis raksta jaunu saturu. Rezultāts nāk burtiski vai noteiktā struktūrā no avota — piemēram, rēķinu numuri no PDF, atslēgas teikumi kopsavilkumam vai atbilstošais fragments, atbildot uz jautājumu. Tā kā nekas netiek izdomāts, nepatiesu apgalvojumu risks ir mazāks nekā ar tīri ģeneratīvām pieejām; abas bieži apvieno.
Rašanās apraksta sistēmas īpašības, kas rodas no daudzu vienkāršu daļu mijiedarbības, bet nav saskatāmas nevienā atsevišķā daļā. MI pētniecībā spējas dēvē par emergentām, ja lielie valodas modeļi virs noteikta izmēra tādus uzdevumus kā daudzsoļu aritmētika vai tulkošana risina manāmi labāk nekā mazāki modeļi. Pētnieku vidū tiek apspriests, vai šādi lēcieni ir īsti vai daļēji atkarīgi no mērīšanas veida.
F rādītājs ir klasifikācijas modeļu novērtēšanas metrika. Plaši lietotais F1 rādītājs ir precizitātes (cik daudz no prognozētajiem trāpījumiem ir pareizi) un pārklājuma (cik daudz no faktiskajiem trāpījumiem tika atrasti) harmoniskais vidējais, un tas svārstās no 0 līdz 1. Tas ir īpaši noderīgs ar nesabalansētiem datiem: surogātpasta filtram, kas gandrīz nekad neatzīmē surogātpastu, var būt augsta pareizība, bet zems F1 rādītājs.
Fasetu meklēšanā lietotāji soli pa solim sašaurina rezultātus ar filtriem, kas veidoti no satura atribūtiem — piemēram, kategorijas, cenas, zīmola, datuma vai autora. Katra fasete parasti parāda, cik rezultātu paliek. Šī pieeja pazīstama no interneta veikaliem, taču to izmanto arī bibliotēkās, iekštīklos un dokumentu arhīvos, lai lielas kolekcijas padarītu pārskatāmas bez precīziem meklēšanas vārdiem.
fastai ir atvērtā pirmkoda Python bibliotēka dziļajai mācīšanai, kas izveidota uz PyTorch bāzes. Tā apvieno pārbaudītus noklusējuma iestatījumus, lai modeļus attēliem, tekstam vai tabulu datiem varētu apmācīt ar dažām koda rindām, tomēr atstājot iespēju dziļi pielāgot katrā līmenī. Tā izaugusi no mācību iniciatīvas fast.ai un papildina tās bezmaksas kursus, tāpēc ir populāra izglītībā un modeļu ātrai izmēģināšanai.
Federatīvā mācīšanās ir apmācības pieeja, kurā MI modelis mācās daudzās ierīcēs vai vietās, neļaujot neapstrādātajiem datiem tās atstāt. Katrs dalībnieks apmāca modeli lokāli un uz centrālo serveri sūta tikai modeļa atjauninājumus, kas tos apvieno. Tas aizsargā privātumu un der, piemēram, slimnīcām, kas vēlas kopīgi uzlabot diagnostikas modeli, vai viedtālruņu tastatūrām, kas apgūst vārdu ieteikumus.
Finanšu krāpšanas atklāšana aptver metodes, kas atklāj krāpnieciskas darbības maksājumos, kredītkartēs, apdrošināšanā vai grāmatvedībā. MI modeļi apgūst likumīgu darījumu tipiskās likumsakarības un atzīmē novirzes — piemēram, neparastas summas, atrašanās vietas vai laikus —, bieži reāllaikā. Būtiski ir atrast pareizo līdzsvaru starp atklāto krāpšanu un viltus trauksmēm. Aizdomīgi gadījumi jāpārbauda cilvēkiem, pirms konti tiek iesaldēti vai maksājumi noraidīti.
Flesha lasāmības rādītājs novērtē, cik viegli teksts ir saprotams, pamatojoties uz vidējo teikuma garumu un zilbju skaitu vārdā. Rūdolfs Flešs to izstrādāja angļu valodai 1948. gadā, un citām valodām pastāv pielāgotas formulas. Skala aptuveni svārstās no 0 līdz 100 — jo augstāks rādītājs, jo vieglāks teksts. Tas mēra tikai formu, nevis to, vai saturs un terminoloģija atbilst paredzētajai auditorijai.
Flux ir MI modeļu saime, kas ģenerē un rediģē attēlus pēc teksta aprakstiem. To izstrādā Black Forest Labs, kas atrodas Freiburgā Brīzgavā, Vācijā. Pirmā paaudze parādījās 2024. gada augustā un FLUX.2 — 2025. gada novembrī, kopā ar variantiem attēlu rediģēšanai ar teksta norādījumu. Dažas versijas ir pieejamas ar atvērtiem svariem, daļēji tikai nekomerciālai lietošanai, bet citas tiek piedāvātas tikai ar API (stāvoklis 2026. gada oktobrī).
Frase ir programmatūra tīmekļa satura izpētei un optimizēšanai. Tā analizē, kuras tēmas, jautājumus un terminus meklēšanas vaicājumam aptver labi ierindotas lapas, no tā veido satura kopsavilkumus un novērtē tekstus to pārstrādes laikā. Frase tagad piedāvā arī funkcijas, lai izsekotu un uzlabotu, vai saturs tiek citēts MI meklēšanas sistēmu, piemēram, ChatGPT vai Perplexity, atbildēs (stāvoklis 2026. gada oktobrī).
Frešē iegulšanas attālums (Fréchet inception distance, FID) ir metrika MI ģenerētu attēlu kvalitātes novērtēšanai. Īstie un ģenerētie attēli tiek laisti caur iepriekš apmācītu attēlu atpazīšanas tīklu (Inception v3), un tiek salīdzināti to pazīmju statistiskie sadalījumi. Jo zemāka vērtība, jo tuvāk ģenerētie attēli ir īstām fotogrāfijām reālisma un daudzveidības ziņā. FID ieviests 2017. gadā un ir standarts attēlu ģeneratoru salīdzināšanai.
„Garbage in, garbage out” („atkritumi iekšā — atkritumi ārā”) apzīmē principu, ka sistēma var sniegt tikai tik labus rezultātus, cik labi ir tās saņemtie dati. MI gadījumā tas attiecas divkārt: nepareizi, novecojuši vai vienpusīgi apmācības vai zināšanu dati noved pie nepareizām vai aizspriedumainām atbildēm. Tērzēšanas robots, kas balstās uz novecojušu cenrādi, nosauks novecojušas cenas. Tāpēc datu kopšana ir pastāvīgs uzdevums katrā MI projektā.
Gensim ir atvērtā pirmkoda Python bibliotēka liela teksta apjoma analīzei. Tā pazīstama ar tēmu modeļiem, piemēram, LDA, vārdu vektoru apmācību (piemēram, Word2Vec, FastText un Doc2Vec) un dokumentu salīdzināšanu pēc līdzības. Tā kā Gensim datus apstrādā pa daļām, tā var strādāt arī ar korpusiem, kas neietilpst atmiņā. Tipisks lietojums: tūkstošiem klientu komentāru automātiski sagrupēt pēc atkārtotām tēmām.
Go-to-market (GTM) stratēģija nosaka, kā produktu vai pakalpojumu sekmīgi ieviest tirgū: kurai mērķgrupai ir kāda problēma, kā piedāvājums tiek pozicionēts un cenots, caur kuriem kanāliem tas tiek pārdots un kādi rādītāji mēra panākumus. GTM plāns sasaista mārketingu, pārdošanu un produktu. Piemērs: programmatūras nodrošinātājs sāk ar vienu nozari, vienu partneru kanālu un 90 dienu mērķi.
Google Colab (Colaboratory) ir Google mākoņpakalpojums Python koda izpildei Jupyter stila piezīmjdatoros tieši pārlūkprogrammā, bez lokālas instalēšanas. Bezmaksas līmenis nodrošina arī GPU un TPU atkarībā no pieejamības un ar izpildes laika ierobežojumiem; maksas plāni piedāvā lielāku skaitļošanas jaudu. Colab ir populārs mācībās, datu analīzē un modeļu izmēģināšanā, un iebūvēts Gemini asistents palīdz rakstīt un labot kodu (stāvoklis 2026. gada oktobrī).
Gradienta nolaišanās ir optimizācijas metode, ko izmanto lielākās daļas MI modeļu apmācībai. Tiek izmērīts, cik liela ir modeļa kļūda, aprēķināts, kādā virzienā parametri jāmaina, lai to samazinātu, un tad tiek spērts neliels solis šajā virzienā — atkal un atkal. Tas ir kā pārgājiena dalībnieks miglā, kas turpina iet lejup, lai sasniegtu ieleju. Soļa lielums (mācīšanās ātrums) nosaka ātrumu un stabilitāti.
Gradienta pastiprināšana ir mašīnmācīšanās paņēmiens, kas vienu pēc otra apvieno daudzus vienkāršus modeļus — parasti mazus lēmumu kokus. Katrs jaunais koks tiek apmācīts īpaši, lai mazinātu iepriekšējo atlikušās kļūdas. Rezultāts ir ļoti precīzi modeļi tabulu datiem, piemēram, kredītriska, pārdošanas prognožu vai klientu aiziešanas varbūtības noteikšanai. Plaši pazīstamas implementācijas ir XGBoost, LightGBM un CatBoost; lai izvairītos no pārmācīšanās, nepieciešama rūpīga noregulēšana.
Automātiski palaiž plūsmu, piemēram, katru stundu, katru dienu, darbdienās vai katru nedēļu.
Grok ir MI asistents, kas balstās uz lielajiem valodas modeļiem un ko izstrādā xAI. Tas ir integrēts platformā X un pieejams arī caur savu tīmekļa vietni, mobilajām lietotnēm un API. Viena no tā īpašībām ir piekļuve aktuālajiem ierakstiem platformā X un tīmekļa meklēšanai. Kopš 2026. gada februāra xAI ir SpaceX daļa un tagad darbojas ar nosaukumu SpaceXAI; modeļu versijas tiek regulāri atjauninātas (stāvoklis 2026. gada oktobrī).
GPT (generative pre-trained transformer) apzīmē OpenAI izstrādātu lielo valodas modeļu sēriju, kas balstīta uz transformera arhitektūru. Modeļus vispirms iepriekš apmāca ar milzīgiem teksta apjomiem, lai tie prognozētu nākamo tokenu, un pēc tam tālāk apmāca dialogam un norādījumu izpildei. Pirmais GPT modelis parādījās 2018. gadā; vēlākās paaudzes ir ChatGPT pamatā. Ikdienas runā „GPT” bieži lieto valodas modeļiem kopumā.
Ģeneratīvais MI apzīmē MI sistēmas, kas rada jaunu saturu — tekstu, attēlus, audio, video vai programmas kodu —, nevis tikai šķiro vai vērtē esošus datus. Tās balstās uz modeļiem, kas no liela datu apjoma apgūst likumsakarības un izmanto tās, lai radītu ticamus jaunus rezultātus. Uzņēmējdarbībā to izmanto, piemēram, e-pastu, kopsavilkumu, produktu aprakstu vai attēlu ideju melnrakstiem. Rezultāti var saturēt kļūdas, un pirms lietošanas tie jāpārbauda.
Ģeneratīvais sacīkšu tīkls (GAN) sastāv no diviem neironu tīkliem, kas tiek apmācīti pretī viens otram: ģenerators rada mākslīgus datus, piemēram, attēlus, bet diskriminators mēģina tos atšķirt no īstajiem. Šādā sacensībā rezultāti kļūst arvien reālistiskāki. GAN ieviesa 2014. gadā, un tie noteica attēlu ģenerēšanu, pirms plašāk izplatījās difūzijas modeļi; tos izmanto, piemēram, sintētiskiem apmācības datiem vai attēlu uzlabošanai.
Ģeneratīvo dzinēju optimizēšana (GEO) aptver pasākumus, kas palīdz saturam kļūt redzamam MI darbinātās meklēšanas sistēmās, piemēram, ChatGPT, Perplexity vai MI pārskatos meklētājprogrammās, un tikt tajās citētam kā avotam. Terminu ieviesa 2023. gada pētījums. Galvenie faktori ir skaidras, tieši citējamas atbildes, sakopta struktūra, pierādīti fakti, aktuāla informācija un identificējami autori. GEO papildina klasisko meklētājprogrammu optimizēšanu (SEO), nevis aizstāj to.
Halucinācija ir MI modeļa izvade, kas izklausās pārliecinoši, bet ir nepareiza vai pilnīgi izdomāta — piemēram, neesošs tiesas spriedums, nepareizs skaitlis vai izdomāts avots. Cēlonis: valodas modeļi rada ticamus formulējumus; tie automātiski nemeklē faktus. Risks samazinās, ja atbildes balstās uz pārbaudītiem avotiem, tiek norādīti pierādījumi un cilvēki pārbauda svarīgus rezultātus.
Heiristikas ir pieredzes likumi vai vienkāršotas stratēģijas, kas saprātīgā laikā noved pie laba, kaut arī negarantēti optimāla risinājuma. Datorzinātnē un MI tās palīdz sašaurināt milzīgas meklēšanas telpas — piemēram, maršruta plānošanā, kur par aplēsi kalpo taisnā līnija līdz galamērķim, vai šahā, kur tiek vērtētas pozīcijas. Cilvēki heiristikas izmanto arī ikdienas un uzņēmējdarbības lēmumos, riskējot ar sistemātiskām domāšanas kļūdām.
Heteronīms ir vārds, kas rakstās tāpat kā cits, bet izrunājas citādi un ir ar citu nozīmi — piemēram, angļu valodā „lead” (vadīt) un „lead” (metāls) vai „wind” (gaiss) un „wind” (tīt). Heteronīmi ir homogrāfu apakškopa. Tie ir izaicinājums teksta pārveidei runā, jo pareizo izrunu var noteikt tikai no konteksta, bieži ar vārdšķiru analīzes palīdzību.
Hiperparametri ir iestatījumi, kas tiek noteikti pirms modeļa apmācības, piemēram, mācīšanās ātrums, slāņu skaits vai regularizācijas stiprums. Hiperparametru optimizācija sistemātiski meklē kombināciju, kas vislabāk darbojas ar validācijas datiem, piemēram, ar režģa meklēšanu, nejaušo meklēšanu vai Beijesa optimizāciju. Labi izvēlētas vērtības uzlabo pareizību un mazina pārmācīšanos vai nepietiekamu apmācību, taču meklēšana prasa skaitļošanas laiku.
Horovod ir atvērtā pirmkoda ietvars dziļās mācīšanās modeļu izkliedētai apmācībai uz daudziem GPU vai iekārtām. Sākotnēji to izstrādāja uzņēmumā Uber; tas atbalsta TensorFlow, Keras, PyTorch un MXNet un sinhronizē iesaistīto iekārtu aprēķinātos gradientus ar ring-allreduce, bez centrāla parametru servera. Projektu mitina LF AI & Data Foundation; jaunākā stabilā versija 0.28.1 datēta ar 2023. gadu (stāvoklis 2026. gada oktobrī).
Hugging Face Transformers ir atvērtā pirmkoda Python bibliotēka, kas caur vienotu, konsekventu saskarni sniedz piekļuvi iepriekš apmācītiem modeļiem tekstam, attēliem un audio. Izstrādātāji to izmanto, lai lejupielādētu modeļus no Hugging Face Hub, izmēģinātu tos, pielāgotu saviem datiem vai darbinātu lokāli. Kopš 5. versijas bibliotēka galvenokārt koncentrējas uz PyTorch (stāvoklis 2026. gada oktobrī). Piemērs: komanda ar dažām koda rindām testē noskaņojuma analīzes modeli.
Ideogram ir MI pakalpojums, kas ģenerē attēlus pēc teksta aprakstiem; to izstrādā tāda paša nosaukuma uzņēmums, kas dibināts 2022. gadā. Tas vislabāk pazīstams ar salasāma teksta attēlošanu attēlos, kas padara to noderīgu plakātiem, ielūgumiem vai sociālo mediju grafikai. Tas ir pieejams kā tīmekļa lietotne un caur API; modeļu versijas un licences noteikumi regulāri mainās (stāvoklis 2026. gada oktobrī). Pirms komerciālas izmantošanas jāpārbauda lietošanas tiesības.
Iegultais vektors (embedding) ir skaitļu saraksts, kas attēlo vārda, teikuma vai dokumenta nozīmi tā, ka tekstiem ar līdzīgu saturu atrodas tuvu cits citam. Tas ļauj, piemēram, atpazīt, ka „uzteikums” un „līguma izbeigšana” ir saistīti, kaut arī tiem nav kopīgu vārdu. Iegultie vektori ir daudzu semantiskās meklēšanas sistēmu, ieteikumu pakalpojumu un RAG lietojumprogrammu pamatā; tos aprēķina speciāli apmācīti modeļi.
Iemiesotiem MI aģentiem ir fizisks vai simulēts ķermenis, ar kura palīdzību tie ar sensoriem uztver apkārtni un ar kustību tajā darbojas. Piemēri ir noliktavu un mājsaimniecības roboti, humanoīdie roboti un tēli simulācijās, kur roboti tiek apmācīti pirms izmantošanas reālajā pasaulē. Izaicinājums ir apvienot uztveri, plānošanu un drošu darbību neparedzamā pasaulē.
Informācijas izguve aptver metodes, kas lielā tekstu apjomā atrod dokumentus vai fragmentus, kuri atbilst vaicājumam, un sakārto tos pēc atbilstības. Klasiskas pieejas, piemēram, BM25, meklēšanas terminiem piešķir svaru pēc tā, cik bieži un cik reti tie sastopami; jaunākas pievieno semantisko līdzību. Tā ir meklētājprogrammu, uzņēmuma meklēšanas un ar izguvi papildinātās ģenerēšanas pamatā, kurā valodas modelis izgūtos fragmentus izmanto kā atbildes pamatu.
Ieskatu dzinējs (insight engine) ir uzņēmuma meklēšanas veids, kas apvieno informāciju no daudziem avotiem, piemēram, dokumentiem, e-pastiem, datubāzēm un lietojumprogrammām, un analizē to ar MI paņēmieniem. Tikai trāpījumu sarakstu vietā tas sniedz sagatavotas atbildes, saistības vai ieteikumus, bieži vien konkrētā uzdevuma kontekstā. Terminu galvenokārt popularizēja nozares analītiķi. Piemērs: pirms tikšanās ar klientu pārdošanas komanda vienuviet redz visus attiecīgos līgumus, pieteikumus un piezīmes.
Instanču segmentēšana ir datorredzes paņēmiens, kas attēlā atklāj katru atsevišķu objektu un apvelk to ar pikseļu precizitāti. Atšķirībā no semantiskās segmentēšanas tā nošķir arī vienas klases objektus: trīs cilvēki saņem trīs atsevišķas maskas, nevis vienu kopīgu apgabalu. To izmanto, piemēram, kvalitātes kontrolē, medicīniskajā attēlveidošanā, robotikā vai produktu skaitīšanā plauktā.
Norādījumu pielāgošana (instruction tuning) ir pielāgošanas (fine-tuning) forma, kurā iepriekš apmācīts valodas modelis tiek tālāk apmācīts ar daudziem norādījumu un vēlamo atbilžu pāriem. Tas modeli māca izpildīt dabiskā valodā formulētus uzdevumus, nevis tikai turpināt tekstu. Tas ir svarīgs solis, pārvēršot bāzes modeli par asistentu, un to bieži apvieno ar tādām metodēm kā RLHF. Piemērs: „Apkopo šo tekstu trīs teikumos” tiek izpildīts droši.
Inteliģenta dokumentu apstrāde (IDP) automātiski nolasa dokumentus, piemēram, rēķinus, līgumus vai veidlapas, nosaka to veidu un būtisko informāciju pārvērš strukturētos datos. Tā apvieno skenējumu teksta atpazīšanu, dabiskās valodas apstrādi un validācijas noteikumus. Organizācijas ietaupa manuālu datu ievadi un paātrina tādus procesus kā ienākošo rēķinu vai pasta apstrāde. Neskaidri lauki jāpārbauda cilvēkiem.
Inteliģents aģents ir sistēma, kas uztver savu vidi, apstrādā informāciju un pati izvēlas darbības, lai sasniegtu mērķi. Mūsdienās šis termins parasti attiecas uz programmatūru, kas balstīta uz lielajiem valodas modeļiem, izpilda norādījumus, izmanto zināšanas un izsauc rīkus, piemēram, meklēšanas funkciju vai API. Cik patstāvīgi aģentam atļauts rīkoties, jāizlemj apzināti. Piemērs: aģents atbild uz klientu jautājumiem, izmantojot produkta dokumentāciju.
Izgūšanas konveijers ir apstrādes soļu secība, ko sistēma izmanto, lai atrastu pareizo informāciju jautājumam. Tipiski soļi ir: dokumentu ielāde un tīrīšana, sadalīšana fragmentos, meklēšanas indeksa izveide, pēc izvēles vaicājuma pārformulēšana, atbilstību izgūšana, to sakārtošana (pārrangēšana) un labāko nodošana valodas modelim. Tas ir katras RAG lietojumprogrammas pamats, un tā kvalitāte lielā mērā nosaka, cik labas ir iegūtās atbildes.
Izpētes datu analīze (EDA) ir pirmais, atvērtais skatiens uz datu kopu: aprēķina kopsavilkuma rādītājus, aplūko sadalījumus un diagrammas un meklē likumsakarības, izņēmumus un trūkstošās vērtības — vēl bez noteiktas hipotēzes. Tā palīdz novērtēt datu kvalitāti un atrast jēgpilnus jautājumus tālākai analīzei vai modelēšanai. Piemērs: pirms pārdošanas prognozes EDA atklāj, ka kāds mēnesis sistēmas migrācijas dēļ ierakstīts nepilnīgi.
Izplūdusī saskaņošana atrod ierakstus, kas ir līdzīgi, bet ne pilnīgi identiski — piemēram, drukas kļūdu, saīsinājumu vai atšķirīgas rakstības dēļ. Tā balstās uz līdzības mēriem, piemēram, Levenšteina attālumu, kas skaita, cik rakstzīmes jāmaina. Tipisks lietojums ir dublikātu atrašana adrešu un klientu datos: „Smith Ltd, 5 High St” un „Smith Limited, 5 High Street” tiek atpazīti kā, visticamāk, viens un tas pats ieraksts.
Izskaidrojamība (izskaidrojamais MI, XAI) apraksta, cik labi var saprast, kāpēc MI sistēma nonāca pie konkrēta rezultāta. Tā aptver metodes, kas parāda, kuri ievaddati lēmumu ietekmēja visvairāk, kā arī praktiskus palīglīdzekļus, piemēram, atsauces uz avotiem un žurnālus. Izskaidrojamība ir svarīga uzticībai, kļūdu novēršanai un regulējumam — piemēram, ja bankai jāpamato, kāpēc pieteikums noraidīts.
Jailbreaking apzīmē mēģinājumus apiet MI modeļa drošības noteikumus ar viltīgi formulētiem ievaddatiem, lai tas radītu saturu vai veiktu darbības, no kurām tam būtu jāatsakās. Organizācijām tas ir risks, jo tērzēšanas robots, piemēram, varētu atklāt konfidenciālus norādījumus vai atbildēt nepiemēroti. Aizsardzības pasākumi ir skaidri sistēmas norādījumi, ievaddatu un izvaddatu pārbaude, ierobežotas atļaujas, žurnālēšana un regulāra drošības testēšana (red teaming).
Jasper ir MI platforma mārketinga komandām no ASV uzņēmuma Jasper AI, kas dibināts 2021. gadā. Tā palīdz veidot tekstus, piemēram, emuāru ierakstus, reklāmas vai sociālo mediju ierakstus, un var ņemt vērā saglabātās zīmola vadlīnijas un komunikācijas toni. Nodrošinātājs tagad pozicionējas ar specializētiem aģentiem un automatizētām satura darba plūsmām (stāvoklis 2026. gada oktobrī). Tāpat kā ar jebkuru teksta ģeneratoru, pirms publicēšanas jāpārbauda fakti un apgalvojumi.
Jauno klientu ieņēmumi ir ieņēmumi, kas gūti no klientiem, kuri iepriekš nebija, atšķirībā no atjaunojumiem, papildpārdošanas vai paplašināšanas ar esošajiem klientiem. Rādītājs parāda, cik labi uzņēmums apgūst jaunus tirgus un mērķgrupas, un pārdošanas komandas to bieži plāno un atalgo atsevišķi. Piemērs: programmatūras pārdevējs 40 % sava ceturkšņa pasūtījumu apjoma uzrāda kā jauno klientu ieņēmumus.
Jautājumu atbildēšana (QA) ir dabiskās valodas apstrādes joma, kurā sistēma uz ikdienas valodā uzdotiem jautājumiem atbild tieši, nevis atgriež meklēšanas rezultātu sarakstu. Mūsdienu sistēmas zināšanu bāzē meklē atbilstošus fragmentus un no tiem sastāda atbildi, ideālā gadījumā ar atsauci uz avotu. Tipisks lietojums ir klientu apkalpošana, iekšējās zināšanu bāzes un rokasgrāmatas — piemēram, darbinieku rokasgrāmatai jautājot: „Cik atvaļinājuma dienu man pienākas pirmajā gadā?”
Jupyter Notebook ir Project Jupyter atvērtā pirmkoda pārlūkprogrammas lietojumprogramma, kas vienā dokumentā apvieno izpildāmu kodu, rezultātus, diagrammas un skaidrojošu tekstu. Piezīmjdatori plaši tiek izmantoti datu analīzē, mašīnmācīšanās, pētniecībā un mācībās, jo katru soli var dokumentēt un kopīgot izsekojamā veidā. Visbiežāk lietotā valoda ir Python. Piemērs: analītiķis ielādē pārdošanas datus, iztīra tos un rezultātus tieši zem tiem parāda diagrammā.
Ar MI atbalstītā juridisko dokumentu pārbaudē valodas modelis analizē līgumus, noteikumus vai juridiskus dokumentus: tas apkopo galvenos punktus, piemēram, termiņu, izbeigšanu un atbildību, atzīmē neparastas klauzulas un norāda uz trūkstošiem noteikumiem. Tas ievērojami paātrina sākotnējo pārbaudi, taču neaizstāj juridisku konsultāciju; vērtējums un atbildība paliek kvalificētiem cilvēkiem.
K tuvāko kaimiņu metode (k-NN) ir vienkārša mācīšanās ar uzraudzību metode. Lai klasificētu jaunu datu punktu, tā meklē k visvairāk līdzīgus zināmus piemērus un pārņem to biežāko klasi vai, skaitliskām vērtībām, to vidējo vērtību. Tai nav īsta apmācības posma, taču ar lielām datu kopām tā kļūst lēna un ir jutīga pret pazīmju mērogošanu. Piemērs: produktu ieteikumi, kas balstīti uz līdzīgiem klientiem.
K-vidējo metode (k-means) ir mācīšanās bez uzraudzības metode, kas datu punktus sadala iepriekš noteiktā skaitā k grupu. Tā katru punktu piešķir tuvākajam grupas centram un turpina pārvietot šos centrus, līdz piešķīrumi gandrīz vairs nemainās. Metode ir ātra un viegli saprotama, taču prasa saprātīgu k izvēli un salīdzināma mēroga pazīmes. Piemērs: klientu grupēšana pēc pirkumu biežuma un groza vērtības.
Kaggle ir tiešsaistes platforma datu zinātnei un mašīnmācīšanās, kas kopš 2017. gada pieder Google. Tā piedāvā publiskas datu kopas, sacensības, kas balstītas uz reālām problēmām, pārlūkprogrammas piezīmjdatorus ar skaitļošanas resursiem un mācību kursus. Organizācijām un apguvējiem tā ir noderīga metožu izmēģināšanai, pieeju salīdzināšanai vai talantu atrašanai. Pirms lietošanas jāpārbauda jebkuras datu kopas licence un izcelsme.
Keras ir atvērtā pirmkoda Python bibliotēka neironu tīklu veidošanai un apmācībai, ko sākotnēji izstrādāja François Chollet. Tā piedāvā viegli lietojamu augsta līmeņa saskarni modeļu salikšanai no slāņiem. Kopš 3. versijas Keras kā skaitļošanas aizmugursistēmu var darbināt uz JAX, TensorFlow vai PyTorch. Piemērs: komanda ar dažām koda rindām izveido attēlu klasifikācijas modeļa prototipu.
Kešatmiņā papildināta ģenerēšana (cache-augmented generation, CAG) ir pieeja, kurā valodas modelis nemeklē zināšanas pie katra jautājuma. Tā vietā pārskatāma zināšanu bāze tiek iepriekš ielādēta tā konteksta logā un šis stāvoklis tiek saglabāts kešatmiņā, tāpēc atbildēm nav vajadzīgs atsevišķs izguves solis. Terminu popularizēja 2024. gada beigās publicēts pētījums kā alternatīvu izguvē papildinātai ģenerēšanai (RAG). CAG ir piemērota mazām, stabilām zināšanu bāzēm; lieliem vai bieži mainīgiem datiem RAG parasti joprojām ir praktiskāka.
Lasāmības pētniecībā klases līmenis ir mērs skolas gadam, no kura teksts parasti ir saprotams. Plaši pazīstams piemērs ir Flesha–Kinkeida klases līmenis (Flesch–Kincaid Grade Level), kas pēc teikuma garuma un zilbēm vārdā aprēķina ASV skolas klasi; rādītājs 8 aptuveni atbilst astotajai klasei. Šādi rādītāji uz citām valodām attiecināmi tikai daļēji, tāpēc vācu valodai bieži izmanto pielāgotas formulas, piemēram, Amstada Flesha versiju vai LIX.
Klasifikators ir modelis vai metode, kas ievaddatus piešķir vienai no vairākām iepriekš noteiktām kategorijām. Klasiskus variantus, piemēram, lēmumu kokus vai naivo Beijesa metodi, apmāca uz marķētiem piemēriem; valodas modeļi tekstus var šķirot arī pēc kategoriju apraksta. Tipiski lietojumi ir surogātpasta atpazīšana, klientu pieprasījumu šķirošana pēc tēmas un kvīšu kategorizēšana. Kvalitāti mēra ar metrikām, piemēram, pareizību, precizitāti un pārklājumu.
Klientu apkalpošanas automatizācija nozīmē, ka programmatūra pilnībā vai daļēji apstrādā atkārtotus klientu pieprasījumus – piemēram, ar tērzēšanas robotiem, atbilžu ieteikumiem vai pieteikumu iepriekšēju šķirošanu. Uz biežiem jautājumiem par darba laiku, piegādes statusu vai preču atgriešanu var atbildēt visu diennakti, bet komandai paliek vairāk laika sarežģītiem gadījumiem. Būtiski ir uzticami zināšanu avoti un vienkārša sarunas nodošana cilvēkiem.
KNIME ir datu analītikas programmatūra, kurā darba plūsmas tiek saliktas vizuāli no blokiem („mezgliem”), nevis programmētas. Atvērtā pirmkoda KNIME Analytics Platform aptver datu importēšanu, tīrīšanu, analīzi, mašīnmācīšanos un pārskatu veidošanu, bet nodrošinātāja komerciālie piedāvājumi papildina sadarbību un darbināšanu organizācijās. Tipisks piemērs ir darba plūsma, kas apvieno mēneša pārdošanas datus no vairākiem Excel failiem, iztīra tos un izveido prognozi.
Kognitīvā karte sākotnēji ir psiholoģijas termins, kas apraksta garīgo priekšstatu, ko cilvēki vai dzīvnieki veido par savu apkārtni. Vadībā un MI ar to apzīmē arī grafiskus modeļus, kuros jēdzieni attēloti kā mezgli un to cēloņu un seku sakari kā svērtas bultiņas, piemēram, „izplūdušās kognitīvās kartes”. Šādas kartes palīdz strukturēt ekspertu zināšanas un pētīt scenārijus, piemēram, kā cenu izmaiņas ietekmē pieprasījumu un krājumu līmeni.
Kognitīvā skaitļošana ir kopīgs apzīmējums sistēmām, kuru mērķis ir atdarināt cilvēka domāšanas procesus, piemēram, valodas izpratni, spriešanu un mācīšanos no pieredzes, lai atbalstītu cilvēku lēmumus. Termins plaši kļuva zināms 2010. gados, galvenokārt ar IBM Watson starpniecību. Tā apvieno tādas metodes kā dabiskās valodas apstrāde, mašīnmācīšanās un zināšanu reprezentācija; mūsdienās biežāk runā par MI asistentiem vai valodas modeļiem.
Grāvis ir ilgstošas konkurences priekšrocības, kas aizsargā uzņēmumu no atdarinātājiem, piemēram, tīkla efekti, pārejas izmaksas, spēcīgs zīmols, ekskluzīvi dati vai dziļa integrācija klientu procesos. Šis jautājums ir īpaši aktuāls MI piedāvājumiem, jo daudzi produkti balstās uz tiem pašiem pieejamajiem modeļiem. Priekšrocības tad parasti rodas no jomas ekspertīzes, tuvības klientiem, labiem procesiem un uzticēšanās, nevis tikai no tehnoloģijas.
Konstitucionālais MI ir Anthropic 2022. gadā publicēta valodas modeļu apmācības metode; tai nav sakara ar konstitucionālajām tiesībām. Tā balstās uz rakstisku principu kopumu, „konstitūciju”: modelis kritizē un pārstrādā savas atbildes pret šiem principiem, pēc tam MI salīdzina atbilžu pārus, un šī atgriezeniskā saite kalpo kā atlīdzības signāls pastiprinātajai mācīšanai (RLAIF). Tas mazina nepieciešamību pēc cilvēku veiktas kaitīga satura marķēšanas; 2026. gada janvārī Anthropic publicēja pārskatītu konstitūciju Claude modelim.
Konteksta loga manipulācija apzīmē uzbrukumus, kas apzināti ietekmē tekstu, ko valodas modelis apstrādā vienlaikus, piemēram, ar slēptiem norādījumiem dokumentos, safabricētām iepriekšējām sarunas daļām vai lielu daudzumu pildvielas, kas atbīda sākotnējos noteikumus otrajā plānā. Aizsardzību nodrošina skaidra uzticamu norādījumu nošķiršana no ārēja satura, garuma ierobežojumi, ievaddatu pārbaude un aģentiem pēc iespējas mazāku atļauju piešķiršana.
Mašīnmācīšanās konverģence nozīmē, ka apmācības procedūra tuvojas stabilam stāvoklim: zudums gandrīz vairs nesamazinās un modeļa parametri mainās tikai minimāli. Tas, vai un cik ātri modelis konverģē, ir atkarīgs no tādiem faktoriem kā mācīšanās ātrums, datu kvalitāte un modeļa arhitektūra. Ja mācīšanās ātrums ir pārāk liels, zudums lēkā; ja pārāk mazs, apmācība velkas bez vajadzības. Konverģence negarantē labu modeli, jo tas joprojām var būt pārmācīts.
Konvolūcijas neironu tīkls (CNN) ir neironu tīkla arhitektūra, kas īpaši piemērota attēlu datiem. Tas skenē ievadi ar maziem filtriem, pirmajos slāņos atpazīstot vienkāršas pazīmes, piemēram, malas, un dziļākajos – sarežģītākas formas. CNN daudzus gadus noteica attēlu atpazīšanas attīstību, un tos izmanto, piemēram, defektu pamanīšanai produktu fotoattēlos vai medicīnisko attēlu analīzē.
Koreferences atrisināšana ir dabiskās valodas apstrādes uzdevums, kas nosaka, kuri izteikumi tekstā attiecas uz vienu un to pašu personu, lietu vai jautājumu. Teikumā „Weber kundze piezvanīja. Viņa vēlas, lai tai atzvana” sistēmai jāsaprot, ka „viņa” nozīmē Weber kundzi. Tas ir svarīgi kopsavilkumiem, informācijas izguvei un tērzēšanas robotiem, kuriem jāseko atsaucēm vairākos teikumos vai sarunas reizēs.
Korektūra ir teksta pārbaude attiecībā uz pareizrakstību, gramatiku un interpunkciju, bieži kopā ar vienotu lietojumu; literārā redakcija iet tālāk un aptver arī stilu, struktūru un saturu. MI var ātri atzīmēt kļūdas un ieteikt labojumus, piemēram, citātos, jaunumu vēstulēs vai tīmekļa lapās. Ieteicams caurspīdīgi uzskaitīt visas izmaiņas un lūgt cilvēku veikt galīgo tehnisko terminu, īpašvārdu un nozīmes pārbaudi.
Koriģētais R kvadrāts mēra, cik labi regresijas modelis izskaidro datu variāciju, ņemot vērā izmantoto prognozētāju skaitu. Parastais R kvadrāts palielinās ar katru papildu mainīgo, pat ja tas neko nepievieno; koriģētā versija soda nevajadzīgus mainīgos. Tas ļauj taisnīgāk salīdzināt dažāda lieluma modeļus, piemēram, pārdošanas prognozi ar trim, nevis desmit faktoriem.
Korpuss ir strukturēta tekstu vai valodas datu kolekcija, kas sastādīta analīzei, pētniecībai vai valodas modeļu apmācībai. Tas var būt vispārīgs, piemēram, daudzu gadu ziņu teksti, vai nozarei specifisks, piemēram, visi uzņēmuma līgumi un rokasgrāmatas. Apjoms, līdzsvars, aktualitāte un tiesības uz tekstiem nosaka, cik noderīgi ir iegūtie secinājumi.
Krāpšanas atklāšana ietver metodes, kas agrīnā stadijā identificē aizdomīgus darījumus, pasūtījumus, kontus vai pieteikumus. Noteikumi un mācīšanās modeļi meklē brīdinājuma pazīmes, piemēram, atšķirīgas piegādes un norēķinu adreses, neparastus daudzumus, uzkrītošu laika spiedienu vai vienreizējas lietošanas e-pasta adreses. To izmanto e-komercijā, banku darbībā, apdrošināšanā un maksājumu pakalpojumos. Tā kā viltus trauksmes var skart īstus klientus, atradumi būtu jāpārskata cilvēkiem, nevis jānoraida automātiski.
Krusteniskā validācija ir metode, ar kuru pārbauda, cik labi modelis vispārina jauniem, neredzētiem datiem. K-kārtu krusteniskajā validācijā dati tiek sadalīti k daļās; modelis tiek apmācīts k reizes uz k−1 daļām un katru reizi pārbaudīts uz atlikušās daļas, pēc tam rezultāti tiek vidēji aprēķināti. Tas palīdz atklāt pārmācīšanos un godīgi salīdzināt modeļus vai iestatījumus, īpaši, ja datu ir maz.
Krustentropija ir informācijas teorijas mērs, kas norāda, cik tālu prognozētais varbūtību sadalījums atšķiras no faktiskā. Mašīnmācīšanās tā ir visbiežāk lietotā zudumfunkcija klasifikācijas uzdevumiem, kā arī valodas modeļiem, kas prognozē nākamo tokenu. Tā īpaši stipri soda pārliecinātas nepareizas prognozes: 99 % piešķiršana nepareizajai klasei dod daudz lielāku zudumu nekā 60 % piešķiršana.
Kubeflow ir atvērtā pirmkoda platforma mašīnmācīšanās darba plūsmu darbināšanai uz Kubernetes — no datu sagatavošanas caur apmācību un hiperparametru meklēšanu līdz modeļu apkalpošanai. Projektu sākotnēji ierosināja Google, tas pieder Cloud Native Computing Foundation, kur 2026. gada augustā ieguva statusu „graduated” (stāvoklis 2026. gada oktobrī). Tas galvenokārt paredzēts komandām, kas apjomīgi apmāca savus modeļus uz savas vai mākoņa infrastruktūras.
Kvantu skaitļošana izmanto kvantu fizikas efektus, piemēram, superpozīciju un sapīšanos, lai skaitļotu ar kubitiem klasisko bitu vietā. Lieli ātruma ieguvumi tiek gaidīti noteiktiem uzdevumiem, piemēram, molekulu simulēšanai, dažām optimizācijas problēmām vai mūsdienu šifrēšanas metožu laušanai. Tomēr šīs mašīnas joprojām ir kļūdu pakļautas un galvenokārt tiek izmantotas pētniecībā un izmēģinājuma projektos (stāvoklis uz 2026. gada oktobri). Mūsdienu MI lietojumprogrammās kvantu skaitļošanai pagaidām praktiski nav nozīmes.
LangChain ir atvērtā pirmkoda ietvars Python un JavaScript, ko izstrādātāji izmanto, lai veidotu uz valodas modeļiem balstītas lietojumprogrammas. Tas nodrošina vienotas saskarnes ar daudziem modeļu nodrošinātājiem, kā arī blokus rīku izsaukšanai, aģentiem, dokumentu apstrādei un ar izguvi papildinātajai ģenerēšanai. Kopš 1.0 versijas (2025. gada oktobris) LangChain aģenti ir būvēti uz LangGraph. Tipiski lietojumi ir tērzēšanas roboti, kas meklē iekšējos dokumentos, un aģenti, kas izsauc ārējus pakalpojumus.
LangGraph ir atvērtā pirmkoda ietvars no LangChain ekosistēmas MI aģentu un daudzsoļu procesu modelēšanai kā mezglu un šķautņu grafam. Kopīgs stāvoklis tiek nodots no soļa uz soli, un cilpas, zari, kontrolpunkti un pārtraukumi cilvēka apstiprinājumam ir iebūvēti. 1.0 versija tika izlaista 2025. gada oktobrī. Viens piemērs ir aģents, kas izpēta tēmu, uzraksta melnrakstu un pirms nosūtīšanas gaida apstiprinājumu.
Lasāmība apraksta, cik viegli tekstu var lasīt un saprast. Tā ir atkarīga no teikuma garuma, vārda garuma, speciālajiem terminiem, teikuma uzbūves un izkārtojuma, un to var tuvināt ar formulām, piemēram, Flesha indeksu vai LIX. Formulas tomēr sniedz tikai orientieri; vai teksts ir skaidrs, galu galā ir atkarīgs no tā auditorijas.
Lasītprasmes līmenis norāda, kādu lasīšanas spēju līmeni teksts prasa vai cilvēks ir sasniedzis. Atkarībā no sistēmas to izsaka kā skolas klasi, vērtību uz skalas, piemēram, Lexile, vai līmeni mācību programmās un valodu ietvaros, piemēram, A2 vai B1 Eiropas valodu apguves, mācīšanas un vērtēšanas kopīgajās pamatnostādnēs. Praksē tas palīdz pielāgot tekstus paredzētajai auditorijai, piemēram, klientu informāciju vienkāršā valodā.
Laukums zem līknes (AUC) ir klasifikācijas modeļu metrika, kas parasti attiecas uz ROC līkni. Tā norāda, cik labi modelis nošķir pozitīvos gadījumus no negatīviem, neatkarīgi no kāda konkrēta sliekšņa. Vērtība 1 nozīmē perfektu nošķiršanu; 0,5 nav labāks par minēšanu. Piemērs: klientu aiziešanas modelis ar AUC 0,85 nejauši izvēlētu klientu, kas aiziet, 85 % gadījumu novērtē kā riskantāku par lojālu klientu.
LazyGraphRAG ir uz grafiem balstītas ar izguvi papildinātās ģenerēšanas pieeja, ko 2024. gadā prezentēja Microsoft Research. Atšķirībā no GraphRAG tā neliek valodas modelim veidot kopsavilkumus indeksēšanas laikā; tā vietā ar klasisko dabiskās valodas apstrādi identificē jēdzienus un to līdzāspastāvēšanu, un valodas modelis tiek izmantots tikai vaicājuma laikā. Pēc Microsoft datiem, tas indeksēšanas izmaksas nogriež līdz pamata vektoru RAG līmenim. Tas īpaši piemērots jautājumiem, kuriem nepieciešams pārskats par lielām dokumentu kolekcijām.
Potenciālo klientu skrāpētājs (lead scraper) ir rīks, kas automātiski vāc potenciālo klientu kontaktinformāciju no tīmekļa vietnēm, katalogiem vai sociālajiem tīkliem. Vācijā un ES tas ir tiesiski jutīgi: kontaktpersonu vārdi un e-pasta adreses ir personas dati, tāpēc to apstrādei nepieciešams tiesiskais pamats un datu subjektu informēšana saskaņā ar VDAR, bet saskaņā ar Vācijas negodīgas konkurences likumu (UWG, 7. pants) reklāmas e-pastiem parasti nepieciešama iepriekšēja skaidra piekrišana, tostarp uzņēmumu gadījumā. Labāks ceļš ir ienākošie pieprasījumi caur jūsu tīmekļa vietni, saturs un ieteikumi (nav juridisks padoms).
Lexile Framework for Reading ir ASV uzņēmuma MetaMetrics izstrādāta sistēma, kas uz vienas skalas mēra gan cilvēka lasītprasmi, gan teksta grūtību. Vērtības tiek norādītas ar „L”, piemēram, 850L; teksts ir labi piemērots, ja tā vērtība ir tuva lasītāja vērtībai. Tā galvenokārt balstās uz teikuma garumu un vārdu biežumu. Sistēma plaši tiek izmantota skolās un izdevējdarbībā, īpaši angliski runājošās valstīs.
Lēmumu koks ir modelis, kas lēmumu attēlo kā vienkāršu jautājumu „jā/nē” virkni: katrs zars pārbauda vienu pazīmi, un katra lapa dod rezultātu. Mašīnmācīšanās koki tiek apgūti automātiski no datiem un izmantoti klasifikācijai vai prognozēšanai. To galvenā priekšrocība ir pārredzamība — piemēram, tie parāda, kāpēc kredīta pieteikums tika atzīmēts, pamatojoties uz ienākumiem, termiņu un maksājumu vēsturi.
Lielais valodas modelis (LLM) ir neironu tīkls, kas apmācīts ar ļoti lieliem teksta apjomiem, tāpēc spēj saprast un ģenerēt valodu. Tas darbojas, soli pa solim aprēķinot visticamāko nākamo tokenu. LLM raksta, apkopo, tulko, atbild uz jautājumiem un ģenerē kodu; plaši zināmi piemēri ir Claude, GPT, Gemini un Llama. Bez piekļuves aktuāliem avotiem tie zina tikai to, kas bija to apmācības datos.
Lietojumspecifiskā integrālshēma (ASIC) ir mikroshēma, kas izstrādāta vienam konkrētam uzdevumam, nevis vispārējas nozīmes skaitļošanai kā CPU. MI jomā ASIC ir pielāgotas neironu tīklu aritmētikai – viens piemērs ir Google tenzoru procesori (TPU). Šim uzdevumam tie darbojas ātrāk un energoefektīvāk nekā vispārējas nozīmes mikroshēmas, taču to izstrāde ir dārga un tos ir grūti pielāgot jaunām slodzēm.
LightGBM ir atvērtā pirmkoda gradienta pastiprināšanas bibliotēka ar lēmumu kokiem, ko sākotnēji izstrādāja Microsoft. Tā veidota ātrumam un zemam atmiņas patēriņam, cita starpā ar histogrammu balstītu apmācību un kokiem, kas aug pa lapām, izvēloties daudzsološāko lapu. LightGBM īpaši piemērota lielām tabulu datu kopām, piemēram, pārdošanas prognozēm, klientu aiziešanas prognozēšanai vai krāpšanas atklāšanai, un to bieži salīdzina ar XGBoost.
Likumsakarību atpazīšana ir automātiska regularitāšu, struktūru vai atkārtotu pazīmju noteikšana datos, piemēram, attēlos, skaņās, tekstos vai mērījumos. Sistēmas piešķir jaunus novērojumus zināmām kategorijām vai atklāj grupas bez iepriekš definētām etiķetēm. Pielietojumi ir sejas atpazīšana, rokraksta atpazīšana, kvalitātes kontrole ražošanā un neparastu darījumu atklāšana. Šī disciplīna ir svarīgs mašīnmācīšanās pamats.
Lineārā regresija ir statistikas metode, kas ar taisni vai plakni apraksta sakarību starp mērķa mainīgo un vienu vai vairākiem prognozētājiem. Koeficientus parasti izvēlas tā, lai minimizētu kvadrātisko noviržu summu. Metode ir viegli saprotama un interpretējama: piemēram, tā var novērtēt, par cik pieaug ieņēmumi, kad reklāmas budžets palielinās par 1000 €. Ar nelineārām sakarībām tā sasniedz savas robežas.
LIX (läsbarhetsindex) ir lasāmības mērs, ko Zviedrijā izstrādāja Karls Hūgo Bjērnsons (Carl-Hugo Björnsson). Tas saskaita vidējo teikuma garumu vārdos ar garo vārdu, kuros ir vairāk nekā seši burti, procentuālo daļu. Piemērs: 15 vārdi teikumā un 30 % garo vārdu dod LIX 45. Tā kā nav jāskaita zilbes, to var piemērot daudzām valodām, tostarp vācu valodai; zemi rādītāji norāda uz vieglu tekstu, bet rādītāji no aptuveni 60 — uz ļoti grūtu.
LLaMA, tagad parasti rakstīts „Llama”, ir Meta lielo valodas modeļu saime. Daudzas versijas tika izlaistas ar lejupielādējamiem svariem saskaņā ar Meta paša licenci, ļaujot organizācijām tās darbināt un pielāgot savā infrastruktūrā. Jaunākā lielā paaudze ir Llama 4 (2025); 2026. gadā Meta ieviesa arī Muse modeļu sēriju, no kuras tikai daļa ir atvērti izlaista (stāvoklis 2026. gada oktobrī).
LLM drošība aptver visus pasākumus, kas aizsargā uz lielajiem valodas modeļiem balstītas lietojumprogrammas pret ļaunprātīgu izmantošanu, datu noplūdi un nevēlamu uzvedību. Tipiski riski ir uzvedņu injekcija, konfidenciālu norādījumu vai datu izpaušana un aģenti ar pārmērīgām atļaujām. Aizsardzību nodrošina vairāki slāņi: skaidri norādījumi, ierobežotas tiesības, ievaddatu un izvaddatu pārbaudes, MI ugunsmūri, red teaming un regulāri auditi.
Lielo valodas modeļu izmaksas parasti tiek rēķinātas par tokenu, proti, teksta vienībām, kuru izmērs ir aptuveni no zilbes līdz vārdam; ievades un izvades tokeni tiek cenoti atsevišķi, izvade parasti ir dārgāka. Lielāki modeļi izmaksā vairāk par tokenu nekā mazi, ātri modeļi, piemēram, Claude Haiku, kas vienkāršiem uzdevumiem bieži vien ir pietiekami. Uzvedņu kešatmiņa (prompt caching) samazina izmaksas, ja viens un tas pats garais konteksts tiek sūtīts atkārtoti. Palīdz arī kodolīgi norādījumi un rūpīgi atlasītas zināšanas.
llms.txt ir Markdown teksta fails, kas novietots tīmekļa vietnes saknes direktorijā un sniedz valodas modeļiem kodolīgu pārskatu par svarīgāko saturu, ar saitēm. Ideju 2024. gada septembrī izvirzīja Džeremijs Hovards (Jeremy Howard, Answer.AI). Tas ir priekšlikums, nevis oficiāls standarts; lielākie MI nodrošinātāji nav apņēmušies to lasīt (stāvoklis 2026. gada oktobrī). Tas papildina robots.txt un vietnes karti, bet neaizstāj tos.
Logaritmiskais zudums (log loss) mēra, cik labi klasifikācijas modeļa prognozētās varbūtības atbilst faktiskajiem iznākumiem. Pārliecinātas, bet nepareizas prognozes tiek sodītas īpaši stipri; vērtība tuvu nullei norāda uz labi kalibrētām prognozēm. Piemērs: ja modelis dod 95 % klienta aiziešanas varbūtību klientam, kurš paliek, logaritmiskais zudums strauji pieaug. Matemātiski tas ir tas pats, kas binārā krustentropija.
Loģistiskā regresija ir statistikas metode, kas prognozē vienu no diviem iznākumiem, piemēram, „pērk” vai „nepērk”, varbūtību. Tā sver ievades pazīmes un to summu pārvērš vērtībā starp 0 un 1 ar S veida funkciju. Tā kā svarus ir viegli interpretēt, tā plaši tiek izmantota kredītvērtēšanā, medicīnā un mārketingā, bieži kā stabils pamats sarežģītākiem modeļiem.
Ilgtermiņa īstermiņa atmiņa (LSTM) ir rekurento neironu tīklu veids, kas spēj saglabāt informāciju garās secībās. Tā sauktie vārti katrā solī izlemj, ko saglabāt, aizmirst vai izvadīt, un tas mazina izzūdošā gradienta problēmu. Daudzus gadus LSTM veidoja runas atpazīšanu, tulkošanu un laikrindu prognozēšanu. Valodas apstrādē tos lielā mērā aizstājuši transformeri, taču tie joprojām ir izplatīti sensoru datiem.
Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.
Mašīnmācīšanās konveijers ir noteikta soļu secība, kas neapstrādātus datus pārvērš ieviešamā modelī: datu vākšana un tīrīšana, pazīmju sagatavošana, apmācība, novērtēšana, ieviešana un uzraudzība. Šo soļu automatizēšana padara rezultātus atkārtojamus un ļauj ar nelielu piepūli apstrādāt jaunus datus. Piemēram, mazumtirgotājs katru nedēļu var pārapmācīt un pārbaudīt savu pārdošanas prognozēšanas modeli ar jaunākajiem skaitļiem.
Mašīnmācīšanās mācīšanās līkne ir diagramma, kas parāda modeļa veiktspēju vai kļūdu atkarībā no apmācības laika vai apmācības datu apjoma, parasti atsevišķi apmācības un validācijas datiem. Tās forma atklāj, vai modelis ir nepietiekami vai pārmērīgi apmācīts un vai vairāk datu, visticamāk, palīdzēs. Ja, piemēram, validācijas kļūda paliek ievērojami virs apmācības kļūdas, tas norāda uz pārmācīšanos. Ikdienas valodā šis termins apraksta arī to, cik ātri cilvēki apgūst jaunu tehnoloģiju.
Mācīšanās no dažiem piemēriem (few-shot learning) ir modeļa spēja atrisināt uzdevumu, balstoties tikai uz dažiem piemēriem. Ar valodas modeļiem tas parasti notiek tieši ievaddatos: parāda divus vai trīs jautājuma un vēlamās atbildes pārus, un modelis to pašu formātu un stilu piemēro jauniem gadījumiem — bez pārapmācības. Piemērs: trīs pareizi kategorizēti klientu pieprasījumi bieži vien ir pietiekami, lai arī turpmākos pieprasījumus sakārtotu tāpat.
Mākslīgais superintelekts (ASI) ir teorētisks jēdziens MI, kas būtiski pārspēj cilvēkus gandrīz visās intelektuālajās spējās, tostarp pētniecībā, plānošanā un sociālajā spriešanā. Šādas sistēmas nepastāv. Terminu galvenokārt lieto filozofijā un MI drošības pētniecībā, lai apspriestu kontroles jautājumus un nākotnes sistēmu saskaņošanu ar cilvēciskām vērtībām.
Mākslīgie neironu tīkli (ANN) ir skaitļošanas modeļi, kas sastāv no daudzām savienotām vienībām („neironiem”), kuras sakārtotas slāņos un apstrādā ievaddatus ar svērtiem savienojumiem. Apmācības laikā svari tiek soli pa solim pielāgoti ar piemēriem, parasti ar atpakaļizplatīšanos (backpropagation). ANN ir dziļās mācīšanās pamats, un uz tiem balstās attēlu atpazīšana, runas atpazīšana un lielie valodas modeļi. Neraugoties uz bioloģisko iedvesmu, tie darbojas daudz vienkāršāk nekā cilvēka smadzenes.
Metauzvedne ir norādījums, kas liek valodas modelim pašam izstrādāt vai uzlabot uzvednes vai sistēmas norādījumus. Jūs aprakstāt mērķi, mērķauditoriju un vēlamo toni un pievienojat piemērus; modelis pēc tam izveido strukturētus norādījumus ar lomu, noteikumiem un ierobežojumiem. Tas ļauj ātrāk iegūt labas pirmās versijas, ko cilvēki pēc tam pārbauda un pilnveido. Piemērs: „klientu apkalpošana velosipēdu veikalam” kļūst par pilnīgu norādījumu melnrakstu.
MI modelis ar noteiktiem norādījumiem un piekļuvi atlasītām zināšanām, kas veic konkrētu uzdevumu.
MI atbalstīta satura veidošana nozīmē tekstu, attēlu vai cita satura veidošanu ar ģeneratīvā MI palīdzību, piemēram, tīmekļa vietnēm, jaunumu vēstulēm, produktu aprakstiem vai sociālajiem medijiem. MI ātri sniedz melnrakstus, variantus un tulkojumus, bet priekšmeta zināšanas, zīmola balss un faktu pārbaude paliek cilvēku uzdevums. Palīdz skaidri norādījumi par auditoriju, toni un avotiem. Piemērs: atslēgvārdi par jaunu piedāvājumu kļūst par emuāra ieraksta melnrakstu un trim sociālo mediju ierakstiem.
MI atbalstīts mārketings izmanto MI paņēmienus, lai labāk izprastu mērķgrupas, veidotu saturu un vadītu kampaņas. Tipiski lietojumi ir segmentēšana, personalizēti ziņojumi, pirkuma varbūtības prognozes, klientu atsauksmju analīze un reklāmu optimizēšana. Tas balstās uz likumīgi vāktiem datiem un skaidriem mērķiem, un rezultāti jāpārbauda testēšanā. Piemērs: interneta veikals sūta jaunumu vēstules ar produktu ieteikumiem, kas atbilst iepriekšējai pirkšanas uzvedībai.
MI automatizācijas sistēma apvieno tradicionālo procesu automatizāciju ar MI spējām, piemēram, teksta izpratni, klasifikāciju vai lēmumu atbalstu. Tas ļauj automatizēt darba gaitas arī ar nestrukturētiem ievaddatiem, piemēram, e-pastiem, veidlapām vai pieprasījumiem. Tipiska uzbūve ir ķēde no trigera, apstrādes soļiem, nosacījumiem un izvades, ar cilvēka apstiprinājumu kritiskos punktos. Piemērs: ienākošie pieprasījumi tiek automātiski kategorizēti, apkopoti un pārsūtīti pareizajai nodaļai.
MI datu analītiķis ir MI sistēma vai asistents, kas analizē datus, piemēram, izklājlapas, eksportus vai rādītājus, un rezultātus izskaidro vienkāršā valodā. Tas aprēķina summas un izmaiņas, atklāj tendences un anomālijas un iesaka nākamos soļus. Tādējādi uzņēmumu komandas bez statistikas zināšanām saņem ātrākas atbildes. Tomēr valodas modeļi var pieļaut aprēķinu kļūdas, tāpēc skaitļi jāpārbauda vēlreiz. Piemērs: ielīmē mēneša pārdošanas datus kā CSV, un tie tiek komentēti.
MI ētika nodarbojas ar morāles jautājumiem ap MI izstrādi un izmantošanu: taisnīgumu un diskrimināciju, pārredzamību un izskaidrojamību, datu aizsardzību, atbildību par kļūdām, drošību un ietekmi uz darbu un sabiedrību. Organizācijām tā kļūst konkrēta vadlīnijās, riska novērtējumos, cilvēka uzraudzībā un godīgā komunikācijā par MI ierobežojumiem. Piemērs: pirms CV atlases rīka ieviešanas tiek pārbaudīts, vai tas nenostāda neizdevīgākā situācijā noteiktas grupas.
MI ieviešanas līmenis norāda, kāda daļa uzņēmumu, darbinieku vai mājsaimniecību izmanto MI, un kalpo kā mērs tam, cik plaši tehnoloģija ir izplatījusies. Pēc Vācijas Federālā statistikas biroja (Destatis) datiem, 2024. gadā MI izmantoja 20 % Vācijas uzņēmumu ar desmit vai vairāk darbiniekiem (2023. gadā: 12 %). Digitālo uzņēmumu apvienība Bitkom 2025. gadā konstatēja 36 % daļu uzņēmumos ar 20 vai vairāk darbiniekiem. Atšķirīgu definīciju un izlašu dēļ pētījumi ir salīdzināmi tikai daļēji.
MI izklaidē apzīmē MI izmantošanu filmās, mūzikā, spēlēs, straumēšanā un plašsaziņas līdzekļos. Tipiski lietojumi ir ieteikumu sistēmas, kas piedāvā saturu pēc gaumes, atbalsts montāžai, vizuālajiem efektiem un dublēšanai, ģenerētas spēļu pasaules vai tēli, kā arī mūzikas un attēlu ģenerēšana. Reizē rodas jautājumi par autortiesībām, izpildītāju piekrišanu un dziļviltojumiem. Piemērs: straumēšanas platforma pielāgo sākuma ekrānu katram profilam.
MI kiberdrošībā ir divas puses. No vienas puses, MI paņēmieni palīdz ātrāk atklāt uzbrukumus, piemēram, pamanot anomālijas tīkla datplūsmā, aizdomīgas pieteikšanās vai pikšķerēšanas e-pastus, un atslogo drošības komandas brīdinājumu šķirošanā. No otras puses, pašas MI sistēmas ir jāaizsargā, piemēram, pret uzvedņu injekciju vai datu noplūdi. MI šeit ir efektīvs tikai kopā ar skaidriem procesiem, atjauninātām sistēmām un apmācītiem cilvēkiem.
MI konsultants palīdz organizācijām MI izmantot saprātīgi un atbildīgi. Tipiski uzdevumi ir potenciāla novērtēšana, piemērotu lietošanas gadījumu un rīku izvēle, to iekļaušana esošajos procesos un atbildībās, datu aizsardzības un atbilstības jautājumi, kā arī apmācība. Laba konsultēšana mierīgi izsver ieguvumus un riskus un ņem vērā cilvēkus, kuri ar sistēmām strādā. Piemērs: vidēji liels uzņēmums noskaidro, kurus klientu pieprasījumus var droši automatizēt.
MI kvalitātes nodrošināšanas speciālists pārbauda, vai MI lietojumprogrammas darbojas droši, pareizi un atbilstoši. Loma ietver testa jautājumus un etalonus, dažādu modeļu salīdzināšanu, lietotāju vērtējumu analīzi un halucināciju un laika gaitā notiekošas pasliktināšanās pamanīšanu. Piemēram, pirms pārejas uz jaunu modeli uz 50 tipiskiem klientu pieprasījumiem atbild abi modeļi, un atbildes salīdzina pēc fiksētiem kritērijiem.
Plūsmas bloks, kas piešķir tekstu vienai no vairākām kategorijām un attiecīgi sazarojas.
MI mazumtirdzniecībā aptver lietojumus visā tirdzniecības ķēdē: pārdošanas prognozēšanu un krājumu plānošanu, personalizētus produktu ieteikumus, dinamisko cenu veidošanu, krāpšanas atklāšanu interneta veikalos un klientu apkalpošanu tērzēšanā. Mazumtirgotāji var samazināt pārkrājumus un deficītu un ātrāk atbildēt uz pieprasījumiem. Tam nepieciešami tīri dati un rūpīga rīcība ar klientu informāciju. Piemērs: tērzēšanas asistents diennakts garumā atbild uz jautājumiem par piegādes laikiem un atgriešanu.
MI meklēšana apzīmē meklēšanas metodes, kas ar MI palīdzību izprot vaicājuma nolūku, sver rezultātus un bieži ģenerē apkopotu atbildi ar avotiem, nevis vienkāršu saišu sarakstu. Tehniski tās izmanto atslēgvārdu meklēšanu, vektormeklēšanu pār iegultajiem vektoriem vai to kombināciju, bieži vien ar sekojošu valodas modeli. Piemēri ir atbilžu dzinēji tīmeklī un iekšējā zināšanu meklēšana, kas palīdz darbiniekiem atrast nepieciešamo rokasgrāmatās un politikās.
Pareizība apraksta, cik bieži MI modelis sniedz pareizus rezultātus; stabilitāte apraksta, cik droši šī veiktspēja saglabājas — ar nedaudz mainītiem ievaddatiem, jauniem datiem vai laika gaitā. Modelis testos var būt ļoti precīzs, bet nestabils, ja jau jautājuma pārfrāzēšana noved pie citas atbildes. Reālai lietošanai abas īpašības pārbauda ar fiksētiem testa gadījumiem, krusteniskās validācijas metodi un pastāvīgu uzraudzību.
MI partnerība ir organizāciju sadarbība, lai kopīgi izstrādātu, ieviestu vai atbildīgi veidotu MI risinājumus, piemēram, starp uzņēmumiem un tehnoloģiju nodrošinātājiem, universitātēm vai pētniecības institūtiem. Partneri dala zinātību, datus, infrastruktūru vai izmaksas. Būtiskas ir skaidras vienošanās par datu izmantošanu, intelektuālo īpašumu, atbildību un izstāšanās iespējām. Šis termins attiecas arī uz tādām iniciatīvām kā Partnership on AI, bezpeļņas organizācija, kas dibināta 2016. gadā.
MI pārredzamība nozīmē atklāt, kad iesaistīts MI, uz kādiem datiem un avotiem balstās tā rezultāti un kā tiek pieņemti lēmumi. Tas ietver MI satura marķēšanu, izsekojamas atsauces uz avotiem, žurnālus un dokumentētas izmaiņas. Pārredzamība veido uzticību, atvieglo kļūdu novēršanu un daļēji ir prasīta ar likumu, piemēram, ES Mākslīgā intelekta akta pārredzamības pienākumos, saskaņā ar kuriem cilvēkiem jāspēj saprast, ka viņi mijiedarbojas ar MI.
MI penetrācijas tests ir pasūtīts, kontrolēts drošības novērtējums, kurā speciālisti apzināti meklē MI sistēmas vājās vietas, piemēram, uzvedņu injekciju, konfidenciālu datu noplūdi vai aģentu ar pārmērīgām atļaujām. Atšķirībā no plašākas red teaming prakses tas koncentrējas uz skaidri definētu apjomu ar dokumentētiem konstatējumiem un risinājumiem. To vērts veikt pirms tērzēšanas robota palaišanas un pēc lielām izmaiņām.
MI pētniecības granti un finansējums apmaksā pētniecības projektus, jauno pētnieku grupas vai sadarbības mākslīgā intelekta jomā. Vācijā, piemēram, Vācijas Pētniecības fonds (DFG) savas MI iniciatīvas ietvaros finansē Emmy Noether grupas par MI metodēm, savukārt Federālā Pētniecības, tehnoloģiju un kosmosa ministrija (BMFTR) piešķir finansējumu ar tematisku finansēšanas pamatnostādņu starpniecību. ES līmenī konkursus rīko Apvārsnis Eiropa (Horizon Europe) un Eiropas Pētniecības padome (ERC). Termiņi un nosacījumi pastāvīgi mainās (stāvoklis 2026. gada oktobrī).
MI projektu vadība pētniecībā un izstrādē aptver divas lietas: projektu vadīšanu, kuros tiek veidots MI, un MI izmantošanu pētniecības un izstrādes projektu atbalstam. Tipiski uzdevumi ir literatūras apkopošana, eksperimentu plānu strukturēšana, atskaites punktu izsekošana un rezultātu dokumentēšana. Speciālistu lēmumiem un apstiprinājumiem jāpaliek cilvēku ziņā.
MI prototips ir agrīna, strādājoša MI lietojumprogrammas versija, ar kuru komanda var ātri un par mērenām izmaksām pārbaudīt kādu ideju. Tā vietā, lai plānotu mēnešiem ilgi, to izmēģina ar īstiem datiem un lietotājiem, lai redzētu, vai MI uzdevumu risina pietiekami droši, kuru datu trūkst un kādu vērtību tas sniedz. Piemērs: asistentu, kas iepriekš šķiro klientu pieprasījumus, divas nedēļas izmēģina ar daļu pastkastes, pirms lemj par plašāku ieviešanu.
MI ražošanā aptver lietojumus ražošanā un rūpniecībā, piemēram, prognozējošo apkopi pēc sensoru datiem, automatizētu kameru bāzētu kvalitātes kontroli, procesa parametru un ražošanas plānošanas optimizāciju un robotus, kas strādā līdzās cilvēkiem. Mērķi ir mazāk bojājumu, mazāk brāķa un stabilāka darbība. Tam nepieciešami uzticami iekārtu dati un ekspertu iesaiste uz vietas ražotnē. Piemērs: sistēma pēc vibrāciju raksta atpazīst, ka gultnis drīz varētu atteikties.
MI regulējuma ietvars ietver likumus, standartus un uzraudzības struktūras, kas nosaka, kā MI tiek izstrādāts un lietots. ES galvenais likums ir MI akts (Regula (ES) 2024/1689), kas balstīts uz riska pieeju: aizliegumi piemērojami kopš 2025. gada februāra, pienākumi vispārīga lietojuma MI modeļiem kopš 2025. gada augusta un pārredzamības pienākumi kopš 2026. gada augusta. Pēc „Digitālā omnibusa” (Regula (ES) 2026/1744) augsta riska pienākumi piemērojami no 2027. gada 2. decembra vai 2028. gada 2. augusta (stāvoklis 2026. gada oktobrī; nav juridisks padoms).
MI robotu bloķēšana nozīmē neļaut MI nodrošinātāju rāpuļprogrammām lasīt jūsu tīmekļa vietni, parasti ar noteikumiem failā robots.txt lietotāju aģentiem, piemēram, GPTBot, ClaudeBot vai Google-Extended. Fails ir lūgums, nevis tehnisks šķērslis; stingrākai kontrolei nepieciešami ugunsmūra vai servera noteikumi. Kompromiss: bloķēšana aizsargā saturu no izmantošanas apmācībai, taču var mazināt redzamību MI meklēšanā un MI ģenerētajās atbildēs. Bieži vien ir lietderīgi apmācības rāpuļprogrammas un meklēšanas rāpuļprogrammas vērtēt atšķirīgi.
MI sarkanā komanda (red teaming) ir strukturēta MI sistēmas pārbaude no potenciālu uzbrucēju vai ļaunprātīgas izmantošanas skatpunkta. Speciālisti kontrolēti pārbauda, vai tērzēšanas robots atklāj konfidenciālus norādījumus, vai to var pamudināt uz nevēlamu uzvedību, vai tas sniedz nepatiesus faktus vai atklāj datus. Konstatējumi palīdz uzlabot norādījumus, filtrus un atļaujas. Tērzēšanas robota drošības audits ir vieglāka forma: tas novērtē konfigurāciju un sarunu piemērus pret zināmām riska jomām, piemēram, OWASP Top 10 LLM lietojumprogrammām.
MI SDR (sales development representative — pārdošanas attīstības pārstāvis) ir MI aģents, kas uzņemas agrīnās pārdošanas posma uzdevumus: atbild uz ienākošajiem pieprasījumiem, kvalificē potenciālos klientus, sagatavo zvanu scenārijus un atkārtotas sazināšanās e-pastus vai gatavo tikšanās. Tas atslogo pārdošanas komandu, bet neaizstāj tās spriedumu un attiecību darbu. Uzrunājot jaunus kontaktus Vācijā un ES, jāievēro datu aizsardzība un noteikumi pret nepieprasītu reklāmu.
MI sertifikācijas procesi ir procedūras, kurās neatkarīga struktūra pārbauda, vai organizācija vai MI sistēma atbilst noteiktām prasībām. Plaši izmantots piemērs ir sertifikācija atbilstoši ISO/IEC 42001 (publicēts 2023. gadā), kas apraksta vadības sistēmu atbildīgai MI izmantošanai; prasības sertificēšanas iestādēm izklāstītas ISO/IEC 42006 (2025). Šāds sertifikāts ir brīvprātīgs un neaizstāj atbilstības novērtējumu, ko ES MI akts prasa augsta riska sistēmām (stāvoklis 2026. gada oktobrī).
MI sistēmu inženieris projektē un darbina MI lietojumprogrammas kā pilnīgu sistēmu: savieno modeļus ar datu avotiem, saskarnēm un esošo programmatūru, nodrošina drošību, uzraudzību un izmaksu kontroli un prototipus pārvērš stabilā darbībā. Atšķirībā no tīras modeļu izstrādes uzsvars ir uz integrāciju. Viens piemērs ir atbalsta aģenta savienošana ar pieteikumu sistēmu, ieskaitot žurnālēšanu un piekļuves tiesības.
MI sniegta atgriezeniskā saite skolēniem apzīmē komentārus par esejām, uzdevumiem vai projektiem, ko MI sistēma ģenerē pēc noteiktiem kritērijiem. Apguvēji ātrāk saņem norādes par stiprajām pusēm, struktūru, argumentāciju vai valodu, un skolotāji tiek atslogoti no atkārtotas vērtēšanas. Vērtējumam jābūt pārredzamam un kritērijos balstītam; atzīmes un lēmumi par sniegumu paliek skolotāju atbildībā. Piemērs: eseju melnraksts pirms iesniegšanas saņem uzlabojumu ieteikumus.
Stāvoklis uz 2026. gada oktobri. Tehniski uzsvars pāriet no tērzēšanas robotiem uz MI aģentiem, kas veic daudzsoļu uzdevumus un izmanto rīkus, izmantojot standartus, piemēram, Model Context Protocol. Saskaņā ar Crunchbase datiem aptuveni 64 % no pasaules riska kapitāla finansējuma 2026. gada trešajā ceturksnī nonāca pie MI jaunuzņēmumiem. ES vispārīgas nozīmes MI modeļiem pienākumi ir spēkā kopš 2025. gada augusta; termiņi augsta riska sistēmām tika pārcelti uz 2027. gada decembri un 2028. gada augustu.
MI tirgus segmentēšana izmanto MI, lai tirgu vai klientu bāzi sadalītu grupās ar līdzīgām īpašībām, vajadzībām vai uzvedību. Tradicionāli to dara ar klasterizācijas metodēm klientu datos; valodas modeļi papildus var atvasināt segmentus no aprakstiem, aptaujām vai pieprasījumiem un ieteikt ziņojumus un kanālus. Rezultāti ir hipotēzes, kas jāapstiprina ar reāliem datiem. Piemērs: programmatūras nodrošinātājs nošķir uz cenu orientētus iesācējus no izaugsmes orientētām komandām.
MI transportā aptver lietojumus loģistikā, satiksmē un mobilitātē: maršrutu un braucienu plānošanu, satiksmes prognozēšanu, transportlīdzekļu un infrastruktūras prognozējošo apkopi un vadītāju atbalsta sistēmas līdz pat autonomiem transportlīdzekļiem. Mērķi ir īsāki maršruti, mazāk tukšo braucienu, zemākas izmaksas un lielāka drošība. Daudzi lietojumi ir drošībai kritiski, tāpēc stingri regulēti. Piemērs: pakalpojumu sniedzējs katru dienu pārplāno piegādes apgaitas atbilstoši sūtījumu apjomam un satiksmes situācijai.
MI ugunsmūris ir aizsargslānis starp lietotājiem, datu avotiem un MI modeli. Tas pārbauda ievaddatus, vai nav manipulācijas mēģinājumu, piemēram, uzvedņu injekcijas vai jailbreak, un pirms nodošanas tālāk pārbauda izvaddatus, piemēram, vai tajos nav konfidenciālu datu vai nevēlama satura. Tas var izmantot noteikumus, klasifikācijas modeļus vai otru valodas modeli. MI ugunsmūris mazina risku, bet nenodrošina pilnīgu aizsardzību un neaizstāj ne ierobežotas atļaujas, ne testēšanu.
Šis termins apraksta, kā MI sistēmas var ietekmēt cilvēktiesības, piemēram, privātumu, vienlīdzīgu attieksmi, vārda brīvību vai taisnīgu tiesvedību, gan pozitīvi, gan negatīvi. Riski rodas, piemēram, no diskriminējošiem lēmumiem, masveida uzraudzības, biometriskās identifikācijas vai līdzekļu trūkuma lēmumu apstrīdēšanai. Šos jautājumus risina starptautiski regulējumi, piemēram, Eiropas Padomes Pamatkonvencija par MI un ES Mākslīgā intelekta akts. Organizācijas reaģē ar ietekmes novērtējumiem, pārredzamību un cilvēka uzraudzību.
MI uzraudzības iestādes ir publiskas struktūras, kas uzrauga MI noteikumu ievērošanu. ES līmenī Eiropas Komisijas MI birojs koordinē MI akta īstenošanu un uzrauga vispārīga lietojuma MI modeļus. Vācijā īstenošanas likums KI-MIG (spēkā kopš 2026. gada 29. jūlija) par centrālo tirgus uzraudzības iestādi nosaka Federālo tīklu aģentūru (Bundesnetzagentur), savukārt nozaru regulatori, piemēram, BaFin, paliek atbildīgi. Saskaņā ar Digitālo omnibusu augsta riska pienākumi piemērojami tikai no 2027. gada decembra vai 2028. gada augusta (stāvoklis 2026. gada oktobrī; nav juridisks padoms).
MI vadīts jaunuzņēmums ir jauns uzņēmums, kura produkts vai biznesa modelis būtiski balstās uz mākslīgo intelektu, piemēram, specializēti asistenti konkrētai nozarei, analītikas rīki vai automatizēti pakalpojumi. Šādi jaunuzņēmumi bieži būvē uz esošiem pamatmodeļiem un izceļas ar nozares zināšanām, datiem, lietojamību un integrāciju. Izaicinājumi ir atkarība no modeļu nodrošinātājiem, izmaksas par pieprasījumu un regulējums. Piemērs: jaunuzņēmums, kas amatnieku uzņēmumiem automātiski sagatavo pārbaužu ziņojumus.
MI veselības aprūpē aptver lietojumus, kas atbalsta klīnisko personālu un administrāciju, piemēram, medicīnisko attēlu analīzē, dokumentēšanā, vizīšu plānošanā vai pētījumu datu izvērtēšanā. Šādas sistēmas sniedz norādes un atvieglo slodzi, taču neaizstāj klīnisko spriedumu un neapsola izārstēšanu. Daudzi medicīniskie MI lietojumi ir pakļauti medicīnisko ierīču regulējumam un stingriem datu aizsardzības noteikumiem veselības datiem. Piemērs: programmatūra izceļ rentgenuzņēmumos pamanāmas vietas, lai speciālisti tās pārbaudītu.
Šis termins apzīmē mākslīgā intelekta izmantošanas ekonomiskās sekas: produktivitātes pieaugumu, jaunus produktus un biznesa modeļus, mainīgus uzdevumus un prasmju prasības un izmaiņas konkurencē. Šo efektu apjoms un sadalījums ir strīdīgs un lielā mērā atkarīgs no nozares, ieguldījumiem un apmācības. Atsevišķām organizācijām vissvarīgākais ir konkrētu lietojumu izmērāmais ieguvums. Piemērs: īsāks apstrādes laiks klientu apkalpošanā samazina izmaksas par vienu pieprasījumu.
Mistral AI ir mākslīgā intelekta uzņēmums Parīzē, ko 2023. gadā dibināja Arthur Mensch, Guillaume Lample un Timothée Lacroix. Tas izstrādā lielos valodas modeļus un piedāvā gan modeļus ar atklāti pieejamiem svariem, daži no tiem ar Apache 2.0 licenci, gan komerciālus modeļus savā platformā. Eiropas organizāciju vidū Mistral AI bieži piemin diskusijās par datu suverenitāti un modeļu darbināšanu savā infrastruktūrā.
MLflow ir atvērtā pirmkoda platforma visa mašīnmācīšanās modeļu dzīves cikla pārvaldībai, ko 2018. gadā sākotnēji ieviesa Databricks. Tā reģistrē eksperimentus ar to parametriem un metrikām, pārvalda modeļu versijas reģistrā un vienkāršo izvietošanu. Jaunākās versijas atbalsta arī uz valodas modeļiem balstītu lietojumprogrammu izsekošanu un novērtēšanu. Tādējādi komandas var izsekot, kurš modelis ir izveidots ar kādiem datiem un iestatījumiem.
Model Context Protocol (MCP) ir atvērts standarts, kas ļauj MI lietojumprogrammām vienotā veidā piekļūt ārējiem rīkiem, datu avotiem un pakalpojumiem. MCP serveris nodrošina funkcijas, bet MCP klients, piemēram, MI asistents, tās var izsaukt. Anthropic MCP ieviesa 2024. gada novembrī; kopš 2025. gada decembra to attīsta Linux Foundation paspārnē esošajā Agentic AI Foundation (stāvoklis uz 2026. gada oktobri). Tādējādi nav jāveido katra integrācija atsevišķi.
Modeļa interpretējamība raksturo, cik labi cilvēki spēj saprast, kā MI modelis nonāk pie saviem rezultātiem. Vienkārši modeļi, piemēram, lēmumu koki, pēc būtības ir viegli lasāmi; sarežģītiem neironu tīkliem var palīdzēt metodes, kas atklāj atsevišķu pazīmju ietekmi. Interpretējamība ir svarīga kļūdu meklēšanai, uzticībai un normatīvajām prasībām, piemēram, ja kredīta atteikums ir jāpamato.
Modeļa novirze ir pakāpeniska modeļa prognožu kvalitātes pasliktināšanās ekspluatācijas laikā, jo realitāte mainās salīdzinājumā ar apmācības datiem. Izšķir ievaddatu izmaiņas (datu novirze) un izmaiņas sakarībā starp ievadi un rezultātiem (koncepta novirze). Piemērs: krāpšanas atklāšanas modelis nepamana jaunas krāpšanas shēmas. Pretlīdzekļi ir nepārtraukta metriku uzraudzība un regulāra atkārtota apmācība.
Modeļa robustums raksturo, cik uzticami MI modelis darbojas, ja ievaddati ir trokšņaini, nepilnīgi, neparasti vai tīši manipulēti. Robusts modelis joprojām sniedz stabilus rezultātus, piemēram, attēlu atpazīšanā sliktā apgaismojumā vai valodas modelim apstrādājot drukas kļūdas. Robustumu novērtē ar slodzes testiem, daudzveidīgiem apmācības datiem un testiem pret tīšiem maldināšanas mēģinājumiem, un tas ir īpaši svarīgs drošībai kritiskās lietojumprogrammās.
Modeļa sabrukums ir kvalitātes zudums, kas var rasties, ja ģeneratīvos modeļus atkārtoti apmāca ar datiem, kurus pati ir izveidojusi MI. Reti sastopams saturs un robežgadījumi pakāpeniski izzūd, bet rezultāti kļūst viendabīgāki un kļūdaināki. Šī problēma kļūst arvien svarīgāka, jo internetā aug MI ģenerēta teksta un attēlu īpatsvars. Tai palīdz pretoties rūpīgi atlasīti, cilvēku radīti dati.
Modeļu ķēdēšana nozīmē vairāku MI modeļu vai MI soļu savienošanu secīgi, lai viena soļa izvade kļūtu par nākamā soļa ievadi. Sarežģītus uzdevumus tādējādi var sadalīt pārvaldāmos apakšuzdevumos, kurus var pārbaudīt un uzlabot atsevišķi. Piemērs: viens solis apkopo klienta pieprasījumu, otrais piešķir to nodaļai, bet trešais sagatavo atbildes melnrakstu.
Montekarlo metodes ir skaitļošanas paņēmieni, kas izmanto ļoti lielu nejaušu izlašu skaitu, lai tuvinātu rezultātus, kurus analītiski ir grūti aprēķināt. Sistēmu simulē tūkstošiem reižu ar nejauši variētiem pieņēmumiem un analizē rezultātu sadalījumu. Organizācijas tās izmanto riska analīzei, projektu plānošanai vai portfeļa vērtēšanai. MI jomā šīs metodes cita starpā izmanto pastiprinātajā mācīšanā un koku meklēšanā spēlēs.
Apache MXNet bija atvērtā pirmkoda dziļās mācīšanās ietvars, kas varēja efektīvi apmācīt modeļus vairākos GPU un datoros, ar saskarnēm Python, C++, R, Scala un citām valodām. Amazon Web Services vairākus gadus to atbalstīja kā savu vēlamo ietvaru. Apache Software Foundation projektu slēdza 2023. gada septembrī un līdz 2024. gada februārim pārvietoja uz Apache Attic; tas vairs netiek attīstīts. Esošos modeļus parasti pārnes uz citiem ietvariem.
Naivais Beijesa klasifikators ir vienkāršu klasifikācijas metožu saime, kuras pamatā ir Beijesa teorēma. Tās sauc par „naivām”, jo tās pieņem, ka visas pazīmes ir savstarpēji neatkarīgas, kas praksē reti ir patiesība, bet bieži tomēr dod labus rezultātus. Šīs metodes ir ātras, tām vajag maz apmācības datu, un tās ir īpaši piemērotas tekstam. Klasisks piemērs ir surogātpasta filtrs, kas šķiro e-pastus pēc tipiskiem vārdiem.
Negatīvā uzvedne norāda, ko MI modelim skaidri nevajadzētu ģenerēt vai darīt. Attēlu ģenerēšanā, piemēram, ar Stable Diffusion, tas ir atsevišķs ievades lauks nevēlamiem elementiem, piemēram, „izplūdis” vai „teksts attēlā”. Valodas modeļiem tā ir noteikumu forma norādījumos, piemēram, „Neizdomā cenas” vai „Nesniedz juridiskus padomus”. Šādi ierobežojumi padara rezultātus paredzamākus, bet neaizstāj pārbaudi.
Neiromorfā skaitļošana ir aparatūras un programmatūras pieeja, kuras paraugs ir smadzeņu uzbūve. Tā vietā, lai pārvietotu datus starp atsevišķu atmiņu un procesoru taktēs, mākslīgie neironi un sinapses darbojas paralēli un reaģē tikai uz notikumiem, ko sauc par impulsiem. Tas sola ļoti zemu enerģijas patēriņu, piemēram, sensoros vai robotos. Pazīstami pētniecības mikroshēmu piemēri ir Intel Loihi un IBM TrueNorth; plaša komerciāla izmantošana vēl ir agrīnā posmā.
Nejaušo mežu regresija prognozē skaitliskas vērtības, apvienojot daudzus lēmumu kokus. Katrs koks tiek apmācīts uz nejaušas datu izlases un nejauši izvēlētām pazīmēm; rezultāts ir visu koku prognožu vidējais. Tādējādi metode ir robustāka un mazāk pakļauta pārmērīgai pielāgošanai nekā atsevišķs koks. To izmanto, piemēram, pārdošanas prognozēm, cenu novērtējumiem vai enerģijas pieprasījumam — bieži kā stabilu sākumpunktu tabulu datiem.
Neskaidrību matrica ir tabula, kas salīdzina klasifikatora prognozes ar faktiskajām klasēm. Diviem klasēm tā parāda patiesi pozitīvos, viltus pozitīvos, patiesi negatīvos un viltus negatīvos gadījumus. No tās var aprēķināt tādas metrikas kā precizitāte, pārklājums un F1 rādītājs, un kļūst skaidrs, kādas kļūdas rodas. Piemērs: surogātpasta filtram, kas daudzus īstus e-pastus atzīmē kā surogātpastu, ir daudz viltus pozitīvu rezultātu, kas bieži ir dārgāk nekā nokavēts surogātpasta ziņojums.
Nestrukturēti dati neatbilst fiksētai tabulas shēmai: e-pasti, līgumi, rokasgrāmatas, tīmekļa lapas, prezentācijas, attēli vai audioieraksti. Tie veido lielu daļu no organizācijas zināšanām, bet ilgu laiku tos bija grūti automātiski analizēt. Valodas modeļi var nolasīt un meklēt šādā saturā un pārvērst to strukturētā informācijā, piemēram, izgūstot termiņus un summas no līguma tabulā.
Netiešā uzvedņu injekcijā manipulatīvi norādījumi nav lietotāja ievaddatos, bet paslēpti saturā, ko MI sistēma apstrādā ceļā, piemēram, tīmekļa lapās, e-pastos vai dokumentos. Kad aģents nolasa šādu saturu, tas slēptās komandas var palaist garām kā īstus uzdevumus un, piemēram, izpaust datus. Aizsardzības pasākumi ir ārēja satura stingra uzskatīšana par datiem, atļauju ierobežošana, ievaddatu pārbaude un cilvēka apstiprinājuma prasīšana kritiskām darbībām.
Neuzraudzītajā mācīšanā modelis saņem datus bez iepriekš definētām pareizajām atbildēm un pats meklē struktūras. Tipiskas metodes ir klasterizācija, kas grupē līdzīgus ierakstus, un dimensiju samazināšana, kas daudzas pazīmes sasaista dažās būtiskās. Organizācijas to izmanto, lai atklātu klientu segmentus vai pamanītu neparastus darījumus; atrastās grupas pēc tam jāinterpretē jomas ekspertiem.
NLTK (Natural Language Toolkit) ir atvērtā pirmkoda Python bibliotēka dabiskās valodas apstrādei, kas izveidota Pensilvānijas Universitātē 2000. gadu sākumā. Tā nodrošina rīkus tokenizācijai, celmošanai, vārdšķiru marķēšanai un vienkāršai klasifikācijai, kā arī piekļuvi daudziem teksta korpusiem. NLTK galvenokārt izmanto mācībās un pētniecībā; produkcijas lietojumprogrammas bieži balstās uz tādām bibliotēkām kā spaCy vai uz transformeru modeļiem.
Noteiktais uzdevums aģentam: loma, tonis, ierobežojumi. Bieži saukts par „uzvedni“.
Nosaukto entītiju atpazīšana (NER) ir dabiskās valodas apstrādes paņēmiens, kas tekstā atrod cilvēku, uzņēmumu un vietu nosaukumus, kā arī datumus vai summas un katram piešķir kategoriju. Tā pārveido brīvu tekstu strukturētos datos. Piemērs: no e-pasta automātiski tiek izgūts sūtītāja uzņēmums, kontaktpersona, piegādes datums un rēķina summa un nodots CRM sistēmai.
Noskaņojuma analīze automātiski nosaka garastāvokli vai attieksmi, ko teksts izsaka, — parasti pozitīvu, neitrālu vai negatīvu, dažkārt smalkākas emocijas. Uzņēmumi to izmanto, lai izvērtētu lielu daudzumu produktu atsauksmju, atbalsta e-pastu, aptauju vai sociālo mediju ierakstu un ātri redzētu, kur klienti ir apmierināti un kur ir problēmas. Ironija, sarkasms un jauktie apgalvojumi, piemēram, „ātra piegāde, vilšanās kvalitātē”, joprojām ir sarežģīti, tāpēc paraugi jāpārbauda cilvēkiem.
Nulles klikšķu meklēšana rodas, kad lietotāji atbildi saņem tieši rezultātu lapā, piemēram, no izceltajiem atbilžu lodziņiem vai MI ģenerētiem kopsavilkumiem, un vairs nepāriet uz tīmekļa vietni. Uzņēmumiem tas samazina datplūsmu pat tad, ja to saturs kalpo kā avots. Tāpēc redzamība kā citētam avotam kļūst svarīgāka: ar skaidrām atbildēm, pamatotiem faktiem un labi strukturētām lapām.
Nulles piemēru mācīšanās nozīmē, ka modelis var atrisināt uzdevumu, iepriekš nebūdams redzējis konkrētus piemērus. Piemēram, lielie valodas modeļi var veikt tulkošanu vai klasifikāciju, balstoties tikai uz aprakstu uzvednē. Ja kvalitāte nav pietiekama, bieži palīdz mācīšanās ar dažiem piemēriem: jūs pievienojat dažus vēlamās atbildes piemērus.
NumPy ir būtiskākā atvērtā pirmkoda Python bibliotēka skaitliskai skaitļošanai. Tā nodrošina daudzdimensiju masīvus un ātras funkcijas lineārajai algebrai, statistikai un nejaušiem skaitļiem, bet tās kodols darbojas kompilētā kodā. Daudzi datu analīzes un mašīnmācīšanās rīki, piemēram, pandas, scikit-learn un daudzas vizualizācijas bibliotēkas, ir balstīti uz NumPy. Tāpēc ikviens, kas Python vidē strādā ar datiem, to gandrīz vienmēr izmanto tieši vai netieši.
Datorzinātnē ontoloģija ir formāls kāda priekšmetu jomas modelis, kas skaidri definē jēdzienus, to īpašības un attiecības starp tiem. Tas ļauj cilvēkiem un mašīnām konsekventi interpretēt datus un izdarīt no tiem secinājumus. Ontoloģijas ir daudzu zināšanu grafu, semantiskās meklēšanas sistēmu un datu integrācijas projektu pamatā. Piemērs: produktu ontoloģija nosaka, ka „elektrovelosipēds” ir „velosipēds” un tam ir „akumulators”.
Open Neural Network Exchange (ONNX) ir atvērts failu formāts mašīnmācīšanās modeļiem, ko 2017. gadā ieviesa Microsoft un Facebook (tagad Meta) un ko tagad uztur LF AI & Data Foundation. Piemēram, PyTorch apmācītu modeli var eksportēt uz ONNX un palaist ar citiem rīkiem vai izpildes vidēm, piemēram, ONNX Runtime. Tas atvieglo pāriešanu starp ietvariem un izvietošanu uz dažādas aparatūras.
OpenAI ir mākslīgā intelekta uzņēmums Sanfrancisko, kas dibināts 2015. gadā kā bezpeļņas organizācija. Kopš pārstrukturēšanas 2025. gada oktobrī tas sastāv no bezpeļņas organizācijas OpenAI Foundation, kas kontrolē komerciālo OpenAI Group PBC (stāvoklis uz 2026. gada oktobri). OpenAI vislabāk pazīstams ar ChatGPT un GPT valodas modeļiem, kā arī attēlu ģeneratoru DALL·E un runas atpazīšanas modeli Whisper. Tā modeļi tiek piedāvāti lietotnēs un ar API.
OpenCV (Open Source Computer Vision Library) ir atvērtā pirmkoda programmatūras bibliotēka attēlu apstrādei un datorredzei, kuras izstrāde sākās uzņēmumā Intel ap 2000. gadu. Tā piedāvā tūkstošiem funkciju, piemēram, attēlu filtrēšanai, malu un seju noteikšanai, objektu izsekošanai video vai kameru kalibrēšanai. OpenCV ir uzrakstīta C++, bet bieži tiek izmantota ar Python, piemēram, kvalitātes kontrolē, robotikā un pētniecībā.
Optiskā rakstzīmju atpazīšana (OCR) pārvērš attēlos esošu tekstu, piemēram, skenējumos, fotogrāfijās vai faksos, mašīnlasāmā tekstā. Tikai tad dokumentos var meklēt, tos var kopēt vai automātiski apstrādāt. Mūsdienu OCR izmanto neironu tīklus un var atpazīt arī tabulas, izkārtojumus un dažos gadījumos rokrakstu. Tipisks pielietojums ir rēķinu apstrāde, arhīvu digitalizācija un veidlapu nolasīšana; kvalitāte lielā mērā atkarīga no attēla kvalitātes.
Uzņēmuma struktūras shēma: nodaļas, lomas un tas, kurš kam ir pakļauts.
Pārmērīga pielāgošanās datiem rodas, kad modelis iegaumē apmācības datus, ieskaitot nejaušas īpatnības un troksni, nevis apgūst vispārīgi derīgas likumsakarības. Tad tas šķiet ļoti precīzs ar pazīstamiem datiem, bet slikti darbojas ar jauniem. Tipiska pazīme ir liela atšķirība starp apmācības un testa kļūdu. Pretlīdzekļi ir vairāk vai daudzveidīgāki dati, vienkāršāki modeļi, regularizācija, dropout un krusteniskā validācija.
OWASP Top 10 lielo valodas modeļu lietojumprogrammām ir svarīgāko drošības risku saraksts lietojumprogrammās, kas balstītas uz lielajiem valodas modeļiem, ko publicējis OWASP GenAI Security Project. Pašreizējais 2026. gada izdevums iznāca 2026. gada augustā (stāvoklis uz 2026. gada oktobri) un aptver: uzvednes injekciju, sensitīvas informācijas izpaušanu, pārmērīgu aģenta rīcības brīvību, piegādes ķēdi, datu un modeļu saindēšanu, neierobežotu resursu patēriņu, dezinformāciju, slēpta konteksta atklāšanu, vektoru un iegultņu vājās vietas un nepareizu izvaddatu apstrādi. Tas kalpo kā kontrolsaraksts izstrādei un auditiem.
Paketes normalizācija (batch normalisation) ir dziļo neironu tīklu apmācības paņēmiens, kas katrai datu paketei pārmērogo slāņa starpvērtības līdz vienotam vidējam un izkliedei. Tas padara apmācību stabilāku un bieži ātrāku, un tīkls kļūst mazāk jutīgs pret sākotnējām vērtībām. 2015. gadā ieviestā metode ir izplatīta attēlu atpazīšanas tīklos; transformeri parasti izmanto radniecīgo slāņa normalizāciju.
Pamatmodelis ir liels MI modelis, kas iepriekš apmācīts ar ļoti plašiem, daudzveidīgiem datiem un pēc tam var tikt izmantots daudziem dažādiem uzdevumiem. Terminu 2021. gadā ieviesa Stenfordas Universitātē. Plaši pazīstami piemēri ir lielie valodas modeļi, piemēram, Claude vai GPT, kā arī attēlu modeļi. Uzņēmumi savas lietojumprogrammas parasti būvē uz šādiem modeļiem, nevis apmāca savus no nulles; ES Mākslīgā intelekta akts runā par vispārīga lietojuma MI modeļiem.
pandas ir atvērtā pirmkoda Python bibliotēka tabulu datu analīzei un apstrādei, ko kopš 2008. gada izstrādā Wes McKinney. Tās centrālais objekts DataFrame atgādina tabulu ar nosauktām kolonnām. To var izmantot, lai ielādētu datus no CSV failiem, Excel vai datubāzēm un tos tīrītu, filtrētu, grupētu un apvienotu. pandas ir balstīta uz NumPy un ir standartrīks datu analīzē, atskaitēs un apmācības datu sagatavošanā.
Paplašināmība ir programmatūras spēja uzņemt jaunas funkcijas, datu avotus vai savienojumus, nepārbūvējot savu kodolu. Tipiski līdzekļi ir lietojumprogrammu saskarnes (API), webhook, spraudņi un atvērti standarti, piemēram, Model Context Protocol (MCP). Uzņēmumiem paplašināms MI risinājums darbojas kopā ar esošajām sistēmām, piemēram, CRM vai interneta veikalu, un var augt līdz ar mainīgajām prasībām.
Parametru efektīva precizēšana (PEFT) aptver paņēmienus, kas lielu iepriekš apmācītu modeli pielāgo uzdevumam, apmācot tikai nelielu daļu tā parametru vai pievienojot dažus papildu parametrus. Pazīstamas metodes ir LoRA, QLoRA, adapteri un prefiksu precizēšana. Tas ievērojami samazina skaitļošanas un atmiņas prasības, un vairākiem uzdevumiem var glabāt nelielus papildmoduļus pilnu modeļa kopiju vietā. Piemērs: valodas modelis tiek pielāgots iekšējo tehnisko dokumentu stilam.
Pastiprinātā mācīšanās ir mašīnmācīšanās nozare, kurā aģents mācās ar izmēģinājumu un kļūdu metodi. Tas darbojas vidē, saņem atlīdzību par labiem rezultātiem un sodus par sliktiem un tādā veidā izstrādā stratēģiju, kas maksimizē tā kopējo atlīdzību. Pazīstami piemēri ir programmas, kas apgūst galda spēles, piemēram, go, robotu vadība un valodas modeļu precizēšana, balstoties uz cilvēku vērtējumiem.
RLHF ir apmācības metode, kas valodas modeļus padara noderīgākus un drošākus. Cilvēki salīdzina un vērtē vairākas modeļa atbildes; šos vērtējumus izmanto, lai apmācītu atlīdzības modeli, kas ar pastiprināto mācīšanos tālāk apmāca pašu valodas modeli. Tā tas, piemēram, iemācās atbildēt skaidrāk vai noraidīt problemātiskus pieprasījumus. RLHF notiek pie modeļa pakalpojumu sniedzēja pirms modeļa izlaišanas — nevis pie atsevišķiem lietotājiem.
PaLM ir Google lielais valodas modelis, kas tika prezentēts 2022. gadā ar 540 miljardiem parametru un apmācīts uz daudziem TPU mikroshēmām vienlaikus, izmantojot Google apmācības sistēmu Pathways. 2023. gadā sekoja PaLM 2, kas cita starpā darbināja tērzēšanas robotu Bard. Google kopš tā laika PaLM ir aizstājis ar saviem Gemini modeļiem, un PaLM izstrādātāju API tika izslēgts 2024. gada augustā. Mūsdienās PaLM ir svarīgs galvenokārt kā pagrieziena punkts lielo valodas modeļu attīstībā.
Pazīmju inženierija nozīmē atribūtu (pazīmju) atlasi, pārveidošanu un izveidi no neapstrādātiem datiem, lai mācīšanās algoritms varētu vieglāk atklāt likumsakarības. Pazīmju izgūšana no sarežģītiem datiem, piemēram, teksta, attēliem vai signāliem, iegūst kompaktas, jēgpilnas vērtības. Piemērs: atsevišķi pirkumu ieraksti tiek pārveidoti pazīmēs, piemēram, „dienas kopš pēdējā pirkuma” vai „vidējā pasūtījuma vērtība”, kas var manāmi uzlabot klientu aiziešanas prognozi.
Pazīmju izgūšana ir process, kurā no neapstrādātiem datiem iegūst jēgpilnas vērtības, lai modelis tās varētu efektīvi apstrādāt. Miljonu atsevišķu pikseļu vietā sistēma var izmantot malas, krāsas vai formas; tekstus pārveido par vārdu svariem vai iegultņu vektoriem. Labas pazīmes samazina datu apjomu, mazina skaitļošanas slodzi un bieži uzlabo precizitāti. Pazīmju izgūšana ir pazīmju inženierijas būtiska sastāvdaļa.
Pārdošanas sarunu skriptu ģenerators ir MI rīks, kas sagatavo sarunu vadlīnijas pārdošanas zvaniem — piemēram, aukstajiem zvaniem, tikšanās reizēm vai atkārtotai sazināšanās reizei. No informācijas par piedāvājumu un mērķgrupu tas izveido ievadu, noskaidrojošus jautājumus, ieguvumu argumentus, atbildes uz tipiskiem iebildumiem un ieteikumu nākamajam solim. Laba vadlīnija sniedz orientieri, nevis stingru scenāriju: klausīšanās un godīga konsultēšana joprojām ir svarīgāka par gatavām frāzēm.
Pārfrāzēšana nozīmē atstāstīt kāda teikto saviem vārdiem, nemainot nozīmi. Sarunā tā ir aktīvās klausīšanās tehnika: jūs pārbaudāt, vai esat sapratis pareizi, un parādāt uzmanību, piemēram: „Ja pareizi saprotu, jums vissvarīgākais ir piegādes laiks?” Rakstos pārfrāzēšana palīdz saturu padarīt skaidrāku, īsāku vai labāk piemērotu konkrētai auditorijai.
Perplexity AI ir 2022. gadā dibināts uzņēmums Sanfrancisko, kas darbina uz MI balstītu meklētājprogrammu. Saišu saraksta vietā tā sniedz uzrakstītu atbildi, kas apkopo aktuālu tīmekļa saturu un norāda izmantotos avotus. Līdztekus bezmaksas versijai ir maksas līmeņi ar valodas modeļu izvēli, kā arī MI pārlūks Comet (stāvoklis uz 2026. gada oktobri). Uzņēmumiem Perplexity ir svarīgs arī tāpēc, ka tas maina veidu, kā tīmeklī tiek atrasts saturs.
Personalizēts mārketings nozīmē ziņojumu, piedāvājumu un laika pielāgošanu atsevišķiem klientiem vai nelielām grupām, nevis vēršanos pie visiem vienādi. Tas izmanto informāciju, piemēram, iepriekšējos pirkumus, intereses vai saziņas iemeslu. MI to var pārvērst piemērotos tekstos, piemēram, e-pastā, kas atsaucas uz nesen iegādātu produktu. Svarīgi izmantot tikai datus, uz kuriem ir saņemta piekrišana, un izlaist sensitīvas detaļas.
Pielāgošana (fine-tuning) nozīmē jau iepriekš apmācīta MI modeļa tālāku apmācību ar papildu, parasti konkrētam uzdevumam paredzētiem datiem. Tā iekšējie svari tiek pielāgoti, lai modelis drošāk apstrādātu, piemēram, noteiktu rakstības stilu, nozares leksiku vai izvades formātu. Pielāgošanai nepieciešami rūpīgi sagatavoti piemēru dati, skaitļošanas jauda un testēšana. Daudzām lietojumprogrammām pietiek ar labi uzrakstītiem norādījumiem un pieslēgtām zināšanām, un tos ir vieglāk mainīt.
Pilnība (to sauc arī par jutīgumu vai patieso pozitīvo rādītāju) mēra, kādu daļu no faktiskajiem pozitīvajiem gadījumiem modelis atpazīst: pareizi identificētie pozitīvie, dalīti ar visiem reālajiem pozitīvajiem. Ja krāpšanas filtrs noķer 80 no 100 reāliem krāpšanas gadījumiem, tā pilnība ir 0,8. Augsta pilnība ir svarīga, ja palaistie gadījumi ir dārgi, piemēram, medicīniskajā diagnostikā. Tā kā tā neņem vērā viltus trauksmes, to parasti aplūko kopā ar precizitāti, piemēram, F-rādītājā.
PyTorch ir atvērtā pirmkoda ietvars mašīnmācīšanās un dziļās mācīšanās uzdevumiem programmēšanas valodā Python. Sākotnēji to izstrādāja uzņēmumā Meta (tolaik Facebook), un kopš 2022. gada to pārrauga PyTorch Foundation Linux Foundation paspārnē. PyTorch ir plaši izmantots pētniecībā un nozarē, jo ļauj izstrādātājiem elastīgi veidot modeļus, apmācīt tos uz GPU un testēt soli pa solim; ar to veidoti daudzi pazīstami valodas un attēlu modeļi.
Savienotu soļu secība, kas tiek izpildīta atkārtoti, piemēram, „pieprasījuma šķirošana un atbildēšana“.
Potenciālo klientu novirzīšana (lead routing) ir ienākošo pieprasījumu automātiska piešķiršana atbildīgajai personai, nodaļai vai reģionam. Kritēriji var būt tēma, produkts, uzņēmuma lielums, valoda vai steidzamība. MI var saprast un kategorizēt pieprasījuma brīvo tekstu, piemēram, vai tas attiecas uz jaunu piedāvājumu, atbalsta jautājumu vai darba pieteikumu. Ātra, precīza novirzīšana saīsina atbildes laiku un neļauj pieprasījumiem palikt bez atbildes.
Pozas noteikšana ir datorredzes paņēmiens, kas attēlos vai video nosaka cilvēku ķermeņa stāju vai objektu atrašanās vietu un orientāciju. Parasti modelis atpazīst atslēgpunktus, piemēram, plecus, elkoņus un ceļgalus, un savieno tos skeletā. To izmanto, piemēram, fitnesa lietotnēs, kas pārbauda vingrinājumus, darbavietas ergonomikas analīzē, sporta analītikā un robotikā.
Pretinieciskā mašīnmācīšanās pēta, kā MI modeļus var maldināt ar apzināti manipulētām ievadēm vai apmācības datiem – un kā tos aizsargāt. Labi zināmi piemēri ir tik tikko pamanāmas attēla izmaiņas, kas maina klasifikāciju, vai saindēti apmācības dati. Šī tēma organizācijām kļūst svarīga, tiklīdz MI atbalsta ar drošību saistītus lēmumus. Pretpasākumi ietver noturīgu apmācību, ievades pārbaudes, uzraudzību un regulāru drošības testēšanu.
Pārskats par uzņēmuma galvenajiem procesiem un to savstarpējo saistību.
Prognozējošā analītika izmanto vēsturiskus datus, statistiku un mašīnmācīšanos, lai novērtētu iespējamus nākotnes notikumus. Tā atbild uz tādiem jautājumiem kā: kuri klienti drīz atteiksies? Cik daudz krājumu nākamajā mēnesī būs vajadzīgs? Kad iekārta, visticamāk, sabojāsies? Rezultāti ir varbūtības, nevis noteiktība. To vērtība lielā mērā atkarīga no datu kvalitātes un no tā, vai prognozes patiešām tiek izmantotas lēmumos un procesos.
Prognozējošā modelēšana ir prognozējošās analītikas tehniskais kodols: no piemēru datiem ar zināmiem rezultātiem izveido modeli, kas jauniem gadījumiem prognozē vērtību vai klasi. Izplatītas metodes ir regresija, lēmumu koki, nejaušie meži un neironu tīkli. Modelis, piemēram, var novērtēt īpašuma cenu pēc platības, atrašanās vietas un celtniecības gada. Pirms izvietošanas to testē ar atlikto datu kopu, lai atklātu pārmērīgu pielāgošanos.
Uzvedne ir ievade, kas MI modelim norāda, kas jādara — jautājums, uzdevums vai norādījums, bieži papildināts ar kontekstu, piemēriem un vēlamo formātu. Atbildes kvalitāte lielā mērā atkarīga no tā, cik skaidra un pilnīga ir uzvedne. Piemēram, nevis „Uzraksti kaut ko par mūsu produktu”, labāk rakstīt „Uzraksti trīs īsas produkta X priekšrocības amatniecības uzņēmumiem lietišķā tonī”.
Q-mācīšanās ir pamatmetode pastiprinātajā mācīšanā. Aģents mācās ar izmēģinājumu un kļūdu metodi, kādu ilgtermiņa vērtību („Q vērtību”) konkrētā situācijā dod konkrēta darbība, un ar laiku izvēlas daudzsološākās darbības. Tam nav vajadzīgs vides modelis. Apvienojumā ar neironu tīkliem (dziļā Q-mācīšanās) DeepMind sistēma ar šo pieeju iemācījās spēlēt daudzas Atari videospēles, izmantojot tikai ekrāna pikseļus.
Regularizācija aptver paņēmienus, kas apmācības laikā neļauj modelim pārāk cieši pielāgoties apmācības datiem (pārmērīga pielāgošanās). Piemēri ir lielu svaru sodīšana (L1 vai L2 regularizācija), neironu nejauša izslēgšana (dropout) vai apmācības apturēšana īstajā brīdī (agrīna apturēšana). Mērķis ir vienkāršāks modelis, kas uzticamāk darbojas ar jauniem, neredzētiem datiem, pat ja apmācības datos tas iegūst nedaudz zemāku rezultātu.
Rekurentais neironu tīkls apstrādā datus secīgi un nodod iekšējo stāvokli no viena soļa nākamajam — sava veida īstermiņa atmiņu. Tāpēc tas ir piemērots secībām, piemēram, tekstam, runai vai laika rindām, lai prognozētu, piemēram, nākamo vārdu vai nākamo sensora rādījumu. Vienkārši RNN viegli aizmirst tālu pagātnes informāciju; varianti, piemēram, LSTM un GRU, šo problēmu mazina. Valodas modeļiem RNN lielā mērā ir aizstājuši transformeri.
Rekursīva uzvedņu veidošana apzīmē paņēmienus, kuros valodas modeļa izvade tiek atkal padota kā jauna ievade — piemēram, lai melnrakstu pārbaudītu un pārstrādātu vai lai lielu uzdevumu soli pa solim sadalītu apakšuzdevumos. Piemēram, vispirms tiek izveidots piedāvājuma melnraksts, modelis to novērtē pēc kontrolsaraksta, un visbeidzot tas tiek uzlabots. Tas bieži paaugstina kvalitāti, bet prasa papildu apstrādes laiku un skaidru apturēšanas kritēriju.
Attālais MCP apzīmē MCP serveri, kas nedarbojas lokāli jūsu datorā, bet ir sasniedzams internetā ar HTTP. Model Context Protocol ir atvērts standarts, kas ļauj MI lietojumprogrammām izmantot ārējus rīkus un datus; attālajiem serveriem specifikācija paredz „Streamable HTTP” transportu un autentifikāciju, piemēram, ar OAuth vai API atslēgu. Priekšrocība ir tā, ka centralizēti uzturēts pakalpojums ir pieejams daudziem lietotājiem un MI programmām bez lokālas instalēšanas.
MI atdeve apraksta MI ieviešanas ekonomisko atdevi attiecībā pret tās izmaksām. Vienkāršs aptuvens aprēķins ir: mēnesī ietaupītās stundas × stundas likme, atņemot licenču, modeļa izmantošanas, ieviešanas un atbalsta izmaksas. Ja komandai, kas apstrādā 200 pieprasījumus, katram pieprasījumam vajag 4 minūtes, nevis 10, tā mēnesī ietaupa 20 stundas. Šādi aprēķini paliek novērtējumi; jāņem vērā arī kvalitāte, kļūdu īpatsvars un ievadīšanas laiks.
Rindkopu pārrakstītājs ir MI rīks, kas pārformulē esošu fragmentu, nemainot tā saturu. Biežākie mērķi ir cits tonis, īsāka versija, vienkāršāka valoda vai mazāk atkārtojumu. Tas noder, piemēram, ja iekšējs tehnisks teksts klientiem jāpadara saprotamāks. Saturs un fakti pēc tam tomēr būtu jāpārbauda, jo pārformulēšana var mainīt nianses.
Rytr ir kopš 2021. gada pieejams MI rakstīšanas asistents, kas veido īsus mārketinga un ikdienas tekstus. Lietotāji izvēlas pielietojuma gadījumu — piemēram, e-pastu, produkta aprakstu, sociālo mediju ierakstu vai emuāra plānu —, toni un vienu no vairāk nekā 30 valodām; redaktors palīdz pārformulēt, saīsināt vai paplašināt tekstu. Līdztekus bezmaksas versijai ar ierobežotu rakstzīmju apjomu ir maksas plāni (stāvoklis uz 2026. gada oktobri). Tāpat kā ar visiem šādiem rīkiem, rezultāti jāpārbauda pirms publicēšanas.
ROC līkne (receiver operating characteristic) parāda, cik labi klasifikācijas modelis nošķir divas klases. Katram iespējamam lēmuma slieksnim tā attēlo patieso pozitīvo rādītāju (pilnību) pret viltus pozitīvo rādītāju. Jo tuvāk līkne tuvojas augšējam kreisajam stūrim, jo labāk; diagonāle atbilst tīrai minēšanai. Laukums zem tās (AUC) apkopo līkni vienā skaitlī un palīdz, piemēram, salīdzinot dažādus krāpšanas atklāšanas modeļus.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) ir metriku saime automātiski ģenerētu tekstu — īpaši kopsavilkumu — salīdzināšanai ar cilvēku rakstītiem references tekstiem. Tā mēra, cik daudz vārdu vai vārdu secību pārklājas, piemēram, atsevišķus vārdus ROUGE-1 vai garāko kopīgo apakšsecību ROUGE-L. Rādītāju var ātri aprēķināt, taču tas nenodrošina uzticamu pārfrāzējumu ar to pašu nozīmi vai faktiskās pareizības novērtējumu.
Runas atpazīšana, ko sauc arī par ASR (automatic speech recognition), automātiski pārvērš runāto valodu rakstītā tekstā. Mūsdienu sistēmas izmanto neironu tīklus, kas apmācīti ar lielu daudzumu audioierakstu, un samērā labi tiek galā ar akcentiem un fona troksni. Pielietojumi ir diktēšana, subtitri, balss asistenti un sanāksmju un klientu zvanu transkribēšana. Tehniskie termini, īpašvārdi un slikta audio kvalitāte joprojām ir biežs kļūdu avots.
Sadarbības roboti jeb koboti ir rūpnieciskie roboti, kas izstrādāti darbam tieši līdzās cilvēkiem bez atdalošas drošības žoga. Sensori, ierobežoti spēki un ātrumi un drošības funkcijas nodrošina, ka tie pieskaroties apstājas vai attālinās; prasības izklāstītas standartos, piemēram, ISO 10218 sērijā. Koboti veic tādus uzdevumus kā iekārtu ielāde, skrūvēšana vai iepakošana, bet darbinieki rūpējas par pārbaudi un īpašiem gadījumiem.
Sarunvalodas MI aptver tehnoloģijas, kas ļauj datoriem vest dialogus dabiskā valodā, rakstiski tērzēšanā vai mutiski ar balss asistentiem. Mūsdienu sistēmas parasti balstās uz lielajiem valodas modeļiem, kas saprot pieprasījumus, ņem vērā sarunas vēsturi un formulē piemērotas atbildes. Organizācijas tās izmanto klientu apkalpošanā, vizīšu rezervēšanai vai iekšējiem palīdzības dienestiem. Būtiskas ir uzticamas zināšanas, skaidras robežas un nodošana cilvēkiem, kad MI nevar palīdzēt.
Sasniegumu mape (brag book) ir pastāvīgi atjaunināts personīgo profesionālo sasniegumu apkopojums: pabeigti projekti, rādītāji, pozitīvas atsauksmes, apbalvojumi un apmācības. Tā kalpo par pamatu novērtēšanas pārrunām, algas sarunām, darba pieteikumiem vai paaugstinājumiem. Pārbaudīta struktūra ir situācija, uzdevums, rīcība un rezultāts. Jāiekļauj tikai pārbaudāma informācija, un skaitļus nevajadzētu pārspīlēt.
Satura bagātināšana nozīmē esošam tekstam pievienot struktūru un papildu informāciju, piemēram, apakšvirsrakstus, kopsavilkuma plānu, kopsavilkumu, atslēgvārdus vai metadatus. MI modeļi to var darīt ātri un konsekventi, padarot saturu vieglāk atrodamu, lasāmu un atkārtoti izmantojamu. Galvenais noteikums ir sakārtot jau esošo, nevis izdomāt jaunus faktus. Piemērs: neapstrādātas sapulces piezīmes kļūst par strukturētu protokolu ar kopsavilkumu.
Scikit-learn ir atvērtā pirmkoda Python bibliotēka klasiskajai mašīnmācīšanās. Tā nodrošina vienotus rīkus klasifikācijai, regresijai, klasterizācijai, dimensiju samazināšanai, datu priekšapstrādei un modeļu novērtēšanai, piemēram, krusteniskajai validācijai. Būdama balstīta uz NumPy un SciPy, tā pateicoties vienkāršajai, vienotajai saskarnei tiek plaši izmantota izglītībā, pētniecībā un praksē. Dziļajiem neironu tīkliem parasti izvēlas ietvarus, piemēram, PyTorch vai TensorFlow.
Secību modelēšana aptver metodes, kas apstrādā un prognozē datus noteiktā secībā, kur katra elementa pozīcijai ir nozīme. Tipiskas secības ir teksts, runāta valoda, laika rindas, piemēram, pārdošanas apjomi vai sensoru rādījumi, un DNS posmi. Pielietojumi ir no tulkošanas un teksta ģenerēšanas līdz runas atpazīšanai un pārdošanas prognozēšanai. Šim nolūkam ir izmantoti slēptie Markova modeļi un rekurentie tīkli; mūsdienās valodai dominē transformeru modeļi.
Semantiskā analīze pēta valodas nozīmi — ne tikai to, kādi vārdi parādās, bet arī to, kas ar tiem domāts. Tas ietver neviennozīmīgu vārdu pareizu interpretāciju kontekstā (piemēram, „banka” kā finanšu iestāde vai upes krasts), sakarību atpazīšanu starp jēdzieniem un apgalvojumu klasificēšanu pēc satura. Tā ir pamatā tādām lietojumprogrammām kā klientu atsauksmju analīze, atbilžu sniegšana uz jautājumiem vai meklēšanas sistēmas, kurām jāsaprot arī atšķirīgi formulēti vaicājumi ar to pašu nozīmi.
Semantiskā segmentācija katram attēla pikselim piešķir klasi, piemēram, ceļš, transportlīdzeklis, cilvēks vai debesis. Rezultāts ir sava veida krāsu kodēta attēla satura karte. Atšķirībā no instanču segmentācijas viena veida objekti netiek nošķirti: trīs automašīnas tiek aplūkotas kopā kā „automašīna”. To izmanto, piemēram, autonomajā braukšanā, medicīniskajā attēlveidošanā audu norobežošanai un gaisa un satelītattēlu analīzē.
SEO rādītājs ir metrika, ko analīzes rīki izmanto, lai novērtētu, cik labi tīmekļa lapa ir optimizēta meklētājprogrammām — parasti skalā no 0 līdz 100. Faktori var ietvert virsrakstus un aprakstus, virsrakstu struktūru, ielādes ātrumu, piemērotību mobilajām ierīcēm, iekšējās saites un strukturētos datus. Katrs rīks rādītāju aprēķina citādi; tas nav oficiāls Google vērtējums. Tāpēc rādītājs ir noderīgs kā uzlabojumu kontrolsaraksts, nevis kā laba reitinga garantija.
Sēkla ir sākuma skaitlis attēlu modeļa nejaušo skaitļu ģeneratoram. Difūzijas modeļi sāk ar nejaušu attēla troksni, no kura pakāpeniski rodas attēls; sēkla nosaka, kā šis sākotnējais troksnis izskatās. Ar to pašu sēklu, uzvedni un iestatījumiem tajā pašā modelī attēlu var lielā mērā atveidot. Tas palīdz, ja uzvednē jāmaina tikai viena detaļa vai vēlāk jāatveido veiksmīgs attēla variants.
Tehnoloģiskā singularitāte ir teorētisks jēdziens: brīdis, kad mākslīgais intelekts sevi uzlabo tik strauji, ka cilvēki vairs nespēj paredzēt vai kontrolēt tehnoloģisko progresu. Šo terminu popularizēja autors Vernor Vinge un futūrists Ray Kurzweil. Vai un kad tas varētu notikt, zinātniski ir atklāts un strīdīgs jautājums. Tomēr ideja ietekmē diskusijas par MI drošību, regulējumu un ilgtermiņa riskiem.
Sintētiski dati tiek ģenerēti mākslīgi, nevis vākti reālajā pasaulē, bet atdarina reālu datu likumsakarības un īpašības. Tie palīdz, ja īstu datu ir maz, tie ir dārgi vai datu aizsardzības ziņā sensitīvi — piemēram, programmatūras testēšanai, modeļu apmācībai vai tērzēšanas robota pārbaudei ar reālistiskiem paraugvaicājumiem. Svarīgi, lai tie pietiekami precīzi atspoguļotu realitāti un neļautu izdarīt secinājumus par reālām personām.
Sistēmas uzvednes izgūšana apzīmē mēģinājumus panākt, lai tērzēšanas robots vai MI aģents atklātu savus slēptos sistēmas norādījumus. Ja šāds mēģinājums izdodas, rezultātu sauc par uzvednes noplūdi: izgūšana ir uzbrukums, noplūde ir sekas. Efektīva aizsardzība sākas ar to, ka paroles, atslēgas un konfidenciāli noteikumi netiek iekļauti norādījumos un tiek pieņemts, ka tie var kļūt publiski; ievades pārbaudes un regulāra testēšana nodrošina papildu aizsardzību.
Slēptais Markova modelis (HMM) ir statistisks modelis secībām, kurā faktiskie stāvokļi ir slēpti un tos var secināt tikai no novērojamiem signāliem. Tas apraksta varbūtību, ka viens stāvoklis seko citam un ka katrs stāvoklis rada noteiktu novērojumu. HMM ilgu laiku bija standarts runas atpazīšanā un vārdšķiru marķēšanā; mūsdienās tos joprojām izmanto, piemēram, bioinformātikā un laikrindu analīzē.
spaCy ir atvērtā pirmkoda Python bibliotēka dabiskās valodas apstrādei, ko izstrādā Berlīnes uzņēmums Explosion. Tā sadala tekstus vārdos un teikumos, nosaka vārdšķiras un pamatformas, analizē teikuma struktūru un atpazīst nosauktās entītijas, piemēram, personas, uzņēmumus vai vietas. Iepriekš apmācīti modeļi ir pieejami daudzām valodām, tostarp vācu valodai. spaCy ir izstrādāta ātrumam un lietošanai reālās lietojumprogrammās, piemēram, lielu dokumentu apjomu priekšapstrādei.
Stable Diffusion ir attēlu ģenerēšanas modeļu saime, kas veido attēlus pēc teksta apraksta. Pirmā versija tika izlaista 2022. gadā, un to izstrādāja Stability AI vadībā kopā ar pētniecības partneriem. Tehniski tas ir latentās difūzijas modelis, kas pakāpeniski pārvērš attēla troksni attēlā. Tā kā modeļa svari ir publicēti, to var darbināt un pielāgot lokāli; jaunāko versiju komerciālo izmantošanu regulē paša Stability AI licence (stāvoklis uz 2026. gada oktobri).
Strukturēti dati atbilst fiksētai shēmai ar skaidri nosauktiem laukiem, piemēram, tabulas, datubāzes vai JSON objekti ar tādām ziņām kā nosaukums, cena un datums. Mašīnas tos var uzticami nolasīt, filtrēt un apstrādāt — atšķirībā no brīva teksta vai attēliem. Tīmekļa vietnēs schema.org marķējums, piemēram, apraksta produktus, pasākumus vai BUJ, lai meklētājprogrammas un MI sistēmas saturu saprastu nepārprotami. MI var arī izgūt strukturētus datus no nestrukturēta teksta.
TAM analīze novērtē kopējo sasniedzamo tirgu: visus ieņēmumus, ko piedāvājums teorētiski varētu radīt. Pieeja no augšas uz leju sašaurina skaitļus no tirgus pētījumiem, bet pieeja no apakšas uz augšu reizina potenciālo klientu skaitu ar paredzamo cenu. Kopā ar SAM (apkalpojamais tirgus) un SOM (reāli iegūstamā daļa) tā atbalsta investīciju un plānošanas lēmumus, taču jēgpilna ir tikai tad, ja ir caurspīdīgi pieņēmumi un diapazoni, nevis šķietama precizitāte.
Teikumu pārrakstītājs pārformulē atsevišķus teikumus vai īsus fragmentus, nemainot to nozīmi. Tas var vienkāršot teikumu, padarīt to formālāku vai draudzīgāku, saīsināt vai izvairīties no atkārtojumiem. Tas noder, piemēram, atbildēs klientiem, produktu tekstos vai tad, ja teikums skan neveikli. Tomēr ir svarīgi ātri pārbaudīt, vai pēc pārformulēšanas termini, skaitļi un apgalvojumi joprojām ir pareizi.
Teksta ģenerēšana ir automātiska teksta veidošana ar MI, mūsdienās parasti ar lielajiem valodas modeļiem, kas vārds pa vārdam aprēķina visticamāko turpinājumu. Tā ir dabiskās valodas ģenerēšanas nozare un ģeneratīvā MI pamatpielietojums. Organizācijas to izmanto e-pastu, pārskatu vai produktu aprakstu melnrakstiem; fakti un skaitļi jāpārbauda pirms publicēšanas.
Teksta klasifikācija automātiski piešķir tekstus iepriekš definētām kategorijām, piemēram, e-pastus pēc pieprasījuma veida, atsauksmes pēc noskaņojuma vai dokumentus pēc tēmas. Agrāk tam bija jāapmāca atsevišķi modeļi ar marķētiem piemēriem; mūsdienās lielie valodas modeļi bieži var piešķirt kategorijas, pamatojoties tikai uz aprakstu. Tas ļauj iepriekš šķirot pieprasījumus un ātrāk novirzīt tos pie pareizās komandas.
Automātiskā teksta kopsavilkumā MI sasaista garus tekstus līdz galvenajiem punktiem. Ekstraktīvās metodes kopē svarīgus teikumus burtiski, bet abstraktīvās metodes saturu pārformulē; lielie valodas modeļi darbojas galvenokārt abstraktīvi. Tas noder protokoliem, pārskatiem vai gariem e-pastu pavedieniem; svarīgiem lēmumiem kopsavilkums jāpārbauda pret oriģinālu.
TensorFlow ir atvērtā pirmkoda mašīnmācīšanās ietvars, ko izstrādāja Google un izlaida 2015. gadā. To izmanto, lai veidotu, apmācītu un izvietotu neironu tīklus lietojumprogrammās, serveros vai mobilajās ierīcēs. Keras nodrošina viegli lietojamu augsta līmeņa saskarni; tipiski pielietojumi ir attēlu klasifikācija, prognozēšana un ieteikumu sistēmas.
Teksta pārvēršana runā pārvērš rakstītu tekstu runātā valodā, un tā ir runas atpazīšanas (runa uz tekstu) pretstats. Mūsdienu sistēmas izmanto neironu tīklus, lai radītu dabiski skanošas balsis ar atbilstošu intonāciju. TTS izmanto telefona paziņojumos, navigācijas ierīcēs, skaļās lasīšanas funkcijās pieejamām tīmekļa vietnēm un balss asistentos.
Tērzēšanas robota drošības audits ir strukturēta pārbaude, vai MI tērzēšanas robots pietiekami aizsargā konfidenciālus datus, savus iekšējos norādījumus un savas darbības atļaujas. Tiek pārbaudīta, cita starpā, uzņēmība pret uzvedņu injekciju, neparedzēta informācijas izpaušana un pārāk plaša piekļuve rīkiem – bieži vadoties pēc OWASP Top 10 LLM lietojumprogrammām. Rezultāts ir ziņojums ar novērtējumu katrai riska jomai un konkrētiem pasākumiem.
MI tīmekļa vietņu ģenerators automātiski izveido tīmekļa vietni, ieskaitot lapu struktūru, izkārtojumu, tekstus un attēlu ieteikumus, no dažiem ievaddatiem, piemēram, nozares, piedāvājuma un vēlamā stila. Tas dod mazajiem uzņēmumiem vai projektiem ātru klātbūtni internetā bez programmēšanas prasmēm. Rezultāti ir sākumpunkts: saturs, likumā noteiktā informācija, pieejamība un meklētājprogrammu optimizācija pēc tam jāpārbauda un jāpielāgo.
Tjūringa tests ir saistīts ar matemātiķi Alanu Tjūringu, kurš to 1950. gadā aprakstīja kā „atdarināšanas spēli”. Cilvēks vada rakstiskas sarunas ar cilvēku un mašīnu; ja viņš nevar uzticami pateikt, kurš ir mašīna, tests tiek uzskatīts par izturētu. Mūsdienu valodas modeļi bieži vada ļoti cilvēcīgi skanošas sarunas, taču tests liecina tikai par pārliecinošu valodu, nevis par izpratni vai uzticamību.
Vienība, kurā valodu modeļi skaita tekstu. Tokens aptuveni atbilst vārda daļai; uz to balstās MI izmaksas.
Tokens ir mazākā teksta vienība, ko valodas modelis apstrādā, parasti vārda daļa, īss vārds vai pieturzīme. Modeļi nolasa ievadi un ģenerē atbildes token pa tokenam, un arī konteksta loga izmēru mēra tokenos. Tā kā pakalpojumu sniedzēji iekasē maksu par ievades un izvades tokeniem, tokeni tieši nosaka izmaksas un ierobežojumus: gari norādījumi un plašas fona zināšanas palielina patēriņu.
Tokenu viltošana ir jailbreak veids, kurā nevēlami norādījumi tiek maskēti, piemēram, sadalīti fragmentos, pārkodēti vai uzrakstīti ar līdzīgi izskatīgām rakstzīmēm, lai vienkārši atslēgvārdu filtri tos nepamanītu, bet valodas modelis tomēr saprastu to nozīmi. Aizsardzība ietver ievades normalizēšanu pirms tās novērtēšanas, uz saturu, nevis tikai uz vārdiem balstītas pārbaudes, izvades pārskatīšanu un MI aģentiem pēc iespējas mazāku atļauju piešķiršanu.
Ikmēneša griesti darbvietas MI lietojumam.
Top-k precizitāte mēra, cik bieži pareizā atbilde ir starp modeļa k visticamākajiem ieteikumiem. Ar top-1 skaitās tikai pirmā prognoze; ar top-5 pietiek, ja pareizā klase ir starp piecām labākajām, kas ir labi zināma metrika attēlu atpazīšanas etalonos, piemēram, ImageNet. Tā ir noderīga visur, kur lietotāji redz vairākus ieteikumus, piemēram, produktu ieteikumos vai automātiskajā pabeigšanā.
Torch ir atvērtā pirmkoda mašīnmācīšanās ietvars, kas balstīts uz skriptēšanas valodu Lua; tā versija Torch7 2010. gados tika plaši izmantota pētniecībā un nozarē. To uzskata par PyTorch priekšteci, kas pārņēma idejas un daļu Torch C bibliotēku, bet izmanto Python. Saskaņā ar tā oficiālo krātuvi Torch vairs netiek aktīvi attīstīts, un jauniem projektiem tam tagad ir maza nozīme.
Pārneses mācīšanās gadījumā modelis, kas jau apguvis plašu vispārīgu uzdevumu, kalpo kā sākumpunkts jaunam, specializētam modelim. Tā vietā, lai sāktu no nulles, tas tiek pielāgots, piemēram, ar precizēšanu, izmantojot samērā nelielu savu datu apjomu. Tas ietaupa skaitļošanas laiku un datus, piemēram, ja vispārīgam attēlu modelim jāiemācās atrast ražošanas defektus fotogrāfijās.
Transformers ir neironu tīklu arhitektūra, kas ieviesta 2017. gadā pētījumā „Attention Is All You Need”. Tās kodols ir uzmanības mehānisms: katrs vārds tiek svērts attiecībā pret visiem pārējiem teksta vārdiem, un aprēķinu var efektīvi paralelizēt. Transformeri ir mūsdienu valodas modeļu, piemēram, GPT, Claude un BERT, pamatā, un tos izmanto arī attēliem un audio.
Nepietiekama pielāgošanās rodas, ja modelis ir pārāk vienkāršs, lai aptvertu sakarības datos. Tad tas pieļauj daudz kļūdu gan apmācības datos, gan jaunos datos, piemēram, ja skaidri izliektas likumsakarības attēlošanai izmanto taisni. Pretlīdzekļi ir jaudīgāks modelis, informatīvākas pazīmes, ilgāka apmācība vai mazāka regularizācija; pretēja problēma ir pārmērīga pielāgošanās.
Uzraudzītajā mācīšanā modelis mācās no piemēriem, kuriem pareizā atbilde jau ir zināma, piemēram, e-pastiem, kas marķēti kā „surogātpasts” vai „nav surogātpasts”. No tiem tas atvasina noteikumus, lai klasificētu jaunus, neredzētus gadījumus vai prognozētu vērtības. Tipiski uzdevumi ir klasifikācija un regresija; lielākā daļa pūļu tiek veltīta tīri marķētu datu izveidei.
Uzvednes noplūde nozīmē MI sistēmas iekšējo norādījumu netīšu izpaušanu, piemēram, kad tērzēšanas robots atklāj savu sistēmas uzvedni atbildē uz atjautīgi formulētu pieprasījumu. Tā kļūst problēma, ja šajos norādījumos ir biznesa loģika, iekšēja informācija vai pat piekļuves dati. OWASP saraksts lietojumprogrammām uz lielo valodas modeļu bāzes šo risku nosauc tieši. Visefektīvākais aizsardzības līdzeklis ir rakstīt norādījumus tā, it kā tie varētu kļūt publiski, tajos nekad neglabāt noslēpumus un pārbaudīt arī izvaddatus.
„Vai domājāt” (DYM) ir meklēšanas funkcija, kas iesaka labotu vaicājumu, kad ievade šķiet nepareizi uzrakstīta vai neparasta. Tā balstās uz līdzības mēriem starp vārdiem, valodas modeļiem un biežo meklējumu analīzi. Piemērs: kāds, kas interneta veikalā ievada „kafijas aparāts” ar kļūdām, redz „Vai domājāt: kafijas aparāts?”. Funkcija samazina tukšas rezultātu lapas un tādējādi uzlabo meklēšanas pieredzi.
Vaicājuma paplašināšana automātiski pievieno meklēšanas vaicājumam saistītus terminus, lai tiktu atrasti arī atbilstoši dokumenti, kuros izmantots citāds formulējums. Tipiski papildinājumi ir sinonīmi, saīsinājumi, vārdu formas vai tulkojumi: meklējot „atcelšana”, var atrast arī tekstus par „līguma izbeigšanu”. Tas ir īpaši noderīgi atslēgvārdu meklēšanā, taču var samazināt precizitāti, ja tiek pievienots pārāk daudz vai nepiemērotu terminu. Mūsdienās paplašinātos vaicājumus bieži ģenerē ar valodas modeļiem.
Valodas noteikšana automātiski nosaka, kādā valodā teksts ir uzrakstīts, piemēram, vācu, itāļu vai spāņu. Klasiskās metodes analizē raksturīgas burtu secības, bet lielie valodas modeļi valodu atpazīst kā blakusproduktu. To izmanto, lai novirzītu pieprasījumus pie pareizās komandas, aktivizētu piemērotus tulkojumus vai atbildētu otras personas valodā. Ļoti īsi teksti un vairāku valodu sajaukumi ir sarežģīti.
Vārdšķiru marķēšana automātiski piešķir katram teikuma vārdam tā gramatisko kategoriju, piemēram, lietvārds, darbības vārds, īpašības vārds vai prievārds. Tā kā daudzi vārdi ir neviennozīmīgi („book” kā lietvārds vai darbības vārds, „light” kā īpašības vārds vai lietvārds), metodes ņem vērā teikuma kontekstu. POS marķēšana ir klasisks priekšapstrādes solis sintaktiskajai analīzei, informācijas izgūšanai vai pareizrakstības pārbaudei, un to piedāvā bibliotēkas, piemēram, spaCy un NLTK.
Vārdu iegultnes attēlo vārdus kā skaitliskus vektorus, lai vārdi ar līdzīgu nozīmi atrastos tuvu viens otram vektoru telpā, piemēram, „automašīna” un „transportlīdzeklis”. Metodes, piemēram, Word2Vec vai GloVe, šos vektorus apgūst no liela teksta apjoma. Tās bija svarīgs solis valodas apstrādē, piemēram, meklēšanai vai klasifikācijai; mūsdienu valodas modeļi izmanto kontekstuālās iegultnes, kurās vārds tiek attēlots atšķirīgi atkarībā no teikuma.
Vertikālais MI aģents ir pielāgots konkrētai nozarei vai specializētam uzdevumam, piemēram, klientu atbalstam e-komercijā, vizīšu pierakstam medicīnas praksēs vai pārdošanas pieprasījumiem mašīnbūvē. Atšķirībā no vispārīgas nozīmes asistentiem tas pārzina savas jomas terminoloģiju, procesus un noteikumus, jo ir aprīkots ar piemērotiem norādījumiem, zināšanām un rīkiem. Tādēļ tas parasti sniedz precīzākus un uzticamākus rezultātus savā jomā.
Vibe coding apzīmē darba veidu, kurā programmatūra tiek radīta galvenokārt ar dabiskās valodas aprakstiem un MI ģenerētais kods tiek pieņemts lielā mērā bez pārskatīšanas. Terminu februārī 2025. gadā ieviesa MI pētnieks Andrej Karpathy. Tas var noderēt ātriem prototipiem, bet ražošanā tas rada neatklātu drošības ievainojamību, grūti uzturama koda un atkarību risku, ko neviens komandā patiesi nesaprot, tāpēc koda pārskatīšana un testēšana paliek būtiska.
Vidējā absolūtā kļūda (MAE) parāda, par cik modeļa prognozes vidēji atšķiras no faktiskajām vērtībām neatkarīgi no virziena. Tā tiek izteikta mērķa mainīgā mērvienībā, tāpēc to ir viegli saprast. Piemērs: ja dienas pārdošanas prognozes MAE ir 12, modelis vidēji kļūdās par 12 vienībām. Tā novirzēm piešķir mazāku svaru nekā kvadrātiskās kļūdas rādītāji.
Vidējā vidējā precizitāte (mean average precision, mAP) ir metrika, kas novērtē, cik labi sistēma atrod atbilstošus rezultātus un sarindo tos tuvu augšai. Vidējā precizitāte tiek aprēķināta pār rezultātu sarakstu katram vaicājumam vai objektu klasei; mAP ir vidējais visiem. Tas ir standarta mērs meklētājprogrammām, ieteikumu sistēmām un objektu noteikšanai attēlos, kur tas ir atkarīgs arī no nepieciešamā ierobežojošo rāmju pārklāšanās.
Vispārināšanas kļūda mēra, cik tālu MI modelis kļūdās ar jauniem, iepriekš neredzētiem datiem — atšķirībā no tā kļūdas apmācības datos. Liela starpība starp abām norāda uz pārmācīšanos: modelis ir iegaumējis piemērus, nevis apguvis vispārīgas likumsakarības. To novērtē ar atliktiem testa datiem vai krustenisko validāciju. Tas ir rādītājs, kas patiešām skaitās, jo praksē modelis gandrīz vienmēr sastopas ar jauniem gadījumiem.
Vispārīgais mākslīgais intelekts (AGI) apzīmē hipotētisku MI sistēmu, kas spēj veikt plašu intelektuālo uzdevumu loku cilvēka līmenī un elastīgi pārnest apgūto uz jaunām jomām. Mūsdienu sistēmas daudzos uzdevumos darbojas labi, taču joprojām uzrāda ierobežojumus, piemēram, uzticamībā. Nav vispārpieņemtas definīcijas vai mērīšanas veida, un ekspertu vidū ir strīdi par to, vai un kad AGI tiks sasniegts.
Interneta adrese, kas palaiž plūsmu, tiklīdz cita programma uz to nosūta datus.
Whisper ir automātiskās runas atpazīšanas modelis, ko OpenAI izlaida 2022. gada septembrī. Tas pārvērš runāto valodu daudzās valodās tekstā un var arī tulkot ierakstus angļu valodā. Tā kods un modeļa svari ir pieejami ar atvērtā pirmkoda MIT licenci, tāpēc Whisper var darbināt arī uz savas aparatūras, kas ir priekšrocība, ja audio datiem nevajadzētu atstāt organizāciju. Tipiski pielietojumi ir sanāksmju, interviju transkripti un subtitri.
Logošana nozīmē garu datu sadalīšanu fiksēta garuma posmos („logos”), kas bieži pārklājas. MI lietojumprogrammās tas garus dokumentus sadala meklējamās daļās; pārklāšanās nodrošina, ka teikums posma robežā nezaudē savu kontekstu. Slīdošos logus izmanto arī ar laika rindām un audio signāliem, lai analizētu datus pa daļām.
Writer (writer.com) ir 2020. gadā dibināts ASV uzņēmums, kas piedāvā platformu ģeneratīvajam MI uzņēmumos. Tas izstrādā savu valodas modeļu saimi ar nosaukumu Palmyra un nodrošina rīkus, ar kuriem uzņēmumi var veidot MI aģentus, savienot tos ar savām zināšanām un pārvaldīt ar noteikumiem par zīmola balsi un apstiprināšanu (stāvoklis uz 2026. gada oktobri). To galvenokārt izmanto saturam un darbplūsmām mārketingā, pārdošanā un komunikācijā ar klientiem.
Writesonic ir MI pakalpojums, kas vispirms kļuva pazīstams kā rīks mārketinga tekstu veidošanai. Pakalpojumu sniedzējs tagad pozicionējas kā platforma redzamībai gan tradicionālajā, gan uz MI balstītajā meklēšanā: tā mērķis ir mērīt, cik bieži zīmols tiek minēts MI asistentu atbildēs, un uzlabot saturu SEO un ģeneratīvo dzinēju optimizācijai (GEO) (stāvoklis uz 2026. gada oktobri). Tā galvenā auditorija ir mārketinga komandas un aģentūras.
XGBoost (Extreme Gradient Boosting) ir atvērtā pirmkoda bibliotēka, kas īpaši efektīvi īsteno gradienta pastiprināšanu ar lēmumu kokiem. Daudzi mazi koki tiek apmācīti viens pēc otra, katrs labojot iepriekšējo kļūdas, bet regularizācija palīdz novērst pārmērīgu pielāgošanos. XGBoost tiek uzskatīts par pārbaudītu izvēli tabulu datiem, piemēram, kredītriska novērtēšanā, klientu aiziešanas prognozēšanā vai pārdošanas prognozēšanā.
Teksts, ko KI.ordo sadala sadaļās un padara meklējamu aģentiem.
Zināšanu inženierija aptver ekspertu zināšanu apkopošanu, organizēšanu un sagatavošanu, lai IT sistēmas tās varētu izmantot. Sākotnēji uzmanības centrā bija noteikumi ekspertsistēmām; mūsdienās prioritāte bieži ir dokumentēt izkaisītas zināšanas no rokasgrāmatām, procesu aprakstiem un cilvēku galvām, lai MI aģenti no tām varētu uzticami atbildēt. Tas ietver skaidras struktūras, aktuālus avotus, noteiktu atbildību un konstatēto nepilnību novēršanu.
Zināšanu robeža ir laika punkts, līdz kuram sniedzas valodas modeļa apmācības dati. Modelim nav iedzimtu zināšanu par notikumiem, cenām, likumiem vai produktiem, kas radušies pēc tam, un tas var sniegt novecojušu informāciju, ja netiek apgādāts ar aktuāliem datiem. To var risināt ar metodēm, kas izpildes laikā piesaista jūsu pašu dokumentus vai aktuālu tīmekļa saturu.
Jautājums, par kuru aģents savās zināšanās neko neatrada. KI.ordo tos apkopo, lai jūs varētu aizpildīt robus.
3D rekonstrukcija ietver metodes, kas no fotoattēliem, video vai sensoru datiem aprēķina objekta vai telpas trīsdimensiju modeli. Tipiskas pieejas salīdzina vairākus no dažādiem leņķiem uzņemtus attēlus vai izvērtē lāzera un dziļuma sensoru dziļuma datus. To izmanto mērniecībā, kultūras mantojuma saglabāšanā, medicīnā, robotikā un e-komercijā – piemēram, pārvēršot viedtālruņa skenējumu grozāmā 3D produkta modelī.
Izvēlieties plānu vai pastāstiet mums par savu projektu.
