Słownik AI

Agent AI Agent AI to system oparty na modelu językowym, który samodzielnie realizuje cel: planuje kroki, korzysta z narzędzi (wyszukiwarka, API, kod) i pamięci oraz iteruje, aż zadanie zostanie wykonane. W odróżnieniu od czatu nie tylko odpowiada — działa.
AGI (ogólna sztuczna inteligencja) AGI (ang. Artificial General Intelligence) to hipotetyczna sztuczna inteligencja dorównująca człowiekowi w dowolnym zadaniu intelektualnym — potrafiąca uczyć się i rozumować w wielu dziedzinach, a nie tylko w jednej. Dzisiejsze AI to systemy wyspecjalizowane (wąskie), a nie AGI.
Asystent AI Asystent AI to oparte na AI narzędzie, które pomaga wykonywać zadania w języku naturalnym — pisać, streszczać, tłumaczyć, odpowiadać na pytania. Działa zwykle w jednym kroku „polecenie → wynik". Bardziej samodzielne od chatbota, prostsze niż agent AI.
Baza wektorowa Baza wektorowa to baza danych przechowująca embeddingi (wektory znaczeń) i szybko wyszukująca te najbardziej podobne do zapytania. Jest fundamentem wyszukiwania semantycznego i systemów RAG, które dają modelom dostęp do własnej wiedzy.
Benchmark (test porównawczy) Benchmark to ustandaryzowany test, którym mierzy się i porównuje możliwości modeli AI — np. w rozumowaniu, matematyce czy kodowaniu. Pomaga oceniać postęp, ale wyniki bywają mylące: model może być dobry w teście, a słabszy w Twoim realnym zadaniu.
Chain of thought (łańcuch myśli) Chain of thought (łańcuch myśli) to technika, w której prosisz model, by rozpisał rozumowanie krok po kroku, zanim poda odpowiedź. Często poprawia trafność przy zadaniach wymagających logiki, matematyki czy planowania, bo model „myśli na głos".
Chatbot Chatbot to program prowadzący rozmowę tekstową lub głosową z użytkownikiem. Współczesne chatboty oparte na modelach językowych odpowiadają swobodnie na pytania, ale — w odróżnieniu od agenta AI — zwykle nie planują i nie wykonują wieloetapowych zadań przy pomocy narzędzi.
Dane treningowe Dane treningowe to zbiór przykładów, na których model się uczy. Ich jakość, ilość i różnorodność w dużej mierze decydują o tym, co model potrafi i jakie ma ograniczenia czy uprzedzenia. Zasada „śmieci na wejściu, śmieci na wyjściu" obowiązuje też w AI.
Data odcięcia wiedzy (knowledge cutoff) Data odcięcia wiedzy to moment, do którego sięgają dane treningowe modelu językowego. O wydarzeniach późniejszych model nic nie wie, chyba że aplikacja dostarczy mu aktualnych informacji — np. przez wyszukiwanie w sieci albo Twoje dokumenty. Dostawcy podają tę datę w dokumentacji modeli.
Deep learning (głębokie uczenie) Deep learning (głębokie uczenie) to rodzaj uczenia maszynowego wykorzystujący wielowarstwowe sieci neuronowe. Dzięki wielu warstwom model uczy się coraz bardziej złożonych wzorców — to technologia stojąca za nowoczesnymi modelami językowymi i generowaniem obrazów.
Embedding (osadzenie wektorowe) Embedding to zamiana tekstu (lub obrazu) na ciąg liczb — wektor — który oddaje znaczenie tak, że podobne treści mają podobne wektory. Dzięki temu komputer może „mierzyć" podobieństwo znaczeniowe, co napędza wyszukiwanie semantyczne i RAG.
Fine-tuning (dostrajanie modelu) Fine-tuning to douczanie gotowego modelu na własnym, węższym zbiorze danych, by lepiej radził sobie z konkretnym zadaniem lub stylem. Zmienia zachowanie modelu na trwałe — w odróżnieniu od promptu (jednorazowa instrukcja) i RAG (podawanie dokumentów w locie).
Function calling (wywoływanie narzędzi) Function calling (wywoływanie funkcji) to mechanizm, dzięki któremu model może poprosić o uruchomienie konkretnego narzędzia lub funkcji — np. sprawdzenie pogody, zapytanie do bazy, wysłanie maila — i wykorzystać wynik w odpowiedzi. To podstawa działania agentów AI.
Generatywna AI (GenAI) Generatywna AI (GenAI) to sztuczna inteligencja, która tworzy nowe treści — tekst, obrazy, dźwięk, wideo czy kod — na podstawie tego, czego nauczyła się z danych. To kategoria obejmująca m.in. modele językowe i generatory obrazów.
Graf wiedzy (knowledge graph) Graf wiedzy to sposób zapisu informacji jako sieci encji (ludzi, firm, produktów, pojęć) połączonych nazwanymi relacjami. W odróżnieniu od zwykłej bazy danych przechowuje nie tylko fakty, ale i jawne powiązania między nimi — dzięki czemu można po nich przechodzić i wnioskować.
GraphRAG GraphRAG to odmiana RAG, w której zamiast płaskiego zbioru fragmentów tekstu indeksem jest graf encji i relacji między nimi. Model dostaje do kontekstu powiązany podgraf, a nie luźne akapity — dzięki czemu może odpowiedzieć na pytania, których żaden pojedynczy fragment nie zawiera.
Grounding (ugruntowanie odpowiedzi) Grounding to opieranie odpowiedzi modelu AI na konkretnych, dostarczonych mu źródłach — dokumentach, wynikach wyszukiwania, danych — zamiast na samej „pamięci” modelu. Odpowiedź ugruntowana wskazuje, z którego fragmentu pochodzi, dzięki czemu łatwiej ją sprawdzić i trudniej o halucynację.
Guardrails (zabezpieczenia) Guardrails to reguły i mechanizmy ograniczające, co model lub agent AI może zrobić i powiedzieć — np. blokowanie szkodliwych treści, zatwierdzanie ryzykownych działań przez człowieka czy limity uprawnień. Im wyższe ryzyko zastosowania, tym ważniejsze guardrails.
Halucynacje AI Halucynacja AI to sytuacja, w której model językowy podaje informację brzmiącą wiarygodnie, ale nieprawdziwą — zmyślony fakt, źródło, cytat czy liczbę. Wynika z tego, że model generuje najbardziej prawdopodobny tekst, a nie sprawdza prawdy. Dlatego ważne fakty zawsze weryfikuj u źródła.
Inferencja Inferencja to moment, w którym gotowy, wytrenowany model wykonuje zadanie — czyli generuje odpowiedź na Twoje zapytanie. To „użycie" modelu, w odróżnieniu od treningu (uczenia). Każde zapytanie to inferencja, która kosztuje moc obliczeniową.
LLM (duży model językowy) LLM (ang. Large Language Model, duży model językowy) to model sztucznej inteligencji wytrenowany na ogromnych zbiorach tekstu, który przewiduje kolejne słowa (tokeny) i dzięki temu generuje oraz rozumie język. To „silnik" stojący za czatami i agentami AI, np. modelami z rodzin GPT, Claude czy Gemini.
MCP (Model Context Protocol) MCP to otwarty standard opisujący, jak agent AI łączy się z zewnętrznymi narzędziami i danymi — pocztą, bazą, repozytorium czy firmowym API. Zamiast osobnej integracji dla każdej pary „asystent × system” piszesz jeden serwer MCP, z którego korzysta każdy klient obsługujący standard.
Model otwarty (open-source AI) Model otwarty to model AI, którego wagi (a czasem także kod i dane) są publicznie dostępne — można go pobrać, uruchomić u siebie i dostosować. Modele zamknięte działają tylko przez usługę dostawcy. Otwartość daje kontrolę i prywatność kosztem większego nakładu pracy.
Multimodalność Multimodalność to zdolność modelu AI do pracy z różnymi rodzajami danych naraz — tekstem, obrazem, dźwiękiem, a czasem wideo. Model multimodalny potrafi np. opisać zdjęcie, odczytać wykres albo odpowiedzieć na pytanie zadane głosem.
Okno kontekstowe Okno kontekstowe to maksymalna ilość tekstu (liczona w tokenach), jaką model może uwzględnić naraz — łącznie pytanie, historia rozmowy i odpowiedź. Gdy treść przekroczy okno, model „zapomina" najstarsze fragmenty. Większe okno pozwala pracować z dłuższymi dokumentami.
Parametry modelu Parametry modelu to wartości liczbowe (wagi), których model uczy się podczas treningu i które decydują o jego zachowaniu. Liczbę parametrów podaje się często w miliardach (np. „70B"). Więcej parametrów zwykle oznacza większe możliwości, ale też wyższe koszty działania — to nie jedyny wyznacznik jakości.
Prompt Prompt to polecenie lub pytanie, które wpisujesz modelowi AI, by uzyskać odpowiedź. Im jaśniej opiszesz cel, kontekst i oczekiwany format, tym lepszy wynik. Tworzenie skutecznych promptów nazywamy prompt engineeringiem.
Prompt injection Prompt injection to atak, w którym ktoś umieszcza w treści (np. na stronie, w dokumencie, mailu) ukryte polecenia, które przejmują zachowanie modelu lub agenta AI. To jedno z najważniejszych ryzyk bezpieczeństwa przy agentach czytających dane z zewnątrz.
RAG (generowanie wspomagane wyszukiwaniem) RAG (ang. Retrieval-Augmented Generation) to technika, w której model najpierw wyszukuje potrzebne dokumenty (np. w bazie firmowej), a dopiero potem generuje odpowiedź na ich podstawie. Dzięki temu odpowiada na bazie aktualnej, zweryfikowanej wiedzy i rzadziej halucynuje.
RLHF (uczenie ze wzmocnieniem na podstawie opinii ludzi) RLHF (ang. reinforcement learning from human feedback) to etap dostrajania modelu językowego, w którym ludzie porównują i oceniają jego odpowiedzi, a model uczy się preferować te lepiej ocenione. Dzięki niemu model bazowy, który tylko dokańcza tekst, staje się pomocnym asystentem wykonującym polecenia.
Serwer MCP Serwer MCP to program, który wystawia agentowi AI narzędzia, dane i gotowe polecenia zgodnie ze standardem Model Context Protocol. Może działać lokalnie jako proces na Twoim komputerze albo zdalnie jako usługa HTTP, z którą łączy się cały zespół.
Sieć neuronowa Sieć neuronowa to model obliczeniowy luźno inspirowany działaniem mózgu: składa się z połączonych „neuronów" ułożonych w warstwy, które przetwarzają dane i uczą się wzorców przez dostrajanie wag połączeń. To podstawowy budulec głębokiego uczenia.
Skill agenta (SKILL.md) Skill to folder z plikiem SKILL.md, w którym opisujesz agentowi AI gotową procedurę. Agent widzi na starcie tylko nazwę i krótki opis skilla, a pełną treść wczytuje dopiero wtedy, gdy zadanie do niego pasuje — dzięki temu można trzymać dziesiątki procedur bez zapychania okna kontekstowego.
Systemy wieloagentowe (multi-agent) System wieloagentowy to układ kilku agentów AI, które współpracują nad zadaniem — np. jeden planuje, drugi szuka informacji, trzeci sprawdza wynik. Podział ról bywa skuteczniejszy niż jeden agent robiący wszystko, ale dokłada złożoności i kosztów.
Sztuczna inteligencja (AI) Sztuczna inteligencja (AI) to dziedzina informatyki zajmująca się tworzeniem systemów, które wykonują zadania wymagające zwykle ludzkiej inteligencji — rozumienie języka, rozpoznawanie obrazów, podejmowanie decyzji. Dzisiejsza AI uczy się z danych, zamiast działać wyłącznie na sztywnych regułach.
Temperatura (parametr modelu) Temperatura to ustawienie kontrolujące losowość odpowiedzi modelu. Niska temperatura daje odpowiedzi bardziej przewidywalne i powtarzalne, wysoka — bardziej kreatywne i różnorodne, ale mniej pewne. Dobiera się ją do zadania.
Token Token to najmniejsza jednostka tekstu, jaką przetwarza model językowy — fragment słowa, całe słowo lub znak. Modele „myślą" w tokenach, a nie w literach; od liczby tokenów zależą koszt i limity (okno kontekstowe). Proporcja znaków do tokenów zależy od języka i modelu.
Transformer Transformer to architektura sieci neuronowej, na której opiera się większość nowoczesnych modeli językowych. Jej kluczowym mechanizmem jest „uwaga" (attention), pozwalająca modelowi ważyć, które fragmenty tekstu są istotne dla danego słowa. To przełom, który umożliwił dzisiejsze LLM.
Uczenie maszynowe (ML) Uczenie maszynowe (ang. machine learning, ML) to podejście do AI, w którym system uczy się wykonywać zadanie na podstawie przykładów (danych), zamiast być zaprogramowanym regułą po regule. Im więcej dobrych danych, tym lepsze wzorce model wychwytuje.