AI Rječnik

AI rječnik: od početnika do naprednih pojmova

Pojmovnik umjetne inteligencije za poslovne timove - od osnova do agenata, RAG-a, sigurnosti i upravljanja.

Ovaj rječnik objašnjava pojmove koje ćete susretati u radu s AI alatima, modelima i agentima. Organiziran je u 14 cjelina kako biste lako pronašli ono što vas zanima.

1. Osnovni pojmovi

AI / Umjetna inteligencija: Područje računalne znanosti koje razvija sustave sposobne obavljati zadatke koji inače zahtijevaju ljudsku inteligenciju, poput razumijevanja jezika, prepoznavanja slika, donošenja odluka i učenja iz podataka.
Strojno učenje / Machine Learning / ML: Područje AI-ja u kojem sustav uči iz podataka umjesto da se svako pravilo ručno programira.
Duboko učenje / Deep Learning: Vrsta strojnog učenja koja koristi neuronske mreže s mnogo slojeva za prepoznavanje složenih obrazaca.
Model: AI sustav koji je istreniran na podacima i može davati predikcije, odgovore ili odluke.
Algoritam: Skup pravila ili koraka koje računalo koristi za rješavanje problema.
Podaci / Data: Informacije koje se koriste za treniranje, testiranje ili korištenje AI sustava.
Dataset / Skup podataka: Organizirana kolekcija podataka koja se koristi za treniranje ili evaluaciju modela.
Treniranje modela: Proces u kojem model uči iz podataka podešavanjem svojih unutarnjih parametara.
Inferencija / Inference: Korištenje već istreniranog modela za generiranje odgovora, predikcije ili odluke.
Predikcija: Rezultat koji model izračuna na temelju ulaznih podataka.
Ulaz / Input: Podatak koji korisnik ili sustav šalje AI modelu.
Izlaz / Output: Rezultat koji AI model vraća.
Automatizacija: Korištenje tehnologije za izvršavanje zadataka bez stalnog ljudskog rada.
Inteligentna automatizacija: Automatizacija koja koristi AI za donošenje odluka, obradu jezika ili prilagodbu situaciji.
Generativna umjetna inteligencija: AI koji stvara novi sadržaj, poput teksta, slika, zvuka, videa ili koda.
Klasična umjetna inteligencija: AI sustavi temeljeni na pravilima, logici, klasifikaciji ili predikciji, bez nužnog stvaranja novog sadržaja.
Asistent: AI sustav koji pomaže korisniku u zadacima, npr. pisanju, analizi, pretraživanju ili planiranju.
Chatbot: Program koji razgovara s korisnikom putem teksta ili glasa.
Virtualni asistent: Napredniji chatbot koji može razumjeti kontekst, izvršavati zadatke i koristiti alate.

2. Generativni AI i jezični modeli

LLM / Veliki jezični model: AI model treniran na ogromnoj količini teksta, sposoban razumjeti i generirati jezik. Primjeri su ChatGPT, Claude, Gemini i Llama.
Jezik modela / Language Model: Model koji predviđa sljedeću riječ, token ili dio teksta na temelju prethodnog konteksta.
Token: Osnovna jedinica teksta koju model obrađuje. Može biti riječ, dio riječi, znak ili razmak.
Tokenizacija: Proces pretvaranja teksta u tokene koje model može obraditi.
Kontekst: Informacije koje model trenutno ima dostupne u razgovoru ili zadatku.
Kontekstni prozor / Context Window: Maksimalna količina teksta, tokena ili informacija koju model može uzeti u obzir u jednom zahtjevu.
Prompt: Uputa, pitanje ili tekst koji korisnik šalje AI modelu.
Prompt engineering: Vještina pisanja kvalitetnih uputa modelu kako bi se dobio bolji rezultat.
System prompt: Glavna instrukcija koja određuje ponašanje AI asistenta.
User prompt: Poruka ili uputa koju korisnik šalje modelu.
Few-shot prompting: Davanje nekoliko primjera modelu kako bi bolje razumio očekivani stil ili format odgovora.
Zero-shot prompting: Traženje zadatka od modela bez davanja primjera.
Chain-of-thought: Metoda u kojoj model interno ili eksplicitno razlaže problem u korake.
Reasoning model: Model optimiziran za složenije zaključivanje, planiranje, analizu i rješavanje problema.
Halucinacija: Situacija kada AI generira netočnu, izmišljenu ili neprovjerenu informaciju koja zvuči uvjerljivo.
Temperatura / Temperature: Postavka koja kontrolira kreativnost modela. Niža temperatura daje predvidljivije odgovore, viša daje kreativnije.
Top-p: Postavka koja ograničava izbor mogućih sljedećih tokena prema vjerojatnosti.
Max tokens: Maksimalan broj tokena koji model može generirati u odgovoru.
Completion: Tekst koji model generira kao nastavak ili odgovor na prompt.
Embeddings: Numerički prikazi značenja teksta, slike ili drugog sadržaja. Koriste se za pretraživanje, sličnost i semantičku analizu.
Semantičko pretraživanje: Pretraživanje prema značenju, a ne samo prema točnim ključnim riječima.
Multimodalni model: AI model koji može raditi s više vrsta podataka, npr. tekstom, slikama, zvukom, videom i kodom.
Vision model: Model koji može analizirati slike, dokumente, grafikone ili video.
Speech-to-text: Pretvaranje govora u tekst.
Text-to-speech: Pretvaranje teksta u govor.
Image generation: Generiranje slika pomoću AI-ja.
Video generation: Generiranje videa pomoću AI-ja.
Code generation: Generiranje programskog koda pomoću AI modela.

3. Podaci i učenje

Trening skup / Training set: Podaci na kojima model uči.
Validacijski skup / Validation set: Podaci koji se koriste tijekom razvoja za provjeru performansi modela.
Testni skup / Test set: Podaci koji se koriste za konačnu provjeru modela nakon treniranja.
Label / Oznaka: Točan odgovor ili kategorija pridružena podatku tijekom treniranja.
Labeled data / Označeni podaci: Podaci koji imaju pridružene točne odgovore.
Unlabeled data / Neoznačeni podaci: Podaci bez unaprijed poznatih odgovora.
Supervised learning / Nadzirano učenje: Model uči iz podataka koji imaju točne odgovore.
Unsupervised learning / Nenadzirano učenje: Model traži obrasce u podacima bez unaprijed zadanih odgovora.
Semi-supervised learning / Polunadzirano učenje: Kombinacija male količine označenih i velike količine neoznačenih podataka.
Reinforcement learning / Učenje potkrepljenjem: Model uči kroz nagrade i kazne na temelju svojih akcija.
Reward / Nagrada: Signal koji modelu govori je li neka odluka bila dobra.
Agent: Sustav koji opaža okolinu, odlučuje i izvršava akcije prema cilju.
Policy / Politika: Strategija prema kojoj agent odlučuje koju akciju poduzeti.
Feature / Značajka: Mjerljiva karakteristika podatka koju model koristi za učenje.
Feature engineering: Ručno stvaranje ili izbor značajki koje pomažu modelu da bolje uči.
Normalization / Normalizacija: Prilagodba vrijednosti podataka na zajedničku skalu.
Data cleaning / Čišćenje podataka: Uklanjanje grešaka, duplikata, praznih vrijednosti i nekonzistentnosti iz podataka.
Data augmentation / Proširenje podataka: Umjetno povećavanje skupa podataka stvaranjem varijacija postojećih primjera.
Synthetic data / Sintetički podaci: Umjetno generirani podaci koji oponašaju stvarne podatke.
Bias in data / Pristranost u podacima: Neravnoteža ili iskrivljenost u podacima koja može dovesti do nepravednih rezultata modela.
Noise / Šum: Nepotrebne, pogrešne ili slučajne informacije u podacima.
Ground truth: Referentna istina, odnosno točan odgovor prema kojem se model evaluira.

4. Neuronske mreže i duboko učenje

Neuronska mreža: Model inspiriran načinom rada mozga, sastavljen od slojeva umjetnih neurona.
Neuron: Osnovna jedinica neuronske mreže koja prima ulaze, obrađuje ih i daje izlaz.
Layer / Sloj: Skup neurona u neuronskoj mreži.
Input layer / Ulazni sloj: Prvi sloj koji prima podatke.
Hidden layer / Skriveni sloj: Sloj između ulaza i izlaza koji uči obrasce.
Output layer / Izlazni sloj: Zadnji sloj koji daje konačni rezultat.
Weights / Težine: Brojevi unutar modela koji određuju koliko je određeni ulaz važan.
Bias / Pomak: Dodatni parametar koji pomaže modelu prilagoditi izračun.
Parameters / Parametri: Unutarnje vrijednosti modela koje se uče tijekom treniranja.
Hyperparameters / Hiperparametri: Postavke koje čovjek ili sustav određuje prije treniranja, npr. learning rate ili batch size.
Activation function / Aktivacijska funkcija: Funkcija koja određuje hoće li se signal prenijeti dalje kroz mrežu.
ReLU: Popularna aktivacijska funkcija koja negativne vrijednosti pretvara u nulu.
Sigmoid: Funkcija koja vrijednost pretvara u raspon između 0 i 1.
Softmax: Funkcija koja pretvara izlaze modela u vjerojatnosti po klasama.
Loss function / Funkcija gubitka: Mjera koliko je predikcija modela udaljena od točnog odgovora.
Gradient descent / Gradijentni spust: Metoda optimizacije kojom model postupno smanjuje grešku.
Backpropagation / Povratno širenje pogreške: Algoritam kojim se greška prenosi unatrag kroz mrežu radi podešavanja težina.
Epoch / Epoha: Jedan prolazak modela kroz cijeli trening skup.
Batch: Manji skup podataka koji se obrađuje u jednom koraku treniranja.
Batch size: Broj primjera u jednom batchu.
Learning rate / Stopa učenja: Vrijednost koja određuje koliko brzo se model prilagođava tijekom treniranja.
Overfitting / Prenaučenost: Kada model previše nauči trening podatke i loše generalizira na nove podatke.
Underfitting / Podnaučenost: Kada model nije dovoljno naučio obrasce iz podataka.
Regularization / Regularizacija: Tehnike za smanjenje overfittinga.
Dropout: Tehnika u kojoj se neki neuroni privremeno isključuju tijekom treniranja kako bi model bolje generalizirao.
Fine-tuning / Dodatno treniranje: Prilagodba već postojećeg modela na specifične podatke ili zadatak.
Transfer learning / Prijenos učenja: Korištenje znanja iz jednog modela ili zadatka za drugi zadatak.

5. Transformer arhitektura i moderni LLM-ovi

Transformer: Arhitektura neuronske mreže koja je temelj modernih velikih jezičnih modela.
Attention / Pažnja: Mehanizam kojim model odlučuje koji dijelovi ulaznog teksta su važni za trenutni odgovor.
Self-attention / Samopažnja: Mehanizam kojim model uspoređuje različite dijelove istog teksta međusobno.
Multi-head attention: Više attention mehanizama koji paralelno promatraju različite odnose u tekstu.
Encoder: Dio modela koji obrađuje i razumije ulazne podatke.
Decoder: Dio modela koji generira izlazne podatke.
Encoder-decoder model: Arhitektura koja koristi encoder za razumijevanje ulaza i decoder za generiranje izlaza.
Decoder-only model: Model koji primarno generira tekst token po token. Mnogi moderni LLM-ovi koriste ovaj pristup.
Positional encoding: Način na koji model dobiva informaciju o redoslijedu tokena.
Embedding layer: Sloj koji tokene pretvara u numeričke vektore.
Pretraining / Predtreniranje: Prvo veliko treniranje modela na ogromnoj količini općih podataka.
Instruction tuning: Treniranje modela da bolje slijedi ljudske upute.
RLHF / Reinforcement Learning from Human Feedback: Učenje potkrepljenjem iz ljudskih povratnih informacija. Koristi se za usklađivanje modela s ljudskim preferencijama.
Alignment / Usklađivanje: Proces kojim se model prilagođava da bude korisniji, sigurniji i usklađeniji s ljudskim namjerama.
Distillation / Destilacija modela: Proces stvaranja manjeg modela koji uči ponašanje većeg modela.
Quantization / Kvantizacija: Smanjenje preciznosti brojeva u modelu radi manjeg zauzeća memorije i bržeg rada.
MoE / Mixture of Experts: Arhitektura u kojoj se aktiviraju samo određeni eksperti, odnosno podmodeli, ovisno o zadatku.
Sparse model / Rijetki model: Model u kojem se za određeni ulaz koristi samo dio parametara.
Dense model / Gusti model: Model u kojem se za svaki ulaz koristi većina ili svi parametri.

6. AI agenti i automatizacija

AI agent: AI sustav koji može planirati, koristiti alate, donositi odluke i izvršavati korake prema cilju.
Agentic AI / Agentska umjetna inteligencija: AI pristup u kojem model ne samo odgovara, nego samostalno organizira radnje i koristi alate.
Tool calling / Pozivanje alata: Mogućnost modela da koristi vanjske funkcije, API-je, baze podataka ili servise.
Function calling: Strukturiran način kojim model poziva unaprijed definirane funkcije.
Planner / Planer: Komponenta agenta koja razbija cilj u korake.
Executor / Izvršitelj: Komponenta koja izvršava planirane korake.
Memory / Memorija: Mehanizam kojim agent pamti informacije iz prethodnih interakcija ili zadataka.
Short-term memory / Kratkoročna memorija: Informacije dostupne tijekom trenutnog zadatka ili razgovora.
Long-term memory / Dugoročna memorija: Informacije spremljene za buduću uporabu.
Reflection / Refleksija: Proces u kojem agent analizira vlastite rezultate i pokušava ih poboljšati.
Self-correction / Samoispravljanje: Sposobnost modela ili agenta da prepozna i popravi vlastitu grešku.
Task decomposition / Razlaganje zadatka: Podjela složenog zadatka na manje korake.
Workflow / Radni tok: Definirani slijed koraka u poslovnom ili tehničkom procesu.
Orchestration / Orkestracija: Upravljanje više modela, alata, API-ja ili agenata u jednom sustavu.
Multi-agent system / Sustav više agenata: Sustav u kojem više AI agenata surađuje ili se specijalizira za različite zadatke.
Human-in-the-loop: Proces u kojem čovjek nadzire, potvrđuje ili ispravlja AI odluke.
Autonomous agent / Autonomni agent: Agent koji može izvršavati zadatke s minimalnim ljudskim uplitanjem.
Guardrails / Zaštitne ograde: Pravila i ograničenja koja sprječavaju nepoželjno ponašanje AI sustava.
Approval step / Korak odobrenja: Točka u procesu gdje čovjek mora potvrditi nastavak rada.
Action space / Prostor akcija: Skup svih akcija koje agent može poduzeti.
Environment / Okolina: Sustav, aplikacija ili kontekst u kojem agent djeluje.

7. RAG, baze znanja i pretraživanje

RAG / Retrieval-Augmented Generation: Tehnika u kojoj AI najprije pronalazi relevantne informacije iz baze znanja, a zatim generira odgovor na temelju njih.
Retrieval / Dohvat informacija: Proces pronalaženja relevantnih dokumenata, odlomaka ili podataka.
Retriever: Komponenta koja traži relevantne informacije u bazi podataka ili dokumentima.
Generator: Model koji na temelju pronađenih informacija generira odgovor.
Vector database / Vektorska baza podataka: Baza koja pohranjuje embeddinge i omogućuje pretraživanje po značenju.
Vector search / Vektorsko pretraživanje: Pretraživanje podataka prema bliskosti njihovih embeddinga.
Similarity search / Pretraživanje po sličnosti: Pronalaženje sadržaja koji je semantički sličan upitu.
Chunking / Dijeljenje teksta na dijelove: Razbijanje velikih dokumenata na manje segmente radi lakšeg pretraživanja.
Chunk / Segment: Manji dio dokumenta koji se sprema i pretražuje.
Chunk size: Veličina jednog segmenta teksta.
Chunk overlap: Preklapanje između segmenata kako se ne bi izgubio kontekst.
Re-ranking / Ponovno rangiranje: Dodatno sortiranje pronađenih rezultata prema relevantnosti.
Hybrid search / Hibridno pretraživanje: Kombinacija klasičnog pretraživanja ključnih riječi i vektorskog pretraživanja.
BM25: Klasični algoritam za pretraživanje teksta prema ključnim riječima.
Knowledge base / Baza znanja: Organizirana kolekcija dokumenata, podataka i informacija koju AI može koristiti.
Citation / Citiranje izvora: Navođenje izvora iz kojeg je AI dobio informaciju.
Source grounding / Utemeljenje u izvorima: Praksa vezanja AI odgovora uz provjerljive dokumente ili podatke.
Context injection / Ubacivanje konteksta: Dodavanje relevantnih informacija u prompt prije generiranja odgovora.
Semantic similarity / Semantička sličnost: Mjera koliko su dva teksta slična po značenju.

8. Evaluacija i metrike

Evaluation / Evaluacija: Proces mjerenja kvalitete modela ili AI sustava.
Benchmark: Standardizirani test za usporedbu modela.
Accuracy / Točnost: Udio točnih predikcija u ukupnom broju predikcija.
Precision / Preciznost: Koliko je pozitivnih predikcija zaista točno.
Recall / Odziv: Koliko je stvarnih pozitivnih slučajeva model pronašao.
F1 score: Kombinirana mjera precisiona i recalla.
Confusion matrix / Matrica zabune: Tablica koja prikazuje točne i pogrešne klasifikacije modela.
True positive: Model je točno predvidio pozitivan slučaj.
False positive: Model je pogrešno predvidio pozitivan slučaj.
True negative: Model je točno predvidio negativan slučaj.
False negative: Model je pogrešno predvidio negativan slučaj.
Latency / Latencija: Vrijeme potrebno da AI sustav vrati odgovor.
Throughput / Propusnost: Broj zahtjeva koje sustav može obraditi u određenom vremenu.
Cost per request / Trošak po zahtjevu: Trošak jednog AI poziva ili upita.
Token usage / Potrošnja tokena: Broj tokena potrošenih za ulaz i izlaz modela.
Hallucination rate / Stopa halucinacija: Udio odgovora koji sadrže netočne ili izmišljene informacije.
Groundedness / Utemeljenost: Mjera koliko je odgovor vezan uz stvarne izvore ili podatke.
Faithfulness / Vjernost izvoru: Mjera koliko odgovor vjerno prenosi informacije iz izvora.
Robustness / Robusnost: Sposobnost modela da dobro radi u različitim uvjetima i na neočekivanim ulazima.
Generalization / Generalizacija: Sposobnost modela da dobro radi na novim, neviđenim podacima.
A/B testiranje: Usporedba dvije verzije sustava kako bi se vidjelo koja daje bolje rezultate.

9. Sigurnost, etika i rizici

AI safety / Sigurnost AI-ja: Područje koje se bavi sprječavanjem štetnog, nepredvidivog ili nepoželjnog ponašanja AI sustava.
AI ethics / Etika AI-ja: Područje koje proučava moralne, društvene i pravne posljedice korištenja AI-ja.
Bias / Pristranost: Sustavna neobjektivnost modela zbog podataka, dizajna ili načina korištenja.
Fairness / Pravednost: Cilj da AI sustav ne diskriminira određene skupine korisnika.
Transparency / Transparentnost: Jasnoća oko toga kako AI sustav radi i kako donosi odluke.
Explainability / Objašnjivost: Sposobnost da se objasni zašto je model dao određeni rezultat.
Interpretability / Interpretabilnost: Mjera koliko čovjek može razumjeti unutarnji rad modela.
Privacy / Privatnost: Zaštita osobnih i osjetljivih podataka u AI sustavima.
Data leakage / Curenje podataka: Neželjeno otkrivanje privatnih ili povjerljivih informacija.
Prompt injection: Napad u kojem korisnik ili dokument pokušava promijeniti ponašanje AI modela zlonamjernim uputama.
Jailbreak: Pokušaj zaobilaženja sigurnosnih ograničenja AI modela.
Adversarial attack / Adverzarijalni napad: Namjerno oblikovan ulaz koji pokušava prevariti model.
Model misuse / Zlouporaba modela: Korištenje AI-ja za štetne svrhe, poput prijevara, spama ili manipulacije.
Deepfake: AI-generirani ili manipulirani audio, video ili slika koji lažno prikazuju osobu ili događaj.
Content moderation / Moderacija sadržaja: Automatsko ili ručno filtriranje štetnog, ilegalnog ili neprimjerenog sadržaja.
PII / Osobni identifikacijski podaci: Podaci koji mogu identificirati osobu, npr. ime, adresa, OIB, email ili broj telefona.
Data retention / Zadržavanje podataka: Pravila o tome koliko se dugo podaci čuvaju.
Audit log / Revizijski zapis: Evidencija aktivnosti u sustavu radi nadzora, sigurnosti i usklađenosti.
Compliance / Usklađenost: Poštivanje zakona, standarda i internih pravila.
GDPR: Europska uredba o zaštiti osobnih podataka.

10. Poslovna primjena AI-ja

AI transformation / AI transformacija: Uvođenje AI-ja u procese, proizvode i poslovni model organizacije.
AI adoption / Usvajanje AI-ja: Proces kojim organizacija počinje koristiti AI alate i sustave.
AI readiness / Spremnost za AI: Procjena koliko je organizacija tehnički, organizacijski i podatkovno spremna za AI.
Use case / Slučaj uporabe: Konkretan poslovni problem ili zadatak u kojem AI može stvoriti vrijednost.
ROI / Povrat ulaganja: Mjera koliko koristi poslovanje dobiva u odnosu na uloženi novac.
Productivity gain / Dobitak produktivnosti: Povećanje učinkovitosti rada korištenjem AI-ja.
Cost reduction / Smanjenje troškova: Korištenje AI-ja za smanjivanje operativnih troškova.
Decision support / Podrška odlučivanju: AI sustav koji pomaže ljudima donositi bolje odluke analizom podataka.
Customer support automation: Automatizacija korisničke podrške pomoću chatbotova, agenata ili baza znanja.
Document automation: Automatska obrada, analiza, generiranje ili klasifikacija dokumenata.
Lead scoring: Procjena kvalitete potencijalnog kupca pomoću podataka i AI-ja.
Personalization / Personalizacija: Prilagodba sadržaja, ponude ili iskustva pojedinom korisniku.
Recommendation system / Sustav preporuka: AI sustav koji predlaže proizvode, sadržaj ili akcije.
Predictive analytics / Prediktivna analitika: Korištenje podataka za predviđanje budućih događaja ili ponašanja.
Churn prediction: Predviđanje koji korisnici bi mogli prestati koristiti proizvod ili uslugu.
Fraud detection / Otkrivanje prijevara: Korištenje AI-ja za prepoznavanje sumnjivih aktivnosti.
AI governance / Upravljanje AI-jem: Pravila, procesi i odgovornosti za sigurno i učinkovito korištenje AI-ja u organizaciji.
Model governance / Upravljanje modelima: Kontrola verzija, evaluacije, sigurnosti i uporabe AI modela.
AI policy / AI politika: Interni pravilnik koji definira kako zaposlenici smiju koristiti AI.
Shadow AI: Neformalno ili neodobreno korištenje AI alata unutar organizacije.

11. Razvoj, integracije i infrastruktura

API: Sučelje preko kojeg aplikacije komuniciraju s drugim sustavima ili AI modelima.
AI API: API koji omogućuje slanje upita AI modelu i primanje odgovora.
SDK: Skup alata i biblioteka za lakšu integraciju AI-ja u aplikacije.
Endpoint: URL ili točka pristupa API-ju.
Request / Zahtjev: Poruka koju aplikacija šalje API-ju.
Response / Odgovor: Poruka koju API vraća aplikaciji.
Streaming: Slanje odgovora u dijelovima dok se generira, umjesto čekanja cijelog odgovora.
Rate limit: Ograničenje broja zahtjeva u određenom vremenu.
Caching / Predmemoriranje: Spremanje rezultata radi bržeg i jeftinijeg ponovnog korištenja.
Queue / Red čekanja: Sustav za organizirano izvršavanje zadataka jedan po jedan ili paralelno.
Worker: Proces koji obrađuje zadatke iz reda čekanja.
Webhook: Mehanizam kojim jedan sustav automatski obavještava drugi sustav o događaju.
Serverless: Arhitektura u kojoj se kod izvršava bez direktnog upravljanja serverima.
Edge computing: Izvršavanje koda bliže korisniku radi manje latencije.
GPU: Grafički procesor koji se često koristi za treniranje i pokretanje AI modela.
TPU: Specijalizirani procesor za strojno učenje.
VRAM: Memorija grafičke kartice, važna za pokretanje velikih modela.
Model hosting: Pokretanje AI modela na serveru ili cloud platformi.
Self-hosted model: Model koji organizacija pokreće na vlastitoj infrastrukturi.
Cloud model: Model koji se koristi preko pružatelja usluge u oblaku.
On-premise AI: AI sustav koji radi unutar vlastite infrastrukture organizacije.
MLOps: Prakse za razvoj, deploy, nadzor i održavanje ML modela u produkciji.
LLMOps: Prakse za razvoj, evaluaciju, praćenje i održavanje aplikacija temeljenih na velikim jezičnim modelima.
Monitoring / Nadzor: Praćenje performansi, troškova, grešaka i kvalitete AI sustava.
Observability / Opservabilnost: Dubinski uvid u rad sustava kroz logove, metrike i tragove izvršavanja.
Logging / Zapisivanje logova: Spremanje događaja i aktivnosti sustava.

12. Napredni pojmovi

Foundation model / Temeljni model: Veliki model treniran na širokom skupu podataka koji se može prilagoditi mnogim zadacima.
General-purpose model: Model opće namjene koji može raditi širok raspon zadataka.
Domain-specific model: Model specijaliziran za određenu industriju ili područje, npr. pravo, medicina ili financije.
Small language model / SLM: Manji jezični model optimiziran za brzinu, cijenu ili lokalno pokretanje.
Open-source model: Model čiji su kod, težine ili dokumentacija javno dostupni pod određenom licencom.
Closed-source model: Model kojem korisnici pristupaju preko API-ja, ali ne vide njegove unutarnje težine ili kod.
Model weights / Težine modela: Naučeni brojevi koji predstavljaju znanje modela.
Checkpoint: Spremljeno stanje modela u određenom trenutku treniranja.
LoRA / Low-Rank Adaptation: Tehnika učinkovitog fine-tuninga modela s manjim brojem dodatnih parametara.
Adapter: Manji dodatni modul koji prilagođava veliki model specifičnom zadatku.
PEFT / Parameter-Efficient Fine-Tuning: Skup metoda za fine-tuning bez mijenjanja svih parametara modela.
Context engineering: Dizajn i upravljanje informacijama koje se daju modelu kako bi rezultat bio točan i koristan.
Prompt chaining: Povezivanje više promptova u niz koraka.
Recursive prompting: Tehnika u kojoj se rezultat jednog prompta koristi kao ulaz za sljedeći.
Tree of Thoughts: Pristup u kojem model istražuje više mogućih putova zaključivanja.
Graph of Thoughts: Napredniji pristup gdje se ideje, koraci ili zaključci organiziraju kao graf.
Toolformer-style model: Model koji je treniran ili podešen da zna kada i kako koristiti alate.
Neural symbolic AI: Kombinacija neuronskih mreža i simboličkog zaključivanja.
Knowledge graph / Graf znanja: Struktura koja prikazuje entitete i njihove odnose.
Ontology / Ontologija: Formalni opis pojmova i odnosa u određenom području.
Causal AI / Kauzalna umjetna inteligencija: AI koji pokušava razumjeti uzročno-posljedične odnose, ne samo korelacije.
Continual learning / Kontinuirano učenje: Sposobnost modela da nastavlja učiti tijekom vremena bez potpunog retreniranja.
Catastrophic forgetting / Katastrofalno zaboravljanje: Problem u kojem model zaboravi staro znanje nakon učenja novog.
Federated learning / Federirano učenje: Treniranje modela na više uređaja ili lokacija bez centralnog prikupljanja podataka.
Differential privacy / Diferencijalna privatnost: Tehnika zaštite privatnosti dodavanjem kontroliranog šuma u podatke ili rezultate.
Model compression / Kompresija modela: Smanjivanje veličine modela uz što manji gubitak kvalitete.
Pruning / Obrezivanje modela: Uklanjanje manje važnih dijelova modela radi ubrzanja ili smanjenja veličine.
Speculative decoding: Tehnika ubrzavanja generiranja teksta korištenjem manjeg modela za predlaganje tokena.
KV cache: Memorija koja sprema prethodne izračune transformera radi brže generacije.
Inference optimization: Optimizacija brzine, cijene i memorijske potrošnje pri korištenju modela.
Model drift: Promjena kvalitete modela tijekom vremena jer se stvarni podaci ili ponašanja korisnika mijenjaju.
Data drift: Promjena distribucije ulaznih podataka u odnosu na podatke na kojima je model treniran.
Concept drift: Promjena odnosa između ulaznih podataka i točnih odgovora kroz vrijeme.

13. Najvažnija razlika: klasični AI, generativni AI i agenti

Vrsta	Što radi	Primjer
Klasični AI	Klasificira, predviđa, prepoznaje obrasce ili donosi odluke prema podacima.	Prepoznavanje prijevare, preporuka proizvoda, kreditni scoring.
Generativni AI	Stvara novi sadržaj.	Pisanje teksta, generiranje slike, izrada koda.
AI agent	Planira, koristi alate i izvršava zadatke kroz više koraka.	Agent koji čita email, analizira dokument, ažurira CRM i šalje prijedlog odgovora.

14. Kratki rječnik za prezentacije

AI: Računalo koje može obavljati zadatke koji izgledaju inteligentno.
Machine Learning: AI koji uči iz primjera.
Deep Learning: Napredni ML koji koristi slojeve neuronskih mreža.
LLM: AI model koji razumije i piše tekst.
Prompt: Uputa koju dajemo AI-ju.
Token: Mali dio teksta koji AI obrađuje.
Kontekst: Sve informacije koje AI trenutno vidi.
Halucinacija: Kada AI izmisli netočan odgovor.
RAG: AI koji prije odgovora traži informacije u dokumentima.
Embedding: Brojčani prikaz značenja teksta.
Agent: AI koji ne samo odgovara, nego i izvršava zadatke.
Tool calling: Kada AI koristi vanjski alat ili API.
Fine-tuning: Dodatno treniranje modela za specifičan zadatak.
Inference: Korištenje modela nakon treniranja.
AI governance: Pravila za sigurno korištenje AI-ja u firmi.

AI rječnik: od početnika do naprednih pojmova

Trebate AI edukaciju za svoj tim?