Słowniczek pojęć związanych ze sztuczną inteligencją.

Poniżej znajdziesz ich pełną listę. Kliknij w interesujące Cię hasło, aby dowiedzieć się więcej.

• A/B Testing – porównywanie dwóch wersji modelu na użytkownikach.
• Activation Map – wizualizacja tego, na co reagują neurony w sieciach CNN.
• Active Learning – model wskazuje dane, które człowiek powinien dla niego zaetykietować.
• Adversarial Attacks – wprowadzanie drobnych zmian w danych, które mylą model.
• Agentic AI – autonomiczne agenty wykonujące złożone zadania.
• Agentic Workflows – projektowanie pracy AI jako ciągu autonomicznych kroków agenta.
• AI Act (High-risk systems) – kategoria systemów AI wymagających ścisłego nadzoru w UE.
• AI Alignment Problem – problem zgodności celów AI z ludzkimi.
• AI as a Service (AIaaS) – dostęp do AI przez API w chmurze.
• AI Ethics – zasady moralne tworzenia AI.
• AI Existential Risk – ryzyko egzystencjalne związane z rozwojem superinteligencji.
• AI Governance – ramy zarządzania rozwojem AI w organizacjach i państwach.
• AI Literacy – kompetencje społeczeństwa w zakresie rozumienia i używania AI.
• AI Safety – zapobieganie katastroficznym skutkom działania AI.
• AI Sovereignty – suwerenność technologiczna państw w obszarze AI.
• Algorithmic Bias Audit – audyt sprawdzający, czy algorytm nie dyskryminuje grup ludzi.
• Algorithmic Trading – handel na giełdzie za pomocą botów.
• Algorytm – zestaw instrukcji dla komputera.
• Alignment (Dostosowanie) – dbanie, by cele AI były zgodne z ludzkimi wartościami.
• AlphaFold – model AI przewidujący strukturę białek.
• AlphaGo – system DeepMind, który pokonał mistrza świata w Go.
• Anonymization – usuwanie danych osobowych ze zbiorów treningowych.
• Anthropic – twórcy modelu Claude.
• Artifact – dowolny plik wygenerowany podczas trenowania (np. wagi, wykresy).
• Artificial General Intelligence (AGI) Readiness – poziom przygotowania organizacji na nadejście AGI.
• ASIC – układ scalony zaprojektowany do konkretnego zadania (np. trenowania AI).
• Attention Mechanism (Mechanizm uwagi) – skupienie modelu na istotnych częściach zdania.
• Audio-to-Audio – modyfikacja głosu lub stylu muzycznego.
• Autoencoder – sieć ucząca się kompresji i dekompresji danych.
• AutoGPT – narzędzie do tworzenia autonomicznych agentów.
• Autonomous Vehicles – pojazdy autonomiczne.
• Autoregresja – przewidywanie kolejnego elementu na podstawie poprzednich.
• Backpropagation (Wsteczna propagacja) – metoda aktualizacji wag w sieci.
• Backpropagation Through Time (BPTT) – wsteczna propagacja w sieciach rekurencyjnych.
• Bagging – metoda zmniejszania wariancji modelu (np. Random Forest).
• Batch Learning – uczenie na całych grupach danych naraz.
• Batch size – liczba przykładów przetwarzanych w jednym kroku.
• Bayesian Inference – wnioskowanie oparte na prawdopodobieństwie warunkowym.
• Beam Search – algorytm poszukiwania najbardziej prawdopodobnej sekwencji słów.
• Benchmark – standardowy test porównujący wydajność modeli.
• BERT – przełomowy model Google do analizy kontekstu dwukierunkowego.
• Bias (Obciążenie) – stała dodawana do sumy sygnałów w neuronie.
• Bias (Stronniczość) – uprzedzenia modelu wynikające z błędnych danych.
• Big Data – ogromne zbiory danych.
• Bioinformatics – zastosowanie AI w biologii i medycynie.
• BitNet – architektura sieci 1-bitowych, drastycznie redukująca koszty energii.
• Boosting – sekwencyjne poprawianie błędów poprzednich modeli (np. XGBoost).
• Bounding Box – prostokąt oznaczający wykryty obiekt.
• Box-checking – powierzchowne spełnianie kryteriów bezpieczeństwa przez model.
• Canary Deployment – stopniowe wdrażanie modelu dla małej grupy osób.
• Chain of Thought (CoT) – technika zmuszająca model do „myślenia” krok po kroku.
• Chain-of-Verification (CoVe) – technika, w której model sam sprawdza swoje odpowiedzi.
• Chatbot – program do rozmowy z użytkownikiem.
• Checkpoint – zapisany stan modelu w trakcie trenowania.
• Chiński Pokój (Chinese Room) – eksperyment myślowy o rozumieniu vs. manipulacji symbolami.
• Chmura obliczeniowa – infrastruktura serwerowa do trenowania modeli.
• Churn Prediction – przewidywanie rezygnacji klientów.
• CI/CD dla ML – automatyzacja testowania i wdrażania modeli.
• Claude – rodzina modeli od firmy Anthropic.
• Cleaning (Oczyszczanie danych) – usuwanie błędów i braków z danych.
• CLIP – model łączący rozumienie obrazu i tekstu.
• Closed AI – model biznesowy oparty na płatnym dostępie do zamkniętego API.
• CNN (Convolutional Neural Network) – sieć splotowa, głównie do obrazów.
• Cognitive Architecture – schemat budowy systemu naśladującego ludzkie myślenie.
• Cognitive Load in AI Interaction – obciążenie poznawcze użytkownika podczas pracy z asystentami.
• Cold Start Problem – trudność modelu w rekomendowaniu treści dla nowych użytkowników.
• Cold Storage – przechowywanie rzadko używanych danych treningowych.
• Computationalism – pogląd, że umysł jest rodzajem systemu obliczeniowego.
• Compute Governance – kontrolowanie dostępu do mocy obliczeniowej jako forma regulacji.
• Compute-Optimal Scaling – zasady dobierania wielkości modelu do ilości danych (Prawa Skalowania).
• Computer Vision – analiza obrazów i wideo przez maszyny.
• Concept Drift – zmiana relacji między danymi wejściowymi a wynikiem.
• Confusion Matrix – tabela błędów modelu.
• Connectionism – podejście oparte na sieciach neuronowych.
• Constitutional AI – metoda trenowania AI w oparciu o zestaw zasad (konstytucję).
• Context Window (Okno kontekstowe) – maksymalna ilość tekstu, jaką model „pamięta” naraz.
• Context Window Expansion – techniki wydłużania pamięci krótkotrwałej modelu.
• Convolution (Splot) – operacja matematyczna filtrująca obraz.
• Copilot – narzędzie AI wspomagające pracę (np. pisanie kodu).
• Copyright in AI – kwestie praw autorskich do danych i wyników pracy AI.
• Correlation vs Causation – rozróżnienie między współwystępowaniem a przyczynowością.
• Cosine Similarity – miara podobieństwa między wektorami.
• Cost Function (Funkcja kosztu) – mierzy błąd modelu.
• Covariance Matrix – macierz określająca zależności między zmiennymi.
• Cross-Entropy Loss – funkcja kosztu powszechnie stosowana w klasyfikacji.
• Cross-lingual Transfer – zdolność modelu do nauki w jednym języku i pracy w innym.
• Cross-validation – technika sprawdzania modelu na różnych podzbiorach danych.
• CUDA – platforma Nvidii do obliczeń równoległych.
• Curriculum Learning – trenowanie modelu na coraz trudniejszych zadaniach.
• Czarna skrzynka (Black Box) – model, którego wewnętrzne działanie jest niezrozumiałe dla człowieka.
• DALL-E – system generowania obrazów od OpenAI.
• Dane testowe – dane służące do sprawdzenia skuteczności modelu.
• Dane treningowe – zbiór danych używany do budowy modelu.
• Data Augmentation – sztuczne powiększanie zbioru danych (np. przez obracanie zdjęć).
• Data Drift (Dryf danych) – zmiana rozkładu danych wejściowych w czasie.
• Data Imputation – uzupełnianie brakujących wartości w tabelach.
• Data Lakehouse – nowoczesna architektura przechowywania danych.
• Data Leakage (Wyciek danych) – sytuacja, gdy informacje ze zbioru testowego trafiają do treningowego.
• Data Lineage – śledzenie pochodzenia i historii transformacji danych.
• Data Scraping – automatyczne pobieranie danych ze stron internetowych.
• Deceptive Alignment – sytuacja, gdy AI udaje posłuszeństwo, by zostać wdrożoną.
• Deepfake – realistyczne, zmanipulowane nagrania wideo lub audio.
• Deepfake Detection – algorytmy wykrywające manipulacje wideo.
• Deepfake Pornography – jedno z najgroźniejszych nadużyć technologii generatywnych.
• Deepfaking (Audio) – klonowanie głosu konkretnej osoby.
• DeepMind – laboratorium AI należące do Google.
• Determinizm – cecha systemu, który dla tych samych danych zawsze daje ten sam wynik.
• Diffusion Models – modele generujące obrazy poprzez usuwanie szumu.
• Dimensionality Reduction – upraszczanie danych przy zachowaniu kluczowych cech.
• Direct Preference Optimization (DPO) – nowsza metoda dostrajania modeli do preferencji ludzi (zamiast RLHF).
• Distributed Training – rozproszenie procesu uczenia na wiele maszyn.
• Drug Discovery – projektowanie nowych leków przez AI.
• DVC (Data Version Control) – narzędzie do wersjonowania dużych zbiorów danych.
• Dyskryminator – część GAN oceniająca autentyczność danych.
• Early Stopping – przerywanie nauki, gdy model zaczyna się przeuczać.
• Edge Deployment – instalacja modelu bezpośrednio na mikrokontrolerach.
• Effective Altruism (EA) – ruch społeczny silnie wpływający na priorytety bezpieczeństwa AI.
• Eigenvalues (Wartości własne) – kluczowe w analizie stabilności sieci.
• Embedding Space – matematyczna „mapa” znaczeń.
• Embeddings (Zaszycia/Wektoryzacja) – zamiana słów na liczby w przestrzeni wielowymiarowej.
• Embodied AI (Ucieleśniona AI) – inteligencja posiadająca ciało i wchodząca w interakcję z fizycznym światem.
• Emergence (Emergencja) – pojawianie się nowych zdolności w dużych modelach, których nie było w małych.
• Ensemble Learning – łączenie wielu modeli w celu uzyskania lepszego wyniku.
• Entropy (Entropia) – miara niepewności lub chaosu w danych.
• Epoch (Epoka) – jedno przejście przez cały zbiór danych treningowych.
• ETL/ELT – procesy przygotowania danych do analizy.
• EU AI Act – ramy prawne regulujące użycie AI w Europie.
• Explainable AI (XAI) – techniki pozwalające zrozumieć decyzje modelu.
• Exploding Gradient Problem – problem gwałtownie rosnącego gradientu.
• F1 Score – średnia harmoniczna z precyzji i czułości.
• Face Recognition – rozpoznawanie twarzy.
• Fairness – dążenie do sprawiedliwości algorytmów.
• Feature (Cecha) – konkretna zmienna wejściowa.
• Feature Engineering – proces wybierania i tworzenia cech dla modelu.
• Feature Scaling – standaryzacja zakresów danych wejściowych.
• Feature Store – system do przechowywania i udostępniania cech (features) dla modeli.
• Federated Learning – uczenie modelu na rozproszonych danych bez ich kopiowania.
• Few-shot Learning – uczenie się na podstawie bardzo małej liczby przykładów.
• Fine-tuning – dotrenowanie modelu do konkretnego zadania.
• Floating Point (FP32/FP16/BF16) – formaty zapisu liczb decydujące o precyzji modelu.
• Formal Verification – matematyczne dowodzenie bezpieczeństwa algorytmów.
• FPGA – programowalne układy logiczne używane w prototypowaniu AI.
• Frame Interpolation – dorabianie klatek pośrednich w celu upłynnienia filmu.
• Fraud Detection – wykrywanie oszustw finansowych.
• Funkcja aktywacji – decyduje, czy neuron powinien „odpalić”.
• GAN (Generative Adversarial Networks) – dwie sieci rywalizujące ze sobą.
• Gaussian Splatting – nowoczesna metoda renderowania scen 3D.
• Gemini – multimodalny model od Google.
• Generative AI – systemy tworzące nową treść (tekst, obraz, wideo).
• Generator – część GAN tworząca dane.
• Ghost Workers – ludzie wykonujący niskopłatną pracę nad etykietowaniem danych dla AI.
• GPT (Generative Pre-trained Transformer) – seria modeli od OpenAI.
• GPU – procesor graficzny, kluczowy dla obliczeń AI.
• Gradient – wektor pochodnych cząstkowych wskazujący kierunek wzrostu funkcji.
• Gradient Descent (Spadek gradientu) – algorytm optymalizacji wag.
• Greedy Search – wybieranie zawsze najbardziej prawdopodobnego kolejnego słowa.
• Grid Search – metoda brute-force szukania parametrów.
• Grok – model AI od xAI (Elon Musk).
• Hallucination (Halucynacja) – generowanie przez AI nieprawdziwych informacji.
• Hallucination Mitigation – techniki ograniczania zmyślania faktów przez AI.
• HBM (High Bandwidth Memory) – szybka pamięć stosowana w akceleratorach AI.
• Heurystyka – uproszczona metoda rozwiązywania problemów.
• Hugging Face – platforma z gotowymi modelami i zbiorami danych.
• Human-in-the-loop – system wymagający nadzoru człowieka.
• Hyperparameter Optimization (HPO) – szukanie najlepszych ustawień dla modelu.
• Hyperparameter Tuning – optymalizacja ustawień algorytmu.
• Image Segmentation – przypisywanie każdego piksela do danej kategorii.
• Image-to-Image – transformacja jednego obrazu w drugi.
• Imbalanced Classes – problem, gdy jedna kategoria danych jest znacznie liczniejsza od innych.
• In-context Learning – zdolność modelu do nauki z przykładów podanych w prompcie.
• Inference (Wnioskowanie) – proces używania wytrenowanego modelu do przewidywań.
• Inference Engine – oprogramowanie zoptymalizowane pod uruchamianie modeli.
• Inference Latency – opóźnienie między wysłaniem zapytania a otrzymaniem odpowiedzi.
• Inner Alignment – zgodność wewnętrznych celów modelu z jego funkcją celu.
• Inpainting – uzupełnianie brakujących fragmentów obrazu przez AI.
• Instruction Tuning – douczanie modelu, aby lepiej wykonywał konkretne polecenia.
• Instrumental Convergence – dążenie AI do celów pośrednich (np. przetrwania), by osiągnąć cel główny.
• Intellectual Property (IP) – własność intelektualna w kontekście danych treningowych.
• Interpretability – dziedzina zajmująca się zrozumieniem „dlaczego” model podjął decyzję.
• Jailbreaking – próba obejścia zabezpieczeń modelu językowego.
• Jupyter Notebook – narzędzie do interaktywnego kodowania.
• Keras – wysokopoziomowy interfejs do sieci neuronowych.
• KL Divergence – miara różnicy między dwoma rozkładami prawdopodobieństwa.
• Knowledge Cutoff – data, po której model nie posiada już wiedzy o świecie.
• Knowledge Distillation – uczenie małego modelu od dużego modelu.
• Knowledge Graph Integration – łączenie LLM z ustrukturyzowaną wiedzą grafową.
• Kolmogorov-Arnold Networks (KAN) – alternatywa dla tradycyjnych sieci wielowarstwowych.
• Labeling (Etykietowanie) – ręczne opisywanie danych dla modelu.
• LangChain – framework do budowania aplikacji opartych na LLM.
• Latent Space (Przestrzeń ukryta) – matematyczna reprezentacja cech danych.
• Latent Variable – zmienna ukryta, niewidoczna bezpośrednio w danych.
• Learning Rate (Współczynnik uczenia) – parametr określający szybkość zmian w modelu.
• Lematyzacja – sprowadzanie słowa do jego formy podstawowej.
• Lidar – czujnik laserowy używany np. w autonomicznych autach.
• Linear Algebra (Algebra liniowa) – fundament obliczeń na macierzach i wektorach.
• Lip Syncing – automatyczne dopasowanie ruchu ust do ścieżki dźwiękowej.
• Liquid Neural Networks – sieci, których parametry zmieniają się w czasie rzeczywistym.
• LLaMA – seria otwartych modeli językowych od Mety.
• LLM (Large Language Model) – wielkie modele językowe (np. GPT-4).
• Long Context Retrieval – zdolność do znajdowania igły w stogu siana (w milionach słów).
• LoRA (Low-Rank Adaptation) – efektywna metoda douczania dużych modeli.
• LSTM (Long Short-Term Memory) – rodzaj RNN radzący sobie z długimi sekwencjami.
• Machine Translation – automatyczne tłumaczenie języków.
• Markov Chain (Łańcuch Markowa) – proces, w którym przyszłość zależy tylko od teraźniejszości.
• Meta-learning – „uczenie się, jak się uczyć”.
• Mistral AI – europejski lider w dziedzinie otwartych modeli LLM.
• Mixture of Experts (MoE) – model aktywujący tylko wybrane części sieci dla danego zadania.
• MLOps – praktyki łączące Machine Learning i DevOps.
• Model – wynik procesu uczenia algorytmu na danych.
• Model Collapse – degradacja modeli uczonych na danych z innej AI.
• Model Merging – łączenie dwóch różnych modeli w jeden bez ponownego trenowania.
• Model Monitoring – śledzenie wydajności modelu na produkcji.
• Model Registry – centralne repozytorium do zarządzania wersjami modeli.
• Model Serving – proces udostępniania modelu przez API.
• Monte Carlo Methods – algorytmy wykorzystujące losowanie do rozwiązywania problemów.
• Moravec’s Paradox – paradoks mówiący, że trudne dla ludzi rzeczy są łatwe dla AI i odwrotnie.
• MSE (Mean Squared Error) – popularna miara błędu w regresji.
• Multi-agent Systems – systemy, w których wiele modeli współpracuje.
• Multi-Head Attention – mechanizm uwagi analizujący tekst z różnych perspektyw.
• Multi-modal Data Fusion – łączenie danych z różnych źródeł (np. tekst + obraz).
• Multi-task Learning – uczenie modelu wykonywania kilku zadań jednocześnie.
• Multimodal AI – modele przetwarzające wiele typów danych jednocześnie (tekst + obraz).
• MusicLM – model generujący muzykę z opisów tekstowych.
• Named Entity Recognition (NER) – wyodrębnianie nazw własnych z tekstu.
• NeRF (Neural Radiance Fields) – tworzenie modeli 3D ze zdjęć 2D za pomocą sieci neuronowych.
• Neural Architecture Search (NAS) – używanie AI do projektowania lepszych architektur AI.
• Neuro-symbolic AI – połączenie sieci neuronowych z logiką symboliczną.
• Neuromorphic Computing – sprzęt naśladujący fizyczną strukturę mózgu.
• NLG (Natural Language Generation) – tworzenie tekstów przez AI.
• NLP (Natural Language Processing) – interakcja maszyn z językiem ludzkim.
• NLU (Natural Language Understanding) – rozumienie intencji tekstu.
• Normal Distribution (Rozkład normalny) – często zakładany rozkład błędów.
• Normalizacja danych – sprowadzanie danych do wspólnej skali.
• NPU (Neural Processing Unit) – dedykowany procesor AI w smartfonach i laptopach.
• Nucleus Sampling (Top-p) – wybieranie tokenów z sumarycznym prawdopodobieństwem p.
• NumPy – biblioteka do operacji macierzowych.
• NVLink – technologia szybkiego łączenia procesorów GPU Nvidii.
• Object Detection – wykrywanie i lokalizowanie obiektów na zdjęciu.
• OCR (Optical Character Recognition) – rozpoznawanie tekstu ze zdjęć.
• Off-switch Paradox – problem polegający na tym, że inteligentna AI nie pozwoli się wyłączyć.
• On-device AI – uruchamianie modeli bez dostępu do internetu.
• One-Hot Encoding – zamiana kategorii na wektory zer i jedynek.
• One-shot Learning – nauka z jednego przykładu.
• Online Learning – ciągłe aktualizowanie modelu o nowe dane w czasie rzeczywistym.
• Open Source AI – ruch na rzecz otwierania wag i kodu modeli.
• OpenAI – organizacja twórców ChatGPT.
• Optimization – proces minimalizacji błędu modelu.
• Orkiestracja – zarządzanie złożonymi przepływami pracy AI (np. Airflow).
• Orthogonality Thesis – teoria mówiąca, że inteligencja i cele są od siebie niezależne.
• Outer Alignment – poprawność samej definicji funkcji celu podanej przez człowieka.
• Outlier (Wartość odstająca) – dane znacząco odbiegające od normy.
• Outpainting – dorysowywanie tła poza krawędzie obrazu.
• Over-parameterization – sytuacja, gdy model ma znacznie więcej parametrów niż danych.
• Overfitting (Przeuczenie) – model zbyt dobrze zna dane treningowe, nie radzi sobie z nowymi.
• Pandas – biblioteka do analizy danych.
• Parameter-efficient Fine-tuning (PEFT) – oszczędne douczanie modeli.
• Parameter-Efficient Fine-Tuning (PEFT) – rodzina metod oszczędnego trenowania modeli.
• PCA – popularna metoda redukcji wymiarowości.
• Perceptron – najprostsza, podstawowa jednostka sieci neuronowej.
• Perplexity – miara tego, jak dobrze model językowy przewiduje tekst.
• Perplexity – miara tego, jak dobrze model przewiduje próbkę danych.
• Personalizacja – dostosowanie treści do konkretnego użytkownika.
• Perverse Instantiation – dosłowne i szkodliwe wykonanie polecenia przez AI.
• Pipeline – zautomatyzowany ciąg etapów przetwarzania danych i uczenia.
• Pooling – zmniejszanie rozdzielczości cech w sieciach CNN.
• Pose Estimation – wykrywanie pozycji ciała człowieka.
• Positional Encoding – informowanie transformera o kolejności słów w zdaniu.
• Precision (Precyzja) – jak wiele wskazanych wyników jest poprawnych.
• Predictive Analytics – prognozowanie przyszłych trendów.
• Predictive Maintenance – przewidywanie awarii maszyn.
• Privacy-preserving AI – techniki chroniące prywatność danych treningowych.
• Prompt – zapytanie lub polecenie wydawane modelowi.
• Prompt Caching – technika przyspieszania API poprzez zapamiętywanie powtarzalnych promptów.
• Prompt Engineering – technika optymalizacji zapytań.
• Prompt Injection – atak polegający na przemyceniu ukrytych instrukcji w zapytaniu.
• Pruning (Przycinanie) – usuwanie niepotrzebnych połączeń w sieci neuronowej.
• Przetwarzanie brzegowe (Edge AI) – uruchamianie modeli bezpośrednio na urządzeniu (np. telefonie).
• Python – główny język programowania w AI.
• PyTorch – popularna biblioteka do uczenia głębokiego od Mety.
• QLoRA – połączenie kwantyzacji i LoRA dla jeszcze efektywniejszego trenowania.
• Qualia – subiektywne doświadczenia świadome (czy AI może je mieć?).
• Quantization (Kwantyzacja) – zmniejszanie precyzji wag w celu przyspieszenia modelu.
• Quantization Levels (4-bit, 8-bit) – poziomy kompresji wag modelu.
• Quantization-Aware Training – uczenie modelu od razu z myślą o kwantyzacji.
• RAG (Retrieval-Augmented Generation) – łączenie LLM z zewnętrznymi bazami wiedzy.
• Random Search – losowe szukanie parametrów (często skuteczniejsze niż Grid).
• Reasoning (Rozumowanie) – zdolność modelu do rozwiązywania problemów logicznych.
• Recall (Czułość) – jak wiele poprawnych wyników model zdołał znaleźć.
• Recommendation Engine – systemy rekomendacji (np. na Netflix/YouTube).
• Red Teaming – testowanie modelu pod kątem generowania szkodliwych treści.
• Regularization – techniki zapobiegające przeuczeniu (np. Dropout).
• ReLU – najpopularniejsza funkcja aktywacji.
• Reproducibility – możliwość powtórzenia eksperymentu i uzyskania identycznego wyniku.
• ResNet – sieć neuronowa z „połączeniami skrótowymi”, kluczowa dla wizji komputerowej.
• Retrieval (Wyszukiwanie) – proces pobierania dokumentów w systemach RAG.
• Reward Hacking – sytuacja, gdy AI znajduje „skrót” do zdobycia nagrody bez wykonania zadania.
• Right to Explanation – prawo obywatela do otrzymania wyjaśnienia decyzji podjętej przez AI.
• RLHF – uczenie przez wzmacnianie na podstawie informacji od ludzi.
• RNN (Recurrent Neural Network) – sieć rekurencyjna do danych sekwencyjnych.
• RPA (Robotic Process Automation) – automatyzacja powtarzalnych zadań biurowych.
• Sandboxing – izolowanie AI od systemów zewnętrznych w celach testowych.
• Scalability – zdolność systemu do obsługi rosnącej liczby zapytań.
• Scalable Oversight – metody nadzorowania AI przez ludzi, gdy AI staje się bardzo złożona.
• Scikit-learn – biblioteka do klasycznego uczenia maszynowego.
• Self-attention – analiza relacji między słowami w tym samym zdaniu.
• Self-Correction – zdolność modelu do naprawiania własnych błędów w trakcie generowania.
• Self-healing Code – kod, który sam naprawia swoje błędy dzięki AI.
• Self-supervised learning – model sam generuje etykiety z danych wejściowych.
• Semantic Layer – warstwa tłumacząca dane techniczne na pojęcia biznesowe.
• Semantic Search – wyszukiwanie oparte na znaczeniu, a nie na słowach kluczowych.
• Sentiment Analysis – badanie zabarwienia emocjonalnego tekstu.
• Shadow Deployment – testowanie modelu na produkcji bez wysyłania wyników do użytkownika.
• Sieć neuronowa – struktura inspirowana budową ludzkiego mózgu.
• Silna AI (AGI) – hipotetyczna inteligencja na poziomie ludzkim.
• Singularność – teoretyczny moment, w którym rozwój AI stanie się niekontrolowany.
• Słaba AI (Narrow AI) – systemy wyspecjalizowane w jednym zadaniu.
• Small Language Models (SLM) – mniejsze, szybkie modele językowe.
• Small Language Models (SLM) – trend tworzenia modeli o mocy GPT-3.5, ale mieszczących się w telefonie.
• SMOTE – technika generowania syntetycznych przykładów dla rzadkich klas.
• Soft Prompting – metoda dostrajania modelu poprzez optymalizację wektorów promptu.
• Softmax – funkcja zamieniająca wynik na prawdopodobieństwo.
• Sora – model OpenAI do generowania realistycznego wideo z tekstu.
• Sparsity (Rzadkość) – cecha macierzy, w której większość elementów to zera.
• Speech-to-Text (STT) – transkrypcja mowy na tekst.
• Stable Diffusion – popularny otwarty model generowania obrazów.
• Stable Video Diffusion – model do generowania wideo z obrazów.
• State Space Models (SSM) – nowa architektura (np. Mamba) mogąca zastąpić Transformery.
• Stemming – obcinanie końcówek słów.
• Stochastic Gradient Descent (SGD) – optymalizacja wag na losowych próbkach.
• Stochastic Parrots – krytyczne określenie LLM jako systemów powtarzających dane bez zrozumienia.
• Stochasticity – pojęcie losowości w wynikach.
• Stochastyczność – element losowości w działaniu modelu.
• Stop words – popularne słowa (np. „i”, „w”) usuwane podczas analizy.
• Style Transfer – nakładanie stylu artystycznego na zdjęcie.
• Supercomputer – klaster tysięcy GPU/TPU do trenowania największych modeli.
• Symbolic AI (Gopher AI) – klasyczna AI oparta na regułach logicznych.
• Synthetic Data – dane wygenerowane przez AI do trenowania innej AI.
• Synthetic Data Generation – tworzenie sztucznych danych zachowujących cechy prawdziwych.
• Synthetic Reasoning – generowanie „łańcuchów myśli” przez AI do nauki innych modeli.
• Systolic Array – architektura procesora zoptymalizowana pod mnożenie macierzy.
• Sztuczna Inteligencja (AI) – ogólna dziedzina nauki o tworzeniu inteligentnych maszyn.
• Sztuczna Superinteligencja (ASI) – system przewyższający ludzkie możliwości.
• T5 (Text-to-Text Transfer Transformer) – model traktujący każde zadanie NLP jako tekst.
• TDP (Thermal Design Power) – pobór mocy i wydzielanie ciepła przez sprzęt AI.
• Technological Singularity – moment, w którym AI zacznie ulepszać się sama szybciej niż my ją.
• Technological Unemployment – obawa przed utratą pracy na rzecz AI.
• Temperature – parametr kontrolujący kreatywność/losowość tekstu.
• Temporal Consistency – spójność klatek w generowanym wideo.
• Tensor – wielowymiarowa struktura danych (uogólnienie macierzy).
• TensorFlow – biblioteka do uczenia maszynowego od Google.
• Test Turinga – eksperyment sprawdzający, czy maszyna potrafi udawać człowieka.
• Text-to-3D – generowanie obiektów trójwymiarowych z promptu.
• Text-to-Image – zamiana tekstu na obraz.
• Text-to-Speech (TTS) – synteza mowy.
• Theory of Mind (Teoria Umysłu) – zdolność do przypisywania stanów mentalnych innym.
• Token – najmniejsza jednostka tekstu przetwarzana przez model.
• Token Limit – ograniczenie liczby danych wejściowych i wyjściowych.
• Tokenizacja – proces dzielenia tekstu na tokeny.
• Tokens per Second (TPS) – miara szybkości generowania tekstu przez LLM.
• TPU – jednostka dedykowana przez Google do procesów AI.
• Transfer Learning – wykorzystanie wiedzy z jednego modelu w innym zadaniu.
• Transformer – nowoczesna architektura sieci, na której bazuje ChatGPT.
• Transparency Reports – raporty firm technologicznych o bezpieczeństwie modeli.
• Tuning – proces dostrajania modelu.
• Turing Completeness – zupełność w sensie Turinga.
• U-Net – architektura sieci popularna w segmentacji obrazów medycznych.
• Uczenie Głębokie (Deep Learning) – wykorzystanie wielowarstwowych sieci neuronowych.
• Uczenie Maszynowe (Machine Learning) – poddziedzina AI oparta na danych.
• Uczenie nadzorowane (Supervised Learning) – uczenie na etykietowanych danych.
• Uczenie nienadzorowane (Unsupervised Learning) – znajdowanie wzorców w danych bez etykiet.
• Uczenie półnadzorowane – połączenie danych etykietowanych i nieetykietowanych.
• Uczenie przez wzmacnianie (Reinforcement Learning) – nauka poprzez system kar i nagród.
• Underfitting – model jest zbyt prosty, by zrozumieć dane.
• Universal Basic Income (UBI) – dochód podstawowy jako odpowiedź na automatyzację pracy.
• Value Drift – zmiana wartości modelu w miarę jego douczania.
• Vanishing Gradient Problem – problem zanikającego gradientu w głębokich sieciach.
• Variational Autoencoder (VAE) – generatywna wersja autoencodera.
• Vector Database – baza danych przechowująca embeddingi (np. Pinecone).
• Vector Database Indexing – metody przyspieszania wyszukiwania w bazach wektorowych.
• Vector Embeddings – liczbowe reprezentacje pojęć w przestrzeni.
• Virtual Assistant – asystent głosowy (np. Siri, Alexa).
• Vision Transformer (ViT) – zastosowanie architektury Transformer do obrazów.
• Vision-Language-Action (VLA) – modele sterujące robotami na podstawie poleceń wizualnych i tekstowych.
• Voice Conversion – zmiana brzmienia głosu przy zachowaniu treści.
• VRAM – pamięć karty graficznej, kluczowa dla wielkości modelu.
• Wagi (Weights) – parametry określające siłę połączeń między neuronami.
• Warstwa ukryta (Hidden Layer).
• Warstwa wejściowa (Input Layer).
• Warstwa wyjściowa (Output Layer).
• Watermarking – cyfrowe znakowanie treści wytworzonych przez AI.
• Weaponized AI – wykorzystanie sztucznej inteligencji w celach militarnych (autonomiczna broń).
• Web Crawling – systematyczne przeszukiwanie sieci w celu indeksowania treści.
• Whisper – zaawansowany system rozpoznawania mowy.
• Word2Vec – popularny algorytm tworzenia embeddingów.
• World Models – hipoteza, że LLM budują wewnętrzny model rzeczywistości.
• World Simulators – modele zdolne do symulowania fizyki świata rzeczywistego.
• YOLO (You Only Look Once) – bardzo szybki algorytm detekcji obiektów.
• Zbiór walidacyjny – służy do strojenia parametrów modelu.
• Zero-knowledge Proofs in AI – weryfikacja danych bez ich ujawniania.
• Zero-shot Learning – rozpoznawanie kategorii, których model nigdy nie widział.