Словарь терминов искусственного интеллекта

Урок 1 — Введение в ИИ: общие термины

Искусственный интеллект (Artificial Intelligence, AI)

Область информатики, которая занимается созданием систем, выполняющих задачи, обычно требующие человеческого интеллекта: обучение, понимание, решение задач и принятие решений.

Алгоритм (Algorithm)

Заданная последовательность шагов для решения задачи или выполнения действия. В ИИ — правила и вычисления, которыми пользуется модель.

Модель (Model)

Математическое/вычислительное представление, созданное в ходе обучения и используемое для прогнозов или вывода по новым данным.

Обучение (Training)

Процесс, в котором алгоритм учится на данных: подстраивает параметры, чтобы модель лучше справлялась с заданной задачей.

Инференс (Inference)

Использование обученной модели, чтобы дать прогноз или ответ на новый вход, без обновления параметров.

Данные (Data)

Информация, на которой система учится или которую обрабатывает, — текст, изображения, числа, ввод пользователя и т. д.

Параметр (Parameter)

Значение, которое модель осваивает во время обучения (например, веса в нейронной сети). В больших моделях — миллиарды параметров.

Узкий ИИ (Narrow AI)

Системы ИИ, которые отлично справляются с одной задачей или ограниченной областью (распознавание лиц, перевод, игры) — в отличие от AGI.

Общий искусственный интеллект (Artificial General Intelligence, AGI)

Интеллект человеческого уровня — способность понимать, учиться и действовать в широком диапазоне задач и областей, как человек.

Искусственный сверхразум (Artificial Superintelligence, ASI)

Теоретически: система умнее человечества во всех значимых областях. Сегодня не существует.

Автоматизация (Automation)

Выполнение задач без участия человека. ИИ используют, чтобы автоматизировать повторяющиеся процессы и создавать контент.

Урок 2 — История ИИ

Хронология, даты и исторические понятия (тест Тьюринга, конференция в Дартмуте, машина Тьюринга и др.) приведены на странице История искусственного интеллекта.

Урок 3 — Машинное обучение

Машинное обучение (Machine Learning, ML)

Раздел ИИ, в котором компьютеры учатся на примерах и данных и улучшают результат без явного программирования каждого случая.

Обучение с учителем (Supervised Learning)

Обучение на примерах с меткой: модель учится сопоставлять вход с желаемым выходом.

Обучение без учителя (Unsupervised Learning)

Обучение на данных без меток — цель в том, чтобы найти закономерности, кластеры или структуру в данных.

Обучение с подкреплением (Reinforcement Learning, RL)

Обучение через взаимодействие со средой: агент получает награды и улучшает свою политику.

Метка (Label)

Правильный ответ или класс, присвоенный примеру при обучении с учителем (например, «кошка» для изображения).

Признак (Feature)

Характеристика или величина, извлечённая из данных и подаваемая на вход модели (цвет, размер, частота слова и т. д.).

Регрессия (Regression)

Задача предсказания непрерывного числового значения (цена, температура, время) по входным признакам.

Классификация (Classification)

Задача отнесения входа к одной из фиксированных категорий (спам/не спам, вид животного и т. д.).

Кластеризация (Clustering)

Группировка объектов в похожие группы без заранее заданных меток — типичный метод обучения без учителя.

Переобучение (Overfitting)

Когда модель «запоминает» обучающие данные и хуже обобщает на новые данные.

Недообучение (Underfitting)

Когда модель слишком проста и плохо улавливает закономерности в данных.

Перекрёстная проверка (Cross-Validation)

Метод оценки: данные делят на части, обучают на одних и проверяют на остальных, затем усредняют результаты.

Обучающие данные (Training Data)

Примеры, по которым обновляют параметры модели во время обучения.

Тестовые данные (Test Data)

Данные, отложенные в сторону и не использованные при обучении; по ним оценивают качество модели.

Скорость обучения (Learning Rate)

Размер шага при обновлении параметров в оптимизации. Слишком большой — нестабильность; слишком маленький — медленное обучение.

Пакет, батч (Batch)

Подмножество примеров, обрабатываемых вместе за одно обновление параметров во время обучения.

Эпоха (Epoch)

Один полный проход по всем обучающим данным. Обычно обучение включает несколько эпох.

Функция потерь (Loss Function)

Мера того, насколько прогноз далёк от правильного значения. Оптимизация стремится минимизировать потери.

Обратное распространение ошибки (Backpropagation)

Алгоритм вычисления градиента функции потерь по параметрам, чтобы обновить их градиентным спуском.

Градиент (Gradient)

Направление наибольшего изменения функции. При обучении — направление, в котором обновляют параметры, чтобы снизить потери.

Градиентный спуск (Gradient Descent)

Метод оптимизации: обновлять параметры в направлении, противоположном градиенту, чтобы уменьшить потери.

Урок 3 — Нейронные сети и глубокое обучение

Нейронная сеть (Neural Network)

Структура из узлов (нейронов) и слоёв, вычисляющих сложные функции. Основа большинства моделей глубокого обучения (Deep Learning).

Глубокое обучение (Deep Learning)

Машинное обучение с помощью нейронных сетей с несколькими слоями; позволяет строить сложные представления и решать продвинутые задачи.

Свёрточная нейронная сеть (Convolutional Neural Network, CNN)

Сеть, особенно подходящая для изображений: свёрточные слои помогают находить локальные закономерности.

Рекуррентная нейронная сеть (Recurrent Neural Network, RNN)

Сеть для последовательностей (текст, время) с внутренней памятью; распространённые варианты — LSTM и GRU.

Трансформер (Transformer)

Архитектура на основе механизма внимания, без рекуррентности. Основа GPT, BERT и большинства больших языковых моделей.

Механизм внимания (Attention Mechanism)

Позволяет модели «смотреть» на релевантные части входа (например, предыдущие слова), когда она формирует выход.

Функция активации (Activation Function)

Нелинейная функция после слоя нейронов (ReLU, Sigmoid, Softmax), благодаря которой сеть может учить сложные закономерности.

Dropout

Приём регуляризации: во время обучения случайно «выключают» часть нейронов, чтобы снизить переобучение.

Нормализация (Normalization)

Стандартизация значений промежуточных слоёв (например, Layer Norm) для стабильности обучения и более быстрой сходимости.

Диффузионная модель (Diffusion Model)

Модель генерации изображений (а также видео/аудио): учится постепенно убирать шум и собирать изображение с нуля.

Генеративно-состязательная сеть (Generative Adversarial Network, GAN)

Две сети: генератор создаёт примеры, дискриминатор пытается отличить настоящие от поддельных. Они соревнуются, пока качество не вырастет.

Вариационный автоэнкодер (Variational Autoencoder, VAE)

Генеративная модель, которая сжимает вход в «латентное пространство», а затем восстанавливает его; полезна и для генерации, и для сжатия.

Уроки 4–5 — Язык, текст и языковые модели

Обработка естественного языка (Natural Language Processing, NLP)

Раздел ИИ, который занимается пониманием, анализом и генерацией текста и человеческой речи.

Понимание естественного языка (Natural Language Understanding, NLU)

Подраздел NLP: интерпретация намерения, тональности, сущностей и структуры в письменной или устной речи.

Генерация естественного языка (Natural Language Generation, NLG)

Создание нового текста системой — ответы, краткие изложения, переводы, маркетинговые тексты и другое.

Большая языковая модель (Large Language Model, LLM)

Очень большая текстовая модель (например, GPT-5, Claude, Gemini), обученная на огромных объёмах текста и способная к продолжению, вопросам-ответам и генерации.

GPT — Generative Pre-trained Transformer

Название серии моделей OpenAI (GPT-3, GPT-4, GPT-5, GPT-5.2) — больших языковых моделей на архитектуре трансформер. К 2026 году флагман — GPT-5.2 со встроенным рассуждением.

Токен (Token)

Базовая единица текста, с которой работает модель, — слово, часть слова или символ. Токенизация разбивает текст на токены.

Токенизация (Tokenization)

Процесс разбиения текста на единицы (токены), которые модель получает на вход.

Контекстное окно (Context Window)

Максимальное число токенов, которое модель может учитывать, — более длинный текст обрезают или сжимают.

Эмбеддинг (Embedding)

Векторное представление (массив чисел) слова, предложения или объекта — так, чтобы близкий смысл был близок в пространстве.

Вектор (Vector)

Упорядоченный список чисел. В ИИ используется для представления эмбеддингов, признаков и внутреннего состояния моделей.

Косинусное сходство (Cosine Similarity)

Мера сходства двух векторов по углу между ними; часто применяется для сравнения эмбеддингов и семантического поиска.

Обучение на нескольких примерах (Few-Shot Learning)

Показ нескольких примеров в промпте, чтобы модель переняла стиль или формат без дополнительного обучения.

Zero-Shot

Выполнение задачи без примеров в промпте — только объяснение или инструкция. Большие языковые модели на это способны.

Трансферное обучение (Transfer Learning)

Использование модели, обученной на одной задаче, как отправной точки для обучения или адаптации к другой задаче, обычно с меньшим объёмом данных.

Дообучение, тонкая настройка (Fine-tuning)

Дополнительное обучение уже существующей модели на конкретных данных, обычно с низкой скоростью обучения, чтобы адаптировать её к задаче или области.

Базовая модель (Base Model)

Универсальная модель, обученная на широких данных до тонкой настройки или прямого использования через промпты.

Анализ тональности (Sentiment Analysis)

Определение тона или эмоции в тексте — положительный, отрицательный, нейтральный — часто как классификация или оценка.

Урок 4 — ИИ в повседневной жизни: изображения, видео и зрение

Компьютерное зрение (Computer Vision)

Область ИИ, которая занимается пониманием изображений и видео: распознавание объектов, сегментация, описание, OCR и другое.

Классификация изображений (Image Classification)

Отнесение изображения к одной категории из заданного набора (например, «собака», «автомобиль»).

Детекция объектов (Object Detection)

Поиск объектов на изображении и возврат положения (ограничивающих рамок) и класса для каждого объекта.

Сегментация (Segmentation)

Разделение изображения на области — каждому пикселю или области присваивается класс (человек, фон, транспорт и т. д.).

Текст в изображение (Text-to-Image)

Генерация изображения по текстовому описанию; примеры: DALL-E, Midjourney, Stable Diffusion.

Генерация видео (Video Generation)

Создание видео с помощью ИИ по тексту, изображениям или обоим сразу — например, Sora, Runway.

Речь в текст (Speech-to-Text, STT)

Преобразование звука речи в письменный текст.

Текст в речь (Text-to-Speech, TTS)

Преобразование текста в человекоподобный голос — озвучка, голосовые помощники, доступность.

Мультимодальный (Multimodal)

Модель или система, которая обрабатывает несколько типов входа/выхода: текст, изображения, аудио, видео.

Модальность (Modality)

Тип информации, которую обрабатывает система, — текст, изображение, звук, видео: каждый из них — отдельная модальность.

Уроки 5–6 — Промпты и инструменты

Промпт-инжиниринг (Prompt Engineering)

Искусство и навык формулировать инструкции (промпты) для ИИ, чтобы получать точные и уместные ответы.

Промпт (Prompt)

Текст, который пользователь подаёт модели, — вопрос, инструкция или контекст, — на основе которого модель строит ответ.

Системный промпт (System Prompt)

Внутренняя инструкция, задающая «роль» или стиль модели (например, «Ты профессиональный помощник»). Обычно скрыта от пользователя.

Цепочка рассуждений (Chain of Thought, CoT)

Просьба к модели объяснить шаги рассуждения до финального ответа — повышает точность на сложных задачах.

Температура (Temperature)

Параметр языковых моделей: высокий — более разнообразные/творческие ответы; низкий — более стабильные и «безопасные».

Top-p / ядерная выборка (Nucleus Sampling)

Метод выборки: слова выбирают из тех, чья суммарная вероятность не превышает p. Влияет на разнообразие ответов.

Чат-бот (Chatbot)

Автоматизированная система диалога с пользователями — обычно на основе языковой модели, например ChatGPT.

ИИ-агент (AI Agent)

Система, которая получает цель, планирует шаги, использует инструменты (поиск, код, калькулятор) и выполняет сложные задачи.

Промпт-инъекция (Prompt Injection)

Использование вредоносного промпта, который пытается заставить модель игнорировать инструкции или выполнить нежелательные действия.

Генерация с дополненной выборкой (Retrieval-Augmented Generation, RAG)

Сочетание поиска по хранилищу (документы, база данных) с языковой моделью: извлечь релевантные фрагменты и добавить их в промпт, чтобы повысить точность и актуальность.

База знаний (Knowledge Base)

Структурированное хранилище информации (документы, вопросы-ответы, факты), по которому системы ИИ могут искать или на которое опираться.

Граница знаний (Knowledge Cutoff)

Дата, до которой обновлялись обучение или знания модели, — после неё модель может «не знать» новых событий.

Галлюцинация (Hallucination)

Когда модель выдаёт информацию, которая звучит правдоподобно, но неверна или не существует, — ключевая проблема при работе с языковыми моделями.

Урок 7 — Этика, безопасность и влияние

Смещение, предвзятость (Bias)

Систематическая тенденция в модели или в данных, которая приводит к несправедливым различиям в обращении (пол, раса, возраст и т. д.).

Прозрачность (Transparency)

Степень, в которой мы знаем, как работает система, какие данные она использует и как принимаются решения.

Объяснимость (Explainability)

Способность объяснить, почему модель пришла к тому или иному выводу или решению.

Подотчётность (Accountability)

Определение, кто несёт ответственность, когда система ИИ ошибается или причиняет вред, — разработчики, операторы, регуляторы.

Безопасность ИИ (AI Safety)

Исследования и практика, направленные на то, чтобы ИИ вёл себя как задумано и снижал непреднамеренные риски и вред.

Выравнивание (Alignment)

Согласование целей системы с человеческими ценностями и желаниями — предотвращение опасного или нежелательного поведения.

Дипфейк (Deepfake)

Контент (видео/голос/изображение), созданный или изменённый ИИ так, что он выглядит подлинным, — несёт риски мошенничества и обмана.

Контент, созданный ИИ (AI-Generated Content, AIGC)

Любой контент — текст, изображение, видео, голос — созданный с помощью инструментов ИИ.

Детекция ИИ (AI Detection)

Попытки определить, создан ли текст или контент ИИ, — инструменты и подходы существуют, но не всегда надёжны.

Водяные знаки (Watermarking)

Встраивание скрытой или видимой метки, которая помечает или идентифицирует контент, созданный ИИ.

Технологическая сингулярность (Technological Singularity)

Гипотетический сценарий, в котором ИИ развивается так быстро, что последствия для человечества становятся непредсказуемыми.

Автономия (Autonomy)

Степень, в которой система действует самостоятельно, — решения и действия без участия человека на каждом шаге.

Урок 8 — Будущее и дополнительные техники

Предсказание (Prediction)

Оценка или прогноз, который модель выдаёт для нового входа, — значение, класс, последовательность текста и т. д.

Утечка данных (Data Leakage)

Когда информация из тестовых данных или из будущего «просачивается» в этап обучения и даёт нереалистичную оценку качества.

Валидационные данные (Validation Data)

Данные, отложенные во время обучения для выбора моделей, параметров или остановки — не используются напрямую для финального обновления параметров.

Оптимизация (Optimization)

Процесс поиска параметров или решений, которые дают оптимальное значение (например, минимум потерь) — при обучении обычно на основе градиента.

Векторное пространство (Vector Space)

Пространство, в котором каждый объект представлен вектором; используется для сравнений, поиска и эмбеддингов.

Ролевая игра (Role Playing)

В промптах: указание модели действовать как определённый «персонаж» или эксперт (врач, юрист, учитель).

Ограничения (Constraints)

В инструкциях: пределы ответа — длина, язык, стиль, что нельзя упоминать и т. д.

Стоимость токенов (Token Cost)

Плата или единицы использования, основанные на числе токенов, отправленных и/или сгенерированных через API модели.

Стоп-последовательность (Stop Sequence)

Строка, при генерации которой модель останавливается, — например, конец абзаца или заданный формат.

Фильтрация контента (Content Filtering)

Обнаружение и блокировка или изменение вредного, незаконного или неуместного контента до показа пользователю.

API — Application Programming Interface

Интерфейс, через который другие программы отправляют запросы модели (например, чат, продолжение текста) и получают ответы.

Модель с открытым исходным кодом (Open-Source Model)

Модель, чей код и/или веса доступны публике для использования, исследований и адаптации.

Проприетарная модель (Proprietary Model)

Модель, принадлежащая компании и доступная только через сервисы и API, которые компания предоставляет.

Вычислительные ресурсы (Compute)

Вычислительные ресурсы (процессоры, память, время), необходимые для обучения или запуска моделей.

Намерение (Intent)

В диалоговых системах: намерение или цель, которой пользователь пытается достичь (заказать, исправить, узнать и т. д.).

Режим реального времени (Real-Time)

Обработка, которая отвечает очень быстро после получения данных, — важна в чате, распознавании речи, беспилотных автомобилях.