AI bo‘yicha maqola yoki video ko‘rayotganingizda juda ko‘p inglizcha atamalar uchraydi. Ayniqsa contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi., agentFaqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan AI tizim., model, tokenModel matnni ichkarida qayta ishlash uchun bo‘ladigan kichik birlik. Narx va limitlar ko‘pincha token bilan o‘lchanadi., promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi., RAGRetrieval-Augmented Generation qisqartmasi. Model javob berishdan oldin tashqi manbadan kerakli ma’lumot olib keladi., fine-tuningModelni ma’lum uslub, domen yoki vazifaga yaqinlashtirish uchun qo‘shimcha ma’lumot bilan qayta moslash jarayoni. kabi so‘zlar doim aylanib yuradi. Boshlovchi uchun muammo shundaki, bu atamalar ko‘pincha izohsiz ishlatiladi. Natijada odam texnologiyaning o‘zidan ko‘ra, uning tilidan charchab qoladi.
Quyida eng ko‘p ishlatiladigan AI atamalarini sodda o‘zbekcha izoh bilan jamladim. Maqsad - akademik ta’rif berish emas, balki ishlatishda nima anglatishini tushuntirish.
Model
Model - bu matn yozish, savolga javob berish, rasm tushunish yoki boshqa vazifani bajarish uchun o‘rgatilgan tizim. Oddiy qilib aytganda, model - statistik patternlar asosida javob ishlab chiqaradigan hisoblash mexanizmi. Yana ham soddalashtirsa - AI’ning miyasi.
Masalan, GPT, Claude, Gemini, Mistral - bular model oilalari. Lekin “qaysi model yaxshi?” degan savol har doim vazifaga bog‘liq. Biri tezroq, biri arzonroq, biri uzun contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. bilan yaxshi, biri kodda kuchli bo‘lishi mumkin.
PromptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi.
PromptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi. - modelga berilgan ko‘rsatma yoki savol. Bu bitta gap ham bo‘lishi mumkin, katta yo‘riqnoma ham. PromptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi. sifati ko‘pincha natijaga to‘g‘ridan to‘g‘ri ta’sir qiladi.
Masalan, “AI haqida yoz” degan promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi. juda umumiy. “Boshlovchilar uchun AI atamalarini o‘zbek tilida, qisqa misollar bilan tushuntir” desangiz, natija ancha foydali chiqadi.
ContextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi.
ContextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. - model ayni vaqtda “ko‘rib turgan” ma’lumotlar to‘plami. Bunga foydalanuvchi yozgan savol, oldingi xabarlar, tizim ko‘rsatmalari, qo‘shib berilgan hujjatlar yoki boshqa kiritmalar kiradi.
Kontekst qancha to‘g‘ri va aniq bo‘lsa, javob ham shuncha foydali bo‘ladi. Noto‘g‘ri contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. berilsa, model noto‘g‘ri yo‘nalishda ketadi. Shuning uchun ko‘p hollarda “qaysi model?”dan ham muhimrog‘i - “qanday contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. berdingiz?” degan savol.
Context windowModel bir vaqtda ko‘ra oladigan matn hajmi. Shu limitdan oshsa eski yoki ortiqcha ma’lumot sig‘may qoladi.
Context window - model bir urinishda qayta ishlay oladigan ma’lumot hajmi. Bu xotira emas, lekin bir sessiyada nechta tokenni ko‘ra olishini bildiradi. Agar matn juda uzun bo‘lsa, model eski qismini unutgandek ko‘rinishi mumkin - aslida u contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. oynasidan chiqib ketgan bo‘ladi.
TokenModel matnni ichkarida qayta ishlash uchun bo‘ladigan kichik birlik. Narx va limitlar ko‘pincha token bilan o‘lchanadi.
Token - model matnni ichida bo‘lib ishlaydigan mayda birlik. U doim so‘zga teng bo‘lavermaydi: ba’zan bitta so‘z bir nechta tokenModel matnni ichkarida qayta ishlash uchun bo‘ladigan kichik birlik. Narx va limitlar ko‘pincha token bilan o‘lchanadi. bo‘ladi, ba’zan tinish belgilari ham alohida tokenModel matnni ichkarida qayta ishlash uchun bo‘ladigan kichik birlik. Narx va limitlar ko‘pincha token bilan o‘lchanadi. hisoblanadi.
Nega bu muhim? Chunki ko‘p AI xizmatlarida narx ham, limit ham tokenModel matnni ichkarida qayta ishlash uchun bo‘ladigan kichik birlik. Narx va limitlar ko‘pincha token bilan o‘lchanadi. bo‘yicha hisoblanadi. Uzoq promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi., katta hujjat va uzun javob - ko‘proq tokenModel matnni ichkarida qayta ishlash uchun bo‘ladigan kichik birlik. Narx va limitlar ko‘pincha token bilan o‘lchanadi. degani.
Inference
Inference - tayyor o‘qitilgan modeldan real ishlash paytida javob olish jarayoni. Ya’ni trening alohida bosqich bo‘lsa, inference - foydalanuvchi promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi. yuborib, modeldan natija olayotgan payt.
Ko‘p mahsulotlarda asosiy xarajat aynan inference bilan bog‘liq bo‘ladi, chunki har bir foydalanuvchi so‘rovi GPU yoki boshqa hisoblash resursi talab qiladi.
TemperatureModel javobida variantlilik darajasini boshqaruvchi parametr. Past bo‘lsa tartibliroq, baland bo‘lsa erkinroq bo‘ladi.
TemperatureModel javobida variantlilik darajasini boshqaruvchi parametr. Past bo‘lsa tartibliroq, baland bo‘lsa erkinroq bo‘ladi. - model javobining ijodkorligi yoki tasodifiylik darajasini boshqaruvchi parametr. Past temperatureModel javobida variantlilik darajasini boshqaruvchi parametr. Past bo‘lsa tartibliroq, baland bo‘lsa erkinroq bo‘ladi. odatda tartibliroq va barqarorroq javob beradi. Yuqori temperatureModel javobida variantlilik darajasini boshqaruvchi parametr. Past bo‘lsa tartibliroq, baland bo‘lsa erkinroq bo‘ladi. esa turliroq, ba’zan qiziqroq, lekin beqarorroq javob chiqaradi. Bu holat bir xil prompt nega har safar bir xil chiqmasligi bilan bevosita bog‘liq.
Kod, huquqiy izoh yoki aniq format kerak bo‘lsa - temperatureModel javobida variantlilik darajasini boshqaruvchi parametr. Past bo‘lsa tartibliroq, baland bo‘lsa erkinroq bo‘ladi. pastroq bo‘ladi. G‘oya generatsiyasi yoki variantlar kerak bo‘lsa - biroz yuqoriroq bo‘lishi mumkin.
HallucinationModel ishonchli gapirgandek ko‘rinsa ham, noto‘g‘ri yoki uydirma ma’lumot chiqarib yuboradigan holat.
Hallucination - model ishonchli ohangda noto‘g‘ri yoki to‘qima ma’lumot aytib yuborishi. Bu AI bilan ishlashdagi eng katta amaliy muammolardan biri.
Masalan, mavjud bo‘lmagan manba, noto‘g‘ri sana, uydirma API yoki umuman yo‘q kitobni keltirishi mumkin. Shuning uchun AI natijasi ko‘pincha tekshiriladigan qoralama sifatida ishlatiladi, yakuniy haqiqat sifatida emas.
EmbeddingMatnni ma’nosiga yaqin sonli vektorga aylantirish usuli. Ko‘pincha semantik qidiruv va RAG’da ishlatiladi.
Embedding - matnning sonli ko‘rinishga o‘tkazilgan vektori. Bu juda texnik tuyuladi, lekin amaliy ma’nosi shuki: kompyuter matnlar o‘rtasidagi ma’no yaqinligini solishtira oladi.
Masalan, hujjat qidirish, o‘xshash savollarni topish, knowledge base ichidan kerakli bo‘lakni chiqarish kabi vazifalarda embeddingMatnni ma’nosiga yaqin sonli vektorga aylantirish usuli. Ko‘pincha semantik qidiruv va RAG’da ishlatiladi. juda ko‘p ishlatiladi.
RAGRetrieval-Augmented Generation qisqartmasi. Model javob berishdan oldin tashqi manbadan kerakli ma’lumot olib keladi.
RAG - Retrieval-Augmented Generation. Oddiy qilib aytganda, model javob berishdan oldin tashqi manbadan kerakli ma'lumotni qidirib oladi va keyin shu ma'lumot asosida javob tuzadi.
Bu ayniqsa kompaniya ichki hujjatlari, qo‘llanmalar, qonunlar yoki tez yangilanadigan ma’lumot bilan ishlaganda foydali. Model hamma narsani “eslab” o‘tirmaydi, keraklisini topib, contextga qo‘shib javob beradi.
Fine-tuningModelni ma’lum uslub, domen yoki vazifaga yaqinlashtirish uchun qo‘shimcha ma’lumot bilan qayta moslash jarayoni.
Fine-tuning - tayyor modelni ma’lum uslub, domen yoki vazifa uchun qo‘shimcha o‘qitish. Bu “modelni boshqatdan yaratish” emas, balki uni torroq yo‘nalishga moslashtirish.
Lekin amaliyotda ko‘p muammo fine-tuningModelni ma’lum uslub, domen yoki vazifaga yaqinlashtirish uchun qo‘shimcha ma’lumot bilan qayta moslash jarayoni. emas, balki yaxshi promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi., yaxshi contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. va yaxshi RAGRetrieval-Augmented Generation qisqartmasi. Model javob berishdan oldin tashqi manbadan kerakli ma’lumot olib keladi. bilan ham hal bo‘lib ketadi. Shu sababli fine-tuningModelni ma’lum uslub, domen yoki vazifaga yaqinlashtirish uchun qo‘shimcha ma’lumot bilan qayta moslash jarayoni. ko‘pincha birinchi qadam emas.
AgentFaqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan AI tizim.
Agent - faqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan tizim. AgentFaqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan AI tizim. odatda model, qoida, xotira va tashqi vositalar kombinatsiyasidan tashkil topadi. Bunday tizimlarda memory va state ham alohida ahamiyatga ega.
Masalan, agentFaqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan AI tizim. quyidagilarni ketma-ket qilishi mumkin: foydalanuvchi topshirig‘ini tahlil qilish, ma’lumot qidirish, fayl ochish, kod yozish, natijani tekshirish va keyin javob qaytarish. Shuning uchun agentFaqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan AI tizim. - oddiy chatdan kengroq tushuncha.
Tool useModel yoki agentning brauzer, API, terminal, fayl tizimi yoki boshqa tashqi vositalardan foydalanishi.
Tool use - model yoki agentning tashqi vositalardan foydalanishi. Bu API chaqiruv, qidiruv, kalkulyator, terminal, brauzer yoki ma’lumotlar bazasi bo‘lishi mumkin.
Modelning o‘zi ko‘pincha “faqat matn” bilan ishlaydi. Tool useModel yoki agentning brauzer, API, terminal, fayl tizimi yoki boshqa tashqi vositalardan foydalanishi. esa uni real dunyo bilan bog‘laydi. Aynan shu joyda AI foydali mahsulotga aylana boshlaydi.
Harness
Harness - model yoki agentni boshqarib turadigan “qobiq” yoki ishga tushirish muhiti. Bu so‘z turli jamoalarda turlicha ishlatiladi, lekin amaliy ma’noda u promptlarni, tool‘larni, tekshiruvlarni, formatlashni va natijani boshqaradigan orkestratsiya qatlamini anglatadi.
Masalan, modelning o‘zi alohida. Uni qaysi tartibda chaqirish, qachon qidiruv qilish, qachon test yugurtirish, natijani qaysi formatda qaytarish - mana shu narsalar harness ichida bo‘lishi mumkin.
System promptModelning umumiy xulqi, roli va chegaralarini belgilab beradigan yuqori darajadagi ko‘rsatma.
System prompt - modelga oldindan beriladigan yuqori darajadagi ko‘rsatma. Masalan, “qisqa yoz”, “faqat JSON qaytar”, “huquqiy maslahat bermagin”, “uzbek tilida gapir” kabi cheklovlar yoki yo‘nalishlar shu qatlamda turishi mumkin.
Ko‘p hollarda foydalanuvchi prompti bilan system promptModelning umumiy xulqi, roli va chegaralarini belgilab beradigan yuqori darajadagi ko‘rsatma. birga ishlaydi. Model chiqargan javob ko‘pincha shu ikki qatlam orasidagi muvozanat natijasi bo‘ladi.
LatencySo‘rov yuborilgandan foydalanuvchi natija ko‘rguncha o‘tadigan kechikish vaqti.
Latency - javob chiqish tezligi. Foydalanuvchi promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi. yuborganidan keyin natija kelguncha o‘tadigan vaqt. Mahsulot nuqtayi nazaridan bu juda muhim: model kuchli bo‘lishi mumkin, lekin juda sekin bo‘lsa, foydalanuvchi tajribasi yomonlashadi.
Evaluation
Evaluation - model yoki agentning qanchalik yaxshi ishlayotganini tekshirish jarayoni. Bu faqat “yoqdimi-yoqmadi” emas. Masalan, aniqlik, formatga rioya qilish, xatolar soni, narx, tezlik va boshqa mezonlar bilan baholash mumkin.
AI mahsulotlarda evalAI javobi qanchalik to‘g‘ri, foydali yoki barqaror ekanini oldindan belgilangan mezonlar bilan baholash jarayoni. juda muhim, chunki model “deyarli to‘g‘ri” javob berib, lekin amalda foydasiz bo‘lishi mumkin.
Xulosa
AI atamalarining ko‘pi tushunarsiz eshitiladi, lekin ularni amaliy ishlatish nuqtayi nazaridan tushunsangiz, hammasi ancha sodda ko‘rinadi. Qisqa aytganda: model javob chiqaradi, promptModelga berilgan ko‘rsatma yoki topshiriq matni. Javob sifati ko‘pincha shu kirishga bog‘liq bo‘ladi. unga yo‘l ko‘rsatadi, contextModelga shu paytda berilgan foydali ma’lumotlar to‘plami: qoida, hujjat, oldingi xabarlar va vazifa tavsifi. unga ma’lumot beradi, agentFaqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan AI tizim. bir necha qadamli ish bajaradi, harness esa bularning hammasini boshqarib turadi.
AI bilan ishlaganda eng foydali yondashuv - atamani yodlash emas, balki u qaysi real muammoni hal qilishini tushunish. Shunda jargon kamroq, foyda ko‘proq bo‘ladi.
