Велики број појмова из вештачке интелигенције је тешко, или чак и немогуће прецизно и концизно дефинисати. Два најважнија разлога су тај што је појам интелигенције изузетно комплексан и измиче сваком покушају дефинисања, као и тај што су чак и делови онога што чини интелигенцију – расуђивање, мишљење, учење, способност адаптације, способност генерализације, способност апстракције и још много тога – сами по себи јако сложени.

Стога овај појмовник не треба схватити као скуп дефиниција, већ пре као један могући скуп описа тренутно највактуелнијих појмова везаних за област вештачке интелигенције. Ни око тих описа не постоји потпуни консензус у истраживачкој заједници. Зато је за сваки појам наведен у овом појмовнику дат је и извор који га описује.

Појмовник представља и својеврсни компромис између жеље да представи само тренутно најактуелније појмове из вештачке интелигенције и да пружи краћи, али темељнији увид у фундаменталне појмове у тој области.

A

Агент (Интелигентни агент) – Ентитет који опажа своје окружење, предузима акције аутономно како би остварио циљеве и може да побољша своје перформансе кроз Mашинско учење или стицањем знања. Водећи уџбеници из области вештачке интелигенције дефинишу вештачку интелигенцију као „проучавање и дизајн интелигентних агената“, наглашавајући да је понашање усмерено ка циљу централно за интелигенцију. Специјализовани подскуп интелигентних агената, агентска вештачка интелигенција (позната и као AI агент или једноставно агент), проширује овај концепт проактивним тежњама ка циљевима, доношењем одлука и предузимањем акција током дужих временских периода, чиме се демонстрира нов облик дигиталне агенције. (извор)

Аутономна возила – Возила која могу да функционишу без људске интервенције, попут аутомобила и камиона без возача. (извор)

В

Велики језички модел – Тип Фундаменталног модела који се тренира на огромним количинама текста како би обављао задатке Обраде природног језика. Током фазе тренирања, велики језички модели уче параметре на основу скупова података за тренирање и величине модела. Велики језички модели затим користе те параметре за креирање новог садржаја. Иако не постоји универзално прихваћен став о томе колико велики треба да буду скупови података за тренирање, највећи велики језички модели тренирани су на милијардама или чак трилионима речи и текстова. На пример, велики језички модел који стоји иза ChatGPT 3.5 (јавно објављен у новембру 2022.) трениран је користећи 300 милијарди речи добијених из текста са интернета. Видети такође и појмове Обрада природног језика и Фундаментални модел. (извор)

Вештачка интелигенција – Aлгоритми и системи који могу да реплицирају, подрже или надмаше људске перцептивне, језичке и процесе резоновања; да уче, доносе закључке и праве предвиђања на основу великих или малих количина података; да реплицирају или побољшају људску перцепцију; да подрже људе у дијагнози, планирању, распоређивању, алокацији ресурса и доношењу одлука; и да физички и интелектуално сарађују са људима и другим системима вештачке интелигенције. (извор)

Г

Генерална (Општа) вештачка интелигенција – Понекад позната и као општа вештачка интелигенција, јака вештачка интелигенција или широка вештачка интелигенција, ово се често односи на теоријски облик вештачке интелигенције који може да достигне људски или виши ниво перформанси у већини когнитивних задатака. Видети такође и појам Супер-интелигенција. (извор)

Генеративна вештачка интелигенција – Скуп напредних модела и технолошких приступа који омогућавају креирање садржаја укључујући текст, компјутерске програме, синтетичке податке, звучне записе, слике и видео снимке. Анализом и разазнавањем патерна унутар обимних скупова података за обуку, генеративна вештачка интелигенција може аутономно да конструише материјал који има карактеристике упоредиве са улазним подацима коришћеним приликом Тренирања модела. Ова способност произилази из разумевања патерна у подацима од стране вештачке интелигенције и њене способности да реплицира или иновира на основу тих патерна. (извор)

М

Машинско учење – Област вештачке интелигенције која укључује употребу алгоритама и статистичких модела како би се омогућило машинама/рачунарима да уче из искуства или података, тј. да ефикасно обављају одређени задатак без коришћења експлицитних упутстава, ослањајући се уместо тога на патерне и закључивање. (извор 1, извор 2)

Н

Надгледано учење – Начин тренирања система Машинског учења за специфичну примену. У фази тренирања, систему машинског учења се достављају обележени подаци. Систем се тренира на основу улазних података, а резултујући модел се затим тестира како би се проверило да ли може исправно да примени ознаке на нове, необележене податке (на пример, да ли може исправно да означи необележене слике мачака и паса у складу с тим). Овај тип учења је користан када је јасно шта се тражи, као што је препознавање нежељене поште (спама). Видети такође и појмове Ненадгледано учење, Учење са подстицајем (награђивањем) и Тренирање модела. (извор)

Ненадгледано учење – Начин тренирања система машинског учења за специфичну примену. Систем машинског учења се напаја великим количинама неозначених података, у којима самостално почиње да препознаје обрасце. Овај тип учења је користан када није јасно који се обрасци крију у подацима, као што је у препорукама за корпу за онлајн куповину („купци који су купили овај производ купили су и следеће производе“). Види такође Надгледано учење, Учење са награђивањем и Тренирање модела. (извор)

Неуронска мрежа – Неуронска мрежа, моделирана по угледу на људски мозак, представља математички систем и систем Машинског учења који активно учи разне вештине идентификовањем и анализом статистичких патерна у подацима. Овај систем садржи више слојева вештачких неурона, који су рачунарски модели инспирисани неуронима у нашем мозгу. Ови вештачки неурони обрађују информације и преносе сигнале другим повезаним неуронима. Док први слој обрађује улазне податке, завршни слој испоручује резултате. Занимљиво је да чак и стручњаци који пажљиво дизајнирају ове неуронске мреже често остају збуњени сложеним процесима који се одвијају између слојева. (извор)

О

Обрада природног језика (ОПЈ) – Подскуп вештачке интелигенције и рачунарске лингвистике који се фокусира на омогућавање машинама да разумеју, интерпретирају и генеришу људски језик тако да га људи разумеју. Алгоритми ОПЈ траже лингвистичке петерне у начину на који су реченице и пасуси конструисани и како речи, контекст и структура заједно стварају значење. Примене укључују претвараче говора у текст, онлајн алате који сумирају текст, четботове, препознавање говора и превођење из једног у други природни језик. Видети још и Велики језички модел. (извор 1, извор 2)

Р

Роботика – Подобласт вештачке интелигенције и инжењерства која обухвата осмишљавање, пројектовање, производњу и рад робота – машина које су способне да аутоматски извршавају низ радњи и крећу се у физичком свету. Савремени роботи се базирају на алгоритмима који обично, мада не увек, имплементирају неки облик вештачке интелигенције. Неке од примена укључују индустријске роботе који се користе у производњи, медицинске роботе за извођење хируршких захвата и дронове са самосталном навигацијом. Циљ области роботике је креирање интелигентних машина које могу да помогну људима на различите начине. (извор 1, извор 2)

С

Скуп података за тренирање модела – Скуп података који се користи за тренирање AI система. Такви скупови података могу бити обележени (на пример, слике мачака и паса обележене као ‘мачка’ или ‘пас’) или необележени. Видети такође и појам Тренирање модела. (извор)

Суперинтелигенција – Теоријски облик вештачке интелигенције која има интелигенцију већу од људске и надмашује њихове когнитивне способности у већини домена. Види такође и појам Генерална (Општа) вештачка интелигенција. (извор)

Т

Тренирање модела (Обучавање модела) – Процес у којем се систем Машинског учења снабдева одабраним и квалитетним скуповима података како би се побољшала тачност његовог излаза. Овај процес може бити дуготрајан, у зависности од сложености модела, квалитета скупова података за тренирање и количине података за тренирање. (извор)

У

Учење са подстицајем (награђивањем) – Начин тренирања система Машинског учења за одређену примену. Систем се тренира тако што се награђује за праћење одређених ‘исправних’ стратегија, а кажњава ако прати ‘погрешне’ стратегије. Након завршетка задатка, систем добија повратну информацију, коју понекад могу да дају људи (познато као ‘учење са подстицајем уз помоћ повратних информација од људи’). У повратним информацијама, позитивне вредности се додељују ‘исправним’ стратегијама како би се систем подстакао да их користи, а негативне вредности се додељују ‘погрешним’ стратегијама како би се обесхрабрило њихово коришћење, при чему класификација ‘исправних’ и ‘погрешних’ зависи од унапред утврђеног исхода. Овај тип учења је користан за подешавање модела да прати одређена ‘исправна’ понашања, као што је фино подешавање четбота да даје излаз у жељеном стилу, тону или формату језика. Видети такође и појмове Надгледано учење и Ненадгледано учење. (извор)

Ф

Фундаментални модел (Основни модел) – Модел Машинског учења трениран на огромној количини података тако да се лако може прилагодити широком спектру општих задатака, укључујући и способност генерисања излаза (видети такође и појмове Генеративна вештачка интелигенција и Велики језички модел). (извор)