Agent UI
Model UI s stalnimi navodili in dostopom do izbranega znanja, ki prevzame določeno nalogo.
KI.ordo
Viri
Pojmi, preprosto razloženi.
Več kot 350 pojmov od A kot agent do Z kot zero-shot – jasno razloženih, z namigi, kje vam pomaga KI.ordo.
KI
Agentno
„Agentno“ opisuje sisteme UI, ki ne odgovorijo le na posamezno vprašanje: cilj zasledujejo v več korakih, načrtujejo, uporabljajo orodja, kot sta spletno iskanje ali API-ji, preverjajo vmesne rezultate in se odločajo, kaj storiti naprej. Primer je asistent, ki razvrsti zahtevo, poišče informacije in pripravi osnutek odgovora. Jasne meje, beleženje in človeška odobritev na kritičnih točkah so nujni.
Aktivacijske funkcije
Aktivacijske funkcije določajo, kako močno nevron v umetni nevronski mreži posreduje svoj signal naprej. Vnašajo nelinearnost – šele tako lahko mreža predstavi kompleksna razmerja, kot sta jezik ali slike. Pogosti primeri so ReLU, ki negativne vrednosti nastavi na nič, sigmoida za verjetnosti med 0 in 1 ter GELU, ki se uporablja v številnih modelih transformer. Izbira vpliva na hitrost in stabilnost učenja.
Algoritemska preglednost
Algoritemska preglednost pomeni, da je mogoče razumeti, kako avtomatiziran sistem pride do rezultata: katere podatke uporablja, katerim pravilom sledi in kje so njegove meje. To gradi zaupanje, olajša sledenje napakam in je vse pogosteje zakonska zahteva, na primer prek obveznosti obveščanja po GDPR in Aktu EU o umetni inteligenci. V praksi pomagajo dokumentacija, navajanje virov, dnevniki in jasna obvestila za prizadete osebe.
Ali ste mislili (DYM)
„Ali ste mislili“ (did you mean, DYM) je funkcija iskanja, ki predlaga popravljeno poizvedbo, kadar se vnos zdi napačno zapisan ali nenavaden. Opira se na mere podobnosti med besedami, jezikovne modele in analizo pogostih iskanj. Primer: kdor v spletno trgovino vpiše „kavni aprat“, vidi „Ali ste mislili: kavni aparat?“. Funkcija zmanjša število praznih strani z rezultati in tako izboljša izkušnjo iskanja.
AllenNLP
AllenNLP je odprtokodna knjižnica Python za raziskave obdelave naravnega jezika, ki jo je na osnovi PyTorch razvil Allen Institute for AI. Ponujala je že pripravljene komponente in modele za naloge, kot so razvrščanje besedil, razreševanje koreference in odgovarjanje na vprašanja. Od konca leta 2022 se AllenNLP ne razvija več aktivno in je v načinu vzdrževanja; njegovi vzdrževalci napotujejo na alternative, kot so AI2 Tango, flair ali Hugging Face Transformers (stanje oktober 2026).
Amazon KDP
Amazon Kindle Direct Publishing (KDP) je Amazonova platforma, na kateri avtorji sami izdajajo e-knjige, mehko vezane in trdo vezane knjige. Naslovi, opisi, ključne besede in kategorije morajo upoštevati lastna pravila platforme. Kdor z UI ustvarja vsebine – besedila, slike za naslovnice ali prevode –, mora to ob objavi razkriti Amazonu; delo, pri katerem UI le pomaga, na primer pri zbiranju idej ali lektoriranju, je izvzeto (stanje oktober 2026). Pred vsako objavo je treba preveriti veljavne smernice.
Predloga
Amazon SageMaker
Amazon SageMaker je storitev v oblaku Amazon Web Services (AWS) za izdelavo, učenje in uvajanje modelov strojnega učenja. Konec leta 2024 je bila prvotna storitev preimenovana v „Amazon SageMaker AI“; od takrat „Amazon SageMaker“ označuje širšo platformo za podatke, analitiko in UI z vmesnikom SageMaker Unified Studio (stanje oktober 2026). Uporabljajo jo predvsem ekipe podatkovne znanosti, ki modele poganjajo na infrastrukturi AWS.
Anaconda
Anaconda je razširjena distribucija programskih jezikov Python in R za analizo podatkov in strojno učenje, ki jo izdaja Anaconda Inc. Združuje upravitelja paketov conda z vnaprej nameščenimi knjižnicami, kot so NumPy, pandas in Jupyter, ter olajša vzdrževanje ločenih okolij za vsak projekt. Organizacije z več kot 200 zaposlenimi potrebujejo plačljivo licenco za Anaconda Distribution in njen privzeti kanal paketov; conda sama in skupnostni kanal conda-forge ostajata brezplačna za uporabo (stanje oktober 2026).
Analiza sentimenta
Analiza sentimenta samodejno ugotovi razpoloženje ali odnos, ki ga besedilo izraža – običajno pozitivno, nevtralno ali negativno, včasih tudi bolj podrobna čustva. Podjetja jo uporabljajo za vrednotenje velikega števila ocen izdelkov, e-poštnih sporočil podpori, anket ali objav na družbenih omrežjih ter hitro vidijo, kje so stranke zadovoljne in kje so težave. Ironija, sarkazem in mešane izjave, kot je „hitra dostava, razočarljiva kakovost“, ostajajo težavni, zato naj vzorce preverjajo ljudje.
Predloga
Analiza TAM
Analiza TAM ocenjuje skupni dosegljivi trg (total addressable market): celoten prihodek, ki bi ga ponudba teoretično lahko ustvarila. Pristop od zgoraj navzdol zožuje številke iz tržnih raziskav, pristop od spodaj navzgor pa število potencialnih strank pomnoži s pričakovano ceno. Skupaj s SAM (obvladljivi trg) in SOM (realno dosegljivi delež) podpira naložbene in načrtovalne odločitve, vendar je smiselna le s preglednimi predpostavkami in razponi namesto lažne natančnosti.
Predloga
Antropomorfizem
Antropomorfizem je težnja, da strojem pripisujemo človeške lastnosti, kot so čustva, nameni ali razumevanje. Pri klepetalnih robotih se to zgodi samo od sebe, ker pišejo tekoče in osebno. Interakcija je lahko zato prijetnejša, vendar to prinaša tveganja: ljudje lahko odgovorom preveč zaupajo ali delijo občutljive informacije. Pri tem pomagajo jasna obvestila, da imajo uporabniki opravka z UI, in iskrene navedbe o njenih mejah.
Anyword
Anyword je platforma UI za pisanje tržnih besedil, ki je nastala iz podjetja Keywee, ustanovljenega leta 2013. Ustvarja kratka besedila, kot so oglasi, zadeve e-sporočil, naslovi in opisi izdelkov, in različicam dodeli napovedano oceno, kako dobro bi lahko nagovorile ciljno občinstvo. Ponuja tudi nastavitve glasu blagovne znamke in analizo obstoječih vsebin (stanje oktober 2026). Takšne napovedi so ocene in ne nadomestijo testiranja v praksi.
Asociativni pomnilnik
Asociativni pomnilnik shranjene informacije pridobi po vsebini namesto po naslovu: delni ali šumni namig zadošča, da prikliče ustrezno celoto – podobno kot prvi takti prikličejo celotno pesem. Hopfieldove mreže so klasičen primer v raziskavah UI. Načelo se pojavlja tudi v strojni opremi (vsebinsko naslovljiv pomnilnik) in v analizah mehanizma pozornosti v sodobnih jezikovnih modelih.
Avtomatizacija storitev za stranke
Avtomatizacija storitev za stranke pomeni, da ponavljajoča se povpraševanja strank v celoti ali delno obravnava programska oprema – na primer prek klepetalnih robotov, predlaganih odgovorov ali predhodnega razvrščanja zahtevkov. Na pogosta vprašanja o delovnem času, stanju dostave ali vračilih je mogoče odgovarjati neprekinjeno, ekipa pa pridobi čas za zahtevne primere. Zanesljivi viri znanja in enostavna predaja ljudem so nujni.
Predloga
Avtonomna vozila
Avtonomna vozila se v celoti ali delno premikajo brez človeškega posredovanja, pri čemer uporabljajo kamere, radar, lidar in programsko opremo UI. Standard SAE J3016 opredeljuje šest ravni – od 0 (brez avtomatizacije) do 5 (povsod popolnoma brez voznika). UI skrbi za zaznavanje, napovedovanje vedenja drugih udeležencev v prometu in načrtovanje poti. Poleg avtomobilov to zajema robotaksije, tovornjake, avtomatske prevoze in skladiščna vozila; homologacija in odgovornost sta v vsaki državi urejeni posebej.
Backpropagation
Vzvratno razširjanje napake (backpropagation) je standardna metoda, s katero se nevronske mreže učijo. Po vsaki napovedi se izmeri napaka in se razširi nazaj skozi plasti mreže, kar pokaže, koliko je k njej prispevala posamezna utež. Optimizacijska metoda, kot je gradientni spust, nato uteži postopoma prilagodi. Brez vzvratnega razširjanja bi bilo učenje današnjih jezikovnih in slikovnih modelov praktično nemogoče.
Bagging
Bagging (okrajšava za bootstrap aggregating) je ansambelska metoda strojnega učenja: številni modeli se učijo na naključno izbranih vzorcih učnih podatkov, njihove napovedi pa se povprečijo ali združijo z večinskim glasovanjem. Rezultati so tako stabilnejši, prekomerno prilagajanje pa manjše. Najbolj znan primer je naključni gozd, ki združuje številna odločitvena drevesa – na primer za napovedovanje odhoda strank ali cen.
Bayesove mreže
Bayesove mreže so grafični modeli, ki spremenljivke predstavijo kot vozlišča, njihove verjetnostne odvisnosti pa kot usmerjene puščice. S pomočjo Bayesovega izreka pokažejo, kako nova opažanja spremenijo verjetnost drugih dogodkov. Primer je podpora pri diagnostiki: ocena najverjetnejšega vzroka na podlagi opaženih simptomov. Njihove prednosti so preglednost in zmožnost obravnave negotovih ali nepopolnih podatkov.
Benchmarking
Primerjalno testiranje (benchmarking) na področju UI pomeni sistematično primerjanje modelov ali sistemov z opredeljenimi nalogami in merili. Javna primerjalna merila merijo na primer splošno znanje, sklepanje ali programerske sposobnosti; za praktično uporabo pa so najpomembnejši testni primeri iz lastnega vsakdanjega dela. Tipična merila so pravilnost, popolnost, odzivni čas in stroški. To pomaga odločiti, ali je manjši, cenejši model za nalogo dovolj dober.
Predloga
Berljivost
Berljivost opisuje, kako lahko je besedilo brati in razumeti. Odvisna je od dolžine stavkov, dolžine besed, strokovnih izrazov, zgradbe stavkov in postavitve, približno pa jo je mogoče oceniti s formulami, kot sta Fleschev indeks ali LIX. Dobra berljivost je pomembna pri komunikaciji s strankami, navodilih, spletnih mestih in dostopnih vsebinah. Formule pa dajejo le smernice; ali je besedilo jasno, na koncu določa občinstvo.
Predloga
BERT
BERT (Bidirectional Encoder Representations from Transformers) je jezikovni model, ki ga je Google predstavil leta 2018. Za razliko od starejših modelov hkrati upošteva kontekst levo in desno od besede, kar mu pomaga razrešiti dvoumnosti. BERT je zasnovan za razumevanje besedil, ne za pisanje daljših odlomkov. Uporablja se za iskanje, razvrščanje besedil, prepoznavanje imenskih entitet in odgovarjanje na vprašanja ter je oblikoval številne naslednike.
Bias
Pristranskost (bias) na področju UI pomeni sistematično izkrivljanje rezultatov. Pogosto izvira iz neuravnoteženih ali zgodovinsko izkrivljenih učnih podatkov, pa tudi iz zasnove modela ali načina, kako je vprašanje zastavljeno. Znan primer: orodje za izbor kandidatov, ki se uči iz preteklih zaposlitvenih odločitev, lahko ohranja obstoječe neenakosti. V statistiki pristranskost pomeni tudi odstopanje ocene od prave vrednosti. Protiukrepi vključujejo raznolike podatke, redne revizije in človeške odločitve o kadrovskih zadevah.
BigML
BigML je platforma za strojno učenje istoimenskega podjetja, ustanovljenega leta 2011 s sedežem v Corvallisu v Oregonu (ZDA). Uporabniki lahko prek spletnega vmesnika ali API brez veliko programiranja gradijo modele, kot so odločitvena drevesa, ansambli, gručenje ali zaznavanje anomalij. Poudarek je na razložljivih modelih in avtomatizirljivih delovnih postopkih. Ponuja se kot storitev v oblaku in za delovanje v lastnem podatkovnem središču (stanje oktober 2026).
Blokiranje botov UI
Blokiranje botov UI pomeni preprečevanje, da bi iskalni roboti ponudnikov UI brali vaše spletno mesto, običajno s pravili v datoteki robots.txt za uporabniške agente, kot so GPTBot, ClaudeBot ali Google-Extended. Datoteka je prošnja, ne tehnična ovira; strožji nadzor zahteva pravila požarnega zidu ali strežnika. Kompromis: blokiranje ščiti vsebino pred uporabo za učenje, lahko pa zmanjša vidnost pri iskanju z UI in v odgovorih, ki jih ustvari UI. Pogosto je smiselno različno obravnavati robote za učenje in robote za iskanje.
BMXNet
BMXNet je odprtokodna knjižnica za binarne nevronske mreže, ki jo je leta 2017 izdal Inštitut Hasso Plattner v Potsdamu in temelji na ogrodju Apache MXNet. Binarne mreže uteži in aktivacije shranjujejo z enim samim bitom namesto z 32, zato so modeli veliko manjši in hitrejši – privlačni za pametne telefone in vgrajene naprave, čeprav običajno na račun nekaj natančnosti. Ker je bil MXNet leta 2023 upokojen, je BMXNet danes zanimiv predvsem za raziskave (stanje oktober 2026).
Boosting
Boosting je ansambelska metoda strojnega učenja, pri kateri se številni preprosti modeli učijo drug za drugim, pri čemer se vsak novi model osredotoči na primere, pri katerih so se predhodniki zmotili. Skupaj tvorijo veliko natančnejši celotni model. Znani različici sta AdaBoost in gradientni boosting, s knjižnicami, kot sta XGBoost ali LightGBM. Boosting je posebej močan pri tabelaričnih podatkih, na primer pri napovedih kreditnega tveganja, prodaje ali odhoda strank.
Botpress
Botpress je platforma za gradnjo klepetalnih robotov in agentov UI istoimenskega kanadskega podjetja s sedežem v Montrealu. Vizualni delovni prostor uporabnikom omogoča oblikovanje potekov pogovora, povezovanje virov znanja in povezovanje agentov s kanali, kot so spletna mesta ali aplikacije za sporočanje, prek integracij; obračun temelji na porabi. Nekdanja odprtokodna različica 12 za lastno gostovanje je bila ukinjena – novi projekti tečejo v Botpress Cloud (stanje oktober 2026).
Bralna raven
Bralna raven kaže stopnjo bralne zmožnosti, ki jo besedilo zahteva ali jo je oseba dosegla. Glede na sistem se izraža kot šolski razred, vrednost na lestvici, kot je Lexile, ali raven v učnih načrtih in jezikovnih okvirih, kot sta A2 ali B1 v Skupnem evropskem jezikovnem okviru. V praksi pomaga prilagoditi besedila ciljnemu občinstvu, na primer informacije za stranke v preprostem jeziku.
Predloga
Brez kode (no-code)
Brez kode (no-code) označuje orodja, s katerimi ljudje gradijo aplikacije, avtomatizacije ali spletna mesta prek grafičnih vmesnikov, ne da bi pisali programsko kodo. Poslovne ekipe lahko procese same uvedejo in preizkusijo, namesto da bi čakale na razvoj v IT. Omejitve se pokažejo pri zelo specializiranih zahtevah, velikih količinah podatkov ali globokih integracijah. Primer: prodajna ekipa z vlečenjem in spuščanjem zgradi potek dela, ki razvršča in povzema nova povpraševanja.
Caffe
Caffe (Convolutional Architecture for Fast Feature Embedding) je odprtokodno ogrodje za globoko učenje, ki ga je razvil Yangqing Jia na Kalifornijski univerzi v Berkeleyju in je bilo izdano leta 2013. Priljubljeno je bilo predvsem za prepoznavanje slik s konvolucijskimi nevronskimi mrežami, saj je delovalo hitro, modeli pa so bili opredeljeni v konfiguracijskih datotekah. Zadnja različica, 1.0, je izšla leta 2017; njegov naslednik Caffe2 je bil leta 2018 združen s PyTorch. Za nove projekte se Caffe danes redko uporablja.
Cevovod priklica
Cevovod priklica je zaporedje korakov obdelave, s katerimi sistem najde prave informacije za vprašanje. Tipični koraki so: zajem in čiščenje dokumentov, razdelitev na odseke, izgradnja iskalnega indeksa, po potrebi preoblikovanje poizvedbe, priklic zadetkov, njihovo razvrščanje (reranking) in posredovanje najboljših jezikovnemu modelu. Je temelj vsake aplikacije RAG, njegova kakovost pa v veliki meri določa, kako dobri so končni odgovori.
Cevovod strojnega učenja
Cevovod strojnega učenja (machine learning pipeline) je določeno zaporedje korakov, ki surove podatke pretvori v model, pripravljen za uvedbo: zbiranje in čiščenje podatkov, priprava značilnosti, učenje, vrednotenje, uvedba in spremljanje. Avtomatizacija teh korakov omogoča ponovljive rezultate in obdelavo novih podatkov z majhnim naporom. Trgovec lahko na primer model za napovedovanje prodaje vsak teden znova nauči in preizkusi z najnovejšimi podatki.
Chainer
Chainer je odprtokodno ogrodje za globoko učenje za Python, ki ga je razvilo japonsko podjetje Preferred Networks. Populariziralo je pristop „define-by-run“, pri katerem se nevronska mreža zgradi med izvajanjem izračuna, kar olajša eksperimentiranje s prilagodljivimi strukturami modelov. Od decembra 2019 se Chainer le še vzdržuje, ne pa tudi razvija; Preferred Networks je prešel na PyTorch, ki sledi istemu načelu.
Chatbot
Klepetalni robot (chatbot) je program, ki sprejema vprašanja v besedilni ali govorni obliki in nanje odgovarja v dialogu. Preprosti klepetalni roboti sledijo fiksnim pravilom in odločitvenim drevesom, sodobni pa uporabljajo velike jezikovne modele in razumejo prosto oblikovane zahteve. Tipične uporabe so storitve za stranke, notranja služba za pomoč in naročanje terminov – na primer klepet na spletnem mestu, ki neprekinjeno odgovarja na vprašanja o rokih dostave.
Predloga
ChatGPT
ChatGPT je asistent UI ameriškega podjetja OpenAI, izdan novembra 2022, ki je generativno UI približal širokemu občinstvu. Temelji na velikih jezikovnih modelih serije GPT ter odgovarja na vprašanja, piše in ureja besedila, povzema dokumente in pomaga pri programiranju. ChatGPT je na voljo v brskalniku in kot aplikacija, v brezplačni in plačljivih različicah ter v različicah za ekipe in podjetja.
Claude
Claude je družina velikih jezikovnih modelov ameriškega podjetja za UI Anthropic. Modeli razumejo in pišejo besedila v številnih jezikih, analizirajo dokumente, pišejo kodo in lahko uporabljajo orodja, na primer za raziskave ali avtomatizacijo. Najbolj znane so družine modelov Haiku, Sonnet in Opus, ki se razlikujejo po hitrosti, stroških in zmogljivosti. Anthropic daje poseben poudarek varnosti in zanesljivemu vedenju modelov.
Claude Haiku
Claude Haiku je najhitrejša in najcenejša od treh družin modelov Claude podjetja Anthropic, poleg Sonnet in Opus. Primerna je za naloge z velikim obsegom, ki zahtevajo kratke odzivne čase, kot so razvrščanje e-sporočil, izluščenje podatkov iz besedil ali usmerjanje zahtev na pravo mesto. Trenutna generacija je Claude Haiku 5.5 (stanje oktober 2026).
Claude Opus
Claude Opus je najzmogljivejša od treh družin modelov Claude podjetja Anthropic: Haiku, Sonnet in Opus. Zasnovana je za zahtevne naloge, ki zahtevajo večstopenjsko sklepanje, kot so kompleksne analize, veliki programerski projekti ali agenti, ki dalj časa delajo samostojno. V zameno je počasnejša in dražja od manjših družin. Trenutna različica je Claude Opus 5.5 (stanje oktober 2026).
Claude Sonnet
Claude Sonnet je srednja od treh družin modelov Claude podjetja Anthropic, ki združuje veliko zmogljivost s kratkimi odzivnimi časi in zmernimi stroški. Primerna je za širok nabor vsakdanjih poslovnih nalog: pripravo osnutkov besedil, analizo dokumentov, odgovarjanje na vprašanja o znanju ali pisanje kode. Anthropic redno izdaja nove različice; trenutna je Claude Sonnet 5.5 (stanje oktober 2026).
Clearbit
Clearbit je storitev za obogatitev podatkov B2B: iz e-poštnega naslova ali domene doda podatke, kot so dejavnost, velikost podjetja ali lokacija. Prodajne in tržne ekipe takšne podatke uporabljajo za točkovanje potencialnih strank, skrajšanje obrazcev in povezovanje obiskov spletnega mesta s podjetji. Clearbit je leta 2023 prevzel HubSpot; njegove funkcije se zdaj ponujajo kot Breeze Intelligence v okviru HubSpot (stanje oktober 2026).
Clustering
Gručenje (clustering) je metoda nenadzorovanega učenja, ki podatkovne točke na podlagi podobnosti razdeli v skupine brez vnaprej določenih kategorij. Razkrije vzorce, ki jih še nihče ni poimenoval – na primer segmente strank s podobnim nakupnim vedenjem. Pri besedilih gručenje pomaga razvrstiti na stotine povpraševanj strank v teme, kot so dostava, obračun ali pritožbe, in pokaže, kje je težišče.
Predloga
Copilot
Copilot je blagovna znamka, pod katero Microsoft združuje svoje pomočnike UI. Vključuje splošnega pomočnika za splet in Windows, Microsoft 365 Copilot za delo v Wordu, Excelu, Outlooku ali Teamsu ter Copilot Studio za izdelavo lastnih agentov; GitHub Copilot pa podpira programiranje. Pomočniki temeljijo na velikih jezikovnih modelih in lahko glede na različico dostopajo do podatkov organizacije v storitvi Microsoft 365 (stanje oktober 2026).
Copy.ai
Copy.ai je ameriška platforma UI, ki je začela kot generator besedil za tržno komuniciranje, kot so oglasi, e-poštna sporočila ali opisi izdelkov. Njen poudarek se je pozneje premaknil na samodejne poteke dela za prodajo in trženje, ki jih podjetje združuje pod oznako »GTM AI«. Oktobra 2025 je Copy.ai prevzel ponudnik rešitev za upravljanje prihodkov Fullcast (stanje oktober 2026).
Copysmith
Copysmith je ameriški ponudnik orodij UI, znan po generatorju besedil za trženje in spletno trgovino, na primer za opise izdelkov in oglase. Leta 2022 je Copysmith prevzel orodji za pisanje in SEO Rytr in Frase. Danes podjetje deluje kot krovna znamka več izdelkov, med njimi Describely za besedila o izdelkih v spletni maloprodaji (stanje oktober 2026).
Crew AI
CrewAI je odprtokodno ogrodje v jeziku Python, s katerim lahko več agentov UI združite v ekipo (»crew«). Vsak agent dobi vlogo, cilj in ustrezna orodja; naloge se porazdelijo, rezultati pa posredujejo naprej. Poleg tega »flows« omogočajo strogo nadzorovane poteke dela, ki jih sprožajo dogodki. Na primer: raziskovalni agent zbere informacije, pisni agent pa iz njih naredi poročilo.
Čiščenje podatkov
Čiščenje podatkov je odkrivanje in popravljanje napačnih, podvojenih ali neskladnih vnosov v podatkovnih zbirkah. Tipični koraki so poenotenje zapisov in oblik datumov, odstranjevanje odvečnih presledkov in združevanje podvojenih vnosov, kot sta „Novak d.o.o.“ in „Novak, družba z omejeno odgovornostjo“. Čisti podatki so pogoj za zanesljive analize, pošiljanje in aplikacije UI.
Predloga
Človek v zanki
Človek v zanki (human-in-the-loop) opisuje poteke dela, pri katerih ljudje na določenih točkah vstopijo v proces UI: pregledajo rezultate, jih odobrijo ali popravijo ali prevzamejo težke primere. Načelo zmanjšuje tveganje napačnih izpisov in odgovornost ohranja pri ljudeh, zlasti pri odločitvah, ki zadevajo posameznike, denar ali pravne zadeve. Primer: agent UI pripravi osnutke odgovorov na povpraševanja strank, sodelavec pa jih pred pošiljanjem preveri.
DALL-E
DALL-E je serija modelov za ustvarjanje slik podjetja OpenAI, ki iz besednih opisov ustvarjajo slike. Prva različica je izšla leta 2021; DALL-E 3 je bil leta 2023 vključen v ChatGPT in je ustvarjanje slik iz besedila približal širokemu občinstvu. OpenAI je DALL-E medtem nadomestil z novejšimi slikovnimi modeli iz serije GPT Image; dostop do DALL-E 2 in 3 prek API-ja se je končal maja 2026 (stanje oktober 2026).
Dash
Dash je odprtokodno ogrodje podjetja Plotly za gradnjo interaktivnih spletnih aplikacij za analizo podatkov v jeziku Python, brez lastnega pisanja kode JavaScript. Grafikoni, filtri in drsniki so neposredno povezani s kodo Python. Tipični primeri so nadzorne plošče, na katerih poslovne ekipe filtrirajo prodajo po regijah ali z lastnimi vrednostmi preizkušajo napovedi modela strojnega učenja.
DataRobot
DataRobot je ameriško programsko podjetje, katerega platforma organizacijam pomaga pri izdelavi, upravljanju in nadzoru aplikacij UI. Postal je znan po samodejnem strojnem učenju (AutoML), ki samodejno uri in primerja številne različice modelov – na primer za napoved odhoda strank ali povpraševanja. Danes se podjetje osredotoča tudi na upravljanje in vodenje agentov UI (stanje oktober 2026).
Datum zaključka znanja
Datum zaključka znanja je trenutek, do katerega segajo podatki za učenje jezikovnega modela. Model nima lastnega znanja o dogodkih, cenah, zakonih ali izdelkih, ki so nastali pozneje, in lahko poda zastarele informacije, razen če mu dobavimo aktualne podatke. Temu se je mogoče izogniti z metodami, ki med delovanjem vključijo lastne dokumente ali aktualne spletne vsebine.
Deepfake
Deepfake je slika, videoposnetek ali zvočni posnetek, ustvarjen ali spremenjen z UI, ki prepričljivo prikazuje resnične osebe, kako govorijo ali počnejo stvari, ki se niso nikoli zgodile. Poleg zakonite uporabe v filmu ali sinhronizaciji se deepfake uporablja za dezinformacije, škodo ugledu in goljufije – na primer lažne klice navideznega vodje, ki zahteva nakazilo. Zaščita vključuje povratne klice po znanih kanalih, jasne postopke odobritve in označevanje vsebin, ustvarjenih z UI.
Delno nadzorovano učenje
Delno nadzorovano učenje združuje majhno količino označenih podatkov z veliko količino neoznačenih. Model se najprej uči iz peščice primerov z znanimi odgovori, nato pa z vzorci v preostalih podatkih izboljšuje svoje delovanje – na primer tako, da zanesljive napovedi privzame kot dodatne primere za učenje. To se izplača, kadar je označevanje drago, na primer pri medicinskih slikah ali tisočih zahtevkih za podporo.
Determinističen model
Determinističen model za isti vnos vedno da isti rezultat, ker sledi trdnim pravilom ali formulam in ne vključuje naključnosti – na primer pravilo „5 % popusta pri naročilih nad 100 €“. Veliki jezikovni modeli pa delujejo verjetnostno: njihovi odgovori na isto vprašanje se lahko razlikujejo. V praksi se oboje pogosto združuje, da se uravnotežita prilagodljivost in sledljivost.
Developmental Reading Assessment (DRA)
Developmental Reading Assessment (DRA) je v ZDA široko uporabljen postopek, s katerim učitelji ugotavljajo bralno raven otrok od vrtca do 8. razreda; izdaja ga Pearson. Otroci glasno berejo besedila po težavnostnih stopnjah in odgovarjajo na vprašanja o njih, ocena pa zajema vidike, kot sta tekočnost in razumevanje. Rezultat je bralna raven, ki usmerja izbiro primernih knjig in podpornih ukrepov.
Diskriminacija pri UI
O diskriminaciji pri UI govorimo, kadar sistem UI neupravičeno postavlja ljudi v slabši položaj zaradi lastnosti, kot so spol, etnično poreklo, starost ali invalidnost. Vzroki so običajno izkrivljeni učni podatki, neprimerne nadomestne značilnosti, kot so poštne številke, ali pomanjkljivo testiranje; znani primeri izvirajo iz zaposlovanja in kreditiranja. Protiukrepi so reprezentativni podatki, redno preizkušanje pravičnosti, preglednost in človeški nadzor nad odločitvami o ljudeh.
Diskriminativni modeli
Diskriminativni modeli se naučijo razlikovati podatkovne točke tako, da neposredno določijo mejo med razredi – odgovarjajo na vprašanje „V katero kategorijo sodi ta vnos?“. Primeri so logistična regresija, podporni vektorski stroji in številni nevronski klasifikatorji, na primer za prepoznavanje neželene pošte. Generativni modeli pa zajamejo, kako nastajajo sami podatki, in zato lahko ustvarjajo nove primere.
DL4J (DeepLearning4J)
DL4J (Eclipse Deeplearning4j) je odprtokodna knjižnica za globoko učenje na virtualnem stroju Java (JVM). Omogoča učenje in izvajanje nevronskih mrež v jeziku Java ali Scala, zato se vključi v obstoječe poslovne sisteme na osnovi Jave. Projekt vključuje tudi orodja za uvoz modelov iz drugih ogrodij. Vzdržuje ga Eclipse Foundation.
Dropout
Dropout je tehnika regularizacije pri učenju nevronskih mrež: pri vsakem učnem koraku se naključni del nevronov začasno izklopi. Tako se mreža ne more zanašati na posamezne povezave in se nauči robustnejših vzorcev. Zmanjšuje čezmerno prilagajanje, tj. golo zapomnitev učnih podatkov. Ko se dokončani model pozneje uporablja, so vsi nevroni spet aktivni.
Dvosmerni LSTM
Dvosmerni LSTM (BiLSTM) je rekurentna nevronska mreža, ki zaporedje bere naprej in nazaj ter oba pogleda združi. Tako se upošteva tudi kontekst, ki sledi posamezni besedi. Preden so prevladali transformerji, je bil standardna izbira za naloge, kot so označevanje besednih vrst, prepoznavanje imenskih entitet in razpoznavanje govora. Pri zelo dolgih besedilih in velikih zbirkah podatkov so danes transformerji običajno uspešnejši.
Ekspertni sistem
Ekspertni sistem je računalniški program, ki znanje človeških strokovnjakov shrani kot pravila in dejstva ter iz njih sklepa. Običajno ga sestavljata baza znanja in sklepalni mehanizem, ki uporablja pravila. Ekspertni sistemi so v sedemdesetih in osemdesetih letih oblikovali UI, na primer pri medicinski diagnostiki ali konfiguriranju tehnične opreme. Njihove zamisli živijo naprej v preverjanjih na podlagi pravil in grafih znanja.
Ekstraktivna UI
Ekstraktivna UI označuje metode, ki iz besedil ali dokumentov izvlečejo obstoječe informacije, namesto da bi pisale novo vsebino. Rezultat je dobesedno ali v določeni strukturi vzet iz vira – na primer številke računov iz datotek PDF, ključni stavki za povzetek ali ustrezen odlomek kot odgovor na vprašanje. Ker se nič ne izmišlja, je tveganje napačnih trditev manjše kot pri čisto generativnih pristopih; oba se pogosto združujeta.
Predloga
Emergenca
Emergenca opisuje lastnosti sistema, ki nastanejo iz součinkovanja mnogih preprostih delov, a jih ni mogoče opaziti pri nobenem posameznem delu. Pri raziskavah UI so zmožnosti emergentne, kadar veliki jezikovni modeli nad določeno velikostjo naloge, kot so večstopenjsko računanje ali prevajanje, rešujejo opazno bolje kot manjši modeli. Med raziskovalci je sporno, ali so takšni skoki resnični ali delno odvisni od načina merjenja.
Etika UI
Etika UI se ukvarja z moralnimi vprašanji ob razvoju in uporabi UI: pravičnost in diskriminacija, preglednost in razložljivost, varstvo podatkov, odgovornost za napake, varnost ter učinki na delo in družbo. Za organizacije se konkretizira v smernicah, ocenah tveganja, človeškem nadzoru in poštenem komuniciranju o omejitvah UI. Primer: preden se uvede orodje za pregledovanje življenjepisov, se preveri, ali morda postavlja določene skupine v slabši položaj.
Fasetno iskanje
Pri fasetnem iskanju uporabniki rezultate korak za korakom zožujejo s filtri, zgrajenimi iz lastnosti vsebine – kot so kategorija, cena, znamka, datum ali avtor. Vsaka faseta običajno pokaže, koliko rezultatov ostane. Pristop je znan iz spletnih trgovin, uporablja pa se tudi v knjižnicah, intranetih in arhivih dokumentov, da so velike zbirke obvladljive brez natančnih iskalnih izrazov.
fastai
fastai je odprtokodna knjižnica za globoko učenje v jeziku Python, zgrajena na podlagi ogrodja PyTorch. Združuje preverjene privzete nastavitve, tako da je modele za slike, besedila ali tabelarne podatke mogoče naučiti z nekaj vrsticami kode, hkrati pa omogoča globoko prilagajanje na vsaki ravni. Zrasla je iz učne pobude fast.ai in spremlja njene brezplačne tečaje, zato je priljubljena v izobraževanju in za hitro preizkušanje modelov.
Federativno učenje
Federativno učenje je pristop k učenju, pri katerem se model UI uči na številnih napravah ali lokacijah, ne da bi surovi podatki kdaj zapustili naprave ali lokacije. Vsak udeleženec uči lokalno in osrednjemu strežniku pošlje le posodobitve modela, ta pa jih združi. To varuje zasebnost in je primerno na primer za bolnišnice, ki želijo skupaj izboljšati diagnostični model, ali tipkovnice pametnih telefonov, ki se učijo predlogov besed.
Fino uravnavanje
Fino uravnavanje (fine-tuning) pomeni nadaljnje učenje že vnaprej naučenega modela UI na dodatnih, običajno nalogi prilagojenih podatkih. Njegove notranje uteži se prilagodijo, tako da model zanesljiveje obvlada na primer določen slog pisanja, strokovno besedišče ali obliko izpisa. Fino uravnavanje zahteva skrbno pripravljene vzorčne podatke, računsko moč in preizkušanje. Za številne aplikacije zadostujejo dobro napisana navodila in povezano znanje, ki ju je tudi laže spreminjati.
Fleschev indeks berljivosti
Fleschev indeks berljivosti ocenjuje, kako lahko je besedilo razumljivo, na podlagi povprečne dolžine stavka in števila zlogov na besedo. Rudolf Flesch ga je razvil za angleščino leta 1948, za druge jezike pa obstajajo prilagojene formule. Lestvica poteka približno od 0 do 100 – višji kot je rezultat, lažje je besedilo. Meri le obliko, ne pa tega, ali vsebina in terminologija ustrezata ciljni publiki.
Predloga
Frase
Frase je programska oprema za raziskovanje in optimizacijo spletnih vsebin. Analizira, katere teme, vprašanja in izraze pokrivajo dobro uvrščene strani za iskalno poizvedbo, iz tega pripravi vsebinske povzetke in med popravljanjem ocenjuje besedila. Frase zdaj ponuja tudi funkcije za spremljanje in izboljševanje tega, ali so vsebine navedene v odgovorih iskalnih sistemov UI, kot sta ChatGPT ali Perplexity (stanje oktober 2026).
Fréchetova razdalja Inception (FID)
Fréchetova razdalja Inception (Fréchet inception distance, FID) je merilo za ocenjevanje kakovosti slik, ustvarjenih z UI. Prave in ustvarjene slike se spustijo skozi vnaprej naučeno mrežo za prepoznavanje slik (Inception v3), nato se primerjajo statistične porazdelitve njihovih značilnosti. Nižja ko je vrednost, bližje so ustvarjene slike pravim fotografijam po realističnosti in raznolikosti. FID je bil predstavljen leta 2017 in je standard za primerjavo generatorjev slik.
Garbage in, garbage out (GIGO)
„Garbage in, garbage out“ (smeti noter, smeti ven) opisuje načelo, da sistem lahko da le tako dobre rezultate, kot so podatki, ki jih prejme. Pri UI to velja dvojno: nepravilni, zastareli ali enostranski učni podatki ali podatki o znanju vodijo do napačnih ali pristranskih odgovorov. Klepetalni robot, ki se opira na zastarel cenik, bo navajal zastarele cene. Skrb za podatke je zato stalna naloga v vsakem projektu UI.
Generativna UI
Generativna UI označuje sisteme UI, ki ustvarjajo novo vsebino – besedilo, slike, zvok, videoposnetke ali programsko kodo – namesto da bi obstoječe podatke le razvrščali ali ocenjevali. Temeljijo na modelih, ki se iz velikih količin podatkov naučijo vzorcev in jih uporabijo za ustvarjanje verjetnih novih izpisov. V poslu se uporablja na primer za osnutke e-poštnih sporočil, povzetkov, opisov izdelkov ali zamisli za slike. Rezultati lahko vsebujejo napake, zato jih je treba pred uporabo preveriti.
Generativni predhodno učeni transformer (GPT)
GPT (generative pre-trained transformer) označuje serijo velikih jezikovnih modelov podjetja OpenAI, ki temeljijo na arhitekturi transformer. Modeli se najprej predhodno učijo na ogromnih količinah besedil, da napovedujejo naslednji token, nato pa se dodatno učijo za dialog in upoštevanje navodil. Prvi model GPT je izšel leta 2018; poznejše generacije so podlaga ChatGPT. V vsakdanjem govoru se „GPT“ pogosto uporablja za jezikovne modele nasploh.
Generativno nasprotniško omrežje (GAN)
Generativno nasprotniško omrežje (GAN) sestavljata dve nevronski mreži, ki se učita druga proti drugi: generator ustvarja umetne podatke, na primer slike, diskriminator pa jih poskuša ločiti od pravih. S tem tekmovanjem so rezultati vse bolj realistični. GAN-i so bili predstavljeni leta 2014 in so oblikovali ustvarjanje slik, preden so se razširili difuzijski modeli; uporabljajo se na primer za sintetične učne podatke ali izboljšavo slik.
Generator prodajnih scenarijev
Generator prodajnih scenarijev je orodje UI, ki pripravi vodnike za prodajne pogovore – na primer za hladne klice, sestanke ali ponovne stike. Iz podatkov o ponudbi in ciljni skupini ustvari uvod, odkrivalna vprašanja, argumente o koristih, odgovore na tipične ugovore in predlog naslednjega koraka. Dober vodnik nudi orientacijo, ne togega scenarija: poslušanje in iskreno svetovanje ostajata pomembnejša od vnaprej pripravljenih fraz.
Predloga
Generator spletnih mest
Generator spletnih mest z UI iz nekaj vnosov, kot so panoga, ponudba in želeni slog, samodejno ustvari spletno mesto, vključno s strukturo strani, postavitvijo, besedili in predlogi slik. Tako mala podjetja ali projekti hitro dobijo spletno prisotnost brez znanja programiranja. Rezultati so izhodišče: vsebino, zakonsko zahtevane podatke, dostopnost in optimizacijo za iskalnike je treba nato preveriti in prilagoditi.
Generiranje besedil
Generiranje besedil je samodejno ustvarjanje besedil z UI, danes običajno z velikimi jezikovnimi modeli, ki besedo za besedo izračunajo najverjetnejše nadaljevanje. Je veja generiranja naravnega jezika in osrednja uporaba generativne UI. Organizacije jo uporabljajo za pripravo e-poštnih sporočil, poročil ali opisov izdelkov; dejstva in številke je treba pred objavo preveriti.
Predloga
Generiranje naravnega jezika (NLG)
Generiranje naravnega jezika (NLG) je področje obdelave jezika, ki iz podatkov, alinej ali drugih vhodov ustvari razumljivo besedilo. Starejši sistemi NLG so temeljili na predlogah in pravilih; danes večina uporablja velike jezikovne modele. Tipične uporabe so vremenska in borzna poročila, opisi izdelkov, povzetki ključnih številk in odgovori klepetalnih robotov. Pomembno je, da se številke in dejstva iz vhodov prenesejo pravilno in nespremenjeno.
Predloga
Generiranje z obogatenim priklicem (RAG)
Generiranje z obogatenim priklicem združuje iskanje z generiranjem besedil: preden sistem odgovori, v zbirki znanja – na primer priročnikih, pravilnikih ali pogostih vprašanjih – poišče ustrezne odlomke in jih kot kontekst poda jezikovnemu modelu. Odgovor tako temelji na aktualnih vsebinah podjetja in ne le na znanju modela iz učenja. To zmanjša izmišljene trditve, omogoči sledljivost virov in posodobitve brez ponovnega učenja.
Generiranje, razširjeno s predpomnilnikom (CAG)
Generiranje, razširjeno s predpomnilnikom (cache-augmented generation, CAG), je pristop, pri katerem jezikovni model znanja ne išče ob vsakem vprašanju. Namesto tega se obvladljiva baza znanja vnaprej naloži v njegovo kontekstno okno in to stanje se shrani v predpomnilnik, tako da odgovori ne potrebujejo ločenega koraka pridobivanja. Izraz je populariziral raziskovalni članek s konca leta 2024 kot alternativo generiranju, razširjenemu s pridobivanjem (RAG). CAG je primeren za majhne, stabilne baze znanja; pri velikih ali pogosto spreminjajočih se podatkih ostaja RAG običajno praktičnejši.
Gensim
Gensim je odprtokodna knjižnica v jeziku Python za analizo velikih zbirk besedil. Znana je po tematskih modelih, kot je LDA, po učenju besednih vektorjev (na primer Word2Vec, FastText in Doc2Vec) in po primerjavi dokumentov glede na podobnost. Ker Gensim podatke obdeluje po delih, lahko obravnava tudi korpuse, ki ne gredo v pomnilnik. Tipična uporaba: samodejno razvrščanje tisočev komentarjev strank po ponavljajočih se temah.
Globoke verjetnostne mreže (DBN)
Globoke verjetnostne mreže (deep belief networks, DBN) so nevronske mreže iz več zloženih slojev, ki se najprej sloj za slojem vnaprej učijo brez nadzora, običajno kot t. i. omejeni Boltzmannovi stroji. Metodo so leta 2006 predstavili Geoffrey Hinton in sodelavci; pokazala je, da je globoke mreže mogoče učinkovito učiti, in tako pripomogla k vzponu globokega učenja. V praksi so DBN-je medtem večinoma nadomestile druge arhitekture.
Globoko učenje
Globoko učenje je veja strojnega učenja, ki uporablja umetne nevronske mreže z mnogo sloji. Takšne mreže se iz velikih količin podatkov naučijo, katere značilnosti so pomembne – od robov na slikah do pomenskih povezav v besedilih. Globoko učenje je podlaga današnjih jezikovnih modelov, prepoznavanja slik in govora ter strojnega prevajanja in običajno zahteva veliko računske moči in učnih podatkov.
Google Colab
Google Colab (Colaboratory) je Googlova storitev v oblaku za izvajanje kode Python v zvezkih v slogu Jupyter neposredno v brskalniku, brez lokalne namestitve. Brezplačna različica ponuja tudi GPU-je in TPU-je, odvisno od razpoložljivosti in z omejitvami časa izvajanja; plačljivi paketi ponujajo več računske moči. Colab je priljubljen pri poučevanju, analizi podatkov in preizkušanju modelov, vgrajeni pomočnik Gemini pa pomaga pisati in popravljati kodo (stanje oktober 2026).
Gospodarski učinki UI
Izraz zajema gospodarske posledice uporabe umetne inteligence: povečanje produktivnosti, nove izdelke in poslovne modele, spreminjajoče se naloge in zahteve po znanju ter premike v konkurenci. Obseg in porazdelitev teh učinkov sta sporna in močno odvisna od panoge, naložb in usposabljanja. Za posamezne organizacije je najpomembnejša merljiva korist posameznih aplikacij. Primer: krajši časi obravnave v podpori strankam zmanjšajo stroške na povpraševanje.
Gradientni spust
Gradientni spust je optimizacijska metoda, s katero se uči večina modelov UI. Izmerite, kako velika je napaka modela, izračunate, v katero smer je treba spremeniti parametre, da jo zmanjšate, nato pa naredite majhen korak v tej smeri – znova in znova. To je kot pohodnik v megli, ki hodi vedno navzdol, da pride v dolino. Velikost koraka (stopnja učenja) določa hitrost in stabilnost.
Gradientno ojačevanje
Gradientno ojačevanje (gradient boosting) je tehnika strojnega učenja, ki zaporedno združuje številne preproste modele – običajno majhna odločitvena drevesa. Vsako novo drevo se uči posebej zato, da zmanjša preostale napake prejšnjih. Rezultat so zelo natančni modeli za tabelarne podatke, na primer za kreditno tveganje, napovedi prodaje ali verjetnost odhoda strank. Znane izvedbe so XGBoost, LightGBM in CatBoost; za preprečevanje čezmernega prilagajanja je potrebno skrbno uravnavanje.
Grok (xAI)
Grok je pomočnik UI na osnovi velikih jezikovnih modelov, ki ga razvija podjetje xAI. Vključen je v platformo X, na voljo pa je tudi prek lastnega spletnega mesta, mobilnih aplikacij in API-ja. Značilen je dostop do aktualnih objav na X in do spletnega iskanja. Od februarja 2026 je xAI del podjetja SpaceX in zdaj posluje pod imenom SpaceXAI; različice modelov se redno posodabljajo (stanje oktober 2026).
Halucinacija
Halucinacija je izpis modela UI, ki zveni prepričljivo, a je napačen ali popolnoma izmišljen – na primer neobstoječa sodba, napačna številka ali izmišljen vir. Vzrok: jezikovni modeli ustvarjajo verjetna besedila, dejstev pa samodejno ne iščejo. Tveganje se zmanjša, kadar odgovori temeljijo na preverjenih virih, so dokazi navedeni in ljudje preverijo pomembne rezultate.
Predloga
Heteronym
Heteronim je beseda, ki se piše enako kot druga, izgovarja pa se drugače in ima drugačen pomen – na primer angleško „lead“ (voditi) in „lead“ (svinec) ali „wind“ (veter) in „wind“ (navijati). Heteronimi so podskupina homografov. Za sisteme za pretvorbo besedila v govor so izziv, ker je mogoče pravilni izgovor ugotoviti le iz konteksta, pogosto s pomočjo določanja besednih vrst.
Hevristike
Hevristike so praktična pravila ali poenostavljene strategije, ki v razumnem času vodijo do dobre, čeprav ne nujno optimalne rešitve. V računalništvu in UI pomagajo zožiti ogromne iskalne prostore – na primer pri načrtovanju poti, kjer zračna razdalja do cilja služi kot ocena, ali pri šahu, kjer se ocenjujejo položaji. Ljudje hevristike uporabljajo tudi v vsakdanjem življenju in poslovnih odločitvah, s tveganjem sistematičnih miselnih napak.
Horovod
Horovod je odprtokodno ogrodje za porazdeljeno učenje modelov globokega učenja na številnih GPU-jih ali strojih. Prvotno razvit pri podjetju Uber podpira TensorFlow, Keras, PyTorch in MXNet ter z metodo ring-allreduce, brez osrednjega strežnika parametrov, sinhronizira gradiente, ki jih izračunajo sodelujoči stroji. Projekt gosti LF AI & Data Foundation; zadnja stabilna izdaja, 0.28.1, je iz leta 2023 (stanje oktober 2026).
Hugging Face Transformers
Hugging Face Transformers je odprtokodna knjižnica v jeziku Python, ki prek enotnega, dosledno zasnovanega vmesnika omogoča dostop do vnaprej naučenih modelov za besedilo, slike in zvok. Razvijalci jo uporabljajo za prenos modelov iz središča Hugging Face Hub, njihovo preizkušanje, prilagajanje lastnim podatkom ali lokalno izvajanje. Od različice 5 se knjižnica osredotoča predvsem na PyTorch (stanje oktober 2026). Primer: ekipa z nekaj vrsticami kode preizkusi model za analizo razpoloženja.
Ideogram AI
Ideogram je storitev UI, ki iz besednih opisov ustvarja slike in jo razvija istoimensko podjetje, ustanovljeno leta 2022. Najbolj je znan po prikazu berljivega besedila znotraj slik, zato je uporaben za plakate, vabila ali grafike za družbena omrežja. Na voljo je kot spletna aplikacija in prek API-ja; različice modelov in licenčni pogoji se redno spreminjajo (stanje oktober 2026). Pred komercialno uporabo je treba preveriti pravice uporabe.
Indeks berljivosti LIX
LIX (läsbarhetsindex) je merilo berljivosti, ki ga je na Švedskem razvil Carl-Hugo Björnsson. Povprečni dolžini stavka v besedah prišteje odstotek dolgih besed z več kot šestimi črkami. Primer: 15 besed na stavek in 30 % dolgih besed daje LIX 45. Ker ne zahteva štetja zlogov, ga je mogoče uporabiti za številne jezike, tudi za nemščino; nizke vrednosti označujejo lahka besedila, vrednosti od približno 60 naprej pa zelo težka.
Predloga
Insight Engine
Sistem za vpogled (insight engine) je oblika podjetniškega iskanja, ki združuje informacije iz številnih virov, kot so dokumenti, e-poštna sporočila, zbirke podatkov in aplikacije, ter jih analizira s tehnikami UI. Namesto golih seznamov zadetkov ponuja pripravljene odgovore, povezave ali priporočila, pogosto v kontekstu trenutne naloge. Izraz so uveljavili predvsem industrijski analitiki. Primer: prodajna ekipa pred sestankom s stranko vidi vse ustrezne pogodbe, zahtevke in zapiske na enem mestu.
Instruction Tuning
Učenje z navodili (instruction tuning) je oblika finega uravnavanja, pri kateri se vnaprej naučen jezikovni model dodatno uči na številnih parih navodil in želenih odgovorov. Tako se model nauči upoštevati naloge, zapisane v naravnem jeziku, namesto da bi besedilo le nadaljeval. Je ključni korak pri pretvorbi osnovnega modela v pomočnika in se pogosto združuje z metodami, kot je RLHF. Primer: „Povzemi to besedilo v treh stavkih“ se izvede zanesljivo.
Inteligentna obdelava dokumentov (IDP)
Inteligentna obdelava dokumentov (intelligent document processing, IDP) samodejno bere dokumente, kot so računi, pogodbe ali obrazci, prepozna njihovo vrsto in ustrezne podatke pretvori v strukturirane podatke. Združuje prepoznavanje besedila pri skeniranih dokumentih, obdelavo naravnega jezika in pravila preverjanja. Organizacije prihranijo ročni vnos podatkov in pospešijo postopke, kot sta obdelava prejetih računov ali pošte. Negotova polja naj preverijo ljudje.
Predloga
Inteligentni agenti
Inteligentni agent je sistem, ki zaznava svoje okolje, obdeluje informacije in samostojno izbira dejanja, da doseže cilj. Danes izraz običajno označuje programsko opremo na osnovi velikih jezikovnih modelov, ki upošteva navodila, črpa iz znanja in kliče orodja, kot sta iskalna funkcija ali API. Koliko sme agent početi samostojno, je treba odločiti premišljeno. Primer: agent odgovarja na vprašanja strank na podlagi dokumentacije izdelka.
Inženir sistemov UI
Inženir sistemov UI načrtuje in upravlja aplikacije UI kot celoten sistem: povezuje modele z viri podatkov, vmesniki in obstoječo programsko opremo, zagotavlja varnost, nadzor in obvladovanje stroškov ter prototipe prenaša v stabilno delovanje. Za razliko od čistega razvoja modelov je poudarek na integraciji. En primer je povezava agenta za podporo s sistemom za prijave, vključno z beleženjem in pravicami dostopa.
Inženiring in izluščanje značilnosti
Inženiring značilnosti pomeni izbiro, preoblikovanje in ustvarjanje lastnosti (značilnosti) iz surovih podatkov, da učni algoritem lažje zazna vzorce. Izluščanje značilnosti iz kompleksnih podatkov, kot so besedila, slike ali signali, izpelje zgoščene, pomenljive vrednosti. Primer: posamezni zapisi nakupov se pretvorijo v značilnosti, kot sta „dni od zadnjega nakupa“ ali „povprečna vrednost naročila“, kar lahko opazno izboljša napoved odhoda strank.
Inženiring znanja
Inženiring znanja zajema zajemanje, urejanje in pripravo strokovnega znanja, da ga lahko uporabljajo sistemi IT. Sprva se je osredotočal na pravila za ekspertne sisteme; danes je pogosto prednostna naloga dokumentirati razpršeno znanje iz priročnikov, opisov procesov in glav ljudi, tako da lahko agenti UI iz njega zanesljivo odgovarjajo. To vključuje jasne strukture, aktualne vire, določene odgovornosti in zapiranje ugotovljenih vrzeli.
Predloga
Iskanje brez klikov
Iskanje brez klikov nastane, ko uporabniki odgovor dobijo neposredno na strani z rezultati, na primer prek izpostavljenih okvirjev z odgovori ali povzetkov, ki jih ustvari UI, in ne klikajo več naprej na spletno mesto. Za podjetja to zmanjša promet, tudi kadar njihova vsebina služi kot vir. Zato postaja vse pomembnejša vidnost kot navedeni vir: z jasnimi odgovori, podprtimi dejstvi in dobro strukturiranimi stranmi.
Predloga
Iskanje dokumentov z NLP
Iskanje dokumentov z NLP uporablja tehnike obdelave naravnega jezika, da v zbirkah dokumentov poišče informacije kot odgovor na prosto oblikovano vprašanje. Takšni sistemi ne primerjajo le natančnih zaporedij besed, ampak upoštevajo besedne oblike, utežitev redkih izrazov ali pomensko podobnost. Na primer: kdor vpiše „Kako zaprosim za dopust?“, dobi ustrezen razdelek priročnika za zaposlene, tudi če govori o „zahtevku za letni oddih“.
Iskanje informacij
Iskanje informacij zajema metode, ki v veliki zbirki besedil najdejo dokumente ali odlomke, ki ustrezajo poizvedbi, in jih razvrstijo po ustreznosti. Klasični pristopi, kot je BM25, iskalne izraze uteže glede na to, kako pogosto in kako redko se pojavljajo; novejši dodajajo pomensko podobnost. Podlaga so iskalnikom, podjetniškemu iskanju in generiranju z dopolnjevanjem iz virov, pri katerem jezikovni model najdene odlomke uporabi kot osnovo za odgovor.
Iskanje z UI
Iskanje z UI označuje iskalne metode, ki z UI razumejo namen poizvedbe, uteže rezultate in pogosto namesto golega seznama povezav ustvarijo povzet odgovor z viri. Tehnično uporabljajo iskanje po ključnih besedah, vektorsko iskanje po vdelavah ali kombinacijo obojega, pogosto z jezikovnim modelom na koncu. Primeri so odgovorni iskalniki na spletu in notranje iskanje po znanju, ki zaposlenim pomaga najti, kar potrebujejo, v priročnikih in pravilnikih.
Izločanje značilnic
Izločanje značilnic je postopek, pri katerem iz surovih podatkov pridobimo smiselne vrednosti, da jih model lahko učinkovito obdela. Namesto milijonov posameznih slikovnih pik sistem na primer uporabi robove, barve ali oblike; besedila se pretvorijo v uteži besed ali vektorje vložitev. Dobre značilnice zmanjšajo količino podatkov, znižajo računski napor in pogosto izboljšajo natančnost. Izločanje značilnic je osrednji del inženiringa značilnic.
Izvlečenje sistemskega poziva
Izvlečenje sistemskega poziva opisuje poskuse, da bi klepetalni robot ali agent UI razkril svoja skrita sistemska navodila. Če tak poskus uspe, se rezultat imenuje uhajanje pozivov: izvlečenje je napad, uhajanje pa posledica. Učinkovita zaščita se začne s tem, da gesel, ključev in zaupnih pravil ne vpisujete v navodila in predpostavljate, da lahko postanejo javna; preverjanje vnosov in redno testiranje dodata nadaljnje varovalke.
Predloga
Jailbreaking
Jailbreaking označuje poskuse zaobidenja varnostnih pravil modela UI s premišljeno oblikovanimi vnosi, tako da ustvari vsebino ali izvede dejanja, ki bi ju moral zavrniti. Za organizacije je to tveganje, saj bi klepetalni robot lahko na primer razkril zaupna navodila ali neprimerno odgovoril. Zaščitni ukrepi vključujejo jasna sistemska navodila, pregledovanje vnosov in izpisov, omejena pooblastila, beleženje in redno varnostno testiranje (red teaming).
Predloga
Jasper
Jasper je platforma UI za tržne ekipe podjetja Jasper AI, ameriške družbe, ustanovljene leta 2021. Pomaga pri ustvarjanju besedil, kot so spletni članki, oglasi ali objave na družbenih omrežjih, in lahko upošteva shranjene smernice znamke in ton komuniciranja. Ponudnik se zdaj pozicionira okoli specializiranih agentov in samodejnih potekov dela za vsebine (stanje oktober 2026). Kot pri vsakem generatorju besedil je treba dejstva in trditve pred objavo preveriti.
Jupyter Notebook
Jupyter Notebook je odprtokodna aplikacija v brskalniku projekta Jupyter, ki v enem dokumentu združuje izvedljivo kodo, rezultate, grafikone in razlagalno besedilo. Zvezki se pogosto uporabljajo pri analizi podatkov, strojnem učenju, raziskavah in poučevanju, ker je vsak korak mogoče dokumentirati in deliti na sledljiv način. Najpogostejši jezik je Python. Primer: analitik naloži podatke o prodaji, jih očisti in rezultate prikaže kot grafikon neposredno pod kodo.
K najbližjih sosedov
K najbližjih sosedov (k-nearest neighbours, k-NN) je preprosta metoda nadzorovanega učenja. Za razvrstitev nove podatkovne točke poišče k najbolj podobnih znanih primerov in prevzame njihov najpogostejši razred ali pri številskih vrednostih njihovo povprečje. Prave faze učenja ne potrebuje, a pri velikih podatkovnih zbirkah postane počasna in je občutljiva na merilo značilnosti. Primer: priporočila izdelkov na podlagi podobnih strank.
Kaggle
Kaggle je spletna platforma za podatkovno znanost in strojno učenje, ki je od leta 2017 v lasti Googla. Ponuja javne podatkovne zbirke, tekmovanja na podlagi resničnih problemov, zvezke v brskalniku z računskimi viri in učne tečaje. Za organizacije in učence je uporabna za preizkušanje metod, primerjavo pristopov ali odkrivanje talentov. Pred uporabo je treba preveriti licenco in izvor posamezne podatkovne zbirke.
Keras
Keras je odprtokodna knjižnica v jeziku Python za gradnjo in učenje nevronskih mrež, ki jo je prvotno razvil François Chollet. Ponuja dostopen vmesnik visoke ravni za sestavljanje modelov iz slojev. Od različice 3 lahko Keras kot računsko zaledje uporablja JAX, TensorFlow ali PyTorch. Primer: ekipa z nekaj vrsticami kode izdela prototip modela za razvrščanje slik.
Klasifikator
Klasifikator je model ali metoda, ki vnose uvrsti v eno od več vnaprej določenih kategorij. Klasične različice, kot so odločitvena drevesa ali naivni Bayes, se učijo na označenih primerih; jezikovni modeli lahko besedila razvrščajo tudi na podlagi opisa kategorij. Tipična uporaba so prepoznavanje neželene pošte, razvrščanje povpraševanj strank po temah in razvrščanje računov. Kakovost se meri z merili, kot so točnost, natančnost in priklic.
Predloga
Ključ API
Skrivna koda, s katero lahko drugi programi kličejo KI.ordo.
KI.ordo
KNIME
KNIME je programska oprema za podatkovno analitiko, v kateri se poteki dela sestavljajo vizualno iz gradnikov („vozlišč“) namesto programiranja. Odprtokodna platforma KNIME Analytics Platform zajema uvoz podatkov, čiščenje, analizo, strojno učenje in poročanje, komercialne ponudbe ponudnika pa dodajajo sodelovanje in delovanje znotraj organizacij. Tipičen primer je potek dela, ki združi mesečne podatke o prodaji iz več datotek Excel, jih očisti in pripravi napoved.
Kognitivni zemljevid
Kognitivni zemljevid je prvotno izraz iz psihologije, ki opisuje miselno predstavo, ki si jo ljudje ali živali ustvarijo o svojem okolju. V upravljanju in UI označuje tudi grafične modele, ki koncepte prikazujejo kot vozlišča, njihove vzročno-posledične povezave pa kot utežene puščice, na primer „mehke kognitivne zemljevide“. Takšni zemljevidi pomagajo strukturirati strokovno znanje in raziskovati scenarije, na primer kako spremembe cen vplivajo na povpraševanje in zaloge.
Kognitivno računalništvo
Kognitivno računalništvo je krovni izraz za sisteme, ki naj bi posnemali človeške miselne procese, kot so razumevanje jezika, sklepanje in učenje iz izkušenj, da bi podprli odločitve ljudi. Izraz je postal splošno znan v 2010-ih, predvsem po zaslugi IBM Watson. Združuje metode, kot so obdelava naravnega jezika, strojno učenje in predstavitev znanja; danes se namesto tega pogosteje govori o pomočnikih UI ali jezikovnih modelih.
Kolaborativni roboti (koboti)
Kolaborativni roboti ali koboti so industrijski roboti, zasnovani za neposredno delo ob ljudeh brez ločevalne varnostne ograje. Senzorji, omejene sile in hitrosti ter varnostne funkcije zagotavljajo, da se ob stiku ustavijo ali umaknejo; zahteve določajo standardi, kot je serija ISO 10218. Koboti opravljajo naloge, kot so polnjenje strojev, privijanje ali pakiranje, zaposleni pa skrbijo za pregled in posebne primere.
Kolaps modela
Kolaps modela je izguba kakovosti, ki lahko nastane, ko generativne modele ponavljajoče učimo na podatkih, ki jih je sama ustvarila umetna inteligenca. Redke vsebine in robni primeri se postopoma izgubijo, izhodi pa postanejo bolj enotni in bolj nagnjeni k napakam. Težava postaja vse pomembnejša, ker se delež besedil in slik, ustvarjenih z UI, na internetu povečuje. Skrbno izbrani podatki, ki jih ustvarijo ljudje, pomagajo to preprečiti.
Konkurenčni jarki
Jarek (moat) je trajna konkurenčna prednost, ki podjetje varuje pred posnemovalci, na primer omrežni učinki, stroški menjave, močna blagovna znamka, ekskluzivni podatki ali globoka vpetost v procese strank. Vprašanje je posebej pomembno za ponudbe UI, ker številni izdelki temeljijo na istih razpoložljivih modelih. Prednosti potem pogosteje izhajajo iz domenskega znanja, bližine strankam, dobrih procesov in zaupanja kot samo iz tehnologije.
Konvergenca
Pri strojnem učenju konvergenca pomeni, da se postopek učenja približuje stabilnemu stanju: izguba se skoraj ne zmanjšuje več, parametri modela pa se spreminjajo le minimalno. Ali in kako hitro model konvergira, je odvisno od dejavnikov, kot so stopnja učenja, kakovost podatkov in arhitektura modela. Če je stopnja učenja previsoka, izguba skače; če je prenizka, učenje traja po nepotrebnem dolgo. Konvergenca ne zagotavlja dobrega modela, saj je ta lahko še vedno čezmerno prilagojen.
Konvolucijska nevronska mreža (CNN)
Konvolucijska nevronska mreža (CNN) je arhitektura nevronskih mrež, posebej primerna za slikovne podatke. Vnos pregleduje z majhnimi filtri, pri čemer v prvih plasteh zaznava preproste značilnosti, kot so robovi, v globljih pa kompleksnejše oblike. Mreže CNN so dolga leta oblikovale prepoznavanje slik in se uporabljajo na primer za odkrivanje napak na fotografijah izdelkov ali v analizi medicinskih slik.
Korpus
Korpus je strukturirana zbirka besedil ali jezikovnih podatkov, sestavljena za analizo, raziskave ali učenje jezikovnih modelov. Lahko je splošen, na primer novičarska besedila skozi mnogo let, ali področno specifičen, na primer vse pogodbe in priročniki podjetja. Velikost, uravnoteženost, aktualnost in pravice do besedil določajo, kako uporabne so nastale ugotovitve.
Kraja podatkov (izfiltracija)
Kraja podatkov (izfiltracija) je nepooblaščen prenos podatkov iz sistema. Pri aplikacijah UI se lahko zgodi, ko s prirejenimi vnosi ali pripravljeno vsebino – na primer na spletni strani, ki jo prebere – manipuliramo klepetalnega robota ali agenta, da razkrije ali posreduje zaupne informacije. Zaščita vključuje minimalne pravice dostopa, preverjanje vnosov, omejitve odhodnih povezav in nadzor odgovorov.
Predloga
Krivulja ROC
Krivulja ROC (receiver operating characteristic) pokaže, kako dobro model razvrščanja loči dva razreda. Za vsak možen prag odločanja prikaže stopnjo pravih pozitivnih (priklic) glede na stopnjo lažnih pozitivnih. Bližje ko krivulja sega zgornjemu levemu kotu, boljše je; diagonala ustreza povsem naključnemu ugibanju. Površina pod njo (AUC) krivuljo povzame v eni številki in pomaga na primer pri primerjavi različnih modelov za zaznavanje goljufij.
Krivulja učenja
Pri strojnem učenju je krivulja učenja grafikon, ki prikazuje zmogljivost ali napako modela skozi čas učenja ali glede na količino učnih podatkov, običajno ločeno za učne in validacijske podatke. Njena oblika pokaže, ali je model premalo ali preveč prilagojen in ali bo več podatkov verjetno pomagalo. Če na primer validacijska napaka ostaja precej nad učno, to kaže na čezmerno prilagajanje. V vsakdanjem jeziku izraz opisuje tudi, kako hitro ljudje osvojijo novo tehnologijo.
Kubeflow
Kubeflow je odprtokodna platforma za izvajanje delovnih tokov strojnega učenja na Kubernetesu, od priprave podatkov prek učenja in iskanja hiperparametrov do postrežbe modelov. Projekt, ki ga je prvotno sprožil Google, spada pod Cloud Native Computing Foundation, kjer je avgusta 2026 dosegel status „graduated“ (stanje oktober 2026). Namenjen je predvsem ekipam, ki v velikem obsegu učijo lastne modele na lastni ali oblačni infrastrukturi.
Kvantno računalništvo
Kvantno računalništvo uporablja učinke kvantne fizike, kot sta superpozicija in prepletenost, za računanje s kubiti namesto s klasičnimi biti. Veliki pospeški se pričakujejo pri nekaterih nalogah, kot so simulacija molekul, nekateri optimizacijski problemi ali razbijanje današnjih metod šifriranja. Vendar so stroji še vedno nagnjeni k napakam in se večinoma uporabljajo v raziskavah in pilotnih projektih (stanje oktober 2026). Za današnje aplikacije UI kvantno računalništvo praktično še ne igra vloge.
LangChain
LangChain je odprtokodno ogrodje za Python in JavaScript, s katerim razvijalci gradijo aplikacije na osnovi jezikovnih modelov. Ponuja enotne vmesnike do številnih ponudnikov modelov ter gradnike za klicanje orodij, agente, obdelavo dokumentov in generiranje z dopolnjevanjem iz virov. Od različice 1.0 (oktober 2025) so agenti LangChain zgrajeni na LangGraph. Tipične uporabe so klepetalni roboti, ki iščejo po notranjih dokumentih, in agenti, ki kličejo zunanje storitve.
LangGraph
LangGraph je odprtokodno ogrodje iz ekosistema LangChain za modeliranje agentov UI in večstopenjskih procesov kot grafa vozlišč in povezav. Skupno stanje se prenaša od koraka do koraka, zanke, veje, kontrolne točke in prekinitve za človeško odobritev pa so vgrajene. Različica 1.0 je izšla oktobra 2025. En primer je agent, ki raziskuje temo, napiše osnutek in pred pošiljanjem počaka na odobritev.
LazyGraphRAG
LazyGraphRAG je pristop h generiranju z dopolnjevanjem iz virov na podlagi grafov, ki ga je leta 2024 predstavil Microsoft Research. Za razliko od GraphRAG ne zahteva, da jezikovni model med indeksiranjem ustvarja povzetke; namesto tega koncepte in njihova sopojavljanja prepozna s klasično obdelavo naravnega jezika, jezikovni model pa se uporabi šele ob poizvedbi. Po navedbah Microsofta to stroške indeksiranja zniža na raven osnovnega vektorskega RAG. Še posebej je primeren za vprašanja, ki zahtevajo pregled velikih zbirk dokumentov.
Lead Scraper
Lead scraper je orodje, ki samodejno zbira kontaktne podatke potencialnih strank s spletnih mest, imenikov ali družbenih omrežij. V Nemčiji in EU je to pravno občutljivo: imena in e-poštni naslovi kontaktnih oseb so osebni podatki, zato njihova obdelava po GDPR zahteva pravno podlago in obveščanje posameznikov, na katere se podatki nanašajo, po nemškem pravu o nelojalni konkurenci (UWG, 7. člen) pa oglaševalska e-poštna sporočila praviloma zahtevajo predhodno izrecno privolitev, tudi pri podjetjih. Boljša pot so povpraševanja prek vašega spletnega mesta, vsebine in priporočila (ni pravni nasvet).
Predloga
Lektoriranje
Korektura je preverjanje besedila glede črkovanja, slovnice in ločil, pogosto skupaj z doslednostjo rabe; lektoriranje gre dlje in obravnava tudi slog, zgradbo in vsebino. UI lahko hitro označi napake in predlaga popravke, na primer v citatih, novicah ali spletnih straneh. Priporočljivo je, da se vse spremembe pregledno navedejo, končno preverjanje strokovnih izrazov, lastnih imen in pomena pa opravi oseba.
Predloga
Lexile Framework
Lexile Framework for Reading je sistem ameriškega podjetja MetaMetrics, ki bralno zmožnost osebe in težavnost besedila meri na isti lestvici. Vrednosti so zapisane s črko „L“, na primer 850L; besedilo je dobro ujemanje, kadar je njegova vrednost blizu bralčevi. Temelji predvsem na dolžini stavkov in pogostosti besed. Sistem se pogosto uporablja v šolah in založništvu, zlasti v angleško govorečih državah.
LightGBM
LightGBM je odprtokodna knjižnica za gradientno ojačevanje z odločitvenimi drevesi, ki jo je prvotno razvil Microsoft. Zasnovana je za hitrost in majhno porabo pomnilnika, med drugim z učenjem na podlagi histogramov in drevesi, ki rastejo po listih v najbolj obetavnem listu. LightGBM je še posebej primeren za velike tabelarne podatkovne zbirke, na primer za napovedi prodaje, napovedovanje odhoda strank ali odkrivanje goljufij, pogosto pa se primerja z XGBoost.
Linearna regresija
Linearna regresija je statistična metoda, ki odnos med ciljno spremenljivko in enim ali več napovednikov opisuje z ravno črto ali ravnino. Koeficienti se običajno izberejo tako, da je vsota kvadratov odstopanj najmanjša. Metoda je lahko razumljiva in razložljiva: z njo je mogoče na primer oceniti, koliko naraste prihodek, ko se oglaševalski proračun poveča za 1000 €. Pri nelinearnih odnosih naleti na meje.
LLaMA (Meta)
LLaMA, danes običajno zapisana „Llama“, je družina velikih jezikovnih modelov podjetja Meta. Številne različice so izšle s prenosljivimi utežmi pod Metino lastno licenco, kar organizacijam omogoča, da jih izvajajo in prilagajajo na lastni infrastrukturi. Zadnja večja generacija je Llama 4 (2025); leta 2026 je Meta predstavila tudi serijo modelov Muse, od katerih je le del odprto objavljen (stanje oktober 2026).
llms.txt
llms.txt je besedilna datoteka Markdown v korenskem imeniku spletnega mesta, ki jezikovnim modelom s povezavami jedrnato predstavi najpomembnejše vsebine. Zamisel je septembra 2024 predlagal Jeremy Howard (Answer.AI). Gre za predlog, ne za uradni standard; večji ponudniki UI se niso zavezali, da jo bodo brali (stanje oktober 2026). Dopolnjuje robots.txt in zemljevid strani, a ju ne nadomešča.
Logaritemska izguba
Logaritemska izguba (log loss) meri, kako dobro se napovedane verjetnosti klasifikacijskega modela ujemajo z dejanskimi izidi. Samozavestne, a napačne napovedi so kaznovane še posebej močno; vrednost blizu ničle kaže na dobro kalibrirane napovedi. Primer: če model za stranko, ki ostane, poda 95-odstotno verjetnost odhoda, logaritemska izguba močno naraste. Matematično je enaka binarni navzkrižni entropiji.
Logistična regresija
Logistična regresija je statistična metoda, ki napoveduje verjetnost enega od dveh izidov, kot sta „kupi“ ali „ne kupi“. Vhodne značilnosti uteži in njihovo vsoto z S-oblikovano funkcijo pretvori v vrednost med 0 in 1. Ker so uteži lahko razložljive, se pogosto uporablja pri kreditnem točkovanju, v medicini in trženju, pogosto kot trdna izhodiščna osnova za zahtevnejše modele.
Long Short-Term Memory (LSTM)
Dolgi kratkoročni spomin (LSTM) je vrsta rekurentne nevronske mreže, ki lahko ohranja informacije skozi dolga zaporedja. Tako imenovana vrata pri vsakem koraku odločajo, kaj shraniti, pozabiti ali izpisati, kar ublaži problem izginjajočega gradienta. Dolga leta so LSTM-ji oblikovali prepoznavanje govora, prevajanje in napovedovanje časovnih vrst. Pri obdelavi jezika so jih večinoma nadomestili transformerji, vendar ostajajo pogosti pri podatkih senzorjev.
Manipulacija kontekstnega okna
Manipulacija kontekstnega okna označuje napade, ki namerno vplivajo na besedilo, ki ga jezikovni model obdeluje naenkrat, na primer s skritimi navodili v dokumentih, izmišljenimi prejšnjimi deli pogovora ali velikimi količinami polnila, ki izvirna pravila potisnejo v ozadje. Zaščita izhaja iz jasne ločitve zaupanja vrednih navodil od zunanje vsebine, omejitev dolžine, preverjanja vnosov in dodeljevanja agentom čim manj pooblastil.
Predloga
Mapa dosežkov
Mapa dosežkov (brag book) je stalno posodobljena zbirka lastnih poklicnih dosežkov: zaključenih projektov, kazalnikov, pozitivnih povratnih informacij, nagrad in izobraževanj. Služi kot podlaga za letne razgovore, pogajanja o plači, prijave na delovna mesta ali napredovanja. Preizkušena struktura je situacija, naloga, ukrep in rezultat. Vključiti je treba samo preverljive informacije, številk pa ne olepševati.
Predloga
Matrika odgovornosti
Tabela, ki za vsako nalogo določa, kdo je izvajalec (R), kdo odgovoren (A), koga se posvetuje (C) in koga se obvesti (I). Imenuje se tudi RACI.
KI.ordo
Matrika zmot
Matrika zmot (confusion matrix) je tabela, ki napovedi klasifikatorja primerja z dejanskimi razredi. Pri dveh razredih prikaže resnične pozitivne, lažne pozitivne, resnične negativne in lažne negativne primere. Iz nje je mogoče izračunati merila, kot so natančnost, priklic in ocena F1, jasno pa postane tudi, katere napake se pojavljajo. Primer: filter neželene pošte, ki mnoga prava sporočila označi kot neželena, ima veliko lažnih pozitivnih primerov, kar je pogosto dražje kot zgrešena neželena pošta.
Mehko ujemanje
Mehko ujemanje (fuzzy matching) najde vnose, ki so si podobni, a ne povsem enaki – na primer zaradi tipkarskih napak, kratic ali različnih zapisov. Opira se na mere podobnosti, kot je Levenshteinova razdalja, ki šteje, koliko znakov je treba spremeniti. Tipična uporaba je iskanje podvojenih vnosov v naslovnih in strankinih podatkih: „Novak d.o.o., Glavna ul. 5“ in „Novak, družba z omejeno odgovornostjo, Glavna ulica 5“ se prepoznata kot verjetno isti zapis.
Predloga
Metaprompt
Metapoziv je navodilo, s katerim jezikovnemu modelu naročimo, naj sam sestavi ali izboljša pozive oziroma sistemska navodila. Opišete cilj, ciljno skupino in želeni ton ter dodate primere; model nato pripravi strukturirana navodila z vlogo, pravili in omejitvami. Tako hitreje dobite dobre prve različice, ki jih ljudje nato preizkusijo in izpilijo. Primer: iz opisa „podpora strankam za kolesarsko trgovino“ nastane celoten osnutek navodil.
Predloga
Metode Monte Carlo
Metode Monte Carlo so računske tehnike, ki z zelo velikim številom naključnih vzorcev približno določijo rezultate, ki jih je analitično težko izračunati. Sistem se tisočkrat simulira z naključno spreminjanimi predpostavkami, nato pa se analizira porazdelitev izidov. Organizacije jih uporabljajo za analizo tveganj, načrtovanje projektov ali vrednotenje portfeljev. Na področju UI se metode med drugim uporabljajo pri spodbujevalnem učenju in pri drevesnem iskanju v igrah.
Mistral AI
Mistral AI je podjetje za umetno inteligenco s sedežem v Parizu, ki so ga leta 2023 ustanovili Arthur Mensch, Guillaume Lample in Timothée Lacroix. Razvija velike jezikovne modele ter prek lastne platforme ponuja tako modele z javno dostopnimi utežmi, nekatere pod licenco Apache 2.0, kot komercialne modele. Za evropske organizacije se Mistral AI pogosto omenja v razpravah o podatkovni suverenosti in zagonu modelov na lastni infrastrukturi.
MLflow
MLflow je odprtokodna platforma za upravljanje celotnega življenjskega cikla modelov strojnega učenja, ki jo je leta 2018 izvorno predstavilo podjetje Databricks. Beleži poskuse z njihovimi parametri in metrikami, v registru upravlja različice modelov ter poenostavlja uvajanje. Novejše različice podpirajo tudi sledenje in vrednotenje aplikacij, zgrajenih na jezikovnih modelih. Tako ekipe lahko spremljajo, kateri model je nastal s katerimi podatki in nastavitvami.
Model Context Protocol (MCP)
Model Context Protocol (MCP) je odprt standard, ki aplikacijam umetne inteligence omogoča enoten dostop do zunanjih orodij, virov podatkov in storitev. Strežnik MCP nudi funkcije, odjemalec MCP, na primer pomočnik UI, pa jih lahko kliče. MCP je novembra 2024 predstavilo podjetje Anthropic; od decembra 2025 ga razvijajo pod okriljem Agentic AI Foundation pri Linux Foundation (stanje oktober 2026). Tako ni treba vsake integracije graditi posebej.
Model UI Flux
Flux je družina modelov UI, ki iz besednih opisov ustvarjajo in urejajo slike. Razvija ga podjetje Black Forest Labs s sedežem v Freiburgu im Breisgau v Nemčiji. Prva generacija je izšla avgusta 2024, FLUX.2 pa novembra 2025, skupaj z različicami za urejanje slik z besednim navodilom. Nekatere različice so na voljo z odprtimi utežmi, deloma le za nekomercialno rabo, druge pa se ponujajo izključno prek API-ja (stanje oktober 2026).
Modeliranje zaporedij
Modeliranje zaporedij zajema metode, ki obdelujejo in napovedujejo podatke v določenem vrstnem redu, kjer je pomemben položaj vsakega elementa. Tipična zaporedja so besedilo, govorjeni jezik, časovne vrste, kot so prodaja ali meritve senzorjev, in odseki DNK. Uporabe segajo od prevajanja in generiranja besedil do prepoznavanja govora in napovedovanja prodaje. Za to so se uporabljali skriti Markovljevi modeli in ponavljajoče se mreže; danes pri jeziku prevladujejo modeli transformer.
MXNet
Apache MXNet je bilo odprtokodno ogrodje za poglobljeno učenje, ki je lahko učinkovito učilo modele na več grafičnih procesorjih in strojih, z vmesniki za Python, C++, R, Scalo in druge jezike. Amazon Web Services ga je več let podpiral kot prednostno ogrodje. Apache Software Foundation je projekt septembra 2023 ukinila in ga do februarja 2024 prestavila v Apache Attic; ne razvija se več. Obstoječe modele običajno prenesejo v druga ogrodja.
Nadzorni organi za UI
Nadzorni organi za UI so javni organi, ki spremljajo spoštovanje pravil o UI. Na ravni EU urad za UI pri Evropski komisiji usklajuje izvajanje Akta o UI in nadzoruje modele UI za splošne namene. V Nemčiji izvedbeni zakon KI-MIG (v veljavi od 29. julija 2026) določa zvezno agencijo za omrežja (Bundesnetzagentur) za osrednji organ za nadzor trga, za pristojne pa ostajajo sektorski regulatorji, kot je BaFin. Po Digitalnem omnibusu se obveznosti za visoko tvegane sisteme uporabljajo šele od decembra 2027 oziroma avgusta 2028 (stanje oktober 2026; ni pravni nasvet).
Nadzorovano učenje
Pri nadzorovanem učenju se model uči iz primerov, za katere je pravilen odgovor že znan, na primer e-pošte, označene kot „neželena“ ali „ni neželena“. Iz njih izpelje pravila za razvrščanje novih, še nevidenih primerov ali napovedovanje vrednosti. Tipični nalogi sta razvrščanje in regresija; večina truda gre v pripravo čisto označenih podatkov.
Naive Bayes
Naivni Bayes je družina preprostih metod razvrščanja, ki temeljijo na Bayesovem izreku. Imenujejo se „naivne“, ker predpostavljajo, da so vse značilnice med seboj neodvisne, kar v praksi redko drži, a pogosto vseeno prinese dobre rezultate. Metode so hitre, potrebujejo malo podatkov za učenje in so še posebej primerne za besedila. Klasičen primer je filter neželene pošte, ki e-pošto razvršča na podlagi značilnih besed.
Namensko integrirano vezje (ASIC)
Namensko integrirano vezje (ASIC) je čip, zasnovan za eno določeno nalogo namesto za splošno računanje, kot ga opravlja CPE. Na področju UI so vezja ASIC prilagojena računskim operacijam nevronskih mrež – primer so Googlove tenzorske procesne enote (TPU). Pri tej nalogi delujejo hitreje in energetsko učinkoviteje kot čipi za splošno uporabo, vendar je njihov razvoj drag in jih je težko prilagoditi novim delovnim obremenitvam.
Napaka posploševanja
Napaka posploševanja meri, koliko se model UI moti pri novih, še nevidenih podatkih – v nasprotju z napako pri učnih podatkih. Velika vrzel med njima kaže na čezmerno prilagajanje: model si je zapomnil primere, namesto da bi se naučil splošnih vzorcev. Ocenjuje se s podatki, ki so bili izločeni za testiranje, ali z navzkrižnim preverjanjem. To je številka, ki res šteje, ker se model v praksi skoraj vedno sreča z novimi primeri.
Napaka pri učenju
Napaka pri učenju pove, za koliko se napovedi modela razlikujejo od pravilnih vrednosti na natanko tistih podatkih, na katerih se je učil. Sama po sebi pove malo: pomembna je primerjava z napako posploševanja na novih podatkih. Visoka napaka pri učenju kaže na premajhno prileganje; zelo nizka napaka pri učenju v kombinaciji z visoko napako na testnih podatkih običajno pomeni preveliko prileganje.
Napovedna analitika
Napovedna analitika uporablja zgodovinske podatke, statistiko in strojno učenje za oceno verjetnih prihodnjih dogodkov. Odgovarja na vprašanja, kot so: katere stranke se bodo kmalu odjavile? Koliko zalog bo potrebnih naslednji mesec? Kdaj bo stroj verjetno odpovedal? Rezultati so verjetnosti, ne gotovosti. Njihova vrednost je močno odvisna od kakovosti podatkov in od tega, ali napovedi dejansko vplivajo na odločitve in procese.
Napovedno modeliranje
Napovedno modeliranje je tehnično jedro napovedne analitike: iz primerov podatkov z znanimi izidi se zgradi model, ki za nove primere napove vrednost ali razred. Pogoste metode so regresija, odločitvena drevesa, naključni gozdovi in nevronske mreže. Model lahko na primer oceni ceno nepremičnine na podlagi površine, lokacije in leta izgradnje. Pred uvedbo se preizkusi na zadržanih podatkih, da se odkrije preveliko prileganje.
Nasprotniško strojno učenje
Nasprotniško strojno učenje (adversarial machine learning) proučuje, kako je mogoče modele UI zavesti z namerno manipuliranimi vnosi ali učnimi podatki – in kako jih zaščititi. Znana primera sta komaj vidni spremembi slike, ki obrneta razvrstitev, ali zastrupljeni učni podatki. Tema je za organizacije pomembna, ko UI podpira varnostno pomembne odločitve. Protiukrepi vključujejo robustno učenje, preverjanje vnosov, spremljanje in redno varnostno testiranje.
Natančnost top-k
Natančnost top-k meri, kako pogosto je pravilni odgovor med k najverjetnejšimi predlogi modela. Pri top-1 šteje le prva napoved; pri top-5 zadošča, da je pravilni razred med petimi najboljšimi, kar je znana metrika iz primerjalnih testov prepoznavanja slik, kot je ImageNet. Uporabna je povsod, kjer uporabniki vidijo več predlogov, na primer pri priporočilih izdelkov ali samodejnem dopolnjevanju.
Navedba vira
Opomba v odgovoru, ki pokaže, iz katerega odlomka znanja izvira.
KI.ordo
Navodilo
Stalno naročilo za agenta: vloga, ton, omejitve. Pogosto imenovano tudi „poziv“ (prompt).
KI.ordo
Navzkrižna entropija
Navzkrižna entropija je merilo iz teorije informacij, ki pove, kako zelo se napovedana porazdelitev verjetnosti razlikuje od dejanske. Pri strojnem učenju je najpogostejša funkcija izgube za naloge klasifikacije, pa tudi za jezikovne modele, ki napovedujejo naslednji token. Še posebej močno kaznuje samozavestne napačne napovedi: če napačnemu razredu dodelimo 99 %, je izguba veliko višja kot pri 60 %.
Navzkrižno preverjanje
Navzkrižno preverjanje je metoda za preverjanje, kako dobro model posplošuje na nove, še nevidene podatke. Pri k-kratnem navzkrižnem preverjanju se podatki razdelijo na k delov; model se k-krat nauči na k−1 delih in vsakič preizkusi na preostalem delu, nato se rezultati povprečijo. To pomaga odkriti čezmerno prilagajanje ter pošteno primerjati modele ali nastavitve, zlasti kadar je podatkov malo.
Negativni poziv
Negativni poziv določa, česa model UI izrecno ne sme ustvariti ali storiti. Pri generiranju slik, na primer s Stable Diffusion, je to ločeno vnosno polje za neželene elemente, kot sta „zamegljeno“ ali „besedilo na sliki“. Pri jezikovnih modelih ima obliko pravil v navodilih, na primer „Ne si izmišljuj cen“ ali „Ne podajaj pravnih nasvetov“. Takšne omejitve naredijo rezultate bolj predvidljive, a ne nadomestijo preverjanja.
Nenadzorovano učenje
Pri nenadzorovanem učenju model prejme podatke brez vnaprej določenih pravilnih odgovorov in sam išče strukture. Tipični metodi sta gručenje, ki združuje podobne zapise, in zmanjševanje dimenzionalnosti, ki številne značilnice strne v nekaj bistvenih. Organizacije ga uporabljajo za odkrivanje segmentov strank ali opažanje nenavadnih transakcij; najdene skupine morajo nato razložiti strokovnjaki s področja.
Nestrukturirani podatki
Nestrukturirani podatki ne sledijo določeni shemi tabele: e-pošta, pogodbe, priročniki, spletne strani, predstavitve, slike ali zvočni posnetki. Predstavljajo velik del znanja organizacij, a jih je bilo dolgo težko samodejno analizirati. Jezikovni modeli lahko takšne vsebine berejo in iščejo ter jih pretvorijo v strukturirane informacije, na primer da iz pogodbe v tabelo izločijo roke in zneske.
Nevromorfno računalništvo
Nevromorfno računalništvo je pristop k strojni in programski opremi, ki se zgleduje po zgradbi možganov. Namesto da bi se podatki v taktih prenašali med ločenim pomnilnikom in procesorjem, umetni nevroni in sinapse delujejo vzporedno in se odzivajo le na dogodke, imenovane konice. To obeta zelo nizko porabo energije, na primer v senzorjih ali robotih. Znani raziskovalni čipi so Intel Loihi in IBM TrueNorth; širša komercialna uporaba je še v zgodnji fazi.
NLTK
NLTK (Natural Language Toolkit) je odprtokodna knjižnica za Python za obdelavo naravnega jezika, nastala na Univerzi v Pensilvaniji v zgodnjih letih 2000. Nudi orodja za tokenizacijo, korenjenje, oblikoslovno označevanje in preprosto razvrščanje ter dostop do številnih besedilnih korpusov. NLTK se uporablja predvsem v izobraževanju in raziskavah; produkcijske aplikacije pogosto temeljijo na knjižnicah, kot je spaCy, ali na modelih transformer.
Novi posel
Novi posel (net new business) označuje prihodek, ustvarjen s strankami, ki prej niso obstajale, za razliko od podaljšanj, dodatne prodaje ali razširitve pri obstoječih strankah. Kazalnik pokaže, kako uspešno podjetje odpira nove trge in ciljne skupine, prodajne ekipe pa ga pogosto načrtujejo in nagrajujejo posebej. Primer: ponudnik programske opreme poroča, da novi posel predstavlja 40 % četrtletnih naročil.
Predloga
NumPy
NumPy je temeljna odprtokodna knjižnica za Python za numerično računanje. Nudi večdimenzionalne tabele in hitre funkcije za linearno algebro, statistiko in naključna števila, njeno jedro pa teče v prevedeni kodi. Številna orodja za analizo podatkov in strojno učenje, kot so pandas, scikit-learn in številne knjižnice za vizualizacijo, temeljijo na NumPy. Kdor v Pythonu dela s podatki, ga zato skoraj vedno uporablja, neposredno ali posredno.
Obdelava naravnega jezika (NLP)
Obdelava naravnega jezika je veja UI, ki računalnikom omogoča analizo, razumevanje in generiranje človeškega jezika v besedilu ali govoru. Zajema naloge, kot so prevajanje, razvrščanje, povzemanje, analiza sentimenta in odgovarjanje na vprašanja. Nekoč so prevladovala pravila in statistične metode; danes področje oblikujejo veliki jezikovni modeli.
Oblikoslovno označevanje (POS)
Oblikoslovno označevanje vsaki besedi v stavku samodejno dodeli slovnično kategorijo, kot so samostalnik, glagol, pridevnik ali predlog. Ker so številne besede večpomenske (angleško „book“ kot samostalnik ali glagol, „light“ kot pridevnik ali samostalnik), metode upoštevajo kontekst stavka. Oblikoslovno označevanje je klasičen korak predobdelave za razčlenjevanje, izločanje informacij ali preverjanje črkovanja, ponujajo pa ga knjižnice, kot sta spaCy in NLTK.
Obogatitev podatkov B2B
Obogatitev podatkov B2B obstoječim zapisom o podjetjih – na primer v CRM – doda informacije, kot so dejavnost, ponudba, lokacija, velikost podjetja ali spletno mesto. To olajša segmentacijo, točkovanje potencialnih strank in ciljno usmerjen prodajni stik. Viri so javna spletna mesta, registri in specializirani ponudniki podatkov. Osebni podatki o kontaktnih osebah spadajo pod GDPR in jih je treba obdelovati varčno in samo s pravno podlago.
Predloga
Obogatitev vsebine
Obogatitev vsebine pomeni dodajanje strukture in dopolnilnih informacij obstoječemu besedilu, kot so naslovi, kazalo, povzetek, ključne besede ali metapodatki. Modeli UI to zmorejo hitro in dosledno, zato je vsebino laže najti, prebrati in znova uporabiti. Ključno pravilo je urediti tisto, kar že obstaja, ne pa si izmišljati novih dejstev. Primer: grobi zapiski s sestanka postanejo strukturiran zapisnik s povzetkom.
Predloga
Ocena BLEU
Ocena BLEU (Bilingual Evaluation Understudy) je metrika, razvita pri IBM leta 2002 za samodejno vrednotenje strojnih prevodov. Meri, koliko zaporedij besed v prevodu se pojavi tudi v enem ali več človeških referenčnih prevodih, in poda vrednost med 0 in 1 (pogosto prikazano kot 0–100). BLEU je hiter in primerljiv, vendar slabo zajame pomen in slog – dobre parafraze so lahko slabo ocenjene.
Ocena F (ocena F1)
Ocena F je merilo za vrednotenje klasifikacijskih modelov. Običajna ocena F1 je harmonična sredina natančnosti (koliko napovedanih zadetkov je pravilnih) in priklica (koliko dejanskih zadetkov je bilo najdenih) ter se giblje od 0 do 1. Posebej je uporabna pri neuravnoteženih podatkih: filter neželene pošte, ki skoraj nikoli ne označi neželene pošte, ima lahko visoko točnost, a nizko oceno F1.
Ocena ROUGE
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) je družina metrik za primerjavo samodejno ustvarjenih besedil – zlasti povzetkov – z referenčnimi besedili, ki so jih napisali ljudje. Meri, koliko besed ali zaporedij besed se prekriva, na primer posamezne besede pri ROUGE-1 ali najdaljše skupno podzaporedje pri ROUGE-L. Ocena se izračuna hitro, vendar ne zanesljivo zajame parafraz z enakim pomenom ali dejanske pravilnosti.
Ocena SEO
Ocena SEO je metrika, s katero analitična orodja ocenjujejo, kako dobro je spletna stran optimizirana za iskalnike – običajno na lestvici od 0 do 100. Dejavniki lahko vključujejo naslove in opise, strukturo naslovov, hitrost nalaganja, prilagojenost mobilnim napravam, notranje povezave in strukturirane podatke. Vsako orodje oceno izračuna drugače; ni uradna ocena Googla. Ocena je zato uporabna kot kontrolni seznam izboljšav, ne pa kot jamstvo za dobre uvrstitve.
Predloga
Ocenjevanje dokumentov (RAG)
Pri generiranju z dopolnjevanjem iz virov (RAG) ocenjevanje dokumentov pomeni preverjanje najdenih odlomkov, ali ustrezajo vprašanju in lahko podprejo odgovor. Jezikovnemu modelu se posredujejo samo odlomki, ocenjeni kot ustrezni; neprimerni rezultati se zavržejo ali sprožijo novo iskanje. To zmanjša tveganje izmišljenih ali napačno navedenih odgovorov, na primer kadar se pri vprašanju o aktualnih cenah pojavi zastarel dokument.
Ocenjevanje drže
Ocenjevanje drže je tehnika računalniškega vida, ki na slikah ali videu določi držo ljudi ali položaj in usmerjenost predmetov. Model običajno zazna ključne točke, kot so ramena, komolci in kolena, ter jih poveže v skelet. Uporablja se na primer v fitnes aplikacijah, ki preverjajo vaje, pri analizi ergonomije na delovnem mestu, v športni analitiki in robotiki.
Ocenjevanje globine
Ocenjevanje globine iz slik določi, kako daleč od kamere so predmeti ali posamezne slikovne pike. To je mogoče z dvema kamerama (stereo), z globinskimi senzorji ali z nevronskimi mrežami celo iz ene same fotografije (monokularno ocenjevanje globine). Potrebno je v robotiki, voznih asistentih, razširjeni resničnosti in 3D-modelih prostorov.
Odgovarjanje na vprašanja
Odgovarjanje na vprašanja (question answering, QA) je področje obdelave naravnega jezika, na katerem sistem na vprašanja, zastavljena v vsakdanjem jeziku, odgovori neposredno, namesto da bi vrnil seznam rezultatov iskanja. Sodobni sistemi v bazi znanja poiščejo ustrezne odlomke in iz njih sestavijo odgovor, po možnosti z navedbo vira. Tipična uporaba je podpora strankam, interne baze znanja in priročniki – na primer vprašanje priročniku za zaposlene: „Koliko dni dopusta imam v prvem letu?“
Predloga
Odkrivanje finančnih goljufij
Odkrivanje finančnih goljufij zajema metode, ki razkrivajo goljufive dejavnosti pri plačilih, kreditnih karticah, zavarovanjih ali računovodstvu. Modeli UI se naučijo tipičnih vzorcev zakonitih transakcij in označijo odstopanja – na primer nenavadne zneske, lokacije ali čase – pogosto v realnem času. Ključno je pravo ravnovesje med odkritimi goljufijami in lažnimi alarmi. Sumljive primere naj ljudje pregledajo, preden se računi zamrznejo ali plačila zavrnejo.
Predloga
Odkrivanje goljufij
Odkrivanje goljufij zajema metode, ki sumljive transakcije, naročila, račune ali vloge prepoznajo zgodaj. Pravila in učeči se modeli iščejo opozorilne znake, kot so različna naslova za dostavo in račun, nenavadne količine, opazen časovni pritisk ali e-poštni naslovi za enkratno uporabo. Uporablja se v e-trgovini, bančništvu, zavarovalništvu in plačilnih storitvah. Ker lahko lažni alarmi prizadenejo prave stranke, naj zadetke pregledajo ljudje, namesto da bi jih samodejno zavrnili.
Predloga
Odločitveno drevo
Odločitveno drevo je model, ki odločitev predstavi kot zaporedje preprostih vprašanj z da/ne: vsaka veja preverja eno značilnost, vsak list pa podaja izid. Pri strojnem učenju se takšna drevesa samodejno naučijo iz podatkov in uporabljajo za klasifikacijo ali napovedovanje. Njihova glavna prednost je preglednost – na primer pokažejo, zakaj je bila prošnja za posojilo označena na podlagi dohodka, ročnosti in zgodovine plačil.
Odmik modela
Odmik modela je postopno slabšanje napovedne kakovosti modela med delovanjem, ker se resničnost spreminja v primerjavi s podatki za učenje. Ločimo spremembe vhodnih podatkov (odmik podatkov) in spremembe razmerja med vhodi in rezultati (odmik konceptov). Primer: model za zaznavanje goljufij spregleda nove goljufive sheme. Rešitev sta stalno spremljanje metrik in redno ponovno učenje.
Odvisnostna razčlenitev
Odvisnostna razčlenitev (dependency parsing) je tehnika obdelave naravnega jezika, ki slovnično zgradbo stavka predstavi kot odvisnosti med besedami. Vsaka beseda je povezana z nadrejeno besedo, na primer osebek in predmet s povedkom: v stavku „Stranka naroči dve svetilki“ sta „stranka“ in „svetilki“ odvisni od „naroči“. To pomaga pri izluščanju informacij, na primer pri ugotavljanju, kdo je kaj storil.
Omejitev tokenov
Mesečna zgornja meja porabe UI v delovnem prostoru.
KI.ordo
Ontologija
V računalništvu je ontologija formalni model predmetnega področja, ki jasno opredeljuje pojme, njihove lastnosti in odnose med njimi. Tako lahko ljudje in stroji podatke razlagajo dosledno in iz njih izpeljujejo sklepe. Ontologije so podlaga številnih grafov znanja, semantičnih iskalnih sistemov in projektov povezovanja podatkov. Primer: ontologija izdelkov določa, da je „električno kolo“ „kolo“ in ima „baterijo“.
Open Neural Network Exchange (ONNX)
Open Neural Network Exchange (ONNX) je odprt format datotek za modele strojnega učenja, ki sta ga leta 2017 predstavila Microsoft in Facebook (zdaj Meta), danes pa ga gosti LF AI & Data Foundation. Model, naučen na primer v PyTorchu, je mogoče izvoziti v ONNX in ga zagnati z drugimi orodji ali izvajalnimi okolji, kot je ONNX Runtime. Tako je lažje preklapljanje med ogrodji in uvajanje na različni strojni opremi.
OpenAI
OpenAI je podjetje za umetno inteligenco s sedežem v San Franciscu, ustanovljeno leta 2015 kot neprofitna organizacija. Od prestrukturiranja oktobra 2025 ga sestavljata neprofitna OpenAI Foundation, ki nadzoruje profitno družbo OpenAI Group PBC (stanje oktober 2026). OpenAI je najbolj znan po ChatGPT in jezikovnih modelih GPT, pa tudi po generatorju slik DALL·E in modelu za prepoznavanje govora Whisper. Njegovi modeli so na voljo prek aplikacij in API-ja.
OpenCV
OpenCV (Open Source Computer Vision Library) je odprtokodna programska knjižnica za obdelavo slik in računalniški vid, katere razvoj se je pri podjetju Intel začel okoli leta 2000. Nudi na tisoče funkcij, na primer za filtriranje slik, zaznavanje robov in obrazov, sledenje predmetom v videu ali umerjanje kamer. OpenCV je napisan v C++, vendar se pogosto uporablja prek Pythona, na primer pri kontroli kakovosti, v robotiki in raziskavah.
Optično prepoznavanje znakov (OCR)
Optično prepoznavanje znakov (OCR) besedilo v slikah, kot so skeni, fotografije ali faksi, pretvori v strojno berljivo besedilo. Šele tako je dokumente mogoče iskati, kopirati ali samodejno obdelovati. Sodoben OCR uporablja nevronske mreže in zna prepoznati tudi tabele, postavitve in deloma rokopis. Tipične uporabe so obdelava računov, digitalizacija arhivov in branje obrazcev; kakovost je močno odvisna od kakovosti slike.
Optimizacija hiperparametrov
Hiperparametri so nastavitve, ki so določene pred učenjem modela, na primer stopnja učenja, število slojev ali moč regularizacije. Optimizacija hiperparametrov sistematično išče kombinacijo, ki je najboljša na validacijskih podatkih, na primer z mrežnim iskanjem, naključnim iskanjem ali Bayesovo optimizacijo. Dobro izbrane vrednosti izboljšajo natančnost in zmanjšajo čezmerno ali premajhno prilagajanje, a iskanje zahteva računski čas.
Optimizacija za generativne iskalnike (GEO)
Optimizacija za generativne iskalnike (generative engine optimisation, GEO) zajema ukrepe, ki pomagajo, da je vsebina vidna v iskalnih sistemih z UI, kot so ChatGPT, Perplexity ali pregledi UI v iskalnikih, in da jo ti navajajo kot vir. Izraz izvira iz raziskovalne naloge iz leta 2023. Ključni dejavniki so jasni, neposredno citirljivi odgovori, urejena struktura, dokazana dejstva, ažurni podatki in prepoznavni avtorji. GEO dopolnjuje klasično optimizacijo za iskalnike (SEO), ne pa je nadomešča.
Predloga
Organigram
Diagram strukture podjetja: oddelki, vloge in kdo komu poroča.
KI.ordo
Orkestracija ABM
Trženje za ključne stranke (account-based marketing, ABM) trženje in prodajo usmeri na izbran nabor poslovnih strank namesto na široko občinstvo. Orkestracija pomeni usklajevanje vseh stičnih točk: kateri član nakupnega odbora prejme katero sporočilo, prek katerega kanala in kdaj. UI pri tem pomaga tako, da združuje informacije o ciljnih podjetjih, pripravlja osnutke sporočil za posamezne vloge in načrtuje zaporedja prek e-pošte, telefona, dogodkov in družbenih omrežij.
Predloga
Overfitting
Preveliko prileganje nastane, ko si model zapomni podatke za učenje, vključno z naključnimi posebnostmi in šumom, namesto da bi zajel splošno veljavne vzorce. Na znanih podatkih potem deluje zelo natančno, na novih pa slabo. Tipičen znak je velika razlika med napako pri učenju in napako pri testiranju. Protiukrepi so več ali bolj raznolikih podatkov, preprostejši modeli, regularizacija, izpuščanje (dropout) in navzkrižno preverjanje.
OWASP LLM Top 10
OWASP Top 10 za aplikacije LLM je seznam najpomembnejših varnostnih tveganj v aplikacijah, zgrajenih na velikih jezikovnih modelih, ki ga objavlja projekt OWASP GenAI Security Project. Aktualna izdaja 2026 je izšla avgusta 2026 (stanje oktober 2026) in zajema: injiciranje pozivov, razkritje občutljivih informacij, čezmerno pooblastilo agenta, dobavno verigo, zastrupitev podatkov in modela, neomejeno porabo, napačne informacije, razkritje skritega konteksta, slabosti vektorjev in vložitev ter nepravilno obravnavo izhodov. Služi kot kontrolni seznam za razvoj in revizije.
Predloga
Paketna normalizacija
Paketna normalizacija je tehnika za učenje globokih nevronskih mrež, ki vmesne vrednosti plasti za vsak paket podatkov preračuna na enotno povprečje in razpršenost. Učenje je tako stabilnejše in pogosto hitrejše, mreža pa manj občutljiva na začetne vrednosti. Uvedena je bila leta 2015 in je pogosta v mrežah za prepoznavanje slik; transformerji se običajno zanašajo na sorodno normalizacijo plasti.
pandas
pandas je odprtokodna knjižnica za Python za analizo in obdelavo tabelaričnih podatkov, ki jo od leta 2008 razvija Wes McKinney. Njen osrednji objekt, DataFrame, spominja na tabelo z imenovanimi stolpci. Z njo je mogoče naložiti podatke iz datotek CSV, Excela ali podatkovnih zbirk ter jih čistiti, filtrirati, združevati v skupine in spajati. pandas temelji na NumPy in je standardno orodje pri analizi podatkov, poročanju in pripravi podatkov za učenje.
Parafraziranje v komunikaciji
Parafraziranje pomeni, da povedano z lastnimi besedami ponovimo, ne da bi spremenili pomen. V pogovoru je to tehnika aktivnega poslušanja: preverite, ali ste prav razumeli, in pokažete pozornost, na primer: „Če vas prav razumem, vam je najpomembnejši dobavni rok?“ V pisni obliki parafraziranje pomaga, da so vsebine jasnejše, krajše ali bolje prilagojene določeni ciljni skupini.
Predloga
Parametrsko učinkovito natančno uravnavanje (PEFT)
Parametrsko učinkovito natančno uravnavanje (PEFT) zajema tehnike, ki velik vnaprej naučen model prilagodijo nalogi tako, da učijo le majhen del njegovih parametrov ali dodajo nekaj dodatnih. Znane metode so LoRA, QLoRA, adapterji in prefix tuning. To močno zmanjša potrebe po računski moči in pomnilniku, majhne dodatne module pa je mogoče shraniti za več nalog namesto polnih kopij modela. Primer: jezikovni model se prilagodi slogu internih tehničnih dokumentov.
Partnerstvo na področju UI
Partnerstvo na področju UI je sodelovanje med organizacijami za skupen razvoj, uvedbo ali odgovorno oblikovanje rešitev UI, na primer med podjetji in tehnološkimi ponudniki, univerzami ali raziskovalnimi inštituti. Partnerji delijo strokovno znanje, podatke, infrastrukturo ali stroške. Bistveni so jasni dogovori o uporabi podatkov, intelektualni lastnini, odgovornosti in možnostih izstopa. Izraz označuje tudi pobude, kot je Partnership on AI, neprofitna organizacija, ustanovljena leta 2016.
Pathways Language Model (PaLM)
PaLM je velik jezikovni model podjetja Google, predstavljen leta 2022 s 540 milijardami parametrov, učen hkrati na številnih čipih TPU z Googlovim učnim sistemom Pathways. Leta 2023 je sledil PaLM 2, ki je med drugim poganjal klepetalnega robota Bard. Google je PaLM medtem nadomestil z modeli Gemini, razvijalski API za PaLM pa je bil avgusta 2024 ukinjen. Danes je PaLM pomemben predvsem kot mejnik v razvoju velikih jezikovnih modelov.
Penetracijsko testiranje UI
Penetracijski test UI je naročena, nadzorovana varnostna ocena, pri kateri strokovnjaki namenoma iščejo šibke točke sistema UI, kot so vstavljanje ukazov, uhajanje zaupnih podatkov ali agent s prekomernimi pooblastili. Za razliko od širšega red teaminga se osredotoča na jasno opredeljen obseg z dokumentiranimi ugotovitvami in ukrepi. Smiselno ga je izvesti, preden klepetalni robot začne delovati, in po večjih spremembah.
Predloga
Perplexity AI
Perplexity AI je podjetje iz San Francisca, ustanovljeno leta 2022, ki upravlja iskalnik, podprt z UI. Namesto seznama povezav vrne napisan odgovor, ki povzema aktualne spletne vsebine in navaja uporabljene vire. Poleg brezplačne različice obstajajo plačljivi paketi z izbiro jezikovnih modelov ter brskalnik UI Comet (stanje oktober 2026). Za podjetja je Perplexity pomemben tudi zato, ker spreminja način, kako se vsebine na spletu odkrivajo.
Personalizirano trženje
Personalizirano trženje pomeni, da sporočila, ponudbe in čas komunikacije prilagodimo posameznim strankam ali majhnim skupinam, namesto da bi nagovarjali vse enako. Temelji na informacijah, kot so pretekli nakupi, interesi ali razlog za stik. UI lahko iz tega ustvari ustrezno besedilo, na primer e-poštno sporočilo, ki se navezuje na nedavno kupljen izdelek. Pomembno je uporabljati le podatke, za katere obstaja privolitev, in izpustiti občutljive podrobnosti.
Predloga
Podatki za učenje
Podatki za učenje so primeri, iz katerih se model UI uči vzorcev: velike zbirke besedil za jezikovne modele, označene slike za slikovne modele. Njihova kakovost, raznolikost in aktualnost v veliki meri določajo, kako zanesljiv in pošten je model ter kako sodobno je njegovo znanje. Za organizacije je pomembno tudi, ali ponudnik vnesene podatke strank uporablja za nadaljnje učenje.
Podatkovni analitik UI
Podatkovni analitik UI je sistem ali pomočnik UI, ki analizira podatke, kot so preglednice, izvozi ali ključni kazalniki, in rezultate razloži v preprostem jeziku. Izračuna vsote in spremembe, prepozna trende in nepravilnosti ter predlaga naslednje korake. Tako poslovne ekipe brez statističnega znanja hitreje dobijo odgovore. Jezikovni modeli pa lahko naredijo računske napake, zato je treba številke dvakrat preveriti. Primer: mesečna prodaja se prilepi kot CSV in dobi komentar.
Predloga
Podatkovno rudarjenje
Podatkovno rudarjenje je sistematično iskanje vzorcev, povezav in nepravilnosti v velikih podatkovnih zbirkah. Opira se na statistične tehnike in metode strojnega učenja, kot so razvrščanje v skupine, klasifikacija ali analiza asociacij. Klasičen primer je analiza nakupovalne košarice v trgovini, ki pokaže, kateri izdelki se pogosto kupijo skupaj – osnova za izbor ponudbe, postavitev in priporočila.
Pogodba o obdelavi osebnih podatkov
Ponudnik storitev obdeluje osebne podatke v imenu podjetja. Za to je potrebna pogodba po členu 28 GDPR.
KI.ordo
Pogovorna UI
Pogovorna UI zajema tehnologije, ki računalnikom omogočajo dialog v naravnem jeziku, pisno prek klepeta ali govorno prek glasovnih pomočnikov. Sodobni sistemi običajno temeljijo na velikih jezikovnih modelih, ki razumejo zahteve, upoštevajo zgodovino pogovora in oblikujejo ustrezne odgovore. Organizacije jih uporabljajo pri podpori strankam, naročanju na termine ali v notranjih službah za pomoč. Bistveno je zanesljivo znanje, jasne meje in predaja ljudem, kadar UI ne more pomagati.
Predloga
Pomanjkanje podatkov
O pomanjkanju podatkov govorimo, kadar za nalogo UI ni dovolj ustreznih ali označenih podatkov, da bi model zanesljivo naučili ali preizkusili. Prizadene na primer redke vrste napak v proizvodnji, redke jezike ali nove izdelke brez prodajne zgodovine. Rešitve so prenosno učenje, sintetični podatki, razširitev podatkov ali vnaprej naučeni jezikovni modeli, ki dajo uporabne rezultate že z nekaj primeri.
Ponavljajoča se nevronska mreža (RNN)
Ponavljajoča se nevronska mreža obdeluje podatke po vrsti in notranje stanje prenaša iz koraka v korak – nekakšen kratkoročni spomin. Zato je primerna za zaporedja, kot so besedilo, govor ali časovne vrste, na primer za napoved naslednje besede ali naslednje meritve senzorja. Preproste mreže RNN zlahka pozabijo informacije iz daljne preteklosti; različice, kot sta LSTM in GRU, to omilijo. Pri jezikovnih modelih so RNN večinoma nadomestili transformerji.
Ponovno razvrščanje dokumentov
Ponovno razvrščanje dokumentov (document reranking) je drugi korak razvrščanja pri iskanju in sistemih RAG: hitro začetno iskanje vrne nabor kandidatov, ki jih natančnejša, a dražja metoda nato znova razvrsti po ustreznosti. To pogosto naredi t. i. cross-encoder, ki vprašanje in odlomek oceni skupaj. Tako so najustreznejši odlomki na vrhu, preden jezikovni model iz njih oblikuje odgovor.
Poročanje o skladnosti
Poročanje o skladnosti je redno, sledljivo dokumentiranje, ali organizacija izpolnjuje zakonske zahteve, standarde in notranje politike. Tipično poročilo navede obdobje in obseg, stanje vsake zahteve, odstopanja ter ukrepe z odgovornimi osebami in roki. Vodstvu, nadzornim svetom, revizorjem ali organom služi kot dokazilo, na primer o varstvu podatkov ali informacijski varnosti.
Predloga
Posredno vstavljanje ukazov (indirect prompt injection)
Pri posrednem vstavljanju ukazov zavajajoča navodila niso v vnosu uporabnika, temveč skrita v vsebini, ki jo sistem UI sproti obdeluje, kot so spletne strani, e-poštna sporočila ali dokumenti. Ko agent takšno vsebino prebere, lahko skrite ukaze zamenja za prave naloge in na primer razkrije podatke. Zaščite vključujejo obravnavanje zunanje vsebine strogo kot podatkov, omejevanje pooblastil, pregledovanje vnosov in zahtevo po človeški odobritvi za kritična dejanja.
Predloga
Postopki certificiranja UI
Postopki certificiranja UI so postopki, v katerih neodvisni organ preveri, ali organizacija ali sistem UI izpolnjuje določene zahteve. Široko uporabljen primer je certificiranje po ISO/IEC 42001 (objavljen 2023), ki opisuje sistem upravljanja za odgovorno uporabo UI; zahteve za certifikacijske organe določa ISO/IEC 42006 (2025). Takšen certifikat je prostovoljen in ne nadomešča ugotavljanja skladnosti, ki ga Akt EU o umetni inteligenci zahteva za visoko tvegane sisteme (stanje oktober 2026).
Potek dela
Zaporedje povezanih korakov, ki se izvaja vedno znova, na primer „razvrsti povpraševanje in odgovori nanj“.
KI.ordo
Povprečna absolutna napaka (MAE)
Povprečna absolutna napaka (MAE) pokaže, za koliko se napovedi modela v povprečju razlikujejo od dejanskih vrednosti, ne glede na smer odstopanja. Izraža se v enoti ciljne spremenljivke, zato jo je lahko razumeti. Primer: MAE 12 pri dnevni napovedi prodaje pomeni, da se model v povprečju zmoti za 12 enot. Osamelcem daje manjšo težo kot mere kvadratne napake.
Povratne informacije dijakom in študentom z UI
Povratne informacije dijakom in študentom z UI so komentarji k esejem, nalogam ali projektom, ki jih sistem UI ustvari glede na določena merila. Učeči se hitreje dobijo namige o prednostih, zgradbi, argumentaciji ali jeziku, učitelji pa so razbremenjeni ponavljajočega se ocenjevanja. Ocenjevanje naj bo pregledno in temelji na merilih; ocene in odločitve o dosežkih ostajajo v pristojnosti učiteljev. Primer: osnutek eseja pred oddajo dobi predloge za izboljšave.
Predloga
Površina pod krivuljo (AUC)
Površina pod krivuljo (AUC) je merilo za klasifikacijske modele, ki običajno zadeva krivuljo ROC. Pove, kako dobro model loči pozitivne od negativnih primerov, neodvisno od določenega praga. Vrednost 1 pomeni popolno ločevanje; 0,5 ni nič boljše od ugibanja. Primer: model odhoda strank z AUC 0,85 naključno izbrano stranko, ki odide, v 85 % primerov razvrsti kot tvegano bolj od zveste.
Povzemanje besedil
Pri samodejnem povzemanju besedil UI dolga besedila strne v ključne točke. Ekstraktivne metode pomembne stavke prepišejo dobesedno, abstraktivne pa vsebino preoblikujejo; veliki jezikovni modeli delujejo predvsem abstraktivno. To je koristno za zapisnike, poročila ali dolge verige e-poštnih sporočil; pri pomembnih odločitvah je treba povzetek preveriti z izvirnikom.
Predloga
Požarni zid UI
Požarni zid UI je zaščitna plast med uporabniki, viri podatkov in modelom UI. Vnose pregleduje glede poskusov manipulacije, kot sta vstavljanje ukazov ali jailbreaki, izpise pa preverja, na primer glede zaupnih podatkov ali neželene vsebine, preden jih posreduje naprej. Lahko uporablja pravila, klasifikacijske modele ali drugi jezikovni model. Požarni zid UI zmanjšuje tveganje, vendar ne nudi popolne zaščite in ne nadomešča ne omejenih pooblastil ne testiranja.
Predloga
Predpisi o varstvu podatkov
Predpisi o varstvu podatkov so pravna pravila o ravnanju z osebnimi podatki. V EU je ključni okvir Splošna uredba o varstvu podatkov (GDPR); med drugim zahteva pravno podlago za vsako obdelavo, najmanjši obseg podatkov, preglednost do posameznikov, na katere se podatki nanašajo, in pogodbe o obdelavi osebnih podatkov z ponudniki storitev. Pri uporabi UI morajo organizacije razjasniti, kateri podatki pristanejo v vnosih, virih znanja in dnevnikih ter kje se obdelujejo.
Pregled pravnih dokumentov
Pri pregledu pravnih dokumentov s podporo UI jezikovni model analizira pogodbe, splošne pogoje ali pravne vloge: povzame ključne točke, kot so trajanje, odpoved in odgovornost, označi nenavadne klavzule in opozori na manjkajoče določbe. To začetni pregled bistveno pospeši, vendar ne nadomešča pravnega svetovanja; presoja in odgovornost ostajata pri usposobljenih ljudeh.
Predloga
Preglednost UI
Preglednost UI pomeni razkritje, kdaj je UI vključena, na katerih podatkih in virih temeljijo njeni rezultati ter kako se sprejemajo odločitve. To vključuje označevanje vsebin UI, sledljive navedbe virov, dnevnike in dokumentirane spremembe. Preglednost krepi zaupanje, olajša odpravljanje napak in je deloma zahtevana z zakonom, na primer z obveznostmi preglednosti iz Akta EU o umetni inteligenci, po katerih naj bi ljudje lahko prepoznali, da komunicirajo z UI.
Preoblikovalnik odstavkov
Preoblikovalnik odstavkov je orodje UI, ki obstoječi odlomek preoblikuje, ne da bi spremenil njegovo vsebino. Pogosti cilji so drugačen ton, krajša različica, preprostejši jezik ali manj ponavljanja. To je koristno na primer takrat, ko mora biti notranje strokovno besedilo za stranke bolj razumljivo. Vsebino in dejstva je treba nato vseeno preveriti, saj lahko preoblikovanje zamakne odtenke pomena.
Predloga
Preoblikovalnik stavkov
Preoblikovalnik stavkov preoblikuje posamezne stavke ali kratke odlomke, ne da bi spremenil njihov pomen. Stavek lahko poenostavi, ga naredi bolj formalnega ali prijaznejšega, ga skrajša ali prepreči ponavljanje. To je koristno na primer pri odgovorih strankam, tržnih besedilih ali kadar se stavek bere okorno. Hiter pregled je vseeno pomemben, da strokovni izrazi, številke in trditve po preoblikovanju ostanejo točni.
Predloga
Prepis zvoka
Prepis zvoka pretvori govorjeni jezik s posnetkov v pisno besedilo. Sodobni sistemi za samodejno razpoznavanje govora dodajo tudi ločila, razlikujejo med govorci in včasih zagotovijo časovne žige. Uporablja se za zapisnike sestankov, intervjuje, podnapise in dokumentiranje pogovorov s strankami. Kakovost je močno odvisna od kakovosti zvoka, naglasa in strokovnega besedišča; pri pogovorih z osebnimi podatki je treba upoštevati privolitev in varstvo podatkov.
Prepoznavanje besedila v prizorih (STR)
Prepoznavanje besedila v prizorih bere besedilo, ki se pojavlja na fotografijah in videu resničnega okolja, na primer na cestnih znakih, embalaži ali registrskih tablicah. Za razliko od klasičnega OCR za skenirane dokumente se mora spopasti s poševnimi perspektivami, spreminjajočo se svetlobo, nenavadnimi pisavami in natrpanim ozadjem. Tipičen pristop poteka v dveh stopnjah: najprej poišče področja z besedilom, nato prepozna znake v njih.
Prepoznavanje govora (govor v besedilo)
Prepoznavanje govora, imenovano tudi ASR (automatic speech recognition), samodejno pretvori govorjeni jezik v pisano besedilo. Sodobni sistemi uporabljajo nevronske mreže, naučene na velikih količinah zvočnih posnetkov, in se razmeroma dobro spopadajo z naglasi in hrupom v ozadju. Uporabe vključujejo narekovanje, podnapise, glasovne pomočnike ter prepisovanje sestankov in klicev s strankami. Strokovni izrazi, lastna imena in slaba kakovost zvoka ostajajo pogosti viri napak.
Prepoznavanje jezika
Prepoznavanje jezika samodejno ugotovi, v katerem jeziku je besedilo napisano, na primer v nemščini, italijanščini ali španščini. Klasične metode analizirajo značilna zaporedja črk, veliki jezikovni modeli pa jezik prepoznajo mimogrede. Uporablja se za usmerjanje povpraševanj k pravi ekipi, sprožanje ustreznih prevodov ali odgovarjanje v jeziku sogovornika. Zelo kratka besedila in mešanice več jezikov so težavni.
Prepoznavanje poimenovanih entitet (NER)
Prepoznavanje poimenovanih entitet (NER) je tehnika obdelave naravnega jezika, ki v besedilu najde imena oseb, podjetij in krajev ter datume ali zneske in vsakega uvrsti v kategorijo. Prosto besedilo pretvori v strukturirane podatke. Primer: podjetje pošiljatelja, kontaktna oseba, datum dobave in znesek računa se samodejno izluščijo iz e-poštnega sporočila in prenesejo v sistem CRM.
Predloga
Prepoznavanje slik
Prepoznavanje slik je področje računalniškega vida, v katerem programska oprema prepozna, kaj prikazuje slika – predmete, osebe, besedilo, logotipe ali prizore. Običajno temelji na nevronskih mrežah, naučenih na velikem številu označenih slik. Uporabe segajo od nadzora kakovosti v proizvodnji in razvrščanja fotografij izdelkov do podpore medicinskemu slikanju. Pri slikah oseb je treba posebno pozornost nameniti varstvu podatkov in morebitni pristranskosti.
Prepoznavanje vzorcev
Prepoznavanje vzorcev je samodejno odkrivanje pravilnosti, struktur ali ponavljajočih se značilnosti v podatkih, kot so slike, zvoki, besedila ali meritve. Sistemi nova opažanja razvrstijo v znane kategorije ali odkrijejo skupine brez vnaprej določenih oznak. Uporablja se pri prepoznavanju obrazov, prepoznavanju rokopisa, kontroli kakovosti v proizvodnji in odkrivanju nenavadnih transakcij. Področje je pomemben temelj strojnega učenja.
Preverjanje podatkov
Preverjanje podatkov ugotavlja, ali so podatki popolni, pravilno oblikovani in verjetni, preden se obdelajo naprej. Tipična preverjanja zajemajo obvezna polja, obliko e-poštnih naslovov, poštnih številk ali datumov ter logična nasprotja – na primer datum dobave pred datumom naročila. Tako se napake odkrijejo zgodaj, namesto da bi se prenesle v poročila, račune ali analize UI.
Predloga
Prihod na trg (GTM)
Strategija prihoda na trg (go-to-market, GTM) določa, kako bo izdelek ali storitev uspešno uvedena na trg: katera ciljna skupina ima kakšno težavo, kako je ponudba pozicionirana in cenovno opredeljena, prek katerih kanalov se prodaja in katera merila uspeh merijo. Načrt GTM povezuje trženje, prodajo in izdelek. Primer: ponudnik programske opreme začne z eno panogo, enim partnerskim kanalom in 90-dnevnim ciljem.
Predloga
Priklic v strojnem učenju
Priklic (imenovan tudi občutljivost ali stopnja pravih pozitivnih) meri, kolikšen delež dejanskih pozitivnih primerov model zazna: pravilno prepoznani pozitivni primeri, deljeni z vsemi resničnimi pozitivnimi. Če filter goljufij ujame 80 od 100 resničnih primerov goljufije, je njegov priklic 0,8. Visok priklic je pomemben, kadar so spregledani primeri dragi, na primer pri medicinski diagnostiki. Ker ne upošteva lažnih alarmov, se običajno obravnava skupaj z natančnostjo, na primer v meri F.
Prilagodljivo učenje
Prilagodljivo učenje označuje učne programe, ki se nenehno prilagajajo znanju, tempu in napakam učečega se. Programska oprema analizira odgovore in nato izbere ustrezne vaje, razlage ali ponavljanje. Uporablja se v šolah, na univerzah in pri izobraževanju v podjetjih – na primer, ko platforma po napačno rešeni nalogi samodejno ponudi lažji vmesni korak. V strojnem učenju izraz označuje tudi modele, ki se nenehno prilagajajo novim podatkom.
Prilagojeni R-kvadrat
Prilagojeni R-kvadrat meri, kako dobro regresijski model pojasni variabilnost podatkov, popravljeno za število uporabljenih napovednih spremenljivk. Navadni R-kvadrat raste z vsako dodatno spremenljivko, tudi če ta ne prispeva ničesar; prilagojena različica nepotrebne spremenljivke kaznuje. To omogoča pravičnejšo primerjavo modelov različnih velikosti, na primer napovedi prodaje s tremi namesto z desetimi dejavniki.
Prompt
Poziv je vnos, ki modelu UI pove, kaj naj naredi – vprašanje, naloga ali navodilo, pogosto dopolnjeno s kontekstom, primeri in želeno obliko. Kakovost odgovora je močno odvisna od tega, kako jasen in popoln je poziv. Namesto „Napiši nekaj o našem izdelku“ raje zapišite „Napiši tri kratke prednosti izdelka X za obrtna podjetja, v stvarnem tonu“.
Predloga
PyTorch
PyTorch je odprtokodno ogrodje za strojno in poglobljeno učenje v programskem jeziku Python. Izvorno ga je razvil Meta (takrat Facebook), od leta 2022 pa ga upravlja PyTorch Foundation pod okriljem Linux Foundation. PyTorch se veliko uporablja v raziskavah in industriji, ker razvijalcem omogoča prilagodljivo gradnjo modelov, njihovo učenje na grafičnih procesorjih in postopno preizkušanje; z njim je zgrajenih veliko znanih jezikovnih in slikovnih modelov.
Q-učenje
Q-učenje je temeljna metoda spodbujevalnega učenja. Agent se s poskusi in napakami nauči, kakšno dolgoročno vrednost („vrednost Q“) ima določeno dejanje v določeni situaciji, in sčasoma izbira najbolj obetavna dejanja. Za to ne potrebuje modela svojega okolja. V kombinaciji z nevronskimi mrežami (globoko Q-učenje) se je sistem podjetja DeepMind s tem pristopom naučil igrati številne video igre Atari samo iz slikovnih pik na zaslonu.
Računalniški vid
Računalniški vid je področje UI, v katerem računalniki interpretirajo slike in video. Tipične naloge vključujejo zaznavanje in lociranje predmetov, branje besedila na slikah in merjenje sestavnih delov. Tehnologija se uporablja na primer pri nadzoru kakovosti v proizvodnji, v sistemih za pomoč vozniku, v logistiki in v medicinskem slikanju.
Raziskovalna analiza podatkov (EDA)
Raziskovalna analiza podatkov (EDA) je prvi, odprt pogled na podatkovno zbirko: izračunate povzetke, preučite porazdelitve in grafikone ter iščete vzorce, osamelce in manjkajoče vrednosti – še brez trdne hipoteze. Pomaga oceniti kakovost podatkov in poiskati smiselna vprašanja za nadaljnjo analizo ali modeliranje. Primer: pred napovedjo prodaje EDA razkrije, da je bil en mesec zaradi selitve sistema zabeležen nepopolno.
Predloga
Raziskovalne podpore za UI
Raziskovalne podpore in financiranje za UI financirajo raziskovalne projekte, skupine mladih raziskovalcev ali sodelovanja na področju umetne inteligence. V Nemčiji na primer Nemška raziskovalna fundacija (DFG) v okviru svoje pobude za UI financira skupine Emmy Noether o metodah UI, Zvezno ministrstvo za raziskave, tehnologijo in vesolje (BMFTR) pa sredstva dodeljuje prek tematskih razpisov. Na ravni EU razpise izvajata Obzorje Evropa in Evropski raziskovalni svet (ERC). Roki in pogoji se nenehno spreminjajo (stanje oktober 2026).
Razložljivost
Razložljivost (explainable AI, XAI) opisuje, kako dobro je mogoče razumeti, zakaj je sistem UI prišel do določenega rezultata. Zajema metode, ki pokažejo, kateri vhodni podatki so odločitev najbolj vplivali, pa tudi praktične pripomočke, kot so navedbe virov in dnevniki. Razložljivost je pomembna za zaupanje, odpravljanje napak in regulacijo – na primer kadar mora banka utemeljiti, zakaj je zavrnila vlogo.
Razložljivost delovanja modela
Razložljivost delovanja modela opisuje, kako dobro ljudje razumejo, kako model UI pride do svojih rezultatov. Preprosti modeli, kot so odločitvena drevesa, so že po naravi lahko berljivi; pri kompleksnih nevronskih mrežah pomagajo tehnike, ki razkrijejo vpliv posameznih značilnic. Razložljivost je pomembna za odpravljanje napak, zaupanje in regulativne zahteve, na primer kadar je treba utemeljiti zavrnitev posojila.
Razreševanje koreferenc
Razreševanje koreferenc je naloga obdelave naravnega jezika, ki ugotovi, kateri izrazi v besedilu se nanašajo na isto osebo, stvar ali zadevo. V stavku „Klicala je gospa Weber. Prosi za povratni klic“ mora sistem razumeti, da se „prosi“ nanaša na gospo Weber. To je pomembno za povzetke, izluščanje informacij in klepetalne robote, ki morajo slediti sklicevanjem prek več stavkov ali pogovornih potez.
Razširitev poizvedbe
Razširitev poizvedbe iskalni poizvedbi samodejno doda sorodne izraze, tako da se najdejo tudi ustrezni dokumenti, ki uporabljajo drugačno izrazje. Tipični dodatki so sopomenke, kratice, besedne oblike ali prevodi: iskanje „odpoved“ lahko tako najde tudi besedila o „prekinitvi pogodbe“. To je še posebej koristno pri iskanju po ključnih besedah, vendar lahko zmanjša natančnost, če se doda preveč ali neprimernih izrazov. Danes se za ustvarjanje razširjenih poizvedb pogosto uporabljajo jezikovni modeli.
Razširljivost
Razširljivost je zmožnost programske opreme, da sprejme nove funkcije, vire podatkov ali povezave, ne da bi bilo treba predelati njeno jedro. Tipična sredstva so programski vmesniki (API), webhooki, vtičniki in odprti standardi, kot je Model Context Protocol (MCP). Za podjetja razširljiva rešitev UI deluje ob obstoječih sistemih, kot so CRM ali spletna trgovina, in lahko raste s spreminjajočimi se zahtevami.
Razumevanje naravnega jezika (NLU)
Razumevanje naravnega jezika je del obdelave jezika, ki zajame pomen izjave: kakšen namen stoji za njo, katere osebe, kraji ali datumi so omenjeni in kakšen je ton. Skupaj z generiranjem naravnega jezika (NLG) NLU tvori eno od dveh strani NLP. Primer je sistem za podporo strankam, ki „Moj paket še vedno ni prispel“ prepozna kot povpraševanje o dostavi.
Razvoj prototipov UI
Prototip UI je zgodnja, delujoča različica aplikacije UI, ki ekipi omogoča hitro in poceni preizkus ideje. Namesto mesecev načrtovanja jo preizkusite z resničnimi podatki in uporabniki, da vidite, ali UI nalogo reši dovolj zanesljivo, kateri podatki manjkajo in kakšno vrednost prinaša. Primer: pomočnik, ki vnaprej razvršča povpraševanja strank, se dva tedna preizkuša na delu nabiralnika, preden se odločite za širšo uvedbo.
Razvrščanje besedil
Razvrščanje besedil samodejno razvršča besedila v vnaprej določene kategorije, na primer e-pošto po vrsti zahtevka, ocene po sentimentu ali dokumente po temi. Prej je bilo za to treba učiti posebne modele na označenih primerih; danes veliki jezikovni modeli kategorije pogosto dodelijo že na podlagi opisa. Tako je mogoče povpraševanja vnaprej razvrstiti in jih hitreje usmeriti k pravi ekipi.
Predloga
Razvrščanje v skupine po metodi k-voditeljev
K-voditelji (k-means) so metoda nenadzorovanega učenja, ki podatkovne točke razdeli v vnaprej določeno število k skupin. Vsako točko dodeli najbližjemu središču skupine in ta središča premika, dokler se dodelitve skoraj ne spreminjajo več. Metoda je hitra in lahko razumljiva, zahteva pa smiselno izbiro k in značilnosti na primerljivih merilih. Primer: razvrščanje strank po pogostosti nakupov in vrednosti košarice.
Predloga
Red teaming za UI
Red teaming za UI je strukturiran pregled sistema UI z vidika morebitnih napadalcev ali zlorabe. Strokovnjaki nadzorovano preizkušajo, ali klepetalni robot razkrije zaupna navodila, ali ga je mogoče zavesti v neželeno vedenje, ali navaja napačna dejstva ali izpostavi podatke. Ugotovitve se upoštevajo pri boljših navodilih, filtrih in dovoljenjih. Varnostna revizija klepetalnega robota je lažja oblika: konfiguracijo in vzorčne pogovore oceni glede na znana področja tveganj, kot je OWASP Top 10 za aplikacije LLM.
Predloga
Regresija z naključnim gozdom
Regresija z naključnim gozdom napoveduje številske vrednosti s kombiniranjem številnih odločitvenih dreves. Vsako drevo se uči na naključnem vzorcu podatkov in naključni izbiri značilnic; rezultat je povprečje napovedi vseh dreves. Zaradi tega je metoda robustnejša in manj nagnjena k preveliko prileganju kot posamezno drevo. Uporablja se na primer za napovedi prodaje, ocene cen ali porabe energije – pogosto kot zanesljivo izhodišče za tabelarične podatke.
Regularizacija
Regularizacija zajema tehnike, ki med učenjem preprečujejo, da bi se model preveč tesno prilegel podatkom za učenje (preveliko prileganje). Primeri so kaznovanje velikih uteži (regularizacija L1 ali L2), naključno izklapljanje nevronov (dropout) ali ustavitev učenja ob pravem času (zgodnja ustavitev). Cilj je preprostejši model, ki zanesljiveje deluje na novih, še nevidenih podatkih, tudi če na podatkih za učenje doseže nekoliko slabši rezultat.
Regulativni okvir za UI
Regulativni okvir za UI obsega zakone, standarde in nadzorne strukture, ki urejajo razvoj in uporabo UI. V EU je osrednji zakon Akt o UI (Uredba (EU) 2024/1689), ki ubira pristop na podlagi tveganja: prepovedi veljajo od februarja 2025, obveznosti za modele UI za splošne namene od avgusta 2025 in obveznosti glede preglednosti od avgusta 2026. Po „Digitalnem omnibusu“ (Uredba (EU) 2026/1744) se obveznosti za visoko tvegane sisteme uporabljajo od 2. decembra 2027 oziroma 2. avgusta 2028 (stanje oktober 2026; ni pravni nasvet).
Rekurzivno pozivanje
Rekurzivno pozivanje označuje tehnike, pri katerih se izhod jezikovnega modela znova poda kot nov vhod – na primer da se osnutek pregleda in popravi ali da se velika naloga korak za korakom razdeli na podnaloge. Primer: najprej nastane osnutek ponudbe, model ga nato oceni glede na kontrolni seznam, na koncu pa se izboljša. To pogosto dvigne kakovost, vendar zahteva dodaten čas obdelave in jasno merilo za ustavitev.
Remote MCP
Oddaljeni MCP označuje strežnik MCP, ki ne teče lokalno na vašem računalniku, temveč je dosegljiv prek interneta s protokolom HTTP. Model Context Protocol je odprt standard, ki aplikacijam UI omogoča uporabo zunanjih orodij in podatkov; za oddaljene strežnike specifikacija predvideva transport „Streamable HTTP“ in overjanje, na primer prek OAuth ali ključa API. Prednost je, da je centralno gostovana storitev na voljo številnim uporabnikom in programom UI brez lokalne namestitve.
Return on AI (ROAI)
Donos UI (return on AI) opisuje ekonomski donos uporabe UI glede na njene stroške. Preprost grob izračun je: prihranjene ure na mesec × urna postavka, minus stroški licenc, uporabe modelov, vzpostavitve in podpore. Če ekipa, ki obravnava 200 zahtevkov, za posamezen zahtevek namesto 10 potrebuje 4 minute, prihrani 20 ur na mesec. Takšni izračuni ostajajo ocene; upoštevati je treba tudi kakovost, stopnjo napak in čas uvajanja.
Predloga
Robustnost modela
Robustnost modela opisuje, kako zanesljivo model UI deluje, kadar so vhodni podatki šumni, nepopolni, nenavadni ali namerno izmaličeni. Robusten model še vedno daje stabilne rezultate, na primer pri prepoznavanju slik v slabi svetlobi ali kadar jezikovni model obravnava tipkarske napake. Robustnost ocenjujemo s stresnimi testi, raznolikimi podatki za učenje in preizkusi proti namernim poskusom zavajanja; posebej je pomembna pri aplikacijah, kritičnih za varnost.
Rytr
Rytr je pomočnik za pisanje z UI, na voljo od leta 2021, ki ustvarja kratka tržna in vsakdanja besedila. Uporabniki izberejo primer uporabe – na primer e-poštno sporočilo, opis izdelka, objavo na družbenih omrežjih ali zasnovo spletnega prispevka –, ton in enega od več kot 30 jezikov; urejevalnik pomaga pri preoblikovanju, krajšanju ali razširjanju. Poleg brezplačne različice z omejeno količino znakov obstajajo plačljivi paketi (stanje oktober 2026). Tako kot pri vseh takih orodjih je treba rezultate pred objavo preveriti.
Samodejna klasifikacija
Samodejna klasifikacija besedila, dokumente ali zapise uvrsti v vnaprej določene kategorije brez ročnega razvrščanja. Tradicionalno se modeli tega naučijo iz označenih primerov; veliki jezikovni modeli lahko kategorije dodelijo tudi samo na podlagi opisa. Tipične uporabe so razvrščanje dohodnih e-sporočil po vrsti zahteve, dodeljevanje prejemkov ali označevanje nujnih zahtevkov za podporo. Pri pomembnih primerih so priporočljiva naključna preverjanja s strani ljudi.
Predloga
Scikit-learn
Scikit-learn je odprtokodna knjižnica za Python za klasično strojno učenje. Nudi enotna orodja za razvrščanje, regresijo, gručenje, zmanjševanje dimenzionalnosti, predobdelavo podatkov in vrednotenje modelov, na primer navzkrižno preverjanje. Zgrajena je na NumPy in SciPy ter se zaradi preprostega, enotnega vmesnika veliko uporablja v izobraževanju, raziskavah in praksi. Za globoke nevronske mreže se običajno izberejo ogrodja, kot sta PyTorch ali TensorFlow.
SDR z UI
SDR z UI (sales development representative) je agent UI, ki prevzame naloge iz zgodnje faze prodaje: odgovarjanje na prejeta povpraševanja, kvalificiranje potencialnih strank, pripravo scenarijev za klice in e-poštnih sporočil za ponovni stik ali pripravo sestankov. Razbremeni prodajno ekipo, a ne nadomesti njene presoje in dela z odnosi. Pri nagovarjanju novih stikov v Nemčiji in EU je treba upoštevati varstvo podatkov in pravila proti nenaročenemu oglaševanju.
Predloga
Segmentacija instanc
Segmentacija instanc je tehnika računalniškega vida, ki zazna vsak posamezni predmet na sliki in ga slikovno točko za slikovno točko orisa. Za razliko od pomenske segmentacije razlikuje tudi med predmeti istega razreda: tri osebe dobijo tri ločene maske, ne pa ene skupne površine. Uporablja se na primer pri kontroli kakovosti, medicinskem slikanju, robotiki ali štetju izdelkov na polici.
Segmentacija trga z UI
Segmentacija trga z UI uporablja UI za razdelitev trga ali baze strank v skupine s podobnimi lastnostmi, potrebami ali vedenjem. Tradicionalno se to izvaja z metodami razvrščanja v skupine na podatkih o strankah; jezikovni modeli lahko segmente dodatno izpeljejo iz opisov, anket ali povpraševanj ter predlagajo sporočila in kanale. Rezultati so hipoteze, ki jih je treba potrditi z resničnimi podatki. Primer: ponudnik programske opreme loči cenovno občutljive začetnike od ekip, usmerjenih v rast.
Predloga
Semantična analiza
Semantična analiza proučuje pomen jezika – ne le, katere besede se pojavljajo, ampak kaj je mišljeno. To vključuje pravilno razlago večpomenskih besed v kontekstu (na primer „banka“ kot finančna ustanova ali sedež ob reki), prepoznavanje odnosov med pojmi in razvrščanje izjav po vsebini. Je podlaga za aplikacije, kot so analiza povratnih informacij strank, odgovarjanje na vprašanja ali iskalni sistemi, ki naj razumejo tudi različno zastavljene poizvedbe z enakim pomenom.
Semantična segmentacija
Semantična segmentacija vsaki posamezni slikovni piki na sliki dodeli razred, na primer cesta, vozilo, oseba ali nebo. Rezultat je nekakšen barvno označen zemljevid vsebine slike. Za razliko od segmentacije primerkov se objekti iste vrste ne razlikujejo: trije avtomobili se obravnavajo skupaj kot „avtomobil“. Uporablja se na primer pri avtonomni vožnji, v medicinskem slikanju za razmejitev tkiv in pri analizi zračnih ter satelitskih posnetkov.
Seme v umetnosti UI
Seme je začetno število za generator naključnih števil slikovnega modela. Difuzijski modeli začnejo z naključnim slikovnim šumom, iz katerega postopoma nastane slika; seme določa, kako ta začetni šum izgleda. Z istim semenom, pozivom in nastavitvami je sliko v istem modelu mogoče večinoma reproducirati. To pomaga, kadar želite v pozivu spremeniti le eno podrobnost ali pozneje znova ustvariti uspešno različico slike.
Singularnost
Tehnološka singularnost je teoretična zamisel: točka, ko se umetna inteligenca izboljšuje tako hitro, da ljudje tehnološkega napredka ne morejo več napovedovati ali nadzorovati. Pojem sta popularizirala pisatelj Vernor Vinge in futurist Ray Kurzweil. Ali in kdaj bi se to lahko zgodilo, je znanstveno odprto in sporno. Kljub temu ideja vpliva na razprave o varnosti UI, regulaciji in dolgoročnih tveganjih.
Sintetični podatki
Sintetični podatki so ustvarjeni umetno in ne zbrani v resničnem svetu, vendar posnemajo vzorce in lastnosti resničnih podatkov. Pomagajo, kadar so pravi podatki redki, dragi ali občutljivi z vidika varstva podatkov – na primer za testiranje programske opreme, učenje modelov ali preverjanje klepetalnega robota z realističnimi vzorčnimi poizvedbami. Pomembno je, da dovolj natančno odražajo resničnost in ne omogočajo sklepanja o resničnih osebah.
Predloga
Sistem za avtomatizacijo z UI
Sistem za avtomatizacijo z UI združuje klasično avtomatizacijo procesov z zmožnostmi UI, kot so razumevanje besedil, klasifikacija ali podpora pri odločanju. Tako je mogoče avtomatizirati tudi poteke dela z nestrukturiranimi vnosi, kot so e-poštna sporočila, obrazci ali povpraševanja. Tipična zasnova je veriga sprožilca, korakov obdelave, pogojev in izpisa s človeško odobritvijo na kritičnih točkah. Primer: prispela povpraševanja se samodejno razvrstijo, povzamejo in posredujejo pravemu oddelku.
Skriti Markovljev model (HMM)
Skriti Markovljev model (hidden Markov model, HMM) je statistični model za zaporedja, pri katerem so dejanska stanja skrita in jih je mogoče sklepati le iz opazljivih signalov. Opisuje verjetnost, da eno stanje sledi drugemu in da vsako stanje ustvari določeno opazovanje. HMM-ji so bili dolgo standard pri prepoznavanju govora in označevanju besednih vrst; danes se še vedno uporabljajo na primer v bioinformatiki in analizi časovnih vrst.
spaCy
spaCy je odprtokodna knjižnica za Python za obdelavo naravnega jezika, ki jo razvija berlinsko podjetje Explosion. Besedila razdeli na besede in stavke, določi besedne vrste in osnovne oblike, analizira stavčno zgradbo ter prepozna poimenovane entitete, kot so osebe, podjetja ali kraji. Vnaprej naučeni modeli so na voljo za številne jezike, vključno z nemščino. spaCy je zasnovan za hitrost in uporabo v resničnih aplikacijah, na primer za predobdelavo velikih količin dokumentov.
Splošna umetna inteligenca (AGI)
Splošna umetna inteligenca (artificial general intelligence, AGI) označuje hipotetični sistem UI, ki bi lahko na človeški ravni obvladal široko paleto intelektualnih nalog in naučeno prožno prenašal na nova področja. Današnji sistemi dobro opravljajo številne naloge, a še kažejo omejitve, na primer pri zanesljivosti. Splošno sprejete opredelitve ali načina merjenja ni, med strokovnjaki pa je sporno, ali bo AGI dosežena in kdaj.
Spodbujevalno učenje (RL)
Spodbujevalno učenje je veja strojnega učenja, pri kateri se agent uči s poskusi in napakami. Deluje v okolju, za dobre izide prejema nagrade, za slabe pa kazni, in tako razvije strategijo, ki največ poveča njegovo skupno nagrado. Znani primeri so programi, ki obvladajo družabne igre, kot je go, vodenje robotov in natančno uravnavanje jezikovnih modelov na podlagi človeških ocen.
Spodbujevalno učenje s človeško povratno informacijo (RLHF)
RLHF je učna metoda, ki jezikovne modele naredi bolj koristne in varnejše. Ljudje primerjajo in ocenijo več odgovorov modela; iz teh presoj se nauči model nagrajevanja, ki nato jezikovni model samega s spodbujevalnim učenjem dodatno uči. Tako se na primer nauči odgovarjati jasneje ali zavrniti sporne zahteve. RLHF poteka pri ponudniku modela, preden je model objavljen – ne pri posameznih uporabnikih.
Srednja povprečna natančnost (mAP)
Srednja povprečna natančnost (mean average precision, mAP) je merilo, ki ocenjuje, kako dobro sistem najde ustrezne rezultate in jih uvrsti blizu vrha. Povprečna natančnost se izračuna po seznamu rezultatov za vsako poizvedbo ali razred predmetov; mAP je povprečje vseh teh vrednosti. Je standardno merilo za iskalnike, priporočilne sisteme in zaznavanje predmetov na slikah, kjer je odvisno tudi od zahtevanega prekrivanja okvirjev.
Stable Diffusion
Stable Diffusion je družina modelov za generiranje slik, ki iz besedilnega opisa ustvarijo slike. Prva različica je izšla leta 2022, razvita pod vodstvom podjetja Stability AI skupaj z raziskovalnimi partnerji. Tehnično je to latentni difuzijski model, ki slikovni šum postopoma pretvori v sliko. Ker so uteži modela objavljene, ga je mogoče zagnati in prilagoditi lokalno; komercialno uporabo novejših različic ureja lastna licenca podjetja Stability AI (stanje oktober 2026).
Stopnja uvajanja UI
Stopnja uvajanja UI pove, kolikšen delež podjetij, zaposlenih ali gospodinjstev uporablja UI, in služi kot merilo razširjenosti tehnologije. Po podatkih nemškega zveznega statističnega urada (Destatis) je leta 2024 UI uporabljalo 20 % nemških podjetij z desetimi ali več zaposlenimi (2023: 12 %). Digitalno združenje Bitkom je leta 2025 med podjetji z 20 ali več zaposlenimi ugotovilo 36-odstotni delež. Zaradi različnih opredelitev in vzorcev so študije le deloma primerljive.
Strojno učenje
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
Strokovnjak za zagotavljanje kakovosti UI
Strokovnjak za zagotavljanje kakovosti UI preverja, ali aplikacije UI delujejo zanesljivo, pravilno in primerno. Vloga vključuje testna vprašanja in primerjalne teste, primerjavo različnih modelov, analizo ocen uporabnikov ter odkrivanje halucinacij in poslabšanja skozi čas. Na primer: preden preidete na nov model, na 50 tipičnih povpraševanj strank odgovorita oba modela in se primerjata glede na določena merila.
Predloga
Stroški LLM
Stroški velikih jezikovnih modelov se običajno obračunavajo po tokenih, tj. besedilnih enotah, ki so velike približno kot zlog do beseda; vhodni in izhodni tokeni se obračunavajo posebej, izhodni so praviloma dražji. Večji modeli stanejo na token več kot majhni, hitri modeli, kot je Claude Haiku, ki so za preprostejše naloge pogosto dovolj. Predpomnjenje ukazov (prompt caching) zniža stroške, kadar se isti dolgi kontekst pošilja večkrat. Pomagajo tudi jedrnata navodila in skrbno izbrano znanje.
Strukturirani podatki
Strukturirani podatki sledijo določeni shemi z jasno imenovanimi polji, kot so tabele, podatkovne zbirke ali objekti JSON s podatki, kot so ime, cena in datum. Stroji jih lahko zanesljivo berejo, filtrirajo in obdelujejo – za razliko od prostega besedila ali slik. Na spletnih mestih oznake schema.org na primer opisujejo izdelke, dogodke ali pogosta vprašanja, da iskalniki in sistemi UI vsebino razumejo nedvoumno. UI lahko strukturirane podatke izloči tudi iz nestrukturiranega besedila.
Svetovalec za UI
Svetovalec za UI organizacijam pomaga, da UI uporabljajo smiselno in odgovorno. Tipične naloge so ocena potenciala, izbira ustreznih primerov uporabe in orodij, umestitev v obstoječe procese in odgovornosti, vprašanja varstva podatkov in skladnosti ter usposabljanje. Dobro svetovanje trezno tehta koristi in tveganja ter upošteva ljudi, ki s sistemi delajo. Primer: srednje veliko podjetje razjasni, katera povpraševanja strank je mogoče zanesljivo avtomatizirati.
Šolska stopnja
Pri raziskavah berljivosti je šolska stopnja merilo za šolsko leto, od katerega je besedilo na splošno razumljivo. Znan primer je Flesch–Kincaidova šolska stopnja, ki iz dolžine stavka in zlogov na besedo izračuna ameriški šolski razred; ocena 8 približno ustreza osmemu razredu. Takšne ocene se le deloma prenesejo na druge jezike, zato se za nemščino pogosto uporabljajo prilagojene formule, kot sta Amstadova različica Flescha ali LIX.
Predloga
Temeljni model
Temeljni model (foundation model) je velik model UI, vnaprej naučen na zelo obsežnih, raznovrstnih podatkih, ki ga je mogoče nato uporabiti za številne različne naloge. Izraz je leta 2021 skoval Stanfordski univerzitet. Znani primeri so veliki jezikovni modeli, kot sta Claude ali GPT, pa tudi slikovni modeli. Podjetja svoje aplikacije običajno gradijo na takšnih modelih, namesto da bi lastne učila povsem od začetka; Akt EU o umetni inteligenci govori o modelih UI za splošne namene.
TensorFlow
TensorFlow je odprtokodno ogrodje za strojno učenje, ki ga je razvil Google in izdal leta 2015. Uporablja se za gradnjo, učenje in uvajanje nevronskih mrež v aplikacijah, na strežnikih ali mobilnih napravah. Keras nudi dostopen vmesnik na visoki ravni; tipične uporabe so razvrščanje slik, napovedovanje in priporočilni sistemi.
Text-to-Speech (TTS)
Pretvorba besedila v govor pisano besedilo pretvori v govorjeni jezik in je tako nasprotje prepoznavanja govora (govor v besedilo). Sodobni sistemi z nevronskimi mrežami ustvarjajo naravno zveneče glasove z ustrezno intonacijo. TTS se uporablja v telefonskih obvestilih, navigacijskih napravah, funkcijah branja na glas za dostopna spletna mesta in glasovnih pomočnikih.
Točnost in stabilnost modelov UI
Točnost opisuje, kako pogosto model UI daje pravilne rezultate; stabilnost opisuje, kako zanesljivo ta zmogljivost ostaja – ob rahlo spremenjenih vnosih, z novimi podatki ali skozi čas. Model je lahko pri preizkusu zelo točen, a nestabilen, če že preoblikovanje vprašanja vodi do drugačnega odgovora. Za uporabo v praksi se obe lastnosti preverjata s fiksnimi testnimi primeri, navzkrižnim preverjanjem in stalnim spremljanjem.
Token
Enota, v kateri jezikovni modeli štejejo besedilo. Token je približno del besede; na njem temeljijo stroški UI.
KI.ordo
Token
Token je najmanjša enota besedila, ki jo obdeluje jezikovni model, običajno del besede, kratka beseda ali ločilo. Modeli vhode berejo in odgovore ustvarjajo token za tokenom, tudi velikost kontekstnega okna pa se meri v tokenih. Ker ponudniki zaračunavajo vhodne in izhodne tokene, ti neposredno določajo stroške in omejitve: dolga navodila in obsežno predznanje povečajo porabo.
Token Smuggling
Tihotapljenje tokenov je oblika zaobhoda zaščite (jailbreaking), pri kateri so neželena navodila prikrita, na primer razdeljena na drobce, drugače kodirana ali zapisana z podobnimi znaki, tako da jih preprosti filtri ključnih besed spregledajo, jezikovni model pa njihov pomen vseeno razume. Zaščita vključuje normalizacijo vhodov pred ocenjevanjem, preverjanja na podlagi vsebine in ne le besed, pregledovanje izhodov ter podeljevanje čim manj pooblastil agentom UI.
Predloga
Torch
Torch je odprtokodno ogrodje za strojno učenje, ki temelji na skriptnem jeziku Lua; njegova različica Torch7 se je v 2010-ih veliko uporabljala v raziskavah in industriji. Velja za predhodnika PyTorcha, ki je prevzel zamisli in dele knjižnic C iz Torcha, vendar uporablja Python. Po navedbah uradnega repozitorija se Torch ne razvija več aktivno in je za nove projekte danes malo pomemben.
Transfer Learning
Pri prenosnem učenju model, ki se je že naučil veliko splošno nalogo, služi kot izhodišče za novo, specializirano. Namesto da bi začeli iz nič, ga prilagodimo, na primer z natančnim uravnavanjem, s sorazmerno malo lastnimi podatki. To prihrani računski čas in podatke, na primer kadar se splošni slikovni model nauči prepoznavati napake v proizvodnji na fotografijah.
Transformer
Transformer je arhitektura nevronskih mrež, predstavljena leta 2017 v raziskovalnem članku „Attention Is All You Need“. Jedro je mehanizem pozornosti: vsaka beseda se pretehta glede na vse druge besede v besedilu, izračun pa je mogoče učinkovito vzporediti. Transformerji so podlaga današnjih jezikovnih modelov, kot so GPT, Claude in BERT, uporabljajo pa se tudi za slike in zvok.
Trendi UI
Stanje oktober 2026. Tehnično se težišče premika od klepetalnih robotov k agentom UI, ki opravljajo večstopenjske naloge in prek standardov, kot je Model Context Protocol, uporabljajo orodja. Po podatkih Crunchbase je približno 64 % svetovnega tveganega kapitala v tretjem četrtletju 2026 šlo v zagonska podjetja s področja UI. V EU veljajo obveznosti za modele UI za splošne namene od avgusta 2025; roki za visokotvegane sisteme so bili preloženi na december 2027 in avgust 2028.
Trženje z UI
Trženje z UI uporablja tehnike UI za boljše razumevanje ciljnih skupin, ustvarjanje vsebin in vodenje kampanj. Tipične aplikacije so segmentacija, osebno prilagojena sporočila, napovedi verjetnosti nakupa, analiza povratnih informacij strank in optimizacija oglasov. Opira se na zakonito zbrane podatke in jasne cilje, rezultate pa je treba preveriti s testiranjem. Primer: spletni trgovec pošilja novice s priporočili izdelkov, ki ustrezajo prejšnjemu nakupovalnemu vedenju.
Turingov test
Turingov test izvira od matematika Alana Turinga, ki ga je leta 1950 opisal kot „igro posnemanja“. Oseba piše pogovore s človekom in strojem; če ne more zanesljivo ugotoviti, kdo je stroj, velja test za opravljenega. Današnji jezikovni modeli pogosto vodijo zelo človeško zveneče pogovore, vendar test pove le nekaj o prepričljivem jeziku, ne pa o razumevanju ali zanesljivosti.
Učenje brez primerov (zero-shot)
Učenje brez primerov (zero-shot learning) pomeni, da model lahko reši nalogo, ne da bi si predhodno ogledal konkretne primere zanjo. Veliki jezikovni modeli lahko na primer opravijo prevod ali razvrščanje zgolj na podlagi opisa v pozivu. Če kakovost ne zadošča, pogosto pomaga učenje z nekaj primeri (few-shot): dodate nekaj primerov želenega odgovora.
Učenje z nekaj primeri
Učenje z nekaj primeri (few-shot learning) je zmožnost modela, da nalogo reši le z nekaj primeri. Pri jezikovnih modelih se to običajno zgodi neposredno v vnosu: pokažete dva ali tri pare vprašanja in želenega odgovora, model pa isto obliko in slog uporabi pri novih primerih – brez ponovnega učenja. Primer: trije pravilno razvrščeni primeri povpraševanj strank pogosto zadostujejo, da se nadaljnja povpraševanja razvrstijo enako.
Uhajanje pozivov
Uhajanje pozivov označuje nenamerno razkritje notranjih navodil sistema UI, na primer kadar klepetalni robot na zvito zastavljeno zahtevo razkrije svoj sistemski poziv. Težava nastane, če ta navodila vsebujejo poslovno logiko, notranje informacije ali celo poverilnice. Seznam OWASP za aplikacije LLM to tveganje izrecno navaja. Najučinkovitejša zaščita je, da navodila pišete, kot da bi lahko postala javna, vanje nikoli ne shranjujete skrivnosti in preverjate tudi izhode.
Predloga
UI in človekove pravice
Izraz opisuje, kako lahko sistemi UI vplivajo na človekove pravice, kot so zasebnost, enako obravnavanje, svoboda izražanja ali pošteni postopki, pozitivno in negativno. Tveganja nastanejo na primer zaradi diskriminatornih odločitev, množičnega nadzora, biometrične identifikacije ali pomanjkanja možnosti za izpodbijanje odločitev. Ta vprašanja obravnavajo mednarodni okviri, kot sta Okvirna konvencija Sveta Evrope o UI in Akt EU o umetni inteligenci. Organizacije se odzivajo z ocenami učinkov, preglednostjo in človeškim nadzorom.
UI v kibernetski varnosti
UI v kibernetski varnosti ima dve plati. Po eni strani tehnike UI pomagajo hitreje odkrivati napade, na primer z zaznavanjem nepravilnosti v omrežnem prometu, sumljivih prijav ali phishing sporočil, ter razbremenjujejo varnostne ekipe pri razvrščanju opozoril. Po drugi strani je treba zaščititi same sisteme UI, na primer pred vstavljanjem ukazov ali uhajanjem podatkov. UI je tu učinkovita le v kombinaciji z jasnimi procesi, posodobljenimi sistemi in usposobljenimi ljudmi.
UI v maloprodaji
UI v maloprodaji zajema aplikacije vzdolž celotne maloprodajne verige: napovedovanje prodaje in načrtovanje zalog, osebna priporočila izdelkov, dinamično oblikovanje cen, odkrivanje goljufij v spletnih trgovinah in podpora strankam prek klepeta. Trgovci lahko zmanjšajo presežke in pomanjkanje zalog ter hitreje odgovarjajo na povpraševanja. To zahteva čiste podatke in skrbno ravnanje s podatki o strankah. Primer: klepetalni pomočnik ves dan odgovarja na vprašanja o rokih dobave in vračilih.
UI v proizvodnji
UI v proizvodnji zajema aplikacije v proizvodnji in industriji, kot so prediktivno vzdrževanje na podlagi podatkov senzorjev, samodejna kontrola kakovosti s kamerami, optimizacija procesnih parametrov in planiranje proizvodnje ter roboti, ki delajo ob ljudeh. Cilji so manj izpadov, manj odpadkov in stabilnejše delovanje. To zahteva zanesljive strojne podatke in vključevanje strokovnjakov iz proizvodnje. Primer: sistem iz vzorcev vibracij prepozna, da bo ležaj morda kmalu odpovedal.
UI v prometu
UI v prometu zajema aplikacije v logistiki, prometu in mobilnosti: načrtovanje poti in tur, napovedovanje prometa, prediktivno vzdrževanje vozil in infrastrukture ter sisteme za pomoč vozniku vse do avtonomnih vozil. Cilji so krajše poti, manj praznih voženj, nižji stroški in večja varnost. Številne aplikacije so varnostno kritične in zato strogo regulirane. Primer: paketna služba vsak dan znova načrtuje dostavne poti glede na obseg pošiljk in prometne razmere.
UI v zabavi
UI v zabavi pomeni uporabo UI v filmu, glasbi, igrah, pretočnih storitvah in medijih. Tipične aplikacije so priporočilni sistemi, ki predlagajo vsebine po okusu, podpora pri montaži, vizualnih učinkih in sinhronizaciji, ustvarjeni svetovi in liki iger ter ustvarjanje glasbe in slik. Hkrati odpira vprašanja avtorskih pravic, privolitve izvajalcev in deepfakov. Primer: pretočna platforma domači zaslon prilagodi vsakemu profilu.
UI v zdravstvu
UI v zdravstvu zajema aplikacije, ki podpirajo klinično osebje in administracijo, na primer pri analizi medicinskih slik, dokumentiranju, načrtovanju terminov ali vrednotenju raziskovalnih podatkov. Takšni sistemi dajejo namige in razbremenjujejo, vendar ne nadomeščajo klinične presoje in ne obljubljajo ozdravitve. Številne medicinske aplikacije UI spadajo pod predpise o medicinskih pripomočkih in stroga pravila varstva zdravstvenih podatkov. Primer: programska oprema na rentgenskih slikah označi opazna območja, da jih pregledajo specialisti.
Umetna superinteligenca (ASI)
Umetna superinteligenca (artificial superintelligence, ASI) je teoretični koncept UI, ki bi ljudi znatno presegala v skoraj vseh intelektualnih zmožnostih, vključno z raziskovanjem, načrtovanjem in družbeno presojo. Takšen sistem ne obstaja. Izraz se uporablja predvsem v filozofiji in raziskavah varnosti UI za razpravo o vprašanjih nadzora in usklajevanja prihodnjih sistemov s človeškimi vrednotami.
Umetne nevronske mreže (ANN)
Umetne nevronske mreže (artificial neural networks, ANN) so računski modeli iz mnogih povezanih enot („nevronov“), razporejenih v sloje, ki vhode obdelujejo prek uteženih povezav. Med učenjem se uteži korak za korakom prilagajajo na primerih, običajno z vzvratnim razširjanjem napake. ANN so temelj globokega učenja in poganjajo prepoznavanje slik, prepoznavanje govora in velike jezikovne modele. Kljub biološkemu zgledu delujejo veliko preprosteje kot človeški možgani.
Underfitting
Premajhno prileganje nastane, ko je model preveč preprost, da bi zajel povezave v podatkih. Potem dela veliko napak tako na podatkih za učenje kot na novih podatkih, na primer kadar z ravno črto predstavimo izrazito ukrivljen vzorec. Rešitve so zmogljivejši model, bolj informativne značilnice, daljše učenje ali manj regularizacije; nasprotna težava je preveliko prileganje.
Upravljanje podatkov
Upravljanje podatkov zajema pravila, vloge in procese, s katerimi organizacija določi, kdo sme zbirati, uporabljati, spreminjati in brisati katere podatke. Obsega odgovornost za kakovost podatkov, pravice dostopa, roke hrambe in skladnost z zahtevami varstva podatkov. Posebej je pomembno pri projektih UI, saj so modeli in agenti zanesljivi le toliko, kolikor so zanesljivi podatki, na katere se opirajo.
Urnik
Samodejno zažene potek dela, na primer vsako uro, dnevno, ob delavnikih ali tedensko.
KI.ordo
Usmerjanje potencialnih strank
Usmerjanje potencialnih strank (lead routing) je samodejna dodelitev prejetih povpraševanj odgovorni osebi, oddelku ali regiji. Merila so lahko tema, izdelek, velikost podjetja, jezik ali nujnost. UI lahko razume in razvrsti prosto besedilo povpraševanja, na primer ali gre za novo ponudbo, težavo s podporo ali prošnjo za zaposlitev. Hitro in natančno usmerjanje skrajša odzivne čase in prepreči, da bi povpraševanja ostala brez odgovora.
Predloga
Usmerjevalnik UI
Gradnik poteka dela, ki besedilo razvrsti v eno od več kategorij in ustrezno razveji.
KI.ordo
Ustavna UI (Constitutional AI)
Ustavna UI (Constitutional AI) je metoda učenja jezikovnih modelov, ki jo je Anthropic objavil leta 2022; z ustavnim pravom nima nič skupnega. Temelji na zapisanem naboru načel, „ustavi“: model sam kritizira in popravlja svoje odgovore glede na ta načela, nato UI primerja pare odgovorov, ta povratna informacija pa služi kot signal nagrajevanja pri spodbujevalnem učenju (RLAIF). To zmanjšuje potrebo po človeškem označevanju škodljivih vsebin; januarja 2026 je Anthropic objavil prenovljeno ustavo za Claude.
Ustvarjanje vsebin s pomočjo UI
Ustvarjanje vsebin s pomočjo UI pomeni izdelavo besedil, slik ali druge vsebine z generativno UI, na primer za spletna mesta, novice, opise izdelkov ali družbena omrežja. UI hitro pripravi osnutke, različice in prevode, strokovno znanje, glas znamke in preverjanje dejstev pa ostajajo človeške naloge. Pomagajo jasna navodila o občinstvu, tonu in virih. Primer: ključne točke o novi ponudbi postanejo osnutek spletnega članka in tri objave za družbena omrežja.
Predloga
Utelešeni agenti UI
Utelešeni agenti UI imajo fizično ali simulirano telo, prek katerega s senzorji zaznavajo okolico in nanjo vplivajo z gibanjem. Primeri so skladiščni in gospodinjski roboti, humanoidni roboti ter liki v simulacijah, v katerih se roboti učijo pred uporabo v resničnem svetu. Izziv je združevanje zaznavanja, načrtovanja in varnega ukrepanja v nepredvidljivem svetu.
Varnost LLM
Varnost LLM zajema vse ukrepe, ki aplikacije na osnovi velikih jezikovnih modelov ščitijo pred zlorabo, uhajanjem podatkov in neželenim vedenjem. Tipična tveganja so vstavljanje ukazov, razkritje zaupnih navodil ali podatkov in agenti s prekomernimi pooblastili. Zaščita izhaja iz več plasti: jasnih navodil, omejenih pravic, preverjanja vnosov in izpisov, požarnih zidov UI, red teaminga in rednih pregledov.
Predloga
Varnostna revizija klepetalnega robota
Varnostna revizija klepetalnega robota je strukturiran pregled, ali klepetalni robot z UI ustrezno varuje zaupne podatke, svoja notranja navodila in svoja dovoljenja za ukrepanje. Med drugim preverja dovzetnost za vbrizgavanje pozivov (prompt injection), nenamerno razkritje informacij in preširok dostop do orodij – pogosto po OWASP Top 10 za aplikacije LLM. Rezultat je poročilo z oceno za vsako področje tveganja in konkretnimi ukrepi.
Predloga
Večstopenjsko sklepanje
Večstopenjsko sklepanje je sposobnost sistema UI, da odgovori na vprašanje prek več zaporednih sklepov, pogosto z združevanjem informacij iz različnih virov. Primer: „Kateri oddelek vodi oseba, odgovorna za projekt X?“ zahteva, da najprej ugotovimo odgovorno osebo, nato pa njen oddelek. Takšna vprašanja so zahtevna za iskalne sisteme in sisteme RAG, ker je treba vsak vmesni korak pravilno najti in povezati.
Vektor vdelave
Vektor vdelave (embedding) je seznam števil, ki predstavlja pomen besede, stavka ali dokumenta tako, da so si besedila s podobno vsebino blizu. Tako je mogoče na primer prepoznati, da sta „odpoved“ in „prenehanje pogodbe“ povezani, čeprav nimata skupnih besed. Vdelave so podlaga mnogih sistemov pomenskega iskanja, priporočilnih storitev in aplikacij RAG; izračunajo jih posebej naučeni modeli.
Veliki jezikovni model (LLM)
Veliki jezikovni model (large language model, LLM) je nevronska mreža, naučena na zelo velikih količinah besedil, kar ji omogoča razumevanje in ustvarjanje jezika. Deluje tako, da korak za korakom izračunava najverjetnejši naslednji token. LLM-ji pišejo, povzemajo, prevajajo, odgovarjajo na vprašanja in ustvarjajo kodo; znani primeri so Claude, GPT, Gemini in Llama. Brez dostopa do aktualnih virov poznajo le tisto, kar je bilo v njihovih učnih podatkih.
Veriženje modelov
Veriženje modelov pomeni zaporedno povezovanje več modelov UI ali korakov UI, tako da izhod enega koraka postane vhod naslednjega. Zahtevne naloge se tako razdelijo na obvladljive podnaloge, ki jih je mogoče preverjati in izboljševati posamično. Primer: prvi korak povzame povpraševanje stranke, drugi ga dodeli oddelku, tretji pa sestavi odgovor.
Vertikalni agent UI
Vertikalni agent UI je prilagojen določeni panogi ali strokovni nalogi, na primer podpori strankam v spletni trgovini, naročanju na termine v zdravstvenih ordinacijah ali prodajnim povpraševanjem v strojegradnji. Za razliko od splošnih pomočnikov pozna izrazje, procese in pravila svojega področja, ker je opremljen z ustreznimi navodili, znanjem in orodji. Zato običajno znotraj svoje domene daje natančnejše in zanesljivejše rezultate.
Vibe Coding
Vibe coding opisuje način dela, pri katerem programska oprema nastaja predvsem z opisi v naravnem jeziku, koda, ki jo ustvari UI, pa se v veliki meri sprejme brez pregleda. Izraz je februarja 2025 skoval raziskovalec UI Andrej Karpathy. Lahko je uporaben za hitre prototipe, v produkciji pa tvega neodkrite varnostne ranljivosti, težko vzdrževano kodo in odvisnosti, ki jih nihče v ekipi zares ne razume, zato pregled kode in testiranje ostajata nepogrešljiva.
Vir znanja
Besedilo, ki ga KI.ordo razdeli na odlomke in omogoči agentom iskanje po njem.
KI.ordo
Vložitve besed
Vložitve besed predstavljajo besede kot številske vektorje, tako da besede s podobnim pomenom ležijo blizu skupaj v vektorskem prostoru, na primer „avto“ in „vozilo“. Metode, kot sta Word2Vec ali GloVe, te vektorje naučijo iz velikih količin besedila. Bile so pomemben korak v obdelavi jezika, na primer za iskanje ali razvrščanje; današnji jezikovni modeli uporabljajo kontekstualne vložitve, pri katerih je beseda predstavljena drugače glede na stavek.
Vodenje projektov UI v raziskavah in razvoju
Vodenje projektov UI v raziskavah in razvoju zajema dve stvari: vodenje projektov, v katerih se gradi UI, in uporabo UI za podporo projektom raziskav in razvoja. Tipične naloge so povzemanje literature, strukturiranje načrtov poskusov, spremljanje mejnikov in dokumentiranje rezultatov. Strokovne odločitve in odobritve naj ostanejo pri ljudeh.
Vrzel v znanju
Vprašanje, za katero agent v svojem znanju ni našel ničesar. KI.ordo jih zbira, da lahko vrzeli zapolnite.
KI.ordo
Vzročno sklepanje
Vzročno sklepanje zajema metode za izpeljavo vzročno-posledičnih povezav iz podatkov, namesto da bi le ugotavljale korelacije. Odgovarja na vprašanja, kot je „Kaj bi se zgodilo, če tega ukrepa ne bi izvedli?“. Orodja so naključni poskusi, kot so testi A/B, vzročni grafi in statistične tehnike za opazovalne podatke. Primer: preverjanje, ali je akcija s popusti res povečala prodajo ali bi ta zaradi sezonskih razlogov narasla tudi sicer.
Webhook
Internetni naslov, ki zažene potek dela, takoj ko mu drug program pošlje podatke.
KI.ordo
Whisper
Whisper je model za samodejno prepoznavanje govora, ki ga je OpenAI izdal septembra 2022. Govorjeni jezik v številnih jezikih pretvori v besedilo, posnetke pa zna tudi prevajati v angleščino. Njegova koda in uteži modela so na voljo pod odprtokodno licenco MIT, zato Whisper lahko teče tudi na lastni strojni opremi, kar je prednost, kadar zvočni podatki ne smejo zapustiti organizacije. Tipične uporabe so prepisi sestankov, intervjujev in podnapisi.
Windowing
Okenjenje pomeni razdelitev dolgih podatkov na odseke („okna“) fiksne dolžine, ki se pogosto prekrivajo. V aplikacijah UI se tako dolgi dokumenti razdelijo na dele, ki jih je mogoče iskati; prekrivanje zagotavlja, da stavek na meji odseka ne izgubi konteksta. Drseča okna se uporabljajo tudi pri časovnih vrstah in zvočnih signalih za analizo podatkov kos za kosom.
Writer
Writer (writer.com) je ameriško podjetje, ustanovljeno leta 2020, ki ponuja platformo za generativno UI v podjetjih. Razvija lastno družino jezikovnih modelov z imenom Palmyra in nudi orodja, s katerimi podjetja gradijo agente UI, jih povezujejo z lastnim znanjem in upravljajo s pravili o tonu blagovne znamke in odobritvah (stanje oktober 2026). Uporablja se predvsem za vsebine in poteke dela v trženju, prodaji in komunikaciji s strankami.
Writesonic
Writesonic je storitev UI, ki je postala znana kot orodje za ustvarjanje tržnih besedil. Ponudnik se zdaj uvršča kot platforma za vidnost v tradicionalnem iskanju in iskanju z UI: namen je izmeriti, kako pogosto je blagovna znamka omenjena v odgovorih pomočnikov UI, ter izboljšati vsebine za SEO in optimizacijo za generativne iskalnike (GEO) (stanje oktober 2026). Ciljna skupina so predvsem tržne ekipe in agencije.
XGBoost
XGBoost (Extreme Gradient Boosting) je odprtokodna knjižnica, ki posebej učinkovito izvaja gradientno ojačevanje z odločitvenimi drevesi. Veliko majhnih dreves se uči eno za drugim, vsako popravlja napake prejšnjih, regularizacija pa pomaga preprečevati preveliko prileganje. XGBoost velja za preverjeno izbiro pri tabelaričnih podatkih, na primer pri ocenjevanju kreditnega tveganja, napovedovanju odliva strank ali napovedovanju prodaje.
Zagonsko podjetje, ki temelji na UI
Zagonsko podjetje, ki temelji na UI, je mlado podjetje, katerega izdelek ali poslovni model temelji na umetni inteligenci, na primer specializirani pomočniki za posamezno panogo, analitična orodja ali samodejne storitve. Takšna podjetja pogosto gradijo na obstoječih temeljnih modelih, od drugih pa se razlikujejo po strokovnem znanju s področja, podatkih, uporabnosti in integraciji. Izzivi vključujejo odvisnost od ponudnikov modelov, stroške na zahtevek in regulacijo. Primer: zagonsko podjetje, ki obrtnim podjetjem samodejno pripravlja poročila o pregledih.
Zaznavanje anomalij
Zaznavanje anomalij najde podatkovne točke, dogodke ali vzorce, ki se izrazito razlikujejo od običajnega. To so lahko nenavadno velike transakcije, nenadni skoki v meritvah senzorjev, podvojeni zapisi ali sumljiva omrežna dejavnost. Uporablja se v financah, informacijski varnosti, proizvodnji in nadzoru kakovosti. Metode segajo od preprostih statističnih pragov do učečih se modelov; zadetki so namigi, ki jih mora oceniti človek.
Predloga
Zaznavanje anomalij na slikah
Zaznavanje anomalij na slikah išče odstopanja od normalnega stanja na fotografijah ali kamerskih posnetkih – na primer praske, razpoke ali razbarvanja na delih v proizvodnji ali nepravilnosti na medicinskih slikah. Model se pogosto najprej uči na številnih primerih brez napak in nato označi vse, kar odstopa. To je koristno, ker so dejanske napake redke in jih je vnaprej težko v celoti opisati.
Zemljevid procesov
Pregled ključnih procesov podjetja in njihovih povezav.
KI.ordo
Zmanjševanje dimenzionalnosti
Zmanjševanje dimenzionalnosti zmanjša število značilnosti v podatkovni zbirki, ne da bi izgubili bistvene informacije. Znane metode so analiza glavnih komponent (PCA) ter t-SNE in UMAP, ki se pogosto uporabljata za vizualizacijo. Pospeši izračune, zmanjša tveganje čezmernega prilagajanja in podatke naredi bolj pregledne – na primer ko se na stotine lastnosti strank preslika na dvodimenzionalni grafikon, kjer so si podobne stranke blizu.
3D-rekonstrukcija
3D-rekonstrukcija zajema metode, ki iz fotografij, videa ali podatkov senzorjev izračunajo tridimenzionalni model predmeta ali prostora. Tipični pristopi povezujejo več posnetkov, zajetih iz različnih kotov, ali vrednotijo podatke o globini iz laserskih in globinskih senzorjev. Uporablja se v geodeziji, varstvu kulturne dediščine, medicini, robotiki in e-trgovini – na primer, ko iz skeniranja s pametnim telefonom nastane vrtljiv 3D-model izdelka.
Pripravljeni na več reda.
Izberite paket ali se z nami pogovorite o svojem projektu.