Глоссарий ИИ

Векторная база — хранилище эмбеддингов, умеющее быстро находить ближайшие по смыслу записи. Это техническая основа RAG: именно она отвечает на вопрос, какие фрагменты подставить модели в контекст.

Веса модели — те самые миллиарды чисел, которые получились в результате обучения. Это и есть модель: архитектура без весов бесполезна, а веса без неё — просто файл.

Галлюцинация — уверенно поданный, но выдуманный ответ: несуществующая цитата, ссылка, статья или цифра. Это не сбой, а прямое следствие того, как устроена модель: она предсказывает правдоподобное продолжение, а не проверяет факт.

Диффузионная модель создаёт изображение, постепенно убирая шум: начинает со случайных пикселей и за десятки шагов превращает их в картинку, соответствующую запросу. На этом принципе работает большинство генераторов изображений.

ИИ-агент — модель, которой дали инструменты и право действовать в цикле: она сама решает, какой шаг сделать, выполняет его, смотрит на результат и продолжает, пока задача не решена.

Инференс — работа уже обученной модели: она получает запрос и выдаёт ответ. В отличие от обучения, веса при этом не меняются, и именно за инференс вы платите, пользуясь ИИ-сервисом.

Контекстное окно — сколько текста модель удерживает одновременно: и ваш запрос, и всю предыдущую переписку, и ответ. Измеряется в токенах, и всё, что вышло за границу окна, для модели перестаёт существовать.

Мультимодальная модель работает не только с текстом, но и с изображениями, звуком или видео — в одном и том же механизме. Можно показать ей график и спросить о нём словами, получив текстовый ответ.

Нейросеть — вычислительная модель из слоёв простых элементов, связанных числовыми весами. Она ничего не программируется вручную: нужное поведение получается настройкой этих весов на примерах.

Промпт-инжиниринг — составление запросов так, чтобы модель делала нужное. Не магические формулировки, а обычная точность: ясная задача, необходимый контекст, заданный формат ответа и критерий, по которому его оценивать.

Токен в ИИ — кусок текста, которым модель оперирует вместо букв и слов. Обычно это часть слова: в английском примерно четыре символа. В токенах измеряют и длину контекста, и стоимость запроса.

Трансформер — архитектура нейросети, предложенная в 2017 году в статье «Attention Is All You Need». На ней построены практически все современные языковые модели, а её ключевая идея — механизм внимания.

Дообучение — донастройка готовой модели на своих примерах, чтобы она усвоила нужный стиль, формат или узкую задачу. Веса при этом меняются, в отличие от промптов и RAG, которые работают только с контекстом.

Эмбеддинг — представление текста, картинки или звука в виде набора чисел, где близкие по смыслу объекты оказываются рядом. На этом держатся семантический поиск, рекомендации и вся схема RAG.

AGI — гипотетический ИИ, способный решать любые интеллектуальные задачи на уровне человека, а не только те, под которые обучен. Такой системы не существует, и общепринятого определения, по которому её признают созданной, тоже нет.

Цепочка рассуждений — приём, при котором модель проговаривает промежуточные шаги перед ответом. На задачах со счётом и логикой это заметно повышает точность по сравнению с ответом сразу.

Few-shot — приём, при котором в запрос кладут несколько примеров нужного ответа, и модель повторяет их формат. Zero-shot — тот же запрос без примеров, только с инструкцией.

Базовая модель — крупная модель, обученная на широких данных и предназначенная не для одной задачи, а как основа для многих. Её адаптируют промптами, дообучением или инструментами вместо того, чтобы обучать новую с нуля.

LLM — нейросеть, обученная на огромных объёмах текста и предсказывающая следующий фрагмент слова. Из этого простого механизма и вырастает всё остальное: ответы на вопросы, перевод, код, рассуждения.

MCP — открытый протокол, описывающий единый способ подключать модели к внешним данным и инструментам. Разработан Anthropic и открыт для всех: интеграция пишется один раз и работает с любым поддерживающим протокол приложением.

RAG — подход, при котором модель перед ответом ищет нужные фрагменты в вашей базе и отвечает уже по ним. Так она работает со свежими и закрытыми данными, которых не было в обучении, и заметно реже выдумывает.

RLHF — дообучение модели на человеческих оценках: люди сравнивают варианты ответов, на этих сравнениях учится отдельная модель-судья, и по её оценкам настраивается основная. Так модель учат быть полезной, а не просто правдоподобной.