Gyorsabban fejlődik a mesterséges intelligencia szaknyelve, mint ahogy a mindennapi felhasználók követni tudnák a kifejezéseket. Az elterjedő új szleng és műszaki terminológia megértéséhez érdemes áttekinteni a legfontosabb fogalmakat, amelyek a munkahelyi megbeszéléseken és a hírekben egyaránt felbukkanhatnak.
A technológia terjedésével a mérnöki kifejezések átlépték a kutatóintézetek falait, és beépültek a közbeszédbe. A kifejezések pontos ismerete azért elengedhetetlen, mert a modellek képességei és korlátai közvetlen hatással vannak az elvárt eredményekre.
Tévedések és gyenge minőségű tartalmak
A nagy nyelvi modellek használata során az egyik leggyakoribb jelenség a hallucináció. Ez arra az esetre utal, amikor a rendszer magabiztos hangvételben fogalmaz meg teljesen téves, pontatlan vagy kitalált információkat. A hiba hátterében az áll, hogy a generatív modellek nem az igazságot ellenőrzik, hanem statisztikai valószínűségek alapján fűzik egymás után a szavakat.
Ezzel párhuzamosan jelent meg a digitális térben az AI slop fogalma. Ez a kifejezés a mesterséges intelligencia segítségével tömegesen előállított, gyenge minőségű, érdemi tartalom nélküli szövegekre és képekre utal. Az ilyen tartalmak célja sokszor csupán a felületek megtöltése vagy a kattintások gyűjtése, miközben valódi értéket nem hordoznak az olvasó számára.
Token – A nyelvi modellek nem szavakban, hanem tokenekben „gondolkodnak”: ez a szöveg legkisebb feldolgozási egysége, ami lehet egy egész szó, egy szótöredék vagy akár egy írásjel is. A token fogalma azért fontos a hétköznapi felhasználó számára is, mert az AI-szolgáltatások gyakran ez alapján számlázzák a használatot, és a modellek válaszhossza is ebben mérhető.
Kontextusablak (context window) – Azt a szövegmennyiséget jelöli, amit a modell egyszerre képes „észben tartani” egy beszélgetés vagy dokumentum feldolgozása során. Ha egy társalgás túlnő ezen a kereten, a modell elfelejtheti a korábbi részleteket, ami inkoherens vagy ellentmondásos válaszokhoz vezethet.
A hatékony használathoz elengedhetetlen a parancstervezés (prompt engineering) elsajátítása. Ez a folyamat a rendszereknek adott utasítások megfogalmazását jelenti, amellyel a felhasználó pontosabb és relevánsabb válaszok elérésére törekszik.
Biztonsági korlátok és átláthatatlan fejlesztések
A szoftverek terjedésével kiemelt szerepet kapott az illeszkedés (alignment) kérdése. Ez a kutatási terület azt vizsgálja, miként tehetők a modellek az emberi értékekkel és szándékokkal összhangban működővé. A fejlesztők védelmi vonalakat, úgynevezett korlátokat (guardrails) építenek a rendszerekbe, hogy megakadályozzák a veszélyes vagy tiltott válaszok generálását.
A felhasználók számára ugyanakkor kihívást jelentenek az átláthatatlan frissítési ciklusok (opaque iteration). A szolgáltatók gyakran úgy módosítják a mesterséges intelligencia modelljeit a háttérben, hogy arról nem adnak ki részletes fejlesztési jegyzéket. Ezért a korábban megszokott válaszok váratlanul megváltozhatnak vagy megváltozott logikát követhetnek.
A pontosság növelésére szolgál a megalapozás (grounding). Ezen eljárás során a modell válaszait ellenőrzött, valós adatokhoz és külső adatbázisokhoz kötik, csökkentve a téves információk megadásának kockázatát.
Önálló cselekvésre képes rendszerek
A szöveges válaszadásról a hangsúly egyre inkább a cselekvő AI (agentic AI) felé tolódik el. Míg a hagyományos megoldások csupán kérdésekre válaszolnak, a cselekvő rendszerek önállóan képesek feladatok lebontására, döntések meghozatalára és eszközök használatára a megadott cél elérése érdekében.
A mesterséges intelligencia eszközeinek terjedésével ezek a fogalmak a mindennapi munka és kommunikáció alapvető részeivé válnak. A szakkifejezések megértése segít abban, hogy a felhasználók reális elvárásokat támasszanak a technológiával szemben.
Adatforrások és tanítás
Finomhangolás (fine-tuning) – Az a folyamat, amikor egy már betanított, általános célú modellt további, szűkebb témájú adatokkal tanítanak tovább, hogy egy adott feladatban vagy szakterületen pontosabban teljesítsen.
Megalapozott keresés / RAG (retrieval-augmented generation) – Szorosan kapcsolódik a cikkben már szereplő megalapozás (grounding) fogalmához: ez az a technika, amellyel a modell válaszadás előtt külső dokumentumokból vagy adatbázisokból keres releváns információt, majd ezt beépíti a válaszába.
Szintetikus adat – Mesterséges intelligenciával generált, nem valós forrásból származó tanítóadat, amit egyre gyakrabban használnak modellek betanítására, különösen ott, ahol valós adatból kevés áll rendelkezésre.
Két fontos ámde negatívív kifejezéssel is talákozhatunk
AI washing – Az a marketinggyakorlat, amikor egy termék vagy szolgáltatás a valóságosnál jelentősebb mesterséges intelligencia funkciókat állít magáról, hogy vonzóbbnak tűnjön a piacon.
Modellösszeomlás (model collapse) – Az a jelenség, amikor egy modellt túlnyomórészt más AI-modellek által generált tartalommal tanítanak tovább, ami idővel a minőség és a sokszínűség romlásához vezethet.
