Обучение ИИ · словарь
Короткие объяснения слов, которые встречаются в статьях, документации и разговорах о нейросетях. Где есть подробный материал — ссылка на него.
Benchmark
Стандартный набор задач для сравнения моделей: математика, программирование, знания, рассуждения. Высокий балл на бенчмарке не гарантирует успеха на ваших задачах — проверяйте на своих примерах.
Generative AI
Модели, которые создают новый контент — текст, изображения, музыку, видео, код — по описанию человека. Примеры: ChatGPT, Claude, Midjourney, Suno.
Deep Learning
Машинное обучение на нейросетях с большим числом слоёв. Именно глубокое обучение дало современные распознавание речи, компьютерное зрение и языковые модели.
Gradient descent
Основной способ обучения нейросетей: веса понемногу сдвигаются в сторону, где ошибка уменьшается, шаг за шагом.
Dataset
Набор данных для обучения или проверки модели: тексты, изображения, таблицы, часто с разметкой — правильными ответами. Качество датасета определяет качество модели больше, чем любая архитектура.
Artificial Intelligence, AI
Область информатики, которая создаёт системы, выполняющие задачи, обычно требующие человеческого мышления: понимать текст и речь, распознавать изображения, принимать решения. Сегодня под ИИ чаще всего имеют в виду нейросети и языковые модели.
Neuron
Простейший узел нейросети: складывает входные сигналы с весами и передаёт результат дальше через функцию активации. Сила нейросети — в миллионах таких узлов.
Classification
Задача отнести объект к одной из категорий: спам или нет, тема обращения, тональность отзыва.
Clustering
Разбиение объектов на группы похожих без заранее заданных категорий — например, сегменты клиентов.
Machine Learning, ML
Подход, при котором программа не пишется правилами вручную, а сама находит закономерности в данных. Модели машинного обучения прогнозируют спрос, отличают спам, рекомендуют товары.
Evaluation Metrics
Числа, по которым судят о модели: точность, полнота, доля верных ответов на тестовом наборе. Для языковых моделей — результаты на бенчмарках и оценки людей.
Neural Network
Модель машинного обучения из множества связанных «нейронов» — простых вычислительных узлов. Обучаясь на примерах, нейросеть подстраивает силу связей и начинает решать задачу: распознавать лица, переводить, писать текст.
Natural Language Processing, NLP
Область ИИ о работе с человеческим языком: понимание, перевод, пересказ, извлечение фактов, ответы на вопросы.
Train / test split
Данные делят на часть для обучения и отложенную часть для проверки. Качество модели честно оценивают только на данных, которых она не видела.
Unsupervised Learning
Обучение без готовых ответов: модель сама ищет структуру в данных — группирует похожих клиентов, находит аномалии в транзакциях.
Reinforcement Learning, RL
Модель учится методом проб: за удачные действия получает награду, за неудачные — штраф. Так обучают игровые системы, роботов и «рассуждающие» языковые модели.
Supervised Learning
Обучение на примерах с известными ответами: модели показывают пары «вопрос — правильный ответ», и она учится их воспроизводить. Так обучают классификаторы и прогнозные модели.
Overfitting
Ситуация, когда модель запомнила обучающие примеры вместо общих закономерностей: на знакомых данных работает отлично, на новых — плохо. Лечится большим объёмом данных и проверкой на отложенной выборке.
Data Labeling
Подготовка правильных ответов для обучения: подписать объекты на фото, оценить ответы модели, отметить тональность отзыва. Этим занимаются асессоры и AI-тренеры.
Regression
Задача машинного обучения, где нужно предсказать число, а не категорию: цену квартиры, спрос на товар, время доставки, выручку следующего месяца.
Artificial General Intelligence
Гипотетический ИИ, способный решать любые интеллектуальные задачи на уровне человека, а не одну узкую задачу. Существующие модели к AGI не относятся, хотя и умеют многое.
Layer
Группа нейронов, обрабатывающих данные на одном этапе. Первые слои замечают простые признаки, последующие — всё более сложные.
Loss function
Число, показывающее, насколько ответ модели отличается от правильного. Обучение — это подбор весов, при которых потери минимальны.
Epoch
Один полный проход модели по всему обучающему набору. Обучение обычно занимает несколько эпох.
Foundation model
Большая модель общего назначения, обученная на широких данных, на основе которой строят специализированные решения дообучением или промптами.
Large Language Model
Нейросеть, обученная на огромном объёме текстов предсказывать следующее слово. Из этого простого умения вырастают ответы на вопросы, перевод, пересказ, код. GPT, Claude, Gemini, DeepSeek, Qwen — всё это LLM.
Weights
То же, что параметры: файл с весами — это и есть обученная модель. «Открытые веса» означают, что модель можно скачать и запустить у себя.
Hallucinations
Правдоподобные, но выдуманные ответы модели: несуществующие факты, цитаты, ссылки, номера законов. Снижаются поиском по проверенным источникам (RAG), просьбой ссылаться на документ и проверкой человеком.
Knowledge cutoff
Момент, до которого собраны обучающие данные модели. О событиях после этой даты модель не знает, если ей не дать поиск или документы.
Distillation
Обучение маленькой модели на ответах большой. Так получают компактные версии, которые работают на обычном компьютере, — например, дистиллированные версии DeepSeek.
Diffusion model
Тип генеративной модели для изображений и видео: она учится постепенно превращать шум в картинку по описанию. На этом принципе работают Stable Diffusion, Flux, Midjourney.
Inference
Работа уже обученной модели: получение ответа на запрос. В отличие от обучения, инференс идёт постоянно и составляет основную часть затрат на эксплуатацию.
Quantization
Сжатие модели за счёт хранения весов с меньшей точностью — например, 4 бита вместо 16. Модель становится в 3–4 раза меньше и помещается в обычную видеокарту ценой небольшой потери качества.
Context window
Сколько текста модель может учесть за один раз — вопрос, история диалога, документы и ответ вместе. Измеряется в токенах. Всё, что не помещается в окно, модель «не видит».
Small Language Model, SLM
Языковая модель на единицы миллиардов параметров. Работает на обычном компьютере или телефоне, быстра и дешева, но слабее больших моделей в сложных задачах.
Attention
Способ, которым модель решает, какие части текста важны для текущего слова. Описан в статье «Attention Is All You Need» (2017), с которой началась эпоха трансформеров.
Multimodal model
Модель, которая работает с несколькими видами данных: текстом, изображениями, звуком, видео. Например, понимает скриншот или фото документа и отвечает на вопросы по нему.
Open-weight models
Модели, веса которых опубликованы: Llama, Qwen, DeepSeek, Mistral, Gemma. Их можно запустить на своём сервере, дообучить и использовать без передачи данных внешней компании (с учётом лицензии).
Parameters
Числа внутри нейросети, которые подбираются при обучении. Размер модели указывают в параметрах: «7B» — 7 миллиардов. Больше параметров обычно значит умнее, но дороже и требовательнее к памяти.
Reasoning model
Модель, которая перед ответом пишет ход рассуждений: разбирает задачу по шагам, проверяет себя. Лучше справляется с математикой, кодом и сложными задачами, но отвечает дольше и тратит больше токенов.
Mixture of Experts
Архитектура, в которой модель состоит из многих «экспертов», а на каждый запрос включается только часть из них. Так модель может быть очень большой, но работать быстрее и дешевле.
Temperature
Настройка случайности ответа. Низкая температура — ответы точнее и однообразнее (для фактов, кода, извлечения данных), высокая — разнообразнее (для идей и творческих текстов).
Token
Единица текста для модели: часть слова, слово или знак. В русском языке одно слово обычно занимает 1–3 токена. Токенами измеряют длину контекста и стоимость работы с моделью по API.
Tokenizer
Часть модели, которая разбивает текст на токены перед обработкой. У разных моделей разные токенизаторы, поэтому один и тот же текст «стоит» разное число токенов.
Transformer
Архитектура нейросети, на которой построены почти все современные языковые модели. Её ключевая часть — механизм внимания, который позволяет учитывать связи между всеми словами текста сразу.
Embedding
Представление текста, изображения или слова в виде списка чисел (вектора), где похожие по смыслу объекты оказываются рядом. Эмбеддинги нужны для смыслового поиска, рекомендаций и RAG.
Low-Rank Adaptation
Экономный способ дообучения: вместо изменения всей модели обучается небольшая надстройка. Файл LoRA весит мегабайты, а не гигабайты, — так часто настраивают модели изображений под стиль.
Machine Learning Operations
Практики вывода моделей в работу и сопровождения: автоматическое обучение, версии моделей, мониторинг качества, обновления. Профессия MLOps-инженера отвечает за то, чтобы модель стабильно работала в продукте.
Reinforcement Learning from Human Feedback
Обучение модели на оценках людей: люди сравнивают ответы, а модель учится давать те, что оценены выше. Благодаря этому чат-боты стали вежливыми и полезными.
Alignment
Работа над тем, чтобы модель следовала намерениям людей и правилам безопасности: не помогала вредить, честно признавала незнание, не обманывала.
Fine-tuning
Продолжение обучения готовой модели на ваших данных: под стиль компании, формат документов, узкую область. Требует подготовленных примеров и обычно проводится после того, как не помогли промпты и RAG.
Instruction tuning
Этап, на котором модель учат выполнять просьбы человека, а не просто продолжать текст. Именно после него модель становится «ассистентом».
Pre-training
Первый и самый дорогой этап создания модели: обучение на огромном массиве текстов, чтобы она усвоила язык и знания о мире. Его проводят крупные лаборатории.
Synthetic data
Данные, сгенерированные другой моделью, а не собранные у людей. Используются, когда реальных примеров мало или их нельзя использовать из-за конфиденциальности.
API
Программный доступ к модели: ваша программа отправляет запрос и получает ответ. Оплата обычно — за токены входа и выхода.
LLM gateway
Сервис, который даёт доступ к моделям разных компаний по одному ключу и в одном формате, с единым счётом и статистикой расходов.
OpenAI-compatible API
Формат запросов, ставший стандартом: если сервис его поддерживает, к нему подключаются те же программы и библиотеки, что и к OpenAI, — меняется только адрес и ключ.
Prompt caching
Повторно используемая часть запроса (длинная инструкция, документ) кэшируется на стороне провайдера и при следующих запросах обходится дешевле и быстрее.
Rate limit
Ограничение числа запросов или токенов в минуту на ключ. При превышении API возвращает ошибку 429 — запрос нужно повторить позже.
Few-shot prompting
Приём, когда в промпт добавляют несколько примеров «вход — правильный выход». Модель подхватывает формат и стиль без дообучения.
Batch API
Отправка множества запросов одним пакетом с ответом в течение часов, а не секунд. Обычно заметно дешевле — подходит для разметки, перевода, массовой обработки.
Streaming
Выдача ответа по частям, по мере генерации, а не целиком в конце. Так работает «печатающийся» текст в чат-ботах; через API включается отдельным параметром.
Prompt
Запрос к модели: задача, контекст, примеры и требования к ответу. Чем конкретнее промпт — кто читатель, какой формат, что нельзя, — тем меньше правок после.
Prompt engineering
Умение составлять запросы так, чтобы модель стабильно давала нужный результат: структура, примеры, пошаговые инструкции, проверка ответа.
System prompt
Скрытая инструкция, которая задаёт роль и правила модели на весь разговор: тон, ограничения, формат. Её пишет разработчик бота или сервиса, пользователь её обычно не видит.
Structured output
Режим, в котором модель отвечает строго в заданном формате — например, JSON по схеме. Нужен, когда ответ читает не человек, а программа.
Chain of thought
Просьба к модели рассуждать по шагам перед ответом. Повышает точность в задачах на логику и расчёты; рассуждающие модели делают это сами.
Model Context Protocol
Открытый протокол, по которому ИИ-ассистенты подключаются к внешним инструментам и данным: файлам, базам, сервисам. MCP-сервер описывает свои инструменты один раз, и ими могут пользоваться разные ассистенты.
Copilot
ИИ-помощник, встроенный в рабочую программу: редактор кода, офисный пакет, CRM. Подсказывает и делает часть работы, решения остаются за человеком.
Function calling, tool use
Способность модели вызвать внешнюю функцию: поиск, калькулятор, запрос в CRM, отправку письма. Модель решает, какой инструмент нужен и с какими параметрами, а программа выполняет вызов.
AI agent
Модель, которая не просто отвечает, а сама выполняет задачу по шагам: ищет информацию, работает с файлами, вызывает программы, проверяет результат и продолжает, пока не закончит.
Multi-agent system
Несколько агентов с разными ролями, которые работают вместе: один планирует, другие выполняют части, третий проверяет.
AI chatbot
Программа, которая ведёт диалог на естественном языке: отвечает клиентам, сотрудникам, помогает с заказом. Современные чат-боты строятся на языковых моделях и базе знаний компании.
Human in the loop
Схема, в которой ИИ готовит результат, а важные решения — отправка, оплата, удаление — подтверждает человек.
Retrieval-Augmented Generation
Подход, при котором модель перед ответом ищет нужные фрагменты в ваших документах и отвечает по ним. Снижает галлюцинации и позволяет работать с актуальными внутренними данными без дообучения.
Sentiment analysis
Определение эмоциональной окраски текста: положительный, нейтральный, негативный отзыв. Применяется к отзывам, обращениям, упоминаниям бренда.
AI knowledge base
Внутренние документы компании, по которым ИИ отвечает сотрудникам или клиентам со ссылками на источник.
Vector database
Хранилище эмбеддингов, которое быстро находит самые похожие по смыслу фрагменты. Основа смыслового поиска и RAG.
Reranking
Второй этап поиска: найденные фрагменты заново упорядочиваются более точной моделью, чтобы в ответ попали самые подходящие.
Chunking
Нарезка документов на части перед индексацией для RAG. От размера и способа нарезки сильно зависит, найдёт ли система нужный ответ.
OCR, Document AI
Извлечение текста и данных из сканов и фото: реквизиты, суммы, таблицы. Современные системы понимают структуру документа, а не только буквы.
Semantic search
Поиск по смыслу, а не по совпадению слов: запрос «как вернуть деньги» найдёт раздел «Возврат средств».
Video analytics
Автоматический анализ видеопотока с камер: события, нарушения, подсчёт людей и машин, поиск нужного момента в записи. Заменяет просмотр часов видео человеком.
Text-to-video
Создание видеоролика по описанию или по картинке. Модели генерируют короткие клипы, которые затем монтируют.
Text-to-image
Создание картинки по текстовому описанию. Сервисы: Midjourney, генераторы в ChatGPT и Gemini; открытые модели — Stable Diffusion, Flux.
Deepfake
Поддельное видео, фото или голос, созданные ИИ так, будто это реальный человек. Используется мошенниками, поэтому важны проверка источника и маркировка ИИ-контента.
Computer vision
Область ИИ, которая учит машины понимать изображения и видео: находить объекты, дефекты, считать людей, читать номера.
Speech recognition, ASR
Перевод речи в текст: расшифровка звонков, встреч, голосовых сообщений. Современные модели разбирают речь нескольких собеседников, расставляют пунктуацию и работают с шумом.
Text-to-speech, TTS
Озвучка текста голосом, близким к человеческому. Используется в голосовых ассистентах, озвучке видео, звонках.
Ollama
Бесплатная программа для запуска открытых моделей на своём компьютере одной командой; отдаёт API в формате OpenAI.
GPU
Графический процессор, который выполняет вычисления нейросетей в сотни раз быстрее обычного процессора. Для запуска моделей важнее всего объём видеопамяти.
VRAM
Память видеокарты. Модель должна целиком поместиться в видеопамять, иначе работает в разы медленнее. Ориентир для сжатой модели — около 0,6 ГБ на миллиард параметров плюс запас на контекст.
Latency
Время от запроса до ответа модели. Зависит от размера модели, длины ответа, загрузки сервера и расстояния до него.
Local LLM
Модель, запущенная на вашем компьютере или сервере, без передачи данных внешнему сервису. Инструменты: Ollama, LM Studio.
On-premise
Установка модели на серверах компании или в выделенном облаке, когда данные не должны покидать периметр.
Jailbreak
Попытка обойти ограничения модели хитрым запросом — ролевой игрой, обходными формулировками, — чтобы получить ответ, который модель давать не должна.
AI content labeling
Пометка, что текст, изображение или видео созданы с помощью ИИ. Помогает отличать реальное от сгенерированного; требования к маркировке развиваются.
Personal data and AI
Передача персональных данных во внешний ИИ-сервис — это их обработка третьим лицом, и в России на неё распространяется 152-ФЗ. Данные обезличивают или обрабатывают в своём контуре.
Prompt injection
Атака, при которой в текст для модели (письмо, страницу, документ) подкладывают инструкции, чтобы она сделала то, чего не просил пользователь. Главный риск для агентов, которые читают внешние данные.
Bias
Систематическая ошибка модели, унаследованная из данных: например, когда она чаще связывает профессии с одним полом. Важна при использовании ИИ в найме и оценке людей.
Generative Engine Optimization
Работа над тем, чтобы компанию и её продукты упоминали и цитировали ИИ-ассистенты и поисковые ответы нейросетей.
AI strategy
План, какие процессы компании переводить на ИИ, в каком порядке, с какими данными и как измерять пользу.
AI pilot, MVP
Короткий проект на одном процессе, чтобы проверить пользу до больших вложений: метрика «до», внедрение, метрика «после».
Predictive analytics
Прогноз будущих событий по данным прошлого: спрос, отток клиентов, поломки оборудования. Помогает заранее закупать, удерживать клиентов и планировать ремонт.
Token pricing
Модели по API тарифицируются за миллион токенов входа и выхода, причём выход обычно дороже. Расходы зависят от длины запросов, ответов и выбранной модели.