Глоссарий по ИИ: 20+ терминов, без которых не понять рынок

# Глоссарий по ИИ: 20+ терминов, без которых не понять рынок

Если вы хоть раз кивали на совещании, слыша «RAG» или «RLHF», и потом тихо гуглили — эта статья для вас. Не для галочки, а как рабочий инструмент: чтобы говорить на языке продукта, понимать питчи и принимать решения об автоматизации без тумана в голове.

Базовые понятия: с чего начинается любой разговор об ИИ

AGI (Artificial General Intelligence) — искусственный общий интеллект. Размытый термин с несколькими конкурирующими определениями. OpenAI трактует его как «высокоавтономные системы, превосходящие людей в большинстве экономически значимых задач». Google DeepMind — как «ИИ, сопоставимый с человеком или превосходящий его по большинству когнитивных задач». Практический смысл: AGI пока не существует, но именно к нему движутся крупнейшие лаборатории.

LLM (Large Language Model) — большая языковая модель. Нейросеть, обученная на огромных массивах текста, способная генерировать, анализировать и трансформировать язык. GPT-4, Claude, Gemini — всё это LLM.

ИИ-агент — не чатбот. Это автономная система, которая использует несколько ИИ-инструментов для выполнения многошаговых задач: бронирует, пишет код, управляет сервисами через API — без ручного контроля на каждом шаге. Ключевое слово: автономность.

Как модели «думают»: архитектурные концепции

Chain of thought (цепочка рассуждений) — техника, при которой модель разбивает задачу на промежуточные шаги перед выдачей ответа. Аналог черновика: вы не пишете сразу чистовик, когда решаете уравнение. Результат точнее — особенно в логике, математике и коде. Компромисс: медленнее.

RLHF (Reinforcement Learning from Human Feedback) — обучение с подкреплением на основе человеческой обратной связи. Модель получает оценки от людей и корректирует поведение. Именно так ChatGPT стал «вежливым» и менее склонным к вредоносным ответам.

RAG (Retrieval-Augmented Generation) — архитектура, при которой модель перед генерацией ответа обращается к внешней базе знаний. Позволяет LLM работать с актуальными данными без переобучения. Например: корпоративный чатбот, который знает вашу внутреннюю документацию.

Fine-tuning (дообучение) — адаптация базовой модели под конкретную задачу или домен с помощью специализированного датасета. Дороже RAG, но даёт глубокое «встроенное» знание предметной области.

Инфраструктура и инструменты

API-эндпоинты — «кнопки» на обратной стороне программного обеспечения, которые другие программы могут нажимать программно. Разработчики создают через них интеграции. ИИ-агенты всё чаще самостоятельно обнаруживают и используют эти эндпоинты — это и есть фундамент автоматизации.

Coding agents (агенты для написания кода) — специализированные ИИ-агенты для разработки. В отличие от обычных ИИ-ассистентов, они не просто предлагают код — они пишут, тестируют и отлаживают его в автономном режиме. Примеры: Devin, GitHub Copilot Workspace.

Мультиагентная система — архитектура, в которой несколько специализированных агентов взаимодействуют для решения сложной задачи. Один агент ищет данные, другой анализирует, третий пишет отчёт. Оркестрация — ключевой вызов.

Контекстное окно (context window) — объём информации, который модель «видит» за один раз. Измеряется в токенах (примерно ¾ слова = 1 токен). Чем больше окно — тем длиннее документы и разговоры модель способна удерживать в памяти.

Практика: как использовать глоссарий в работе

Знание терминов — не самоцель. Вот три сценария, где это сразу даёт результат:

1. Оценка AI-продуктов. Когда вендор говорит «наш агент автоматизирует всё» — спросите: это RAG или fine-tuning? Как устроено контекстное окно? Есть ли поддержка мультиагентных сценариев? Конкретные вопросы отсекают маркетинг от реального решения.

1. Постановка задач разработчикам. Если вы знаете разницу между LLM-вызовом и агентом с API-эндпоинтами — вы ставите задачу точнее и получаете решение быстрее.

1. Принятие решений об автоматизации. Chain of thought нужен для точности, RAG — для актуальности данных, fine-tuning — для глубокой специализации. Это разные затраты и разные результаты. Понимание терминов = понимание trade-off'ов.

Итог

Язык ИИ меняется каждые несколько месяцев — новые архитектуры, новые термины, новые аббревиатуры. Но ядро остаётся: агенты, модели, обучение, инфраструктура. Кто понимает эти слои — тот принимает решения, а не соглашается с теми, кто их понимает.

---

*Разбираем ИИ-инструменты и автоматизацию в ContentRun Club.*