Słownik AI

Adapter oddziela część zmian treningowych od wag modelu bazowego. Można przechowywać różne adaptacje bez kopiowania całego modelu dla każdej z nich. LoRA jest jedną z metod takiego dostrajania.

Przykład: osobne adaptacje do klasyfikacji i określonego stylu odpowiedzi. Trzeba sprawdzić zgodność z architekturą oraz wersją modelu bazowego.

Agent AI to system, który wokół modelu językowego dokłada pętlę działania: sam rozbija cel na kroki, wybiera narzędzia, wykonuje je i ocenia wynik, aż zadanie zostanie zrobione. Zamiast pojedynczej odpowiedzi dostajesz ciąg akcji prowadzących do celu.

Jak to działa: model dostaje opis dostępnych narzędzi (function calling), a następnie w kolejnych turach decyduje, które wywołać i z jakimi danymi.

Przykład: agent, który samodzielnie przeszukuje internet, zbiera dane i zapisuje gotowy raport do pliku.

AGI opisuje system zdolny do szerokiego zakresu zadań intelektualnych, a nie jednej wąskiej specjalizacji. Nie istnieje jedna powszechnie uzgodniona definicja ani pojedynczy test, który rozstrzygałby osiągnięcie AGI.

W dyskusji warto sprawdzić, czy autor ma na myśli wyniki benchmarków, zdolność samodzielnej pracy, uczenie nowych zadań czy ekonomiczną użyteczność. Te kryteria nie są równoważne. Deklaracja o AGI wymaga wyjaśnienia przyjętej definicji i dowodów.

Sztuczna inteligencja to szeroka dziedzina informatyki, w której komputery wykonują czynności zwykle wymagające ludzkiego myślenia: rozpoznają mowę, tłumaczą języki, prowadzą rozmowę czy tworzą obrazy. Dzisiejsze systemy AI opierają się głównie na uczeniu maszynowym, czyli uczą się na danych zamiast działać według sztywno zapisanych reguł.

Jak to działa: model analizuje ogromne zbiory przykładów i wychwytuje w nich wzorce, które potem stosuje do nowych sytuacji.

Przykład: asystent, który po polsku streszcza długi dokument albo generuje grafikę z krótkiego opisu, to praktyczne zastosowanie AI.

Alignment (dostrojenie do wartości) to obszar badań i praktyk mających sprawić, by model robił to, czego naprawdę chcemy, a nie tylko dosłownie realizował polecenie w szkodliwy sposób. Obejmuje bezpieczeństwo, uczciwość i przewidywalność zachowań.

Narzędzia: m.in. RLHF, guardrails i staranne testowanie modelu przed wdrożeniem.

API (interfejs programistyczny) to zestaw reguł, dzięki którym jeden program może korzystać z drugiego. W kontekście AI to kanał, przez który Twoja aplikacja wysyła prompt do modelu i odbiera odpowiedź, bez potrzeby utrzymywania własnego modelu na swoim sprzęcie.

Jak to działa: wysyłasz zapytanie z tekstem i parametrami (np. temperaturą), a usługa odsyła wygenerowaną treść, zwykle rozliczaną za liczbę tokenów.

Przykład: aplikacja mobilna, która przez API prosi model o podsumowanie artykułu.

Zamiast zachować tylko jeden następny token, algorytm utrzymuje ograniczoną liczbę najlepiej ocenionych ścieżek. Wybór zależy od prawdopodobieństw modelu i ustawień generowania. Więcej ścieżek zwiększa koszt obliczeń.

Przykład: w zadaniu tłumaczenia można porównać kilka rozwijanych wersji zdania. Najwyżej oceniona sekwencja nie musi być najbardziej prawdziwa ani najlepiej dopasowana do intencji odbiorcy.

Benchmark to ustandaryzowany zestaw zadań z ustaloną punktacją, który pozwala porównywać różne modele na tych samych warunkach. Dzięki temu można w miarę obiektywnie ocenić, który model lepiej radzi sobie np. z zadaniami matematycznymi, programistycznymi czy pytaniami z wiedzy ogólnej.

Wyniki benchmarków trzeba czytać ostrożnie: model bywa nieświadomie trenowany na danych podobnych do testu, co zawyża rezultat. Dlatego równie ważne jest praktyczne działanie na realnych zadaniach.

Bias to skłonność modelu do faworyzowania pewnych odpowiedzi lub grup, wynikająca z nierównowag i uprzedzeń obecnych w danych, na których się uczył. Może prowadzić do niesprawiedliwych lub krzywdzących wyników.

Jak ograniczać: staranny dobór danych, testy na różnych grupach i mechanizmy kontroli odpowiedzi. Całkowite usunięcie stronniczości jest trudne.

Chain-of-thought (łańcuch myśli) to sposób proszenia modelu, aby przed podaniem wyniku rozpisał kolejne kroki rozumowania. Rozłożenie problemu na etapy wyraźnie poprawia trafność w zadaniach logicznych, matematycznych i wieloetapowych.

Jak to działa: w prompcie prosisz o rozwiązanie krok po kroku albo model sam generuje pośrednie kroki, zanim sformułuje odpowiedź końcową.

Przykład: przy zadaniu tekstowym z matematyki model najpierw wypisuje działania, a dopiero na końcu podaje wynik.

Chatbot to program symulujący rozmowę z użytkownikiem. Dawniej opierały się na sztywnych regułach i słowach kluczowych; dzisiejsze chatboty korzystają z dużych modeli językowych, dzięki czemu rozumieją swobodne pytania i odpowiadają płynnym językiem.

Przykład: asystent na stronie sklepu, który odpowiada na pytania o dostawę, albo ChatGPT jako uniwersalny rozmówca do pisania i analiz.

Podział powinien zachowywać sens: nagłówki, akapity, tabele i ich opisy. Za małe fragmenty tracą kontekst, za duże mogą zawierać dużo nieistotnego tekstu. Dobór wielkości warto ocenić na pytaniach z własnej domeny.

Przykład: warunki reklamacji powinny zachować nagłówek i wyjątki, nie tylko jedno zdanie. Fragment można uzupełnić krótką informacją o jego miejscu w dokumencie.

Context caching to mechanizm, w którym raz przeliczony fragment promptu (np. długa instrukcja lub dokument) jest zapamiętywany, aby przy kolejnych zapytaniach nie liczyć go od nowa. Obniża to koszt i latencję powtarzalnych rozmów.

Przykład: asystent z obszernym system promptem może buforować jego przetworzoną wersję między zapytaniami.

Obejmuje instrukcje, historię rozmowy, wyniki narzędzi i dokumenty. Celem jest udostępnienie informacji potrzebnych w danym kroku przy ograniczonym oknie kontekstu. Samo dołączenie większej liczby plików może utrudniać wybór istotnych danych.

Przykład: agent najpierw szuka właściwego dokumentu, potem pobiera jego fragment. Trzeba kontrolować aktualność materiałów i to, co zostało pominięte przy skracaniu historii.

Dataset to uporządkowany zbiór danych - tekstów, obrazów, nagrań - wykorzystywany do trenowania lub oceny modelu. Obowiązuje zasada „śmieci na wejściu, śmieci na wyjściu": błędne lub stronnicze dane psują model.

Dobra praktyka: dane dzieli się na część treningową, walidacyjną i testową, by uczciwie ocenić skuteczność modelu.

Deepfake to zmanipulowane lub w całości wygenerowane nagranie, na którym ktoś rzekomo mówi lub robi coś, czego nigdy nie zrobił. Technika opiera się na modelach uczących się twarzy i głosu na podstawie próbek, a następnie odtwarzających je w nowym kontekście.

Dlaczego to ważne: deepfake bywa narzędziem dezinformacji i oszustw (np. podszywanie się pod głos szefa). Warto weryfikować źródło i szukać niespójności w oświetleniu czy mimice.

Modele dyfuzyjne generują obraz, zaczynając od czystego szumu i stopniowo go „odszumiając" w kierunku spójnej sceny opisanej promptem. W treningu model uczy się odwracać proces dodawania szumu do prawdziwych obrazów.

Jak to działa: w kilkunastu lub kilkudziesięciu krokach model coraz dokładniej odgaduje, jak powinien wyglądać obraz, aż powstaje finalna grafika.

Przykład: wpisujesz opis sceny, a Stable Diffusion czy Midjourney zwraca gotowy obraz.

Distylacja (knowledge distillation) to technika, w której duży, mocny model (nauczyciel) uczy mniejszy model (ucznia) naśladować swoje odpowiedzi. Efektem jest lżejszy model, tańszy i szybszy w działaniu, przy zachowaniu sporej części jakości oryginału.

Zastosowanie: wersje modeli na telefony i tanie wdrożenia często powstają właśnie przez distylację.

Embedding to reprezentacja tekstu (albo obrazu) w postaci wektora liczb, w którym bliskie znaczeniowo pojęcia mają bliskie wartości. Dzięki temu komputer może mierzyć podobieństwo treści, nawet gdy użyto innych słów.

Jak to działa: model przelicza fragment tekstu na kilkaset lub kilka tysięcy liczb; porównując wektory, system znajduje najbardziej pasujące fragmenty.

Przykład: wyszukiwarka semantyczna, która na pytanie „jak obniżyć rachunki za prąd" znajdzie akapit o oszczędzaniu energii, choć nie ma w nim tych samych słów.

Few-shot to technika, w której w samym prompcie umieszczasz kilka wzorcowych par pytanie-odpowiedź, zanim zadasz właściwe pytanie. Model wychwytuje z nich pożądany format i styl, bez potrzeby doszkalania.

Przykład: pokazujesz dwa przykłady, jak zamienić recenzję na ocenę „pozytywna/negatywna", a model stosuje ten sam schemat do kolejnych recenzji.

Fine-tuning (dostrajanie) to dalszy trening już wytrenowanego modelu na węższym, specjalistycznym zbiorze danych. Model zachowuje ogólną wiedzę, ale lepiej dopasowuje się do konkretnego stylu, dziedziny lub formatu odpowiedzi.

Kiedy stosować: gdy sam prompt nie wystarcza, a masz sporo przykładów pokazujących pożądane zachowanie. Dla wielu zastosowań tańszą alternatywą jest RAG lub dobry prompt.

Function calling pozwala modelowi nie tylko pisać tekst, ale też zdecydować, że trzeba użyć konkretnego narzędzia, i zwrócić uporządkowane dane wejściowe do jego uruchomienia. Program wykonuje funkcję i oddaje wynik z powrotem modelowi.

Jak to działa: podajesz modelowi opis dostępnych funkcji; model odpowiada strukturą (np. nazwa funkcji i argumenty), którą Twój kod może bezpiecznie wykonać.

Przykład: na pytanie o pogodę model wywołuje funkcję sprawdzającą prognozę zamiast zgadywać.

Generatywna AI to modele, których zadaniem jest wytwarzanie nowych treści na podstawie wzorców wyuczonych z danych. W odróżnieniu od klasyfikacji, która tylko przypisuje etykiety, generacja produkuje oryginalny tekst, obraz, dźwięk czy wideo.

Przykład: napisanie wiersza, wygenerowanie ilustracji z opisu albo skomponowanie melodii to typowe zadania generatywne.

GGUF jest często spotykany przy lokalnym uruchamianiu modeli. W jednym pliku mogą znajdować się tensory oraz informacje potrzebne do ich interpretacji. Format obsługuje różne reprezentacje wag, w tym warianty skwantyzowane.

Przykład: dwa pliki tego samego modelu mają różne rozmiary, bo używają innej kwantyzacji. Samo rozszerzenie GGUF nie mówi, ile pamięci potrzeba ani czy dany program obsługuje architekturę.

GPU (procesory graficzne) i TPU (układy Google do AI) to sprzęt zoptymalizowany pod masowe równoległe obliczenia, których wymaga trening i uruchamianie sieci neuronowych. Dzięki nim modele liczą się znacznie szybciej niż na zwykłym procesorze (CPU).

Dlaczego ważne: dostępność i koszt GPU to dziś jeden z głównych czynników ograniczających rozwój i wdrażanie AI.

Guardrails (bariery ochronne) to zestaw reguł i filtrów pilnujących, by model nie generował treści szkodliwych, niezgodnych z prawem czy niebezpiecznych. Mogą działać na wejściu (blokada złych zapytań) i na wyjściu (kontrola odpowiedzi).

Po co: chronią użytkowników i firmę wdrażającą model przed nadużyciami, choć bywają celem prób obejścia (jailbreak, prompt injection).

Halucynacja to odpowiedź, która brzmi wiarygodnie, ale jest nieprawdziwa: model wymyśla fakt, cytat, przypis czy nazwisko. Bierze się to stąd, że model przewiduje prawdopodobny ciąg słów, a nie sprawdza prawdę w bazie danych.

Jak ograniczać: proś o źródła, korzystaj z RAG (podpięcia do wiarygodnej bazy) i zawsze weryfikuj liczby, daty oraz cytaty przed publikacją.

Inference (wnioskowanie) to faza używania gotowego modelu: podajesz prompt, a model liczy odpowiedź. To odróżnia się od treningu, czyli kosztownego procesu uczenia modelu na danych, który dzieje się wcześniej i tylko raz.

Dlaczego to ważne: koszt i szybkość inference decydują o cenie usługi i o latencji, którą odczuwa użytkownik.

Jailbreak to celowe manipulowanie promptem tak, by skłonić model do złamania własnych zasad, np. przez wcielenie go w rolę bez ograniczeń albo ukrycie prośby w niewinnym scenariuszu. To jeden z głównych problemów bezpieczeństwa modeli.

Różnica: jailbreak celuje w same reguły modelu, a prompt injection podszywa cudze instrukcje pod dane, które model przetwarza.

Karta modelu pomaga sprawdzić sposób treningu, dane, wyniki oceny, licencję i zalecane zastosowania. Zakres informacji zależy od autora karty. Warto szukać opisu warunków testu, a nie tylko pojedynczego wyniku.

Przykład: przed wdrożeniem sprawdzasz, czy testowano język polski i czy licencja dopuszcza planowane użycie. Brak informacji w karcie nie oznacza braku ryzyka.

Podczas generowania kolejnych tokenów model może ponownie użyć zapisanych kluczy i wartości zamiast liczyć je od początku. Przyspiesza to generowanie, ale zajmuje dodatkową pamięć. Długi kontekst może więc zwiększyć wymagania sprzętowe nawet przy niezmienionym rozmiarze wag.

Przykład: model mieści się na karcie, lecz bardzo długa rozmowa powoduje brak pamięci. Przeniesienie cache do RAM może pomóc kosztem szybkości.

Kwantyzacja to zapisanie wag modelu z mniejszą precyzją (np. 8 lub 4 bity zamiast 16), dzięki czemu model zajmuje mniej pamięci i szybciej liczy. Umożliwia to uruchamianie dużych modeli na słabszym sprzęcie, w tym lokalnie.

Kompromis: zbyt agresywna kwantyzacja może nieznacznie obniżyć jakość odpowiedzi, dlatego dobiera się ją do zastosowania.

Latencja to opóźnienie: ile trzeba czekać, zanim model zacznie i skończy odpowiadać. Zależy od wielkości modelu, długości odpowiedzi, obciążenia serwera i odległości sieciowej.

Dlaczego ważna: w aplikacjach na żywo (czat, głos) niska latencja decyduje o komforcie; często poprawia się ją strumieniowaniem odpowiedzi token po tokenie.

LLM (large language model) to sieć neuronowa wytrenowana na gigantycznych zbiorach tekstu, która nauczyła się przewidywać kolejne słowa. Dzięki temu potrafi pisać, tłumaczyć, streszczać, programować i prowadzić rozmowę.

Jak to działa: model zamienia tekst na tokeny i na podstawie kontekstu przewiduje najbardziej prawdopodobny następny token, powtarzając to aż do pełnej odpowiedzi.

Przykład: ChatGPT, Claude i Gemini to interfejsy do dużych modeli językowych.

Zamiast aktualizować wszystkie wagi, trening LoRA uczy mniejszy zestaw parametrów opisujących zmianę. Pozwala ograniczyć koszt przechowywania i trenowania adaptacji. Adapter pozostaje związany z modelem bazowym, dla którego został przygotowany.

Przykład: dostrojenie sposobu odpowiadania do określonego formatu. Mały plik adaptera nie jest samodzielnym pełnym modelem i nie gwarantuje poprawności faktów.

Uczenie maszynowe to poddziedzina AI, w której zamiast pisać sztywne reguły, pokazuje się programowi wiele przykładów, a on sam wyłania z nich wzorce. Im lepsze i liczniejsze dane, tym trafniejsze przewidywania.

Przykład: filtr antyspamowy uczy się na tysiącach oznaczonych maili, co jest spamem, i stosuje tę wiedzę do nowych wiadomości.

Aplikacja może przez MCP odczytać udostępniony dokument lub wywołać narzędzie serwera. Wspólny protokół ułatwia integrację, ale nie oznacza, że model ma automatycznie dostęp do wszystkich danych. Zakres zależy od podłączonych serwerów, autoryzacji i uprawnień.

Przykład: asystent pobiera wskazane zgłoszenie z systemu pracy. Przed operacją zapisu warto sprawdzić, jakie czynności udostępnia serwer i kto może je zatwierdzać.

Model bazowy (foundation model) to model wstępnie wytrenowany na ogromnych, ogólnych danych, który następnie służy jako fundament pod konkretne zastosowania - przez prompt, RAG albo fine-tuning. Zamiast trenować od zera, buduje się na nim wyspecjalizowane rozwiązania.

Przykład: jeden model bazowy może zasilać czat, wyszukiwarkę firmową i asystenta kodu.

Model otwarty to taki, którego wagi (nauczone parametry) są udostępnione publicznie, dzięki czemu można go pobrać, uruchomić na własnym sprzęcie, dostroić i wdrożyć bez zależności od jednego dostawcy. Przeciwieństwem są modele zamknięte, dostępne tylko przez API.

Zalety: prywatność danych, kontrola i brak opłat za każde zapytanie. Koszt: potrzeba własnego sprzętu i wiedzy do utrzymania.

MoE (mixture of experts) to budowa modelu z wielu wyspecjalizowanych podsieci („ekspertów"), z których dla danego tokenu uruchamia się tylko kilka. Dzięki temu model może mieć bardzo dużo parametrów, a mimo to liczyć odpowiedź stosunkowo tanio.

Jak to działa: mechanizm bramkujący decyduje, którzy eksperci obsłużą dany fragment, więc aktywna jest tylko część całej sieci.

Model multimodalny rozumie i łączy różne typy danych w jednym miejscu: potrafi np. obejrzeć zdjęcie i opisać je słowami albo posłuchać nagrania i je streścić. To krok bliżej sposobu, w jaki człowiek odbiera świat wieloma zmysłami.

Przykład: wgrywasz zdjęcie tablicy z notatkami, a model przepisuje i porządkuje treść, odpowiadając na pytania o nią.

NLP (natural language processing) to dział AI zajmujący się rozumieniem i generowaniem języka ludzkiego: tłumaczeniem, analizą wydźwięku, wyszukiwaniem informacji czy rozpoznawaniem intencji. Duże modele językowe to dziś najpotężniejsze narzędzie NLP.

Przykład: automatyczne wykrycie, że opinia klienta jest negatywna, i skierowanie jej do obsługi.

Okno kontekstu to maksymalna ilość tekstu (liczona w tokenach), którą model może uwzględnić w jednej rozmowie: Twój prompt, wcześniejsze wiadomości i wygenerowana odpowiedź muszą się w nim zmieścić. Po przekroczeniu limitu najstarsze fragmenty są pomijane.

Przykład: większe okno pozwala wkleić całą umowę i zadawać pytania do jej treści bez dzielenia jej na kawałki.

Overfitting (przeuczenie) to sytuacja, w której model zbyt dokładnie dopasowuje się do danych treningowych, łapiąc nawet ich przypadkowe cechy, przez co gorzej działa na nowych, wcześniej niewidzianych przykładach. To jeden z głównych problemów w uczeniu maszynowym.

Jak przeciwdziałać: więcej różnorodnych danych, prostsza architektura i sprawdzanie modelu na osobnym zbiorze testowym.

Parametry to wewnętrzne wartości, które model dostraja podczas treningu; to w nich zapisana jest jego „wiedza". Liczbę parametrów podaje się w miliardach (B) i traktuje jako zgrubną miarę wielkości modelu.

Uwaga: większa liczba parametrów zwykle daje większe możliwości, ale też wyższe koszty. Dobre dane treningowe i architektura często ważą więcej niż sama liczba parametrów.

Prompt to Twoje wejście dla modelu: pytanie, polecenie lub kontekst, na podstawie którego generowana jest odpowiedź. Im jaśniej opiszesz cel, format i ograniczenia, tym trafniejszy wynik.

Dobra praktyka: podaj rolę, kontekst, konkretne zadanie i oczekiwany format odpowiedzi, a w razie potrzeby jeden przykład.

Prompt engineering to praktyka formułowania zapytań tak, by model dawał lepsze, powtarzalne wyniki. Obejmuje dobór kontekstu, precyzyjne polecenia, przykłady (few-shot) oraz stopniowe poprawianie promptu na podstawie odpowiedzi.

Przykład: zamiast „napisz o zdrowiu" prosisz „napisz 5 porad o śnie dla rodzica małego dziecka, w punktach, po polsku".

Prompt injection to podatność, w której tekst przetwarzany przez model (np. treść strony, e-maila, dokumentu) zawiera ukrytą instrukcję, a model traktuje ją jak polecenie użytkownika. Może to prowadzić do ujawnienia danych albo wykonania niechcianych akcji.

Jak to działa: atakujący umieszcza w danych zdanie w rodzaju „zignoruj wcześniejsze polecenia i zrób X"; model bez zabezpieczeń może je wykonać.

Obrona: oddzielanie instrukcji od danych, ograniczanie uprawnień narzędzi i traktowanie treści z sieci jako niezaufanych.

RAG (retrieval-augmented generation) to podejście, w którym model przed odpowiedzią wyszukuje pasujące fragmenty z zewnętrznej bazy wiedzy i opiera się na nich. Dzięki temu odpowiedzi są aktualniejsze i rzadziej zawierają zmyślone fakty.

Jak to działa: pytanie zamieniane jest na embedding, system znajduje najbardziej podobne dokumenty, a model formułuje odpowiedź na ich podstawie.

Przykład: firmowy asystent odpowiadający na pytania w oparciu o wewnętrzne regulaminy.

Reasoning (rozumowanie) to radzenie sobie z zadaniami wymagającymi kilku kroków logicznych, a nie tylko odtworzenia faktu. Modele rozumujące poświęcają więcej obliczeń na wewnętrzne rozpisanie problemu, zanim podadzą wynik.

Jak to działa: model generuje pośrednie kroki (podobnie jak w chain-of-thought), sprawdza je i dopiero potem formułuje odpowiedź, co poprawia trafność w matematyce, logice i programowaniu.

Koszt: dłuższe rozumowanie oznacza więcej tokenów i wyższą latencję.

Pierwszy etap wyszukiwania wybiera kandydatów, a kolejny model dokładniej porównuje ich z pytaniem. Do generatora trafiają najlepiej ocenione fragmenty. Może to poprawić dobór kontekstu, ale dokłada obliczenia i opóźnienie.

Przykład: system znajduje pięćdziesiąt fragmentów dokumentacji i wybiera pięć do odpowiedzi. Reranking nie odzyska dokumentu, którego wcześniejszy etap w ogóle nie wyszukał.

RLHF (reinforcement learning from human feedback) to etap treningu, w którym ludzie oceniają odpowiedzi modelu, a te oceny służą do jego dostrojenia. Dzięki temu model częściej odpowiada pomocnie, uprzejmie i zgodnie z oczekiwaniami.

Jak to działa: na podstawie ludzkich preferencji trenuje się model nagrody, który następnie kieruje dalszym uczeniem głównego modelu.

Sieć neuronowa to model złożony z warstw prostych jednostek (neuronów) połączonych wagami. Podczas treningu wagi są dostrajane tak, by sieć coraz lepiej mapowała wejście na pożądane wyjście, np. obraz na etykietę.

Jak to działa: dane przechodzą przez kolejne warstwy, z których każda wykrywa coraz bardziej złożone wzorce. Głębokie sieci to podstawa uczenia głębokiego i współczesnej AI.

Sora (OpenAI) i Veo (Google) to modele zamieniające opis słowny na krótkie nagrania wideo. Należą do generatywnej AI i rozszerzają na ruch to, co modele text-to-image robią dla nieruchomych obrazów.

Zastosowanie: szybkie prototypy scen, materiały koncepcyjne i wizualizacje, z zastrzeżeniem kwestii praw i wiarygodności treści.

Model pomocniczy proponuje kolejne tokeny, a model docelowy weryfikuje je w partii. Zysk zależy między innymi od zgodności propozycji z modelem docelowym i od kosztu ich sprawdzania.

Przykład: łatwe fragmenty odpowiedzi mogą powstawać szybciej. Gdy dużo propozycji jest odrzucanych, dodatkowy etap nie musi przynieść przyspieszenia.

System prompt to instrukcja wysokiego poziomu, ustawiana przez twórcę aplikacji, która nadaje modelowi rolę, ton i granice na całą rozmowę. Użytkownik zwykle jej nie widzi, ale wpływa ona na każdą odpowiedź.

Przykład: „Jesteś uprzejmym doradcą podatkowym, odpowiadasz po polsku i nie udzielasz porad prawnych" to typowy system prompt.

Temperatura to parametr sterujący losowością odpowiedzi. Przy niskiej wartości model wybiera najbardziej prawdopodobne słowa, więc jest spójny i powtarzalny; przy wysokiej częściej sięga po mniej oczywiste opcje, co daje bardziej twórcze, ale i mniej przewidywalne wyniki.

Kiedy jak: do faktów i kodu ustaw niską temperaturę, do burzy mózgów czy tekstów kreatywnych wyższą.

Text-to-image to zamiana opisu tekstowego na obraz. Model, zwykle dyfuzyjny, tłumaczy słowa na wizualne cechy sceny: obiekty, styl, kolorystykę i kompozycję.

Dobra praktyka: im konkretniejszy opis (temat, styl, kadr, światło), tym trafniejszy obraz. Warto iterować i doprecyzowywać prompt.

Token to najmniejsza jednostka tekstu, jaką przetwarza model - zwykle krótkie słowo lub jego fragment. Model nie widzi liter ani zdań wprost, lecz ciąg tokenów, i w tokenach mierzy się długość promptu, okno kontekstu oraz koszt.

Zgrubnie: dla polskiego jeden token to często kilka znaków, a jedno słowo bywa dzielone na kilka tokenów.

Tokenizacja to pierwszy krok przetwarzania tekstu: zamiana ciągu znaków na listę tokenów według słownika modelu. Od niej zależy, ile tokenów zajmie dany tekst, a więc też koszt i wykorzystanie okna kontekstu.

Ciekawostka: języki z bogatą fleksją, jak polski, bywają dzielone na więcej tokenów niż angielski, co podnosi koszt tej samej treści.

Transformer to architektura sieci neuronowej, która dzięki mechanizmowi uwagi (attention) potrafi wiązać ze sobą odległe fragmenty tekstu i przetwarzać sekwencję równolegle. To ona umożliwiła skok jakości w modelach językowych.

Dlaczego przełom: mechanizm uwagi pozwala modelowi „patrzeć" na cały kontekst naraz, co poprawia rozumienie zależności w długim tekście.

TTS (text-to-speech) zamienia napisany tekst na naturalnie brzmiącą mowę, a STT (speech-to-text) robi rzecz odwrotną - przepisuje nagranie na tekst. To fundament asystentów głosowych, lektorów i automatycznych transkrypcji.

Przykład: STT tworzy napisy do nagrania spotkania, a TTS czyta artykuł na głos w aplikacji.

Vibe coding to styl pracy, w którym opisujesz modelowi, co ma powstać, a on generuje i poprawia kod, a Ty głównie kierujesz i testujesz efekt. Przyspiesza prototypowanie i obniża próg wejścia do programowania.

Uwaga: przy większych projektach nadal potrzebna jest weryfikacja bezpieczeństwa i jakości kodu przez człowieka.

Watermark (znak wodny) w treściach AI to ukryty wzorzec wplatany w tekst, obraz lub dźwięk, który pozwala później rozpoznać, że materiał powstał maszynowo. Ma pomagać w walce z dezinformacją i oznaczaniu treści syntetycznych.

Ograniczenie: znaki wodne bywają usuwalne lub nie zawsze wykrywalne, więc same w sobie nie dają pełnej pewności co do pochodzenia.

Zero-shot to sytuacja, w której model wykonuje zadanie wyłącznie na podstawie polecenia, bez pokazywania mu żadnego przykładu. Duże modele często radzą sobie zaskakująco dobrze dzięki wiedzy zdobytej w treningu.

Kiedy dodać przykłady: jeśli format lub styl są nietypowe, warto przejść na few-shot i pokazać wzorzec.