AI glossary: 20 terms in plain words

Tokens, prompts, hallucinations, agents and RAG — every key AI concept with a human explanation.

Sztuczna inteligencja (SI): Programy, które uczą się na przykładach, zamiast trzymać się sztywno zapisanych reguł. Współczesna SI znajduje wzorce w danych i stosuje je do nowych sytuacji — od rozpoznawania twarzy po generowanie tekstu.
Sieć neuronowa: Model matematyczny złożony z milionów „neuronów” połączonych regulowanymi wagami. Uczy się w pętli „przewiduj → porównaj z odpowiedzią → popraw wagi”, powtórzonej miliardy razy.
LLM (duży model językowy): Sieć neuronowa wytrenowana na ogromnych ilościach tekstu: ChatGPT, Claude, Gemini. Robi jedno — przewiduje następny token — i z tego biorą się odpowiedzi, tłumaczenia i kod.
Token: Kawałek tekstu, na którym pracuje model językowy: część słowa, słowo albo znak, średnio 3–4 znaki. W tokenach mierzy się kontekst modelu i koszt API.
Prompt: Tekst zapytania, które wysyłasz do SI. Jakość odpowiedzi w 80% zależy od jakości promptu: rola, zadanie, kontekst i format — to one czynią go mocnym.
Prompt engineering: Dyscyplina pisania skutecznych zapytań do SI: formuły, przykłady (few-shot), łańcuchy rozumowania, ustrukturyzowany wynik. Jedna z najszybciej rosnących kompetencji na rynku pracy.
Halucynacja: Pewna siebie, wiarygodnie brzmiąca, ale zmyślona odpowiedź. Bierze się z generatywnej natury LLM: gdy brakuje faktów, „prawdopodobny ciąg dalszy” i tak wygląda jak odpowiedź. Sprawdzaj liczby, cytaty i linki.
Okno kontekstowe: Ilość tekstu (w tokenach), którą model „trzyma w głowie” w jednej rozmowie: twoje wiadomości, jego odpowiedzi, wgrane dokumenty. Co się nie mieści — model „zapomina”.
Trenowanie modelu: Proces dostrajania miliardów wag sieci na dużych danych. Wymaga tysięcy kart graficznych i tygodni obliczeń — dlatego duże modele buduje niewiele firm.
Wagi: Liczbowe parametry sieci, dostrajane w trakcie uczenia. „Model o 70 miliardach parametrów” mówi właśnie o liczbie wag.
Data odcięcia wiedzy: Data, po której w danych treningowych modelu nie ma już żadnych wydarzeń. Nowsze rzeczy docierają do niego tylko przez wyszukiwarkę albo materiały, które sam wgrasz.
Generatywna SI: SI, która tworzy nowe treści — teksty, obrazy, muzykę, wideo, kod — a nie tylko klasyfikuje to, co już istnieje. ChatGPT i Midjourney to modele generatywne.
Few-shot (uczenie na przykładach): Technika promptowania: pokaż modelowi 1–3 próbki „wejście → wyjście” wprost w zapytaniu, żeby skopiował styl i strukturę. Zastępuje akapity tłumaczeń.
Łańcuch rozumowania (chain-of-thought): Prośba, żeby model rozwiązywał krok po kroku i pokazywał tok myślenia. Mocno podnosi trafność w logice i obliczeniach, a błędy stają się widoczne.
RAG: Retrieval-Augmented Generation: zanim odpowie, system znajduje pasujące fragmenty w twojej bazie wiedzy i podaje je modelowi. Dzięki temu SI odpowiada z twoich dokumentów, a nie z pamięci.
Agent SI: System SI, który nie tylko odpowiada, ale działa: planuje kroki, wywołuje narzędzia (wyszukiwarkę, kod, API), sprawdza wynik i idzie dalej do celu. Umiejętność o najszybciej rosnącym popycie.
MCP: Model Context Protocol — otwarty standard podłączania SI do zewnętrznych narzędzi i danych: baz, usług, plików. „Port USB” dla agentów SI.
Fine-tuning (dostrajanie): Douczanie gotowego modelu na własnych danych pod konkretne zadanie. Droższe i trudniejsze niż promptowanie — potrzebne, gdy przykłady w prompcie już nie wystarczają.
Multimodalność: Zdolność modelu do pracy z różnymi typami danych: tekstem, obrazami, dźwiękiem, wideo. Dzisiejsze flagowce rozumieją zdjęcie i głos, nie tylko tekst.
Vibe coding: Tworzenie stron i aplikacji przez rozmowę z SI: opisujesz produkt słowami, model pisze kod, ty poprawiasz wynik. Słowo roku i najszybciej rosnąca droga wejścia do programowania.

Terms make more sense in practice

Start for free →