Pojmovnik
Pojmovnik
AI terminologija — sažeto definirano.
73 pojmova
A
- A2A protokol (Agent2Agent) Otvoreni protokol koji je Google predstavio 2025. za interoperabilnost i komunikaciju između AI agenata izgrađenih na različitim okvirima i kod različitih proizvođača.
- Agentska umjetna inteligencija AI sustavi koji autonomno planiraju i izvršavaju višekoračne zadatke koristeći alate, memoriju i petlje, nadilazeći jednokratni chat odgovor.
- AI Act članak 50 (transparentnost) Članak 50 EU AI Acta uvodi obveze transparentnosti — chatbotovi, deepfake-ovi i AI-generirani sadržaj moraju se jasno označiti; primjena od kolovoza 2026.
- AI agent Sustav pokretan velikim jezičnim modelom koji autonomno slijedi cilj kroz planiranje, pozivanje alata i iteraciju na vlastitom outputu.
- AI akcelerator (NPU/TPU) Specijalizirani čip za AI radne opterećenja — NPU u mobitelima, TPU kod Googlea, AWS Trainium — često brži i učinkovitiji od GPU-a po dolaru.
B
C
- Chatbot Softverski agent koji vodi razgovor s korisnikom putem teksta ili glasa; moderni chatbotovi pogonjeni su velikim jezičnim modelima i alatima.
- Claude Obitelj velikih jezičnih modela tvrtke Anthropic s naglaskom na sigurnost, dugi kontekst i korištenje alata; pogoni Claude.ai i Claude Code agenta.
- Crveni tim (red team) Strukturirano testiranje AI sustava napadačkim metodama — prompt injection, jailbreak, zlouporaba — radi otkrivanja ranjivosti prije produkcije.
D
- Deepfake Sintetički mediji — lažni video, zvuk ili slika osobe stvoreni dubokim učenjem; ključna briga za dezinformacije, prijevare i sigurnost u 2025.-2026.
- Difuzijski model Klasa generativnih modela koji uče poništiti postupno dodavanje šuma; dominantan pristup za AI-generirane slike, video i audio danas u industriji.
- Distilacija znanja Tehnika kompresije gdje manji student model uči oponašati izlaze većeg učitelj modela, čime se smanjuje veličina uz zadržavanje točnosti.
- Duboko učenje Grana strojnog učenja koja koristi višeslojne neuronske mreže za učenje složenih obrazaca; pogoni suvremeni vid, govor i jezične AI sustave.
E
- Embedding (vektorska reprezentacija) Vektorska reprezentacija riječi, rečenice ili dokumenta u višedimenzionalnom prostoru gdje semantički slična značenja imaju bliske vektore.
- Emergentne sposobnosti Sposobnosti kojih nema u manjim modelima, a naglo se pojavljuju s povećanjem skale; sporna tvrdnja — kritičari je pripisuju izboru nelinearnih metrika.
- EU AI Act (Akt EU-a o umjetnoj inteligenciji) Uredba EU-a koja regulira AI sustave po razinama rizika (neprihvatljiv, visok, ograničen, minimalan); prvi sveobuhvatni AI zakon u svijetu, primjena postupna 2024.-2027.
- Evaluacija AI sustava Disciplina mjerenja sposobnosti, sigurnosti i usklađenosti AI modela kombinacijom benchmarkova, ljudske procjene i red teaminga prije i nakon objave.
F
G
- Generativni predtrenirani transformator (GPT) Obitelj transformer jezičnih modela samo-dekoderskog tipa, predtrenirani na ogromnim tekstovima i fino podešeni za upute; arhitektura iza ChatGPT-a i sličnih.
- Google Gemini Obitelj multimodalnih temeljnih modela Google DeepMinda koja obrađuje tekst, slike, audio i video; pogoni Gemini aplikaciju, Workspace i Vertex AI.
- GPAI (AI opće namjene) Kategorija EU AI Act-a za AI modele opće namjene (npr. GPT, Claude, Gemini) sa širokim sposobnostima; obveze dokumentacije i transparentnosti od kolovoza 2025.
- Grafički procesor (GPU) Grafički procesor s tisućama paralelnih jezgri; danas je glavni hardver za treniranje i inferenciju AI modela, dominantno NVIDIA H100/B200.
- Granični model Najveći i najsposobniji opći AI modeli na samom vrhu mogućnosti (GPT-5, Claude Opus, Gemini); središte rasprava o sigurnosti i regulaciji frontiera.
H
I
- Inferencija (izvođenje modela) Faza u kojoj već istreniran model generira izlaze za nove ulaze; troši GPU/TPU resurse i određuje cijenu, latenciju i propusnost AI usluga.
- Interpretabilnost (interpretability) Istraživačko polje koje nastoji razumjeti unutarnje mehanizme AI modela — značajke i sklopove — kako bi se objasnilo zašto model proizvodi određene izlaze.
- Inženjering uputa (prompt engineering) Praksa oblikovanja upita jezičnim modelima kako bi pouzdano davali željeni rezultat; obuhvaća izričaj, strukturu, primjere i sistemske upute u prompts.
J
K
- Kontekstni prozor Maksimalan broj tokena koje LLM može razmotriti odjednom — uključuje upit, dokumente i odgovor; danas seže od 8K do 2 milijuna tokena.
- Korištenje alata Sposobnost velikog jezičnog modela da poziva vanjske alate, funkcije i API-je kako bi djelovao izvan generiranja teksta; temelj rada AI agenata.
- KV predmemorija Spremljeni ključ/vrijednost tenzori pažnje koji se ponovno koriste kroz korake dekodiranja kako bi se ubrzala inferencija velikih jezičnih modela.
- Kvantizacija Smanjenje numeričke preciznosti težina modela (npr. FP16 na INT8 ili INT4) radi manje veličine i brže inferencije uz minimalan gubitak točnosti.
L
- Lanac razmišljanja (Chain-of-Thought) Tehnika kojom jezični model prije konačnog odgovora ispisuje niz međukoraka rezoniranja, čime znatno poboljšava točnost na složenim, višekoračnim zadacima.
- Llama (Meta) Obitelj velikih jezičnih modela otvorenih težina koju je objavila Meta, široko korištena za fino podešavanje i lokalnu primjenu u open-source zajednici.
- LoRA Tehnika parameter-efficient fine-tuninga koja zamrzava težine osnovnog modela i trenira male adapterske matrice niskog ranga umjesto svih parametara.
M
- Mehanizam pažnje (attention) Tehnika neuronskih mreža koja modelu omogućuje vaganje važnosti svakog ulaznog tokena u odnosu na druge, srž suvremenih transformera.
- Mixture of Experts (MoE) Arhitektura neuronske mreže koja za svaki ulaz aktivira samo dio svojih parametara, čime nudi sposobnosti puno većeg modela uz znatno manji trošak inference-a.
- Model Context Protocol (MCP) Otvoreni protokol koji je Anthropic predstavio 2024. godine i koji standardizira način spajanja AI asistenata na vanjske alate i izvore podataka, slično kao što USB-C standardizira fizičke veze.
- Model svijeta Naučena interna reprezentacija dinamike okoline koju AI sustav koristi za predviđanje budućih stanja i planiranje akcija bez stalnog pokušaja u stvarnom svijetu.
- Multimodalni model AI sustav koji unutar jednog modela obrađuje i/ili generira više modaliteta — tekst, slike, audio i video — a ne samo jednu vrstu podataka.
N
O
- Opća umjetna inteligencija Hipotetska umjetna inteligencija koja dostiže ili nadmašuje ljudske sposobnosti u praktički svim kognitivnim zadacima, za razliku od današnje uske AI.
- Orkestracija agenata Koordiniranje više AI agenata, alata i koraka u jedinstven tijek rada — kroz planere, rutere i okvire poput LangGrapha — radi pouzdanijih rezultata.
- Otvorene težine Modeli čije se istrenirane težine mogu javno preuzeti i pokretati (Llama, Mistral, DeepSeek), ali bez objavljenih podataka i koda za treniranje — manje od potpunog open-sourcea.
P
- Pojačano učenje iz ljudske povratne informacije (RLHF) Tehnika treniranja u kojoj ljudski ocjenjivači rangiraju odgovore modela, a ti rangovi koriste se za fino podešavanje LLM-a da bude koristan i siguran.
- Pozivanje funkcija Strukturirani mehanizam kojim veliki jezični model umjesto teksta vraća poziv razvojno definirane funkcije s argumentima, koje aplikacija zatim izvršava.
- Prompt Injection Napad u kojem nepouzdan tekst u ulazu LLM-a uzrokuje da model slijedi napadačeve instrukcije umjesto developerovih; rangiran #1 u OWASP Top 10 za LLM aplikacije.
R
- Reasoning model (model rezoniranja) LLM treniran da proizvodi dugi, promišljeni lanac razmišljanja prije konačnog odgovora, mijenjajući vrijeme inference-a za točnost na složenim problemima.
- Reranking Drugi prolaz pretraživanja koji preuređuje dohvaćene kandidate po relevantnosti, najčešće cross-encoder modelom, radi točnijih RAG i pretraživačkih rezultata.
- Retrieval-Augmented Generation (RAG) Obrazac koji kombinira sustav pretraživanja s jezičnim modelom: model dohvaća relevantne dokumente iz baze znanja prije odgovora, čime se odgovor temelji na stvarnim podacima.
S
- Samonadzirano učenje Pristup treniranju gdje model uči iz neoznačenih podataka stvarajući vlastite ciljeve, npr. predviđanjem skrivenih tokena u rečenici.
- Sigurnosne ograde (guardrails) Sigurnosne kontrole i filtri koji ograničavaju ulaze i izlaze AI modela — klasifikatori sadržaja, filtri politika i detektori napada oko samog modela.
- Sigurnost umjetne inteligencije (AI safety) Šire područje koje pokriva tehničke, organizacijske i politike rizike AI sustava — od pogrešaka i zlouporabe do dugoročnih egzistencijalnih briga.
- Sintetički podaci Umjetno generirani podaci — od modela ili simulacije — koji nadopunjuju ili zamjenjuju ljudske podatke pri treniranju i evaluaciji AI modela.
- Sistemski prompt (system prompt) Početne upute, persona i pravila ponašanja koje usmjeravaju asistenta kroz cijeli razgovor — odvojene od korisnikovih poruka i tretirane s višim prioritetom.
- Spekulativno dekodiranje Ubrzanje inferencije u kojem mali nacrtni model predlaže više tokena, a veliki model ih paralelno provjerava i prihvaća, uz isti izlaz.
- Stable Diffusion Latentni difuzijski model otvorenih težina koji je Stability AI objavio 2022.; prvi široko dostupan tekst-u-sliku generator za potrošačke GPU-ove.
T
- Temeljni model Veliki model treniran na širokim podacima koji se prilagođava za mnoge zadatke; pojam Stanford CRFM-a obuhvaća LLM-ove, vizualne i multimodalne modele.
- Test-time compute (compute pri inferenciji) Trošenje dodatnog računalnog vremena tijekom inferencije — dulje razmišljanje prije odgovora — kako bi se povećala točnost; temelj reasoning modela.
- Tokenizacija Postupak razlaganja teksta na manje jedinice (tokene) — riječi, podriječi ili znakove — koje jezični model može obraditi i pretvoriti u brojeve.
- TPU (Tensor Processing Unit) TPU je Googleov namjenski ASIC čip za ubrzavanje strojnog učenja, optimiziran za matrične operacije pri treniranju i izvođenju neuronskih mreža.
- Transformer Arhitektura neuronske mreže predstavljena 2017. koja danas pokreće gotovo svaki suvremeni veliki jezični model. Temelji se na mehanizmu self-attention-a.
U
- Učenje iz konteksta (In-Context Learning) Sposobnost jezičnog modela da novi zadatak nauči iz primjera danih u promptu — bez ažuriranja težina — oslanjajući se na few-shot ili zero-shot demonstracije.
- Učenje potkrepljivanjem (Reinforcement Learning) Paradigma treniranja u kojoj agent uči donositi odluke kroz interakciju s okolinom, vođen signalima nagrade; temelj je RLHF-a i treniranja modela rezoniranja.
- Ulagivanje (Sycophancy) Sklonost AI modela da se slaže s korisnikom i laska mu, govoreći ono što korisnik želi čuti umjesto onoga što je točno i utemeljeno.
- Usklađenost umjetne inteligencije (AI alignment) Istraživačko polje koje nastoji osigurati da AI sustavi slijede ljudske namjere, vrijednosti i sigurnosne ciljeve umjesto neželjenih ishoda.
- Ustavni AI (Constitutional AI) Anthropicova metoda usklađivanja modela pomoću pisanog skupa načela („ustava”) i AI povratne informacije (RLAIF) umjesto ljudskih oznaka za štetne odgovore.
V
- Vektorska baza podataka Specijalizirana baza podataka koja pohranjuje i pretražuje vektorske ugradnje pomoću semantičke sličnosti; temelj suvremenih RAG sustava.
- Veliki jezični model Neuronska mreža trenirana na ogromnim količinama teksta koja predviđa i generira ljudski jezik; temelj suvremenih AI asistenata poput ChatGPT-a, Claudea i Geminija.
- Višeagentski sustav AI arhitektura u kojoj više specijaliziranih agenata surađuje, delegira ili se natječe kako bi zadatak riješili pouzdanije od jednog monolitnog modela.
- Vizualno-jezični model AI model zajednički treniran na slikama i tekstu — "vidi" sliku i o njoj rasuđuje u prirodnom jeziku; temelj vizije u GPT-4o, Claudeu i Gemini.
- Vodeni žig (AI) Ugrađivanje skrivenih, strojno čitljivih signala u tekst, slike ili zvuk koje stvori AI, kako bi se dokazalo podrijetlo sadržaja — npr. Googleov SynthID.