Umetna inteligenca se razvija hitreje, kot jo lahko večina ekip sproti razume. Novi izrazi, pristopi in tehnologije nastajajo skoraj vsak dan, zato postaja jasno: za učinkovito uporabo AI ni dovolj, da poznamo orodja — potrebno je razumeti koncepte, ki jih poganjajo.
Ta slovar je zasnovan kot zanesljiv vodnik skozi ključne pojme sodobne umetne inteligence. Razlaga temeljne koncepte, pristope generativnih modelov, najnovejše agentne metode in mehanizme, ki omogočajo, da AI deluje v realnih poslovnih okoljih. Namenjen je vsem, ki želijo AI uporabljati premišljeno, varno in učinkovito — ne glede na to, ali ste na začetku ali že načrtujete napredne avtomatizacije.
Action Model
Action modeli so posebna vrsta AI modelov, zasnovanih za izvajanje dejanj, ne le za generiranje besedila. Delujejo kot most med razumevanjem jezika in dejanskim izvajanjem ukazov, na primer ustvarjanjem datotek, upravljanjem workflowov, iskanjem podatkov ali sprožanjem zunanjih orodij prek API-jev. Medtem ko klasični LLM odgovarja v obliki besedila, action model omogoča neposredno interakcijo s sistemi in prevzemanje opravil, ki jih običajno izvajajo ljudje ali avtomatizirani skripti. Action modeli so ključna komponenta pri gradnji naprednih AI agentov, saj predstavljajo njihovo sposobnost delovati v digitalnem okolju in ne zgolj razlagati informacij.
Agentic Loop
Agentic loop opisuje ponavljajoči se proces, v katerem AI agent načrtuje, izvede, opazuje in prilagodi svoje delovanje. Gre za cikel Plan → Act → Observe → Reflect, ki agentu omogoča, da se uči iz rezultatov in postopoma izboljšuje svoje odločitve. Za razliko od klasičnih modelov, ki dajejo enkraten odgovor, agent s pomočjo agentic loopa vztrajno preverja, ali se približuje cilju, ter po potrebi spremeni strategijo. Ta sposobnost pomeni, da agent ni statičen pomočnik, temveč sistem, ki deluje bolj podobno človeku – z iterativnim razmišljanjem, prilagajanjem in preseganjem enostavnih navodil. Agentic loop je tako temeljni gradnik naprednih avtomatizacij in kompleksnih digitalnih procesov.
Agentic Workflow
Agentic workflow je struktura, ki določa, kako AI agent izvaja večstopenjske naloge: od razčlenitve problema do načrtovanja korakov, izvajanja dejanj in preverjanja rezultatov. Namesto linearne avtomatizacije agentic workflow omogoča, da se agent pri vsakem koraku odloči, kaj je smiselno narediti naslednje, ter da se prilagodi spremembam v podatkih ali okolju. Tak pristop omogoča avtomatizacijo, ki je prožnejša od tradicionalnih pravilnih sistemov, saj agent razmišlja, načrtuje in optimizira potek dela. Agentic workflow se uporablja pri gradnji naprednih asistentov, delovnih procesov, sistemov podpore strankam, podatkovnih analiz in kompleksnih operativnih avtomatizacij.
AI Agent
AI agent je sistem, ki združuje sposobnosti razumevanja, načrtovanja in delovanja ter lahko samostojno izvaja naloge, namesto da bi le odgovarjal na vprašanja. Agenti uporabljajo LLM kot “možgane”, dostopajo do orodij prek API-jev, analizirajo rezultate ter se prilagajajo kontekstu. Ključna razlika med agentom in klasičnim modelom je sposobnost večstopenjskega razmišljanja in odločanja, ki agentu omogoča reševanje kompleksnih procesov, kot so generiranje poročil, integracije med sistemi ali upravljanje projektnih nalog. AI agenti predstavljajo naslednjo fazo razvoja umetne inteligence – od orodja, ki pomaga, do digitalnega sodelavca, ki dejansko opravlja delo.
API klic / API integracija
API klic je način, kako sistem ali AI model dostopa do zunanjih podatkov, orodij ali storitev prek standardiziranega vmesnika. API integracija omogoča, da AI agent povezuje različne sisteme, bere in zapisuje podatke, sproža procese ali pridobiva informacije iz zunanjih aplikacij. S tem AI preseže omejitev pasivne generacije besedila in postane aktiven del poslovnih procesov. API integracije so ključne za avtomatizacije, povezovanje CRM-jev, orodij za analitiko, baz podatkov in operativnih sistemov. Za neprogramerje je bistveno razumeti, da API omogoča, da AI dejansko nekaj naredi, namesto da zgolj opisuje, kako bi to naredil.
Chain of Thought
Chain of Thought je pristop, pri katerem model pokaže svoj vmesni miselni proces, preden poda končni odgovor. Namesto samo rezultata model izpiše logične korake, sklepe in razmišljanje, ki ga je pripeljalo do rešitve. To omogoča večjo natančnost pri reševanju zapletenih nalog, kot so izračuni, načrtovanje ali analize. Chain of Thought izboljša preglednost in omogoča boljše razumevanje modelovih odločitev, kar je pomembno pri poslovnih scenarijih, kjer je zaželeno razložljivo delovanje AI. Ta tehnika je ključni element agentnih sistemov, saj jim pomaga razčlenjevati probleme in sprejemati bolj premišljene odločitve.
Custom GPT / Custom Models
Custom GPT oziroma prilagojeni modeli so različice obstoječih AI modelov, ki jih podjetje prilagodi svojim podatkom, pravilom in delovnim procesom. Namesto generičnega delovanja tak model razume specifično terminologijo, interne postopke, produkte ali dokumentacijo organizacije. Prilagoditev je lahko preprosta (nastavitve pravil, ton govora, dostopi do podatkov) ali napredna, kot je učenje na lastnih podatkih. Cilj custom modela je izboljšati natančnost, zanesljivost in skladnost AI sistemov ter zagotoviti rezultate, ki se prilagajajo internemu kontekstu podjetja. Takšni modeli so temelj profesionalnih AI implementacij.
Data Leakage
Data leakage označuje situacijo, v kateri občutljivi, zaupni ali lastniški podatki nenamerno uidejo izven kontroliranega okolja. Do tega lahko pride med uporabo AI orodij, neustreznim deljenjem podatkov, slabo konfiguriranimi dostopi ali prevelikim odpiranjem modelov zunanjim sistemom. Data leakage lahko povzroči izgubo intelektualne lastnine, kršitev regulative ali varnostne incidente. V kontekstu AI je ključno zagotoviti, da modeli ne shranjujejo ali ne reproducirajo zasebnih podatkov ter da je uvedeno ustrezno upravljanje dostopov, anonimizacija in kontrola uporabe podatkov.
Embeddings
Embeddings so vektorske predstavitve besedila ali drugih podatkov, ki modelu omogočajo razumevanje podobnosti med vsebinami. Namesto besedila AI uporabi matematične vektorje, ki zajamejo pomen, kontekst in odnose med izrazi. To omogoča izjemno zmogljive funkcije, kot so iskanje po pomenu, priporočilni sistemi in RAG. Embeddings so temelj za razumevanje kompleksnejših struktur, saj AI ne išče več le ujemanja besed, temveč semantično sorodnost. Pravilno generirani embeddings bistveno izboljšajo kakovost agentov, iskalnikov in aplikacij, ki delujejo na velikih količinah nestrukturiranih podatkov.
Fine-tuning
Fine-tuning je proces, pri katerem obstoječ AI model dodatno naučimo na specifičnih podatkih organizacije, da postane bolj natančen in domensko usmerjen. To je nadgradnja generičnega znanja modela z informacijami iz podjetja – dokumentacije, internih priročnikov, procesov, struktur ali primerov. Rezultat je model, ki bolje razume terminologijo podjetja, pravilne odgovore in način delovanja. Fine-tuning se uporablja, kadar prompti ali RAG niso dovolj za doseganje visoke natančnosti. Gre za napredno tehniko, ki omogoča večjo zanesljivost in doslednost, a zahteva dobro pripravljene podatke in jasne standarde kakovosti.
First-party podatki
First-party podatki so podatki, ki jih organizacija zbere sama neposredno prek svojih sistemov – spletne strani, CRM-ja, podpore strankam, mobilnih aplikacij ali analitičnih orodij. So najzanesljivejši, najčistejši in najbolj uporabni podatki za AI implementacije, ker niso odvisni od zunanjih platform ali piškotkov. Uporaba first-party podatkov omogoča natančno personalizacijo, zanesljive analize in visoko kakovost delovanja agentov. V AI kontekstu so osnova za prave RAG sisteme, učinkovite modele, varne procese in podatkovno strategijo podjetja.
Generativna umetna inteligenca (Gen AI)
Generativna umetna inteligenca je vrsta AI, ki na podlagi naučenih vzorcev zna ustvarjati nove vsebine – besedilo, slike, video, zvok ali kodo. Ne razmišlja intuitivno kot človek, temveč uporablja statistične verjetnosti za oblikovanje smiselnih rezultatov. Gen AI poganja najnaprednejša orodja danes in omogoča hitro pripravo vsebin, raziskovanje, povzemanje ter avtomatizacijo kreativnih procesov. V poslovnem okolju služi kot osnova za razvoj agentov, ki lahko samostojno izvajajo kompleksne naloge. Gre za tehnologijo, ki postavlja fundament sodobne produktivnosti v marketingu, analitiki in operativnih procesih.
Guardrails
Guardrails so mehanizmi, ki omejujejo in usmerjajo delovanje AI modelov, da preprečijo napačne, neprimerne ali škodljive izhode. Lahko gre za pravila, filtre, preverjanje rezultatov ali modele, ki nadzirajo druge modele. Njihova vloga je zagotoviti, da AI deluje v varnih mejah, spoštuje interne smernice, pravila podjetja in regulatorne zahteve. Guardrails so ključni pri uvajanju AI v podjetjih, saj skrbijo za konsistentnost, skladnost in varnost rezultatov. Brez njih lahko sistemi generirajo halucinacije, neprimerne odgovore ali podatkovna tveganja, ki bi lahko škodovala poslovanju.
Haluciniranje (AI Hallucination)
Haluciniranje je pojav, pri katerem AI model ustvari prepričljive, a napačne, izmišljene ali nelogične informacije, ki niso podprte s podatki. Do halucinacij pride, ker model ne razume sveta, temveč napoveduje verjetne nadaljevanja besedila na podlagi vzorcev. Halucinacije se pojavijo pri nejasnih promptih, pomanjkanju konteksta, omejenem znanju ali konfliktnih informacijah. Čeprav so naravna lastnost generativnih modelov, lahko povzročijo napačne sklepe ali odločitev, če jih uporabnik ne prepozna. Zato se pri profesionalni uporabi AI uporabljajo RAG, validacija, guardrails in kontrolirani procesi, ki zmanjšujejo tveganje napačnih rezultatov.
Inferenca / Inference
Inferenca je proces, v katerem AI model iz vhodnih podatkov ustvari odgovor, napoved ali dejanje. To je trenutek, ko model uporabi svoje naučene vzorce, statistike in notranjo reprezentacijo sveta, da proizvede izhod. Inferenca zahteva veliko računske moči, zato je pogosto najdražji del delovanja modelov v produkciji. Hitrost in strošek inferenc sta ključna dejavnika pri izbiri modelov za poslovne potrebe. Pomembno je razumeti, da med inferenco model ne “pomisli”, temveč zgolj izvede statistično napoved na osnovi svojih parametrov. Učinkovita inferenca je temelj delovanja agentov, avtomatizacij in vseh AI produktov.
Kontekstno okno (Context Window)
Kontekstno okno določa količino informacij, ki jih lahko model sočasno upošteva, prebere in obdrži v kratkoročnem spominu. Večje kontekstno okno pomeni, da lahko model obravnava daljše dokumente, sledi kompleksnim pogovorom in opravlja večstopenjske naloge, pri katerih se sklicuje na prejšnje informacije. Če je okno premajhno, model “pozablja” starejše dele besedila, kar lahko vodi do napačnih sklepov ali halucinacij. Moderni modeli ponujajo kontekste od nekaj tisoč do več sto tisoč tokenov, kar bistveno izboljšuje analitične in agentske sposobnosti. Kontekstno okno je ključni parameter pri izbiri modela za resnične poslovne primere.
LLM – Large Language Model
LLM je velik jezikovni model, naučen na ogromnih zbirkah podatkov, ki zna razumeti, interpretirati in ustvarjati besedilo. Ne razmišlja kot človek, temveč z matematičnimi metodami napoveduje najverjetnejše nadaljevanje besedila. LLM-ji, kot so GPT-4.1, Claude ali Gemini, poganjajo sodobne generativne aplikacije, avtomatizacije in agente. Sposobni so prevajanja, analiziranja, pisanja, načrtovanja ter povezovanja informacij. Delujejo kot “možgani” AI sistemov, saj združujejo razumevanje jezika z logiko, semantičnimi vzorci in kontekstom. LLM je temelj, na katerem se gradijo napredni workflowi in agenti, ki lahko izvajajo kompleksne naloge.
LLM Orchestration Platform
LLM orchestration platforma je programska infrastruktura, ki omogoča povezovanje, upravljanje in usklajevanje modelov, agentov, podatkov in orodij. Platforme, kot so LangChain, LlamaIndex, OpenAI platforma ali Zapier AI, služijo kot srednji sloj med modelom in realnimi sistemi. Omogočajo upravljanje workflowov, povratnih zank, pomnilnika, dostopov do podatkov, API integracij in večmodalnih operacij. Brez teh orodij bi bili agenti težko uporabni v produkciji, saj bi delovali izolirano. Orchestration platforme prinašajo strukturo, stabilnost in standardizacijo, ki so ključne za zanesljive AI aplikacije v podjetjih.
Memory / Agentska memorija
Agentska memorija je sposobnost AI agenta, da si zapomni informacije skozi čas, jih uporablja pri nadaljnjih korakih in se nanje vrača pri odločanju. Memory lahko vključuje kratkoročno shranjevanje konteksta, dolgoročne podatke o uporabnikih, rezultate predhodnih korakov ali dostop do vektorskih baz. Brez memorije agent deluje “brez spomina”, kar omejuje njegovo uporabnost pri večstopenjskih nalogah. Z dobro zasnovano memorijo agent postane zmožen osebne interakcije, prilagajanja in učenja na osnovi prejšnjih dejanj. Memory je temelj resničnih agentnih sistemov, saj omogoča kontinuiteto in kontekst.
Model Bias
Model bias opisuje situacijo, ko AI model zaradi svojih učnih podatkov ali notranje strukture proizvaja pristranske, nepoštene ali neuravnotežene rezultate. Pristranskost lahko izhaja iz neuravnoteženih podatkov, stereotipov, prekomerne zastopanosti določenih skupin ali pomanjkanja relevantnih primerov. Bias se lahko kaže v napačnih priporočilih, nekonsistentnih rezultatih ali nepoštenih odločitvah. Pri uporabi AI v podjetjih je ključno redno preverjanje, nadzor in odpravljanje biasov prek guardrails, raznolikih podatkov ter etičnih standardov. Zmanjšanje modelskega bias-a je ključno za zanesljivo, odgovorno in pravično uporabo umetne inteligence.
Multi-Agent Systems
Multi-agentni sistemi združujejo več AI agentov, ki med seboj sodelujejo, komunicirajo ali se specializirajo za posamezne naloge znotraj večjega cilja. Vsak agent ima svoje sposobnosti, dostop do orodij in odgovornosti, skupaj pa tvorijo sistem, ki lahko reši naloge, ki bi bile za en sam model preveč kompleksne. Agent se lahko ukvarja z analizo podatkov, drugi z ustvarjanjem vsebin, tretji s preverjanjem kakovosti ali integracijami. Tak pristop omogoča modularnost, zanesljivost in večjo fleksibilnost, saj sistem ni odvisen od ene “logike”. Multi-agentni sistemi so temelj naprednih avtomatizacij, ki se prilagajajo realnim procesom v podjetjih.
Multimodalni model
Multimodalni model je AI sistem, ki lahko obdeluje več vrst podatkov hkrati — besedilo, slike, zvok, video ali podatkovne strukture. Namesto omejenosti na en medij model razume informacije v širšem kontekstu in jih povezuje med seboj. To omogoča naloge, kot so analiza dokumentov s slikami, razumevanje grafov, opisovanje videoposnetkov ali pretvorba med različnimi modalnostmi. Multimodalni pristop dramatično poveča uporabnost AI v poslovnih okoljih, saj omogoča delo z realnimi, nestrukturiranimi podatki. Multimodalnost je temelj prihodnjih agentov, ki se morajo odzivati na svet v več oblikah.
Orkestracija / Orchestration
Orkestracija opisuje usklajevanje delovanja modelov, agentov, API-jev, orodij in podatkov znotraj AI sistema. Gre za plast, ki določa kaj se sproži, kdaj, v katerem zaporedju in pod kakšnimi pogoji. Orkestracija omogoča, da agenti sodelujejo, se izmenjujejo vloge, preverjajo rezultate in nadaljujejo proces brez človeškega posredovanja. V praksi je to infrastruktura, ki omogoča, da AI ni zgolj generator besedila, temveč centralni element večstopenjskih avtomatizacij. Dobra orkestracija zagotavlja stabilnost, ponovljivost in zanesljivost, kar je ključno za produkcijske AI sisteme.
Privacy Sandbox / Secure Mode
Privacy Sandbox ali Secure Mode se nanaša na varnostne in zasebnostne mehanizme, ki skrbijo, da AI modeli ne shranjujejo, ne delijo ali ne učijo občutljivih podatkov iz uporabe. Te funkcije preprečujejo, da bi zasebni podatki podjetja ušli v učne procese globalnih modelov ali postali dostopni drugim uporabnikom. Secure Mode običajno pomeni, da se vsi podatki obdelujejo lokalno, izolirano ali šifrirano, z jasnimi pravili za dostop in hrambo. Za podjetja je to ključno, saj zagotavlja skladnost z regulativami, varnost in zaščito intelektualne lastnine pri uporabi generativnih orodij in agentov.
Prompt / Prompt Engineering
Prompt je navodilo ali vprašanje, ki ga posredujemo AI modelu, da določa kaj, kako in v kakšnem obsegu naj model generira odgovor. Prompt engineering je sistematičen pristop k oblikovanju jasnih, strukturiranih in natančnih navodil, ki vodijo do boljših rezultatov. Dober prompt vključuje kontekst, ton, namen, omejitve in primer izhoda. Ker modeli delujejo na podlagi verjetnosti, je kakovost prompta ena najpomembnejših veščin uporabe AI. Dober prompt lahko bistveno poveča natančnost, stabilnost in uporabnost rezultatov ter zmanjša pojav halucinacij.
Prompt Chaining
Prompt chaining je tehnika, kjer kompleksno nalogo razdelimo na zaporedje manjših, logično povezanih promptov, ki vodijo model skozi postopek razmišljanja. Namesto enega velikega navodila sistem uporablja več korakov, kot bi to storil človek pri reševanju problema. S tem se poveča natančnost, zmanjša haluciniranje in omogoči višja stopnja nadzora nad procesom. Prompt chaining je osnova za gradnjo workflowov, agentov in analitičnih nalog, saj model postopno prehaja od razumevanja problema do končnega izhoda. Ta pristop prinaša večjo robustnost, preglednost in modularnost.
RAG – Retrieval-Augmented Generation
RAG je tehnika, ki modelu omogoča, da pri generiranju odgovorov uporabi aktualne podatke iz zunanjih virov, kot so baze, dokumenti, CRM ali spletne strani. Namesto da odgovarja le iz notranjega znanja, model najprej “poišče” relevantne informacije, nato pa jih uporabi za natančen odgovor. RAG drastično zmanjša halucinacije, izboljša točnost in omogoča uporabo AI v domenskih primerih, kot so pravni dokumenti, interne baze znanja, produktni katalogi ali analitični sistemi. Gre za enega najpomembnejših pristopov pri gradnji zanesljivih, podatkovno podprtih agentov.
Rate Limiting
Rate limiting je mehanizem, ki omejuje število zahtevkov ali operacij, ki jih sistem ali API lahko obdela v določenem časovnem obdobju. Namen je zaščititi infrastrukturo pred preobremenitvijo, zlorabami ali previsokimi stroški. V kontekstu AI agentov rate limiting določa, koliko dejanj ali API klicev lahko agent izvede, kar preprečuje nenadzorovano izvajanje workflowov. Pri implementaciji AI v podjetju je razumevanje rate limiting pravil ključno za stabilnost, načrtovanje proračuna in zanesljivo delovanje sistemov. Omejevanje dostopa ne pomeni nižje zmogljivosti, temveč nadzor, predvidljivost in varnost delovanja.
ReAct Framework
ReAct je pristop, pri katerem model kombinira razmišljanje (Reasoning) in delovanje (Acting). Namesto enega samega odgovora model najprej razčleni problem, ustvari miselni proces in nato izvede konkretna dejanja, kot so iskanje podatkov, klicanje orodij ali preverjanje rezultatov. ReAct omogoča, da agenti delujejo bolj podobno človeku — razmišljajo, načrtujejo in nato izvedejo dejanje. Ta pristop je temelj naprednih agentov, ki morajo reševati kompleksne naloge, kjer je potrebno več korakov. ReAct izboljša natančnost, preglednost in robustnost, saj model razkrije logiko odločanja in jo uporablja pri izvedbi korakov.
Red Teaming
Red teaming je postopek, pri katerem se namerno testira AI sistem z nepredvidljivimi, tveganimi ali zlonamernimi vnosi, da bi se odkrile ranljivosti. Cilj ni sabotirati sistem, temveč ga izboljšati: identificirati halucinacije, varnostne luknje, neželene odgovore ali neželena vedenja modela. Red teaming je ključni del varnostnega cikla vsake resne AI implementacije, saj preverja, kako se model odziva na robne primere, provokacije in nepričakovane scenarije. Velja za standardno prakso pri podjetjih, ki želijo zagotoviti odgovorno, varno in zanesljivo uporabo umetne inteligence v produkciji.
Role-Based Access Control (RBAC)
RBAC je metoda nadzora dostopa, ki določa, kdo lahko izvaja določene akcije v sistemu na podlagi vlog in ne posameznih pravic. V AI kontekstu RBAC določa, kdo sme ustvarjati agente, brati podatke, upravljati modele ali dostopati do občutljivih informacij. S tem se preprečuje, da bi uporabniki nenamerno ali namerno ogrozili sistem. RBAC je nepogrešljiv pri uvajanju AI v podjetjih, kjer je treba jasno opredeliti odgovornosti, meje delovanja in pravila, da AI rešitve ostanejo varne, skladne in nadzorovane.
Samo-popravljanje (Self-Correction)
Samo-popravljanje je sposobnost modela, da svoje lastne odgovore oceni, preveri in popravi, preden jih vrne uporabniku ali uporabi v agentnem toku. Model analizira napake, neskladja ali manjkajoče elemente in na tej podlagi ustvari boljšo različico rezultata. Self-correction zmanjšuje halucinacije, izboljšuje stabilnost in omogoča višjo stopnjo natančnosti, še posebej pri kompleksnih nalogah. Pri agentih je samo-popravljanje ključni element, saj agent pogosto večkrat iterira odgovor, preden izvede nadaljnji korak. Gre za temelj zanesljivih in avtonomnih AI sistemov.
Samo-refleksija modela (Self-reflection)
Samo-refleksija pomeni, da model analizira lasten miselni proces, preveri logiko odločanja in razmisli, ali se približuje cilju. To ni popravljanje odgovora, temveč meta-proces, pri katerem model oceni kakovost in smiselnost svojega razmišljanja. Self-reflection je ključen pristop v agentnih arhitekturah, kjer mora agent razumeti, ali sledi pravi strategiji, ali je nalogo razumel pravilno in ali mora spremeniti potek dela. S tem pristopom lahko agenti delujejo bolj premišljeno, ne le linearno. Samo-refleksija je eden od gradnikov, ki prinaša večjo inteligenco, stabilnost in doslednost.
Scoring & Evaluacija LLM-jev
Scoring in evaluacija LLM-jev se nanašata na procese, s katerimi merimo, kako dobro model deluje v določenem kontekstu. To vključuje ocenjevanje natančnosti, stabilnosti, skladnosti, logične pravilnosti, odzivnosti in varnostnih vidikov. Evaluacija se pogosto izvaja z vnaprej pripravljenimi testi, primerjalnimi podatkovnimi nizi ali človeškimi ocenami. V poslovnem okolju je to ključno za izbiro pravega modela, spremljanje kakovosti in vzdrževanje zanesljivosti v produkciji. Brez dosledne evaluacije lahko modeli sčasoma dajejo manj kakovostne rezultate ali kažejo neželena vedenja. Evalvacija je temelj odgovorne uporabe AI.
Self-Consistency
Self-consistency je pristop, pri katerem model ustvari več možnih rešitev iste naloge in nato izbere tisto, ki je najbolj logična, skladna ali pogosta med generiranimi odgovori. Namesto enkratnega sklepa model generira nabor različnih miselnih poti in jih primerja med seboj. Ta metoda pomembno zmanjšuje halucinacije, saj model ne sprejme prve “verjetne” možnosti, temveč preveri lastne alternative. Self-consistency se pogosto uporablja pri zahtevnih analitičnih nalogah, agentih in načrtovanju, kjer je pomembna visoka stabilnost in preverjena logika izračuna.
Temperature
Temperature je parameter, ki določa, kako kreativen, determinističen ali variabilen bo odziv AI modela. Nizka temperatura (0.0–0.3) povzroči dosledne, predvidljive odgovore, ki ostajajo blizu učnim podatkom. Visoka temperatura (0.7+) pa poveča raznolikost, ustvarjalnost in tveganje za napake ali halucinacije. Temperature je ključen del nadzora nad generiranjem vsebin ter vpliva na ton, strukturo in natančnost rezultatov. V praksi se uporablja za prilagajanje modela namenu: od stroge analitike do kreativne ideacije.
Token / Tokenizacija
Token je najmanjša enota besedila, ki jo AI model razume — lahko je del besede, cela beseda ali ločilo. Tokenizacija je proces, ki besedilo pretvori v zaporedje tokenov, ki jih model nato obdeluje. Dolžina vnosa in izhoda je omejena s številom tokenov, kar vpliva na obseg informacij, ki jih model lahko upošteva. Tokenizacija vpliva na ceno, hitrost in natančnost generiranja, saj več tokenov pomeni več izračunov. Razumevanje tokenov je bistveno za učinkovito pisanje promptov, delo z dokumenti in upravljanje kontekstnega okna.
Tool Use / Function Calling
Tool Use ali Function Calling omogoča AI modelom, da poleg generiranja besedila izvajajo dejanja: klicanje API-jev, dostopanje do baz, ustvarjanje dokumentov, branje datotek ali izvajanje izračunov. Namesto statičnih odgovorov model deluje kot programski agent, ki zna povezati znanje z zunanjimi orodji. To je ključno za gradnjo naprednih agentov, saj omogoča interakcijo s sistemom, avtomatizacijo in dejanske operacije. Function calling predstavlja prehod iz “pogovorne AI” v operativno AI, ki lahko izvaja realne poslovne procese.
Umetna inteligenca (AI)
Umetna inteligenca je področje računalništva, ki razvija sisteme, sposobne posnemati človeške kognitivne sposobnosti: razumevanje, učenje, odločanje in generiranje informacij. AI ne razume sveta intuitivno, temveč temelji na statističnih vzorcih iz podatkov, na katerih je bila naučena. Kljub temu lahko preseže človeka v hitrostih obdelave, obsegu informacij in doslednosti. AI je temelj sodobnih tehnologij — od LLM-jev in generatorjev do agentov in avtomatizacij — ter predstavlja osrednjo silo digitalne transformacije.
Vector Database
Vektorska baza je specializirana podatkovna baza, ki shranjuje podatke v obliki vektorjev in omogoča iskanje po podobnosti. Namesto iskanja po ključnih besedah AI uporablja matematično “bližino” med vektorji, kar omogoča izjemno natančno semantično iskanje. Vektorske baze, kot so Pinecone, Weaviate ali Qdrant, so temelj RAG sistemov in agentov, saj omogočajo, da AI dostopa do relevantnih, aktualnih in domenskih informacij. Gre za ključno infrastrukturo za gradnjo AI, ki deluje na resničnih poslovnih podatkih.
Workflow Automation
Workflow automation opisuje avtomatizacijo poslovnih procesov s pomočjo AI, kjer sistemi samodejno izvajajo ponavljajoče se naloge, preverjajo rezultate in sprožajo naslednje korake. Sodobne AI avtomatizacije presegajo klasična pravila in uporabljajo agentno logiko, kar omogoča prilagajanje, preverjanje in optimizacijo procesa. Workflow automation združuje modele, API-je, orodja in podatke v celoto, ki lahko deluje neodvisno od človeka. Cilj je ustvariti zanesljive, ponovljive in učinkovite procese, ki pospešijo delo ekip.
Zasebnost & Data Governance v AI
Zasebnost in upravljanje podatkov opisujeta politike, procese in tehnologije, ki zagotavljajo, da se podatki v AI sistemih uporabljajo varno, zakonito in odgovorno. Vključuje nadzor dostopov, anonimizacijo, revizijske sledi, upravljanje občutljivih informacij in skladnost z regulativami. Učinkovita data governance preprečuje zlorabe, uhajanje podatkov in nepravilne odločitve modelov. Pri uvajanju AI v podjetja je to ena najpomembnejših plasti, saj omogoča gradnjo sistemov, ki so zanesljivi, skladni in zaupanja vredni.
