Jak czytać hasła

Każde hasło ma możliwie stały układ. Dzięki temu łatwiej porównać pojęcia i szybciej znaleźć potrzebny fragment.

Najprostsza ścieżka czytania

1. Zacznij od Definicji.
2. Potem przejdź do sekcji Co to w zasadzie jest? i do praktyki.
3. Na końcu sprawdź ryzyka i pojęcia powiązane.

Gdy masz mało czasu lub energii

• przeczytaj tylko: Definicja.
• potem: Po co w praktyce albo Praktyczne zastosowania.
• na końcu: Ryzyka i Powiązane hasła.

Legenda sekcji

• Definicja – krótkie wyjaśnienie bez ocen.
• Co to w zasadzie jest? – to samo pojęcie opisane prościej.
• Po co w praktyce / Praktyczne zastosowania – kiedy i po co to pojęcie ma znaczenie.
• Typowe błędy i pułapki – najczęstsze pomyłki.
• Ryzyka i jak je ograniczać – co może pójść źle i jak temu zapobiec.
• Checklista – szybka lista do sprawdzenia przed użyciem.
• Diagram – jeden prosty diagram Mermaid i krótki opis zaczynający się od „Diagram pokazuje...”.
• Dalsza lektura – źródła, standardy i materiały do pogłębienia.
• Miejsce w mapie – relacje z innymi pojęciami.
• Powiązane hasła – linki do kolejnych haseł, które warto otworzyć.

Stały układ hasła

• Najpierw część podstawowa: definicja, proste wyjaśnienie i praktyka.
• Potem część pomocnicza: ryzyka, checklista, dalsza lektura.
• Na końcu część nawigacyjna: mapa powiązań i hasła powiązane.

Indeksy

• Pełny indeks wiki: Wiki

Lista haseł A–Z

• AB testy.
• Agent AI.
• AI Act (Akt w sprawie sztucznej inteligencji).
• AI Governance (Ład korporacyjny AI).
• AI Literacy (Kompetencje AI).
• Anonimizacja / pseudonimizacja.
• API.
• Asystent AI.
• Baza wektorowa (Vector database).
• Benchmark.
• Biblioteka promptów (szablony).
• Caching (pamięć podręczna).
• Chain-of-thought (rozumowanie krok po kroku).
• Content Credentials.
• Cytowanie źródeł.
• Dane osobowe (PII).
• Dane syntetyczne.
• Data poisoning (zatrucie danych).
• Data provenance (pochodzenie danych).
• Deepfake.
• Destylacja modelu (Model distillation).
• Determinism (deterministyczność).
• DLP.
• Dostępność cyfrowa w treściach AI.
• Dryft danych i zachowania modelu.
• Dynamiczny kontekst.
• Dzielenie na fragmenty.
• Ewaluacja.
• Fact-checking (weryfikacja faktów).
• Few-shot (z przykładami).
• Fine-tuning (dostrajanie).
• Function calling (wywoływanie funkcji).
• GenAI.
• GPAI.
• Ground truth (prawda referencyjna).
• Grounding (ugruntowanie odpowiedzi).
• Guardrails (barierki bezpieczeństwa).
• Halucynacje.
• Human-in-the-loop (człowiek w pętli).
• Hybrid search (wyszukiwanie hybrydowe).
• Idempotencja.
• Inferencja (inference).
• Instruction tuning / RLHF.
• Jailbreaking.
• Knowledge cutoff (granica wiedzy modelu).
• Konektory danych.
• Kwantyzacja (Quantization).
• Latency (opóźnienie odpowiedzi).
• LLM.
• LLM Firewall.
• LLMOps.
• Lokalizacja danych (Data Residency).
• LRM.
• Minimalizacja danych.
• Model collapse (zapaść modelu).
• Model Context Protocol (MCP).
• Model lokalny.
• Model multimodalny.
• Model zapasowy (Fallback model).
• Monitoring jakości.
• Nadmierne zaufanie (Overreliance).
• Niepewność odpowiedzi (Uncertainty).
• NLP.
• Observability (obserwowalność).
• Okno kontekstowe.
• Orkiestracja (workflow).
• Polityka treści.
• Polityka użycia AI w organizacji.
• Ponowienia z przerwą.
• Prompt.
• Prompt chaining (łańcuchowanie promptów).
• Prompt format (format promptu).
• Prompt guard (osłona promptu).
• Prompt injection.
• Prompt leakage (wyciek instrukcji).
• Prompt library (biblioteka promptów).
• Prompt routing (kierowanie zapytań).
• Prompt systemowy.
• Przepływ agentowy.
• RAG.
• Rate limiting (limitowanie zapytań).
• Red teaming.
• Redakcja danych wrażliwych (AI redaction).
• Rejestr systemów AI (AI inventory).
• Reranking (ponowne sortowanie wyników).
• Retrieval (wyszukiwanie informacji).
• RODO / DPIA.
• Rozliczanie kosztów AI (AI chargeback).
• Sandboxing (piaskownica bezpieczeństwa).
• Secrets management (zarządzanie sekretami).
• Security review (przegląd bezpieczeństwa).
• Shadow AI (Szara strefa AI).
• Small Language Model (SLM).
• SSO / IAM (zarządzanie tożsamością i dostępem).
• Stack.
• Stronniczość.
• Structured output (ustrukturyzowany wynik).
• System wieloagentowy (Multi-agent system).
• Temperatura / sampling.
• Tenant.
• Threat modeling (modelowanie zagrożeń).
• Throughput (przepustowość).
• Timeout (limit czasu).
• Token.
• Tool calling (wywoływanie narzędzi).
• Transparentność.
• Trening a inferencja.
• Vendor lock-in.
• Versioning modeli (wersjonowanie).
• Walidacja wyniku (Output validation).
• Watermarking (znakowanie treści).
• Wektoryzacja.
• Wyjaśnialność (explainability).
• Zarządzanie kosztami AI.
• Zatrucie kontekstu.
• Zero-shot (bez przykładów).
• Zgoda i prawa do danych oraz treści.
• Ślad audytowy.