Watermarking (водяные знаки)
Watermarking в ИИ — это не одна метка, а сочетание видимых и невидимых водяных знаков, подписанных метаданных и сервисов проверки происхождения. Разбираем, как это работает и где есть ограничения.
Открыть →Глоссарий ИИ
Короткие и проверяемые определения терминов.
Латентное пространство (Latent space)
Латентное пространство — это внутреннее сжатое представление данных, где модель работает не с пикселями напрямую, а со скрытыми признаками. Ниже — простое объяснение, схема работы VAE и latent diffusion, отличия от пиксельного и embedding-пространства.
Открыть →Edge AI
Edge AI — это не один инструмент, а способ запускать и обслуживать ИИ-модели на устройстве или рядом с ним. Разбираем стек: runtime, ускорители, serving, Jetson, LiteRT, OpenVINO и KServe.
Открыть →Agentic workflow
Agentic workflow — это многошаговый процесс, где LLM или агент выбирает следующий шаг, вызывает инструменты и при необходимости ждёт одобрения человека. Ниже — как это работает, чем отличается от ИИ-агента и где чаще всего применяется.
Открыть →Мультиагентная система (Multi-agent system)
Мультиагентная система — это несколько автономных ИИ-агентов в общей среде. Ниже — простое определение, схема работы, отличия от handoff и workflow и краткая карта актуальных фреймворков.
Открыть →Human-in-the-loop (HITL)
Human-in-the-loop (HITL) — паттерн, в котором агент, RAG или workflow ставится на паузу в контрольной точке и ждёт решения человека: одобрения, правки, запрета или новых данных.
Открыть →Граф знаний (Knowledge Graph)
Граф знаний — это модель данных, где факты представлены как сущности и связи. Объясняем, как она работает, где используется в RAG и чем отличается от GraphRAG.
Открыть →Reranking (переранжирование)
Reranking, или переранжирование, — второй этап поиска и RAG: система не ищет новые документы, а пересортировывает найденных кандидатов по смысловой релевантности запросу.
Открыть →Epoch (эпоха)
Epoch (эпоха) в обучении моделей — это обычно один полный проход по обучающему набору данных. Но в Keras и похожих стеках эпоха может задаваться числом шагов и не совпадать с полным проходом.
Открыть →Transfer Learning (перенос обучения)
Transfer learning, или перенос обучения, — это повторное использование предобученной модели для новой связанной задачи. В статье: freeze-head-fine-tune workflow, отличия от fine-tuning и ограничения подхода.
Открыть →