Словарь терминов AI и ML
Короткие и точные определения ключевых понятий искусственного интеллекта и машинного обучения — на русском языке.
- Искусственный интеллект (AI)
- Широкая область информатики о создании программ, которые выполняют задачи, обычно требующие человеческого интеллекта: понимание языка, распознавание образов, принятие решений.
- Машинное обучение (ML)
- Раздел искусственного интеллекта, в котором модель выводит закономерности из данных сама, а не следует заранее заданным правилам «если…то…».
- Нейронная сеть
- Модель машинного обучения из связанных «нейронов», организованных в слои. Лежит в основе глубокого обучения и современных AI-моделей.
- Глубокое обучение (Deep Learning)
- Машинное обучение на многослойных нейронных сетях. Хорошо работает с изображениями, звуком и текстом, но требует больше данных и вычислений.
- Большая языковая модель (LLM)
- Нейросеть, обученная на больших объёмах текста и предсказывающая следующий токен. На LLM построены AI-ассистенты вроде ChatGPT, Claude и Gemini.
- Токен
- Единица текста, которой оперирует языковая модель, — часть слова, слово или символ. От количества токенов зависит длина контекста и стоимость запроса.
- Галлюцинация
- Уверенно сформулированный, но фактически неверный ответ AI-модели. Поэтому ответы важно проверять по первоисточникам.
- Промпт
- Запрос к AI-модели. Хороший промпт задаёт роль, контекст, формат и примеры — это повышает стабильность результата.
- Python
- Язык программирования, ставший стандартом в машинном обучении благодаря читаемому синтаксису и зрелой экосистеме библиотек.
- scikit-learn
- Библиотека Python с базовыми алгоритмами машинного обучения: регрессия, классификация, деревья, ансамбли и метрики качества.
- Датасет
- Набор данных для обучения и проверки модели. Качество и чистота датасета часто важнее выбора алгоритма.
- Признак (feature)
- Отдельная измеримая характеристика объекта в данных, которую модель использует для предсказания (например, площадь квартиры при прогнозе цены).
- Обучение с учителем
- Тип задачи, где данные размечены и модель учится предсказывать известный ответ: регрессию (число) или классификацию (категорию).
- Переобучение (overfitting)
- Ситуация, когда модель «запомнила» обучающие данные и плохо работает на новых. Борются валидацией, упрощением модели и большим объёмом данных.
- Метрика качества
- Числовая оценка работы модели — accuracy, precision, recall, F1, MAE/MSE. В ML качество измеряют метриками, а не «на глаз».
- AI-агент
- Программа на основе AI, которая выполняет многошаговые задачи: получает цель, использует инструменты и API, ведёт контекст и проверяет результат.
- Вайбкодинг (vibe coding)
- Подход к разработке, где человек выступает тех-лидом и направляет AI-ассистента, который пишет основную часть кода. Ускоряет выпуск прототипов и внутренних инструментов.
- MCP (Model Context Protocol)
- Открытый протокол, который подключает AI-ассистентов к внешним инструментам и источникам данных (например, к Slack, GitHub или базе данных).