LLM (Large Language Model)
Zaawansowany model AI trenowany na ogromnych zbiorach tekstów. Rozumie i generuje język naturalny. Przykłady: GPT-5, Gemini 3, Claude Opus 4.8.
Kategoria: Modele
Zbiór definicji pojęć ze świata sztucznej inteligencji, opisanych po polsku i pod kątem zastosowań biznesowych. Każde hasło zawiera zwięzłą definicję, praktyczny przykład i odesłania do pojęć powiązanych.
Słownik jest częścią planu Free — dostęp nie wymaga subskrypcji.
Zaawansowany model AI trenowany na ogromnych zbiorach tekstów. Rozumie i generuje język naturalny. Przykłady: GPT-5, Gemini 3, Claude Opus 4.8.
Kategoria: Modele
GPT to podstawowy „silnik” AI — struktura matematyczna. ChatGPT to gotowy produkt z interfejsem czatu, systemem filtrów i zapamiętywaniem kontekstu, napędzany przez GPT.
Kategoria: Modele
Podstawowa jednostka przetwarzania LLM — ok. 4 znaki w języku angielskim. Koszt korzystania z modeli API oparty jest na liczbie tokenów wejściowych i wyjściowych.
Kategoria: Modele
Maksymalna ilość tokenów przetwarzanych w jednym zapytaniu. Gemini 3 Pro ma 1M tokenów — pozwala analizować całe książki lub bazy kodów w jednym prompcie.
Kategoria: Modele
Model rozumiejący wiele typów danych jednocześnie: tekst, obraz, dźwięk i wideo. GPT-4o, Gemini 3, Claude Sonnet 4.6 to modele multimodalne.
Kategoria: Modele
Architektura modelu gdzie aktywuje się tylko część „ekspertów” dla każdego tokenu. Pozwala budować ogromne modele (Llama 4, Mixtral) przy niskich kosztach inferencji.
Kategoria: Modele
Technika łącząca LLM z zewnętrzną bazą wiedzy. Model wyszukuje dokumenty firmowe, a dopiero potem generuje odpowiedź na ich podstawie — minimalizuje halucynacje.
Kategoria: Techniki
Douczanie gotowego modelu na specjalistycznych danych firmy. Model uczy się specyficznego żargonu, stylu lub procedur. Wymaga własnych danych i zasobów obliczeniowych.
Kategoria: Techniki
Umiejętność projektowania zapytań do modeli AI w celu uzyskania precyzyjnych odpowiedzi biznesowych. Obejmuje techniki few-shot, chain-of-thought i role-playing.
Kategoria: Techniki
Zdolność modelu do wykonania zadania bez podania przykładów w prompcie. Model opiera się wyłącznie na wiedzy z treningu bazowego.
Kategoria: Techniki
Technika podania kilku przykładów poprawnie wykonanego zadania w prompcie, by nakierować model na oczekiwany format lub sposób myślenia.
Kategoria: Techniki
Reprezentacja tekstu jako wektora liczb. Umożliwia wyszukiwanie semantyczne (po znaczeniu, nie słowach kluczowych). Podstawa systemów RAG.
Kategoria: Techniki
Zakotwiczenie odpowiedzi modelu w aktualnych, weryfikowalnych źródłach. Przeciwdziała halucynacjom i przestarzałej wiedzy z danych treningowych.
Kategoria: Techniki
Specjalna baza danych przechowująca embeddingi. Kluczowy komponent systemów RAG. Popularne: Pinecone, Weaviate, Qdrant, pgvector.
Kategoria: Infrastruktura
Praktyki i narzędzia do zarządzania cyklem życia modeli ML w produkcji: trenowanie, wdrażanie, monitorowanie i aktualizacja modeli. Odpowiednik DevOps dla AI.
Kategoria: Infrastruktura
Operacjonalizacja dużych modeli językowych w środowiskach produkcyjnych. Obejmuje prompt management, ocenę jakości, zarządzanie kosztami i monitoring.
Kategoria: Infrastruktura
System AI planujący działania, podejmujący decyzje i korzystający z zewnętrznych narzędzi (API, baz danych, przeglądarek), by autonomicznie zrealizować zlecony cel.
Kategoria: Agenci
Architektura wielu wyspecjalizowanych agentów AI współpracujących i delegujących zadania. Umożliwia realizację złożonych procesów niewykonalnych dla jednego modelu.
Kategoria: Agenci
Automatyzacja powtarzalnych, regułowych czynności biurowych bez AI — bot naśladuje kliknięcia i wprowadzanie danych. Przykłady: UiPath, Automation Anywhere.
Kategoria: Agenci
Rozpoznawanie tekstu z obrazów, skanów i PDF-ów. Podstawa IDP (Intelligent Document Processing) — przetwarza faktury, umowy i formularze papierowe.
Kategoria: Agenci
Zjawisko generowania przez model pewnych, ale fałszywych informacji. Kluczowe ryzyko biznesowe — przeciwdziała RAG, grounding i weryfikacja ludzka.
Kategoria: Bezpieczeństwo
Systematyczne odchylenie w odpowiedziach wynikające z danych treningowych. Prowadzi do dyskryminacji lub niesprawiedliwych decyzji. Kluczowe ryzyko etyczne i prawne.
Kategoria: Bezpieczeństwo
Wyjaśnialna AI — techniki pozwalające zrozumieć, dlaczego model podjął daną decyzję. Wymóg regulacyjny w sektorach: finanse, healthcare, HR (EU AI Act).
Kategoria: Bezpieczeństwo
Atak bezpieczeństwa polegający na wstrzyknięciu złośliwych instrukcji do promptu. #1 zagrożenie z listy OWASP Top 10 for LLM Applications.
Kategoria: Bezpieczeństwo
Framework decyzyjny: Kup gotowe rozwiązanie (szybko, tanio), Dotrenuj istniejący model (własne dane, wyspecjalizowanie), Zbuduj od zera (maksymalna kontrola, duży koszt).
Kategoria: Biznes
Mały, szybki prototyp AI na jednym procesie testowany z grupą AI Champions. Mierzy ROI zanim zainwestuje się miliony w pełne wdrożenie.
Kategoria: Biznes
Ocena, czy dane firmy są wystarczające do wdrożenia AI: zdygitalizowane, ustrukturyzowane, kompletne, bez siosów. Warunek niezbędny przed każdym projektem AI.
Kategoria: Biznes
Pracownik-ambasador AI w organizacji — innowator testujący narzędzia jako pierwszy, szkolący kolegów i napędzający adopcję. Kluczowy aktor każdej transformacji AI.
Kategoria: Biznes
Pierwsza kompleksowa regulacja AI w UE. Klasyfikuje systemy AI według poziomu ryzyka. Obowiązki przejrzystości od 2 sierpnia 2026; systemy wysokiego ryzyka — 2 grudnia 2027 (Zał. III) i 2 sierpnia 2028 (Zał. I), po zmianie rozporządzeniem (UE) 2026/1744. Kary do 35M EUR lub 7% globalnych przychodów.
Kategoria: Biznes
Zaktualizowano: 14.08.2026.