Mesterséges intelligenciával kapcsolatos kifejezések magyarázata, közérthetően. Keress rá egy szóra vagy görgess végig az ábécén.
66 kifejezést mutat be az oldal.
Helyesírási segédlet az AI-világhoz
A mozaikszavakhoz a toldalékokat olyan formában fűzzük, amilyet kiejtett hangalakjuk kíván, ezért AI-jal és nem *AI-val.
Az AkH. 288. a. alapján a mozaikszókhoz a toldalékokat olyan formában fűzzük, amilyet kiejtett hangalakjuk kíván; tehát ennek alapján vesszük tekintetbe az illeszkedés és a hasonulás szabályait, továbbá kiírjuk az esetleges előhangzót. Valamint: A betűszókhoz a toldalékokat kötőjellel kapcsoljuk, például: a BKK-nál, a MÁV-ot, az ENSZ-szel; tbc-s, tv-zik (v. tévézik), DNS-sel. A nagybetűvel írt betűszók alapalakjukat melléknévképzős formájukban is megtartják, például: ENSZ-beli, MAFC-os, TDK-s. A nagybetűvel írt tulajdonnévi betűszók végén toldalékoláskor írásban nem nyújtjuk meg az a, e, o-t, például: az MTA-nak, az ELTE-n, az ETO-hoz. [Vö. 29.]
A típusneveket magyar szövegben nagykötőjellel írjuk, így a ChatGPT–6 alakot sem ChatGPT-6 formában szerepeltetjük.
Az AkH. 264. alapján a tulajdonnévi kapcsolatok és valamettől valameddig (tól-ig) viszonyok esetében írja elő a nagykötőjelet, viszont bonyolultabb esetekben jelzi, hogy a nagykötőjel nem tapadva is illeszkedhet a tagok közé, példának a Szojuz–24 – Szaljut–5 űrkomplexum formát hozza.
A korábbi, 11. kiadású helyesírási szabályzat 263. d.) pontja írta elő a típusjelzés nagykötőjelezését. Bár ez a szabálypont a 12. kiadásból kimaradt, a fent említett példaanyagban egyértelműen használják továbbra is. Iránymutatást jelenthet az Osiris Helyesírás, mely géptípusok betű- vagy szó- és számjelzéseinél említi a nagykötőjeleket (369. o.), de a márkanevekre vonatkozó nagykötőjel-használat is (235. o.) alapot ad az írásmódra.
Az AI betűszóval alkotott szóösszetételeket kötőjellel írjuk, pl. AI-modell, AI-rendszer.
Az AkH. 94. pontja tárgyalja az összetételek keletkezését (tehát egybeírásukat), ennek 2. példája a tagok egymás közti viszonyának alaki jelöletlensége (itt az állattenyésztés szót hozza példának). Az összetett szavak egységét kötőjel nélküli egybeírással vagy kötőjeles kapcsolással fejezzük ki. A 139-es pont szerint a két egyszerű közszóból alakult alárendelő összetételeket (akárhány szótagból állnak is) egybeírjuk.
A 140-es szabálypont szerint két kötőjelet használunk azokban a többszörös összetételekben, amelyeknek előtagja is kötőjellel kapcsolt összetétel. Ez alapján az AI+rendszer+ellenőrzés kétdivizes közszói összetételként AI-rendszer-ellenőrzés formában írandó (vö. e-mail-cím).
Az MI (mint a mesterséges intelligencia rövidítése) lehet nagybetűs, de magyar nyelvű szövegben az AI forma sem hibáztatható.
Az AkH. 285. b.) pont a közszói betűszavakat kisbetűsként határozza meg (pl. tv = televízió), de jelzi, hogy a szaktudományok körében a többelemű közszói alakulatokat is szokás nagybetűkkel írt betűszóval helyettesíteni, az AI esetében ez a helyzet. Az MI alak nagybetűssége mellett szól, hogy kisbetűs formában névmásként gyakran fordul elő a magyar nyelvű szövegekben.
A mesterségesintelligencia-szakértő a második mozgószabály alapján egybeírandó.
Az AkH. 141. b.) szerint ha egy különírt szókapcsolat (pl. hajlított bútor) olyan utótagot kap (pl. gyár), amely az egész kapcsolathoz járul, az egyébként különírandó részt az új alakulatban egybeírjuk, és ehhez az utótagot (a szótagszámtól függetlenül) kötőjellel kapcsoljuk: hajlítottbútor-gyár. Hasonló esetek: hideg víz, de: hidegvíz-csap; házi feladat, de: kémia-házifeladat.
A
AEO
Angol megfelelő: Answer Engine Optimization
Az AEO azt a gyakorlatot jelöli, amikor egy tartalmat úgy építünk fel, hogy egy kérdésre adott, közvetlen választ keresőmotor vagy AI-asszisztens könnyen kiemelje.
Ide tartozik a kérdés-válasz szerkezetű tartalom, a rövid, önálló definíciók, illetve a strukturált adat, a schema markup, ami megkönnyíti a gépi értelmezést. Az AEO és a GEO gyakran összefonódik, mindkettő ugyanazt a célt szolgálja: hogy egy gépi válaszmotor a mi szövegünket idézze, ne a versenytársét.
Az ágens egy AI-rendszer, ami nem egyetlen választ ad, hanem önálló ciklusban dolgozik: lépést tesz, ellenőrzi a saját eredményét, majd újrapróbálja, ha az nem volt megfelelő.
A különbség egy sima chatbothoz képest ott kezdődik, hogy egy ágens felügyelet nélkül, több lépésen át is halad egy cél felé: fájlt olvas, eszközt hív, döntést hoz, a saját munkáját is méri, mielőtt késznek jelenti. Ha az első próbálkozás nem sikerül, az ágens nem áll meg, hanem újra nekifut, esetleg más módszerrel, egészen addig, amíg a feladat teljesül, vagy emberi jóváhagyásra van szükség. A Kreatív Kontroll teljes flottája, Lead és a szakágensek is, ágensekből áll, nem egyszerű kérdés-válasz chatbotokból.
Az AGI olyan feltételezett mesterséges intelligenciát jelöl, ami minden szellemi feladatban legalább emberi szinten teljesít, nem csak egy szűk területen.
A mai LLM-ek és más AI-rendszerek ehhez képest szűk intelligenciák: adott feladatokban kiemelkedők, máshol viszont megbízhatatlanok. Az AGI elérésének időpontjáról és a fogalom pontos definíciójáról a szakma máig vitatkozik, ezért érdemes óvatosan bánni minden konkrét dátumot ígérő állítással.
Az AI olyan szoftverrendszereket jelöl, amelyek emberi gondolkodást igénylő feladatokat, nyelvi megértést, mintafelismerést, döntéshozatalt végeznek el gépi úton.
A kifejezés ernyőfogalom: ide tartozik a klasszikus szabályalapú szoftvertől a mai nagy nyelvi modellekig minden, ami tanult vagy programozott logika alapján old meg emberi feladatot. A hétköznapi nyelvhasználatban ma szinte kizárólag a generatív, nyelvi modellekre épülő eszközöket értik alatta, holott a fogalom ennél tágabb.
Az AI alignment az a kutatási terület, ami azt vizsgálja, hogyan lehet egy MI-rendszer célját és viselkedését az emberi szándékkal összhangba hozni.
A probléma gyökere, hogy egy modell tanítás közben nem feltétlenül azt tanulja meg, amit a fejlesztő szeretne, hanem azt, ami a tanítóadatban vagy a visszajelzési jelben jutalmazva van. Az alignment-kutatás ezért olyan technikákat keres, emberi visszajelzésből tanulást, biztonsági tesztelést, red teaming-et, amelyekkel a modell viselkedése kiszámítható marad éles használatban is.
Az AI-buborék az a piaci aggodalom, hogy a mesterséges intelligenciába fektetett hatalmas tőke nincs arányban a technológia mai, ténylegesen befolyó bevételével.
A kifejezés a korábbi tőzsdei buborékokra (dotkom) utal, ahol a lelkesedés egy időre elszakadt a valós gazdasági megtérüléstől. Az AI-buborékról szóló vita nem azt kérdőjelezi meg, hogy a technológia hasznos-e, hanem azt, hogy a mai beruházási ütem és árazás fenntartható-e.
Az AI-ügynök egy olyan rendszer, ami egy nyelvi modellre épül, de önállóan több lépésben old meg egy feladatot, eszközöket hív és nem csak egyetlen kérdésre válaszol.
Egy AI-ügynök tervez, végrehajt, ellenőrzi a saját munkáját, illetve szükség esetén más ügynöknek ad tovább egy részfeladatot. A Marveen, a magyar fejlesztésű ügynök-keretrendszer, pontosan ilyen ügynökökből áll, mindegyiknek saját szakterülete és saját eszközkészlete van.
Az Anthropic a Claude nyelvi modellcsalád mögött álló amerikai mesterségesintelligencia-vállalat.
A céget korábbi OpenAI-kutatók alapították, azzal a kimondott céllal, hogy a nagy nyelvi modellek fejlesztését biztonsági szempontok vezessék. Az Anthropic API-t és felhasználói terméket (Claude, Claude Code) egyaránt kínál, a Kreatív Kontroll teljes ágens-flottája is az ő modelljeire épül.
Angol megfelelő: Application Programming Interface
Az API egy szabványosított kapcsolódási pont, amin keresztül két szoftver, például a saját rendszerünk és egy AI-modell, automatikusan tud adatot cserélni, program útján, felület nélkül.
Egy AI-szolgáltató API-ján keresztül a fejlesztő közvetlenül a saját alkalmazásába építheti be a modell képességét, a chatbot-felület megkerülésével. Ez az az út, amin a legtöbb üzleti AI-integráció, chatbot beépítés, automatizáció, ténylegesen működik.
Az architektúra egy AI-rendszer bevezetésénél azt jelöli, hogyan kapcsolódik egymáshoz a modell, az adat és a felhasználói felület egy cégen belül, nem az általános szoftver-felépítést.
Egy vállalati AI-architektúra eldönti, honnan jön az adat a modellhez, hol tárolódik, ki fér hozzá, illetve a válasz melyik felületen jelenik meg a munkatársnak vagy az ügyfélnek. Rossz architektúránál a modell önmagában jó lehet, a bevezetés mégis megbukik, mert az adat nem jut el hozzá időben, vagy a válasz nem oda kerül, ahol a döntés születik.
Példa: Egy tizenöt fős kereskedőcég AI-chatbotot vezet be az ügyfélszolgálatra, a rendelési adatok viszont egy külön Excelben élnek, amihez a chatbot nem fér hozzá. A bot ezért a rendelés státuszára mindig kitérő választ ad, holott a modell önmagában rendben működik.
Forrás: NIST AI Risk Management Framework (AI RMF 1.0), 2023, a Govern és Map funkciók leírása a rendszer-integrációról.
Az automation bias, magyarul automatizmus-torzítás, az a hajlam, hogy az ember egy gép vagy egy AI-rendszer javaslatát kritika nélkül elfogadja, még akkor is, ha az ellentmond a saját tudásának vagy a látható tényeknek.
A jelenség onnan ered, hogy egy automatizált rendszer ellenőrzése fáradságosabbnak tűnik, mint elfogadni a kimenetét, főleg ha a rendszer eddig megbízhatónak bizonyult. A kockázat pontosan ott a legnagyobb, ahol a döntés súlyos, az ellenőrzés viszont időigényes, ilyenkor az ember gyakran kihagyja a saját józan eszét.
Példa: Egy könyvelőiroda az AI-asszisztens által kiszámolt ÁFA-összeget minden ellenőrzés nélkül átvezeti, mert eddig sosem tévedett. Amikor egyszer rossz adatot kap bemenetként, a hibás összeg simán átmegy, mert senki nem nézte át.
Forrás: Parasuraman, R., Riley, V. (1997): Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2).
A benchmark egy szabványosított teszt vagy feladatsor, amivel különböző AI-modellek teljesítményét lehet objektíven összehasonlítani.
A benchmarkok jellemzően egy adott képességre fókuszálnak, matematikai érvelésre, kódírásra, olvasott szöveg értésére és számszerű pontszámot adnak, ami modellek közötti versenyre ad alapot. A gyakorlati használatban a benchmark-eredmény nem mindig tükrözi, hogy egy modell egy konkrét, valós feladatban hogyan teljesít, ezért érdemes saját teszttel is megerősíteni.
A black box, magyarul fekete doboz, azt a helyzetet jelöli, amikor egy AI-modell döntését vagy válaszát kívülről nem lehet visszakövetni, mert a belső működése nem átlátható.
A mai nagy nyelvi modellek milliárdnyi paraméteren keresztül jutnak el egy válaszhoz, ezt a folyamatot még a fejlesztők sem tudják lépésről lépésre visszaolvasni. Ez különösen kockázatos olyan döntéseknél, hitelbírálat, elutasítás, ahol jogilag indokolni kellene, miért született egy adott eredmény.
Példa: Egy pénzügyi tanácsadó cég AI-alapú kockázatbesorolást használ ügyfeleknél, viszont amikor egy ügyfél megkérdezi, miért kapott magas kockázati besorolást, senki a cégnél nem tudja pontosan megmagyarázni, mi alapján döntött a modell.
Forrás: DARPA Explainable AI (XAI) program leírása, illetve Rudin, C. (2019): Stop explaining black box machine learning models. Nature Machine Intelligence.
Angol megfelelő: Chat Generative Pre-trained Transformer
A ChatGPT az OpenAI chatbot-terméke, ami nagy nyelvi modellre épülve természetes nyelven beszélget a felhasználóval.
2022 végén jelent meg, ez indította el a mai generatív MI-hullámot: ez volt az első olyan chatbot, ami tömegesen, ingyenesen elérhető formában mutatta meg, mire képes egy nagy nyelvi modell. Azóta több modellgeneráció épült be a termékbe, illetve a ChatGPT mára szöveg mellett képet, hangot és fájlt is kezel.
A Claude az Anthropic nagy nyelvi modell-családja, illetve az erre épülő chatbot-asszisztens.
A modellváltozatok jellemzően méret és sebesség szerint különböznek egymástól, a Kreatív Kontroll flottája is Claude-modellekre épül, ez a rendszer maga is Claude Code-on fut. A Claude-ot az Anthropic biztonság-központú fejlesztési elvek mentén építi, ez a cég önmeghatározásának is központi eleme.
A deepfake egy AI-módszerrel készített, hamis, ugyanakkor valósághűnek tűnő video-, hang- vagy képtartalom, amiben valaki olyat mond vagy tesz, amit valójában sosem mondott vagy tett.
A technika neurális hálózattal cseréli ki vagy hozza létre egy arcot, hangot, mozgást úgy, hogy az emberi szemnek, fülnek hitelesnek tűnjön. A deepfake ma elsősorban átverés, csalás és félretájékoztatás kockázataként kerül szóba, illetve emiatt jelenik meg egyre több hitelesítési (vízjel, C2PA-jelölés) megoldás is a piacon.
Angol megfelelő: nincs rövidítés, angol cégnév és terméknév
A DeepSeek egy kínai fejlesztésű nagy nyelvi modellcsalád, illetve az ezt fejlesztő vállalat neve.
A DeepSeek modelljei nyílt súllyal is elérhetők és a piacra lépésükkor jóval alacsonyabb fejlesztési és futtatási költségről számoltak be, mint amerikai versenytársaik. Ez a bejelentés komoly vitát váltott ki arról, mennyibe kerül valójában egy frontier modell betanítása.
Az eszkalációs szabály azt rögzíti egy AI-ügynök bevezetésénél, mikor kell az ágensnek megállnia és egy embert bevonnia, ahelyett hogy önállóan döntene tovább.
A szabály jellemzően kockázati küszöbhöz kötött, egy bizonyos összeg fölötti fizetésnél, egy visszafordíthatatlan lépésnél vagy egy bizonytalan válasznál az ágens leáll és jelez, nem pedig találgat. Eszkalációs szabály nélkül egy ágens ugyanazzal a magabiztossággal hoz egy triviális és egy súlyos döntést, ez a különbségtétel hiánya okozza a legtöbb kárt.
Példa: Egy webshop ügyfélszolgálati AI-ügynöke önállóan intézi a visszaküldést ötezer forint alatt, harmincezer forint fölötti reklamációnál viszont az eszkalációs szabály miatt automatikusan egy munkatárshoz kerül az ügy.
Angol megfelelő: European Union Artificial Intelligence Act
Az EU AI Act az Európai Unió mesterséges intelligenciára vonatkozó rendelete, ami kockázati szint szerint szabályozza az MI-rendszerek fejlesztését és használatát.
A rendelet a kockázatot négy sávba sorolja: elfogadhatatlan, magas, korlátozott és minimális kockázatú rendszerek, ezekhez eltérő kötelezettségeket rendelve. A legszigorúbb szabályok a magas kockázatú alkalmazásokra (egészségügy, foglalkoztatás, bűnüldözés) vonatkoznak, illetve külön átláthatósági kötelezettség terheli azokat a rendszereket, amelyek emberrel léphetnek kapcsolatba vagy tartalmat generálnak. A kötelezettségek fokozatosan, szakaszokban lépnek hatályba.
A finomhangolás az a folyamat, amikor egy már betanított AI-modellt egy szűkebb, célzott adathalmazon tovább tanítanak, hogy egy adott feladatban vagy stílusban jobban teljesítsen.
A finomhangolás olcsóbb és gyorsabb, mint egy modellt a nulláról betanítani, mert a modell már rendelkezik az alap nyelvi tudással. Ezzel a módszerrel lehet egy általános modellből például egy adott szakterületre (jog, orvoslás) vagy egy adott márkahangra szabott változatot építeni.
A flagship modell egy AI-fejlesztő legerősebb, legjobb tudású, jellemzően legdrágább modellváltozata egy adott termékcsaládon belül.
A flagship modell mellett a legtöbb gyártó kínál olcsóbb, gyorsabb, kisebb tudású változatokat is, ezekkel a felhasználó a feladat nehézségéhez tudja igazítani a költséget és a sebességet. A flagship nem hivatalos, technikai kategória, hanem piaci-kommunikációs kifejezés arra, melyik modell a legjobb az adott gyártó kínálatában.
A frontier modell az adott időpontban elérhető, legfejlettebb tudású AI-modellek egyikét jelöli, ami az iparág tudásának határát képviseli.
A kifejezést elsősorban a szabályozási és biztonsági szakirodalom használja, mert a legnagyobb kockázatot és a legtöbb figyelmet is jellemzően ezek a modellek kapják. Mivel a mezőny folyamatosan fejlődik, a frontier fogalma mozgó céltábla: ami ma frontier modell, néhány hónap múlva már a középmezőnybe kerülhet.
A Gemini a Google multimodális nagy nyelvi modell-családjának neve, ami a modellt magát jelöli, nem csak azt az egy felhasználói alkalmazást, amit a hétköznapi felhasználó Gemini néven ismer.
A modellcsalád több méretben létezik, ezek eltérő termékekbe épülnek be: a Gemini alkalmazásba, a Google Keresőbe, a Google Workspace-be, illetve fejlesztők a Google AI Studión vagy a Vertex AI-on keresztül saját rendszerükbe is beköthetik ugyanazt a modellt. A Gemini szó tehát a kontextustól függően jelentheti magát a modellt vagy egyet a rá épülő öt-hat különböző termék közül.
Példa: Egy könyvelőiroda a Google Workspace-ben futó Gemini-funkciót használja email-összefoglalókhoz, közben a fejlesztőjük egy külön ügyfélszolgálati botot épít ugyanarra a Gemini-modellre a Vertex AI-on keresztül, a kettő a cégen belül két teljesen külön beruházásként fut, holott ugyanaz a modell áll mögöttük.
Forrás: Google DeepMind, Gemini technikai jelentés, illetve a Google Cloud Vertex AI hivatalos dokumentációja.
Rokon fogalmak: LLM (nagy nyelvi modell), multimodális AI, API
GEO
Angol megfelelő: Generative Engine Optimization
A GEO azt a gyakorlatot jelöli, amikor egy weboldal tartalmát úgy alakítjuk, hogy generatív AI-rendszerek, a ChatGPT, a Claude vagy a Gemini, szívesebben idézzék vagy építsék be a válaszukba.
A hagyományos SEO a keresőmotor találati listájára optimalizál, a GEO ezzel szemben arra, hogy egy AI-alapú válaszmotor a saját, generált válaszába emelje be a márkát vagy az állítást. Ehhez jellemzően egyértelmű, önmagában idézhető megfogalmazás, strukturált adat és megbízható forrásjelleg kell.
A gépi tanulás a mesterséges intelligencia azon ága, amiben a rendszer nem előre megírt szabályokból, hanem adatból tanulja meg, hogyan oldjon meg egy feladatot.
A hagyományos szoftver esetén a fejlesztő írja le a szabályt, a gépi tanulás esetén viszont a rendszer maga fedezi fel a mintázatot a betáplált példákból. A mai nagy nyelvi modellek is gépi tanulással készülnek, csak hatalmas mennyiségű szövegen és hatalmas számítási kapacitással.
Angol megfelelő: Generative Pre-trained Transformer
A GPT egy nyelvi modell-architektúra neve, nem önálló termék, magyar szövegekben mégis gyakran összemosódik a ChatGPT nevű termékkel, ami erre az architektúrára épül.
A GPT rövidítés magára a technológiára utal: egy előre betanított, generatív transzformer-alapú modellcsaládra, amit az OpenAI fejleszt és több változatban ad ki. A ChatGPT ezzel szemben egy konkrét, felhasználói felülettel ellátott termék, ami ezekre a modellekre épül, ugyanígy más fejlesztők API-n keresztül saját alkalmazásukba is beépíthetik ugyanazokat a GPT-modelleket a ChatGPT felülete nélkül.
Példa: Egy tizenkét fős marketingügynökség fejlesztője a GPT-modellt API-n keresztül köti be a saját ajánlatkészítő eszközébe, a munkatársak viszont a belső dokumentációban tévesen "ChatGPT-integrációként" hivatkoznak rá, holott a végfelhasználó soha nem látja a ChatGPT felületét.
Forrás: Radford, A. et al. (2018): Improving Language Understanding by Generative Pre-Training, OpenAI kutatási publikáció.
Rokon fogalmak: LLM (nagy nyelvi modell), ChatGPT, transzformer-architektúra
guardrail
Angol megfelelő: guardrail
A guardrail egy olyan biztonsági korlát egy AI-rendszer köré építve, ami megakadályozza, hogy a modell tiltott, veszélyes vagy márkaidegen tartalmat generáljon, vagy jogosulatlan műveletet hajtson végre.
A guardrail jellemzően a modellen kívül fut: szűri a bemenetet és a kimenetet is, függetlenül attól, hogy maga a modell mit tartana helyesnek. Egy jól beállított guardrail nélkül egy ágens könnyen végrehajthat olyan lépést, káros tanácsot, jogosulatlan adatkiadást, illetéktelen fizetést, amit a fejlesztő sosem engedélyezett volna.
A hallucináció az, amikor egy AI-modell magabiztos hangnemben, folyékonyan megfogalmazott, ugyanakkor kitalált vagy téves állítást ad elő valós tényként.
A jelenség abból fakad, hogy a modell nem tényt keres vissza egy adatbázisból, hanem statisztikailag valószínű folytatást generál, ez a folytatás pedig nem mindig igaz. Éppen ezért kockázatos évszámot, céget vagy nevet AI-válaszból átvenni ellenőrzés nélkül, ez a szócikk-gyűjtemény is emiatt hagyott ki adatot ott, ahol nem volt rá megbízható forrás.
A harness az a szoftverréteg, ami egy AI-modell köré épül és eszközhasználatot, fájlelérést, memóriát vagy más képességet ad neki a puszta szövegválaszon túl.
Maga a nyelvi modell önmagában csak szöveget generál, a harness teszi belőle használható eszközt: ez adja a terminál-hozzáférést, a fájlszerkesztést, a keresést, az eszközhívást. A Claude Code, amin ez a rendszer is fut, maga is egy ilyen harness a Claude modell köré építve.
A Hermes egy önálló, agentikus AI-fejlesztő eszköz, a Claude Code-hoz hasonló kategóriában, saját ügynök- és skill-ökoszisztémával.
A Nous Research fejleszti: önfejlesztő AI-ügynök, beépített tanulási hurokkal, ami tapasztalatból hoz létre skilleket és munkamenetek között is megőrzi az emlékezetét. Több LLM-szolgáltatóval működik együtt, terminál-felülete van, illetve Telegram-, Discord- és Slack-integrációt is kínál, MIT licenc alatt. Az OpenClaw-hoz való viszonyát csak másodlagos forrás írja le, ezt tényként nem állítjuk: néhány cikk "OpenClaw-alternatívaként" pozicionálja, ez viszont nem az elsődleges forrásból jön.
A human-in-the-loop az a működési elv, amiben egy AI-rendszer egy adott lépésnél megáll, emberi jóváhagyást vagy döntést vár, mielőtt tovább menne.
Ez a visszafordíthatatlan vagy kockázatos lépéseknél, fizetés, kiküldött levél, törlés, a bevett védelem: az ágens előkészíti a döntést, az utolsó kattintást viszont egy ember adja meg. A Kreatív Kontroll saját szabályrendszere is emiatt különbözteti meg az autonóm és a jóváhagyást igénylő műveleteket.
A jogosultsági mátrix egy AI-ügynök bevezetésénél azt írja le táblázatosan, melyik ágens milyen adathoz, rendszerhez vagy művelethez férhet hozzá, illetve melyikhez nem.
Egy AI-ágens enélkül vagy túl sokat kap, ezzel kockázatot, vagy túl keveset, ezzel használhatatlan lesz. A jogosultsági mátrix rögzíti, olvashat-e egy ágens ügyféladatot, indíthat-e fizetést, küldhet-e ki levelet önállóan, ezzel a felelősség és a kockázat is végigkövethető marad.
Példa: Egy tízfős könyvelőiroda AI-asszisztense olvashatja az ügyfelek számláit, viszont nem jogosult önállóan beküldeni bevallást, ezt a jogosultsági mátrix zárja ki, a végső lépés emberi jóváhagyáshoz van kötve.
Forrás: NIST Role Based Access Control (RBAC) szabvány (NIST SP 800-162 modelljének elve), alkalmazva AI-ügynök jogosultságkezelésre.
A kontextus az a szövegmennyiség, korábbi üzenetek, dokumentumok, utasítások, amit egy AI-modell egyszerre lát és figyelembe vesz a válaszadáskor.
Minden modellnek van egy kontextusablaka, ami annak a maximális mérete, amennyi szöveget egyszerre be tud tölteni. Ha egy beszélgetés vagy dokumentum ezen a kereten túlnő, a rendszernek döntenie kell, mit dob el vagy foglal össze, ez a trim.
A Llama a Meta nyílt súlyú nagy nyelvi modellcsaládja.
A Llama abban különbözik a legtöbb versenytárstól, hogy a modellsúlyok letölthetők, tehát saját szerveren, harmadik fél felhője nélkül is futtathatók. Ez tette a Llamát az egyik legnépszerűbb alapmodellé olyan fejlesztők között, akik saját, testreszabott rendszert építenek rá.
Az LLM egy hatalmas szövegmennyiségen betanított nyelvi modell, ami szöveget ért meg és generál emberi nyelven.
Az LLM-ek a szó- és mondatszintű mintázatok statisztikai megtanulásával képesek folyékony, kontextusfüggő szöveget írni, kérdésre válaszolni, kódot generálni. A mai chatbotok, a ChatGPT és a Claude is, mind egy-egy LLM-re épülnek, a modell köré viszont további réteg épül, hogy használható termék legyen belőle.
Angol megfelelő: nincs rövidítés, saját angol terméknév
A Marveen magyar fejlesztésű AI-ügynök keretrendszer, ami Claude Code-ra épülve saját AI-csapatot futtat Telegramon vagy Slacken kommunikálva.
A rendszer több ágenst futtat egyszerre, mindegyiknek saját személyisége, memóriája és csatornája van, illetve az ágensek egymásnak is tudnak feladatot delegálni. A Marveen tartalmaz webes irányítópultot, kanban táblát, ütemezett feladatokat és önálló emlékezet-rendszert is, ez az egész oldal is ennek a rendszernek a munkája.
Az MCP egy nyílt szabvány, ami egységesíti, hogyan kapcsolódhat egy AI-modell külső eszközökhöz, adatforrásokhoz és szolgáltatásokhoz.
Az MCP előtt minden fejlesztőnek külön, egyedi integrációt kellett írnia minden egyes külső rendszerhez, az MCP ezt egyetlen közös protokollra egyszerűsíti. Az Anthropic vezette be, mára viszont több gyártó modellje és eszköze is támogatja, a Kreatív Kontroll flottája is MCP-szervereken keresztül éri el a Gmailt, a Naptárt és más szolgáltatásokat.
A megfigyelhetőség azt jelenti, hogy egy AI-rendszer működése, döntései és hibái kívülről nyomon követhetők és visszamérhetők, nem csak a végeredmény látszik.
Egy jól megfigyelhető rendszer naplózza, milyen lépéseket tett egy ágens, milyen adatot használt, hol tért el a várt viselkedéstől. Megfigyelhetőség nélkül egy hibás AI-döntés csak a következményén, rossz email, rossz szám, vehető észre, magán a folyamaton nem.
Angol megfelelő: mesterséges intelligencia, angol megfelelője: AI
Az MI a mesterséges intelligencia magyar rövidítése, jelentése megegyezik az angol AI kifejezéssel.
A hivatalos dokumentumok, törvényszöveg, uniós fordítás az MI rövidítést használják, a köznyelv viszont gyakran átvette az angol AI alakot. A két rövidítés felcserélhető, tartalmi különbség nincs köztük.
Az MI-írástudás azt a képességet jelöli, hogy valaki érti, hogyan működik egy AI-rendszer, mire jó, hol a korlátja, ezt a tudást pedig a mindennapi munkájában is alkalmazni tudja.
Ide tartozik az is, hogy valaki fel tudja ismerni egy AI-válasz hibáját vagy hallucinációját, illetve tudja, mikor nem szabad megbízni a gépi válaszban ellenőrzés nélkül. Az MI-írástudás ma egyre inkább alapkövetelmény lesz olyan munkakörökben is, ahol korábban nem volt szükség informatikai háttértudásra. Az uniós mesterséges intelligenciáról szóló, (EU) 2024/1689 rendelet ugyanezt a fogalmat MI-jártasság néven vezeti be a 4. cikkében, amely 2025. augusztus 2-án lépett hatályba. Magyar szakmai szövegekben MI-műveltség néven is előfordul, ugyanerre a fogalomra.
Az MI-kormányzás azoknak a szabályoknak, folyamatoknak és felelősségi köröknek az összessége, amelyekkel egy szervezet vagy egy ország kézben tartja, hogyan fejlesztenek és használnak AI-rendszereket.
Ide tartozik a jogi szabályozás, mint az EU AI Act, a belső vállalati szabályzat, illetve az, ki felel egy AI-rendszer hibájáért vagy káros döntéséért. Az MI-kormányzás célja, hogy a technológia gyors fejlődése ne fusson el a felelősségi kérdések tisztázása előtt.
A Midjourney egy generatív AI-eszköz, ami szöveges leírásból (promptból) képet készít.
A felhasználó egy rövid szöveges leírást ad meg, a Midjourney ebből több képváltozatot generál, amiket aztán finomítani vagy variálni lehet. A kép-generáló eszközök (Midjourney mellett más szolgáltatók is) mára a marketing- és tartalomgyártás rutinszerű részévé váltak.
Az MLOps azoknak a gyakorlatoknak és eszközöknek az összessége, amelyekkel egy gépi tanulási modellt megbízhatóan lehet fejleszteni, élesíteni és üzemeltetni.
Ide tartozik a modell-verziózás, az adatcsővezetékek automatizálása, a teljesítmény folyamatos mérése éles környezetben, illetve a modell újratanításának ütemezése, ha a pontossága romlik. Az MLOps a hagyományos szoftverfejlesztési gyakorlat, a DevOps gépi tanulásra szabott változata.
Angol megfelelő: nincs angol megfelelő, magyar szervezet
Az MMIT, vagyis a Magyar Mesterséges Intelligencia Tanács, a mesterséges intelligenciával kapcsolatos hazai szakpolitikai kérdésekkel foglalkozó, törvényben létrehozott magyar testület.
A tanácsot a 2025. évi LXXV. törvény hozta létre, kihirdetve a Magyar Közlöny 2025. évi 127. számában, 2025-10-31-én, hatályos 2025-12-01-től. Döntéshozatali jogkör nélküli, kollegiális testület: javaslatokkal segíti a kormányt, figyelemmel kíséri az uniós AI-rendelet végrehajtását, illetve szakmai fórumot ad a témában érintett szereplőknek. Hivatalos honlapja: mmit.hu.
A modalitás azt jelöli, milyen típusú adatot, szöveget, képet, hangot, videót képes egy AI-modell bemenetként fogadni vagy kimenetként előállítani.
Egy modell lehet egymodalitású, ha csak szöveget kezel, vagy multimodális, ha egyszerre több adattípust is. A modalitás bővítése, hogy egy modell képet is "lásson", jellemzően külön betanítási lépést és külön architektúrát igényel, nem csak egy szoftverfrissítést.
A modell az a betanított matematikai rendszer, ami a bemenetből, szövegből, képből, hangból kimenetet, választ, előrejelzést állít elő.
A mai generatív MI-modellek jellemzően neurális hálózatok, amelyeket hatalmas mennyiségű adaton tanítanak be, majd finomhangolnak egy adott feladatra vagy viselkedésre. A "modell" szó köznyelvben gyakran magára a teljes chatbot-termékre utal, holott technikailag csak az alap gépi tanulási rendszert jelenti, a köré épülő harness és felület nélkül.
A multimodális AI-modell egyszerre több adattípust, szöveget, képet, hangot, videót is képes bemenetként fogadni vagy kimenetként előállítani.
A korábbi modellek jellemzően egyetlen adattípusra (csak szöveg vagy csak kép) specializálódtak, a mai flagship modellek viszont sorra váltanak multimodálisra. Ez teszi lehetővé, hogy egy chatbotnak be lehessen mutatni egy fotót vagy egy hangfelvételt és arról szöveges választ kapjunk.
A neurális hálózat egy réteges felépítésű matematikai modell, ami az emberi agy idegsejt-kapcsolatainak működését leegyszerűsítve utánozza, hogy mintázatokat ismerjen fel adatban.
A hálózat rétegein áthaladva a bemenet (szöveg, kép, hang) fokozatosan alakul át kimenetté, a rétegek közötti súlyokat a tanítás során állítja be a rendszer. A mai nagy nyelvi modellek is neurális hálózatok, csak sokkal nagyobb méretben és sokkal több paraméterrel, mint a korai változatok.
A NotebookLM a Google kutató-eszköze, ami nem általános chatbot, hanem kizárólag a felhasználó által feltöltött saját forrásokból dolgozik, ezért más a hallucináció-kockázata, mint egy nyílt tudásbázisra épülő modellnek.
Amíg egy általános chatbot a teljes betanítási adatból meríthet egy válaszhoz, a NotebookLM a válaszait a feltöltött forrásokra korlátozza, illetve minden állítás mellé forráshivatkozást ad az adott dokumentumra. Ez a korlátozás önmagában nem zárja ki a hibát, viszont a hiba forrása így visszakövethető, ami egy nyílt modellnél nem mindig lehetséges.
Példa: Egy tízfős ügyvédi iroda feltölt egy húszoldalas szerződéstervezetet a NotebookLM-be, majd rákérdez egy adott záradékra, az eszköz a válasz mellett pontosan megjelöli, a dokumentum melyik oldalán vagy bekezdésében található az idézett rész.
Forrás: Google Labs, NotebookLM hivatalos dokumentáció és termékleírás.
A nyílt súlyú modell olyan AI-modell, aminek a betanított paraméterei (súlyai) nyilvánosan letölthetők, tehát saját szerveren is futtathatók, nem csak a gyártó felhőjén keresztül.
Ez nem ugyanaz, mint a nyílt forráskód: a súlyok publikusak, a betanításhoz használt adat és kód viszont a legtöbb esetben nem. A nyílt súlyú modellek (például a Llama vagy a DeepSeek egyes változatai) azért fontosak, mert a fejlesztő nem függ egyetlen szolgáltató áraitól vagy elérhetőségétől.
Az OpenAI a ChatGPT és a GPT-modellcsalád mögött álló amerikai mesterségesintelligencia-vállalat.
A céget eredetileg kutatóintézetként alapították, mára viszont elsősorban termékvállalatként, kereskedelmi API-val és előfizetéses termékekkel működik. Az OpenAI a mai generatív MI-piac egyik meghatározó szereplője.
Az OpenClaw egy önálló, agentikus AI-fejlesztő eszköz, a Claude Code-hoz hasonló kategóriában, terminálból vezérelhető kódíró-ügynökkel.
Az osztrák fejlesztő, Peter Steinberger készítette, első publikálása 2025 novemberében történt, még "Warelay" néven. 2026-01-27-én "Moltbot"-ra nevezték át, majd három nappal később, véglegesen "OpenClaw"-ra, 2026-02-14-től pedig az OpenClaw Foundation gondozza. A letiltások mögött biztonsági és adatvédelmi ok áll: széles jogosultságok, illetve igazolt prompt-injection sebezhetőség, emiatt 2026 márciusában Kína állami szerveknek, állami vállalatoknak és bankoknak is megtiltotta a használatát. Legfrissebb változata az OpenClaw 2.0, megjelent 2026-08-30-án.
Az Orchestrator az az AI-ügynök vagy szoftverréteg, ami nem maga végzi el a munkát, hanem feladatokat oszt szét más ügynökök vagy eszközök között és összefogja az eredményt.
Egy orchestrator jellemzően koordinál: eldönti, melyik részfeladatot melyik szakértő ügynök végezze el, figyeli a haladást, illetve szükség esetén újraszervezi a munkát. A Kreatív Kontroll flottájában ezt a szerepet Lead tölti be, aki maga nem fejleszt vagy tervez, hanem a megfelelő szakágensnek adja tovább a munkát.
A prompt az a szöveges, esetleg kép- vagy hangalapú bemenet, amit a felhasználó egy AI-modellnek megad, hogy választ vagy műveletet kapjon rá.
A prompt lehet egyetlen mondat vagy egy hosszú, felépített utasítás-sorozat, a modell válasza nagyrészt ennek megfogalmazásán múlik. A jó prompt konkrét, kontextust ad, illetve megmondja, milyen formátumban várjuk a választ.
A prompt engineering az a gyakorlat, amikor tudatosan, tesztelve alakítjuk ki egy AI-modellnek adott utasítás szövegét, hogy megbízhatóbb vagy pontosabb választ kapjunk.
Ide tartozik a példák beillesztése, a szerep kijelölése a modellnek, a válasz-formátum előírása, illetve a hibás válaszok mintázatainak felismerése és kiküszöbölése. A prompt engineering önálló szakmává nőtte ki magát, jóllehet a legjobb modellek egyre kevésbé érzékenyek a prompt apró megfogalmazási különbségeire.
A RAG egy olyan technika, amiben az AI-modell válaszadás előtt külső dokumentumból vagy adatbázisból keres vissza releváns szöveget, majd erre alapozva fogalmazza meg a választ.
A módszer célja, hogy a modell ne csak a betanításkor rögzült tudásra hagyatkozzon, hanem friss, ellenőrizhető forrásra is, ezzel csökkentve a hallucináció esélyét. A RAG jellemzően ott hasznos, ahol a válasznak egy konkrét, saját tudásbázisra kell épülnie, nem az internet egészére.
A rendszerprompt az a rejtett vagy előre beállított utasítás, amit egy AI-modell minden beszélgetés elején megkap, mielőtt a felhasználó egyáltalán írna neki bármit.
Ez szabja meg a modell szerepét, hangnemét és korlátait, illetve azt, milyen eszközökhöz fér hozzá, tehát nem a felhasználó írja, hanem a fejlesztő vagy az üzemeltető állítja be. A rendszerprompt és a felhasználói prompt együtt alakítja ki a végleges választ, konfliktus esetén a rendszerprompt jellemzően erősebb súlyú.
Az SDK, magyarul szoftverfejlesztő készlet, egy előre elkészített eszköz- és kódcsomag, amivel egy fejlesztő gyorsabban tud egy adott platformra vagy AI-modellre épülő alkalmazást írni.
Az SDK jellemzően kész függvényeket, dokumentációt és példakódot ad a nyers API mellé, hogy a fejlesztőnek ne kelljen minden kapcsolódási pontot a nulláról megírnia. A legtöbb AI-szolgáltató (Anthropic, OpenAI, Google) saját SDK-t kínál több programozási nyelvhez, ez rövidíti le az integráció idejét.
Példa: Egy webshop fejlesztője az Anthropic Python SDK-jával köti be a termékleírás-generálást a saját rendszerébe, ahelyett hogy nyers HTTP-kéréseket írna a modell API-jához.
Forrás: Anthropic hivatalos fejlesztői dokumentáció, docs.anthropic.com, az SDK-k szekció.
A selective prediction az a modellképesség, amikor egy AI-rendszer bizonytalan válasz helyett inkább nem válaszol, vagy megjelöli a bizonytalanságát, ahelyett hogy találgatna.
A módszer célja, hogy a modell felismerje a saját tudásának határát, ott inkább elutasítsa a választ, vagy alacsony megbízhatóságúként jelölje meg, mintsem magabiztos hangnemben hibás állítást fogalmazzon meg. Ez az egyik legfontosabb eszköz a hallucináció visszaszorítására, mert nem a válasz pontosságát próbálja javítani, hanem azt méri, mikor érdemes egyáltalán válaszolni.
A shadow AI, magyarul árnyék-AI, azt jelenti, hogy a munkatársak a vállalati jóváhagyás és felügyelet nélkül, saját fiókkal használnak AI-eszközöket munkaanyaghoz vagy céges adathoz.
A jelenség a shadow IT mintájára kapta a nevét, amikor korábban a dolgozók a vállalati IT-osztály tudta nélkül telepítettek szoftvert. A shadow AI kockázata, hogy céges vagy ügyféladat kerülhet egy nyilvános chatbotba anélkül, hogy a cégnek bármilyen rálátása vagy szerződéses védelme lenne rá.
Példa: Egy marketinges bemásolja egy ügyfél teljes szerződését egy ingyenes, nyilvános chatbotba, hogy összefoglalót kérjen róla, miközben a cégnek nincs is hivatalos AI-eszköze bevezetve, így senki nem tud erről.
Forrás: Gartner kutatási anyagai a shadow IT fogalmának AI-kiterjesztéséről, illetve Microsoft Work Trend Index 2024, a be nem jelentett AI-használatról szóló rész.
A Skill egy előre megírt, újrahasználható eljárás-csomag egy AI-ügynök számára, amit az ügynök egy adott feladattípusnál tölt be.
A Skill jellemzően egy leírófájlból és opcionális segédfájlokból áll, ami lépésről lépésre elmondja az ügynöknek, hogyan oldjon meg egy visszatérő feladatot, illetve milyen buktatókra figyeljen. A jól megírt Skill token-hatékony: csak akkor tölti be a teljes tartalmát, amikor a feladat ténylegesen releváns hozzá.
A slop az a gépi úton generált szöveg vagy tartalom, ami nyelvtanilag rendben van, olvasható, ugyanakkor tartalmilag üres, sablonos vagy hiteltelen.
A magyar nyelvben erre ma nincs bevett, egyszavas megfelelő, körülírással a gépi tömegszöveg vagy a tartalmi töltelék áll hozzá legközelebb. A slop jellemzően onnan ismerhető fel, hogy hiányzik belőle a konkrétum, a forrás vagy az egyedi hang, miközben formailag hibátlannak tűnik.
A token az a legkisebb szövegdarab, szótöredék vagy szó, amire egy nyelvi modell a bemenetet és a kimenetet felbontja.
A modellek nem betűben vagy szóban, hanem tokenben "gondolkodnak", illetve a legtöbb szolgáltató a felhasználást és az árat is tokenben számolja. Egy hosszabb magyar mondat könnyen több tokenre bomlik, mint ugyanaz a mondat angolul, mert a tokenizálók jellemzően angol szövegen tanultak.
A trim az a folyamat, amikor egy AI-rendszer egy hosszú beszélgetés vagy dokumentum régebbi részét eldobja vagy összefoglalja, mert az nem fér el a modell kontextusablakában.
A hétköznapi jelentése egyszerű: ha a beszélgetés túl hosszú lesz, a rendszer kinyírja vagy tömöríti a korábbi részt, hogy helyet csináljon az új üzeneteknek. Ez azzal a kockázattal jár, hogy egy régebbi döntés vagy adat kimarad a modell látóköréből, hacsak nincs külön memória-rendszer, ami ezt megőrzi.
A Turing-teszt azt vizsgálja, hogy egy gép beszélgetés közben megkülönböztethetetlen-e egy embertől egy emberi bíráló számára.
A tesztet Alan Turing angol matematikus vetette fel 1950-ben, jóval a mai nyelvi modellek megjelenése előtt. A mai vita inkább arról szól, hogy a teszt megfelelő mércéje-e még az intelligenciának, hiszen egy mai chatbot sok helyzetben simán átmegy rajta anélkül, hogy valódi megértéssel rendelkezne.
A vibe kódolás az a munkamódszer, amiben a fejlesztő természetes nyelven ad utasítást egy AI-ügynöknek és a kódot nagyrészt ő írja, ellenőrzés soronkénti végigolvasása nélkül.
A kifejezés 2025-ben terjedt el, párhuzamosan azzal, hogy az AI-ügynökök egyre önállóbban tudtak teljes funkciókat megírni és tesztelni. A vibe kódolás gyors prototípusnál előny, éles, kritikus rendszernél viszont kockázatos a soronkénti átnézés kihagyása.
