Słownik pojęć AI

Zebrałem tutaj 38 pojęć, które najczęściej sprawiają kłopot osobom zaczynającym przygodę z AI. Każde hasło tłumaczę w dwóch krokach: najpierw definicja, potem przykład z życia - bo dopiero przykład sprawia, że definicja zostaje w głowie. Tam, gdzie dane pojęcie ma w przewodniku swój rozdział, podaję link, żebyś mógł od razu wejść głębiej.

Nie musisz czytać tego od deski do deski. Traktuj tę stronę jak podręczny leksykon i wracaj do niej, kiedy natkniesz się na nieznany termin.

A-D

Agent AI

System AI, który dostaje cel zamiast pojedynczego polecenia - sam planuje kroki, korzysta z narzędzi (wyszukiwarki, plików, aplikacji) i wykonuje wieloetapowe zadanie, sprawdzając po drodze wyniki własnej pracy.

Przykład: Prosisz agenta o “znalezienie trzech połączeń do Rzymu na przyszły weekend i porównanie cen”. Zwykły chatbot opisałby, jak to zrobić samodzielnie - agent sam otwiera wyszukiwarkę, przegląda wyniki i wraca z gotowym zestawieniem.

Więcej: Agenci AI

Algorytm

Zestaw precyzyjnych instrukcji lub reguł, które prowadzą do rozwiązania problemu lub wykonania zadania. W kontekście AI, algorytmy to metody wykorzystywane przez systemy do przetwarzania danych i podejmowania decyzji.

Przykład: Algorytm sortowania może organizować listę nazwisk alfabetycznie, a algorytm wyszukiwania w Google decyduje, które strony internetowe są najbardziej odpowiednie dla Twojego zapytania.

Alignment (Dostosowanie)

Problem dostosowania celów i zachowań systemów AI do ludzkich wartości i intencji. Alignment dotyczy zapewnienia, że zaawansowane systemy AI będą działać w sposób zgodny z dobrem człowieka, nawet gdy staną się bardzo autonomiczne.

Przykład: System AI zaprojektowany do maksymalizacji produkcji spinaczy do papieru mógłby teoretycznie przekształcić całą Ziemię w fabrykę spinaczy, jeśli nie byłby odpowiednio dostosowany do szerszych ludzkich wartości, takich jak ochrona życia i środowiska.

API (Application Programming Interface)

Zestaw reguł i protokołów, które pozwalają różnym programom komunikować się ze sobą. W kontekście AI, API umożliwia deweloperom integrację możliwości modeli AI (np. generowania tekstu czy rozpoznawania obrazów) z własnymi aplikacjami.

Przykład: Deweloper może użyć API OpenAI, aby dodać do swojej aplikacji biznesowej możliwość automatycznego generowania odpowiedzi na e-maile od klientów lub analizy sentymentu w recenzjach produktów.

Bias (Uprzedzenie)

Systematyczne odchylenie wyników lub decyzji modelu AI, odzwierciedlające uprzedzenia obecne w danych treningowych lub algorytmach. Bias może prowadzić do dyskryminacji lub nierównego traktowania różnych grup.

Przykład: System rekrutacyjny trenowany na historycznych danych firmy, gdzie większość kierowniczych stanowisk zajmowali mężczyźni, może faworyzować kandydatów płci męskiej, nawet jeśli płeć nie jest bezpośrednio uwzględniana w ocenie.

Chain-of-thought (łańcuch myśli)

Technika promptowania, w której prosisz model, żeby rozpisał rozumowanie krok po kroku, zanim poda ostateczną odpowiedź. Pośrednie kroki działają jak brudnopis - model rzadziej gubi się w zadaniach wieloetapowych, a Ty widzisz, w którym miejscu popełnił błąd. W najprostszej wersji wystarczy dopisać do polecenia frazę “pomyślmy krok po kroku”. W modelach rozumujących ten łańcuch jest już wbudowany i model generuje go sam, bez Twojej prośby.

Przykład: Pytasz “mam 3 skrzynki po 24 butelki, sprzedałem 17 - ile zostało?” i dostajesz samą liczbę, czasem błędną. Dopisujesz “rozpisz obliczenia krok po kroku” - model najpierw mnoży 3 × 24, potem odejmuje 17 i podaje wynik, który możesz sprawdzić.

Więcej: Techniki promptowania

Chatbot

Program, z którym rozmawiasz w języku naturalnym - piszesz do niego jak do drugiego człowieka, a on odpowiada tekstem. Nowoczesne chatboty AI (jak ChatGPT, Claude czy Gemini) działają na dużych modelach językowych, dzięki czemu prowadzą swobodną rozmowę, a nie tylko wybierają gotowe odpowiedzi z listy.

Przykład: Wpisujesz “wytłumacz mi fotosyntezę jak dziecku”, a chatbot w kilka sekund pisze prostą odpowiedź. Możesz od razu dopytać “a teraz jak studentowi biologii” - i dostajesz wersję bardziej zaawansowaną, bo chatbot pamięta kontekst rozmowy.

Więcej: Chatboty AI

Dane treningowe

Zbiór informacji wykorzystywanych do trenowania modeli uczenia maszynowego. Na podstawie tych danych model uczy się rozpoznawać wzorce i podejmować decyzje.

Przykład: Aby nauczyć system rozpoznawania kotów na zdjęciach, podaje się mu tysiące obrazów oznaczonych jako “kot” i “nie kot”. Te oznaczone obrazy stanowią dane treningowe.

E-H

Embedding

Reprezentacja słów, fraz lub dokumentów w postaci wektorów liczbowych w przestrzeni wielowymiarowej. Embeddingi pozwalają modelom AI “zrozumieć” znaczenie i relacje między słowami, dzięki temu, że podobne pojęcia mają podobne reprezentacje wektorowe.

Przykład: W przestrzeni embeddingów słowa “król” i “królowa” będą blisko siebie, podobnie jak “mężczyzna” i “kobieta”. Co więcej, wektor przejścia od “król” do “królowa” będzie podobny do wektora przejścia od “mężczyzna” do “kobieta”.

Więcej: Embedding - jak AI rozumie znaczenie słów

Etyka AI

Dziedzina zajmująca się moralnymi implikacjami projektowania, tworzenia i korzystania z systemów sztucznej inteligencji. Obejmuje kwestie sprawiedliwości, przejrzystości, odpowiedzialności, prywatności i wpływu na społeczeństwo.

Przykład: Etyczne dylematy pojawiają się w wielu kontekstach: Czy systemy rozpoznawania twarzy powinny być wykorzystywane do masowej inwigilacji? Czy algorytmy podejmujące decyzje o przyznaniu kredytu powinny być transparentne? Jak projektować autonomiczne pojazdy, aby podejmowały moralne decyzje w sytuacjach nieuniknionego wypadku?

Więcej: Etyczne aspekty AI

Explainable AI (XAI)

Podejście do tworzenia systemów AI, których decyzje można zrozumieć i wyjaśnić w sposób przystępny dla człowieka. XAI koncentruje się na zwiększeniu przejrzystości działania modeli, które często postrzegane są jako “czarne skrzynki”.

Przykład: Zamiast otrzymać tylko diagnozę “wysokie ryzyko choroby serca”, system XAI mógłby wyjaśnić: “Ryzyko jest wysokie ze względu na podwyższony poziom cholesterolu, historię rodzinną chorób serca i brak regularnej aktywności fizycznej w ostatnich 5 latach.”

Fine-tuning

Proces dostrajania wstępnie wytrenowanego modelu AI do konkretnego zadania lub domeny. Wykorzystuje się mniejszy, wyspecjalizowany zbiór danych, aby model lepiej radził sobie z określonym rodzajem problemów.

Przykład: Model GPT wytrenowany na ogólnych tekstach może zostać poddany fine-tuningowi na zbiorze tekstów medycznych, aby lepiej odpowiadał na pytania dotyczące zdrowia, używał właściwej terminologii i rozumiał kontekst medyczny.

Generatywna AI

Rodzaj sztucznej inteligencji, która tworzy nowe treści - teksty, obrazy, dźwięk, wideo czy kod - na podstawie tego, czego nauczyła się z danych. Różni się od “zwykłej” AI, która głównie rozpoznaje lub wybiera (np. filtruje spam), a nie wytwarza czegoś od zera. Po angielsku w skrócie: GenAI.

Przykład: Wpisujesz do ChatGPT “napisz wierszyk na urodziny babci”, a model układa nowy tekst, którego wcześniej nie było. Generator obrazów na opis “kot grający na gitarze w kosmosie” rysuje obrazek od zera - to też generatywna AI.

Więcej: Czym jest AI?

Głębokie uczenie (Deep Learning)

Podkategoria uczenia maszynowego wykorzystująca wielowarstwowe sieci neuronowe do modelowania złożonych wzorców w danych. Głębokie uczenie umożliwia automatyczne wyodrębnianie cech z surowych danych, eliminując potrzebę ręcznego projektowania cech.

Przykład: Systemy rozpoznawania twarzy wykorzystują głębokie sieci neuronowe, które automatycznie uczą się rozpoznawać cechy twarzy - od prostych kształtów i linii po złożone wzorce identyfikujące konkretne osoby.

Więcej: AI, ML i sieci neuronowe

GPU (Graphics Processing Unit)

Specjalistyczny procesor pierwotnie zaprojektowany do renderowania grafiki, który okazał się niezwykle efektywny w obliczeniach równoległych potrzebnych do trenowania modeli głębokiego uczenia.

Przykład: Trening dużego modelu językowego, takiego jak GPT-5.6, wymaga tysięcy wysokowydajnych GPU pracujących równolegle przez wiele tygodni, co kosztuje miliony dolarów w zasobach obliczeniowych.

Halucynacje AI

Zjawisko, w którym model AI generuje informacje, które wydają się spójne i wiarygodne, ale są faktycznie nieprawdziwe lub wymyślone. Halucynacje wynikają z ograniczeń w treningu modelu lub jego tendencji do “dopełniania” brakujących informacji.

Przykład: Model językowy może z przekonaniem cytować nieistniejące badania naukowe, wymyślać fakty historyczne, które nigdy nie miały miejsca, lub podawać nieprawdziwe informacje techniczne, które brzmią wiarygodnie, ale są błędne.

Więcej: Ograniczenia AI

M-R

Model

Reprezentacja systemu AI po treningu na danych. Model zawiera wzorce i reguły wyodrębnione z danych treningowych i może być używany do przewidywania wyników dla nowych, niewidzianych wcześniej danych.

Przykład: GPT-5.6 jest modelem językowym wytrenowanym na ogromnej ilości tekstów - to on generuje odpowiedzi, które widzisz w aplikacji ChatGPT.

Model językowy (LLM)

System AI trenowany na dużych zbiorach tekstów, zdolny do rozumienia i generowania ludzkiego języka. LLM (Large Language Model) uczy się wzorców i struktur językowych, dzięki czemu może tworzyć spójne teksty, odpowiadać na pytania czy tłumaczyć między językami.

Przykład: GPT-5.6, Claude czy Gemini to popularne duże modele językowe, które potrafią prowadzić konwersacje, pisać teksty i pomagać w rozwiązywaniu problemów.

Więcej: Modele językowe

Model open-weight

Model AI, którego wagi (czyli wyuczone parametry) producent udostępnia do pobrania - możesz uruchomić go na własnym komputerze lub serwerze, bez wysyłania danych do chmury dostawcy. Open-weight nie zawsze znaczy w pełni open source: licencje bywają różne, od bardzo liberalnej Apache 2.0 (np. Bielik, rodzina Mistral 3) po licencje z ograniczeniami komercyjnymi. Przeciwieństwem są modele zamknięte, dostępne wyłącznie przez API lub aplikację producenta.

Przykład: Bielik i małe modele Ministral 3 (3, 8 i 14 mld parametrów) to modele open-weight - możesz pobrać je za darmo i uruchomić w aplikacji LM Studio na własnym komputerze. Flagowy Mistral Large 3 też ma otwarte wagi, ale przy 675 mld parametrów potrzebuje już serwera z kilkoma kartami graficznymi.

Więcej: AI na własnym komputerze

Okno kontekstowe

Maksymalna ilość tekstu (liczona w tokenach), którą model AI może jednocześnie “widzieć” - obejmuje Twoje pytania, wcześniejsze odpowiedzi i załączone dokumenty. Gdy rozmowa przekroczy ten limit, model traci dostęp do najstarszych fragmentów.

Przykład: Wklejasz do chatbota długi raport i zadajesz pytania. Jeśli raport mieści się w oknie kontekstowym, model odpowiada z uwzględnieniem całości; jeśli nie - odpowiedzi dotyczą tylko tej części, którą model wciąż “widzi”.

Więcej: Tokeny i kontekst

Prompt

Tekst wejściowy lub instrukcja przekazywana do modelu językowego, na podstawie której generuje on odpowiedź. Jakość i struktura promptu wpływa na jakość otrzymanej odpowiedzi.

Przykład: “Napisz wiersz o jesieni” to prosty prompt, który może dać różne wyniki w zależności od modelu. Bardziej rozbudowany prompt, jak “Napisz 12-wersowy wiersz o jesieni, używając metafor związanych z przemijaniem i ciepłych barw”, daje bardziej ukierunkowany rezultat.

Więcej: Wprowadzenie do prompt engineeringu

Prompt engineering

Sztuka i nauka formułowania efektywnych promptów, które pozwalają uzyskać najlepsze możliwe odpowiedzi od modeli AI. Obejmuje techniki precyzyjnego komunikowania intencji, dodawania kontekstu i formatowania zapytań.

Przykład: Zamiast pytać “Jak zostać programistą?”, inżynieria promptów sugeruje bardziej precyzyjne podejście: “Jestem 30-letnim nauczycielem z podstawową znajomością HTML i CSS. Chcę zostać front-end developerem w ciągu roku, ucząc się 10 godzin tygodniowo. Stwórz dla mnie 3-miesięczny plan nauki, uwzględniający konkretne zasoby i projekty praktyczne.”

Więcej: Wprowadzenie do prompt engineeringu

Przetwarzanie języka naturalnego (NLP)

Dziedzina AI zajmująca się interakcją między komputerami a ludzkim językiem. NLP (Natural Language Processing) obejmuje rozumienie, interpretację i generowanie tekstów w sposób naśladujący ludzkie zdolności językowe.

Przykład: Tłumaczenie maszynowe (jak Google Translate), analiza sentymentu w recenzjach produktów, czy chatboty odpowiadające na pytania klientów - to wszystko zastosowania NLP.

RAG (Retrieval-Augmented Generation)

Metoda łącząca wyszukiwanie informacji z generatywną AI. System najpierw wyszukuje istotne dokumenty czy dane, a następnie wykorzystuje je jako kontekst do generowania odpowiedzi, co zwiększa dokładność i aktualność.

Przykład: Zamiast polegać wyłącznie na wiedzy zdobytej podczas treningu, chatbot firmowy z RAG może przeszukać wewnętrzną bazę dokumentów, aby znaleźć najbardziej aktualne informacje o produktach, a następnie użyć tych informacji do sformułowania precyzyjnej odpowiedzi na pytanie klienta.

RLHF (Reinforcement Learning from Human Feedback)

Metoda trenowania systemów AI, która łączy uczenie przez wzmacnianie z ludzkim feedbackiem. Model uczy się nie tylko na podstawie z góry określonych nagród, ale także na podstawie ocen i preferencji wyrażanych przez ludzi.

Przykład: ChatGPT został udoskonalony przy użyciu RLHF - ludzcy trenerzy oceniali różne odpowiedzi modelu, a te oceny były wykorzystywane do dalszego treningu, aby model generował bardziej pomocne, prawdziwe i bezpieczne odpowiedzi.

S-Z

Sieć neuronowa

Model matematyczny inspirowany strukturą i funkcjonowaniem ludzkiego mózgu, składający się z połączonych “neuronów”, które przetwarzają i przekazują informacje. Sieci neuronowe są podstawą wielu nowoczesnych systemów AI.

Przykład: Wyobraź sobie sieć neuronową analizującą zdjęcie: pierwsza warstwa może wykrywać proste krawędzie i linie, kolejne warstwy rozpoznają kształty i struktury, a ostatnie warstwy identyfikują złożone obiekty, jak “kot”, “samochód” czy “dom”.

Więcej: AI, ML i sieci neuronowe

Suwerenność cyfrowa

Zdolność państwa, firmy lub pojedynczej osoby do korzystania z technologii cyfrowych - chmury, oprogramowania, modeli AI - bez krytycznej zależności od dostawców spoza swojego regionu. W praktyce chodzi o pytanie: co się stanie z Twoimi narzędziami i danymi, jeśli zagraniczny dostawca zmieni cennik, regulamin albo zostanie objęty sankcjami? Odpowiedzią są m.in. europejskie modele AI, lokalne centra danych i modele open-weight uruchamiane na własnym sprzęcie.

Przykład: Urząd, który zamiast chmury zagranicznego dostawcy uruchamia polski model językowy na własnych serwerach - dane obywateli nie opuszczają kraju.

Więcej: Suwerenne AI

Sztuczna inteligencja (AI)

Dziedzina informatyki zajmująca się tworzeniem systemów, które potrafią wykonywać zadania wymagające ludzkiej inteligencji, takie jak rozumowanie, uczenie się, planowanie czy rozumienie języka.

Przykład: Asystenci głosowi jak Siri czy Alexa, systemy rozpoznawania obrazów, programy grające w szachy czy samochody autonomiczne - wszystkie wykorzystują różne formy sztucznej inteligencji.

Temperatura (temperature)

Parametr sterujący losowością odpowiedzi modelu. Model w każdym kroku wybiera kolejny token z listy kandydatów - niska temperatura każe mu trzymać się najbardziej prawdopodobnego, wysoka pozwala sięgać po mniej oczywiste. Niska wartość (0-0,3) daje odpowiedzi powtarzalne i zachowawcze, wysoka (0,8-1) - bardziej kreatywne, ale i bardziej podatne na błędy. W zwykłych chatbotach temperatura jest ustawiona z góry; regulujesz ją przez API albo w narzędziach dla zaawansowanych.

Przykład: Prosisz o hasło reklamowe przy temperaturze 0,2 i za każdym razem dostajesz niemal to samo, bezpieczne zdanie. Podnosisz do 0,9 - propozycje robią się zaskakujące i różnorodne, ale część z nich jest kompletnie nietrafiona.

Więcej: Parametry modeli

Token

Podstawowa jednostka tekstu, na jaką model dzieli to, co czyta i co pisze - zwykle fragment słowa, całe krótkie słowo albo znak interpunkcyjny. Tokeny są walutą modeli językowych: w nich mierzy się okno kontekstowe i w nich naliczane są opłaty za korzystanie z API. Polszczyzna dzieli się na tokeny mniej ekonomicznie niż angielski - jedno polskie słowo to średnio 1,5-2,5 tokena.

Przykład: Wklejasz do chatbota dokument, który ma 10 tysięcy słów. Dla modelu to około 20 tysięcy tokenów - i to ta liczba, a nie liczba stron, decyduje, czy tekst zmieści się w oknie kontekstowym i ile zapłacisz za jego przetworzenie.

Więcej: Tokeny i kontekst

Tokenizacja

Proces dzielenia tekstu na mniejsze jednostki zwane tokenami, które mogą być przetwarzane przez modele językowe. Tokeny to najczęściej słowa, części słów lub symbole, które stanowią podstawową jednostkę analizy.

Przykład: Zdanie “Lubię jeść jabłka” mogłoby zostać podzielone na tokeny: “Lubi”, “ę”, “ jeść“, “ jabł“, “ka” (podział zależy od konkretnego tokenizera).

Więcej: Tokeny i kontekst

Transfer learning

Metoda uczenia maszynowego, w której wiedza zdobyta podczas rozwiązywania jednego problemu jest wykorzystywana do rozwiązania innego, powiązanego problemu. Pozwala to zaoszczędzić czas i zasoby potrzebne do trenowania modeli od zera.

Przykład: Model wytrenowany do rozpoznawania psów różnych ras może wykorzystać tę wiedzę do szybszego nauczenia się rozpoznawania kotów. Podstawowe cechy, jak kształt oczu, uszu czy tekstura futra, są przydatne w obu zadaniach.

Więcej: Jak uczą się modele

Transformery (Transformers)

Architektura sieci neuronowej wprowadzona w 2017 roku, która zrewolucjonizowała przetwarzanie języka naturalnego. Transformery wykorzystują mechanizm uwagi (attention mechanism), pozwalający modelowi koncentrować się na różnych częściach danych wejściowych jednocześnie.

Przykład: GPT (Generative Pre-trained Transformer) w nazwie zawiera odniesienie do tej architektury. Dzięki transformerom, model potrafi zrozumieć, że w zdaniu “Piotr podał piłkę Markowi, bo on chciał grać”, słowo “on” odnosi się do Marka, a nie do Piotra.

Uczenie maszynowe (Machine Learning)

Poddziedzina AI, która koncentruje się na tworzeniu systemów uczących się na podstawie danych, zamiast być bezpośrednio programowanych do wykonywania konkretnych zadań. Systemy uczenia maszynowego poprawiają swoją skuteczność wraz z napływem nowych danych.

Przykład: System rekomendacji na Netflixie uczy się Twoich preferencji na podstawie oglądanych filmów i seriali, a następnie sugeruje treści, które mogą Ci się spodobać.

Uczenie nadzorowane

Metoda uczenia maszynowego, w której model trenowany jest na oznaczonych danych (danych z etykietami). System uczy się mapować dane wejściowe na znane odpowiedzi, aby później móc przewidywać wyniki dla nowych danych.

Przykład: Filtr antyspamowy w skrzynce mailowej trenowany jest na wiadomościach oznaczonych jako “spam” i “nie spam”. Po treningu potrafi klasyfikować nowe, przychodzące wiadomości.

Więcej: Jak uczą się modele

Uczenie nienadzorowane

Metoda uczenia maszynowego, w której model trenowany jest na danych bez etykiet. System sam odkrywa struktury, wzorce i powiązania w danych.

Przykład: System analizujący zachowania klientów sklepu internetowego może samodzielnie grupować ich według podobnych nawyków zakupowych, nawet jeśli nie ma z góry zdefiniowanych kategorii klientów.

Więcej: Jak uczą się modele

Uczenie przez wzmacnianie

Metoda uczenia maszynowego, w której agent (program AI) uczy się osiągać cel poprzez interakcję ze środowiskiem. Agent otrzymuje nagrody za pożądane zachowania i kary za niepożądane, co prowadzi do optymalizacji jego działań.

Przykład: Program AlphaGo, który pokonał mistrzów w grze Go, uczył się strategii poprzez rozgrywanie milionów partii przeciwko sobie, otrzymując nagrody za zwycięstwa i kary za porażki.

Więcej: Jak uczą się modele

Zero-shot (bez przykładów)

Sposób zadania modelowi zadania bez pokazywania ani jednego przykładu - liczy się sama instrukcja, a model radzi sobie dzięki ogólnej wiedzy z treningu. To domyślne podejście i warto od niego zaczynać: jest najprostsze i najczęściej wystarcza. Gdy zawodzi, kolejnym krokiem jest few-shot, czyli dorzucenie do polecenia 2-3 przykładów rozwiązanego zadania.

Przykład: Piszesz “oceń, czy ta opinia o produkcie jest pozytywna, negatywna czy neutralna” i wklejasz tekst - bez żadnego wzorca. Model klasyfikuje opinię poprawnie, bo z treningu wie, jak wygląda zadowolony, a jak rozczarowany klient.

Więcej: Techniki promptowania

Wskazówka

Wracaj do tego słownika za każdym razem, gdy natkniesz się na nieznany termin w kursie lub w artykule o AI. Jeśli szukasz konkretnego pojęcia, skorzystaj z wyszukiwarki w górnej części strony - przeszuka nie tylko ten słownik, ale cały przewodnik, więc od razu zobaczysz, w których rozdziałach dany termin się pojawia.