Acord de prelucrare a datelor
Un furnizor de servicii prelucrează date cu caracter personal în numele unei companii. Pentru aceasta este necesar un contract conform art. 28 RGPD.
KI.ordo
Resurse
Termeni, explicați simplu.
Peste 350 de termeni, de la A ca agent la Z ca zero-shot – explicați clar, cu indicații despre unde vă ajută KI.ordo.
KI
Acuratețea și stabilitatea modelelor IA
Acuratețea descrie cât de des produce un model IA rezultate corecte; stabilitatea descrie cât de fiabil se menține această performanță – în cazul unor intrări ușor modificate, al datelor noi sau în timp. Un model poate fi foarte precis în teste, dar instabil dacă simpla reformulare a unei întrebări duce la un alt răspuns. Pentru utilizarea în lumea reală, ambele proprietăți sunt verificate cu cazuri de test fixe, validare încrucișată și monitorizare continuă.
Acuratețea top-k
Acuratețea top-k măsoară cât de des se află răspunsul corect printre cele k sugestii cele mai probabile ale unui model. La top-1 contează doar prima predicție; la top-5 este suficient ca clasa corectă să se afle printre primele cinci, o metrică binecunoscută din benchmark-urile de recunoaștere a imaginilor, precum ImageNet. Este utilă oriunde utilizatorii văd mai multe sugestii, de exemplu la recomandările de produse sau la completarea automată.
Agent IA
Un model IA cu instrucțiuni fixe și acces la cunoștințe selectate, care preia o sarcină anume.
KI.ordo
Agent IA vertical
Un agent IA vertical este adaptat unui anumit sector sau unei sarcini de specialitate, precum suportul pentru clienți în comerțul electronic, programările în cabinete medicale sau solicitările de vânzări în construcția de mașini. Spre deosebire de asistenții de uz general, cunoaște terminologia, procesele și regulile domeniului său, deoarece este dotat cu instrucțiuni, cunoștințe și instrumente adecvate. Drept urmare, oferă de obicei rezultate mai precise și mai fiabile în domeniul său.
Agentic
„Agentic” descrie sistemele IA care fac mai mult decât să răspundă la o singură întrebare: urmăresc un obiectiv pe parcursul mai multor pași, planifică, utilizează instrumente precum căutarea pe web sau API-uri, verifică rezultatele intermediare și decid ce să facă în continuare. Un exemplu este un asistent care clasifică o solicitare, caută informații și pregătește o ciornă de răspuns. Limitele clare, înregistrarea în jurnal și aprobarea umană în punctele critice sunt esențiale.
Agenți IA încorporați (embodied)
Agenții IA încorporați au un corp fizic sau simulat prin care își percep mediul cu ajutorul senzorilor și acționează asupra lui prin mișcare. Exemple sunt roboții de depozit și de uz casnic, roboții umanoizi și personajele din simulări în care roboții sunt antrenați înainte de utilizarea în lumea reală. Provocarea constă în combinarea percepției, planificării și acțiunii sigure într-o lume imprevizibilă.
Agenți inteligenți
Un agent inteligent este un sistem care percepe mediul său, prelucrează informații și alege singur acțiuni pentru a atinge un obiectiv. Astăzi, termenul se referă de obicei la software construit pe modele lingvistice de mari dimensiuni, care urmează instrucțiuni, apelează la cunoștințe și folosește instrumente precum o funcție de căutare sau un API. Cât de multe poate face un agent în mod independent trebuie stabilit deliberat. Exemplu: un agent răspunde la întrebările clienților pe baza documentației produsului.
AllenNLP
AllenNLP este o bibliotecă Python open-source pentru cercetarea în domeniul procesării limbajului natural, dezvoltată de Allen Institute for AI pe baza PyTorch. Aceasta oferea componente și modele gata de utilizare pentru sarcini precum clasificarea textelor, rezolvarea coreferințelor și răspunsul la întrebări. De la sfârșitul anului 2022, AllenNLP nu mai este dezvoltată activ și se află în regim de mentenanță; responsabilii săi recomandă alternative precum AI2 Tango, flair sau Hugging Face Transformers (situația din octombrie 2026).
Amazon KDP
Amazon Kindle Direct Publishing (KDP) este platforma Amazon prin care autorii își pot publica singuri cărți electronice, cărți broșate și cartonate. Titlurile, descrierile, cuvintele-cheie și categoriile trebuie să respecte regulile proprii ale platformei. Cine generează conținut cu IA – texte, imagini de copertă sau traduceri – trebuie să declare acest lucru către Amazon la publicare; lucrările doar asistate de IA, precum brainstormingul sau corectura, sunt exceptate (situația din octombrie 2026). Ghidurile actuale trebuie verificate înainte de fiecare publicare.
Șablon
Amazon SageMaker
Amazon SageMaker este serviciul cloud Amazon Web Services (AWS) pentru crearea, antrenarea și implementarea modelelor de învățare automată. La sfârșitul anului 2024, serviciul inițial a fost redenumit „Amazon SageMaker AI”; de atunci, „Amazon SageMaker” desemnează o platformă mai amplă pentru date, analiză și IA, cu interfața SageMaker Unified Studio (situația din octombrie 2026). Este utilizat în principal de echipele de data science care rulează modele pe infrastructura AWS.
Anaconda
Anaconda este o distribuție larg utilizată a limbajelor de programare Python și R pentru analiza datelor și învățarea automată, publicată de Anaconda Inc. Aceasta include managerul de pachete conda împreună cu biblioteci preinstalate precum NumPy, pandas și Jupyter și facilitează menținerea unor medii separate pentru fiecare proiect. Organizațiile cu peste 200 de angajați au nevoie de o licență plătită pentru Anaconda Distribution și canalul său implicit de pachete; conda în sine și canalul comunitar conda-forge rămân gratuite (situația din octombrie 2026).
Analist de date IA
Un analist de date IA este un sistem sau un asistent IA care analizează date precum foi de calcul, exporturi sau indicatori și explică rezultatele în limbaj simplu. Calculează totaluri și variații, identifică tendințe și anomalii și sugerează pașii următori. Astfel, echipele de business fără expertiză statistică primesc răspunsuri mai rapide. Modelele lingvistice pot însă face greșeli de calcul, de aceea cifrele trebuie verificate încă o dată. Exemplu: vânzările lunare sunt lipite ca CSV și comentate.
Șablon
Analiza documentelor juridice
În analiza documentelor juridice asistată de IA, un model lingvistic analizează contracte, termeni și condiții sau memorii juridice: rezumă punctele esențiale, precum durata, rezilierea și răspunderea, semnalează clauzele neobișnuite și indică prevederile lipsă. Aceasta accelerează considerabil prima verificare, dar nu înlocuiește consilierea juridică; evaluarea și responsabilitatea rămân în sarcina unor persoane calificate.
Șablon
Analiza exploratorie a datelor (EDA)
Analiza exploratorie a datelor (EDA) este prima privire deschisă asupra unui set de date: se calculează indicatori sintetici, se examinează distribuțiile și graficele și se caută tipare, valori aberante și valori lipsă – încă fără o ipoteză fixă. Ajută la evaluarea calității datelor și la formularea unor întrebări potrivite pentru analize sau modelări ulterioare. Exemplu: înaintea unei prognoze de vânzări, EDA arată că o lună a fost înregistrată incomplet din cauza unei migrări de sistem.
Șablon
Analiza sentimentelor
Analiza sentimentelor determină automat starea de spirit sau atitudinea exprimată de un text – de obicei pozitivă, neutră sau negativă, uneori emoții mai fine. Companiile o folosesc pentru a evalua un număr mare de recenzii de produse, e-mailuri către suport, sondaje sau postări pe rețelele sociale și pentru a vedea rapid unde sunt mulțumiți clienții și unde există probleme. Ironia, sarcasmul și afirmațiile mixte precum „livrare rapidă, calitate dezamăgitoare” rămân dificile, așa că eșantioanele ar trebui verificate de oameni.
Șablon
Analiza sintactică de dependență
Analiza sintactică de dependență (dependency parsing) este o tehnică de procesare a limbajului natural care reprezintă structura gramaticală a unei propoziții ca dependențe între cuvinte. Fiecare cuvânt este legat de un cuvânt regent, de exemplu subiectul și complementul de verb: în „Clientul comandă două lămpi”, „clientul” și „lămpi” depind de „comandă”. Aceasta ajută la extragerea informațiilor, de exemplu pentru a identifica cine a făcut ce.
Analiza TAM
Analiza TAM estimează piața totală adresabilă: întregul venit pe care l-ar putea genera teoretic o ofertă. O abordare de sus în jos restrânge cifrele din studii de piață, în timp ce o abordare de jos în sus înmulțește numărul de clienți potențiali cu prețul așteptat. Împreună cu SAM (piața deservibilă) și SOM (cota realist obținibilă), sprijină deciziile de investiții și de planificare, dar are sens doar cu ipoteze transparente și intervale de valori, nu cu o precizie falsă.
Șablon
Analiză predictivă
Analiza predictivă folosește date istorice, statistică și învățare automată pentru a estima evenimente viitoare probabile. Răspunde la întrebări precum: care clienți urmează să renunțe? Ce stoc va fi necesar luna viitoare? Când este probabil să se defecteze un utilaj? Rezultatele sunt probabilități, nu certitudini. Valoarea lor depinde în mare măsură de calitatea datelor și de faptul că predicțiile ajung efectiv în decizii și procese.
Analiză semantică
Analiza semantică examinează sensul limbajului – nu doar ce cuvinte apar, ci ce se are în vedere. Aceasta include interpretarea corectă a cuvintelor ambigue în context (de exemplu „bancă” ca instituție financiară sau ca mal al unui râu), recunoașterea relațiilor dintre concepte și clasificarea afirmațiilor după conținut. Stă la baza unor aplicații precum analiza feedbackului clienților, răspunsul la întrebări sau sistemele de căutare care ar trebui să înțeleagă și interogări formulate diferit, dar cu același sens.
Antropomorfism
Antropomorfismul este tendința de a atribui mașinilor calități umane precum sentimente, intenții sau înțelegere. În cazul chatboturilor, acest lucru apare în mod natural, deoarece acestea scriu fluent și personal. Poate face interacțiunea mai plăcută, dar implică riscuri: oamenii pot avea prea multă încredere în răspunsuri sau pot împărtăși informații sensibile. Mențiunile clare că utilizatorii interacționează cu o IA și declarațiile oneste despre limitele acesteia ajută la contracararea acestui efect.
Anyword
Anyword este o platformă de redactare cu IA pentru texte de marketing, apărută din compania Keywee, fondată în 2013. Generează texte scurte precum reclame, subiecte de e-mail, titluri și descrieri de produse și atribuie variantelor un scor estimat privind modul în care ar putea rezona cu un public țintă. Oferă, de asemenea, setări pentru vocea brandului și analiza conținutului existent (situația din octombrie 2026). Astfel de previziuni sunt estimări și nu înlocuiesc testarea în condiții reale.
Arbore de decizie
Un arbore de decizie este un model care reprezintă o decizie ca o succesiune de întrebări simple cu răspuns da/nu: fiecare ramură testează o caracteristică, iar fiecare frunză indică un rezultat. În machine learning, astfel de arbori sunt învățați automat din date și folosiți pentru clasificare sau prognoză. Principalul lor punct forte este transparența – de exemplu, arată de ce o cerere de credit a fost semnalată pe baza venitului, a duratei și a istoricului de plăți.
Aria de sub curbă (AUC)
Aria de sub curbă (AUC) este o metrică pentru modelele de clasificare, referindu-se de obicei la curba ROC. Arată cât de bine separă un model cazurile pozitive de cele negative, independent de un anumit prag. O valoare de 1 înseamnă separare perfectă; 0,5 nu e mai bună decât ghicitul. Exemplu: un model de pierdere a clienților cu AUC de 0,85 plasează un client ales la întâmplare care pleacă drept mai riscant decât unul fidel în 85% din cazuri.
Audit de securitate pentru chatbot
Un audit de securitate pentru chatbot este o verificare structurată a faptului dacă un chatbot IA protejează în mod adecvat datele confidențiale, instrucțiunile sale interne și permisiunile sale de acțiune. Examinează, printre altele, vulnerabilitatea la injectarea de prompturi, divulgarea neintenționată a informațiilor și accesul prea larg la instrumente – adesea după modelul OWASP Top 10 pentru aplicații LLM. Rezultatul este un raport cu o evaluare pentru fiecare domeniu de risc și măsuri concrete.
Șablon
Automatizarea serviciului de relații cu clienții
Automatizarea serviciului de relații cu clienții înseamnă că un software gestionează, integral sau parțial, solicitările recurente ale clienților – de exemplu prin chatboturi, sugestii de răspuns sau presortarea tichetelor. Întrebările frecvente despre programul de lucru, starea livrării sau retururi pot primi răspuns non-stop, iar echipa câștigă timp pentru cazurile dificile. Sursele de cunoștințe fiabile și un transfer simplu către oameni sunt esențiale.
Șablon
Autoritățile de supraveghere a IA
Autoritățile de supraveghere a IA sunt organisme publice care monitorizează respectarea normelor privind IA. La nivelul UE, Oficiul pentru IA al Comisiei Europene coordonează punerea în aplicare a AI Act și supraveghează modelele IA de uz general. În Germania, legea de punere în aplicare KI-MIG (în vigoare din 29 iulie 2026) face din Agenția Federală pentru Rețele (Bundesnetzagentur) autoritatea centrală de supraveghere a pieței, în timp ce autoritățile sectoriale, precum BaFin, rămân competente. Potrivit Digital Omnibus, obligațiile pentru sistemele cu risc ridicat se aplică abia din decembrie 2027 sau august 2028 (situația la octombrie 2026; nu constituie consultanță juridică).
Avantaje competitive durabile (moat)
Un moat (șanț de apărare) este un avantaj competitiv durabil care protejează o companie de imitatori, precum efectele de rețea, costurile de schimbare, un brand puternic, datele exclusive sau integrarea profundă în procesele clienților. Întrebarea este deosebit de relevantă pentru ofertele de IA, deoarece multe produse se bazează pe aceleași modele disponibile. Avantajele provin atunci mai degrabă din expertiza în domeniu, apropierea de clienți, procese bune și încredere, decât doar din tehnologie.
Backpropagation
Backpropagation (propagarea înapoi a erorii) este metoda standard prin care învață rețelele neuronale. După fiecare predicție, eroarea este măsurată și propagată înapoi prin straturile rețelei, arătând cât a contribuit fiecare pondere la aceasta. O metodă de optimizare, precum coborârea pe gradient, ajustează apoi ponderile pas cu pas. Fără backpropagation, antrenarea modelelor actuale de limbaj și de imagine ar fi practic imposibilă.
Bagging
Bagging (prescurtare de la bootstrap aggregating) este o metodă de ansamblu din învățarea automată: numeroase modele sunt antrenate pe eșantioane extrase aleatoriu din datele de antrenare, iar predicțiile lor sunt mediate sau combinate prin vot majoritar. Acest lucru face rezultatele mai stabile și reduce supraajustarea. Cel mai cunoscut exemplu este random forest, care combină numeroși arbori de decizie – de exemplu pentru a prognoza pierderea clienților sau prețurile.
Benchmarking
În IA, benchmarkingul înseamnă compararea sistematică a modelelor sau a sistemelor pe baza unor sarcini și criterii definite. Benchmarkurile publice măsoară, de exemplu, cunoștințele generale, capacitatea de raționament sau de programare; pentru utilizarea practică, însă, contează cel mai mult cazurile de test din propria activitate zilnică. Criteriile tipice sunt acuratețea, completitudinea, timpul de răspuns și costul. Acest lucru ajută la a decide dacă un model mai mic și mai ieftin este suficient de bun pentru o sarcină.
Șablon
BERT
BERT (Bidirectional Encoder Representations from Transformers) este un model lingvistic prezentat de Google în 2018. Spre deosebire de modelele anterioare, acesta ia în considerare simultan contextul din stânga și din dreapta unui cuvânt, ceea ce îl ajută să rezolve ambiguitățile. BERT este conceput pentru înțelegerea textelor, nu pentru redactarea unor pasaje mai lungi. Se utilizează pentru căutare, clasificarea textelor, recunoașterea entităților denumite și răspunsul la întrebări și a influențat numeroase modele succesoare.
Bias
În IA, bias (prejudecata algoritmică) desemnează o distorsionare sistematică a rezultatelor. Aceasta provine adesea din date de antrenare dezechilibrate sau distorsionate istoric, dar și din proiectarea modelului ori din modul în care este formulată o întrebare. Un exemplu cunoscut: un instrument de preselecție a candidaților care învață din deciziile de angajare anterioare poate perpetua dezavantajele existente. În statistică, bias înseamnă și abaterea unei estimări de la valoarea reală. Contramăsurile includ date diverse, audituri periodice și decizii luate de oameni în chestiunile de personal.
BigML
BigML este o platformă de învățare automată a companiei cu același nume, fondată în 2011, cu sediul în Corvallis, Oregon (SUA). Printr-o interfață web sau un API, utilizatorii pot crea modele precum arbori de decizie, ansambluri, clustering sau detectarea anomaliilor, fără prea multă programare. Pune accent pe modele interpretabile și fluxuri de lucru automatizabile. Este oferită ca serviciu cloud și pentru rularea în propriul centru de date (situația din octombrie 2026).
Blocarea boților IA
Blocarea boților IA înseamnă împiedicarea crawlerelor furnizorilor de IA să citească site-ul dumneavoastră, de obicei prin reguli în fișierul robots.txt pentru user-agenți precum GPTBot, ClaudeBot sau Google-Extended. Fișierul este o solicitare, nu o barieră tehnică; un control mai strict necesită reguli de firewall sau de server. Compromisul: blocarea protejează conținutul de utilizarea pentru antrenare, dar poate reduce vizibilitatea în căutarea IA și în răspunsurile generate de IA. Adesea are sens să se trateze diferit crawlerele de antrenare și cele de căutare.
BMXNet
BMXNet este o bibliotecă open-source pentru rețele neuronale binare, lansată în 2017 de Institutul Hasso Plattner din Potsdam și construită pe framework-ul Apache MXNet. Rețelele binare stochează ponderile și activările cu un singur bit în loc de 32, ceea ce face modelele mult mai mici și mai rapide – un avantaj pentru smartphone-uri și dispozitive integrate, deși de obicei cu o anumită pierdere de acuratețe. Deoarece MXNet a fost retras în 2023, BMXNet prezintă în prezent interes mai ales pentru cercetare (situația din octombrie 2026).
Boosting
Boosting este o metodă de ansamblu din învățarea automată în care numeroase modele simple sunt antrenate unul după altul, fiecare model nou concentrându-se asupra cazurilor pe care predecesorii săi le-au greșit. Împreună, ele formează un model global mult mai precis. Variante cunoscute sunt AdaBoost și gradient boosting, cu biblioteci precum XGBoost sau LightGBM. Boostingul este deosebit de performant pe date tabelare, de exemplu pentru prognozele privind riscul de credit, vânzările sau pierderea clienților.
Botpress
Botpress este o platformă pentru crearea de chatboturi și agenți IA a companiei canadiene cu același nume, cu sediul în Montreal. Un spațiu de lucru vizual permite utilizatorilor să proiecteze fluxuri de conversație, să conecteze surse de cunoștințe și să lege agenții, prin integrări, de canale precum site-uri sau aplicații de mesagerie; facturarea se face în funcție de utilizare. Versiunea 12, anterior open-source și găzduită de utilizator, a fost întreruptă – proiectele noi rulează pe Botpress Cloud (situația din octombrie 2026).
Brag book
Un brag book este o colecție actualizată continuu a realizărilor profesionale proprii: proiecte finalizate, indicatori, feedback pozitiv, premii și formări. Servește drept bază pentru evaluările de performanță, negocierile salariale, candidaturi sau promovări. O structură dovedită este situație, sarcină, acțiune și rezultat. Trebuie incluse numai informații verificabile, iar cifrele nu trebuie înfrumusețate.
Șablon
Cadrul de reglementare al IA
Un cadru de reglementare al IA cuprinde legile, standardele și structurile de supraveghere care guvernează modul în care IA este dezvoltată și utilizată. În UE, legea centrală este AI Act (Regulamentul (UE) 2024/1689), care adoptă o abordare bazată pe risc: interdicțiile se aplică din februarie 2025, obligațiile pentru modelele IA de uz general din august 2025, iar obligațiile de transparență din august 2026. În urma „Digital Omnibus” (Regulamentul (UE) 2026/1744), obligațiile pentru sistemele cu risc ridicat se aplică de la 2 decembrie 2027 sau 2 august 2028 (situația la octombrie 2026; nu constituie consultanță juridică).
Caffe
Caffe (Convolutional Architecture for Fast Feature Embedding) este un framework open-source de deep learning dezvoltat de Yangqing Jia la University of California, Berkeley, și lansat în 2013. A fost popular mai ales pentru recunoașterea imaginilor cu rețele neuronale convoluționale, deoarece rula rapid, iar modelele erau definite în fișiere de configurare. Ultima versiune, 1.0, a apărut în 2017; succesorul său, Caffe2, a fost integrat în PyTorch în 2018. Caffe este rar utilizat astăzi pentru proiecte noi.
Calculul cuantic
Calculul cuantic folosește efecte din fizica cuantică, precum suprapunerea și încâlcirea, pentru a calcula cu qubiți în loc de biți clasici. Se așteaptă avantaje majore de viteză pentru anumite sarcini, precum simularea moleculelor, unele probleme de optimizare sau spargerea metodelor actuale de criptare. Cu toate acestea, mașinile sunt încă predispuse la erori și sunt folosite mai ales în cercetare și în proiecte-pilot (stare la octombrie 2026). Pentru aplicațiile de IA de astăzi, calculul cuantic nu joacă practic încă niciun rol.
Calculul neuromorfic
Calculul neuromorfic este o abordare de hardware și software modelată după structura creierului. În loc să mute datele între memorie și procesor separate, în cicluri de ceas, neuronii și sinapsele artificiale lucrează în paralel și reacționează doar la evenimente numite spike-uri. Aceasta promite un consum de energie foarte redus, de exemplu în senzori sau roboți. Cipurile de cercetare cunoscute includ Intel Loihi și IBM TrueNorth; utilizarea comercială pe scară largă este încă într-o fază incipientă.
Căutare cu fațete
În căutarea cu fațete (faceted search), utilizatorii restrâng treptat rezultatele cu ajutorul unor filtre construite din atribute ale conținutului – precum categoria, prețul, marca, data sau autorul. Fiecare fațetă arată de obicei câte rezultate rămân. Abordarea este familiară din magazinele online, dar este folosită și în biblioteci, intraneturi și arhive de documente pentru a face colecțiile mari ușor de parcurs fără termeni de căutare exacți.
Căutare IA
Căutarea IA desemnează metodele de căutare care folosesc IA pentru a sesiza intenția din spatele unei interogări, a pondera rezultatele și, adesea, a genera un răspuns rezumat cu surse, în loc de o simplă listă de linkuri. Din punct de vedere tehnic, folosesc căutarea după cuvinte-cheie, căutarea vectorială pe embedding-uri sau o combinație a celor două, urmate frecvent de un model lingvistic. Exemple sunt motoarele de răspunsuri de pe web și căutarea internă în cunoștințe, care ajută angajații să găsească ce au nevoie în manuale și regulamente.
Căutarea în documente cu NLP
Căutarea în documente cu NLP folosește tehnici de procesare a limbajului natural pentru a găsi informații în colecții de documente pornind de la o întrebare formulată liber. În loc să potrivească doar secvențe exacte de cuvinte, astfel de sisteme iau în considerare formele cuvintelor, ponderea termenilor rari sau similitudinea de sens. De exemplu, cine tastează „Cum solicit concediu?” primește secțiunea relevantă din regulamentul intern, chiar dacă acesta vorbește despre o „cerere de vacanță”.
Căutarea zero-click
O căutare zero-click apare atunci când utilizatorii primesc răspunsul direct pe pagina de rezultate, de exemplu prin casete cu răspunsuri evidențiate sau prin rezumate generate de IA, și nu mai accesează un site web. Pentru companii, aceasta reduce traficul chiar și atunci când conținutul lor servește drept sursă. A fi vizibil ca sursă citată devine astfel mai important: prin răspunsuri clare, fapte susținute și pagini bine structurate.
Șablon
Chainer
Chainer este un framework open-source de deep learning pentru Python, dezvoltat de compania japoneză Preferred Networks. A popularizat abordarea „define-by-run”, în care rețeaua neuronală este construită în timpul calculului, ceea ce facilitează experimentarea cu structuri de model flexibile. Din decembrie 2019, Chainer este doar întreținut, nu și dezvoltat în continuare; Preferred Networks a trecut la PyTorch, care urmează același principiu.
Chatbot
Un chatbot este un program care primește întrebări sub formă de text sau vorbire și răspunde la ele într-un dialog. Chatboturile simple urmează reguli fixe și arbori de decizie, în timp ce cele moderne utilizează modele lingvistice mari și înțeleg solicitări formulate liber. Utilizările tipice includ serviciul de relații cu clienții, help deskurile interne și solicitările de programări – de exemplu, un chat pe site care răspunde non-stop la întrebări despre termenele de livrare.
Șablon
ChatGPT
ChatGPT este un asistent IA al companiei americane OpenAI, lansat în noiembrie 2022, care a adus IA generativă în atenția publicului larg. Se bazează pe modele lingvistice mari din seria GPT și răspunde la întrebări, redactează și editează texte, rezumă documente și ajută la programare. ChatGPT este disponibil în browser și ca aplicație, în variante gratuite și plătite, precum și în versiuni pentru echipe și companii.
Cheie API
Un cod secret care permite altor programe să apeleze KI.ordo.
KI.ordo
Circuit integrat specific aplicației (ASIC)
Un circuit integrat specific aplicației (ASIC) este un cip conceput pentru o anumită sarcină, nu pentru calcule de uz general, precum un CPU. În IA, circuitele ASIC sunt adaptate calculelor rețelelor neuronale – Tensor Processing Units (TPU) de la Google sunt un exemplu. Pentru sarcina respectivă, acestea funcționează mai rapid și mai eficient energetic decât cipurile de uz general, dar sunt costisitoare de dezvoltat și greu de adaptat la sarcini de lucru noi.
Citare
Indicația dintr-un răspuns care arată din ce secțiune a cunoștințelor provine.
KI.ordo
Clasificare automată
Clasificarea automată atribuie texte, documente sau înregistrări unor categorii predefinite, fără sortare manuală. În mod tradițional, modelele învață acest lucru din exemple etichetate; modelele lingvistice mari pot atribui categorii și doar pe baza unei descrieri. Utilizările tipice includ sortarea e-mailurilor primite după tipul solicitării, alocarea documentelor justificative sau semnalarea tichetelor de asistență urgente. Pentru cazurile importante, sunt recomandate verificări prin sondaj efectuate de oameni.
Șablon
Clasificarea textelor
Clasificarea textelor atribuie automat texte unor categorii predefinite, de exemplu e-mailuri după tipul solicitării, recenzii după sentiment sau documente după temă. Anterior, aceasta presupunea antrenarea unor modele dedicate pe exemple etichetate; astăzi, modelele lingvistice de mari dimensiuni pot adesea atribui categorii doar pe baza unei descrieri. Astfel, solicitările pot fi presortate și direcționate mai rapid către echipa potrivită.
Șablon
Clasificator
Un clasificator este un model sau o metodă care atribuie intrările uneia dintre mai multe categorii predefinite. Variantele clasice, precum arborii de decizie sau naive Bayes, sunt antrenate pe exemple etichetate; modelele lingvistice pot sorta texte și pe baza unei descrieri a categoriilor. Utilizări tipice sunt detectarea spamului, sortarea solicitărilor clienților pe teme și categorisirea bonurilor. Calitatea se măsoară cu metrici precum acuratețea, precizia și recall-ul.
Șablon
Claude
Claude este o familie de modele lingvistice mari dezvoltată de compania americană de IA Anthropic. Modelele înțeleg și redactează texte în numeroase limbi, analizează documente, scriu cod și pot utiliza instrumente, de exemplu pentru cercetare sau automatizare. Cele mai cunoscute sunt familiile de modele Haiku, Sonnet și Opus, care diferă prin viteză, cost și capacități. Anthropic pune un accent deosebit pe siguranță și pe un comportament fiabil al modelelor.
Claude Haiku
Claude Haiku este cea mai rapidă și mai ieftină dintre cele trei familii de modele Claude ale Anthropic, alături de Sonnet și Opus. Este potrivită pentru sarcini cu volum mare care necesită timpi de răspuns scurți, precum sortarea e-mailurilor, extragerea datelor din texte sau direcționarea solicitărilor către locul potrivit. Generația actuală este Claude Haiku 5.5 (situația din octombrie 2026).
Claude Opus
Claude Opus este cea mai performantă dintre cele trei familii de modele Claude ale Anthropic: Haiku, Sonnet și Opus. Este concepută pentru sarcini solicitante care necesită raționament în mai mulți pași, precum analize complexe, proiecte mari de programare sau agenți care lucrează independent pe perioade mai lungi. În schimb, este mai lentă și mai scumpă decât familiile mai mici. Versiunea actuală este Claude Opus 5.5 (situația din octombrie 2026).
Claude Sonnet
Claude Sonnet este familia de mijloc dintre cele trei familii de modele Claude ale Anthropic și combină capacități ridicate cu timpi de răspuns scurți și costuri moderate. Este potrivită pentru o gamă largă de sarcini de afaceri zilnice: redactarea de texte, analiza documentelor, răspunsul la întrebări bazate pe cunoștințe sau scrierea de cod. Anthropic lansează periodic versiuni noi; cea actuală este Claude Sonnet 5.5 (situația din octombrie 2026).
Clearbit
Clearbit este un serviciu de îmbogățire a datelor B2B: pe baza unei adrese de e-mail sau a unui domeniu, adaugă detalii precum domeniul de activitate, dimensiunea companiei sau sediul. Echipele de vânzări și marketing utilizează astfel de date pentru a evalua lead-urile, a scurta formularele și a asocia vizitele pe site cu anumite companii. Clearbit a fost achiziționat de HubSpot în 2023; funcțiile sale sunt oferite în prezent sub numele Breeze Intelligence în cadrul HubSpot (situația din octombrie 2026).
Clustering
Clusteringul este o metodă de învățare nesupervizată care împarte punctele de date în grupuri pe baza similarității lor, fără categorii predefinite. Acesta scoate la iveală tipare pe care nimeni nu le-a denumit înainte – de exemplu segmente de clienți cu un comportament de cumpărare similar. În cazul textelor, clusteringul ajută la sortarea a sute de solicitări ale clienților pe subiecte precum livrarea, facturarea sau reclamațiile și arată unde se află accentul.
Șablon
Clusterizarea K-Means
K-means este o metodă de învățare nesupervizată care împarte punctele de date într-un număr k de grupuri stabilit în prealabil. Atribuie fiecare punct celui mai apropiat centru de grup și tot mută aceste centre până când atribuirile aproape că nu se mai schimbă. Metoda este rapidă și ușor de înțeles, dar necesită o alegere rezonabilă a lui k și caracteristici pe scări comparabile. Exemplu: gruparea clienților după frecvența achizițiilor și valoarea coșului.
Șablon
Coborârea pe gradient
Coborârea pe gradient este metoda de optimizare cu care sunt antrenate majoritatea modelelor IA. Se măsoară cât de mare este eroarea modelului, se calculează în ce direcție trebuie modificați parametrii pentru a o reduce și apoi se face un pas mic în acea direcție – iar și iar. Este ca un drumeț în ceață care merge mereu la vale pentru a ajunge în vale. Mărimea pasului (rata de învățare) determină viteza și stabilitatea.
Cognitive computing
Cognitive computing este un termen umbrelă pentru sistemele menite să imite procese de gândire umane, precum înțelegerea limbajului, raționamentul și învățarea din experiență, pentru a sprijini deciziile oamenilor. Termenul a devenit cunoscut în anii 2010, mai ales prin IBM Watson. Combină metode precum procesarea limbajului natural, machine learning și reprezentarea cunoștințelor; astăzi se vorbește mai des despre asistenți IA sau modele lingvistice.
Colapsul modelului
Colapsul modelului este pierderea de calitate care poate apărea atunci când modelele generative sunt antrenate în mod repetat pe date produse ele însele de IA. Conținutul rar și cazurile limită se pierd treptat, iar rezultatele devin mai uniforme și mai predispuse la erori. Problema capătă importanță pe măsură ce crește ponderea textelor și imaginilor generate de IA pe internet. Datele create de oameni și atent selecționate ajută la contracararea ei.
Consultant IA
Un consultant IA ajută organizațiile să folosească IA în mod rațional și responsabil. Sarcinile tipice includ evaluarea potențialului, alegerea cazurilor de utilizare și a instrumentelor potrivite, integrarea lor în procesele și responsabilitățile existente, aspecte de protecție a datelor și conformitate, precum și instruire. O consultanță bună cântărește sobru beneficiile și riscurile și ține cont de oamenii care lucrează cu sistemele. Exemplu: o companie de mărime medie clarifică ce solicitări ale clienților pot fi automatizate în mod fiabil.
Convergență
În machine learning, convergența înseamnă că o procedură de antrenare se apropie de o stare stabilă: pierderea (loss) abia mai scade, iar parametrii modelului se modifică doar minim. Dacă un model converge și cât de repede depinde de factori precum rata de învățare, calitatea datelor și arhitectura modelului. Dacă rata de învățare este prea mare, pierderea sare de colo-colo; dacă este prea mică, antrenarea durează inutil de mult. Convergența nu garantează un model bun, deoarece acesta poate fi totuși supraînvățat.
Copilot
Copilot este marca sub care Microsoft grupează asistenții săi IA. Include un asistent general pentru web și Windows, Microsoft 365 Copilot pentru lucrul în Word, Excel, Outlook sau Teams și Copilot Studio pentru crearea de agenți personalizați; GitHub Copilot sprijină programarea. Asistenții se bazează pe modele lingvistice de mari dimensiuni și, în funcție de variantă, pot accesa datele organizației din Microsoft 365 (situația la octombrie 2026).
Copy.ai
Copy.ai este o platformă IA din SUA, care a început ca generator de texte pentru conținut de marketing, precum reclame, e-mailuri sau descrieri de produse. Ulterior, accentul s-a mutat pe fluxuri de lucru automatizate pentru vânzări și marketing, pe care compania le grupează sub denumirea „GTM AI”. În octombrie 2025, Copy.ai a fost achiziționată de furnizorul de soluții pentru operațiuni de venituri Fullcast (situația la octombrie 2026).
Copysmith
Copysmith este un furnizor american de instrumente IA, devenit cunoscut printr-un generator de texte pentru marketing și comerț electronic, de exemplu descrieri de produse și reclame. În 2022, Copysmith a achiziționat instrumentele de scriere și SEO Rytr și Frase. Astăzi, compania funcționează ca o umbrelă pentru mai multe produse, printre care Describely pentru textele de produs din comerțul online (situația la octombrie 2026).
Corectură
Corectura înseamnă verificarea unui text din punctul de vedere al ortografiei, gramaticii și punctuației, adesea împreună cu uniformitatea uzului; redactarea merge mai departe și vizează și stilul, structura și conținutul. IA poate semnala rapid erorile și sugera corecturi, de exemplu în citate, newslettere sau pagini web. Se recomandă listarea transparentă a tuturor modificărilor și o verificare finală, făcută de o persoană, a termenilor tehnici, a numelor proprii și a sensului.
Șablon
Corpus
Un corpus este o colecție structurată de texte sau de date lingvistice, întocmită pentru analiză, cercetare sau antrenarea modelelor lingvistice. Poate fi general, precum texte de presă din mulți ani, sau specific unui domeniu, precum toate contractele și manualele unei companii. Mărimea, echilibrul, actualitatea și drepturile asupra textelor determină cât de utile sunt concluziile rezultate.
Costurile LLM
Costurile modelelor lingvistice de mari dimensiuni se facturează de obicei pe token, adică unități de text de la mărimea aproximativă a unei silabe până la cea a unui cuvânt; tokenii de intrare și cei de ieșire sunt tarifați separat, cei de ieșire fiind în general mai scumpi. Modelele mai mari costă mai mult pe token decât modelele mici și rapide, precum Claude Haiku, care sunt adesea suficiente pentru sarcini simple. Prompt caching reduce costurile atunci când același context lung este trimis în mod repetat. Ajută și instrucțiunile concise și cunoștințele alese cu grijă.
Crearea de conținut asistată de IA
Crearea de conținut asistată de IA înseamnă producerea de texte, imagini sau alt conținut cu ajutorul IA generative, de exemplu pentru site-uri web, newslettere, descrieri de produse sau social media. IA livrează rapid ciorne, variante și traduceri, în timp ce expertiza de specialitate, vocea brandului și verificarea faptelor rămân sarcini umane. Ajută indicațiile clare privind publicul, tonul și sursele. Exemplu: punctele-cheie despre o ofertă nouă devin o ciornă de articol de blog și trei postări pentru social media.
Șablon
Crew AI
CrewAI este un framework Python open-source pentru a reuni mai mulți agenți IA într-o echipă (un „crew”). Fiecare agent primește un rol, un obiectiv și instrumente potrivite; sarcinile sunt distribuite, iar rezultatele sunt transmise mai departe. În plus, „flows” oferă fluxuri de lucru strict controlate, declanșate de evenimente. De exemplu, un agent de cercetare adună informații, iar un agent de redactare le transformă într-un raport.
curățarea datelor
Curățarea datelor înseamnă depistarea și corectarea intrărilor greșite, duplicate sau neconcordante din seturile de date. Pașii tipici includ uniformizarea ortografiei și a formatelor de dată, eliminarea spațiilor în plus și îmbinarea dublurilor, precum „Popescu SRL” și „Popescu S.R.L.”. Datele curate sunt o condiție pentru analize, mailinguri și aplicații IA fiabile.
Șablon
Curba de învățare
În machine learning, o curbă de învățare este un grafic ce arată performanța sau eroarea unui model în funcție de timpul de antrenare sau de cantitatea de date de antrenare, de obicei separat pentru datele de antrenare și cele de validare. Forma ei dezvăluie dacă un model este subînvățat sau supraînvățat și dacă mai multe date ar putea ajuta. Dacă, de exemplu, eroarea de validare rămâne mult peste eroarea de antrenare, aceasta indică supraînvățare. În limbajul curent, termenul descrie și cât de repede stăpânesc oamenii o tehnologie nouă.
Curba ROC
Curba ROC (receiver operating characteristic) arată cât de bine separă un model de clasificare două clase. Pentru fiecare prag de decizie posibil, reprezintă grafic rata pozitivelor reale (recall) în raport cu rata pozitivelor false. Cu cât curba se apropie mai mult de colțul din stânga sus, cu atât mai bine; diagonala corespunde ghicirii pure. Aria de sub ea (AUC) rezumă curba într-un singur număr și ajută, de exemplu, la compararea diferitelor modele de detectare a fraudelor.
DALL-E
DALL-E este o serie de modele de generare a imaginilor de la OpenAI, care creează imagini pornind de la descrieri text. Prima versiune a apărut în 2021; DALL-E 3 a fost integrat în ChatGPT în 2023 și a făcut generarea de imagini din text accesibilă unui public larg. Între timp, OpenAI a înlocuit DALL-E cu modele de imagine mai noi din seria GPT Image; accesul API la DALL-E 2 și 3 a luat sfârșit în mai 2026 (situația la octombrie 2026).
Dash
Dash este un framework open-source al companiei Plotly pentru crearea de aplicații web interactive de analiză a datelor în Python, fără a scrie personal JavaScript. Graficele, filtrele și glisoarele sunt legate direct de codul Python. Exemple tipice sunt dashboard-urile în care echipele de business filtrează vânzările pe regiuni sau testează predicțiile unui model de machine learning cu propriile valori.
Data limită a cunoștințelor (knowledge cutoff)
Data limită a cunoștințelor este momentul până la care se întind datele de antrenare ale unui model lingvistic. Modelul nu are cunoștințe proprii despre evenimentele, prețurile, legile sau produsele apărute ulterior și poate da informații depășite dacă nu i se furnizează date actuale. Problema poate fi abordată prin metode care aduc la momentul execuției documente proprii sau conținut web actual.
Data mining
Data mining înseamnă căutarea sistematică, în seturi mari de date, a tiparelor, relațiilor și anomaliilor. Se bazează pe tehnici statistice și pe metode de machine learning, precum clusterizarea, clasificarea sau analiza asocierilor. Un exemplu clasic este analiza coșului de cumpărături din comerțul cu amănuntul, care arată ce produse se cumpără frecvent împreună – o bază pentru sortiment, amplasare și recomandări.
DataRobot
DataRobot este o companie americană de software a cărei platformă ajută organizațiile să construiască, să opereze și să monitorizeze aplicații IA. A devenit cunoscută prin machine learning automatizat (AutoML), care antrenează și compară automat multe variante de model – de exemplu pentru a prezice pierderea clienților sau cererea. Astăzi, compania se concentrează și pe operarea și guvernanța agenților IA (situația la octombrie 2026).
Date de antrenare
Datele de antrenare sunt exemplele din care un model de IA învață tipare: colecții mari de texte pentru modelele lingvistice, imagini etichetate pentru modelele de imagini. Calitatea, diversitatea și actualitatea lor determină în mare măsură cât de fiabil și echitabil este un model și cât de actuale sunt cunoștințele sale. Pentru organizații contează și dacă un furnizor folosește datele clienților introduse de aceștia pentru antrenare ulterioară.
Date nestructurate
Datele nestructurate nu urmează o schemă fixă de tabel: e-mailuri, contracte, manuale, pagini web, prezentări, imagini sau înregistrări audio. Ele reprezintă o mare parte din cunoștințele unei organizații, dar au fost mult timp greu de analizat automat. Modelele lingvistice pot citi și căuta într-un asemenea conținut și îl pot transforma în informații structurate, de exemplu extrăgând dintr-un contract termenele și sumele într-un tabel.
Date sintetice
Datele sintetice sunt generate artificial, nu colectate din lumea reală, dar imită tiparele și proprietățile datelor reale. Ajută atunci când datele autentice sunt puține, costisitoare sau sensibile din perspectiva protecției datelor – de exemplu pentru testarea software-ului, antrenarea modelelor sau verificarea unui chatbot cu interogări-exemplu realiste. Este important ca ele să reflecte suficient de fidel realitatea și să nu permită tragerea de concluzii despre persoane reale.
Șablon
Date structurate
Datele structurate respectă o schemă fixă, cu câmpuri clar denumite, precum tabelele, bazele de date sau obiectele JSON cu detalii ca nume, preț și dată. Mașinile le pot citi, filtra și prelucra în mod fiabil – spre deosebire de textul liber sau de imagini. Pe site-uri web, marcajul schema.org descrie, de exemplu, produse, evenimente sau FAQ-uri, astfel încât motoarele de căutare și sistemele de IA să înțeleagă fără ambiguitate conținutul. IA poate extrage date structurate și din text nestructurat.
Deep belief networks (DBN)
Deep belief networks (DBN) sunt rețele neuronale formate din mai multe straturi suprapuse, pre-antrenate mai întâi strat cu strat, fără supervizare, de obicei sub forma așa-numitelor mașini Boltzmann restricționate. Geoffrey Hinton și colegii săi au introdus metoda în 2006; aceasta a arătat că rețelele profunde pot fi antrenate eficient și a contribuit astfel la ascensiunea deep learning. În practică, DBN-urile au fost între timp înlocuite în mare măsură de alte arhitecturi.
Deep learning
Deep learning este o ramură a machine learning care folosește rețele neuronale artificiale cu multe straturi. Astfel de rețele învață din cantități mari de date ce trăsături contează – de la muchiile din imagini până la relațiile de sens din texte. Deep learning stă la baza modelelor lingvistice actuale, a recunoașterii imaginilor și a vorbirii și a traducerii automate și necesită, de regulă, o putere de calcul și date de antrenare considerabile.
Deepfake
Un deepfake este o imagine, un videoclip sau o înregistrare audio create sau modificate cu IA, care înfățișează în mod convingător persoane reale spunând sau făcând lucruri ce nu s-au întâmplat niciodată. Pe lângă utilizările legitime în film sau dublaj, deepfake-urile sunt folosite pentru dezinformare, prejudicierea reputației și fraudă – de exemplu apeluri false din partea unui presupus director care solicită un transfer bancar. Protecția include apeluri de verificare pe canale cunoscute, procese clare de aprobare și etichetarea conținutului generat cu IA.
Derivă de model (model drift)
Deriva de model este scăderea treptată a calității predicțiilor unui model în timpul funcționării, deoarece realitatea se modifică în raport cu datele de antrenare. Se face distincția între modificările datelor de intrare (data drift) și modificările relației dintre intrări și rezultate (concept drift). Exemplu: un model de detectare a fraudelor nu mai recunoaște scheme frauduloase noi. Remediile includ monitorizarea continuă a metricilor și reantrenarea periodică.
Detectarea anomaliilor
Detectarea anomaliilor identifică puncte de date, evenimente sau tipare care diferă semnificativ de normă. Acestea pot fi tranzacții neobișnuit de mari, salturi bruște ale valorilor senzorilor, înregistrări duplicate sau activități suspecte în rețea. Se utilizează în finanțe, securitate IT, producție și controlul calității. Metodele variază de la praguri statistice simple până la modele de învățare; rezultatele sunt indicii pe care trebuie să le evalueze o persoană.
Șablon
Detectarea anomaliilor în imagini
Detectarea anomaliilor în imagini caută abateri de la starea normală în fotografii sau înregistrări video – precum zgârieturi, fisuri sau decolorări ale pieselor în producție ori neregularități în imaginile medicale. Adesea, un model învață mai întâi din numeroase exemple fără defecte și apoi semnalează tot ce diferă. Acest lucru este util deoarece defectele reale sunt rare și greu de descris complet în avans.
Detectarea fraudelor
Detectarea fraudelor cuprinde metodele care identifică din timp tranzacțiile, comenzile, conturile sau cererile suspecte. Regulile și modelele de învățare caută semne de avertizare precum adrese de livrare și de facturare diferite, cantități neobișnuite, presiune vădită a timpului sau adrese de e-mail de unică folosință. Se utilizează în comerțul electronic, sectorul bancar, asigurări și serviciile de plată. Deoarece alarmele false pot afecta clienți reali, rezultatele trebuie verificate de oameni, nu respinse automat.
Șablon
Detectarea fraudelor financiare
Detectarea fraudelor financiare cuprinde metodele care descoperă activități frauduloase în plăți, carduri de credit, asigurări sau contabilitate. Modelele IA învață tiparele tipice ale tranzacțiilor legitime și semnalează abaterile – precum sume, locații sau ore neobișnuite – adesea în timp real. Esențial este echilibrul potrivit între fraudele detectate și alarmele false. Cazurile suspecte ar trebui verificate de oameni înainte ca să fie înghețate conturi sau respinse plăți.
Șablon
Developmental Reading Assessment (DRA)
Developmental Reading Assessment (DRA) este o procedură larg răspândită în Statele Unite, prin care cadrele didactice stabilesc nivelul de citire al copiilor din grădiniță până în clasa a 8-a; este publicată de Pearson. Copiii citesc cu voce tare texte pe niveluri și răspund la întrebări despre ele, iar evaluarea acoperă aspecte precum fluența și înțelegerea. Rezultatul este un nivel de citire care orientează alegerea cărților potrivite și a măsurilor de sprijin.
Dezvoltarea de prototipuri IA
Un prototip IA este o versiune timpurie, funcțională, a unei aplicații IA, care permite unei echipe să testeze rapid o idee, cu costuri reduse. În loc să planifice luni de zile, se încearcă soluția cu date și utilizatori reali, pentru a vedea dacă IA rezolvă sarcina suficient de fiabil, ce date lipsesc și ce valoare aduce. Exemplu: un asistent care pre-sortează solicitările clienților este testat timp de două săptămâni pe o parte din inbox, înainte de a decide o extindere mai largă.
Discriminarea în IA
Discriminarea în IA apare atunci când un sistem IA dezavantajează în mod nejustificat persoane pe baza unor caracteristici precum sexul, originea etnică, vârsta sau dizabilitatea. Cauzele sunt, de obicei, date de antrenare distorsionate, caracteristici-proxy nepotrivite, precum codurile poștale, sau lipsa testării; cazuri cunoscute provin din recrutare și acordarea de credite. Măsurile de contracarare includ date reprezentative, teste periodice de echitate, transparență și supraveghere umană a deciziilor privind persoanele.
Distanța Fréchet inception (FID)
Distanța Fréchet inception (FID) este o metrică pentru evaluarea calității imaginilor generate de IA. Imaginile reale și cele generate sunt trecute printr-o rețea pre-antrenată de recunoaștere a imaginilor (Inception v3), iar distribuțiile statistice ale caracteristicilor lor sunt comparate. Cu cât valoarea este mai mică, cu atât imaginile generate sunt mai apropiate de fotografiile reale ca realism și varietate. FID a fost introdusă în 2017 și este un standard pentru compararea generatoarelor de imagini.
DL4J (DeepLearning4J)
DL4J (Eclipse Deeplearning4j) este o bibliotecă open-source pentru deep learning pe mașina virtuală Java (JVM). Permite antrenarea și rularea rețelelor neuronale în Java sau Scala, astfel încât se integrează în sistemele enterprise existente, bazate pe Java. Proiectul include și instrumente pentru importul modelelor din alte framework-uri. Este întreținut ca proiect al Eclipse Foundation.
Dropout
Dropout este o tehnică de regularizare folosită la antrenarea rețelelor neuronale: la fiecare pas de antrenare, o parte aleatorie a neuronilor este dezactivată temporar. Astfel, rețeaua nu se mai bazează pe conexiuni individuale și învață tipare mai robuste. Reduce supraînvățarea (overfitting), adică simpla memorare a datelor de antrenare. Când modelul finalizat este folosit ulterior, toți neuronii sunt din nou activi.
Embedding-uri de cuvinte
Embedding-urile de cuvinte reprezintă cuvintele ca vectori numerici, astfel încât cuvintele cu sensuri similare să se afle aproape unele de altele în spațiul vectorial, precum „mașină” și „autovehicul”. Metode precum Word2Vec sau GloVe învață acești vectori din cantități mari de text. Au fost un pas important în prelucrarea limbajului, de exemplu pentru căutare sau clasificare; modelele lingvistice de azi folosesc embedding-uri contextuale, în care un cuvânt este reprezentat diferit în funcție de propoziție.
Emergența
Emergența descrie proprietăți ale unui sistem care apar din interacțiunea multor părți simple, dar care nu pot fi observate la nicio parte luată separat. În cercetarea IA, abilitățile sunt numite emergente atunci când modelele lingvistice de mari dimensiuni, peste o anumită mărime, rezolvă sarcini precum calculul în mai mulți pași sau traducerea în mod vizibil mai bine decât modelele mai mici. Dacă astfel de salturi sunt reale sau depind parțial de modul în care sunt măsurate este o chestiune dezbătută de cercetători.
Entropia încrucișată
Entropia încrucișată (cross-entropy) este o măsură din teoria informației care arată cât de mult se abate o distribuție de probabilitate prezisă de la cea reală. În machine learning, este cea mai frecventă funcție de pierdere pentru sarcinile de clasificare și, de asemenea, pentru modelele lingvistice care prezic următorul token. Penalizează deosebit de sever predicțiile greșite făcute cu încredere: atribuirea a 99% clasei greșite duce la o pierdere mult mai mare decât atribuirea a 60%.
Eroare de antrenare
Eroarea de antrenare indică cât se abat predicțiile unui model de la valorile corecte exact pe datele pe care a fost antrenat. În sine, spune puțin: contează comparația cu eroarea de generalizare pe date noi. O eroare de antrenare mare indică subajustare; o eroare de antrenare foarte mică, combinată cu o eroare mare pe datele de testare, semnalizează de obicei supraajustare.
Eroarea absolută medie (MAE)
Eroarea absolută medie (MAE) arată cu cât se abat în medie predicțiile unui model de la valorile reale, indiferent de direcție. Se exprimă în unitatea variabilei-țintă, ceea ce o face ușor de înțeles. Exemplu: un MAE de 12 pentru o prognoză zilnică a vânzărilor înseamnă că modelul greșește în medie cu 12 unități. Acordă mai puțină pondere valorilor aberante decât măsurile bazate pe eroarea pătratică.
Eroarea de generalizare
Eroarea de generalizare măsoară cât de mult greșește un model IA pe date noi, nevăzute anterior – spre deosebire de eroarea sa pe datele de antrenare. O diferență mare între cele două indică supraînvățare (overfitting): modelul a memorat exemple în loc să învețe tipare generale. Se estimează cu ajutorul unor date de test rezervate sau al validării încrucișate. Este cifra care contează cu adevărat, pentru că în practică un model întâlnește aproape exclusiv cazuri noi.
Estimarea adâncimii
Estimarea adâncimii determină, pornind de la imagini, cât de departe de cameră se află obiectele sau pixelii individuali. Se poate realiza cu două camere (stereo), cu senzori de adâncime sau, cu ajutorul rețelelor neuronale, chiar dintr-o singură fotografie (estimare monoculară a adâncimii). Este necesară în robotică, în asistența pentru șoferi, în realitatea augmentată și în modelele 3D ale încăperilor.
Estimarea poziției corporale (pose estimation)
Estimarea poziției corporale este o tehnică de viziune artificială care determină postura oamenilor sau poziția și orientarea obiectelor în imagini sau video. De regulă, un model detectează puncte-cheie precum umerii, coatele și genunchii și le unește într-un schelet. Se folosește, de exemplu, în aplicațiile de fitness care verifică exercițiile, în analiza ergonomiei la locul de muncă, în analiza sportivă și în robotică.
Etica IA
Etica IA se ocupă de întrebările morale legate de dezvoltarea și utilizarea IA: echitate și discriminare, transparență și explicabilitate, protecția datelor, responsabilitatea pentru erori, siguranța și efectele asupra muncii și societății. Pentru organizații, devine concretă în ghiduri, evaluări de risc, supraveghere umană și comunicare sinceră despre limitele IA. Exemplu: înainte de introducerea unui instrument de triere a CV-urilor, se verifică dacă dezavantajează anumite grupuri.
Etichetarea părților de vorbire (POS)
Etichetarea părților de vorbire atribuie automat fiecărui cuvânt dintr-o propoziție categoria sa gramaticală, precum substantiv, verb, adjectiv sau prepoziție. Fiindcă multe cuvinte sunt ambigue („lucru” poate fi substantiv sau verb, „bine” poate fi adverb sau substantiv), metodele țin cont de contextul propoziției. Etichetarea POS este un pas clasic de preprocesare pentru analiza sintactică, extragerea de informații sau verificarea ortografică și este oferită de biblioteci precum spaCy și NLTK.
Euristici
Euristicile sunt reguli empirice sau strategii simplificate care duc la o soluție bună, deși nu garantat optimă, într-un timp rezonabil. În informatică și în IA ele ajută la restrângerea spațiilor de căutare uriașe – de exemplu în planificarea rutelor, unde distanța în linie dreaptă până la destinație servește drept estimare, sau în șah, unde pozițiile sunt evaluate. Oamenii folosesc euristici și în viața de zi cu zi și în deciziile de afaceri, cu riscul unor erori sistematice de gândire.
Evaluarea documentelor (RAG)
În retrieval-augmented generation (RAG), evaluarea documentelor înseamnă verificarea pasajelor regăsite pentru a stabili dacă se potrivesc întrebării și pot susține un răspuns. Doar pasajele apreciate ca relevante sunt transmise modelului lingvistic; rezultatele nepotrivite sunt eliminate sau declanșează o nouă căutare. Aceasta reduce riscul de răspunsuri inventate sau cu surse greșite, de exemplu atunci când apare un document depășit pentru o întrebare despre prețurile actuale.
Exfiltrarea datelor
Exfiltrarea datelor este transferul neautorizat de date în afara unui sistem. În aplicațiile IA, aceasta se poate produce atunci când un chatbot sau un agent este manipulat prin intrări special concepute sau conținut pregătit – de exemplu pe o pagină web pe care o citește – astfel încât să dezvăluie sau să transmită informații confidențiale. Protecția include drepturi de acces minime, verificarea intrărilor, restricții privind conexiunile de ieșire și monitorizarea răspunsurilor.
Șablon
Explicabilitate
Explicabilitatea (IA explicabilă, XAI) descrie cât de bine se poate înțelege de ce un sistem IA a ajuns la un anumit rezultat. Cuprinde metode care arată ce intrări au influențat cel mai mult o decizie, precum și ajutoare practice, cum ar fi trimiterile la surse și jurnalele. Explicabilitatea contează pentru încredere, remedierea erorilor și reglementare – de exemplu atunci când o bancă trebuie să justifice de ce a respins o cerere.
Extensibilitate
Extensibilitatea este capacitatea unui software de a prelua noi funcții, surse de date sau conexiuni fără a-și reconstrui nucleul. Mijloacele tipice sunt interfețele de programare a aplicațiilor (API), webhook-urile, plug-in-urile și standardele deschise, precum Model Context Protocol (MCP). Pentru companii, o soluție IA extensibilă funcționează alături de sistemele existente, precum un CRM sau un magazin online, și poate crește odată cu cerințele în schimbare.
Extinderea interogării (query expansion)
Extinderea interogării adaugă automat termeni înrudiți la o interogare de căutare, astfel încât să fie găsite și documentele relevante care folosesc alte formulări. Adaosurile tipice sunt sinonime, abrevieri, forme ale cuvintelor sau traduceri: o căutare după „reziliere” ar putea găsi astfel și texte despre „încetarea contractului”. Este util mai ales la căutarea după cuvinte-cheie, dar poate reduce precizia dacă se adaugă prea mulți termeni sau termeni nepotriviți. Astăzi, pentru generarea interogărilor extinse se folosesc adesea modele lingvistice.
Extragerea de caracteristici
Extragerea de caracteristici este procesul prin care se obțin valori relevante din date brute, astfel încât un model să le poată prelucra eficient. În loc de milioane de pixeli individuali, un sistem poate folosi contururi, culori sau forme; textele sunt transformate în ponderi ale cuvintelor sau în vectori de embedding. Caracteristicile bune reduc volumul de date, scad efortul de calcul și îmbunătățesc adesea acuratețea. Extragerea de caracteristici este o componentă centrală a ingineriei caracteristicilor (feature engineering).
Extragerea promptului de sistem
Extragerea promptului de sistem desemnează încercările de a determina un chatbot sau un agent de IA să-și dezvăluie instrucțiunile ascunse de sistem. Dacă o asemenea încercare reușește, rezultatul se numește prompt leaking: extragerea este atacul, scurgerea este consecința. O protecție eficientă începe prin a nu include în instrucțiuni parole, chei și reguli confidențiale și prin a presupune că ele pot deveni publice; verificarea intrărilor și testarea periodică adaugă măsuri suplimentare de siguranță.
Șablon
fastai
fastai este o bibliotecă Python open-source pentru deep learning, construită peste PyTorch. Reunește setări implicite verificate, astfel încât modele pentru imagini, text sau date tabelare să poată fi antrenate cu câteva linii de cod, permițând totodată personalizarea profundă la orice nivel. A apărut din inițiativa de învățare fast.ai și însoțește cursurile sale gratuite, motiv pentru care este populară în educație și pentru încercarea rapidă a modelelor.
Federated learning
Federated learning este o abordare de antrenare în care un model IA învață pe mai multe dispozitive sau locații fără ca datele brute să le părăsească vreodată. Fiecare participant antrenează local și trimite doar actualizări ale modelului către un server central, care le combină. Aceasta protejează confidențialitatea și se potrivește, de exemplu, spitalelor care vor să îmbunătățească împreună un model de diagnostic sau tastaturilor de smartphone care învață sugestii de cuvinte.
Feedback pentru elevi și studenți generat cu IA
Feedbackul pentru elevi și studenți generat cu IA se referă la comentarii privind eseuri, teme sau proiecte, produse de un sistem IA în raport cu criterii definite. Cursanții primesc mai rapid indicații despre puncte forte, structură, argumentație sau limbaj, iar profesorii sunt degrevați de corectarea repetitivă. Evaluarea ar trebui să fie transparentă și bazată pe criterii; notele și deciziile privind performanța rămân în responsabilitatea profesorilor. Exemplu: o ciornă de eseu primește sugestii de îmbunătățire înainte de predare.
Șablon
Few-shot learning
Few-shot learning este capacitatea unui model de a rezolva o sarcină pornind de la doar câteva exemple. La modelele lingvistice, aceasta se petrece de obicei direct în intrare: se arată două sau trei perechi de întrebare și răspuns dorit, iar modelul aplică același format și stil cazurilor noi – fără reantrenare. Exemplu: trei solicitări de client categorisite corect sunt adesea suficiente pentru ca solicitările următoare să fie sortate la fel.
fine-tuning
Fine-tuning înseamnă continuarea antrenării unui model IA deja pre-antrenat cu date suplimentare, de obicei specifice unei sarcini. Ponderile sale interne sunt ajustate astfel încât modelul să gestioneze mai fiabil, de exemplu, un anumit stil de scriere, un vocabular de specialitate sau un format de ieșire. Fine-tuning-ul necesită date de exemplu pregătite cu grijă, putere de calcul și testare. Pentru multe aplicații, instrucțiunile bine scrise și cunoștințele conectate sunt suficiente și mai ușor de modificat.
Firewall IA
Un firewall IA este un strat de protecție între utilizatori, surse de date și un model IA. Filtrează intrările pentru încercări de manipulare, precum prompt injection sau jailbreak-uri, și verifică ieșirile, de exemplu pentru date confidențiale sau conținut nedorit, înainte de a le transmite mai departe. Poate folosi reguli, modele de clasificare sau un al doilea model lingvistic. Un firewall IA reduce riscul, dar nu oferă protecție completă și nu înlocuiește nici permisiunile limitate, nici testarea.
Șablon
Flux
O succesiune de pași conectați care rulează în mod repetat, de exemplu „trierea și răspunsul la o solicitare”.
KI.ordo
Frase
Frase este un software pentru cercetarea și optimizarea conținutului web. Analizează ce subiecte, întrebări și termeni acoperă paginile bine clasate pentru o căutare, transformă aceste informații în brief-uri de conținut și evaluează textele pe parcursul revizuirii. Frase oferă acum și funcții pentru urmărirea și îmbunătățirea măsurii în care conținutul este citat în răspunsurile sistemelor de căutare IA, precum ChatGPT sau Perplexity (situația la octombrie 2026).
Funcții de activare
Funcțiile de activare determină cât de puternic își transmite semnalul un neuron dintr-o rețea neuronală artificială. Ele introduc neliniaritatea – abia astfel rețeaua poate reprezenta relații complexe, precum limbajul sau imaginile. Exemple obișnuite sunt ReLU, care transformă valorile negative în zero, sigmoida pentru probabilități între 0 și 1 și GELU, utilizată în multe modele transformer. Alegerea influențează viteza și stabilitatea antrenării.
Generare augmentată prin cache (CAG)
Generarea augmentată prin cache (CAG) este o abordare în care un model lingvistic nu caută cunoștințe la fiecare întrebare. În schimb, o bază de cunoștințe de dimensiuni rezonabile este încărcată în avans în fereastra sa de context, iar această stare este stocată în cache, astfel încât răspunsurile nu necesită un pas separat de regăsire. Termenul a fost popularizat de o lucrare de cercetare de la sfârșitul anului 2024, ca alternativă la generarea augmentată prin regăsire (RAG). CAG se potrivește bazelor de cunoștințe mici și stabile; pentru date mari sau care se schimbă frecvent, RAG rămâne de obicei mai practic.
Generare augmentată prin regăsire (RAG)
Generarea augmentată prin regăsire combină căutarea cu generarea de text: înainte de a răspunde, sistemul caută într-o colecție de cunoștințe – de exemplu manuale, regulamente sau FAQ-uri – pasajele relevante și le transmite modelului lingvistic drept context. Răspunsul se bazează astfel pe conținut actual, specific companiei, și nu doar pe cunoștințele de antrenare ale modelului. Aceasta reduce afirmațiile inventate, face sursele verificabile și permite actualizări fără reantrenare.
Generare de text
Generarea de text este producerea automată de text de către IA, în zilele noastre de obicei de către modele lingvistice de mari dimensiuni, care calculează cuvânt cu cuvânt continuarea cea mai probabilă. Este o ramură a generării limbajului natural și o aplicație centrală a IA generative. Organizațiile o folosesc pentru a redacta e-mailuri, rapoarte sau descrieri de produse; faptele și cifrele trebuie verificate înainte de publicare.
Șablon
Generarea limbajului natural (NLG)
Generarea limbajului natural (NLG) este domeniul prelucrării limbajului care produce text inteligibil pornind de la date, puncte-cheie sau alte intrări. Sistemele NLG mai vechi se bazau pe șabloane și reguli; astăzi majoritatea folosesc modele lingvistice de mari dimensiuni. Utilizările tipice includ rapoarte meteo și bursiere, descrieri de produse, rezumate de indicatori și răspunsuri ale chatboturilor. Este important ca cifrele și faptele din date să fie preluate corect și nemodificat.
Șablon
Generator de scripturi de vânzări
Un generator de scripturi de vânzări este un instrument de IA care redactează ghiduri de conversație pentru discuții de vânzări – de exemplu apeluri la rece, întâlniri sau follow-up-uri. Pornind de la detalii despre ofertă și grupul țintă, produce o introducere, întrebări de descoperire, argumente despre beneficii, răspunsuri la obiecțiile tipice și un pas următor propus. Un ghid bun oferă orientare, nu un scenariu rigid: ascultarea și consilierea sinceră rămân mai importante decât frazele gata făcute.
Șablon
Generator de site-uri web
Un generator de site-uri web cu IA creează automat un site, inclusiv structura paginilor, aspectul, textele și sugestii de imagini, pornind de la câteva date precum sectorul, oferta și stilul preferat. Astfel, întreprinderile mici sau proiectele obțin rapid o prezență online, fără cunoștințe de programare. Rezultatele sunt un punct de pornire: conținutul, informațiile impuse de lege, accesibilitatea și optimizarea pentru motoarele de căutare trebuie apoi verificate și ajustate.
Gensim
Gensim este o bibliotecă Python open-source pentru analiza unor colecții mari de texte. Este cunoscută pentru modelele de subiecte, precum LDA, pentru antrenarea vectorilor de cuvinte (de exemplu Word2Vec, FastText și Doc2Vec) și pentru compararea documentelor după similitudine. Deoarece Gensim prelucrează datele pe bucăți, poate gestiona și corpusuri care nu încap în memorie. O utilizare tipică: gruparea automată a mii de comentarii ale clienților după teme recurente.
Go-to-market (GTM)
O strategie go-to-market (GTM) stabilește cum va fi lansat cu succes un produs sau un serviciu pe o piață: ce grup-țintă are ce problemă, cum este poziționată și prețuită oferta, prin ce canale se vinde și ce indicatori măsoară succesul. Un plan GTM leagă marketingul, vânzările și produsul. Exemplu: un furnizor de software începe cu o singură industrie, un canal de parteneriat și un obiectiv pe 90 de zile.
Șablon
Google Colab
Google Colab (Colaboratory) este un serviciu cloud Google pentru rularea codului Python în notebook-uri de tip Jupyter, direct în browser, fără instalare locală. Nivelul gratuit oferă și GPU-uri și TPU-uri, în funcție de disponibilitate și cu limite de timp de rulare; planurile plătite oferă mai multă putere de calcul. Colab este popular pentru predare, analiza datelor și încercarea de modele, iar un asistent Gemini integrat ajută la scrierea și remedierea codului (situația la octombrie 2026).
gradient boosting
Gradient boosting este o tehnică de machine learning care combină, unul după altul, multe modele simple – de obicei arbori de decizie mici. Fiecare arbore nou este antrenat special pentru a reduce erorile rămase ale celor anteriori. Rezultatul sunt modele foarte precise pentru date tabelare, de exemplu pentru riscul de credit, prognoze de vânzări sau probabilitatea pierderii clienților. Implementări cunoscute sunt XGBoost, LightGBM și CatBoost; este nevoie de o reglare atentă pentru a evita supraînvățarea.
Granturi pentru cercetare în IA
Granturile și finanțările pentru cercetare în IA susțin proiecte de cercetare, grupuri de cercetători la început de carieră sau colaborări în domeniul inteligenței artificiale. În Germania, de exemplu, Fundația Germană pentru Cercetare (DFG) finanțează grupuri Emmy Noether privind metodele IA în cadrul inițiativei sale pentru IA, iar Ministerul Federal al Cercetării, Tehnologiei și Spațiului (BMFTR) acordă finanțare prin ghiduri tematice de finanțare. La nivelul UE, Horizon Europe și Consiliul European pentru Cercetare (ERC) organizează apeluri. Termenele și condițiile se schimbă continuu (situația la octombrie 2026).
Grok (xAI)
Grok este un asistent IA bazat pe modele lingvistice de mari dimensiuni, dezvoltat de xAI. Este integrat în platforma X și este disponibil și prin propriul site web, aplicații mobile și un API. O particularitate este accesul la postările curente de pe X și la căutarea web. Din februarie 2026, xAI face parte din SpaceX și funcționează acum sub denumirea SpaceXAI; versiunile modelelor sunt actualizate periodic (situația la octombrie 2026).
Gunoi la intrare, gunoi la ieșire (GIGO)
„Garbage in, garbage out” descrie principiul conform căruia un sistem poate produce doar rezultate la fel de bune ca datele pe care le primește. Aceasta se aplică de două ori mai mult în cazul IA: datele de antrenare sau de cunoștințe incorecte, depășite sau unilaterale duc la răspunsuri greșite sau părtinitoare. Un chatbot care se bazează pe o listă de prețuri depășită va indica prețuri depășite. Întreținerea datelor este, așadar, o sarcină permanentă în fiecare proiect IA.
Guvernanța datelor
Guvernanța datelor cuprinde regulile, rolurile și procesele prin care o organizație stabilește cine poate colecta, utiliza, modifica și șterge anumite date. Include responsabilitatea pentru calitatea datelor, drepturile de acces, perioadele de păstrare și respectarea cerințelor de protecție a datelor. Este deosebit de importantă pentru proiectele IA, deoarece modelele și agenții sunt la fel de fiabili ca datele pe care se bazează.
Halucinație
O halucinație este un rezultat al unui model IA care sună convingător, dar este greșit sau complet inventat – de exemplu o hotărâre judecătorească inexistentă, o cifră incorectă sau o sursă inventată. Cauza: modelele lingvistice produc formulări probabile; ele nu caută automat fapte. Riscul scade atunci când răspunsurile se bazează pe surse verificate, se citează dovezi, iar oamenii verifică rezultatele importante.
Șablon
Harta proceselor
O prezentare generală a proceselor-cheie ale unei companii și a modului în care se leagă între ele.
KI.ordo
Hartă cognitivă
O hartă cognitivă este, inițial, un termen din psihologie care descrie reprezentarea mentală pe care oamenii sau animalele o formează despre mediul lor. În management și în IA se referă și la modele grafice care arată conceptele ca noduri, iar relațiile lor de cauză-efect ca săgeți ponderate, de exemplu „hărțile cognitive fuzzy”. Astfel de hărți ajută la structurarea cunoștințelor experților și la explorarea scenariilor, precum modul în care modificările de preț afectează cererea și nivelul stocurilor.
Heteronym
Un heteronim este un cuvânt scris la fel ca altul, dar pronunțat diferit și cu alt sens – de exemplu în engleză „lead” (a conduce) și „lead” (metalul), sau „wind” (vânt) și „wind” (a răsuci). Heteronimele sunt un subset al omografelor. Ele reprezintă o provocare pentru sistemele text-to-speech, deoarece pronunția corectă poate fi dedusă doar din context, adesea cu ajutorul analizei părților de vorbire.
Horovod
Horovod este un framework open-source pentru antrenarea distribuită a modelelor de deep learning pe mai multe GPU-uri sau mașini. Dezvoltat inițial la Uber, acceptă TensorFlow, Keras, PyTorch și MXNet și sincronizează gradienții calculați de mașinile participante prin ring-allreduce, fără un server central de parametri. Proiectul este găzduit de LF AI & Data Foundation; cea mai recentă versiune stabilă, 0.28.1, datează din 2023 (situația la octombrie 2026).
Hugging Face Transformers
Hugging Face Transformers este o bibliotecă Python open-source care oferă acces la modele pre-antrenate pentru text, imagini și audio printr-o interfață unică și coerentă. Dezvoltatorii o folosesc pentru a descărca modele din Hugging Face Hub, a le încerca, a le adapta la propriile date sau a le rula local. Începând cu versiunea 5, biblioteca se concentrează în principal pe PyTorch (situația la octombrie 2026). Exemplu: o echipă testează un model de analiză a sentimentelor cu doar câteva linii de cod.
Human-in-the-Loop
Human-in-the-loop descrie fluxurile de lucru în care oamenii intervin într-un proces IA în puncte definite: verifică rezultatele, le aprobă sau le corectează ori preiau cazurile dificile. Principiul reduce riscul unor rezultate eronate și păstrează răspunderea la nivel uman, mai ales în cazul deciziilor care privesc persoane, bani sau aspecte juridice. Exemplu: un agent IA redactează răspunsuri la solicitările clienților, iar un angajat le verifică înainte de trimitere.
IA constituțională (Constitutional AI)
Constitutional AI este o metodă de antrenare a modelelor lingvistice publicată de Anthropic în 2022; nu are legătură cu dreptul constituțional. Se bazează pe un set scris de principii, „constituția”: modelul își critică și își revizuiește propriile răspunsuri în raport cu aceste principii, apoi o IA compară perechi de răspunsuri, iar acest feedback servește drept semnal de recompensă pentru învățarea prin întărire (RLAIF). Aceasta reduce nevoia de etichetare umană a conținutului dăunător; în ianuarie 2026, Anthropic a publicat o constituție revizuită pentru Claude.
IA conversațională
IA conversațională cuprinde tehnologiile care permit computerelor să poarte dialoguri în limbaj natural, fie în scris, prin chat, fie vorbit, prin asistenți vocali. Sistemele moderne se bazează, de regulă, pe modele lingvistice de mari dimensiuni, care înțeleg solicitările, țin cont de istoricul conversației și formulează răspunsuri potrivite. Organizațiile le folosesc în serviciul clienți, pentru programări sau pentru help desk-uri interne. Sunt esențiale cunoștințe fiabile, limite clare și predarea către oameni atunci când IA nu poate ajuta.
Șablon
IA extractivă
IA extractivă desemnează metodele care extrag informații existente din texte sau documente, în loc să scrie conținut nou. Rezultatul provine cuvânt cu cuvânt sau într-o structură fixă din sursă – de exemplu numere de factură din fișiere PDF, propoziții-cheie pentru un rezumat sau pasajul relevant ca răspuns la o întrebare. Deoarece nu se inventează nimic, riscul de afirmații false este mai mic decât în cazul abordărilor pur generative; cele două sunt adesea combinate.
Șablon
IA generativă
IA generativă desemnează sistemele IA care creează conținut nou – text, imagini, audio, video sau cod de program – în loc să sorteze sau să evalueze doar date existente. Se bazează pe modele care învață tipare din cantități mari de date și le folosesc pentru a produce rezultate noi, plauzibile. În mediul de afaceri este folosită, de exemplu, pentru a redacta e-mailuri, rezumate, descrieri de produse sau idei de imagini. Rezultatele pot conține erori și trebuie verificate înainte de utilizare.
IA în comerțul cu amănuntul
IA în comerțul cu amănuntul acoperă aplicații de-a lungul întregului lanț comercial: prognoza vânzărilor și planificarea stocurilor, recomandări personalizate de produse, prețuri dinamice, detectarea fraudelor în magazinele online și serviciul clienți prin chat. Comercianții pot reduce stocurile în exces și lipsurile și pot răspunde mai rapid la solicitări. Aceasta presupune date curate și o manipulare atentă a informațiilor despre clienți. Exemplu: un asistent de chat răspunde non-stop la întrebări despre termenele de livrare și retururi.
IA în industria de divertisment
IA în industria de divertisment desemnează utilizarea IA în film, muzică, jocuri, streaming și media. Aplicațiile tipice includ sisteme de recomandare care sugerează conținut în funcție de gusturi, sprijin pentru montaj, efecte vizuale și dublaj, lumi sau personaje de joc generate, precum și generarea de muzică și imagini. În același timp, ridică întrebări privind drepturile de autor, consimțământul interpreților și deepfake-urile. Exemplu: o platformă de streaming își adaptează ecranul principal pentru fiecare profil.
IA în industria prelucrătoare
IA în industria prelucrătoare acoperă aplicații din producție și industrie, precum mentenanța predictivă pe baza datelor de la senzori, controlul automat al calității cu ajutorul camerelor, optimizarea parametrilor de proces și a planificării producției, precum și roboți care lucrează alături de oameni. Obiectivele sunt mai puține defecțiuni, mai puține rebuturi și o funcționare mai stabilă. Aceasta necesită date fiabile de la mașini și implicarea experților din hala de producție. Exemplu: un sistem recunoaște, după tiparele de vibrații, că un rulment ar putea ceda în curând.
IA în sănătate
IA în sănătate acoperă aplicații care sprijină personalul clinic și administrația, de exemplu în analiza imaginilor medicale, documentare, programarea consultațiilor sau evaluarea datelor de cercetare. Astfel de sisteme oferă indicii și ușurează volumul de muncă, dar nu înlocuiesc judecata clinică și nu promit vindecări. Multe aplicații IA medicale sunt supuse reglementărilor privind dispozitivele medicale și unor reguli stricte de protecție a datelor de sănătate. Exemplu: un software evidențiază zonele suspecte de pe radiografii, pentru a fi verificate de specialiști.
IA în securitatea cibernetică
IA în securitatea cibernetică are două fețe. Pe de o parte, tehnicile IA ajută la detectarea mai rapidă a atacurilor, de exemplu prin depistarea anomaliilor în traficul de rețea, a autentificărilor suspecte sau a e-mailurilor de phishing, și ușurează munca echipelor de securitate la triajul alertelor. Pe de altă parte, sistemele IA înseși trebuie protejate, de exemplu împotriva prompt injection sau a scurgerilor de date. IA este eficientă aici doar în combinație cu procese clare, sisteme actualizate și oameni instruiți.
IA în transporturi
IA în transporturi acoperă aplicații din logistică, trafic și mobilitate: planificarea rutelor și a turelor, prognoza traficului, mentenanța predictivă a vehiculelor și a infrastructurii, sisteme de asistență a șoferului, până la vehicule autonome. Obiectivele sunt trasee mai scurte, mai puține curse goale, costuri mai mici și siguranță sporită. Multe aplicații sunt critice pentru siguranță și, prin urmare, strict reglementate. Exemplu: un serviciu de curierat își replanifică zilnic turele de livrare în funcție de volumul de colete și de condițiile de trafic.
IA și drepturile omului
Termenul descrie modul în care sistemele IA pot afecta drepturi ale omului precum viața privată, egalitatea de tratament, libertatea de exprimare sau procesul echitabil, atât în mod pozitiv, cât și negativ. Riscurile apar, de exemplu, din decizii discriminatorii, supraveghere în masă, identificare biometrică sau lipsa mijloacelor de a contesta deciziile. Cadre internaționale precum Convenția-cadru a Consiliului Europei privind IA și Regulamentul UE privind IA (AI Act) abordează aceste aspecte. Organizațiile răspund prin evaluări de impact, transparență și supraveghere umană.
Identificarea limbii
Identificarea limbii determină automat în ce limbă este scris un text, de exemplu germană, italiană sau spaniolă. Metodele clasice analizează secvențe caracteristice de litere, în timp ce modelele lingvistice de mari dimensiuni recunosc limba ca un produs secundar. Se folosește pentru a direcționa solicitările către echipa potrivită, pentru a declanșa traduceri adecvate sau pentru a răspunde în limba interlocutorului. Textele foarte scurte și amestecurile de mai multe limbi sunt dificile.
Ideogram AI
Ideogram este un serviciu IA care generează imagini pornind de la descrieri text, dezvoltat de compania cu același nume, fondată în 2022. Este cunoscut mai ales pentru redarea textului lizibil în imagini, ceea ce îl face util pentru afișe, invitații sau grafice pentru social media. Este disponibil ca aplicație web și printr-un API; versiunile modelelor și termenii de licență se schimbă periodic (situația la octombrie 2026). Drepturile de utilizare trebuie verificate înainte de utilizarea comercială.
Impactul economic al IA
Termenul acoperă consecințele economice ale utilizării inteligenței artificiale: creșteri de productivitate, produse și modele de afaceri noi, sarcini și cerințe de competențe în schimbare și mutații ale concurenței. Amploarea și distribuția acestor efecte sunt disputate și depind puternic de sector, investiții și formare. Pentru fiecare organizație în parte, contează mai ales beneficiul măsurabil al aplicațiilor concrete. Exemplu: timpii de soluționare mai scurți în serviciul clienți reduc costul pe solicitare.
Indicele de lizibilitate Flesch
Indicele de lizibilitate Flesch estimează cât de ușor se înțelege un text, pe baza lungimii medii a propozițiilor și a numărului de silabe pe cuvânt. Rudolf Flesch l-a dezvoltat pentru limba engleză în 1948, iar pentru alte limbi există formule adaptate. Scala merge aproximativ de la 0 la 100 – cu cât scorul este mai mare, cu atât textul este mai ușor. Măsoară doar forma, nu dacă conținutul și terminologia se potrivesc publicului vizat.
Șablon
Indicele de lizibilitate LIX
LIX (läsbarhetsindex) este o măsură a lizibilității dezvoltată în Suedia de Carl-Hugo Björnsson. Adună lungimea medie a propozițiilor, în cuvinte, și procentul de cuvinte lungi, cu mai mult de șase litere. Exemplu: 15 cuvinte pe propoziție și 30% cuvinte lungi dau un LIX de 45. Deoarece nu necesită numărarea silabelor, poate fi aplicat în multe limbi, inclusiv germana; scorurile mici indică texte ușoare, iar scorurile de la aproximativ 60 în sus, texte foarte dificile.
Șablon
Inferența cauzală
Inferența cauzală cuprinde metodele prin care se deduc relații de cauză-efect din date, nu doar corelații. Răspunde la întrebări precum „Ce s-ar fi întâmplat dacă nu am fi luat această măsură?”. Instrumentele includ experimente randomizate, precum testele A/B, grafurile cauzale și tehnici statistice pentru date observaționale. Exemplu: verificarea dacă o campanie de reduceri a crescut efectiv vânzările sau dacă acestea ar fi crescut oricum din motive sezoniere.
Inginer de sisteme IA
Un inginer de sisteme IA proiectează și operează aplicații IA ca sistem complet: conectează modelele cu sursele de date, interfețele și software-ul existent, asigură securitatea, monitorizarea și controlul costurilor și duce prototipurile în operare stabilă. Spre deosebire de dezvoltarea pură de modele, accentul cade pe integrare. Un exemplu este conectarea unui agent de suport la sistemul de tichete, inclusiv înregistrarea în jurnal și drepturile de acces.
Ingineria cunoștințelor
Ingineria cunoștințelor cuprinde captarea, organizarea și pregătirea cunoștințelor experților, astfel încât sistemele IT să le poată folosi. Inițial s-a concentrat pe regulile pentru sistemele expert; astăzi prioritatea este adesea documentarea cunoștințelor răspândite din manuale, descrieri de procese și din mințile oamenilor, astfel încât agenții IA să poată răspunde fiabil pe baza lor. Aceasta presupune structuri clare, surse actuale, responsabilități definite și acoperirea lacunelor identificate.
Șablon
Ingineria și extragerea caracteristicilor
Ingineria caracteristicilor (feature engineering) înseamnă selectarea, transformarea și crearea de atribute (caracteristici) pornind de la date brute, astfel încât un algoritm de învățare să poată detecta mai ușor tiparele. Extragerea caracteristicilor derivă valori compacte și semnificative din date complexe, precum texte, imagini sau semnale. Exemplu: înregistrările individuale de achiziție sunt transformate în caracteristici precum „zile de la ultima achiziție” sau „valoarea medie a comenzii”, ceea ce poate îmbunătăți vizibil o predicție a pierderii clienților.
Insight Engine
Un insight engine este o formă de căutare în întreprindere care reunește informații din multe surse, precum documente, e-mailuri, baze de date și aplicații, și le analizează cu tehnici IA. În loc de simple liste de rezultate, oferă răspunsuri pregătite, legături sau recomandări, adesea în contextul sarcinii curente. Termenul a fost popularizat în principal de analiștii din industrie. Exemplu: înaintea unei întâlniri cu un client, o echipă de vânzări vede într-un singur loc toate contractele, tichetele și notițele relevante.
Instruction Tuning
Instruction tuning este o formă de fine-tuning în care un model lingvistic pre-antrenat este antrenat în continuare pe multe perechi de instrucțiuni și răspunsuri dorite. Aceasta îl învață pe model să urmeze sarcini formulate în limbaj natural, nu doar să continue textul. Este un pas esențial în transformarea unui model de bază într-un asistent și este adesea combinat cu metode precum RLHF. Exemplu: „Rezumă acest text în trei propoziții” este executat fiabil.
Instrucțiune
Sarcina fixă a unui agent: rol, ton, limite. Numită adesea „prompt”.
KI.ordo
Instrument de reformulare a paragrafelor
Un instrument de reformulare a paragrafelor este un instrument IA care reformulează un pasaj existent fără a-i schimba conținutul. Obiectivele obișnuite sunt un alt ton, o versiune mai scurtă, un limbaj mai simplu sau mai puține repetiții. Acest lucru este util, de exemplu, atunci când un text tehnic intern trebuie să devină mai clar pentru clienți. Conținutul și faptele trebuie totuși verificate ulterior, deoarece reformularea poate modifica nuanțele.
Șablon
Instrument de reformulare a propozițiilor
Un instrument de reformulare a propozițiilor reformulează propoziții individuale sau pasaje scurte fără a schimba sensul. Poate simplifica o propoziție, o poate face să sune mai formal sau mai prietenos, o poate scurta sau poate evita repetițiile. Este util, de exemplu, pentru răspunsurile către clienți, pentru textele de produs sau atunci când o propoziție sună nenatural. O verificare rapidă rămâne totuși importantă, pentru a se asigura că termenii tehnici, cifrele și afirmațiile rămân corecte după reformulare.
Șablon
Inteligența artificială generală (AGI)
Inteligența artificială generală (AGI) desemnează un sistem IA ipotetic, capabil să facă față unei game largi de sarcini intelectuale la nivel uman și să transfere flexibil ceea ce a învățat în domenii noi. Sistemele actuale se descurcă bine la multe sarcini, dar arată încă limite, de exemplu în privința fiabilității. Nu există o definiție sau o metodă de măsurare general acceptată, iar dacă și când va fi atinsă AGI este disputat între experți.
Interpretabilitatea modelului
Interpretabilitatea modelului descrie cât de bine pot înțelege oamenii cum ajunge un model de IA la rezultatele sale. Modelele simple, precum arborii de decizie, sunt din start ușor de citit; în cazul rețelelor neuronale complexe, pot ajuta tehnicile care evidențiază influența caracteristicilor individuale. Interpretabilitatea contează pentru depanare, pentru încredere și pentru cerințele de reglementare, de exemplu atunci când respingerea unui credit trebuie justificată.
Îmbogățirea conținutului
Îmbogățirea conținutului înseamnă adăugarea de structură și informații suplimentare la un text existent, precum titluri, o schiță, un rezumat, cuvinte-cheie sau metadate. Modelele IA pot face acest lucru rapid și constant, făcând conținutul mai ușor de găsit, de citit și de reutilizat. Regula esențială este să se organizeze ce există deja, nu să se inventeze fapte noi. Exemplu: notițe brute de la o ședință devin un proces-verbal structurat, cu rezumat.
Șablon
Îmbogățirea datelor B2B
Îmbogățirea datelor B2B adaugă informații la înregistrările existente despre companii – de exemplu într-un CRM –, precum domeniul de activitate, oferta, sediul, dimensiunea companiei sau site-ul. Acest lucru facilitează segmentarea, evaluarea lead-urilor (lead scoring) și abordarea de vânzări bine țintită. Sursele includ site-uri publice, registre și furnizori de date specializați. Datele cu caracter personal ale persoanelor de contact intră sub incidența RGPD și trebuie prelucrate cu moderație și numai pe baza unui temei juridic.
Șablon
Înlănțuirea modelelor
Înlănțuirea modelelor înseamnă conectarea în serie a mai multor modele sau pași de IA, astfel încât rezultatul unui pas să devină intrarea următorului. Sarcinile complexe pot fi astfel descompuse în subsarcini ușor de gestionat, care pot fi verificate și îmbunătățite individual. Exemplu: un pas rezumă o solicitare a unui client, al doilea o repartizează unui departament, iar al treilea redactează răspunsul.
Înțelegerea limbajului natural (NLU)
Înțelegerea limbajului natural este partea prelucrării limbajului care surprinde sensul unui enunț: ce intenție se află în spatele lui, ce persoane, locuri sau date sunt menționate și care este tonul? Împreună cu generarea limbajului natural (NLG), NLU formează una dintre cele două laturi ale NLP. Un exemplu este un sistem de servicii pentru clienți care recunoaște „Coletul meu tot nu a ajuns” ca pe o solicitare privind livrarea.
Învățare adaptivă
Învățarea adaptivă desemnează programele de învățare care se adaptează continuu la cunoștințele, ritmul și greșelile cursantului. Software-ul analizează răspunsurile și selectează apoi exerciții, explicații sau recapitulări potrivite. Se utilizează în școli, universități și formarea profesională din companii – de exemplu, atunci când o platformă oferă automat un pas intermediar mai ușor după ce o sarcină a fost rezolvată greșit. În învățarea automată, termenul descrie și modelele care se adaptează continuu la date noi.
Învățare automată
Machine learning este o ramură a inteligenței artificiale în care computerele deduc tipare din date, în loc ca fiecare regulă să fie programată explicit. În funcție de sarcină, modelele învață din exemple etichetate (supervizat), din date neetichetate (nesupervizat) sau prin recompense (prin întărire). Aplicațiile merg de la filtrele de spam și prognozele de cerere până la recomandările de produse. Calitatea depinde în mare măsură de cantitatea și calitatea datelor de antrenare.
Învățare automată adversarială
Învățarea automată adversarială studiază modul în care modelele IA pot fi induse în eroare prin date de intrare sau date de antrenare manipulate intenționat – și cum pot fi protejate. Exemple cunoscute sunt modificările abia vizibile ale imaginilor, care schimbă o clasificare, sau datele de antrenare otrăvite. Subiectul devine relevant pentru organizații de îndată ce IA sprijină decizii relevante pentru securitate. Contramăsurile includ antrenarea robustă, verificarea datelor de intrare, monitorizarea și testele de securitate periodice.
Învățare nesupravegheată
În învățarea nesupravegheată, un model primește date fără răspunsuri corecte predefinite și caută singur structuri. Metodele tipice sunt clusteringul, care grupează înregistrări similare, și reducerea dimensionalității, care condensează multe caracteristici în câteva esențiale. Organizațiile o folosesc pentru a descoperi segmente de clienți sau pentru a depista tranzacții neobișnuite; grupurile găsite trebuie apoi interpretate de experți în domeniu.
Învățare semisupravegheată
Învățarea semisupravegheată combină o cantitate mică de date etichetate cu o cantitate mare de date neetichetate. Modelul învață mai întâi din puținele exemple cu răspunsuri cunoscute și apoi folosește tiparele din restul datelor pentru a se îmbunătăți – de exemplu preluând predicțiile sigure ca exemple suplimentare de antrenare. Se justifică atunci când etichetarea este costisitoare, ca în cazul imaginilor medicale sau al miilor de tichete de suport.
Învățare supravegheată
În învățarea supravegheată, un model învață din exemple pentru care răspunsul corect este deja cunoscut, precum e-mailurile etichetate „spam” sau „nu este spam”. Din ele deduce reguli pentru a clasifica cazuri noi, nevăzute, sau pentru a prezice valori. Sarcinile tipice sunt clasificarea și regresia; cea mai mare parte a efortului constă în crearea unor date etichetate corect.
Învățare zero-shot
Învățarea zero-shot înseamnă că un model poate rezolva o sarcină fără să fi văzut în prealabil exemple concrete ale ei. Modelele lingvistice de mari dimensiuni pot, de exemplu, să efectueze o traducere sau o clasificare doar pe baza unei descrieri din prompt. Dacă calitatea nu este suficientă, ajută adesea învățarea few-shot: adăugați câteva exemple ale răspunsului dorit.
Învățarea prin întărire (RL)
Învățarea prin întărire este o ramură a învățării automate în care un agent învață prin încercare și eroare. Acționează într-un mediu, primește recompense pentru rezultate bune și penalizări pentru cele rele și își dezvoltă astfel o strategie care maximizează recompensa totală. Exemple cunoscute sunt programele care stăpânesc jocuri de societate precum Go, controlul roboților și reglajul fin al modelelor lingvistice pe baza evaluărilor umane.
Învățarea prin întărire pe baza feedbackului uman (RLHF)
RLHF este o metodă de antrenare care face modelele lingvistice mai utile și mai sigure. Oamenii compară și evaluează mai multe răspunsuri ale modelului; aceste judecăți sunt folosite pentru a antrena un model de recompensă, care antrenează apoi, prin învățare prin întărire, chiar modelul lingvistic. Acesta învață astfel, de exemplu, să răspundă mai clar sau să refuze solicitările problematice. RLHF are loc la furnizorul modelului, înainte ca un model să fie lansat – nu la utilizatorii individuali.
Jailbreaking
Jailbreaking desemnează încercările de a ocoli regulile de siguranță ale unui model IA prin intrări formulate inteligent, astfel încât acesta să producă conținut sau să întreprindă acțiuni pe care ar trebui să le refuze. Pentru organizații, acesta este un risc, deoarece un chatbot ar putea, de exemplu, să dezvăluie instrucțiuni confidențiale sau să răspundă nepotrivit. Măsurile de protecție includ instrucțiuni de sistem clare, filtrarea intrărilor și ieșirilor, permisiuni limitate, înregistrare în jurnal și teste de securitate periodice (red teaming).
Șablon
Jasper
Jasper este o platformă IA pentru echipele de marketing, a Jasper AI, o companie americană înființată în 2021. Ajută la crearea de texte, precum articole de blog, reclame sau postări pe rețelele sociale, și poate ține cont de ghidurile de brand și de tonul vocii memorate. Furnizorul se poziționează acum în jurul agenților specializați și al fluxurilor automatizate de conținut (situația la octombrie 2026). Ca în cazul oricărui generator de text, faptele și afirmațiile trebuie verificate înainte de publicare.
Jupyter Notebook
Jupyter Notebook este o aplicație open-source, bazată pe browser, a Project Jupyter, care combină într-un singur document cod executabil, rezultate, grafice și text explicativ. Notebook-urile sunt larg folosite în analiza datelor, machine learning, cercetare și predare, deoarece fiecare pas poate fi documentat și partajat într-un mod trasabil. Python este cel mai des folosit limbaj. Exemplu: un analist încarcă datele de vânzări, le curăță și afișează rezultatele sub formă de grafic chiar dedesubt.
K-Nearest Neighbours (cei mai apropiați k vecini)
K-nearest neighbours (k-NN) este o metodă simplă de învățare supervizată. Pentru a clasifica un punct de date nou, caută cele mai asemănătoare k exemple cunoscute și preia clasa lor cea mai frecventă sau, pentru valori numerice, media lor. Nu are nevoie de o fază reală de antrenare, dar devine lentă la seturi mari de date și este sensibilă la modul în care sunt scalate caracteristicile. Exemplu: recomandări de produse pe baza unor clienți similari.
Kaggle
Kaggle este o platformă online pentru data science și machine learning, deținută de Google din 2017. Oferă seturi de date publice, concursuri bazate pe probleme reale, notebook-uri în browser cu resurse de calcul și cursuri. Pentru organizații și cursanți este utilă pentru a încerca metode, a compara abordări sau a depista talente. Licența și proveniența oricărui set de date trebuie verificate înainte de utilizare.
Keras
Keras este o bibliotecă Python open-source pentru construirea și antrenarea rețelelor neuronale, dezvoltată inițial de François Chollet. Oferă o interfață accesibilă, de nivel înalt, pentru asamblarea modelelor din straturi. Începând cu versiunea 3, Keras poate rula pe JAX, TensorFlow sau PyTorch drept backend de calcul. Exemplu: o echipă construiește un prototip de model de clasificare a imaginilor în doar câteva linii de cod.
KNIME
KNIME este un software de analiză a datelor în care fluxurile de lucru se asamblează vizual din blocuri („noduri”), în loc să fie programate. KNIME Analytics Platform, open-source, acoperă importul datelor, curățarea, analiza, machine learning și raportarea, în timp ce ofertele comerciale ale furnizorului adaugă colaborare și operare în cadrul organizațiilor. Un exemplu tipic este un flux de lucru care unește datele lunare de vânzări din mai multe fișiere Excel, le curăță și generează o prognoză.
Kubeflow
Kubeflow este o platformă open-source pentru rularea fluxurilor de lucru de machine learning pe Kubernetes, de la pregătirea datelor, prin antrenare și căutarea hiperparametrilor, până la servirea modelelor. Inițiat inițial de Google, proiectul aparține Cloud Native Computing Foundation, unde a atins statutul „graduated” în august 2026 (situația la octombrie 2026). Se adresează în principal echipelor care antrenează la scară largă propriile modele, pe infrastructură proprie sau în cloud.
Lacună de cunoștințe
O întrebare pentru care un agent nu a găsit nimic în cunoștințele sale. KI.ordo le colectează, ca să puteți completa lacunele.
KI.ordo
LangChain
LangChain este un framework open-source pentru Python și JavaScript, pe care dezvoltatorii îl folosesc pentru a construi aplicații bazate pe modele lingvistice. Oferă interfețe unificate către mulți furnizori de modele, precum și blocuri pentru apelarea instrumentelor, agenți, prelucrarea documentelor și retrieval-augmented generation. Începând cu versiunea 1.0 (octombrie 2025), agenții LangChain sunt construiți pe LangGraph. Utilizări tipice sunt chatbot-urile care caută în documente interne și agenții care apelează servicii externe.
LangGraph
LangGraph este un framework open-source din ecosistemul LangChain pentru modelarea agenților IA și a proceselor în mai mulți pași sub forma unui graf de noduri și muchii. O stare comună este transmisă de la un pas la altul, iar buclele, ramificațiile, punctele de control și întreruperile pentru aprobare umană sunt integrate. Versiunea 1.0 a fost lansată în octombrie 2025. Un exemplu este un agent care cercetează un subiect, scrie o ciornă și așteaptă aprobarea înainte de a o trimite.
LazyGraphRAG
LazyGraphRAG este o abordare a retrieval-augmented generation bazate pe grafuri, prezentată de Microsoft Research în 2024. Spre deosebire de GraphRAG, nu pune un model lingvistic să creeze rezumate în timpul indexării; în schimb, identifică conceptele și co-apariția lor prin procesare clasică a limbajului natural, iar modelul lingvistic este folosit abia în momentul interogării. Potrivit Microsoft, aceasta aduce costurile de indexare la nivelul RAG vectorial de bază. Este potrivită în special pentru întrebările care cer o privire de ansamblu asupra unor colecții mari de documente.
Lead routing
Lead routing înseamnă atribuirea automată a solicitărilor primite persoanei, departamentului sau regiunii responsabile. Criteriile pot include subiectul, produsul, mărimea companiei, limba sau urgența. IA poate înțelege și categorisi textul liber al unei solicitări, de exemplu dacă se referă la o ofertă nouă, la o problemă de suport sau la o candidatură. Un routing rapid și precis scurtează timpii de răspuns și previne rămânerea solicitărilor fără răspuns.
Șablon
Lead Scraper
Un lead scraper este un instrument care colectează automat datele de contact ale potențialilor clienți de pe site-uri web, din directoare sau rețele sociale. În Germania și în UE, acest lucru este sensibil din punct de vedere juridic: numele și adresele de e-mail ale persoanelor de contact sunt date cu caracter personal, astfel încât prelucrarea lor necesită un temei juridic și informarea persoanelor vizate conform RGPD, iar potrivit legii germane privind concurența neloială (UWG, secțiunea 7), e-mailurile publicitare necesită, în general, consimțământ expres prealabil, inclusiv față de companii. Solicitările primite prin site-ul dumneavoastră, conținutul și recomandările reprezintă calea mai bună (nu constituie consultanță juridică).
Șablon
Lexile Framework
Lexile Framework for Reading este un sistem dezvoltat de compania americană MetaMetrics, care măsoară pe aceeași scală atât abilitatea de citire a unei persoane, cât și dificultatea unui text. Valorile se exprimă cu un „L”, de exemplu 850L; un text se potrivește bine atunci când valoarea lui este apropiată de cea a cititorului. Se bazează în principal pe lungimea propozițiilor și pe frecvența cuvintelor. Sistemul este larg utilizat în școli și în editură, în special în țările anglofone.
LightGBM
LightGBM este o bibliotecă open-source pentru gradient boosting cu arbori de decizie, dezvoltată inițial de Microsoft. Este concepută pentru viteză și consum redus de memorie, printre altele prin antrenare bazată pe histograme și prin arbori care cresc frunză cu frunză, la cea mai promițătoare frunză. LightGBM este potrivită în special pentru seturi mari de date tabelare, de exemplu prognoze de vânzări, predicția pierderii clienților sau detectarea fraudelor, și este adesea comparată cu XGBoost.
Limită de tokeni
Plafon lunar pentru utilizarea IA a unui spațiu de lucru.
KI.ordo
Lipsa datelor
Lipsa datelor apare atunci când există prea puține date adecvate sau etichetate pentru ca o sarcină IA să poată antrena sau testa un model în mod fiabil. Aceasta afectează, de exemplu, tipurile rare de defecte din producție, limbile de nișă sau produsele noi fără istoric de vânzări. Soluțiile includ transfer learning, date sintetice, augmentarea datelor sau modele lingvistice pre-antrenate, care oferă rezultate utile chiar și cu puține exemple.
Lizibilitate
Lizibilitatea descrie cât de ușor poate fi citit și înțeles un text. Depinde de lungimea propozițiilor, lungimea cuvintelor, termenii tehnici, structura frazelor și aspectul paginii și poate fi aproximată cu formule precum indicele Flesch sau LIX. Lizibilitatea bună contează pentru comunicarea cu clienții, instrucțiuni, site-uri web și conținut accesibil. Formulele oferă totuși doar o orientare; dacă un text este clar depinde, în ultimă instanță, de public.
Șablon
LLaMA (Meta)
LLaMA, scris acum de obicei „Llama”, este o familie de modele lingvistice de mari dimensiuni de la Meta. Multe versiuni au fost lansate cu ponderi descărcabile, sub licență proprie Meta, permițând organizațiilor să le ruleze și să le adapteze pe propria infrastructură. Cea mai recentă generație majoră este Llama 4 (2025); în 2026, Meta a introdus și seria de modele Muse, dintre care doar o parte este lansată deschis (situația la octombrie 2026).
llms.txt
llms.txt este un fișier text Markdown plasat în directorul rădăcină al unui site web, care oferă modelelor lingvistice o prezentare concisă a celui mai important conținut, cu linkuri. Ideea a fost lansată de Jeremy Howard (Answer.AI) în septembrie 2024. Este o propunere, nu un standard oficial; marii furnizori de IA nu s-au angajat să îl citească (situația la octombrie 2026). Completează robots.txt și sitemap-ul, dar nu le înlocuiește.
Log loss
Log loss (pierdere logaritmică) măsoară cât de bine se potrivesc probabilitățile prezise de un model de clasificare cu rezultatele reale. Predicțiile făcute cu încredere, dar greșite, sunt penalizate deosebit de sever; o valoare apropiată de zero indică prognoze bine calibrate. Exemplu: dacă un model dă o probabilitate de 95% de pierdere pentru un client care rămâne, log loss crește brusc. Matematic, este același lucru cu entropia încrucișată binară.
Long Short-Term Memory (LSTM)
Long Short-Term Memory (LSTM) este un tip de rețea neuronală recurentă care poate păstra informații de-a lungul unor secvențe lungi. Așa-numitele porți decid la fiecare pas ce să stocheze, să uite sau să emită, ceea ce atenuează problema dispariției gradientului. Ani la rând, LSTM-urile au marcat recunoașterea vorbirii, traducerea și prognoza seriilor de timp. În procesarea limbajului au fost în mare parte înlocuite de transformere, dar rămân frecvente pentru datele de la senzori.
LSTM bidirecțional
Un LSTM bidirecțional (BiLSTM) este o rețea neuronală recurentă care citește o secvență atât înainte, cât și înapoi și combină cele două perspective. Astfel, este luat în considerare și contextul care urmează fiecărui cuvânt. Înainte ca modelele transformer să preia conducerea, era o alegere standard pentru sarcini precum etichetarea părților de vorbire, recunoașterea entităților denumite și recunoașterea vorbirii. Pentru texte foarte lungi și seturi mari de date, modelele transformer au de obicei performanțe mai bune în prezent.
Managementul proiectelor IA în cercetare-dezvoltare
Managementul proiectelor IA în cercetare-dezvoltare acoperă două lucruri: conducerea proiectelor în care se construiește IA și folosirea IA pentru a sprijini proiecte de cercetare-dezvoltare. Sarcinile tipice includ rezumarea literaturii, structurarea planurilor de experimente, urmărirea jaloanelor și documentarea rezultatelor. Deciziile de specialitate și aprobările ar trebui să rămână la oameni.
Manipularea ferestrei de context
Manipularea ferestrei de context desemnează atacurile care influențează deliberat textul pe care un model lingvistic îl prelucrează la un moment dat, de exemplu prin instrucțiuni ascunse în documente, părți anterioare fabricate ale unei conversații sau cantități mari de text de umplutură care împing regulile inițiale în plan secund. Protecția vine din separarea clară a instrucțiunilor de încredere de conținutul extern, limite de lungime, verificarea intrărilor și acordarea către agenți a unui număr cât mai mic de permisiuni.
Șablon
Marketing bazat pe IA
Marketingul bazat pe IA folosește tehnici IA pentru a înțelege mai bine grupurile-țintă, a crea conținut și a gestiona campanii. Aplicațiile tipice includ segmentarea, mesaje personalizate, prognoze ale probabilității de cumpărare, analiza feedbackului clienților și optimizarea reclamelor. Se bazează pe date colectate în mod legal și pe obiective clare, iar rezultatele trebuie verificate prin teste. Exemplu: un comerciant online trimite newslettere cu recomandări de produse potrivite comportamentului de cumpărare anterior.
Marketing personalizat
Marketingul personalizat înseamnă adaptarea mesajelor, ofertelor și momentului la clienți individuali sau la grupuri mici, în loc de a se adresa tuturor în același mod. Se bazează pe informații precum achizițiile anterioare, interesele sau motivul contactului. IA poate transforma acestea în texte potrivite, de exemplu un e-mail care face referire la un produs cumpărat recent. Este important să se folosească doar date pentru care s-a dat consimțământul și să se renunțe la detaliile sensibile.
Șablon
Matrice de confuzie
O matrice de confuzie este un tabel care compară predicțiile unui clasificator cu clasele reale. Pentru două clase, arată adevărații pozitivi, fals pozitivii, adevărații negativi și fals negativii. Pe baza ei se pot calcula metrici precum precizia, recall-ul și scorul F1 și devine clar ce erori apar. Exemplu: un filtru de spam care marchează multe e-mailuri legitime drept spam are mulți fals pozitivi, ceea ce este adesea mai costisitor decât un mesaj spam ratat.
Matrice de responsabilități
Un tabel care stabilește pentru fiecare sarcină cine execută (R), cine răspunde (A), cine este consultat (C) și cine este informat (I). Numită și RACI.
KI.ordo
Memorie asociativă
O memorie asociativă regăsește informațiile stocate după conținut, nu după o adresă: un indiciu parțial sau perturbat este suficient pentru a reconstitui întregul corespunzător – la fel cum primele măsuri ale unei melodii aduc în minte întreaga piesă. Rețelele Hopfield sunt un exemplu clasic în cercetarea IA. Principiul apare și în hardware (memorie adresabilă prin conținut) și în analizele mecanismului de atenție din modelele lingvistice moderne.
Metaprompt
Un metaprompt este o instrucțiune prin care un model lingvistic este rugat să redacteze sau să îmbunătățească el însuși prompturi ori instrucțiuni de sistem. Descrieți obiectivul, publicul țintă și tonul dorit și furnizați exemple; modelul generează apoi instrucțiuni structurate, cu un rol, reguli și limite. Astfel se obțin mai repede versiuni inițiale bune, pe care oamenii le testează și le perfecționează ulterior. Exemplu: „serviciu clienți pentru un magazin de biciclete” devine un set complet de instrucțiuni în versiune preliminară.
Șablon
Metodele Monte Carlo
Metodele Monte Carlo sunt tehnici de calcul care folosesc un număr foarte mare de eșantioane aleatorii pentru a aproxima rezultate dificil de calculat analitic. Un sistem este simulat de mii de ori, cu ipoteze variate aleatoriu, iar distribuția rezultatelor este analizată. Organizațiile le folosesc pentru analiza riscurilor, planificarea proiectelor sau evaluarea portofoliilor. În IA, metodele sunt utilizate, printre altele, în învățarea prin întărire și în căutarea în arbore pentru jocuri.
Mistral AI
Mistral AI este o companie de IA cu sediul la Paris, fondată în 2023 de Arthur Mensch, Guillaume Lample și Timothée Lacroix. Dezvoltă modele lingvistice de mari dimensiuni și oferă atât modele cu ponderi disponibile public, unele sub licența Apache 2.0, cât și modele comerciale prin propria platformă. Pentru organizațiile europene, Mistral AI este menționată frecvent în discuțiile despre suveranitatea datelor și despre rularea modelelor pe infrastructura proprie.
MLflow
MLflow este o platformă open-source pentru gestionarea întregului ciclu de viață al modelelor de învățare automată, lansată inițial de Databricks în 2018. Înregistrează experimentele cu parametrii și metricile lor, gestionează versiunile modelelor într-un registru și simplifică implementarea. Versiunile mai recente acceptă și urmărirea (tracing) și evaluarea aplicațiilor construite pe modele lingvistice. Echipele pot astfel urmări ce model a fost obținut cu ce date și ce setări.
Model Context Protocol (MCP)
Model Context Protocol (MCP) este un standard deschis care permite aplicațiilor de IA să acceseze într-un mod unitar instrumente, surse de date și servicii externe. Un server MCP pune la dispoziție funcții, iar un client MCP, de exemplu un asistent IA, le poate apela. Anthropic a introdus MCP în noiembrie 2024; din decembrie 2025 este dezvoltat sub egida Agentic AI Foundation din cadrul Linux Foundation (stare la octombrie 2026). Astfel nu mai este nevoie să se construiască separat fiecare integrare.
Model de fundație
Un model de fundație (foundation model) este un model IA de mari dimensiuni, pre-antrenat pe date foarte extinse și variate, care poate fi apoi folosit pentru multe sarcini diferite. Termenul a fost lansat la Universitatea Stanford în 2021. Exemple cunoscute sunt modelele lingvistice de mari dimensiuni, precum Claude sau GPT, dar și modelele de imagine. Companiile își construiesc de obicei aplicațiile pe astfel de modele, în loc să antreneze unul propriu de la zero; Regulamentul UE privind IA (AI Act) se referă la modele IA de uz general.
Model determinist
Un model determinist produce întotdeauna același rezultat pentru aceeași intrare, deoarece urmează reguli sau formule fixe și nu implică aleatoriu – de exemplu regula „5% reducere la comenzile de peste 100 €”. Modelele lingvistice de mari dimensiuni, în schimb, funcționează probabilistic: răspunsurile lor la aceeași întrebare pot varia. În practică, cele două se combină adesea pentru a echilibra flexibilitatea cu trasabilitatea.
Model lingvistic de mari dimensiuni (LLM)
Un model lingvistic de mari dimensiuni (LLM) este o rețea neuronală antrenată pe cantități foarte mari de text, ceea ce îi permite să înțeleagă și să genereze limbaj. Funcționează calculând, pas cu pas, cel mai probabil token următor. LLM-urile scriu, rezumă, traduc, răspund la întrebări și generează cod; exemple cunoscute sunt Claude, GPT, Gemini și Llama. Fără acces la surse actuale, ele știu doar ce se afla în datele lor de antrenare.
Model Markov ascuns (HMM)
Un model Markov ascuns (HMM) este un model statistic pentru secvențe, în care stările reale sunt ascunse și pot fi deduse doar din semnale observabile. Descrie probabilitatea ca o stare să fie urmată de alta și ca fiecare stare să producă o anumită observație. HMM-urile au fost mult timp standardul în recunoașterea vorbirii și în etichetarea părților de vorbire; astăzi sunt încă folosite, de exemplu, în bioinformatică și în analiza seriilor de timp.
Modelare predictivă
Modelarea predictivă este nucleul tehnic al analizei predictive: pe baza unor date-exemplu cu rezultate cunoscute se construiește un model care prezice o valoare sau o clasă pentru cazuri noi. Metodele uzuale includ regresia, arborii de decizie, pădurile aleatorii și rețelele neuronale. Un model poate estima, de exemplu, prețul unei proprietăți pornind de la suprafața locuibilă, amplasare și anul construcției. Înainte de utilizare, este testat pe date păstrate deoparte, pentru a detecta supraajustarea.
Modelarea secvențelor
Modelarea secvențelor cuprinde metode care prelucrează și prezic date aflate într-o ordine fixă, în care poziția fiecărui element contează. Secvențele tipice sunt textul, limbajul vorbit, seriile de timp, precum vânzările sau valorile senzorilor, și segmentele de ADN. Aplicațiile merg de la traducere și generare de text până la recunoașterea vorbirii și prognoza vânzărilor. În acest scop au fost folosite modelele Markov ascunse și rețelele recurente; astăzi, pentru limbaj domină modelele de tip transformer.
Modele discriminative
Modelele discriminative învață să distingă punctele de date determinând direct granița dintre clase – ele răspund la întrebarea „Cărei categorii îi aparține această intrare?”. Exemple sunt regresia logistică, mașinile cu vectori suport și multe clasificatoare neuronale, de pildă pentru detectarea spamului. Modelele generative, în schimb, surprind modul în care apar datele înseși și pot, prin urmare, produce exemple noi.
Modelul IA Flux
Flux este o familie de modele IA care generează și editează imagini pornind de la descrieri text. Este dezvoltat de Black Forest Labs, cu sediul la Freiburg im Breisgau, Germania. Prima generație a apărut în august 2024, iar FLUX.2 în noiembrie 2025, alături de variante pentru editarea imaginilor prin instrucțiuni text. Unele versiuni sunt disponibile cu ponderi deschise, parțial doar pentru utilizare necomercială, în timp ce altele sunt oferite exclusiv printr-un API (situația la octombrie 2026).
MXNet
Apache MXNet a fost un cadru (framework) open-source de învățare profundă, capabil să antreneze eficient modele pe mai multe GPU-uri și mașini, cu interfețe pentru Python, C++, R, Scala și alte limbaje. Amazon Web Services l-a susținut ani de zile ca framework preferat. Apache Software Foundation a retras proiectul în septembrie 2023 și l-a mutat în Apache Attic până în februarie 2024; nu mai este dezvoltat. Modelele existente sunt de regulă migrate către alte framework-uri.
Naive Bayes
Naive Bayes este o familie de metode simple de clasificare bazate pe teorema lui Bayes. Se numesc „naive” deoarece presupun că toate caracteristicile sunt independente unele de altele, ceea ce rareori este adevărat în practică, dar produce adesea rezultate bune. Metodele sunt rapide, au nevoie de puține date de antrenare și se potrivesc în mod deosebit textelor. Un exemplu clasic este filtrul de spam, care sortează e-mailurile pe baza cuvintelor tipice.
Net new business
Net new business (afaceri net noi) desemnează veniturile generate de clienți care nu existau anterior, spre deosebire de reînnoiri, upselling sau extinderea relației cu clienții existenți. Indicatorul arată cât de bine deschide o companie piețe și grupuri țintă noi, iar echipele de vânzări îl planifică și îl recompensează adesea separat. Exemplu: un furnizor de software raportează că 40% din comenzile primite într-un trimestru sunt net new business.
Șablon
Nivel de lectură
Nivelul de lectură indică nivelul de abilitate de citire pe care îl cere un text sau pe care l-a atins o persoană. În funcție de sistem, este exprimat ca o clasă școlară, ca o valoare pe o scală precum Lexile sau ca un nivel din programe școlare și cadre lingvistice, precum A2 sau B1 în Cadrul european comun de referință pentru limbi. În practică, ajută la adaptarea textelor la publicul vizat, de exemplu informațiile pentru clienți în limbaj simplu.
Șablon
Nivel de studii (grade level)
În cercetarea lizibilității, nivelul de studii (grade level) este o măsură a anului școlar de la care un text este înțeles în general. Un exemplu cunoscut este Flesch–Kincaid Grade Level, care calculează o clasă școlară americană pornind de la lungimea propozițiilor și de la numărul de silabe pe cuvânt; un scor de 8 corespunde aproximativ clasei a opta. Astfel de scoruri se transpun doar parțial în alte limbi, de aceea pentru germană se folosesc adesea formule adaptate, precum varianta Amstad a indicelui Flesch sau LIX.
Șablon
NLTK
NLTK (Natural Language Toolkit) este o bibliotecă Python open-source pentru prelucrarea limbajului natural, creată la University of Pennsylvania la începutul anilor 2000. Oferă instrumente pentru tokenizare, stemming, etichetarea părților de vorbire și clasificare simplă, precum și acces la numeroase corpusuri de texte. NLTK este folosită mai ales în predare și cercetare; aplicațiile de producție se bazează adesea pe biblioteci precum spaCy sau pe modele de tip transformer.
No-code
No-code desemnează instrumentele care permit construirea de aplicații, automatizări sau site-uri web prin interfețe grafice, fără a scrie cod de program. Echipele de business pot implementa și testa procesele singure, în loc să aștepte dezvoltarea de către IT. Limitele apar la cerințe foarte specializate, la volume mari de date sau la integrări profunde. Exemplu: o echipă de vânzări construiește prin drag and drop un flux care sortează și rezumă solicitările noi.
Normalizarea pe loturi
Normalizarea pe loturi (batch normalisation) este o tehnică de antrenare a rețelelor neuronale profunde care rescalează valorile intermediare ale unui strat, pentru fiecare lot de date, la o medie și o dispersie uniforme. Acest lucru face antrenarea mai stabilă și adesea mai rapidă, iar rețeaua devine mai puțin sensibilă la valorile inițiale. Introdusă în 2015, este frecventă în rețelele de recunoaștere a imaginilor; modelele transformer se bazează de obicei pe normalizarea pe straturi (layer normalisation), o tehnică înrudită.
NumPy
NumPy este biblioteca Python open-source fundamentală pentru calcul numeric. Oferă tablouri multidimensionale și funcții rapide pentru algebră liniară, statistică și numere aleatorii, nucleul ei rulând în cod compilat. Multe instrumente de analiză a datelor și de învățare automată, precum pandas, scikit-learn și numeroase biblioteci de vizualizare, sunt construite pe NumPy. Oricine lucrează cu date în Python o folosește deci aproape întotdeauna, direct sau indirect.
Ontologie
În informatică, o ontologie este un model formal al unui domeniu, care definește clar conceptele, proprietățile lor și relațiile dintre ele. Astfel, oamenii și mașinile pot interpreta datele în mod unitar și pot trage concluzii din ele. Ontologiile stau la baza multor grafuri de cunoștințe, sisteme de căutare semantică și proiecte de integrare a datelor. Exemplu: o ontologie de produse stabilește că o „bicicletă electrică” este o „bicicletă” și are o „baterie”.
Open Neural Network Exchange (ONNX)
Open Neural Network Exchange (ONNX) este un format de fișier deschis pentru modele de învățare automată, introdus în 2017 de Microsoft și Facebook (acum Meta) și găzduit în prezent de LF AI & Data Foundation. Un model antrenat, de exemplu, în PyTorch poate fi exportat în ONNX și rulat cu alte instrumente sau medii de execuție, precum ONNX Runtime. Astfel este mai ușor să se treacă de la un framework la altul și să se implementeze modelele pe hardware diferit.
OpenAI
OpenAI este o companie de IA cu sediul la San Francisco, fondată în 2015 ca organizație nonprofit. De la restructurarea din octombrie 2025, este alcătuită din organizația nonprofit OpenAI Foundation, care controlează societatea cu scop lucrativ OpenAI Group PBC (stare la octombrie 2026). OpenAI este cunoscută mai ales pentru ChatGPT și modelele lingvistice GPT, precum și pentru generatorul de imagini DALL·E și modelul de recunoaștere a vorbirii Whisper. Modelele sale sunt oferite prin aplicații și un API.
OpenCV
OpenCV (Open Source Computer Vision Library) este o bibliotecă software open-source pentru prelucrarea imaginilor și viziune artificială, a cărei dezvoltare a început la Intel în jurul anului 2000. Oferă mii de funcții, de exemplu pentru filtrarea imaginilor, detectarea contururilor și a fețelor, urmărirea obiectelor în video sau calibrarea camerelor. OpenCV este scrisă în C++, dar este folosită frecvent prin Python, de exemplu în controlul calității, în robotică și în cercetare.
Optimizarea hiperparametrilor
Hiperparametrii sunt setări stabilite înainte de antrenarea unui model, precum rata de învățare, numărul de straturi sau intensitatea regularizării. Optimizarea hiperparametrilor caută sistematic combinația cu cele mai bune rezultate pe datele de validare, de exemplu prin căutare în grilă, căutare aleatorie sau optimizare bayesiană. Valorile bine alese îmbunătățesc acuratețea și reduc supra- sau subînvățarea, dar căutarea costă timp de calcul.
Optimizarea pentru motoarele generative (GEO)
Optimizarea pentru motoarele generative (GEO) cuprinde măsurile prin care conținutul devine vizibil și este citat ca sursă de sistemele de căutare bazate pe IA, precum ChatGPT, Perplexity sau rezumatele IA din motoarele de căutare. Termenul provine dintr-o lucrare de cercetare din 2023. Factorii-cheie includ răspunsuri clare, ușor de citat direct, o structură curată, fapte dovedite, informații actuale și autori identificabili. GEO completează optimizarea clasică pentru motoarele de căutare (SEO), fără a o înlocui.
Șablon
Orchestrare ABM
Marketingul bazat pe conturi (ABM) concentrează marketingul și vânzările asupra unui set selectat de conturi de companii, în locul unor audiențe largi. Orchestrarea înseamnă coordonarea tuturor punctelor de contact: ce membru al comitetului de achiziție primește ce mesaj, prin ce canal și când. IA ajută prin consolidarea informațiilor despre companiile țintă, redactarea de mesaje specifice fiecărui rol și planificarea secvențelor prin e-mail, telefon, evenimente și rețele sociale.
Șablon
Organigramă
O diagramă a structurii unei companii: departamente, roluri și cine cui îi raportează.
KI.ordo
Overfitting
Supraajustarea (overfitting) apare atunci când un model memorează datele de antrenare, inclusiv particularitățile întâmplătoare și zgomotul, în loc să surprindă tipare general valabile. Pare apoi foarte precis pe datele cunoscute, dar are performanțe slabe pe date noi. O diferență mare între eroarea de antrenare și cea de testare este un semn tipic. Contramăsurile includ mai multe date sau date mai variate, modele mai simple, regularizare, dropout și validare încrucișată.
OWASP LLM Top 10
OWASP Top 10 for LLM Applications este o listă a celor mai importante riscuri de securitate din aplicațiile construite pe modele lingvistice de mari dimensiuni, publicată de OWASP GenAI Security Project. Ediția curentă din 2026 a apărut în august 2026 (stare la octombrie 2026) și cuprinde: prompt injection, divulgarea informațiilor sensibile, autonomie excesivă a agentului, lanțul de aprovizionare, otrăvirea datelor și a modelului, consum nelimitat, dezinformare, expunerea contextului ascuns, vulnerabilități ale vectorilor și ale embedding-urilor și gestionarea necorespunzătoare a rezultatelor. Servește drept listă de verificare pentru dezvoltare și audituri.
Șablon
pandas
pandas este o bibliotecă Python open-source pentru analiza și manipularea datelor tabelare, dezvoltată începând din 2008 de Wes McKinney. Obiectul ei central, DataFrame, seamănă cu un tabel cu coloane denumite. Cu ajutorul ei se pot încărca date din fișiere CSV, Excel sau baze de date și se pot curăța, filtra, grupa și combina. pandas este construită pe NumPy și este un instrument standard în analiza datelor, raportare și pregătirea datelor de antrenare.
Parafrazarea în comunicare
A parafraza înseamnă a reformula cu propriile cuvinte ce a spus cineva, fără a-i schimba sensul. În conversație este o tehnică de ascultare activă: verificați dacă ați înțeles corect și arătați atenție, de exemplu: „Dacă vă înțeleg corect, termenul de livrare este cel mai important pentru dumneavoastră?” În scris, parafrazarea ajută la a face conținutul mai clar, mai scurt sau mai potrivit pentru un anumit public.
Șablon
Parteneriat în domeniul IA
Un parteneriat în domeniul IA este o colaborare între organizații pentru a dezvolta, a introduce sau a modela în mod responsabil, împreună, soluții IA, de exemplu între companii și furnizori de tehnologie, universități sau institute de cercetare. Partenerii pun în comun expertiză, date, infrastructură sau costuri. Sunt esențiale înțelegeri clare privind utilizarea datelor, proprietatea intelectuală, răspunderea și opțiunile de ieșire. Termenul se referă și la inițiative precum Partnership on AI, o organizație nonprofit înființată în 2016.
Pathways Language Model (PaLM)
PaLM este un model lingvistic de mari dimensiuni de la Google, prezentat în 2022, cu 540 de miliarde de parametri și antrenat simultan pe numeroase cipuri TPU cu ajutorul sistemului de antrenare Pathways al Google. În 2023 a urmat PaLM 2, care a stat, printre altele, la baza chatbotului Bard. Între timp, Google a înlocuit PaLM cu modelele sale Gemini, iar API-ul PaLM pentru dezvoltatori a fost închis în august 2024. Astăzi, PaLM contează mai ales ca etapă importantă în dezvoltarea modelelor lingvistice de mari dimensiuni.
Perplexity AI
Perplexity AI este o companie din San Francisco, fondată în 2022, care operează un motor de căutare bazat pe IA. În loc de o listă de linkuri, oferă un răspuns scris care rezumă conținut web actual și citează sursele folosite. Pe lângă o versiune gratuită, există niveluri plătite cu posibilitatea de a alege modelele lingvistice, precum și browserul cu IA Comet (stare la octombrie 2026). Pentru companii, Perplexity este relevantă și pentru că schimbă modul în care este descoperit conținutul de pe web.
Pipeline de machine learning
Un pipeline de machine learning este o succesiune definită de pași care transformă datele brute într-un model gata de utilizare: colectarea și curățarea datelor, pregătirea caracteristicilor, antrenarea, evaluarea, punerea în producție și monitorizarea. Automatizarea acestor pași face rezultatele reproductibile și permite prelucrarea datelor noi cu efort redus. Un comerciant, de exemplu, își poate reantrena și testa în fiecare săptămână modelul de prognoză a vânzărilor folosind cele mai recente cifre.
Pipeline de regăsire
Un pipeline de regăsire este succesiunea de pași de prelucrare prin care un sistem găsește informațiile potrivite pentru o întrebare. Pașii tipici sunt: preluarea și curățarea documentelor, împărțirea lor în fragmente (chunk-uri), crearea unui index de căutare, eventual reformularea interogării, regăsirea potrivirilor, ordonarea lor (reranking) și transmiterea celor mai bune către modelul lingvistic. Este fundamentul oricărei aplicații RAG, iar calitatea sa determină în mare măsură cât de bune sunt răspunsurile obținute.
Planificare
Pornește automat un flux, de exemplu din oră în oră, zilnic, în zilele lucrătoare sau săptămânal.
KI.ordo
Potrivirea aproximativă (fuzzy matching)
Potrivirea aproximativă (fuzzy matching) găsește intrări asemănătoare, dar nu identice – de exemplu din cauza greșelilor de tastare, a abrevierilor sau a ortografiilor diferite. Se bazează pe măsuri de similitudine, precum distanța Levenshtein, care numără câte caractere trebuie modificate. O utilizare tipică este găsirea dublurilor în datele de adrese și de clienți: „Popescu SRL, Str. Mare 5” și „Popescu S.R.L., Strada Mare 5” sunt recunoscute ca probabil aceeași înregistrare.
Șablon
Precizia medie medie (mAP)
Mean average precision (mAP) este o metrică ce evaluează cât de bine găsește un sistem rezultatele relevante și le plasează în partea de sus. Precizia medie se calculează de-a lungul listei de rezultate pentru fiecare interogare sau clasă de obiecte; mAP este media tuturor acestora. Este o măsură standard pentru motoarele de căutare, sistemele de recomandare și detectarea obiectelor în imagini, unde depinde și de suprapunerea cerută a casetelor de încadrare.
Prelucrarea inteligentă a documentelor (IDP)
Prelucrarea inteligentă a documentelor (IDP) citește automat documente precum facturi, contracte sau formulare, le identifică tipul și transformă detaliile relevante în date structurate. Combină recunoașterea textului pentru documentele scanate, procesarea limbajului natural și reguli de validare. Organizațiile economisesc introducerea manuală a datelor și accelerează procese precum tratarea facturilor sau a corespondenței primite. Câmpurile incerte ar trebui verificate de oameni.
Șablon
Prelucrarea limbajului natural (NLP)
Prelucrarea limbajului natural este ramura IA care permite calculatoarelor să analizeze, să înțeleagă și să genereze limbajul uman în text sau vorbire. Cuprinde sarcini precum traducerea, clasificarea, rezumarea, analiza sentimentelor și răspunsul la întrebări. Cândva dominau regulile și metodele statistice; astăzi domeniul este modelat de modelele lingvistice de mari dimensiuni.
Procese de certificare a IA
Procesele de certificare a IA sunt proceduri în care un organism independent verifică dacă o organizație sau un sistem IA îndeplinește cerințe definite. Un exemplu larg utilizat este certificarea conform ISO/IEC 42001 (publicat în 2023), care descrie un sistem de management pentru utilizarea responsabilă a IA; cerințele pentru organismele de certificare sunt stabilite în ISO/IEC 42006 (2025). Un astfel de certificat este voluntar și nu înlocuiește evaluarea conformității pe care AI Act o impune pentru sistemele cu risc ridicat (situația la octombrie 2026).
Prompt
Un prompt este intrarea care îi spune unui model de IA ce să facă – o întrebare, o sarcină sau o instrucțiune, adesea completată cu context, exemple și formatul dorit. Calitatea răspunsului depinde în mare măsură de cât de clar și complet este promptul. De exemplu, în loc de „Scrie ceva despre produsul nostru”, folosiți „Scrie trei avantaje scurte ale produsului X pentru firmele din domeniul meșteșugurilor, pe un ton obiectiv”.
Șablon
Prompt injection indirect
În cazul unui prompt injection indirect, instrucțiunile manipulatoare nu se află în intrarea utilizatorului, ci sunt ascunse în conținutul pe care un sistem IA îl prelucrează pe parcurs, precum pagini web, e-mailuri sau documente. Când un agent citește un astfel de conținut, poate confunda comenzile ascunse cu sarcini reale și, de exemplu, poate divulga date. Măsurile de protecție includ tratarea conținutului extern strict ca date, limitarea permisiunilor, filtrarea intrărilor și solicitarea aprobării umane pentru acțiunile critice.
Șablon
Prompt leaking
Prompt leaking (scurgerea promptului) desemnează dezvăluirea neintenționată a instrucțiunilor interne ale unui sistem de IA, de exemplu atunci când un chatbot își dezvăluie promptul de sistem ca răspuns la o solicitare formulată abil. Devine o problemă dacă acele instrucțiuni conțin logică de business, informații interne sau chiar date de acces. Lista OWASP pentru aplicațiile LLM menționează explicit acest risc. Cea mai eficientă protecție este să scrieți instrucțiunile ca și cum ar putea deveni publice, să nu stocați niciodată secrete în ele și să verificați și rezultatele.
Șablon
Prompt negativ
Un prompt negativ precizează ce nu trebuie să genereze sau să facă în mod explicit un model de IA. La generarea de imagini, de exemplu cu Stable Diffusion, este un câmp de introducere separat pentru elemente nedorite precum „neclar” sau „text în imagine”. La modelele lingvistice ia forma unor reguli în instrucțiuni, precum „Nu inventa prețuri” sau „Nu oferi consultanță juridică”. Astfel de limite fac rezultatele mai previzibile, dar nu înlocuiesc verificarea.
Prompting recursiv
Prompting-ul recursiv desemnează tehnici în care rezultatul unui model lingvistic este reintrodus ca intrare nouă – de exemplu pentru a verifica și revizui o ciornă sau pentru a descompune pas cu pas o sarcină mare în subsarcini. De exemplu, se produce mai întâi o ciornă de ofertă, modelul o evaluează apoi pe baza unei liste de verificare și, în final, ea este îmbunătățită. Aceasta ridică adesea calitatea, dar costă timp suplimentar de procesare și necesită un criteriu clar de oprire.
PyTorch
PyTorch este un framework open-source pentru învățare automată și învățare profundă în limbajul de programare Python. A fost dezvoltat inițial la Meta (pe atunci Facebook) și este administrat din 2022 de PyTorch Foundation, sub egida Linux Foundation. PyTorch este larg răspândit în cercetare și industrie deoarece le permite dezvoltatorilor să construiască flexibil modele, să le antreneze pe GPU-uri și să le testeze pas cu pas; multe modele lingvistice și de imagine cunoscute sunt construite cu el.
Q-learning
Q-learning este o metodă fundamentală de învățare prin întărire. Un agent învață prin încercare și eroare ce valoare pe termen lung (valoarea „Q”) are o anumită acțiune într-o anumită situație și, în timp, alege acțiunile cele mai promițătoare. Pentru aceasta nu are nevoie de un model al mediului său. Combinat cu rețele neuronale (deep Q-learning), un sistem DeepMind a folosit această abordare pentru a învăța să joace multe jocuri video Atari doar pe baza pixelilor de pe ecran.
R pătrat ajustat
R pătrat ajustat măsoară cât de bine explică un model de regresie variația datelor, corectat în funcție de numărul de predictori utilizați. R pătrat simplu crește cu fiecare variabilă suplimentară, chiar și cu una care nu aduce nimic; versiunea ajustată penalizează variabilele inutile. Acest lucru permite o comparație mai echitabilă între modele de dimensiuni diferite, de exemplu o prognoză a vânzărilor cu trei factori în loc de zece.
Raportarea conformității
Raportarea conformității este documentarea periodică și trasabilă a faptului dacă o organizație respectă cerințele legale, standardele și politicile interne. Un raport tipic prezintă perioada și domeniul de aplicare, stadiul fiecărei cerințe, abaterile, precum și măsurile cu responsabili și termene. Servește conducerii, consiliilor de supraveghere, auditorilor sau autorităților drept dovadă, de exemplu în privința protecției datelor sau a securității informațiilor.
Șablon
Rata de adoptare a IA
Rata de adoptare a IA indică ce parte dintre companii, angajați sau gospodării folosesc IA și servește drept măsură a răspândirii tehnologiei. Potrivit Oficiului Federal de Statistică al Germaniei (Destatis), 20% dintre companiile germane cu zece sau mai mulți angajați foloseau IA în 2024 (2023: 12%). Asociația digitală Bitkom a constatat o pondere de 36% în 2025 în rândul companiilor cu 20 sau mai mulți angajați. Din cauza definițiilor și eșantioanelor diferite, studiile sunt comparabile doar parțial.
Raționament multi-hop
Raționamentul multi-hop este capacitatea unui sistem de IA de a răspunde la o întrebare prin mai multe inferențe succesive, adesea combinând informații din surse diferite. Exemplu: „Ce departament este condus de persoana responsabilă de proiectul X?” cere mai întâi identificarea persoanei responsabile și apoi a departamentului ei. Astfel de întrebări sunt dificile pentru sistemele de căutare și RAG, deoarece fiecare pas intermediar trebuie găsit și legat corect.
Răspunsul la întrebări
Răspunsul la întrebări (question answering, QA) este un domeniu al procesării limbajului natural în care un sistem răspunde direct la întrebări puse în limbaj de zi cu zi, în loc să returneze o listă de rezultate de căutare. Sistemele moderne caută pasaje relevante într-o bază de cunoștințe și compun din ele un răspuns, ideal cu trimitere la sursă. Utilizări tipice sunt serviciul clienți, bazele de cunoștințe interne și manualele – de exemplu, întrebarea adresată regulamentului intern: „Câte zile de concediu primesc în primul an?”
Șablon
Recall în învățarea automată
Recall-ul (numit și sensibilitate sau rata pozitivelor reale) măsoară ce parte din cazurile pozitive reale detectează un model: pozitivele identificate corect împărțite la toate pozitivele reale. Dacă un filtru antifraudă prinde 80 din 100 de cazuri reale de fraudă, recall-ul său este 0,8. Un recall ridicat contează atunci când cazurile ratate sunt costisitoare, de exemplu în diagnosticul medical. Fiindcă ignoră alarmele false, este de obicei analizat împreună cu precizia, de exemplu în scorul F.
Reconstrucție 3D
Reconstrucția 3D cuprinde metodele care calculează un model tridimensional al unui obiect sau spațiu pe baza fotografiilor, a înregistrărilor video sau a datelor de la senzori. Abordările tipice compară mai multe imagini realizate din unghiuri diferite sau evaluează datele de adâncime furnizate de senzori laser și de adâncime. Se utilizează în topografie, conservarea patrimoniului, medicină, robotică și comerțul electronic – de exemplu, pentru a transforma o scanare făcută cu smartphone-ul într-un model 3D al produsului, care poate fi rotit.
Recunoașterea entităților denumite (NER)
Recunoașterea entităților denumite (NER) este o tehnică de procesare a limbajului natural care găsește în text nume de persoane, companii și locuri, precum și date calendaristice sau sume, și atribuie fiecăruia o categorie. Transformă textul liber în date structurate. Exemplu: compania expeditorului, persoana de contact, data livrării și suma facturii sunt extrase automat dintr-un e-mail și transferate într-un CRM.
Șablon
Recunoașterea imaginilor
Recunoașterea imaginilor este un domeniu al viziunii computerizate în care un software identifică ce arată o imagine – obiecte, persoane, texte, logouri sau scene. Se bazează de obicei pe rețele neuronale antrenate pe un număr mare de imagini etichetate. Aplicațiile variază de la controlul calității în producție și sortarea fotografiilor de produse până la sprijinirea imagisticii medicale. În cazul imaginilor cu persoane, protecția datelor și posibilele prejudecăți necesită o atenție deosebită.
Recunoașterea optică a caracterelor (OCR)
Recunoașterea optică a caracterelor (OCR) transformă textul conținut în imagini, precum scanări, fotografii sau faxuri, în text care poate fi citit de mașini. Doar astfel documentele pot fi căutate, copiate sau prelucrate automat. OCR-ul modern folosește rețele neuronale și poate recunoaște și tabele, structuri de pagină și, în unele cazuri, scrisul de mână. Utilizările tipice includ prelucrarea facturilor, digitizarea arhivelor și citirea formularelor; calitatea depinde mult de calitatea imaginii.
Recunoașterea textului din scene (STR)
Recunoașterea textului din scene citește textul care apare în fotografii și videoclipuri ale mediului real, precum indicatoare stradale, ambalaje sau numere de înmatriculare. Spre deosebire de OCR-ul clasic pentru documente scanate, trebuie să facă față perspectivelor oblice, luminii variabile, fonturilor neobișnuite și fundalurilor încărcate. O abordare tipică funcționează în două etape: mai întâi localizarea zonelor de text, apoi recunoașterea caracterelor din ele.
Recunoașterea tiparelor
Recunoașterea tiparelor este identificarea automată a regularităților, structurilor sau caracteristicilor recurente în date precum imagini, sunete, texte sau măsurători. Sistemele atribuie observații noi unor categorii cunoscute sau descoperă grupuri fără etichete predefinite. Aplicațiile includ recunoașterea facială, recunoașterea scrisului de mână, controlul calității în producție și depistarea tranzacțiilor neobișnuite. Disciplina este o bază importantă a învățării automate.
Recunoașterea vorbirii (speech to text)
Recunoașterea vorbirii, numită și ASR (automatic speech recognition), transformă automat limbajul vorbit în text scris. Sistemele moderne folosesc rețele neuronale antrenate pe cantități mari de înregistrări audio și se descurcă relativ bine cu accentele și zgomotul de fond. Aplicațiile includ dictarea, subtitrarea, asistenții vocali și transcrierea ședințelor și a apelurilor cu clienți. Termenii tehnici, numele proprii și calitatea slabă a sunetului rămân surse frecvente de erori.
Red teaming pentru IA
Red teamingul pentru IA este examinarea structurată a unui sistem IA din perspectiva potențialilor atacatori sau a utilizării abuzive. Specialiștii testează în mod controlat dacă un chatbot dezvăluie instrucțiuni confidențiale, poate fi determinat să aibă un comportament nedorit, oferă fapte false sau expune date. Constatările contribuie la îmbunătățirea instrucțiunilor, a filtrelor și a permisiunilor. Un audit de securitate pentru chatbot este o formă mai ușoară: evaluează configurația și conversațiile exemplificative în raport cu domenii de risc cunoscute, precum OWASP Top 10 pentru aplicații LLM.
Șablon
Reducerea dimensionalității
Reducerea dimensionalității scade numărul de caracteristici dintr-un set de date fără a pierde informațiile esențiale. Metodele cunoscute includ analiza componentelor principale (PCA), precum și t-SNE și UMAP, utilizate adesea pentru vizualizare. Accelerează calculele, reduce riscul de supraînvățare și face datele mai ușor de înțeles – de exemplu atunci când sute de atribute ale clienților sunt proiectate pe un grafic bidimensional în care clienții similari se află aproape unii de alții.
Regăsirea informațiilor
Regăsirea informațiilor (information retrieval) cuprinde metodele care găsesc, într-un volum mare de text, documentele sau pasajele ce corespund unei interogări și le ordonează după relevanță. Abordările clasice, precum BM25, ponderează termenii de căutare după cât de des și cât de rar apar; cele mai noi adaugă similitudinea semantică. Stă la baza motoarelor de căutare, a căutării în întreprindere și a retrieval-augmented generation, în care un model lingvistic folosește pasajele regăsite ca bază pentru răspunsul său.
Reglajul fin eficient din punct de vedere al parametrilor (PEFT)
Reglajul fin eficient din punct de vedere al parametrilor (PEFT) cuprinde tehnici care adaptează un model mare preantrenat la o sarcină antrenând doar o mică parte din parametrii săi sau adăugând câțiva parametri suplimentari. Metodele cunoscute includ LoRA, QLoRA, adaptoarele și prefix tuning. Acest lucru reduce considerabil cerințele de calcul și de memorie, iar modulele mici suplimentare pot fi salvate pentru mai multe sarcini, în locul copiilor complete ale modelului. Exemplu: un model lingvistic este adaptat la stilul documentației tehnice interne.
Reglementări privind protecția datelor
Reglementările privind protecția datelor sunt norme juridice care guvernează prelucrarea datelor cu caracter personal. În UE, Regulamentul general privind protecția datelor (RGPD) este cadrul esențial; printre altele, acesta impune un temei juridic pentru fiecare prelucrare, minimizarea datelor, transparență față de persoanele vizate și acorduri de prelucrare a datelor cu furnizorii de servicii. Atunci când utilizează IA, organizațiile trebuie să clarifice ce date ajung în intrări, surse de cunoștințe și jurnale și unde sunt prelucrate.
Regresia liniară
Regresia liniară este o metodă statistică ce descrie relația dintre o variabilă țintă și unul sau mai mulți predictori cu ajutorul unei drepte sau al unui plan. Coeficienții sunt aleși, de obicei, astfel încât să minimizeze suma pătratelor abaterilor. Metoda este ușor de înțeles și de interpretat: poate estima, de exemplu, cu cât cresc veniturile atunci când bugetul de publicitate crește cu 1.000 €. Își atinge limitele în cazul relațiilor neliniare.
Regresia logistică
Regresia logistică este o metodă statistică ce prezice probabilitatea uneia dintre două rezultate, precum „cumpără” sau „nu cumpără”. Ponderează caracteristicile de intrare și convertește suma lor într-o valoare între 0 și 1 cu ajutorul unei funcții în formă de S. Deoarece ponderile sunt ușor de interpretat, este larg folosită în scoringul de credit, în medicină și în marketing, adesea ca un punct de referință solid pentru modele mai complexe.
Regresie cu păduri aleatorii
Regresia cu păduri aleatorii prezice valori numerice combinând mulți arbori de decizie. Fiecare arbore este antrenat pe un eșantion aleatoriu al datelor și pe o selecție aleatorie de caracteristici; rezultatul este media predicțiilor tuturor arborilor. Metoda devine astfel mai robustă și mai puțin predispusă la supraajustare decât un singur arbore. Se folosește, de exemplu, pentru prognoze de vânzări, estimări de prețuri sau cererea de energie – adesea ca punct de pornire solid pentru date tabelare.
Regularizare
Regularizarea cuprinde tehnici care împiedică un model să se potrivească prea strâns datelor sale de antrenare în timpul antrenării (supraajustare). Exemple sunt penalizarea ponderilor mari (regularizare L1 sau L2), dezactivarea aleatorie a neuronilor (dropout) sau oprirea antrenării la momentul potrivit (early stopping). Scopul este un model mai simplu, care funcționează mai fiabil pe date noi, nevăzute, chiar dacă obține un scor puțin mai mic pe datele de antrenare.
Remote MCP
Remote MCP desemnează un server MCP care nu rulează local, pe propriul calculator, ci este accesibil pe internet prin HTTP. Model Context Protocol este un standard deschis care permite aplicațiilor de IA să folosească instrumente și date externe; pentru serverele la distanță, specificația prevede transportul „Streamable HTTP” și autentificarea, de exemplu prin OAuth sau o cheie API. Avantajul este că un serviciu găzduit central este disponibil pentru mulți utilizatori și programe de IA, fără instalare locală.
Reordonarea documentelor (reranking)
Reordonarea documentelor (document reranking) este o a doua etapă de sortare în sistemele de căutare și RAG: o căutare inițială rapidă returnează un set de rezultate candidate, pe care o metodă mai precisă, dar mai costisitoare, le reordonează apoi după relevanță. Aceasta se face adesea printr-un așa-numit cross-encoder, care evaluează împreună întrebarea și un pasaj. Astfel, cele mai relevante pasaje ajung în partea de sus înainte ca un model lingvistic să formuleze un răspuns pe baza lor.
Return on AI (ROAI)
Return on AI descrie randamentul economic al utilizării IA în raport cu costurile sale. Un calcul orientativ simplu este: ore economisite pe lună × tarif orar, minus costurile licențelor, utilizării modelelor, configurării și suportului. Dacă o echipă care gestionează 200 de solicitări are nevoie de 4 minute în loc de 10 pentru fiecare, economisește 20 de ore pe lună. Asemenea calcule rămân estimări; ar trebui luate în considerare și calitatea, ratele de eroare și timpul de familiarizare.
Șablon
Rețea generativă adversarială (GAN)
O rețea generativă adversarială (GAN) constă din două rețele neuronale antrenate una împotriva celeilalte: generatorul creează date artificiale, precum imagini, iar discriminatorul încearcă să le deosebească de cele reale. Prin această competiție, rezultatele devin tot mai realiste. GAN-urile au fost introduse în 2014 și au marcat generarea de imagini înainte ca modelele de difuzie să se răspândească mai larg; sunt folosite, de exemplu, pentru date de antrenare sintetice sau pentru îmbunătățirea imaginilor.
Rețea neuronală convoluțională (CNN)
O rețea neuronală convoluțională (CNN) este o arhitectură de rețea neuronală deosebit de potrivită pentru datele de tip imagine. Aceasta parcurge datele de intrare cu filtre mici, detectând caracteristici simple, precum marginile, în primele straturi și forme mai complexe în straturile mai profunde. Rețelele CNN au definit recunoașterea imaginilor timp de mulți ani și sunt utilizate, de exemplu, pentru a identifica defecte în fotografiile produselor sau în analiza imaginilor medicale.
Rețea neuronală recurentă (RNN)
O rețea neuronală recurentă prelucrează datele în ordine și transmite o stare internă de la un pas la următorul – un fel de memorie pe termen scurt. Astfel este potrivită pentru secvențe precum text, vorbire sau serii de timp, de exemplu pentru a prezice următorul cuvânt sau următoarea valoare a unui senzor. RNN-urile simple uită ușor informațiile din urmă cu mult timp; variante precum LSTM și GRU atenuează această problemă. Pentru modelele lingvistice, RNN-urile au fost în mare parte înlocuite de transformere.
Rețele bayesiene
Rețelele bayesiene sunt modele grafice care reprezintă variabilele ca noduri și dependențele lor probabilistice ca săgeți orientate. Folosind teorema lui Bayes, acestea arată cum modifică observațiile noi probabilitatea altor evenimente. Un exemplu este sprijinul pentru diagnostic: estimarea celei mai probabile cauze pe baza simptomelor observate. Punctele lor forte sunt transparența și capacitatea de a gestiona date incerte sau incomplete.
Rețele neuronale artificiale (RNA)
Rețelele neuronale artificiale (RNA) sunt modele de calcul formate din multe unități conectate („neuroni”), aranjate în straturi, care prelucrează intrările prin conexiuni ponderate. În timpul antrenării, ponderile sunt ajustate pas cu pas pe baza unor exemple, de obicei prin retropropagare. RNA stau la baza deep learning și alimentează recunoașterea imaginilor, recunoașterea vorbirii și modelele lingvistice de mari dimensiuni. În ciuda inspirației biologice, funcționează mult mai simplu decât creierul uman.
Rezolvarea coreferințelor
Rezolvarea coreferințelor este o sarcină de procesare a limbajului natural care identifică ce expresii dintr-un text se referă la aceeași persoană, același lucru sau aceeași chestiune. În „Doamna Weber a sunat. Ea dorește să fie sunată înapoi”, sistemul trebuie să înțeleagă că „ea” înseamnă doamna Weber. Aceasta contează pentru rezumate, extragerea informațiilor și chatbot-uri care trebuie să urmărească referințele pe parcursul mai multor propoziții sau replici.
Rezumarea textelor
În rezumarea automată a textelor, IA condensează texte lungi la punctele lor esențiale. Metodele extractive copiază literal propozițiile importante, în timp ce metodele abstractive reformulează conținutul; modelele lingvistice de mari dimensiuni lucrează în principal abstractiv. Este util pentru procese-verbale, rapoarte sau lanțuri lungi de e-mailuri; pentru decizii importante, rezumatul trebuie verificat în raport cu originalul.
Șablon
Roboți colaborativi (cobots)
Roboții colaborativi, sau cobots, sunt roboți industriali concepuți să lucreze direct alături de oameni, fără un gard de protecție separator. Senzorii, forțele și vitezele limitate și funcțiile de siguranță fac ca ei să se oprească sau să se îndepărteze la contact; cerințele sunt stabilite în standarde precum seria ISO 10218. Cobots se ocupă de sarcini precum alimentarea mașinilor, înșurubarea sau ambalarea, în timp ce angajații se ocupă de inspecție și de cazurile speciale.
Robustețea modelului
Robustețea modelului descrie cât de fiabil funcționează un model de IA atunci când intrările sunt zgomotoase, incomplete, neobișnuite sau manipulate intenționat. Un model robust oferă în continuare rezultate stabile, de exemplu la recunoașterea imaginilor în condiții de lumină slabă sau atunci când un model lingvistic întâlnește greșeli de tastare. Robustețea se evaluează prin teste de stres, date de antrenare diverse și teste împotriva încercărilor deliberate de inducere în eroare și este deosebit de importantă în aplicațiile critice pentru siguranță.
Router IA
Un bloc de flux care atribuie un text uneia dintre mai multe categorii și ramifică în consecință.
KI.ordo
Rytr
Rytr este un asistent de scriere cu IA, disponibil din 2021, care produce texte scurte de marketing și de zi cu zi. Utilizatorii aleg un caz de utilizare – de exemplu un e-mail, o descriere de produs, o postare pe rețelele sociale sau o schiță de articol de blog –, un ton și una dintre cele peste 30 de limbi; un editor ajută la reformulare, scurtare sau extindere. Pe lângă o versiune gratuită, cu un număr limitat de caractere, există planuri plătite (stare la octombrie 2026). Ca în cazul tuturor instrumentelor de acest fel, rezultatele trebuie verificate înainte de publicare.
Scikit-learn
Scikit-learn este o bibliotecă Python open-source pentru învățarea automată clasică. Oferă instrumente coerente pentru clasificare, regresie, clustering, reducerea dimensionalității, preprocesarea datelor și evaluarea modelelor, precum validarea încrucișată. Construită pe NumPy și SciPy, este larg folosită în educație, cercetare și practică datorită interfeței sale simple și uniforme. Pentru rețelele neuronale profunde se aleg de obicei framework-uri precum PyTorch sau TensorFlow.
Scor SEO
Un scor SEO este o metrică prin care instrumentele de analiză evaluează cât de bine este optimizată o pagină web pentru motoarele de căutare – de obicei pe o scară de la 0 la 100. Factorii pot include titlurile și descrierile, structura titlurilor de secțiune, viteza de încărcare, compatibilitatea cu dispozitivele mobile, linkurile interne și datele structurate. Fiecare instrument calculează scorul diferit; nu este o evaluare oficială Google. Scorul este deci util ca listă de verificare pentru îmbunătățiri, nu ca garanție a unor clasări bune.
Șablon
Scorul BLEU
Scorul BLEU (Bilingual Evaluation Understudy) este o metrică dezvoltată la IBM în 2002 pentru evaluarea automată a traducerilor automate. Măsoară câte secvențe de cuvinte dintr-o traducere apar și în una sau mai multe traduceri umane de referință și oferă o valoare între 0 și 1 (adesea afișată ca 0–100). BLEU este rapid și comparabil, dar nu surprinde bine nici sensul, nici stilul – parafrazele bune pot obține scoruri slabe.
Scorul F (scorul F1)
Scorul F este o metrică pentru evaluarea modelelor de clasificare. Scorul F1, cel mai des folosit, este media armonică dintre precizie (câte dintre rezultatele prezise sunt corecte) și recall (câte dintre rezultatele reale au fost găsite) și variază între 0 și 1. Este util mai ales în cazul datelor dezechilibrate: un filtru de spam care aproape niciodată nu marchează spamul poate avea o acuratețe ridicată, dar un scor F1 scăzut.
Scorul ROUGE
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) este o familie de metrici pentru compararea textelor generate automat – în special a rezumatelor – cu texte de referință scrise de oameni. Măsoară câte cuvinte sau secvențe de cuvinte se suprapun, de exemplu cuvintele individuale în ROUGE-1 sau cea mai lungă subsecvență comună în ROUGE-L. Scorul se calculează rapid, dar nu surprinde în mod fiabil parafrazele cu același sens și nici corectitudinea factuală.
SDR IA
Un SDR IA (sales development representative) este un agent IA care preia sarcini din faza incipientă a vânzărilor: răspunde la solicitările primite, califică potențialii clienți, redactează scenarii de apel și e-mailuri de follow-up sau pregătește întâlniri. Ușurează munca echipei de vânzări, dar nu înlocuiește judecata și munca ei de construire a relațiilor. La abordarea unor contacte noi în Germania și în UE trebuie respectate protecția datelor și normele împotriva publicității nesolicitate.
Șablon
Securitatea LLM
Securitatea LLM cuprinde toate măsurile care protejează aplicațiile construite pe modele lingvistice de mari dimensiuni împotriva utilizării abuzive, a scurgerilor de date și a comportamentului nedorit. Riscurile tipice includ prompt injection, dezvăluirea de instrucțiuni sau date confidențiale și agenții cu permisiuni excesive. Protecția provine din mai multe straturi: instrucțiuni clare, drepturi restricționate, verificări ale intrărilor și ieșirilor, firewall-uri IA, red teaming și audituri periodice.
Șablon
Seed în arta generată de IA
Seed-ul este un număr de pornire pentru generatorul de numere aleatorii al unui model de imagini. Modelele de difuzie pornesc de la un zgomot de imagine aleatoriu din care se formează treptat o imagine; seed-ul determină cum arată acest zgomot inițial. Cu același seed, același prompt și aceleași setări, o imagine poate fi reprodusă în mare măsură în același model. Acest lucru ajută atunci când se modifică un singur detaliu din prompt sau când se recreează ulterior o variantă de imagine reușită.
Segmentare semantică
Segmentarea semantică atribuie o clasă fiecărui pixel din imagine, de exemplu drum, vehicul, persoană sau cer. Rezultatul este un fel de hartă codificată prin culori a conținutului imaginii. Spre deosebire de segmentarea pe instanțe, obiectele de același tip nu sunt distinse: trei mașini sunt tratate laolaltă drept „mașină”. Se folosește, de exemplu, la conducerea autonomă, în imagistica medicală pentru delimitarea țesuturilor și în analiza imaginilor aeriene și din satelit.
Segmentarea instanțelor
Segmentarea instanțelor (instance segmentation) este o tehnică de viziune computerizată care detectează fiecare obiect individual dintr-o imagine și îi conturează pixel cu pixel. Spre deosebire de segmentarea semantică, distinge și între obiectele din aceeași clasă: trei persoane primesc trei măști separate, nu o singură zonă comună. Este folosită, de exemplu, la controlul calității, în imagistica medicală, în robotică sau la numărarea produselor de pe un raft.
Segmentarea pieței cu IA
Segmentarea pieței cu IA folosește IA pentru a împărți o piață sau o bază de clienți în grupuri cu caracteristici, nevoi sau comportament asemănătoare. În mod tradițional, aceasta se face cu metode de clusterizare aplicate datelor clienților; modelele lingvistice pot deduce suplimentar segmente din descrieri, sondaje sau solicitări și pot sugera mesaje și canale. Rezultatele sunt ipoteze care trebuie validate cu date reale. Exemplu: un furnizor de software distinge începătorii atenți la preț de echipele orientate spre creștere.
Șablon
Singularitatea
Singularitatea tehnologică este o noțiune teoretică: un punct în care inteligența artificială se îmbunătățește atât de rapid, încât progresul tehnologic nu mai poate fi prevăzut sau controlat de oameni. Termenul a fost popularizat de autorul Vernor Vinge și de futurologul Ray Kurzweil. Dacă și când s-ar putea întâmpla acest lucru este o chestiune deschisă și disputată științific. Cu toate acestea, ideea influențează discuțiile despre siguranța IA, reglementare și riscurile pe termen lung.
Sistem de automatizare cu IA
Un sistem de automatizare cu IA combină automatizarea clasică a proceselor cu capacități IA, precum înțelegerea textului, clasificarea sau sprijinul decizional. Astfel devine posibilă automatizarea fluxurilor de lucru și cu intrări nestructurate, precum e-mailuri, formulare sau solicitări. O configurație tipică este un lanț format din declanșator, pași de prelucrare, condiții și rezultat, cu aprobare umană în punctele critice. Exemplu: solicitările primite sunt categorisite automat, rezumate și transmise departamentului potrivit.
Sistem expert
Un sistem expert este un program informatic care stochează know-how-ul specialiștilor umani sub formă de reguli și fapte și trage concluzii pornind de la ele. De obicei, constă dintr-o bază de cunoștințe și un motor de inferență care aplică regulile. Sistemele expert au marcat IA în anii 1970 și 1980, de exemplu în diagnosticul medical sau în configurarea echipamentelor tehnice. Ideile lor trăiesc astăzi în verificările bazate pe reguli și în grafurile de cunoștințe.
spaCy
spaCy este o bibliotecă Python open-source pentru prelucrarea limbajului natural, dezvoltată de compania Explosion din Berlin. Împarte textele în cuvinte și propoziții, determină părțile de vorbire și formele de bază, analizează structura propozițiilor și recunoaște entități denumite, precum persoane, companii sau locuri. Sunt disponibile modele preantrenate pentru multe limbi, inclusiv germana. spaCy este concepută pentru viteză și pentru utilizare în aplicații reale, de exemplu pentru preprocesarea unor volume mari de documente.
Specialist în asigurarea calității IA
Un specialist în asigurarea calității IA verifică dacă aplicațiile IA funcționează fiabil, corect și adecvat. Rolul include întrebări de test și benchmark-uri, compararea diferitelor modele, analiza evaluărilor utilizatorilor și depistarea halucinațiilor și a degradării în timp. De exemplu, înainte de trecerea la un model nou, 50 de solicitări tipice ale clienților primesc răspuns de la ambele modele și sunt comparate după criterii fixe.
Șablon
Stable Diffusion
Stable Diffusion este o familie de modele de generare de imagini care creează imagini pornind de la o descriere text. Prima versiune a fost lansată în 2022, dezvoltată sub conducerea Stability AI împreună cu parteneri de cercetare. Din punct de vedere tehnic, este un model de difuzie latentă care transformă treptat zgomotul de imagine într-o imagine. Deoarece ponderile modelului sunt publicate, acesta poate fi rulat și personalizat local; utilizarea comercială a versiunilor mai noi este reglementată de licența proprie a Stability AI (stare la octombrie 2026).
Start-up bazat pe IA
Un start-up bazat pe IA este o companie tânără al cărei produs sau model de afaceri se întemeiază în mod fundamental pe inteligența artificială, de exemplu asistenți specializați pentru o industrie, instrumente de analiză sau servicii automatizate. Astfel de start-up-uri se sprijină adesea pe modele de fundație existente și se diferențiază prin expertiză de domeniu, date, ușurință în utilizare și integrare. Provocările includ dependența de furnizorii de modele, costul pe solicitare și reglementarea. Exemplu: un start-up care pregătește automat rapoarte de inspecție pentru firmele din meserii.
Superinteligența artificială (ASI)
Superinteligența artificială (ASI) este un concept teoretic pentru o IA care depășește semnificativ oamenii în aproape toate abilitățile intelectuale, inclusiv cercetarea, planificarea și judecata socială. Un astfel de sistem nu există. Termenul este folosit mai ales în filosofie și în cercetarea privind siguranța IA, pentru a discuta chestiuni de control și de aliniere a sistemelor viitoare la valorile umane.
Sursă de cunoștințe
Un text pe care KI.ordo îl împarte în secțiuni și îl face căutabil pentru agenți.
KI.ordo
Tendințe în IA
Stare la octombrie 2026. Din punct de vedere tehnic, accentul se mută de la chatboturi la agenți IA care gestionează sarcini în mai mulți pași și folosesc instrumente prin standarde precum Model Context Protocol. Potrivit datelor Crunchbase, aproximativ 64% din finanțarea globală de tip venture capital din T3 2026 a mers către start-up-uri din domeniul IA. În UE, obligațiile pentru modelele de IA de uz general se aplică din august 2025; termenele pentru sistemele cu risc ridicat au fost amânate până în decembrie 2027 și august 2028.
TensorFlow
TensorFlow este un framework open-source de învățare automată, dezvoltat de Google și lansat în 2015. Se folosește pentru construirea, antrenarea și implementarea rețelelor neuronale în aplicații, pe servere sau pe dispozitive mobile. Keras oferă o interfață accesibilă, de nivel înalt; utilizările tipice includ clasificarea imaginilor, prognoza și sistemele de recomandare.
Testarea de penetrare a IA
Un test de penetrare a IA este o evaluare de securitate comandată și controlată, în care specialiștii caută în mod deliberat puncte slabe într-un sistem IA, precum prompt injection, scurgerea de date confidențiale sau un agent cu permisiuni excesive. Spre deosebire de red teaming-ul mai larg, se concentrează pe un domeniu clar delimitat, cu constatări și măsuri de remediere documentate. Merită efectuat înainte ca un chatbot să intre în funcțiune și după modificări majore.
Șablon
Testul Turing
Testul Turing se datorează matematicianului Alan Turing, care l-a descris în 1950 sub numele de „jocul imitației”. O persoană poartă conversații scrise cu un om și cu o mașină; dacă nu poate deosebi în mod fiabil care este mașina, testul se consideră trecut. Modelele lingvistice de azi poartă adesea conversații care sună foarte uman, dar testul spune ceva doar despre limbajul convingător, nu despre înțelegere sau fiabilitate.
Text-to-Speech (TTS)
Text-to-speech transformă textul scris în limbaj vorbit, fiind astfel opusul recunoașterii vorbirii (speech-to-text). Sistemele moderne folosesc rețele neuronale pentru a produce voci cu sonoritate naturală și intonație adecvată. TTS este folosit în mesaje telefonice, dispozitive de navigație, funcții de citire cu voce tare pentru site-uri accesibile și asistenți vocali.
Token
Unitatea în care modelele lingvistice numără textul. Un token reprezintă aproximativ o parte dintr-un cuvânt; costurile IA se bazează pe aceasta.
KI.ordo
Token
Un token este cea mai mică unitate de text pe care o prelucrează un model lingvistic, de obicei o parte dintr-un cuvânt, un cuvânt scurt sau un semn de punctuație. Modelele citesc intrările și generează răspunsurile token cu token, iar dimensiunea ferestrei de context se măsoară, de asemenea, în tokeni. Deoarece furnizorii taxează tokenii de intrare și de ieșire, tokenii determină direct costurile și limitele: instrucțiunile lungi și cunoștințele de fond ample cresc consumul.
Token Smuggling
Token smuggling este o formă de jailbreaking în care instrucțiunile nedorite sunt deghizate, de exemplu fragmentate, recodificate sau scrise cu caractere asemănătoare, astfel încât filtrele simple după cuvinte-cheie să le rateze, în timp ce modelul lingvistic le înțelege totuși sensul. Protecția include normalizarea intrărilor înainte de evaluarea lor, verificări bazate pe conținut, nu doar pe cuvinte, controlul rezultatelor și acordarea către agenții IA a unui număr cât mai mic de permisiuni.
Șablon
Torch
Torch este un framework open-source de învățare automată bazat pe limbajul de scripting Lua; versiunea sa Torch7 a fost larg folosită în cercetare și industrie în anii 2010. Este considerat predecesorul PyTorch, care a preluat idei și părți din bibliotecile C ale Torch, dar folosește Python. Potrivit depozitului său oficial, Torch nu mai este dezvoltat activ și are acum o relevanță redusă pentru proiectele noi.
Transcriere audio
Transcrierea audio convertește limbajul vorbit din înregistrări în text scris. Sistemele moderne de recunoaștere automată a vorbirii adaugă și punctuația, disting între vorbitori și uneori oferă marcaje temporale. Se utilizează pentru procese-verbale ale ședințelor, interviuri, subtitrări și documentarea convorbirilor cu clienții. Calitatea depinde în mare măsură de calitatea sunetului, de accent și de vocabularul de specialitate; în cazul conversațiilor care implică date cu caracter personal, trebuie avute în vedere consimțământul și protecția datelor.
Transfer Learning
În învățarea prin transfer, un model care a învățat deja o sarcină generală amplă servește drept punct de pornire pentru unul nou, specializat. În loc să înceapă de la zero, este adaptat, de exemplu prin reglaj fin, folosind relativ puține date proprii. Aceasta economisește timp de calcul și date, de exemplu atunci când un model general de imagini trebuie să învețe să depisteze defecte de fabricație în fotografii.
Transformator generativ pre-antrenat (GPT)
GPT (generative pre-trained transformer) desemnează o serie de modele lingvistice de mari dimensiuni dezvoltate de OpenAI și bazate pe arhitectura transformer. Modelele sunt mai întâi pre-antrenate pe cantități uriașe de text pentru a prezice următorul token și apoi antrenate în continuare pentru dialog și pentru urmarea instrucțiunilor. Primul model GPT a apărut în 2018; generațiile ulterioare stau la baza ChatGPT. În limbajul curent, „GPT” este adesea folosit pentru modelele lingvistice în general.
Transformer
Transformerul este o arhitectură de rețea neuronală introdusă în 2017 în lucrarea de cercetare „Attention Is All You Need”. În centrul ei se află mecanismul de atenție: fiecare cuvânt este ponderat în raport cu toate celelalte cuvinte dintr-un text, iar calculul poate fi paralelizat eficient. Transformerele stau la baza modelelor lingvistice de azi, precum GPT, Claude și BERT, și sunt folosite și pentru imagini și audio.
Transparența algoritmică
Transparența algoritmică înseamnă că se poate înțelege cum ajunge un sistem automatizat la un rezultat: ce date utilizează, ce reguli urmează și unde se află limitele sale. Aceasta creează încredere, face erorile mai ușor de urmărit și devine tot mai mult o cerință legală, de exemplu prin obligațiile de informare prevăzute de RGPD și de Regulamentul UE privind IA (AI Act). În practică, ajută documentația, citarea surselor, jurnalele și informările clare pentru persoanele vizate.
Transparența IA
Transparența IA înseamnă dezvăluirea faptului că este implicată IA, a datelor și surselor pe care se bazează rezultatele ei și a modului în care se iau deciziile. Aceasta include etichetarea conținutului IA, trimiteri trasabile la surse, jurnale și modificări documentate. Transparența creează încredere, ușurează remedierea erorilor și este în parte impusă prin lege, de exemplu prin obligațiile de transparență din AI Act, potrivit cărora oamenii ar trebui să poată recunoaște că interacționează cu o IA.
Underfitting
Subajustarea (underfitting) apare atunci când un model este prea simplu pentru a surprinde relațiile din date. Face atunci multe erori atât pe datele de antrenare, cât și pe date noi, de exemplu când se folosește o dreaptă pentru a reprezenta un tipar clar curbat. Remediile includ un model mai puternic, caracteristici mai informative, antrenare mai îndelungată sau mai puțină regularizare; problema opusă este supraajustarea.
Validarea datelor
Validarea datelor verifică dacă datele sunt complete, corect formatate și plauzibile înainte de a fi prelucrate în continuare. Verificările tipice vizează câmpurile obligatorii, formatul adreselor de e-mail, al codurilor poștale sau al datelor calendaristice, precum și contradicțiile logice – de exemplu o dată de livrare anterioară datei comenzii. Astfel, erorile sunt prinse devreme, în loc să ajungă în rapoarte, facturi sau analize IA.
Șablon
Validarea încrucișată
Validarea încrucișată este o metodă de verificare a cât de bine generalizează un model pe date noi, nevăzute. În validarea încrucișată k-fold, datele sunt împărțite în k părți; modelul este antrenat de k ori pe k−1 părți și testat de fiecare dată pe partea rămasă, după care rezultatele sunt mediate. Aceasta ajută la depistarea supraînvățării și la compararea echitabilă a modelelor sau setărilor, mai ales când sunt disponibile puține date.
Vector de embedding
Un vector de embedding (embedding) este o listă de numere care reprezintă sensul unui cuvânt, al unei propoziții sau al unui document, astfel încât textele cu conținut similar să se afle aproape unele de altele. Aceasta face posibil să se recunoască, de exemplu, că „reziliere” și „încetarea contractului” sunt înrudite, chiar dacă nu au cuvinte comune. Embedding-urile stau la baza multor sisteme de căutare semantică, servicii de recomandare și aplicații RAG; ele sunt calculate de modele special antrenate.
Vehicule autonome
Vehiculele autonome se deplasează integral sau parțial fără intervenție umană, folosind camere, radar, lidar și software IA. Standardul SAE J3016 definește șase niveluri – de la 0 (fără automatizare) la 5 (complet fără șofer, oriunde). IA se ocupă de percepție, de anticiparea comportamentului celorlalți participanți la trafic și de planificarea traseului. Pe lângă autoturisme, acest lucru include robotaxiuri, camioane, navete și vehicule de depozit; omologarea și răspunderea sunt reglementate separat în fiecare țară.
Vibe Coding
Vibe coding descrie un mod de lucru în care software-ul este creat în principal prin descrieri în limbaj natural, iar codul generat de IA este acceptat în mare parte fără verificare. Termenul a fost lansat de cercetătorul în IA Andrej Karpathy în februarie 2025. Poate fi util pentru prototipuri rapide, dar în producție riscă vulnerabilități de securitate nedetectate, cod greu de întreținut și dependențe pe care nimeni din echipă nu le înțelege cu adevărat, așa că revizuirea codului și testarea rămân esențiale.
Viziune computerizată
Viziunea computerizată este un domeniu al IA în care calculatoarele interpretează imagini și înregistrări video. Sarcinile tipice includ detectarea și localizarea obiectelor, citirea textului din imagini și măsurarea componentelor. Tehnologia este utilizată, de exemplu, în controlul calității din producție, în sistemele de asistență pentru șoferi, în logistică și în imagistica medicală.
Webhook
O adresă de internet care pornește un flux de îndată ce un alt program îi trimite date.
KI.ordo
Whisper
Whisper este un model de recunoaștere automată a vorbirii lansat de OpenAI în septembrie 2022. Transformă în text limbajul vorbit în multe limbi și poate traduce înregistrările și în engleză. Codul și ponderile modelului sunt disponibile sub licența open-source MIT, astfel că Whisper poate rula și pe hardware propriu, un avantaj atunci când datele audio nu trebuie să părăsească organizația. Utilizările tipice includ transcrierea ședințelor și a interviurilor și subtitrarea.
Windowing
Windowing înseamnă împărțirea datelor lungi în secțiuni („ferestre”) de lungime fixă, care se suprapun adesea. În aplicațiile de IA, aceasta împarte documentele lungi în părți ușor de căutat; suprapunerea asigură că o propoziție aflată la limita dintre secțiuni nu își pierde contextul. Ferestrele glisante sunt folosite și la serii de timp și semnale audio, pentru a analiza datele bucată cu bucată.
Writer
Writer (writer.com) este o companie americană fondată în 2020, care oferă o platformă de IA generativă pentru întreprinderi. Dezvoltă propria familie de modele lingvistice numită Palmyra și oferă instrumente cu care companiile pot construi agenți IA, îi pot conecta la propriile cunoștințe și îi pot guverna prin reguli privind tonul brandului și aprobările (stare la octombrie 2026). Este folosită mai ales pentru conținut și fluxuri de lucru în marketing, vânzări și comunicarea cu clienții.
Writesonic
Writesonic este un serviciu de IA care a devenit cunoscut mai întâi ca instrument pentru crearea de texte de marketing. Furnizorul se poziționează acum ca platformă pentru vizibilitate atât în căutarea tradițională, cât și în cea bazată pe IA: urmărește să măsoare cât de des este menționat un brand în răspunsurile asistenților IA și să îmbunătățească conținutul pentru SEO și pentru optimizarea pentru motoarele generative (GEO) (stare la octombrie 2026). Publicul său principal sunt echipele de marketing și agențiile.
XGBoost
XGBoost (Extreme Gradient Boosting) este o bibliotecă open-source care implementează gradient boosting cu arbori de decizie în mod deosebit de eficient. Mulți arbori mici sunt antrenați unul după altul, fiecare corectând erorile celor dinainte, în timp ce regularizarea ajută la prevenirea supraajustării. XGBoost este considerat o alegere dovedită pentru date tabelare, de exemplu în scoringul riscului de credit, prezicerea renunțării clienților (churn) sau prognoza vânzărilor.
„Ați vrut să spuneți...” (DYM)
„Ați vrut să spuneți...” (Did you mean, DYM) este o funcție de căutare care sugerează o interogare corectată atunci când textul introdus pare greșit scris sau neobișnuit. Se bazează pe măsuri de similitudine între cuvinte, pe modele lingvistice și pe analiza căutărilor frecvente. Exemplu: cine tastează „aparat de cafia” într-un magazin online vede „Ați vrut să spuneți: aparat de cafea?”. Funcția reduce paginile fără rezultate și îmbunătățește astfel experiența de căutare.
Pregătiți pentru mai multă ordine.
Alegeți un plan tarifar sau discutați cu noi despre proiectul dumneavoastră.