Речник на AI термините

Публикувано: 20 октомври 2026 г.

41 понятия от изкуствения интелект, обяснени на български – с английския термин и източник за всяко определение.

AI агент (AI agent)

Софтуер, който сам планира и изпълнява стъпки, за да свърши задача вместо вас. Агентът използва инструменти: търсачка, файлове, браузър, програмен код. Разликата с чата е, че агентът действа, а не само отговаря. Източник: Google – Machine Learning Glossary (agent)

AI грамотност (AI literacy)

Познанията, нужни, за да се използва AI разумно и да се разбират рисковете му. AI Act въведе изискване за това от 2 февруари 2025 г. След промените от 2026 г. (AI Omnibus) задължението за фирмите е опростено, а Комисията и държавите поемат по-голяма роля. Източник: European Commission – AI Omnibus enters into force

API (приложно-програмен интерфейс) (Application programming interface)

Начин програми да говорят една с друга, без човек да натиска бутони. Чрез API на OpenAI, Anthropic или Google собственият ви софтуер праща заявки към модела. Таксува се отделно от абонаментите за чат. Източник: Wikipedia – API

MCP (Model Context Protocol) (Model Context Protocol)

Отворен протокол, по който AI приложенията се свързват с външни източници на данни и инструменти. Anthropic го сравнява с USB-C порт: един стандарт вместо отделна връзка за всяка услуга. Източник: Anthropic – Glossary (MCP)

RAG (генериране с извличане на информация) (Retrieval-augmented generation)

Техника, при която към въпроса автоматично се добавят откъси от външна база знания: документи, наръчници, бележки. Моделът отговаря въз основа на тях. Така може да работи с данни, които не е виждал при обучението. Източник: Anthropic – Glossary (RAG)

RLHF (обучение с подкрепление от човешка обратна връзка) (Reinforcement learning from human feedback)

Хора подреждат няколко отговора на модела от най-добър към най-лош. Моделът после се дообучава да дава отговори като предпочетените. Така става по-полезен и по-послушен като събеседник. Източник: Anthropic – Glossary (RLHF)

Акт за изкуствения интелект (AI Act) (EU AI Act – Regulation (EU) 2024/1689)

Регламентът на ЕС за изкуствения интелект – първата цялостна правна рамка за AI в света. Разделя системите в четири нива на риск – от неприемлив, който е забранен, до минимален, за който няма нови правила. В сила е от 1 август 2024 г., а отделните правила започват да се прилагат на етапи. Източник: European Commission – AI Act

Базов модел (Foundation model)

Много голям предварително обучен модел, който се справя с широк кръг задачи. Служи и като основа за по-тесни версии чрез фина настройка. В законодателството на ЕС близкото понятие е „модел с общо предназначение“. Източник: Google – Machine Learning Glossary (foundation model)

Бенчмарк (Benchmark)

Стандартен набор от задачи и метрика, с които се сравняват моделите – например отговори на въпроси или превод. Резултатите показват напредък, но не казват как моделът ще се справи с вашата конкретна задача. Най-сигурният тест е собствен пример. Източник: Wikipedia – Language model benchmark

Верига от разсъждения (Chain-of-thought prompting)

Техника, при която молите модела да покаже разсъжденията си стъпка по стъпка. Помага при задачи с изчисления и логика. Междинните стъпки освен това позволяват да видите къде е сгрешил. Източник: Google – Machine Learning Glossary (chain-of-thought prompting)

Генеративен изкуствен интелект (Generative AI)

Модели, които създават ново съдържание: текст, изображения, музика, код. Google отбелязва, че областта няма формално определение. Общото е, че резултатът е сложен, свързан и оригинален, а не избор от готови варианти. Източник: Google – Machine Learning Glossary (generative AI)

Голям езиков модел (LLM) (Large language model)

Модел с огромен брой параметри, обучен върху много текст. Пише, отговаря на въпроси, обобщава и превежда. ChatGPT, Claude и Gemini са изградени върху такива модели, допълнително настроени да работят като асистенти. Източник: Anthropic – Glossary (LLM)

Дестилация (Distillation)

Голям модел („учител“) обучава по-малък („ученик“) да дава сходни отговори. Малкият модел е по-бърз и по-евтин за работа. Затова много доставчици предлагат „лека“ версия до основния си модел. Източник: Google – Machine Learning Glossary (distillation)

Дийпфейк (Deepfake)

Изображение, звук или видео, създадено или променено с AI така, че да изглежда истинско. AI Act изисква такова съдържание да бъде ясно и видимо обозначено. Правилата за прозрачност се прилагат от август 2026 г. Източник: European Commission – AI Act (Transparency risk)

Дифузионен модел (Diffusion model)

Вид генеративен модел, който се учи да маха шума от изображение стъпка по стъпка. За да създаде нова картина, тръгва от чист шум и постепенно го „изчиства“ според описанието. Stable Diffusion е най-известният пример. Източник: Wikipedia – Diffusion model

Ембединг (векторно представяне) (Embedding)

Списък от числа, който описва смисъла на текст. Текстове с близко значение получават близки вектори. На това се крепят семантичното търсене, препоръките и повечето RAG системи. Източник: OpenAI – Vector embeddings

Заявка без примери (Zero-shot prompting)

Задавате задачата, без да показвате пример за желания отговор. Работи добре за ясни и често срещани задачи. Когато форматът е специфичен, обикновено е по-добре да добавите примери. Източник: Google – Machine Learning Glossary (zero-shot prompting)

Заявка с няколко примера (Few-shot prompting)

В промпта има два или повече примера „вход – очакван изход“. Моделът улавя шаблона и го прилага към новия случай. Нарича се още обучение в контекста (in-context learning), защото моделът не се променя – учи се само в рамките на разговора. Източник: Google – Machine Learning Glossary (few-shot prompting)

Инференция (Inference)

Използването на вече обучен модел, за да даде отговор на нова заявка. Всеки ваш въпрос към чатбота е инференция. Цените на API покриват именно нея, а не обучението. Източник: Google – Machine Learning Glossary (inference)

Контекстен прозорец (Context window)

Колко текст моделът „вижда“ наведнъж: инструкциите, разговора и приложените файлове. Това е работната му памет, а не данните, с които е обучен. Когато разговорът стане по-дълъг от прозореца, най-старите части вече не участват в отговора. Източник: Anthropic – Glossary (Context window)

Латентност (Latency)

Времето от изпращането на заявката до получаването на отговора. Зависи от размера на модела, натоварването на сървърите, мрежата и дължината на текста. За гласови асистенти и чат на живо е решаваща. Източник: Anthropic – Glossary (Latency)

Модел с общо предназначение (GPAI) (General-purpose AI model)

Модел, който може да изпълнява широк кръг задачи и служи за основа на много AI системи. Според AI Act доставчиците му имат задължения за прозрачност и авторско право. Правилата за тези модели се прилагат от август 2025 г. Източник: European Commission – AI Act (GPAI)

Модел с отворени тегла (Open-weight model)

Модел, чиито тегла са публикувани за изтегляне. Може да се пусне на собствен сървър или компютър. Лицензът обаче решава дали е разрешена търговска употреба и промени, затова „отворени тегла“ не означава автоматично отворен код. Източник: Wikipedia – Open weights

Мултимодален модел (Multimodal model)

Модел, който приема или създава повече от един вид данни – текст, изображения, звук, видео. Можете например да снимате сметка и да попитате колко е ДДС-ът. Повечето големи асистенти днес са мултимодални. Източник: Google – Machine Learning Glossary (multimodal model)

Настройка по инструкции (Instruction tuning)

Вид фина настройка, при която моделът се обучава върху много примери „инструкция – добър отговор“. След нея следва указания по-добре. Затова чат асистентите изпълняват молби, вместо просто да продължават текста. Източник: Google – Machine Learning Glossary (instruction tuning)

Обосноваване с източници (Grounding)

Отговорът се гради върху информация от конкретни надеждни източници, а не само върху наученото при обучението. Типичен пример е търсене в мрежата преди отговор за днешното време. Намалява риска от халюцинации, но не го премахва. Източник: Google – Machine Learning Glossary (grounding)

Параметри (Parameters)

Числата, които моделът научава по време на обучението – теглата и отместванията. Броят им често се използва като мярка за размера на модела. Повече параметри не гарантират по-добър отговор за конкретна задача. Източник: Google – Machine Learning Glossary (parameter)

Предварително обучение (Pretraining)

Първият и най-скъп етап от създаването на модела. Той чете огромен корпус текст и се учи да предсказва следващата дума. Резултатът още не е асистент; трябват допълнителни етапи, за да следва инструкции. Източник: Anthropic – Glossary (Pretraining)

Пренагаждане (Overfitting)

Моделът е запомнил обучителните данни толкова точно, че греши при нови случаи. Важен риск при фина настройка с малко примери. Помагат повече и по-разнообразни данни. Източник: Google – Machine Learning Glossary (overfitting)

Пристрастие (Bias (ethics/fairness))

Стереотипи или предпочитание към едни групи хора за сметка на други. Може да влезе в модела през данните, през начина на обучение или през начина, по който хората ползват резултатите. Проверявайте особено внимателно отговори за хора, наемане на работа и кредит. Източник: Google – Machine Learning Glossary (bias – ethics/fairness)

Промпт (заявка) (Prompt)

Текстът, който подавате на модела, за да получите отговор. Може да е една фраза или цяла книга. Освен въпроса, в промпта често влизат примери, контекст и изисквания към формата. Източник: Google – Machine Learning Glossary (prompt)

Промпт инженерство (Prompt engineering)

Умението да формулирате заявката така, че моделът да върне нужния резултат. Включва ясни инструкции, контекст, примери и подреждане на текста. OpenAI го описва като смесица от изкуство и наука, защото отговорите не са напълно предвидими. Източник: OpenAI – Prompt engineering

Свързване на заявки (Prompt chaining)

Резултатът от една заявка става вход за следващата. Сложната задача се разделя на няколко по-прости: първо извличане, после анализ, накрая текст. Всяка стъпка е по-лесна за проверка. Източник: Google – Machine Learning Glossary (prompt chaining)

Системен промпт (System prompt / developer message)

Инструкции с по-висок приоритет от обикновеното съобщение на потребителя. Задават роля, тон, език и ограничения за целия разговор. В API на OpenAI се наричат developer съобщения или параметър instructions. Източник: OpenAI – Prompt engineering (Message roles)

Тегла (Weights)

Стойностите, с които моделът умножава входните данни. Обучението търси най-добрите тегла, а при употреба моделът ги прилага, за да даде отговор. Когато компания „публикува модела“, обикновено публикува именно теглата. Източник: Google – Machine Learning Glossary (weight)

Температура (Temperature)

Настройка, която определя колко случайни са отговорите. Ниската дава предвидими и консервативни формулировки, високата – по-разнообразни и неочаквани. Дори при стойност 0 отговорите не са напълно еднакви при всяко повикване. Източник: Anthropic – Glossary (Temperature)

Токен (Token)

Най-малкото парче текст, с което моделът работи: цяла дума, част от дума, знак или байт. Колко текст се побира в един токен зависи от модела и от езика. Лимитите и цените на API се смятат в токени, не в думи. Източник: Anthropic – Glossary (Tokens)

Токенизатор (Tokenizer)

Алгоритъмът, който нарязва входа на токени, преди моделът да го обработи. При мултимодалните модели токенизаторът превръща в токени и изображения или звук. Различните модели имат различни токенизатори, затова един и същи текст струва различно при различните доставчици. Източник: Google – Machine Learning Glossary (tokenizer)

Трансформър (Transformer)

Архитектура на невронна мрежа, разработена в Google, която разчита на механизма за внимание (self-attention). Обработва цялата последователност наведнъж и преценява коя дума към коя е важна. Върху нея са изградени почти всички съвременни езикови модели. Източник: Google – Machine Learning Glossary (Transformer)

Фина настройка (Fine-tuning)

Допълнително обучение на вече готов модел с ваши данни. Моделът започва да подражава на стила и шаблоните в тях. Полезно е за тесни задачи, но изисква внимателен подбор на данните. Източник: Anthropic – Glossary (Fine-tuning)

Халюцинация (Hallucination)

Отговор, който звучи правдоподобно, но е фактически грешен. Пример е измислен цитат, несъществуваща статия или грешна дата. Моделът не „лъже“ съзнателно; той генерира вероятен текст, а вероятното не винаги е вярно. Източник: Google – Machine Learning Glossary (hallucination)