An AI glossary

An AI glossary

Глоссарий по ИИ

The most common AI terms explained, simply

Самые распространённые термины в сфере ИИ — объяснённые просто

👋 Welcome to a 🔒 subscriber-only edition 🔒 of my weekly newsletter. Each week I tackle reader questions about building product, driving growth, and accelerating your career. For more: Lennybot | Podcast | Hire your next product leader | My favorite Maven courses | Swag

👋 Добро пожаловать в 🔒 выпуск только для подписчиков 🔒 моей еженедельной рассылки. Каждую неделю я разбираю вопросы читателей о создании продукта, ускорении роста и развитии карьеры. Больше материалов: Lennybot | Подкаст | Найдите следующего продуктового лидера | Мои любимые курсы на Maven | Мерч

You’re probably hearing a lot of AI jargon, and you probably sort of know what some of it means . . . but not really. Below is an “explain it to me like I’m 5” definition of the 20+ most common AI terms, drawn from my own understanding, a bunch of research, and feedback from my most AI-pilled friends.

Вы наверняка слышите много жаргона про ИИ и, скорее всего, примерно понимаете, что означает часть этих слов… но не по-настоящему. Ниже — определения более чем 20 самых распространённых терминов в сфере ИИ в стиле «объясни мне, как пятилетнему», составленные на основе моего собственного понимания, кучи исследований и отзывов моих самых «прошаренных» в ИИ друзей.

If you already know all this, no sweat, this post isn’t for you. For everyone else, keep the following list handy next time you’re in a meeting and you’re struggling to keep up with all the AI words flying around the room. I’ll continue adding to this list as new buzzwords emerge.

Если вы и так всё это знаете — ничего страшного, этот пост не для вас. Всем остальным советую держать этот список под рукой в следующий раз, когда вы на встрече и с трудом успеваете за всеми этими словечками про ИИ, летающими по комнате. Я буду продолжать дополнять список по мере появления новых модных терминов.

Model

Модель

An AI model is a computer program that is built to work like a human brain. You give it some input (i.e. a prompt), it does some processing, and it generates a response.

Модель ИИ — это компьютерная программа, созданная для того, чтобы работать подобно человеческому мозгу. Вы даёте ей какой-то ввод (то есть промпт), она проводит некоторую обработку и генерирует ответ.

Like a child, a model “learns” by being exposed to many examples of how people typically respond or behave in different situations. As it sees more and more examples, it begins to recognize patterns, understand language, and generate coherent responses.

Как и ребёнок, модель «учится», знакомясь с множеством примеров того, как люди обычно отвечают или ведут себя в разных ситуациях. По мере того как она видит всё больше и больше примеров, она начинает распознавать закономерности, понимать язык и генерировать связные ответы.

There are many different types of AI models. Some, which focus on language—like ChatGPT o3, Claude Sonnet 4, Gemini 2.5 Pro, Meta Llama 4, Grok 3, DeepSeek, and Mistral—are known as large language models (LLMs). Others are built for video, like Google Veo 3, OpenAI Sora, and Runway Gen-4. Some models specialize in generating voice, such as ElevenLabs, Cartesia, and Suno. There are also more traditional types of AI models, such as classification models (used in tasks like fraud detection), ranking models (used in search engines, social media feeds, and ads), and regression models (used to make numerical predictions).

Существует множество разных типов моделей ИИ. Некоторые из них сосредоточены на работе с языком — например, ChatGPT o3, Claude Sonnet 4, Gemini 2.5 Pro, Meta Llama 4, Grok 3, DeepSeek и Mistral — и называются большими языковыми моделями (LLM). Другие созданы для работы с видео, например Google Veo 3, OpenAI Sora и Runway Gen-4. Некоторые модели специализируются на генерации голоса, такие как ElevenLabs, Cartesia и Suno. Существуют и более традиционные типы моделей ИИ, такие как модели классификации (используются в задачах вроде выявления мошенничества), модели ранжирования (используются в поисковых системах, лентах соцсетей и рекламе) и регрессионные модели (используются для числовых прогнозов).

LLM (large language model)

LLM (большая языковая модель)

LLMs are text-based models, designed to understand and generate human-readable text. That’s why the name includes the word “language.”

LLM — это текстовые модели, созданные для понимания и генерации читаемого человеком текста. Именно поэтому в названии есть слово «языковая».

Recently, most LLMs have actually evolved into “multi-modal” models that can process and generate not just text but also images, audio, and other types of content within a single conversational interface. For example, all of the ChatGPT LLM models natively support text, images, and even voice. This started with GPT-4o, where “o” stands for “omni” (meaning it accepts any combination of text, audio, and image input).

В последнее время большинство LLM фактически превратились в «мультимодальные» модели, которые могут обрабатывать и генерировать не только текст, но и изображения, аудио и другие типы контента в рамках единого диалогового интерфейса. Например, все LLM-модели ChatGPT нативно поддерживают текст, изображения и даже голос. Это началось с GPT-4o, где «o» означает «omni» (то есть она принимает любую комбинацию текста, аудио и изображений на вход).

Here’s a really good primer on how LLMs actually work, and also this popular deep dive by Andrej Karpathy:

Вот действительно хорошее введение в то, как на самом деле работают LLM, а также этот популярный подробный разбор от Andrej Karpathy:

Transformer

Transformer

The transformer architecture, developed by Google researchers in 2017, is the algorithmic discovery that made modern AI (and LLMs in particular) possible.

Архитектура transformer, разработанная исследователями Google в 2017 году, — это алгоритмическое открытие, которое сделало возможным современный ИИ (и LLM в частности).

Transformers introduced a mechanism called “attention,” where instead of only being able to read text word‑by‑word, sequentially, the model is able to pay attention to all the words at once. This helps the models understand how words relate to each other, making them far better at capturing meaning, context, and nuance than earlier techniques.

Transformer-ы ввели механизм под названием «внимание» (attention): вместо того чтобы читать текст только слово за словом, последовательно, модель способна обращать внимание на все слова сразу. Это помогает моделям понимать, как слова связаны друг с другом, что делает их гораздо лучше в улавливании смысла, контекста и нюансов, чем предыдущие подходы.

Another big advantage of the transformer architecture is that it’s highly parallelizable—it can process many parts of a sequence at the same time. This makes it possible to train much bigger and smarter models simply by scaling up the data and compute power. This breakthrough is why we suddenly went from basic chatbots to sophisticated AI assistants. Almost every major AI model today, including ChatGPT and Claude, is built on top of the transformer architecture.

Ещё одно большое преимущество архитектуры transformer в том, что она хорошо распараллеливается — она может обрабатывать множество частей последовательности одновременно. Это позволяет обучать гораздо более крупные и умные модели, просто наращивая объём данных и вычислительную мощность. Именно этот прорыв объясняет, почему мы внезапно перешли от примитивных чат-ботов к продвинутым ИИ-ассистентам. Почти каждая крупная модель ИИ сегодня, включая ChatGPT и Claude, построена на основе архитектуры transformer.

This is the best explanation of transformers I’ve seen. Here’s also a more technical and visual deep dive:

Это лучшее объяснение transformer-ов, которое я видел. Вот также более технический и наглядный подробный разбор:

Training/Pre-training

Обучение/Предобучение

Training is the process by which an AI model learns by analyzing massive amounts of data. This data might include large portions of the internet, every book ever published, audio recordings, movies, video games, etc. Training state-of-the-art models can take weeks or months, require processing terabytes of data, and cost hundreds of millions of dollars.

Обучение — это процесс, в ходе которого модель ИИ учится, анализируя огромные объёмы данных. Эти данные могут включать значительную часть интернета, все когда-либо опубликованные книги, аудиозаписи, фильмы, видеоигры и т. д. Обучение передовых моделей может занимать недели или месяцы, требовать обработки терабайтов данных и стоить сотни миллионов долларов.

For LLMs, the core training method is called “next-token prediction.” The model is shown billions of text sequences with the last “token” (roughly analogous to a word, see definition of token below) hidden, and it learns to predict what word should come next.

Для LLM основной метод обучения называется «предсказание следующего токена» (next-token prediction). Модели показывают миллиарды текстовых последовательностей со скрытым последним «токеном» (примерно соответствующим слову, см. определение токена ниже), и она учится предсказывать, какое слово должно идти следующим.

As it trains, the model adjusts millions of internal settings called “weights.” These are similar to how neurons in the human brain strengthen or weaken their connections based on experience. When the model makes a correct prediction, those weights are reinforced. When it makes an incorrect one, they’re adjusted. Over time, this process helps the model improve its understanding of facts, grammar, reasoning, and how language works in different contexts. Here’s a quick visual explanation.

По мере обучения модель настраивает миллионы внутренних параметров, называемых «весами» (weights). Они похожи на то, как нейроны в человеческом мозге усиливают или ослабляют свои связи на основе опыта. Когда модель делает правильное предсказание, эти веса усиливаются. Когда она ошибается — они корректируются. Со временем этот процесс помогает модели лучше понимать факты, грамматику, рассуждения и то, как язык работает в разных контекстах. Вот краткое наглядное объяснение.

If you’re skeptical of next-token prediction generating novel insights and super-intelligent AI systems, here’s Ilya Sutskever (co-founder of OpenAI) explaining why it’s deceptively powerful:

Если вы скептически относитесь к тому, что предсказание следующего токена способно порождать новые идеи и сверхинтеллектуальные ИИ-системы, вот Ilya Sutskever (сооснователь OpenAI) объясняет, почему этот метод обманчиво мощен:

Supervised learning

Обучение с учителем (supervised learning)

Supervised learning refers to when a model is trained on “labeled” data—meaning the correct answers are provided. For example, the model might be given thousands of emails labeled “spam” or “not spam” and, from that, learn to spot the patterns that distinguish spam from non-spam. Once trained, the model can then classify new emails it’s never seen before.

Обучение с учителем (supervised learning) — это когда модель обучается на «размеченных» данных, то есть таких, где предоставлены правильные ответы. Например, модели могут дать тысячи писем, помеченных как «спам» или «не спам», и на их основе она научится распознавать закономерности, отличающие спам от не-спама. После обучения модель может классифицировать новые письма, которые она никогда раньше не видела.

Most modern language models, including ChatGPT, use a subtype called “self-supervised learning.” Instead of relying on human-labeled data, the model creates its own labels, generally by hiding the last token/word of a sentence and learning to predict it. This allows it to learn from massive amounts of raw text without manual annotation.

Большинство современных языковых моделей, включая ChatGPT, используют подвид под названием «самообучение с учителем» (self-supervised learning). Вместо того чтобы полагаться на размеченные человеком данные, модель создаёт собственные метки, как правило, скрывая последний токен/слово предложения и обучаясь его предсказывать. Это позволяет ей учиться на огромных объёмах необработанного текста без ручной разметки.

Unsupervised learning

Обучение без учителя (unsupervised learning)

Unsupervised learning is the opposite: the model is given data without any labels or answers. Its job is to discover patterns or structure on its own, like grouping similar news articles together or detecting unusual patterns in a dataset. This method is often used for tasks like anomaly detection, clustering, and topic modeling, where the goal is to explore and organize information rather than make specific predictions.

Обучение без учителя (unsupervised learning) — это противоположность: модели дают данные без каких-либо меток или ответов. Её задача — самостоятельно обнаружить закономерности или структуру, например сгруппировать похожие новостные статьи или выявить необычные закономерности в наборе данных. Этот метод часто применяется для таких задач, как выявление аномалий, кластеризация и тематическое моделирование, где цель — исследовать и упорядочить информацию, а не делать конкретные прогнозы.

Post-training

Постобучение (post-training)

Post-training refers to all of the additional steps taken after training is complete to make the model even more useful. This includes steps like “fine-tuning” and “RLHF.”

Постобучение (post-training) — это все дополнительные шаги, предпринимаемые после завершения обучения, чтобы сделать модель ещё более полезной. Сюда входят такие шаги, как «дообучение (fine-tuning)» и «RLHF.»

Fine-tuning

Дообучение (fine-tuning)

Fine-tuning is a post-training technique where you take a trained model and do additional training on specific data that’s tailored to what you want the model to be especially good at. For example, you would fine-tune a model on your company’s customer service conversations to make it respond in your brand’s specific style, or on medical literature to make it better at answering healthcare questions, or on educational content for specific grade levels to create a tutoring assistant that explains concepts in age-appropriate ways.

Дообучение (fine-tuning) — это техника постобучения, при которой вы берёте уже обученную модель и проводите дополнительное обучение на конкретных данных, подобранных под то, в чём вы хотите, чтобы модель была особенно хороша. Например, вы можете дообучить модель на разговорах из службы поддержки вашей компании, чтобы она отвечала в фирменном стиле вашего бренда, или на медицинской литературе, чтобы она лучше отвечала на вопросы по здравоохранению, или на образовательном контенте для определённых классов школы, чтобы создать ассистента-репетитора, объясняющего понятия в соответствии с возрастом.

This additional training tweaks the model’s internal weights to specialize its responses for your specific use case, while preserving the general knowledge it learned during pre-training.

Это дополнительное обучение подстраивает внутренние веса модели, чтобы специализировать её ответы под ваш конкретный сценарий использования, при этом сохраняя общие знания, которые она получила во время предобучения.

Here’s an awesome technical deep dive into how fine-tuning works:

Вот отличный технический подробный разбор того, как работает дообучение:

RLHF (reinforcement learning from human feedback)

RLHF (обучение с подкреплением на основе обратной связи от людей)

RLHF is a post-training technique that goes beyond next-token prediction and fine-tuning by teaching AI models to behave the way humans want them to—making them safer, more helpful, and aligned with our intentions. RLHF is a key method used for what’s referred to as “alignment.”

RLHF — это техника постобучения, которая выходит за рамки предсказания следующего токена и дообучения, обучая модели ИИ вести себя так, как хотят люди, — делая их безопаснее, полезнее и согласованнее с нашими намерениями. RLHF — это ключевой метод, используемый для того, что называют «выравниванием» (alignment).

This process works in two stages: First, human evaluators compare pairs of outputs and choose which is better, training a “reward model” that learns to predict human preferences. Then, the AI model learns through reinforcement learning—a trial-and-error process where it receives “rewards” from the reward model (not directly from humans) for generating responses the reward model predicts humans would prefer. In this second stage, the model is essentially trying to “game” the reward model to get higher scores.

Этот процесс работает в два этапа. Сначала люди-оценщики сравнивают пары ответов и выбирают, какой из них лучше, обучая «модель вознаграждения» (reward model), которая учится предсказывать предпочтения людей. Затем модель ИИ обучается с помощью обучения с подкреплением — процесса проб и ошибок, в ходе которого она получает «вознаграждения» от модели вознаграждения (а не напрямую от людей) за генерацию ответов, которые, по прогнозу модели вознаграждения, предпочли бы люди. На этом втором этапе модель по сути пытается «обыграть» модель вознаграждения, чтобы получить более высокие баллы.

Here’s a great guide, plus this technical deep dive into RLHF:

Вот отличное руководство, а также этот технический подробный разбор RLHF:

Prompt engineering

Prompt engineering

Prompt engineering is the art and science of crafting questions (i.e. “prompts”) for AI models that result in better and more useful responses. Like when you’re talking to a person, the way you phrase your question can lead to dramatically different responses. The same AI model will give very different responses based on how you craft your prompt.

Prompt engineering — это искусство и наука составления вопросов (то есть «промптов») для моделей ИИ, которые приводят к лучшим и более полезным ответам. Как и при разговоре с человеком, то, как вы формулируете вопрос, может приводить к кардинально разным ответам. Одна и та же модель ИИ даст совершенно разные ответы в зависимости от того, как вы составите свой промпт.

There are two categories of prompts:

Есть две категории промптов:

Диалоговые промпты: то, что вы отправляете ChatGPT/Claude/Gemini, когда ведёте с ними разговор.Системные/продуктовые промпты: закулисные инструкции, которые разработчики встраивают в продукты, чтобы задать поведение ИИ-продукта.

Here’s a podcast episode from just last week where we cover this and much more:

Вот эпизод подкаста буквально на прошлой неделе, где мы разбираем это и многое другое:

RAG (retrieval-augmented generation)

RAG (генерация с дополненной выборкой, retrieval-augmented generation)

RAG is a technique that gives models access to additional information at run-time that they weren’t trained on. It’s like giving the model an open-book test instead of having it answer from memory.

RAG — это техника, дающая моделям доступ во время выполнения к дополнительной информации, на которой они не обучались. Это всё равно что дать модели экзамен «с открытой книгой» вместо того, чтобы она отвечала по памяти.

When you ask a question like “How do this month’s sales compare to last month?” a retrieval system is able to search through your databases, documents, and knowledge repos to find pertinent information. This retrieved data is then added as context to your original prompt, creating an enriched prompt that the model then processes. This leads to a much better, more accurate answer.

Когда вы задаёте вопрос вроде «Как продажи этого месяца соотносятся с прошлым?», система выборки способна искать по вашим базам данных, документам и хранилищам знаний, чтобы найти релевантную информацию. Эти найденные данные затем добавляются как контекст к вашему исходному промпту, создавая обогащённый промпт, который модель затем обрабатывает. Это приводит к гораздо лучшему и более точному ответу.

One common source of “hallucinations” is when you don’t give the model the context it needs to answer your question through RAG.

Один из распространённых источников «галлюцинаций» — когда вы не даёте модели через RAG контекст, необходимый ей для ответа на ваш вопрос.

Broadly, to summarize:

В целом, если подытожить:

Предобучение: даёт модели общие знания (и язык).Дообучение (fine-tuning): специализирует модель под конкретные задачи.RLHF: выравнивает модель с человеческими предпочтениями.Prompt engineering: навык составления более удачных вводных данных, чтобы направить модель к наиболее полезным ответам.RAG: техника, которая во время выполнения извлекает дополнительную релевантную информацию из внешних источников, чтобы дать модели актуальный или специфичный для задачи контекст, на котором она не обучалась.

Here’s a great overview of fine-tuning vs. RAG vs. prompt engineering:

Вот отличный обзор различий между дообучением, RAG и prompt engineering:

Evals

Evals

Evals (short for “evaluations”) are structured ways to measure how well an AI system performs on specific tasks, such as correctness, safety, helpfulness, or tone. They define what “good” looks like for your AI system and help you answer the question: Is this model doing what I want it to do?

Evals (сокращение от «evaluations», оценки) — это структурированные способы измерить, насколько хорошо ИИ-система выполняет конкретные задачи, такие как корректность, безопасность, полезность или тональность. Они определяют, что значит «хорошо» для вашей ИИ-системы, и помогают ответить на вопрос: делает ли эта модель то, что я от неё хочу?

Evals are basically unit tests or benchmarks for your AI product. They run your model through predefined inputs and compare its responses against expected outputs. This helps you quantify progress, catch regressions, and guide you toward improvements.

Evals — это по сути юнит-тесты или бенчмарки для вашего ИИ-продукта. Они прогоняют вашу модель через заранее заданные вводные данные и сравнивают её ответы с ожидаемыми результатами. Это помогает количественно измерять прогресс, отлавливать регрессии и подсказывает направления для улучшений.

For example, here’s what an eval to measure the toxicity and tone of a model’s response might look like. Your model output would be inserted into the {text} variable:

Например, вот как может выглядеть eval для измерения токсичности и тональности ответа модели. Вывод вашей модели был бы вставлен в переменную {text}:

Evals are often described by top product leaders as the most critical, yet overlooked, skill for building successful AI products:

Evals часто называют — ведущие продуктовые лидеры — самым критически важным, но при этом недооценённым навыком для создания успешных ИИ-продуктов:

Don’t miss this excellent guest post by Aman Khan that teaches you how to craft evals for your product.

Не пропустите этот отличный гостевой пост от Aman Khan, который научит вас составлять evals для вашего продукта.

Inference

Inference

Inference is when the model “runs.” When you ask ChatGPT a question and it generates a response, that’s it doing inference.

Inference — это когда модель «работает». Когда вы задаёте ChatGPT вопрос и она генерирует ответ — это и есть inference.

MCP (model context protocol)

MCP (model context protocol)

MCP is a recently released open standard that allows AI models to interact with external tools—like your calendar, CRM, Slack, or codebase—easily, reliably, and securely. Previously, developers had to write their own custom code for each new integration.

MCP — это недавно выпущенный открытый стандарт, который позволяет моделям ИИ взаимодействовать с внешними инструментами — такими как ваш календарь, CRM, Slack или кодовая база — легко, надёжно и безопасно. Раньше разработчикам приходилось писать собственный код для каждой новой интеграции.

MCP also gives the AI the ability to take actions through these tools, for example, updating customer records in Salesforce, sending messages in Slack, scheduling meetings in your calendar, or even committing code to GitHub.

MCP также даёт ИИ возможность выполнять действия через эти инструменты, например обновлять записи о клиентах в Salesforce, отправлять сообщения в Slack, планировать встречи в вашем календаре или даже коммитить код в GitHub.

It’s still early in the definition of AI protocols, and there are other competing proposals, like A2A from Google and ACP from BeeAI/IBM.

Это пока ранний этап в определении ИИ-протоколов, и есть другие конкурирующие предложения, такие как A2A от Google и ACP от BeeAI/IBM.

Here’s a really nice in-depth explanation of MCP:

Вот действительно хорошее подробное объяснение MCP:

This post is for paid subscribers

Этот пост доступен платным подписчикам