Termenii sunt organizați în capitole tematice, de la bazele AI până la aspecte avansate de securitate, evaluare și adopție. Fiecare secțiune oferă definiții clare, explicații practice și exemple de utilizare în context real.
Conceptele de bază: AI, ML, Neural Networks, Deep Learning, Transformer, GenAI — ierarhia care stă la baza tuturor celorlalte tehnologii.
LLM, SLM, VLM, GPT, ChatGPT, Claude, Copilot — tipurile de modele și asistenții AI utilizați în practică.
Prompt, Prompt Engineering, System Prompt, Context Window, Token, Temperature — tehnici pentru a obține cele mai bune rezultate.
RAG, Retrieval, Embedding, Vector, Semantic Search, Chunking, Knowledge Base — infrastructura pentru AI pe documente.
Responsible AI, Governance, Privacy, GDPR, Guardrails, AI Literacy, ROI, Pilot — utilizarea responsabilă și integrarea organizațională.
Înțelegerea ierarhiei conceptelor de bază este esențială pentru oricine lucrează cu tehnologii AI. De la categoria largă a inteligenței artificiale până la arhitecturile specifice care alimentează modelele moderne, acești termeni formează vocabularul fundamental al domeniului.
Orice sistem care imită funcții cognitive umane: învățare, raționament, recunoaștere, decizie, generare. Este categoria mare în care intră toate celelalte concepte.
AI care învață din date, nu doar din reguli scrise manual. Utilizat pentru recomandări, predicții, clasificări și detecție de tipare.
Modele inspirate vag din structura creierului, formate din „noduri" conectate. Stau la baza recunoașterii de imagini, limbaj, sunet și tipare complexe.
Rețele neuronale cu multe straturi. Baza multor modele moderne de AI: viziune, voce, limbaj, generare de conținut.
Introdusă în 2017, arhitectura Transformer a revoluționat procesarea limbajului natural. Extrem de eficientă pentru contexte lungi, stă la baza multor LLM-uri moderne, inclusiv GPT, Claude și Gemini. Mecanismul de „atenție" permite modelului să înțeleagă relații complexe între cuvinte, indiferent de distanța lor în text.
AI care creează conținut nou: text, imagini, cod, audio, video. Aplicabilă în scriere, brainstorming, design, sinteză, simulări și automatizare creativă. GenAI a democratizat accesul la creație digitală, permițând non-tehnicienilor să genereze conținut sofisticat cu ajutorul unor instrucțiuni simple.
Peisajul modelelor AI este vast și în continuă evoluție. Înțelegerea diferențelor dintre tipurile de modele — de la LLM-uri masive la modele mici specializate — permite alegerea instrumentului potrivit pentru fiecare sarcină. Mai jos sunt prezentați principalii termeni și reprezentanți ai acestei categorii.
Model AI antrenat pe volume mari de text, optimizat pentru limbaj. Exemple: ChatGPT, Claude, Gemini, Copilot. Utilizat pentru conversație, redactare, analiză și rezumare.
Model de limbaj mai mic decât un LLM. Aplicații mai ieftine, mai rapide, uneori locale sau specializate. Ideal pentru dispozitive cu resurse limitate.
Model care înțelege împreună imagini și limbaj. Utilizat pentru analiza de imagini, screenshoturi, grafice și documente vizuale.
AI care procesează mai multe tipuri de input: text, imagine, audio, video, documente. Permite lucrul cu fișiere complexe, poze, tabele, voce și prezentări.
Calitatea interacțiunii cu un model AI depinde în mod direct de felul în care formulăm instrucțiunile. Prompt Engineering este abilitatea de a comunica eficient cu modelele AI — o competență esențială pentru oricine dorește rezultate precise, consistente și valoroase.
Instrucțiune către AI. Cererea pe care o formulezi către model. Calitatea promptului influențează direct calitatea răspunsului. Un prompt bun include context, rol, obiectiv și format dorit.
Proiectarea prompturilor. Metoda de a formula instrucțiuni clare, cu context, rol, obiectiv și format. Obții răspunsuri mai precise, mai utile și mai consistente. Este o disciplină în sine, cu tehnici validate.
Instrucțiune de sistem. Instrucțiune de nivel superior care stabilește comportamentul modelului. Definește rolul, limitele, stilul și regulile de lucru ale AI-ului — invizibilă pentru utilizatorul final, dar fundamentală.
Fereastra de context. Informația oferită modelului + cantitatea maximă procesabilă într-o conversație. Importantă când lucrezi cu documente lungi, cursuri, rapoarte sau transcripturi extinse.
Unitate de procesare & parametru de creativitate. Tokenul este unitatea de text procesată. Temperature controlează cât de creativ sau previzibil este răspunsul — mică pentru acuratețe, mare pentru idei creative.
Ceri sarcina fără exemple. Rapid, util pentru sarcini simple și directe.
Oferi câteva exemple înainte de sarcină. Crește calitatea și consistența rezultatului.
Modelul rezolvă problema în etape. Utilă pentru probleme complexe, analiză, planificare.
Model optimizat pentru pași logici multipli. Strategie, matematică, analiză complexă.
Această familie de concepte descrie infrastructura care permite AI-ului să lucreze cu documente specifice, baze de cunoștințe interne și surse externe de informație. RAG și embedding-urile sunt fundamentul asistenților AI pe documente, chatboților interni și sistemelor de căutare inteligentă.
Metodă prin care AI-ul caută informații externe și apoi generează răspunsul. Utilizat pentru chatboți interni, asistenți pe documente și baze de cunoștințe. RAG combină puterea generativă a LLM-urilor cu precizia surselor concrete, reducând semnificativ riscul de halucinații.
Procesul prin care sistemul caută informații relevante înainte să răspundă. Găsește fragmentele utile din documente sau baze de date, pe baza similitudinii semantice cu întrebarea utilizatorului.
Transformarea textului, imaginii sau conceptului într-un vector numeric. Permite căutare semantică și comparație după sens, nu doar după cuvinte exacte. Un embedding captează „înțelesul" unui fragment de conținut într-un spațiu matematic multidimensional.
Vectorul este o listă de numere care reprezintă sensul unui conținut. Vector Database este baza de date care stochează embedding-uri. Utilizată în RAG, căutare semantică și chatboți pe documente. Exemple populare: Pinecone, Weaviate, ChromaDB, pgvector.
Căutarea semantică găsește informații relevante după sens, chiar dacă formularea diferă. Chunking este împărțirea documentelor în bucăți mai mici pentru procesare — ajută sistemele RAG să identifice pasajele cele mai relevante.
Fluxul RAG transformă o întrebare simplă într-un răspuns fundamentat: sistemul caută fragmentele relevante, le adaugă ca context modelului, iar LLM-ul generează un răspuns precis și verificabil. Această arhitectură este esențială pentru orice aplicație AI care operează pe documente interne sau baze de cunoștințe proprietare.
Înțelegerea ciclului de viață al unui model AI — de la colectarea datelor la antrenare, ajustare fină și utilizare în producție — este esențială pentru profesioniștii care evaluează, selectează sau gestionează soluții AI. Acești termeni explică cum sunt create și îmbunătățite modelele.
Procesul prin care modelul învață din date. Creează capacitățile de bază ale modelului. Training-ul necesită volume masive de date și resurse computaționale semnificative.
Datele folosite pentru a antrena modelul. Calitatea și diversitatea datelor influențează direct calitatea și limitele modelului rezultat.
Adaptarea unui model deja antrenat pe un set specific de date. Creează comportamente, stiluri sau sarcini specializate — mai eficient decât antrenarea de la zero.
Momentul în care modelul produce un răspuns după ce a fost antrenat. Este ceea ce se întâmplă când folosim ChatGPT sau orice alt serviciu AI în timp real.
Date generate artificial, inclusiv cu AI. Utilizate pentru testare, simulare, completarea seturilor de date și training în scenarii rare sau sensibile.
Tendința modelului de a reproduce dezechilibre sau stereotipuri din datele de antrenare. Important de monitorizat în HR, educație, recrutare, evaluare și orice domeniu care afectează decizii despre oameni. Bias-ul poate fi subtil și greu de detectat fără evaluări dedicate.
Răspuns fals sau inventat, formulat convingător de model. Modelele pot genera informații plauzibile dar incorecte, în special pentru detalii factuale, date, surse sau calcule. Necesită verificare, utilizarea de surse și gândire critică din partea utilizatorului.
Utilizarea responsabilă a AI nu este opțională — este o condiție pentru încredere, conformitate legală și impact pozitiv. Această categorie acoperă termenii esențiali pentru oricine gestionează, implementează sau utilizează soluții AI în context organizațional sau profesional.
Utilizarea AI cu grijă pentru acuratețe, transparență, echitate și siguranță. AI Ethics analizează impactul AI asupra oamenilor, deciziilor și societății — clarifică limitele, responsabilitatea și consecințele utilizării AI.
Set de politici, roluri, procese și controale pentru folosirea AI. Ajută organizațiile să folosească AI sigur, etic și eficient. Include definirea responsabilităților, aprobarea cazurilor de utilizare și monitorizarea continuă.
Guardrails sunt reguli și limite care controlează comportamentul AI — previn răspunsuri riscante sau neconforme. Human-in-the-loop înseamnă că omul verifică, validează sau decide în fluxul AI — esențial în HR, legal, medical, financiar.
Explainability — capacitatea de a explica de ce sistemul a produs un rezultat. Interpretability — înțelegerea mecanismelor interne ale modelului. Ambele sunt importante în decizii cu impact asupra oamenilor și în domenii reglementate.
Protejarea datelor personale și sensibile. PII (Personally Identifiable Information) include: nume, email, CNP, adresă, telefon. Nu trebuie introduse necontrolat în instrumente AI publice.
Protecția datelor împotriva accesului neautorizat. Esențială în companii și în lucrul cu documente interne sau date de clienți.
Regulamentul european privind protecția datelor personale. Relevanță majoră pentru orice utilizare a AI în Europa, în special cu date de clienți sau angajați.
Dincolo de text, AI-ul modern procesează o gamă largă de modalități: voce, imagini, video, documente scanate. Această secțiune acoperă termenii esențiali din NLP, procesarea vocii și generarea de conținut vizual.
NLP (Natural Language Processing) este domeniul care se ocupă de procesarea limbajului uman de către computere — clasificare text, traducere, analiză de sentiment, rezumare.
NLU (Natural Language Understanding) se concentrează pe înțelegerea sensului: identifică intenții, entități, relații și context.
NLG (Natural Language Generation) generează limbaj natural: emailuri, rezumate, articole, răspunsuri conversaționale.
ASR / STT (Automatic Speech Recognition / Speech to Text) transformă vocea în text — utilizat pentru transcrieri, subtitrări, dictare, notițe din ședințe.
TTS (Text to Speech) convertește textul în voce — utilizat pentru voice-over, asistenți vocali și accesibilitate.
OCR (Optical Character Recognition) extrage text din imagini, scanuri sau PDF-uri — transformă documente scanate în text editabil.
Document Understanding este capacitatea AI de a interpreta documente cu text, tabele, layout și imagini — facturi, contracte, formulare, rapoarte, politici interne.
Layout Analysis identifică elementele vizuale ale paginii: titluri, coloane, tabele, paragrafe — ajută AI-ul să înțeleagă documente complexe.
Text-to-Image: Generare de imagini din prompt text.
Image-to-Image: Modificarea unei imagini existente cu AI.
Image-to-Text: Descrierea sau extragerea info dintr-o imagine.
Text-to-Video: Generare de video din instrucțiuni text.
GAN & Diffusion Model: Arhitecturi generative pentru imagini și date sintetice.
Transformarea unei voci în altă voce sau traducere vocală. Utilizat pentru dublaj, traducere audio și asistenți vocali multilingvi.
Sistem AI care urmărește un obiectiv, folosește instrumente și execută pași autonomi. Permite automatizări, asistenți operaționali și fluxuri complexe.
Tool Use este capacitatea AI de a apela aplicații, API-uri, fișiere sau baze de date. API (Application Programming Interface) conectează AI-ul cu platforme și sisteme externe.
Automatizarea unui proces cu mai mulți pași: emailuri, rapoarte, notificări, CRM, calendar, documente — AI acționează, nu doar răspunde.
Evaluarea sistemelor AI este critică pentru adoptarea responsabilă. De la metrici de performanță la vulnerabilități de securitate, această secțiune acoperă termenii care ajută profesioniștii să selecteze, testeze și protejeze soluțiile AI utilizate în organizații.
Evaluarea verifică calitatea răspunsurilor AI: acuratețe, utilitate, stil, siguranță. Benchmark-ul este un set standardizat de teste pentru compararea modelelor — ajută la alegerea modelului potrivit pentru o sarcină.
Accuracy — cât de corect este răspunsul. Reliability — cât de constant produce rezultate bune. Robustness — capacitatea sistemului de a funcționa bine în condiții variate, când inputurile sunt imperfecte sau neașteptate.
Latency — timpul până când sistemul răspunde, importantă pentru experiența utilizatorului. Cost per Token — costul utilizării AI calculat pe baza tokenilor procesați, esențial pentru bugetarea proiectelor mari.
Prompt Injection — atac prin care cineva încearcă să schimbe comportamentul AI prin instrucțiuni malițioase. Jailbreak — încercare de a determina modelul să ignore regulile de siguranță. Riscuri importante în aplicații conectate la documente sau internet.
Red Teaming — testarea adversarială a sistemului pentru descoperirea vulnerabilităților. Grounding — ancorarea răspunsurilor AI în surse concrete: documente, baze de date, linkuri. Reduce halucinațiile și crește încrederea în rezultate.
Acoperiti complet în acest glosar
Organizare logică de la baze la adopție
Modele, Prompting, RAG, Etică, Adopție
Adoptarea AI nu este doar o decizie tehnologică — este o transformare organizațională și individuală. Această secțiune acoperă termenii care descriu maturitatea AI a unei persoane sau organizații, inclusiv conceptele emergente de optimizare pentru motoarele generative.
Capacitatea de a înțelege ce este AI, cum funcționează și cum se folosește responsabil. Fundament pentru orice utilizator non-tehnic.
Capacitatea de a lucra natural, eficient și critic cu instrumentele AI. Trecerea de la „știu ce este" la „știu să folosesc bine".
Procesul prin care oamenii și organizațiile integrează AI în muncă. Include competențe, procese, guvernanță, cultură și încredere.
Gradul în care o persoană sau organizație este pregătită să folosească AI. Ajută la diagnoză, plan de training și implementare strategică.
AEO (Answer Engine Optimization) — optimizarea conținutului pentru motoare care oferă răspunsuri directe. Importantă pentru vizibilitate în căutarea asistată de AI.
GEO (Generative Engine Optimization) — optimizarea conținutului pentru motoare generative care sintetizează răspunsuri. Ajută brandurile și experții să fie mai ușor de înțeles și citați de AI.
LLMO (Large Language Model Optimization) — optimizarea prezenței digitale astfel încât LLM-urile să înțeleagă corect un brand sau expert. Relevantă pentru personal branding, consultanță și autoritate digitală.
Un Use Case este o situație concretă în care AI rezolvă o problemă specifică — face legătura între tehnologie și valoare practică.
ROI (Return on Investment) — beneficiul obținut raportat la investiție. Important pentru justificarea proiectelor AI în fața managementului.
Un Pilot este un test limitat al unei soluții înainte de implementarea largă — reduce riscul și permite învățare rapidă în condiții reale.
Un Sandbox este un spațiu sigur unde poți testa AI fără impact asupra sistemelor reale — ideal pentru experimentare și formare.
Acest glosar reprezintă un instrument de referință viu — terminologia AI evoluează rapid, dar conceptele fundamentale prezentate aici oferă un cadru stabil pentru înțelegerea oricărei noutăți din domeniu. Stăpânirea acestor termeni este primul pas towards o utilizare informată, eficientă și responsabilă a inteligenței artificiale.
AI, ML, Deep Learning, Transformer — ierarhia de bază care explică cum funcționează totul.
Prompt Engineering, Chain-of-Thought, Few-shot — calitatea comunicării cu AI determină calitatea rezultatelor.
RAG, Vector DB, Semantic Search — infrastructura pentru AI pe documente proprii și baze de cunoștințe.
Guardrails, Governance, Privacy, GDPR — cadrul etic și legal pentru utilizarea sigură a AI în organizații.
„Literația AI nu înseamnă să știi să programezi — înseamnă să înțelegi cum să colaborezi eficient cu sistemele inteligente, să le evaluezi critic și să le folosești în mod responsabil pentru a crea valoare reală."
Un ghid complet de terminologie pentru inteligență artificială — de la concepte fundamentale la modele avansate, tehnici de prompting, securitate și adopție organizațională. Acest document acoperă peste 100 de termeni esențiali, organizați tematic, pentru profesioniști și studenți care doresc să navigheze cu claritate în ecosistemul AI modern.