79 de termeni · 8 categorii

Dicționar AI în română : termenii AI, explicați pe înțeles.

Afli ce înseamnă LLM, ce este RAG, cum lucrează un agent AI și ce prevede AI Act. Fiecare termen are o definiție scurtă, o explicație mai pe larg, termenii înrudiți și cursul în care îl aprofundezi.

Termenii pe categorii Vezi cum se leagă termenii între ei.
Baze Modele Tehnici Agenți Date Securitate Legal Business
Termeni
79
Categorii
8
Trimiteri
156
Cursuri legate
36

Termenii AI, de la A la Z

Caută după termen, după echivalentul englezesc sau după un cuvânt din explicație; diacriticele nu contează. Fiecare termen are o adresă proprie, pe care o poți trimite cuiva.

79 de termeni

Business #

AEO și GEO

Answer engine optimization, generative engine optimization

Optimizarea conținutului ca să fie folosit și citat în răspunsurile motoarelor de căutare cu AI și ale asistenților AI.

Pe lângă poziția în rezultatele clasice, contează dacă o pagină e aleasă ca sursă într-un răspuns generat. Conținutul clar structurat, cu răspunsuri directe, date verificabile și autor identificabil are șanse mai bune. Bazele SEO (pagini rapide, indexabile, utile) rămân necesare.

Agenți și automatizare #

Agent AI

AI agent

Un sistem în care un model decide singur pașii următori și folosește unelte ca să ducă la capăt o sarcină.

Spre deosebire de un asistent care dă un singur răspuns, agentul lucrează în buclă: planifică, acționează (caută, citește, scrie, apelează un API), verifică rezultatul și continuă. Autonomia aduce riscuri noi: acțiuni greșite, costuri, acces la date. De aceea agenții au nevoie de permisiuni limitate, jurnale și, la pașii importanți, aprobare umană.

Agenți și automatizare #

Agent care operează ecranul

Computer use, browser agent

Un agent AI care folosește un calculator sau un browser ca un om: vede ecranul, dă clic, scrie.

E util pentru aplicații vechi sau site-uri fără API. E mai lent și mai fragil decât o integrare directă, pentru că interfețele se schimbă și modelul poate interpreta greșit ce vede. Se rulează într-un mediu izolat, cu acces limitat, mai ales când are de-a face cu conturi și date reale.

Baze #

AI generativ

Generative AI

Sisteme AI care produc conținut nou (text, imagini, sunet, cod) pornind de la o cerere.

Modelele generative învață structura datelor pe care au fost antrenate și produc rezultate noi, asemănătoare ca formă. Un text sau o imagine generată poate arăta convingător și totuși conține greșeli, așa că rezultatul se verifică. Folosirea lui ridică și întrebări de drepturi, de transparență și de protecția datelor.

Legal și conformitate #

Alfabetizarea în domeniul IA

AI literacy

Obligația din articolul 4 al AI Act ca furnizorii și implementatorii de sisteme de IA să ia măsuri care sprijină alfabetizarea în domeniul IA a oamenilor care lucrează cu ele.

Articolul 4 a fost modificat în 2026 prin pachetul „Digital Omnibus” privind IA (Regulamentul (UE) 2026/1744): în forma modificată, nu cere un nivel garantat pentru fiecare om, ci măsuri de sprijin, potrivite cu cunoștințele oamenilor și cu contextul în care sunt folosite sistemele. În practică, organizațiile trebuie să poată arăta ce au făcut ca angajații să folosească corect instrumentele AI, să le cunoască riscurile și să știe ce date nu se introduc. Regulamentul nu impune un anumit curs sau o anumită formă de instruire; pentru formularea exactă, citește forma consolidată pe EUR-Lex.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Baze #

Antrenare

Training

Procesul prin care un model își ajustează parametrii pe un set de date, până când face predicții bune.

La fiecare pas, modelul face o predicție, se măsoară cât de departe e de rezultatul dorit, iar parametrii se corectează puțin. Antrenarea unui model mare de la zero cere multe date și multă putere de calcul; de aceea, cei mai mulți îl adaptează pe unul existent. Antrenarea e etapa de învățare, distinctă de inferență, când modelul e doar folosit.

Agenți și automatizare #

Apel de unelte

Tool use, function calling

Capacitatea unui model de a cere rularea unei funcții externe (căutare, calcul, API) și de a folosi rezultatul.

Dezvoltatorul descrie uneltele disponibile, iar modelul răspunde cu numele uneltei și argumentele, în loc de text. Aplicația rulează unealta și trimite rezultatul înapoi modelului. Așa ajunge un model la date actuale sau poate face acțiuni, iar aplicația decide ce unelte permite și cu ce drepturi.

Agenți și automatizare #

Automatizarea fluxurilor de lucru

Workflow automation

Legarea mai multor aplicații într-un flux care rulează singur la un declanșator (un e-mail, un formular, o oră).

Platformele de automatizare leagă aplicații prin pași predefiniți; pașii cu AI adaugă clasificare, rezumare sau extragere de date. Un flux determinist e previzibil, iar unul condus de un agent e flexibil, dar mai greu de controlat. În practică, cele două se combină, cu verificări la punctele sensibile.

Securitate și etică #

Bariere de siguranță

Guardrails

Verificările puse în jurul unui model ca să blocheze sau să corecteze intrările și ieșirile nepotrivite.

Pot fi reguli simple (formate, cuvinte, limite), clasificatoare care detectează conținut sensibil sau date personale, ori verificări ale acțiunilor unui agent înainte de execuție. Funcționează în straturi, pentru că fiecare filtru scapă ceva. Prea multe restricții fac însă sistemul inutil, așa că se calibrează pe cazuri reale.

Date #

Bază de date vectorială

Vector database

O bază de date optimizată să stocheze embeddings și să găsească rapid vectorii cei mai apropiați de o întrebare.

În RAG, fragmentele documentelor sunt stocate ca vectori, iar la fiecare întrebare se caută cele mai apropiate. Multe sisteme combină căutarea vectorială cu cea clasică după cuvinte și cu filtre (dată, autor, drepturi de acces). Drepturile de acces trebuie respectate și la regăsire, nu doar în documentele originale.

Securitate și etică #

Bias (părtinire)

Bias

O tendință sistematică a unui model de a favoriza sau dezavantaja anumite grupuri, opinii sau tipuri de răspuns.

Apare din date dezechilibrate, din felul în care a fost definit obiectivul sau din etichetare. Contează mai ales când sistemul influențează decizii despre oameni: angajare, credit, acces la servicii. Se reduce prin testare pe grupuri diferite, date mai bune și verificare umană.

Business #

Construiești sau cumperi

Build vs buy

Decizia dacă dezvolți o soluție AI proprie sau folosești un produs existent.

Un produs existent pornește repede, dar te leagă de un furnizor și poate să nu acopere exact cazul tău. O soluție proprie oferă control și diferențiere, cu costuri de dezvoltare și întreținere. Criteriile obișnuite: cât de specific e procesul, ce date sunt implicate, ce competențe ai în echipă și cât de repede se schimbă domeniul.

Tehnici #

Context engineering

Proiectarea a tot ce ajunge în fereastra de context a unui model: instrucțiuni, istoric, documente, rezultatele uneltelor.

Merge dincolo de formularea unei cereri: decide ce informații intră, în ce ordine, ce se rezumă și ce se elimină pe parcurs. E esențial la agenții care lucrează mulți pași, unde contextul crește și se poate umple cu informații irelevante. Scopul e ca modelul să aibă exact ce îi trebuie pentru pasul curent.

Business #

Costul inferenței

Inference cost

Cât costă folosirea unui model în producție, de obicei calculat după tokenii prelucrați sau după infrastructura folosită.

Costul crește cu lungimea contextului, cu numărul de cereri și cu mărimea modelului. Se reduce alegând modelul potrivit pentru fiecare sarcină, scurtând contextul, păstrând rezultatele care se repetă și limitând buclele agenților. Se urmărește continuu, pentru că utilizarea reală diferă de estimări.

Modele #

Cuantizare

Quantization

Reducerea preciziei numerelor din care e făcut un model, ca să ocupe mai puțină memorie și să ruleze mai repede.

Ponderile sunt stocate cu mai puțini biți, iar modelul încape pe hardware mai modest, inclusiv pe un laptop. Compromisul e o posibilă scădere a calității, mai mare la o cuantizare agresivă. E o tehnică frecventă la rularea locală a modelelor cu ponderi deschise.

Legal și conformitate #

Date cu caracter personal

Personal data

Orice informații privind o persoană fizică identificată sau identificabilă, direct sau indirect.

Nu doar numele și CNP-ul: și o adresă de e-mail, un identificator online, date de localizare sau o combinație de detalii care permite identificarea. GDPR tratează separat categoriile speciale, cum sunt datele privind sănătatea sau datele biometrice folosite pentru identificare. Regula practică: nu introduci astfel de date într-un instrument AI fără să știi dacă ai voie și unde ajung.

Regulamentul (UE) 2016/679, textul oficial pe EUR-Lex

Date #

Date de antrenare

Training data

Exemplele din care un model își învață comportamentul.

Ce lipsește din date sau e reprezentat greșit se regăsește în comportamentul modelului, inclusiv sub formă de bias. Proveniența datelor contează și juridic: drepturi de autor, date personale, licențe. La fine-tuning, câteva sute de exemple curate pot conta mai mult decât multe exemple zgomotoase.

Date #

Date sintetice

Synthetic data

Date generate artificial, de obicei cu un model, care imită structura datelor reale.

Se folosesc pentru teste, pentru a completa cazuri rare sau pentru a evita folosirea datelor personale reale. Pot moșteni greșelile și tendințele modelului care le-a generat, așa că se verifică pe eșantioane. Nu înlocuiesc complet datele reale la evaluarea finală.

Legal și conformitate #

Decizie individuală automatizată

Automated individual decision-making

O decizie despre o persoană luată exclusiv prin prelucrare automată, inclusiv crearea de profiluri.

Articolul 22 din GDPR dă persoanei dreptul de a nu face obiectul unei astfel de decizii atunci când produce efecte juridice sau o afectează în mod similar într-o măsură semnificativă, cu excepțiile prevăzute de text. Exemple tipice de situații sensibile: respingerea unei candidaturi sau a unei cereri de credit fără intervenție umană. De aceea, multe procese cu AI păstrează un om care decide efectiv.

Regulamentul (UE) 2016/679, textul oficial pe EUR-Lex

Securitate și etică #

Deepfake

O imagine, o înregistrare audio sau video generată sau manipulată cu AI, care pare autentică.

Poate imita fața sau vocea unei persoane reale și e folosit în fraude („șeful” care cere un transfer urgent), dezinformare sau hărțuire. Apărarea practică e procedurală: confirmarea pe un canal separat, reguli de aprobare a plăților, instruirea oamenilor. Regulamentul european privind IA cere ca implementatorii care generează deepfake-uri să dezvăluie că acel conținut e generat sau manipulat artificial.

Date #

Deriva datelor

Data drift

Schimbarea în timp a datelor reale față de cele pe care a fost antrenat sau testat un model.

Comportamentul clienților, prețurile sau formatul documentelor se schimbă, iar un model bun la lansare poate da rezultate tot mai slabe. Deriva se detectează prin monitorizarea datelor de intrare și a calității rezultatelor. Răspunsul poate fi reantrenarea, actualizarea datelor sau revizuirea regulilor.

Date #

Embedding (vector semantic)

Embedding

Reprezentarea unui text (sau a unei imagini) ca listă de numere, astfel încât conținuturile cu sens apropiat să aibă vectori apropiați.

Embeddings permit căutarea după sens, nu doar după cuvinte exacte: „contract de închiriere” găsește și „chirie”. Sunt baza RAG, a recomandărilor și a grupării documentelor. Calitatea depinde de modelul de embedding și de limba textelor.

Legal și conformitate #

Etichetarea conținutului generat de AI

AI content labeling

Semnalarea, vizibilă sau tehnică, a faptului că un text, o imagine, un sunet sau un clip a fost generat sau modificat cu AI.

Poate fi o mențiune vizibilă pentru public sau un marcaj tehnic în fișier (metadate, filigran digital). Pentru anumite situații, regulamentul european privind IA o transformă din bună practică în obligație. Într-o echipă de comunicare, etichetarea funcționează doar dacă e un pas fix din fluxul editorial.

Tehnici #

Evaluare (evals)

LLM evaluation, evals

Testarea sistematică a răspunsurilor unui sistem AI pe un set de cazuri, cu criterii măsurabile.

În loc de impresii („pare bun”), echipele construiesc seturi de întrebări cu răspunsuri așteptate și le rulează la fiecare schimbare de cerere, model sau date. Criteriile pot fi corectitudinea, fidelitatea față de surse, formatul sau siguranța. Evaluările prind regresiile înainte să ajungă la utilizatori.

Tehnici #

Exemple în prompt

Few-shot prompting

Tehnica de a include câteva exemple rezolvate în cerere, ca modelul să urmeze același tipar.

În loc să descrii în cuvinte formatul sau stilul dorit, arăți două-trei perechi intrare–rezultat. Funcționează bine la clasificare, extragere de date și texte cu formă fixă. Exemplele trebuie alese cu grijă: modelul copiază și greșelile sau tendințele din ele.

Modele #

Fereastră de context

Context window

Cantitatea maximă de text (în tokeni) pe care un model o poate lua în calcul într-o singură cerere.

Fereastra include instrucțiunile, istoricul conversației, documentele atașate și răspunsul generat. Ce nu încape nu există pentru model. O fereastră mare nu garantează că modelul folosește la fel de bine toate informațiile, de aceea contează ce pui în context și în ce ordine.

Tehnici #

Fine-tuning (ajustare fină)

Fine-tuning

Continuarea antrenării unui model existent pe date proprii, ca să se specializeze pe o sarcină sau un stil.

Fine-tuning-ul schimbă comportamentul modelului (format, ton, tip de sarcină), dar nu e calea potrivită pentru a-i da cunoștințe care se schimbă des; pentru asta se folosește de obicei RAG. Cere date curate și reprezentative și o evaluare înainte și după. Se încearcă de regulă după ce cererile bine formulate și RAG nu au fost suficiente.

Date #

Fragmentare (chunking)

Chunking

Împărțirea documentelor lungi în bucăți mai mici, care pot fi indexate și regăsite separat.

Mărimea și limitele fragmentelor influențează direct calitatea unui sistem RAG: prea mici pierd contextul, prea mari aduc informații irelevante. Se pot tăia după paragrafe, titluri sau structura documentului, cu o mică suprapunere. Tabelele și listele cer de obicei o tratare separată.

Legal și conformitate #

Furnizor și implementator

Provider and deployer

Cele două roluri principale din AI Act: cine dezvoltă și pune pe piață un sistem de IA și cine îl folosește sub autoritatea sa.

Furnizorul dezvoltă un sistem sau un model de IA (ori comandă dezvoltarea lui) și îl introduce pe piață sau îl pune în funcțiune sub propriul nume sau propria marcă. Implementatorul folosește un sistem de IA aflat sub autoritatea sa, cu excepția utilizării în activități personale, fără caracter profesional. Obligațiile diferă după rol, așa că o firmă care doar folosește un instrument AI nu are aceleași obligații ca cea care l-a construit.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Legal și conformitate #

GDPR

General Data Protection Regulation

Regulamentul (UE) 2016/679 privind protecția persoanelor fizice în ceea ce privește prelucrarea datelor cu caracter personal.

GDPR se aplică și când datele personale trec printr-un instrument AI: un CV analizat, o conversație cu un client, o listă de angajați. Contează scopul, temeiul legal, cine are acces la date și unde ajung ele, inclusiv la furnizorul instrumentului. În România, regulamentul e completat de Legea nr. 190/2018.

Regulamentul (UE) 2016/679, textul oficial pe EUR-Lex

Tehnici #

Generare augmentată prin regăsire (RAG)

Retrieval-augmented generation

Tehnica prin care un sistem caută întâi informații relevante în documentele tale și le dă modelului ca să răspundă pe baza lor.

Documentele sunt împărțite în fragmente și indexate (de obicei cu embeddings). La fiecare întrebare se regăsesc fragmentele potrivite, care intră în context împreună cu întrebarea. RAG permite răspunsuri din surse proprii și actuale, cu trimitere la sursă, fără reantrenarea modelului; calitatea depinde mult de regăsire.

Business #

Guvernanța AI

AI governance

Regulile, rolurile și procesele prin care o organizație decide cum folosește AI și răspunde pentru rezultate.

Cuprinde inventarul sistemelor AI folosite, evaluarea riscurilor, responsabilii pentru fiecare sistem, documentarea și monitorizarea. Leagă cerințele juridice (protecția datelor, AI Act) de practica de zi cu zi. Fără ea, deciziile despre AI se iau pe bucăți, în fiecare departament.

Baze #

Halucinație

Hallucination

Un răspuns formulat convingător, dar fals sau fără sursă: o cifră, o citare sau un fapt inventat de model.

Modelele de limbaj generează textul cel mai plauzibil, nu caută adevărul, așa că pot inventa detalii când nu au informația. Riscul crește la cifre, nume, referințe juridice și surse. Se reduce cu documente furnizate în context, cu cereri precise și, mai ales, prin verificarea răspunsului înainte de a-l folosi.

Tehnici #

Ieșire structurată

Structured output

Cererea ca modelul să răspundă într-un format fix, de exemplu JSON cu câmpuri definite, ca să poată fi citit de un program.

Când răspunsul unui model intră într-o aplicație, textul liber e greu de prelucrat. Cu o schemă de date, aplicația primește câmpuri previzibile, pe care le poate valida. Multe API-uri pentru modele permit impunerea unei scheme; validarea în aplicație rămâne totuși necesară.

Baze #

Inferență

Inference

Folosirea unui model deja antrenat ca să producă un răspuns pentru o intrare nouă.

Când trimiți o întrebare unui asistent AI, modelul face inferență: parametrii nu se schimbă, doar se calculează răspunsul. Costul și viteza inferenței depind de mărimea modelului, de lungimea textului și de hardware. În aplicațiile reale, inferența e cheltuiala care se repetă la fiecare cerere.

Securitate și etică #

Injecție de prompt

Prompt injection

Un atac în care instrucțiuni ascunse într-un text sau document deturnează comportamentul unui sistem AI.

Instrucțiunile pot veni direct de la utilizator sau indirect, dintr-o pagină web, un e-mail sau un fișier pe care modelul îl citește. Riscul crește la agenții care au acces la unelte și date. Apărarea combină permisiuni minime, separarea datelor de instrucțiuni, filtrare și aprobare umană pentru acțiunile sensibile.

Baze #

Inteligență artificială (AI)

Artificial intelligence

Domeniul care construiește sisteme informatice capabile să îndeplinească sarcini pentru care, de regulă, e nevoie de judecată umană.

Sub umbrela AI intră recunoașterea imaginilor și a vorbirii, traducerea, recomandările, prognozele și generarea de text sau imagini. Cele mai multe sisteme de azi nu sunt programate regulă cu regulă, ci învață tipare din date. „AI” descrie o familie de metode, nu o singură tehnologie, iar un sistem AI e bun doar la sarcinile pentru care a fost construit și testat.

Baze #

Învățare automată

Machine learning

Ramura AI în care un program își ajustează comportamentul pe baza exemplelor, în loc să primească reguli scrise de mână.

Modelul primește date (de exemplu, e-mailuri marcate „spam” sau „normal”) și își ajustează parametrii până când face predicții bune pe exemple noi. Calitatea rezultatului depinde mult de cât de reprezentative sunt datele. Învățarea automată stă la baza clasificării, a prognozelor și a modelelor generative.

Baze #

Învățare profundă

Deep learning

Învățare automată cu rețele neuronale cu multe straturi, care descoperă singure trăsăturile utile din date.

Fiecare strat transformă datele primite și transmite rezultatul mai departe, astfel încât straturile succesive surprind tipare tot mai abstracte. Abordarea a dus la salturi în recunoașterea imaginilor, a vorbirii și în modelele de limbaj. Cere de obicei multe date și multă putere de calcul la antrenare.

Securitate și etică #

Jailbreak

O cerere construită ca să facă un model să ignore regulile de siguranță stabilite de furnizor sau de aplicație.

Tehnicile includ jocuri de rol, formulări indirecte sau împărțirea unei cereri interzise în bucăți nevinovate. Furnizorii își întăresc constant modelele, dar nicio protecție nu e perfectă. Aplicațiile se testează și cu astfel de cereri, nu doar cu cele obișnuite.

Business #

Managementul schimbării

Change management

Abordarea prin care o echipă trece de la vechiul mod de lucru la unul nou, în cazul de față cu AI.

Adopția AI e mai mult o problemă de oameni decât de tehnologie: temeri legate de rol, lipsă de timp pentru învățat, neîncredere în rezultate. Cadrele de schimbare organizațională ajută la planificarea comunicării, instruirii și sprijinului. Managerul are un rol central în a face uneltele parte din munca obișnuită.

Agenți și automatizare #

Memoria agentului

Agent memory

Mecanismele prin care un agent păstrează informații între pași sau între conversații.

Memoria de scurtă durată e chiar contextul curent; memoria de lungă durată e stocată în afara modelului (fișiere, baze de date, embeddings) și regăsită la nevoie. Proiectarea ei decide ce se reține, ce se rezumă și ce se uită. Memoria persistentă ridică și întrebări de confidențialitate.

Agenți și automatizare #

MLOps

Practicile prin care modelele de învățare automată sunt puse în producție, monitorizate și actualizate în mod controlat.

Include versionarea datelor și a modelelor, pipeline-uri de antrenare și livrare, monitorizarea calității și reantrenarea când datele se schimbă. Scopul e ca un model să funcționeze la fel de bine și după lansare, nu doar în prototip. Ideile vin din DevOps, adaptate la specificul datelor și al modelelor.

Agenți și automatizare #

Model Context Protocol (MCP)

Un protocol deschis prin care aplicațiile AI se conectează în mod standard la unelte și surse de date externe.

În loc ca fiecare aplicație să scrie o integrare separată pentru fiecare serviciu, un server MCP expune unelte și date într-un format comun, pe care orice client compatibil le poate folosi. Ușurează legarea agenților de sisteme reale. Ca orice integrare, cere atenție la permisiuni și la serverele în care ai încredere.

Modele #

Model cu ponderi deschise

Open-weight model

Un model ale cărui ponderi sunt publicate, astfel încât îl poți descărca și rula pe infrastructura ta.

„Ponderi deschise” nu înseamnă automat „open source”: datele și codul de antrenare pot rămâne private, iar licența poate limita folosirea comercială. Avantajul principal e controlul: datele nu pleacă la un furnizor extern. În schimb, rularea și securitatea modelului cad în sarcina ta.

Modele #

Model de difuzie

Diffusion model

Un tip de model generativ care creează imagini (sau clipuri) pornind de la zgomot și rafinându-l pas cu pas.

La antrenare, modelul învață să elimine zgomotul adăugat treptat peste imagini reale. La generare, face drumul invers, ghidat de descrierea din cerere. Stă la baza multor instrumente de generare de imagini și de clipuri.

Modele #

Model de fundație

Foundation model

Un model mare, antrenat general, pe care se construiesc apoi multe aplicații diferite.

În loc să antreneze câte un model pentru fiecare sarcină, echipele pornesc de la un model de fundație și îl adaptează prin cereri bine formulate, prin documente furnizate în context sau prin fine-tuning. Regulamentul european privind IA folosește o noțiune apropiată: „model de IA de uz general”.

Legal și conformitate #

Model de IA de uz general

General-purpose AI model

Noțiunea din AI Act pentru modelele cu generalitate semnificativă, capabile să îndeplinească o gamă largă de sarcini distincte.

Definiția acoperă modelele care pot fi integrate într-o varietate de sisteme sau aplicații, indiferent de modul în care sunt introduse pe piață. Furnizorii lor au obligații proprii, de exemplu documentație tehnică și informații pentru cei care integrează modelul. Unele modele sunt clasificate, în condițiile regulamentului, ca modele cu risc sistemic, cu obligații suplimentare.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Modele #

Model de raționament

Reasoning model

Un model care parcurge pași intermediari de gândire înainte de răspunsul final.

Astfel de modele alocă mai mult calcul unei cereri: descompun problema, încearcă variante și verifică rezultate parțiale. Sunt utile la matematică, cod, planificare și analize cu mai mulți pași, dar răspund mai lent și costă mai mult per cerere. Pentru sarcini simple, un model obișnuit e de multe ori suficient.

Modele #

Model lingvistic mare (LLM)

Large language model

Un model antrenat pe volume mari de text, care generează text prezicând, pas cu pas, următorul fragment.

Un LLM poate răspunde la întrebări, rezuma, traduce, scrie cod sau extrage date dintr-un document, pe baza unei cereri formulate în limbaj natural. „Mare” se referă la numărul de parametri și la volumul de date de antrenare. Nu are acces implicit la informații actuale sau la documentele tale, decât dacă îi sunt date în context sau prin unelte.

Modele #

Model multimodal

Multimodal model

Un model care lucrează cu mai multe tipuri de date: text, imagini, sunet sau înregistrări.

Un model multimodal poate, de exemplu, să descrie o fotografie, să citească un tabel scanat sau să răspundă la o întrebare despre un grafic. Cererile pot combina text și imagini. Verificarea rămâne necesară: modelul poate citi greșit cifre mici sau detalii dintr-o imagine.

Business #

No-code și low-code

Instrumente care permit construirea de aplicații sau automatizări prin configurare vizuală, cu puțin sau deloc cod.

Combinate cu AI, permit unor oameni din afara IT să-și construiască singuri instrumente, analize sau fluxuri. Limitele apar la volume mari, la logică complicată și la cerințe de securitate. O regulă bună e ca instrumentele care ating date sensibile să fie aprobate de organizație.

Legal și conformitate #

Obligații de transparență

Transparency obligations

Regulile din articolul 50 al AI Act prin care oamenii trebuie să afle când interacționează cu un sistem de IA sau văd conținut generat artificial.

Furnizorii sistemelor care interacționează direct cu oameni trebuie să se asigure că aceștia sunt informați că vorbesc cu un sistem de IA, cu excepția cazului în care e evident. Conținutul sintetic generat trebuie marcat într-un format prelucrabil automat, iar implementatorii care generează deepfake-uri dezvăluie că acel conținut e generat sau manipulat artificial. Pentru operele de o vădită natură artistică, creativă, satirică sau fictivă, obligația se reduce la o mențiune adecvată, care nu împiedică receptarea operei; există și excepții, de exemplu pentru textele de interes public trecute printr-o verificare editorială umană.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Agenți și automatizare #

Om în buclă

Human-in-the-loop

Un proces în care un om verifică sau aprobă rezultatul unui sistem AI înainte ca acesta să producă efecte.

Se folosește la decizii cu impact: trimiterea unui mesaj în numele firmei, o plată, o decizie despre o persoană. Omul poate aproba, corecta sau respinge, iar corecturile pot îmbunătăți sistemul. Verificarea trebuie să fie reală, nu o bifă: omul are nevoie de timp și de informațiile necesare.

Legal și conformitate #

Operator și persoană împuternicită

Controller and processor

Rolurile din GDPR: cine stabilește scopurile și mijloacele prelucrării datelor și cine prelucrează datele în numele lui.

Operatorul decide de ce și cum se prelucrează datele; persoana împuternicită de operator le prelucrează în numele lui. Relația dintre ei se stabilește prin contract, iar operatorul alege doar împuterniciți care oferă garanții suficiente (articolul 28 din GDPR). Când o firmă folosește un serviciu AI cu datele clienților, rolurile se stabilesc înainte de a începe.

Regulamentul (UE) 2016/679, textul oficial pe EUR-Lex

Modele #

Parametri (ponderi)

Parameters, weights

Numerele învățate de un model în timpul antrenării, care determină ce răspunde la o intrare dată.

Mărimea unui model se exprimă de obicei în numărul de parametri. Mai mulți parametri pot surprinde tipare mai complexe, dar cer mai multă memorie și calcul. Un model mai mic, bine antrenat sau adaptat, poate fi mai potrivit pentru o sarcină îngustă decât unul foarte mare.

Business #

Politică de utilizare AI

AI acceptable use policy

Documentul intern care spune ce instrumente AI sunt permise, pentru ce sarcini și cu ce date.

O politică utilă e scurtă și concretă: lista instrumentelor aprobate, tipurile de date interzise, cine aprobă instrumente noi, cum se verifică rezultatele. Se combină cu instruire, altfel rămâne un document necitit. Se revizuiește periodic, pentru că instrumentele și riscurile se schimbă.

Legal și conformitate #

Practici interzise în domeniul IA

Prohibited AI practices

Utilizările IA pe care AI Act le interzice în Uniune, enumerate la articolul 5.

Printre ele se află sistemele care folosesc tehnici subliminale sau intenționat manipulatoare ori înșelătoare, cele care exploatează vulnerabilitățile legate de vârstă, dizabilitate sau situație socială ori economică și evaluarea persoanelor pe baza comportamentului social, în condițiile din text. Tot acolo e și deducerea emoțiilor la locul de muncă și în instituțiile de învățământ, cu excepțiile prevăzute. Lista completă și excepțiile se citesc în articolul 5.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Agenți și automatizare #

Programare agentică

Agentic coding

Lucrul cu un agent AI care citește un proiect, modifică mai multe fișiere, rulează teste și comenzi.

Programatorul descrie sarcina, iar agentul propune și aplică schimbările, pas cu pas, în editor sau în terminal. Productivitatea depinde de instrucțiuni clare, de teste și de revizuirea codului. Permisiunile agentului (ce comenzi rulează, ce fișiere atinge) se stabilesc explicit.

Business #

Proiect pilot AI

AI pilot

O încercare limitată în timp și ca întindere, prin care testezi un caz de utilizare AI înainte de a-l extinde.

Un pilot bun are o problemă clară, un grup mic de utilizatori, criterii de succes stabilite dinainte și o comparație cu situația de dinainte. Rezultatul poate fi și „nu merită”, iar asta e o decizie bună. Multe proiecte rămân blocate în pilot pentru că nu s-a stabilit de la început ce înseamnă succesul.

Tehnici #

Prompt (cerere)

Prompt

Textul (și, uneori, fișierele) pe care îl dai unui model ca să-i spui ce să facă.

Un prompt bun spune clar sarcina, contextul, publicul, formatul dorit și limitele: ce să nu facă și ce să marcheze ca nesigur. Exemplele concrete și datele relevante ajută mai mult decât formulările vagi. Același prompt poate da rezultate diferite pe modele diferite, așa că se testează.

Tehnici #

Prompt de sistem

System prompt

Instrucțiunile de fundal care stabilesc rolul, tonul și regulile unui asistent AI pentru toată conversația.

Într-o aplicație, promptul de sistem e scris de dezvoltator și nu e văzut de utilizator. Definește ce poate și ce nu poate face asistentul, ce format folosește și cum tratează cererile din afara rolului. Nu e o barieră de securitate suficientă singură, pentru că poate fi ocolit prin injecție de prompt.

Tehnici #

Prompt engineering

Practica de a formula și testa cereri pentru modele AI astfel încât rezultatele să fie corecte și constante.

Include structurarea instrucțiunilor, alegerea exemplelor, cererea unui format fix și împărțirea sarcinilor mari în pași. Se lucrează iterativ: scrii, testezi pe cazuri reale, corectezi. Pentru aplicații, cererile bune se păstrează, se versionează și se evaluează ca orice altă componentă.

Business #

Randamentul investiției în AI (ROI)

Return on investment

Raportul dintre beneficiile măsurabile ale unui proiect AI și costurile lui totale.

Costurile includ licențe sau consum de API, integrare, instruire, verificare umană și întreținere, nu doar abonamentul. Beneficiile se măsoară față de o situație de referință: timp economisit, erori evitate, volum procesat. Fără o măsurătoare înainte de început, ROI-ul devine o impresie.

Tehnici #

Raționament pas cu pas

Chain-of-thought

Tehnica prin care modelul e îndemnat să-și scrie pașii intermediari înainte de concluzie.

La probleme cu mai mulți pași (calcule, logică, planificare), descompunerea explicită reduce de multe ori greșelile. Pașii scriși ajută și la verificare, pentru că vezi unde a apărut eroarea. Modelele de raționament fac acest lucru implicit, fără să le-o ceri.

Securitate și etică #

Red teaming

Testarea unui sistem AI prin încercări deliberate de a-l face să greșească sau să fie folosit abuziv.

O echipă (sau un instrument automat) joacă rolul atacatorului: încearcă jailbreak-uri, injecții, scurgeri de date, răspunsuri dăunătoare. Problemele găsite devin cazuri de test permanente. Se face înainte de lansare și periodic după, mai ales după schimbarea modelului.

Legal și conformitate #

Regulamentul privind inteligența artificială (AI Act)

AI Act

Regulamentul (UE) 2024/1689, care stabilește norme armonizate privind inteligența artificială în Uniunea Europeană.

Abordarea e bazată pe risc: unele practici sunt interzise, sistemele de IA cu grad ridicat de risc au cerințe stricte, iar anumite sisteme au obligații de transparență. Regulamentul are și reguli pentru modelele de IA de uz general. Se aplică direct în toate statele membre, iar obligațiile au termene de aplicare etapizate, stabilite în text.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Baze #

Rețea neuronală

Neural network

Un model matematic format din unități simple legate între ele, ale căror ponderi se ajustează în timpul antrenării.

Numele vine dintr-o analogie vagă cu neuronii din creier, dar funcționarea e pur matematică: înmulțiri, adunări și funcții simple aplicate pe straturi. Ponderile conexiunilor sunt parametrii modelului. Rețelele neuronale sunt baza învățării profunde și a modelelor de limbaj.

Date #

Set de referință

Golden dataset

O colecție de întrebări sau cazuri cu răspunsurile corecte stabilite, pe care se testează un sistem AI.

Setul se construiește din cazuri reale și dificile, verificate de oameni care cunosc domeniul. La fiecare schimbare de model, cerere sau date, sistemul e rulat pe același set, iar rezultatele se compară. Setul trebuie actualizat când apar tipuri noi de cereri.

Securitate și etică #

Shadow AI

Folosirea de instrumente AI la locul de muncă fără știrea sau aprobarea organizației.

Angajații copiază documente interne, date de clienți sau cod în aplicații publice ca să lucreze mai repede, fără să știe unde ajung datele. Interdicția totală tinde să mute problema în afara vederii. Soluția obișnuită e o politică clară, instrumente aprobate și instruire despre ce date nu se introduc.

Legal și conformitate #

Sistem de IA cu grad ridicat de risc

High-risk AI system

Categoria din AI Act pentru sistemele care pot afecta semnificativ sănătatea, siguranța sau drepturile fundamentale ale oamenilor.

Regulile de clasificare sunt la articolul 6, iar anexa III enumeră domenii precum educația și formarea profesională, ocuparea forței de muncă și gestionarea lucrătorilor, infrastructura critică sau biometria. Pentru aceste sisteme, regulamentul impune cerințe de gestionare a riscurilor, calitate a datelor, documentare și supraveghere umană. Încadrarea concretă a unui sistem se face pe textul regulamentului, nu după impresie.

Regulamentul (UE) 2024/1689, textul oficial pe EUR-Lex

Agenți și automatizare #

Sistem multi-agent

Multi-agent system

O arhitectură în care mai mulți agenți AI, fiecare cu un rol, colaborează la aceeași sarcină.

Un agent poate coordona, altul căuta informații, altul scrie, altul verifica. Împărțirea ajută la sarcini mari și la contexte separate, dar adaugă cost, latență și puncte în care se pot pierde informații. Merită folosit acolo unde un singur agent nu face față, nu implicit.

Modele #

Temperatură

Temperature

Un parametru care reglează cât de previzibile sau cât de variate sunt răspunsurile unui model.

La temperatură mică, modelul alege aproape mereu varianta cea mai probabilă, util pentru extragere de date sau clasificare. La temperatură mare, răspunsurile devin mai variate, util pentru idei, dar și cu risc mai mare de greșeli. Nu toate modelele sau interfețele permit modificarea ei.

Tehnici #

Text-to-SQL

Transformarea unei întrebări în limbaj natural într-o interogare SQL care rulează pe o bază de date.

Permite unor oameni fără experiență în programare să pună întrebări datelor („vânzările pe regiuni în ultimul trimestru”). Modelul poate greși numele coloanelor sau logica interogării, așa că rezultatul se verifică, iar accesul la date se limitează la citire. Funcționează mai bine când modelul cunoaște structura tabelelor.

Modele #

Token

Unitatea de text cu care lucrează un model de limbaj: un cuvânt, o parte de cuvânt sau un semn.

Textul e împărțit în tokeni înainte de a ajunge la model, iar răspunsul e generat tot token cu token. Limita de context, prețul pe API și viteza se măsoară de obicei în tokeni. Același text poate avea un număr diferit de tokeni în limbi diferite și la modele diferite.

Modele #

Transformer

Arhitectura de rețea neuronală pe care se bazează majoritatea modelelor de limbaj actuale.

Elementul central e mecanismul de atenție, prin care modelul cântărește cât de relevant e fiecare fragment din text pentru celelalte. Arhitectura se antrenează eficient în paralel, ceea ce a permis modele foarte mari. Aceeași idee se folosește și pentru imagini, sunet și modele multimodale.

Tehnici #

Vibe coding

Construirea unei aplicații descriind în cuvinte ce vrei, în timp ce un instrument AI scrie codul.

E rapid pentru prototipuri și instrumente interne, chiar fără experiență de programare. Riscurile apar când aplicația ajunge la utilizatori reali: securitate, date personale, costuri, întreținere. Codul generat trebuie înțeles și verificat înainte de a fi pus în producție.

Securitate și etică #

Vishing (fraudă prin apel vocal)

Voice phishing

Înșelătoria prin telefon în care atacatorul se dă drept o persoană sau o instituție de încredere; vocea poate fi clonată cu AI.

Atacul se bazează pe urgență și autoritate: o plată „imediată”, un cod „de confirmare”, o problemă „gravă” cu contul. Clonarea vocii face apelul mai credibil. Regula de bază: închizi și suni tu înapoi la un număr cunoscut, iar plățile neobișnuite trec printr-o a doua aprobare.

Baze #

Viziune computerizată

Computer vision

Domeniul AI care extrage informații din imagini și înregistrări: obiecte, text, defecte, mișcare.

Sarcinile tipice sunt clasificarea (ce e în imagine), detecția (unde e obiectul) și segmentarea (ce pixeli îi aparțin). Se folosește în controlul calității, documente scanate, medicină sau retail. Modelele au nevoie de imagini etichetate corect și pot greși pe situații pe care nu le-au văzut la antrenare.

De la termen la practică

Unde aprofundezi termenii: 36 de cursuri AI din catalog

La fiecare termen, rubrica „Unde înveți” arată cursurile în care îl aprofundezi. Lecțiile sunt scrise în română și fiecare are un quiz. Profesorul AI, inclus în orice abonament, pornește de la textul lecției deschise: îți explică un pasaj, îți dă un exemplu sau te testează. Este un sistem de inteligență artificială, nu un profesor uman, iar răspunsurile lui pot conține erori.

  • Baze 9
  • Modele 12
  • Tehnici 12
  • Agenți și automatizare 10
  • Date 7
  • Securitate și etică 8
  • Legal și conformitate 12
  • Business 9

Întrebări frecvente

Ce înseamnă LLM, RAG, agent AI și alți termeni AI

Ce înseamnă LLM?

Un model antrenat pe volume mari de text, care generează text prezicând, pas cu pas, următorul fragment. Un LLM poate răspunde la întrebări, rezuma, traduce, scrie cod sau extrage date dintr-un document, pe baza unei cereri formulate în limbaj natural. Vezi termenul în dicționar.

Ce este RAG?

Tehnica prin care un sistem caută întâi informații relevante în documentele tale și le dă modelului ca să răspundă pe baza lor. Documentele sunt împărțite în fragmente și indexate (de obicei cu embeddings). Vezi termenul în dicționar.

Ce este un agent AI?

Un sistem în care un model decide singur pașii următori și folosește unelte ca să ducă la capăt o sarcină. Spre deosebire de un asistent care dă un singur răspuns, agentul lucrează în buclă: planifică, acționează (caută, citește, scrie, apelează un API), verifică rezultatul și continuă. Vezi termenul în dicționar.

Ce înseamnă halucinație în AI?

Un răspuns formulat convingător, dar fals sau fără sursă: o cifră, o citare sau un fapt inventat de model. Modelele de limbaj generează textul cel mai plauzibil, nu caută adevărul, așa că pot inventa detalii când nu au informația. Vezi termenul în dicționar.

Ce este un prompt?

Textul (și, uneori, fișierele) pe care îl dai unui model ca să-i spui ce să facă. Un prompt bun spune clar sarcina, contextul, publicul, formatul dorit și limitele: ce să nu facă și ce să marcheze ca nesigur. Vezi termenul în dicționar.

Ce este fine-tuning-ul și prin ce diferă de RAG?

Continuarea antrenării unui model existent pe date proprii, ca să se specializeze pe o sarcină sau un stil. Fine-tuning-ul schimbă comportamentul modelului (format, ton, tip de sarcină), dar nu e calea potrivită pentru a-i da cunoștințe care se schimbă des; pentru asta se folosește de obicei RAG. Vezi termenul în dicționar.

Ce este AI Act?

Regulamentul (UE) 2024/1689, care stabilește norme armonizate privind inteligența artificială în Uniunea Europeană. Abordarea e bazată pe risc: unele practici sunt interzise, sistemele de IA cu grad ridicat de risc au cerințe stricte, iar anumite sisteme au obligații de transparență. Vezi termenul în dicționar.

Unde pot aprofunda termenii AI?

În cursurile din catalog: lângă fiecare termen din dicționar găsești cursul în care îl aprofundezi. Lecțiile sunt text, în română, cu quiz la fiecare lecție și cu Profesorul AI, un sistem de inteligență artificială, nu un profesor uman; răspunsurile lui pot conține erori. Poți citi gratuit un fragment din prima lecție a oricărui curs, fără cont, pe cursuri-ai.ro. Abonamentul începe de la 499 lei pe lună pentru un curs, cu TVA 21% inclus; toate treptele sunt pe pagina de prețuri.

De unde vin definițiile din acest dicționar?

Sunt explicații generale, scrise pentru cine învață AI, fără nume de modele sau versiuni, care se schimbă des. Termenii juridici (AI Act, GDPR) urmează textul oficial în limba română al regulamentelor europene, cu link spre EUR-Lex; pentru o situație concretă, citește textul complet sau cere sfatul unui specialist.

Ai înțeles termenii. Pune-i în practică într-un curs AI.

Fiecare curs din catalog are un fragment gratuit din prima lecție, pe care îl citești fără cont. Abonamentul îl alegi după câte cursuri vrei deschise pe lună, iar reînnoirea o oprești oricând din cont. Contul, plata și cursurile sunt pe cursuri-ai.ro.

Caută pe curs-ai.ro

↑↓ alegiEnter deschizi↗ = pe cursuri-ai.ro