AI fogalmak magyarázattal
Az AI-val való munka során előkerülő legfontosabb szakszavak rövid, érthető magyarázattal. Minden fogalomnál megmutatjuk, miért fontos, és hova kattinthatsz tovább.
Hallucináció
Amikor az AI magabiztos hangon, de tényszerűen hibás választ ad.
TovábbToken
A legkisebb szövegegység, amelyet az AI feldolgoz. Hozzávetőleg 1 token ≈ 0,75 szó magyarul.
TovábbKontextusablak
A maximális szövegmennyiség (tokenben), amelyet az AI egyszerre 'lát' – beleértve a bemenet és a kimenet összegét.
TovábbRAG
Retrieval-Augmented Generation – olyan technika, ahol az AI válaszadás előtt releváns tartalmakat keres elő egy tudásbázisból.
TovábbAgent (AI Agent)
Olyan AI rendszer, amely önállóan képes többlépéses feladatokat tervezni és végrehajtani eszközök segítségével, emberi közbeavatkozás nélkül.
TovábbPrompt
Az AI modell irányítására és feladatvégzésére szolgáló, emberi nyelven megfogalmazott szöveges utasítás vagy bemenet.
TovábbRendszer-prompt (System prompt)
A háttérben futó, a felhasználó elől gyakran elrejtett alaputasítás, amely meghatározza az AI viselkedését, szerepkörét és korlátait az egész beszélgetés során.
TovábbFine-tuning (Finomhangolás)
Egy már meglévő, általános tudású mesterséges intelligencia modell továbbképzése specifikus, saját adatok és példák betanításával.
TovábbVektoros adatbázis
Kifejezetten az AI számára optimalizált adattároló rendszer, amely a szövegeket, dokumentumokat matematikai jelentésük alapján, számok formájában rendezi sorba.
TovábbMCP (Model Context Protocol)
Egy szabványosított kommunikációs híd, amelyen keresztül az AI modellek biztonságosan hozzáférhetnek a helyi gépen lévő fájlokhoz vagy külső szoftverekhez.
TovábbMultimodális AI
Olyan AI rendszer, amely nemcsak szövegekkel, hanem többféle adatformátummal – képekkel, hangokkal, videókkal – is képes egyszerre dolgozni, azokat megérteni és generálni.
TovábbHőmérséklet (Temperature)
A modell válaszainak kreativitását és kiszámíthatatlanságát szabályozó technikai beállítási érték.
TovábbLáncolatos gondolkodás (Chain-of-Thought)
Egy olyan technika, amely során az AI nem egyből a végeredményt adja meg, hanem lépésről lépésre, hangosan „gondolkodva” vezeti le a probléma megoldását.
TovábbAPI
Két önálló szoftver közötti kommunikációs interfész, amelyen keresztül azok képesek funkciókat és adatokat megosztani egymással emberi beavatkozás nélkül.
TovábbNagy nyelvi modell (LLM)
Hatalmas mennyiségű emberi szövegen betanított statisztikai rendszer, amely képes megérteni a természetes nyelvet, és folyékonyan válaszolni a feltett kérdésekre.
TovábbInferencia
Az a folyamat és számítási fázis, amikor egy már betanított mesterséges intelligencia a kapott bemenet alapján ténylegesen legenerálja a választ.
TovábbBenchmark
Szabványosított feladatsorokból álló iparági teszt, amellyel a különböző mesterséges intelligenciák teljesítményét mérik össze matematikai, kódolási vagy logikai kategóriákban.
TovábbZero-shot / Few-shot
Olyan promptolási technika, amikor az AI modellnek mindenféle előzetes példa megadása nélkül (zero-shot), vagy csak pár minta alapján (few-shot) kell helyesen megoldania egy feladatot.
TovábbEmbedding
Az a matematikai fordítási folyamat, amely a számunkra érthető szavakat vagy dokumentumokat sűrű számsorokká (vektorokká) alakítja, hogy az AI értelmezni tudja a jelentésüket.
TovábbGuardrail (Korlát)
A mesterséges intelligencia modellbe épített, vagy köré felhúzott biztonsági szabályrendszer, amely megakadályozza a káros, illegális vagy nem kívánt tartalmak generálását.
TovábbTransformer (architektúra)
Az a neurális hálózati architektúra, amelyre a modern nagy nyelvi modellek épülnek. A 2017-es áttörést az hozta, hogy a modell a szöveg bármely részére tud figyelni, nem csak a közeli szavakra.
TovábbAttention (figyelem-mechanizmus)
A Transformer belső logikája, amely eldönti, hogy egy új szó generálásakor a kontextus mely részei számítanak a legjobban. Emiatt tud a modell egy mondat végéről visszautalni annak elejére.
TovábbRLHF (emberi visszajelzésen alapuló megerősítéses tanulás)
Olyan tréningmódszer, amelyben emberek értékelik a modell válaszait, és ezekből tanulja meg a rendszer, milyen válasz számít hasznosnak és elfogadhatónak. Így lesz a nyers modellből használható chatasszisztens.
TovábbFunction calling (eszközhívás)
Az a képesség, amikor a modell nem csak szöveget ír, hanem strukturált hívást készít egy külső funkció vagy API felé. Ez az egyik alapja annak, hogy az AI valódi műveleteket tudjon indítani.
TovábbPrompt injection (prompt-befecskendezés)
Olyan támadás, amikor egy rosszindulatú bemenet megpróbálja felülírni az AI eredeti utasításait. Különösen veszélyes agenteknél és külső forrásokat olvasó rendszereknél.
TovábbTool use (eszközhasználat)
Az AI képessége arra, hogy külső szoftvereket, API-kat, böngészőt vagy fájlkezelő műveleteket használjon egy feladat végrehajtásához. Tágabb fogalom, mint a function calling.
TovábbGrounding (tényekhez rögzítés)
Az a megközelítés, amikor az AI válaszát külső, ellenőrizhető forrásokhoz kötjük. A cél, hogy a modell ne fejből improvizáljon, hanem a tényleges adatokra támaszkodjon.
TovábbOverfitting (túlillesztés)
Amikor egy modell túlságosan rátanul a tréningadatokra, ezért az ismert példákon jól teljesít, de új helyzetekben gyengébben működik. Ilyenkor kevésbé tud általánosítani.
TovábbTokenizer (tokenizáló)
Az a komponens, amely a szöveget tokenekre bontja, mielőtt a modell feldolgozná. A különböző tokenizálók eltérően darabolják ugyanazt a szöveget.
TovábbContext engineering (kontextus-tervezés)
Annak tudatos megtervezése, hogy milyen információt, milyen sorrendben és milyen keretek között adunk az AI-nak. Tágabb és rendszerszintűbb gyakorlat, mint egyetlen prompt megírása.
TovábbSampling (mintavételezés)
Az a folyamat, amellyel a modell kiválasztja a következő tokent a lehetséges opciók közül. A temperature és a top-p ehhez a választási folyamathoz tartozó beállítások.
TovábbLatencia (válaszidő)
Az az idő, amely a prompt elküldése és az első válaszelem megjelenése között telik el. Gyakorlati használatban ez a rendszer érzékelt gyorsasága.
TovábbMulti-agent rendszer
Olyan AI-architektúra, amelyben több specializált agent dolgozik együtt egy nagyobb cél érdekében. A feladatok elosztva, részben párhuzamosan vagy egymás után futnak.
TovábbOrchestrator (irányító agent)
Egy multi-agent rendszer vezérlő eleme, amely felosztja a munkát, kiosztja a részfeladatokat, és összefogja az eredményeket. Nem mindent maga csinál, hanem koordinál.
TovábbShadow AI (árnyék-AI)
Amikor a munkatársak a szervezet tudta, jóváhagyása vagy kontrollja nélkül használnak AI eszközöket valódi céges feladatokra. Ez tipikusan governance- és adatbiztonsági kockázat.
TovábbRetrieval (visszakeresés)
A RAG rendszerek azon lépése, amikor a modell válaszadás előtt megkeresi a releváns dokumentumdarabokat. A generálás minősége sokszor ezen áll vagy bukik.
TovábbChunking (darabolás)
A dokumentumok kisebb, feldolgozható egységekre bontása indexelés előtt. A darabolás módja erősen befolyásolja, hogy mit talál vissza később a rendszer.
TovábbAgentic loop (agent-hurok)
Az a ciklikus működés, amelyben az agent tervez, eszközt használ, értékeli az eredményt, majd újratervez és ismétel. Ettől válik önállóan dolgozó rendszerré, nem csak reagáló chatfelületté.
TovábbTudás-határidő (knowledge cutoff)
Az a dátum, ameddig a modell a tréningadataiból ismereteket hordoz. Az ezután történt eseményeket önmagától nem ismeri, csak ha külön forrást adunk neki.
TovábbMesterséges intelligencia (AI)
Olyan számítógépes rendszerek gyűjtőneve, amelyek emberi gondolkodásra jellemző feladatokat képesek elvégezni: következtetni, tanulni, dönteni, szöveget érteni és generálni.
TovábbGépi tanulás (Machine Learning)
Az AI azon területe, ahol a rendszer nem előre megírt szabályok szerint működik, hanem adatokból tanulja meg, hogyan kell egy feladatot elvégezni.
TovábbMélytanulás (Deep Learning)
A gépi tanulás azon ága, amely többrétegű neurális hálózatokkal dolgozik. Ez az alapja a mai nagy nyelvi modelleknek, a képfelismerőknek és a generatív AI rendszereknek.
TovábbNeurális hálózat
Egymáshoz kapcsolt, rétegekbe szervezett mesterséges neuronokból álló számítási modell, amely az emberi agy hálózatát lazán utánozza, és adatokból tanul mintákat.
TovábbGeneratív AI
Olyan AI rendszerek, amelyek új tartalmat hoznak létre: szöveget, képet, hangot, videót, kódot. A ChatGPT, a Claude, a Midjourney és a Suno mind generatív AI.
TovábbAlapmodell (Foundation Model)
Széles körű adatokon előtanított, nagyméretű modell, amely különböző feladatokra adaptálható anélkül, hogy minden felhasználási esethez nulláról kellene tanítani.
TovábbNLP (természetesnyelv-feldolgozás)
Az AI azon területe, amely az emberi nyelv gépi megértésével és generálásával foglalkozik: szövegelemzéssel, fordítással, összefoglalással, kérdés-válasz feladatokkal.
TovábbIn-Context Learning (kontextuson belüli tanulás)
Az a képesség, amellyel a modell a promptban megadott példák és utasítások alapján alkalmazkodik egy adott feladathoz — anélkül, hogy a belső súlyai frissülnének.
TovábbTranszfer tanulás
Korábban megszerzett tudás átvitele egy másik feladatra vagy területre — a modell nem nulláról kezdi az új feladatot, hanem az előző tapasztalataira épít.
TovábbDiffúziós modell
Generatív AI-architektúra, amely úgy tanul képet generálni, hogy megtanulja a zajos képből az eredeti visszaállítását. A Midjourney, a DALL-E és a Stable Diffusion alapja.
TovábbAlignment (igazítás)
Annak biztosítása, hogy egy AI rendszer valóban azokat a célokat szolgálja, amelyeket a fejlesztők és felhasználók szánnak neki — ne optimalizáljon félrevezetően, ne tegyen kárt.
TovábbJailbreaking
Kísérlet arra, hogy egy AI modell biztonsági korlátait speciálisan megfogalmazott promptokkal megkerüljük, és olyat csináltassunk vele, amire alaphelyzetben nem hajlandó.
TovábbRed teaming (ellenséges tesztelés)
Célzott, támadójellegű tesztelés, amelynek során szakértők szándékosan keresik egy AI rendszer gyengeségeit, hibás viselkedését és biztonsági réseit — mielőtt éles használatba kerül.
TovábbBias (torzítás)
Szisztematikus hiba a modell kimenetében, amelyet a tanítóadatok, a tréningmódszer vagy a mérési logika egyoldalúsága okoz. Nem véletlenszerű hiba — ismételten, azonos irányba térít el.
TovábbEmergens képességek
Olyan új képességek, amelyek nagyobb modellekben hirtelen megjelennek, miközben kisebb modellekben még egyáltalán nem láthatók — nem lineárisan fejlődnek a méretnöveléssel.
TovábbAGI (általános mesterséges intelligencia)
Hipotetikus AI-rendszer, amely általánosan, emberi szintű rugalmassággal képes gondolkodni és problémát megoldani bármely területen — nem csak egy szűk feladattípusban.
TovábbSzintetikus adat
Mesterségesen generált adat, amelyet valódi adatok helyett vagy kiegészítéseként használnak AI-modellek tanításához. Nincs mögötte valódi eset, mégis valószerű mintákat követ.
TovábbMagyarázható AI (XAI)
Olyan technikák és megközelítések összessége, amelyek érthetővé teszik, hogyan és miért hozott egy AI-rendszer adott döntést. A cél az átláthatóság növelése.
TovábbGround truth (ellenőrzött alapigazság)
Az ellenőrzött, helyes válasz, amellyel az AI kimenetét összehasonlítjuk — legyen az tréningcímke, emberi döntés vagy valódi adat.
TovábbMixture of Experts (MoE)
Olyan modellarchitektúra, amelyben a nagy modell belül több specializált alhálózatból áll, és minden bemenetnél csak a releváns experteket aktiválja — a többit nem.
TovábbSkálázási törvények
Empirikusan megfigyelt összefüggések, amelyek leírják, hogyan javul a modell teljesítménye a méret, az adatmennyiség és a számítási kapacitás növelésével.
TovábbKvantálás (Quantization)
A modell paramétereinek kisebb numerikus pontossággal való tárolása, ezzel csökkentve a memóriaigényt és gyorsítva a futtatást — kisebb minőségveszteség mellett.
TovábbDesztilláció (Knowledge Distillation)
Kisebb modell tanítása úgy, hogy egy nagyobb, erősebb modell kimeneteit utánozza — így a kisebb modell jobb lesz, mintha csak az eredeti adatokon tanult volna.
TovábbModel Card (modellkártya)
Egy modellhez készített szabványos dokumentáció, amely összefoglalja a modell képességeit, korlátait, tanítási módszerét, ismert biasait és ajánlott felhasználási területeit.
TovábbOCR (optikai karakterfelismerés)
Képen vagy szkennelt dokumentumban található szöveg gépileg olvasható szöveggé alakítása.
TovábbUnderfitting (alultanulás)
Amikor egy modell túl egyszerű vagy alultanított ahhoz, hogy a minták és összefüggések valódi komplexitását megragadja — az eredmény sekély, pontatlan, sematikus válasz.
TovábbConstitutional AI
Az Anthropic által ismertté tett tréningmódszer, amelyben a modell előre rögzített elvek alapján értékeli és javítja a saját válaszait. Ezzel részben kiváltható az emberi értékelők egy része a biztonsági finomhangolásban.
Tovább