Статья простым языком объясняет 20 основных терминов искусственного интеллекта: от модели и токенов до дообучения и RAG. Поможет ориентироваться в диалогах с подрядчиками, понимать новости и не путать понятия в команде.
Искусственный интеллект развивается стремительно, и словарь вокруг него пополняется быстрее, чем удается осваивать новые понятия. В разговорах коллег и подрядчиков звучат слова «модель», «контекст», «токены», «дообучение», но за ними часто скрываются разные смыслы. Эта статья служит переводчиком с технического жаргона на понятный человеческий язык, структурируя знания по уровням: от математической модели до бизнес-системы.
Фундаментальную тройку составляют алгоритм, нейросеть и модель. Алгоритм — это общий рецепт действий, нейросеть — класс алгоритмов, обучающихся на данных и хранящих знания в виде весов, а модель — конкретный обученный экземпляр, готовый к работе. Большая языковая модель (LLM) не «ищет истину», а предсказывает наиболее вероятное продолжение текста, поэтому может уверенно ошибаться (галлюцинировать), не обладая сознанием.
Ключевую роль играют токены — минимальные единицы текста (части слов, знаки), которыми оперирует модель. Окно контекста ограничивает объем информации, который модель «видит» одновременно: всё лишнее отбрасывается или сжимается. Параметр «температуры» (случайности) управляет креативностью ответов: низкие значения дают стабильность, высокие — разнообразие и риск ошибок. Для рабочих задач почти всегда предпочтительна детерминированность.
Обучение модели с нуля требует колоссальных ресурсов, поэтому на практике используют дообучение (fine-tuning) — адаптацию под специфические задачи на узком датасете. Однако чаще и дешевле работает RAG (Retrieval-Augmented Generation): подключение внешней базы знаний к контексту запроса без изменения весов модели. Понимание этих механизмов позволяет ставить правильные технические задачи, оценивать затраты и выбирать оптимальные решения для бизнеса.
