Словарь ИИ-терминов для бизнеса

Устойчивый след, который опыт оставляет в памяти - термин из нейронауки, где энграммой называют физическое изменение в нейронных сетях мозга. В контексте бизнеса и ИИ - минимальная единица зафиксированного знания: фрагмент текста, решения или опыта, сохранённый так, чтобы его можно было найти и использовать повторно.

Внешняя система хранения и обработки информации, которая берёт на себя нагрузку по запоминанию, структурированию и поиску знаний. Позволяет не держать всё в голове, а сосредоточиться на работе с уже собранными данными. Для бизнеса - корпоративная память, которая не зависит от конкретного сотрудника.

Механизм, позволяющий ИИ-системе сохранять и использовать информацию за пределами одного диалога или сессии. Без памяти каждый запрос к ИИ начинается с нуля. С памятью система учитывает прошлые взаимодействия, накопленные документы и контекст компании при формировании ответов.

Структурированное хранилище документов, инструкций, решений и данных, к которому обращаются сотрудники или ИИ-системы. Отличается от обычного архива тем, что информация организована для быстрого поиска и повторного использования. Снижает зависимость от конкретных людей как носителей знаний.

Способ хранения информации, при котором данные представлены не списком, а сетью связанных объектов и отношений между ними. Например, клиент связан с проектами, проекты - с решениями, решения - с сотрудниками. Позволяет находить неочевидные связи и отвечать на сложные вопросы о структуре бизнеса.

Архитектура, при которой языковая модель перед генерацией ответа сначала извлекает релевантные фрагменты из внешней базы знаний. Это позволяет ИИ отвечать на основе актуальных корпоративных данных, а не только обучающих данных. Снижает риск галлюцинаций и делает ответы проверяемыми.

Метод поиска информации по смысловой близости, а не по точному совпадению слов. Каждый текст преобразуется в числовой вектор, и поиск находит тексты с похожими векторами. Позволяет найти нужный документ, даже если запрос сформулирован иначе, чем сам документ.

Числовое представление текста, изображения или другого объекта в виде вектора - набора чисел, кодирующих смысл. Близкие по смыслу тексты получают близкие векторы. Эмбеддинги - основа векторного поиска и семантического сравнения документов в ИИ-системах.

Поиск по смыслу запроса, а не по ключевым словам. Система понимает, что вопрос «как оформить отпуск» и документ «порядок предоставления ежегодного отдыха» связаны по смыслу, даже без общих слов. Делает базу знаний доступной для обычных вопросов на естественном языке.

Тип нейросети, обученной на больших массивах текста и способной понимать и генерировать связный текст. Основа большинства современных ИИ-ассистентов. Сама по себе не имеет доступа к корпоративным данным - для этого её интегрируют с базами знаний через RAG или файн-тюнинг.

Максимальный объём текста, который языковая модель может учитывать за один раз - включая запрос, историю диалога и загруженные документы. Чем больше окно, тем длиннее документы можно анализировать. При превышении лимита модель «забывает» начало разговора или документа.

Минимальная единица текста, с которой работает языковая модель. Примерно соответствует части слова или короткому слову. Размер контекстного окна и стоимость запросов к ИИ-сервисам измеряются в токенах. Понимание токенизации помогает оптимизировать затраты на использование ИИ.

Текстовый запрос или инструкция, которую передают языковой модели для получения нужного результата. Качество промпта напрямую влияет на качество ответа. Хорошо составленный промпт задаёт роль, контекст, формат и ограничения - и тогда модель работает предсказуемо.

Практика составления и оптимизации запросов к языковым моделям для получения точных и воспроизводимых результатов. Включает выбор структуры запроса, примеров, ограничений и формата вывода. Для бизнеса - способ превратить ИИ-инструмент из непредсказуемого в управляемый.

Ситуация, когда языковая модель генерирует уверенно звучащую, но фактически неверную информацию - выдуманные ссылки, несуществующие факты, ложные цитаты. Возникает из-за того, что модель предсказывает вероятный текст, а не извлекает факты. RAG и проверка источников снижают этот риск.

Дообучение языковой модели на специализированном наборе данных - например, на документах компании или отраслевых текстах. Позволяет модели лучше понимать специфическую терминологию и стиль. Требует больше ресурсов, чем RAG, но даёт более глубокую адаптацию под конкретную область.

Программная система на основе языковой модели, способная самостоятельно планировать действия и использовать инструменты для достижения цели. В отличие от простого чат-бота, агент может искать информацию, вызывать API, создавать файлы и принимать промежуточные решения без участия человека.

Архитектура, в которой несколько ИИ-агентов работают совместно, каждый выполняя свою роль. Один агент может искать информацию, другой - анализировать, третий - формировать итоговый ответ. Позволяет решать сложные задачи, разбивая их на параллельные специализированные процессы.

Автоматическое преобразование аудио- или видеозаписи в текст. Для бизнеса открывает возможность сохранять в базу знаний содержание встреч, звонков, интервью и вебинаров. Текстовая версия записи доступна для поиска, анализа и обработки ИИ-системами.

Метод ведения заметок, разработанный социологом Никласом Луманом: каждая идея фиксируется на отдельной карточке с уникальным идентификатором, карточки связываются ссылками. Система позволяет выявлять связи между идеями и строить знание снизу вверх. Стала основой для многих современных инструментов управления знаниями.

Предлагаемый стандарт - текстовый файл на сайте, который содержит структурированное описание контента ресурса специально для языковых моделей. По аналогии с robots.txt для поисковых роботов. Помогает ИИ-системам точнее понимать и цитировать информацию с конкретного сайта.

Практика адаптации контента так, чтобы он чаще и точнее цитировался генеративными ИИ-системами - такими как ChatGPT или Perplexity. Аналог SEO, но для эпохи ИИ-поиска. Включает структурирование текста, чёткость формулировок и использование форматов, удобных для извлечения языковыми моделями.

Ситуация, когда конфиденциальная информация из системного промпта или внутренних документов попадает в ответ модели и становится видна пользователю. Актуальная угроза при развёртывании корпоративных ИИ-ассистентов. Требует контроля архитектуры запросов и разграничения прав доступа к данным.

Процесс введения нового сотрудника в должность с использованием ИИ-системы, которая отвечает на вопросы, предоставляет инструкции и объясняет процессы на основе корпоративной базы знаний. Снижает нагрузку на опытных коллег и ускоряет выход новичка на рабочую эффективность.

Модель развёртывания программного обеспечения, при которой система устанавливается и работает на собственной инфраструктуре компании, а не в облаке провайдера. Для ИИ-систем с корпоративными данными это означает, что данные не покидают периметр компании - важно для соблюдения требований безопасности и регуляторных норм.