AI-glosszárium

A 6 fogalom

Agent (ágens) #: Olyan AI-rendszer, amely nem csak válaszol, hanem önállóan hajt végre többlépéses feladatokat: eszközöket használ, dönt, iterál — például böngészik, kódot futtat vagy fájlokat kezel a cél eléréséig.
AGI #: Artificial General Intelligence — általános mesterséges intelligencia, amely az emberrel azonos vagy azt meghaladó szinten képes bármilyen szellemi feladatot megoldani. Jelenleg nem létezik; a mai rendszerek szűk területeken erősek.
AI (mesterséges intelligencia) #: Gyűjtőfogalom azokra a számítógépes rendszerekre, amelyek emberi intelligenciát igénylő feladatokat oldanak meg: nyelvértés, képfelismerés, döntéshozatal, tanulás.
Alignment (illesztés) #: Az a kutatási terület, amely azt biztosítja, hogy az AI-rendszerek az emberi szándékokkal és értékekkel összhangban működjenek — ne adjanak káros, félrevezető vagy veszélyes válaszokat.
API #: Application Programming Interface — programozási felület, amelyen keresztül a fejlesztők a saját alkalmazásukból hívhatják az AI-modelleket. Az API-használatot jellemzően token-alapon számlázzák.
Autonóm ágens #: Lásd: Agent (ágens) — olyan szoftveres asszisztens, amely emberi beavatkozás nélkül, önálló részfeladatokra bontva hajt végre komplex küldetéseket.

B 2 fogalom

Batch (köteg) árazás #: Kedvezményes API-árazás nem sürgős feladatokra: a kéréseket a szolgáltató órákon belül, kötegekben dolgozza fel, cserébe jellemzően 50% árengedményt ad.
Benchmark #: Szabványosított tesztsor, amellyel az AI-modellek képességeit mérik és hasonlítják össze — például matematikai, kódolási vagy szövegértési feladatokon (MMLU, HumanEval, GSM8K).

C 4 fogalom

Chain-of-thought (gondolatlánc) #: Promptolási technika és modellképesség: a modell lépésről lépésre, hangosan gondolkodva vezeti le a választ, ami összetett feladatoknál jelentősen javítja a pontosságot.
Chatbot #: Párbeszédes felületű AI-alkalmazás (pl. ChatGPT, Claude, Gemini), amely természetes nyelven válaszol kérdésekre és old meg feladatokat.
Computer Use (számítógép-használat) #: Az AI-modellek azon képessége, hogy közvetlenül képesek vezérelni egy operációs rendszert: egérmozgásokat végeznek, kattintanak, gépelnek és képernyőképek alapján tájékozódnak, pont úgy, mintha egy ember ülne a gép előtt.
Context window (kontextusablak) #: A szövegmennyiség (tokenben mérve), amit a modell egyszerre "lát": a beszélgetés előzményei, a feltöltött dokumentumok és a válasz együtt. A mai csúcsmodelleknél 128 ezertől több millió tokenig terjed.

D 3 fogalom

Deep learning (mély tanulás) #: A gépi tanulás többrétegű neurális hálókra épülő ága — ez a technológia áll a modern nyelvi és képgeneráló modellek mögött.
Diffúziós modell #: Képgeneráló AI-architektúra (pl. Stable Diffusion, Midjourney alapja): zajból indulva, lépésenként "tisztítja ki" a képet a szöveges leírás alapján.
Disztilláció #: Eljárás, amellyel egy nagy, drága modell tudását egy kisebb, olcsóbb és gyorsabb modellbe sűrítik — a kis modell a nagy válaszaiból tanul.

E 2 fogalom

Edge AI #: Olyan mesterséges intelligencia, amely nem a felhőben (távoli szervereken), hanem közvetlenül a felhasználó eszközén — például okostelefonon, laptopon vagy drónon — fut le, internetkapcsolat nélkül.
Embedding (beágyazás) #: Szöveg (vagy kép) számsorozattá alakítása úgy, hogy a hasonló jelentésű tartalmak hasonló számsorokat kapjanak. A szemantikus keresés és a RAG alapja.

F 3 fogalom

Fine-tuning (finomhangolás) #: Egy kész alapmodell továbbtanítása saját adatokon, hogy egy adott feladatban, stílusban vagy szakterületen jobban teljesítsen.
Foundation model (alapmodell) #: Hatalmas adatmennyiségen előtanított, általános célú modell, amelyre alkalmazások és finomhangolt változatok épülnek.
Function calling (függvényhívás) #: Képesség, amellyel a modell strukturált formában külső eszközöket, API-kat hívhat — például lekérdezi az időjárást vagy adatbázisban keres, ahelyett hogy "fejből" válaszolna.

G 4 fogalom

Generatív AI #: A mesterséges intelligencia azon ága, amely meglévő adatok elemzése helyett új tartalmakat (szöveget, képet, hangot, videót vagy programkódot) képes létrehozni a felhasználó utasításai (promptjai) alapján.
GPU #: Graphics Processing Unit (grafikus vezérlő). Eredetileg videójátékokhoz fejlesztett hardver, amely párhuzamos számítási kapacitása miatt a modern AI-modellek betanításának és futtatásának nélkülözhetetlen motorjává vált.
Grounding #: A modell válaszainak valós, ellenőrizhető forrásokhoz kötése (pl. webes keresés vagy dokumentumok alapján), a hallucináció visszaszorítására.
Guardrail (védőkorlát) #: Az AI-alkalmazásba épített szabályréteg, amely megakadályozza a káros, jogsértő vagy témán kívüli válaszokat.

H 1 fogalom

Hallucináció #: Amikor a modell magabiztosan állít valótlant: nem létező forrást idéz, kitalált adatot közöl. A nyelvi modellek egyik legfontosabb korlátja — kritikus felhasználásnál mindig ellenőrizd a tényeket.

I 1 fogalom

Inferencia (inference) #: Az a folyamat, amikor egy már betanított AI-modell élesben működik: a felhasználó kérdésére (input) kiszámítja és legenerálja a választ (output). Az AI-cégek költségeinek jelentős része inferencia-költség.

J 1 fogalom

Jailbreak #: A modell biztonsági korlátainak megkerülésére irányuló próbálkozás ügyesen megfogalmazott promptokkal. A szolgáltatók folyamatosan foltozzák az ilyen réseket.

K 1 fogalom

Kvantálás #: A modell számainak alacsonyabb pontosságú tárolása (pl. 16 bit helyett 4 bit), amitől a modell kisebb és gyorsabb lesz, minimális minőségvesztéssel — így futhatnak nagy modellek otthoni gépen is.

L 3 fogalom

Latencia #: A kérés elküldése és a válasz megérkezése közti idő. Valós idejű alkalmazásoknál (hang, chat) kritikus szempont a modellválasztásban.
LLM #: Large Language Model — nagy nyelvi modell. Óriási szövegkorpuszon tanított neurális háló, amely a következő token megjóslásával generál szöveget (GPT, Claude, Gemini, Llama).
LoRA #: Low-Rank Adaptation — költséghatékony finomhangolási technika: a teljes modell helyett csak kis kiegészítő súlymátrixokat tanít, töredék erőforrással.

M 2 fogalom

MCP #: Model Context Protocol — nyílt szabvány, amellyel az AI-asszisztensek egységes módon kapcsolódnak külső eszközökhöz és adatforrásokhoz (fájlok, adatbázisok, szolgáltatások).
Multimodalitás (multimodal) #: Olyan AI-modell, amely egyszerre több különböző típusú információt képes feldolgozni és értelmezni: szöveget, képet, hangot és videót egyaránt. A mai csúcsmodellek többsége már ilyen.

N 1 fogalom

Neurális háló #: Az emberi agy ihlette számítási szerkezet: rétegekbe rendezett, egymással súlyozott kapcsolatban álló "neuronok". A mély tanulás építőköve.

O 2 fogalom

Open-weights (nyílt súlyú modell) #: Olyan AI-modell (pl. Llama, Mistral, DeepSeek), amelynek belső matematikai paraméterei (súlyai) nyilvánosan hozzáférhetők, így a fejlesztők ingyen letölthetik, saját szerverükön futtathatják és teljesen testreszabhatják őket — szemben a csak API-n elérhető zárt modellekkel.
Overfitting (túltanulás) #: Amikor a modell a tanítóadatokat "bemagolja" ahelyett, hogy általánosítana — új adatokon ilyenkor gyengén teljesít.

P 4 fogalom

Paraméter #: A neurális háló tanulható súlyai; számuk a modell "méretének" fő mutatója. A mai nagy modellek több százmilliárd–billió paraméteresek (utóbbiaknál gyakran MoE-architektúrával).
Prompt #: A modellnek adott utasítás vagy kérdés. A jól megfogalmazott prompt (kontextus, példák, elvárt formátum) drámaian javítja a válasz minőségét.
Prompt engineering #: A promptok tudatos tervezésének gyakorlata: szerepkijelölés, példák adása, lépésekre bontás, kimeneti formátum előírása.
Prompt injection (prompt injektálás) #: Egyfajta biztonsági rés vagy támadási forma, amikor trükkös utasításokkal rábírják az AI-t, hogy hagyja figyelmen kívül az eredeti rendszerutasításait, és olyat tegyen, amit nem szabadna (pl. védett adatokat adjon ki). Az AI-ágensek egyik fő biztonsági kockázata.

R 3 fogalom

RAG #: Retrieval-Augmented Generation — a modell válasz előtt releváns dokumentumokat kap egy keresőrétegtől (jellemzően vektor-adatbázisból), így saját, friss vagy belső adatokra támaszkodva válaszol, kevesebb hallucinációval.
Reasoning modell #: Érvelésre optimalizált modell (pl. o-sorozat, DeepSeek-R1), amely válasz előtt hosszabb belső gondolatmenetet futtat — matematikai, logikai és kódolási feladatokban kiemelkedő, cserébe lassabb és drágább.
RLHF #: Reinforcement Learning from Human Feedback — emberi visszajelzésekre épülő megerősítéses tanulás, amellyel a nyers nyelvi modellből segítőkész, biztonságos asszisztenst formálnak.

S 4 fogalom

Sampling / hőmérséklet (temperature) #: A válaszgenerálás véletlenszerűségét szabályozó beállítás: alacsony értéken a modell kiszámítható és tényszerű, magasabb értéken kreatívabb, de csapongóbb.
Synthetic data (szintetikus adatok) #: Nem valós emberi tevékenységből származó, hanem AI által generált adatok, amelyeket újabb, fejlettebb AI-modellek betanítására használnak, ha a való világból származó minőségi adatok már elfogytak.
System prompt (rendszerutasítás) #: Az AI-modellnek adott fix, háttérben futó alapszabályzat, amely meghatározza a viselkedését, stílusát és korlátait, még mielőtt a felhasználó egyáltalán szóba állna vele.
SzMoE / MoE #: Mixture of Experts — architektúra, amelyben a modell sok "szakértő" alhálóból áll, és tokenenként csak néhányat aktivál. Így lehet egy billió paraméteres modell mégis gyors és olcsó.

T 5 fogalom

Token #: A szöveg legkisebb egysége, amellyel a modell dolgozik — kb. egy szótag vagy rövid szó (magyarul ~2-4 karakter). Az API-árazás tokenenként történik; 1 millió token nagyjából 750 ezer szó.
Tool use (eszközhasználat) #: A modell képessége külső eszközök (kereső, számológép, kódfuttató, adatbázis) meghívására a válasz elkészítéséhez — az ágensek alapképessége.
Training (tanítás) #: A modell súlyainak beállítása hatalmas adatmennyiségen, GPU-ezrekkel, hetek-hónapok alatt. A csúcsmodellek tanítása több tízmillió-milliárd dollár nagyságrendű.
Transformer #: A 2017-es "Attention Is All You Need" cikkben bemutatott architektúra, amely a figyelem-mechanizmusra épül — gyakorlatilag minden modern nyelvi modell alapja.
TTS / STT #: Text-to-Speech (szövegfelolvasás) és Speech-to-Text (beszédfelismerés) — a hang-alapú AI-alkalmazások két alaptechnológiája.

U 1 fogalom

Unicornis #: Egymilliárd dollárt meghaladó értékeltségű, tőzsdén nem jegyzett startup. Az AI-szektor adja ma a legértékesebb unicornisokat (OpenAI, Anthropic, xAI).

V 2 fogalom

Vektor-adatbázis #: Beágyazásokat (embeddingeket) tároló és hasonlóság alapján kereső adatbázis (pl. Pinecone, Qdrant, pgvector) — a RAG-rendszerek keresőrétege.
Vibe coding #: Fejlesztési munkastílus, amelyben a programozó természetes nyelven írja le a célt, és a kódot túlnyomórészt AI generálja — a hangsúly a gyors iteráción és az eredmény ellenőrzésén van.

Z 1 fogalom

Zero-shot / few-shot #: A modell képessége, hogy példa nélkül (zero-shot) vagy néhány példából (few-shot) oldjon meg egy új feladatot, külön tanítás nélkül.

Hiányzik egy fogalom? Javasold!