AI Lug‘at
AI sohasidagi asosiy tushunchalar va atamalarning qisqa izohli lug‘ati.
30 ta atama · 6 ta kategoriya
Agentlar
8Agent Loop
Agent takrorlaydigan ishlash sikli: fikrlash, vosita chaqirish va natijani kuzatish. Har bir davrda agent yangi ma'lumotga qarab keyingi qadamni tanlaydi.
Batafsil →Agent Memory
Agentning ma'lumotni saqlash va keyin eslab qolish qobiliyati — suhbat tarixi, faktlar va natijalarni o‘z ichiga oladi. Xotira agentga kontekst oynasidan tashqaridagi ma'lumot bilan ishlash imkonini beradi.
Batafsil →AI Agent
Vazifani mustaqil rejalashtirib, vositalardan foydalanib va natijani kuzatib bajaradigan tizim. Agent model (LLM) atrofida quriladi va bir nechta bosqichli jarayonni o‘zi boshqaradi.
Batafsil →Function Calling
Modelning APIlar orqali funksiyalarni chaqirishining standart usuli — model chaqiruvni JSON formatida chiqaradi, tizim esa uni bajaradi. Tool callingning texnik asosi hisoblanadi.
Batafsil →Harness
Modelni agent sifatida boshqaradigan tizim — prompt, ishlash sikli (loop) va vositalar qatlamlarini o‘z ichiga oladi. Harness modelning vazifani mustaqil bajarishini ta'minlaydi.
Batafsil →Multi-Agent
Bir nechta agent birgalikda ishlab, murakkab vazifalarni bajaradigan tizim. Agentlar o‘zaro ma'lumot almashadi, vazifalarni taqsimlaydi va natijalarni birlashtiradi.
Batafsil →Planning
Murakkab vazifani bajariladigan qadamlarga bo‘lish jarayoni. Agent reja tuzib, har bir qadamni ketma-ket bajaradi va natijaga qarab rejani yangilashi mumkin.
Batafsil →Tool Calling
Modelning tashqi funksiyalarni chaqirish va natijani qayta ishlash qobiliyati. Bu agentga faqat matn emas, balki real ma'lumotlar va amallar bilan ishlash imkonini beradi.
Batafsil →Vositalar
3API
Application Programming Interface — dasturlar o‘rtasidagi aloqa qoidalari. API orqali tizimlar bir-biriga so‘rov yuboradi, ma'lumot oladi va xizmatlardan foydalanadi.
Batafsil →MCP
Model Context Protocol — AI model va tashqi vositalar o‘rtasidagi standart aloqa protokoli. MCPni qo‘llab-quvvatlaydigan vositani bir marta ulab, har qanday mos modelga taqdim etish mumkin.
Batafsil →Streaming
Model javobini to‘liq kutmasdan, tokenlar yaratilishi bilan qismlarga bo‘lib yetkazish usuli. Streaming foydalanuvchiga natijani tezroq ko‘rish va real vaqtda ishlash imkonini beradi.
Batafsil →Prompt
5Chain-of-Thought
Modelni bosqichma-bosqich fikrlashga undaydigan prompt usuli — javobdan oldin mulohaza yuritish so‘raladi. Murakkab masalalarda xatolikni kamaytiradi va natijani asoslab beradi.
Batafsil →Few-shot
Prompt ichida modelga bir nechta tayyor misol ko‘rsatib, kerakli javob shaklini o‘rgatish usuli. Kam sonli misollar bilan model yangi vazifani aniqroq bajaradi.
Batafsil →Prompt
Foydalanuvchi yoki tizim modelga beradigan so‘rov — matn, savol yoki topshiriq. Prompt modelning javobini belgilaydigan asosiy kiritilgan ma'lumotdir.
Batafsil →Prompt Engineering
Modeldan kerakli natijani olish uchun so‘rovlarni (prompt) loyihalash amaliyoti. Aniq ko‘rsatmalar, kontekst va misollar orqali javob sifati sezilarli yaxshilanadi.
Batafsil →System Prompt
Suhbat boshida modelga beriladigan doimiy ko‘rsatmalar — rol, chegaralar va uslubni belgilaydi. System prompt foydalanuvchi xabarlaridan oldin turadi va butun suhbat davomida amal qiladi.
Batafsil →Modellar
6Context Window
Model bir vaqtning o‘zida hisobga ola oladigan tokenlar miqdori. Kirish va chiqish tokenlari shu oynaga sig‘ishi kerak; kattaroq oyna ko‘proq ma'lumot bilan ishlash imkonini beradi.
Batafsil →Fine-tuning
Tayyor modelni ma'lum bir soha yoki vazifa bo‘yicha qo‘shimcha ma'lumotlarda qayta o‘qitish jarayoni. Bu modelning maxsus topshiriqlardagi sifatini oshiradi, ammo katta resurs talab qiladi.
Batafsil →Inference
Modelning kiritilgan ma'lumot uchun natija (javob) yaratish jarayoni. O‘qitishdan farqli ravishda, inference har bir so‘rovda yangi javobni hisoblab chiqadi.
Batafsil →LLM
Large Language Model — katta hajmdagi matnlar asosida o‘qitilgan, matn generatsiya qiluvchi model. LLM keyingi ehtimoliy tokenni bashorat qilib ishlaydi va ko‘plab AI tizimlarining asosini tashkil qiladi.
Batafsil →Temperature
Model javobining tasodifiyligini boshqaruvchi parametr. Past qiymat aniqlik va bir xillikni, yuqori qiymat esa xilma-xillik va ijodiylikni oshiradi.
Batafsil →Token
Model o‘qiydigan va yaratadigan matnning asosiy birligi. Tokenlar so‘zning qismlari, so‘zlar yoki belgilar bo‘lishi mumkin; hisob-kitob va narxlash shu birliklar asosida olib boriladi.
Batafsil →Ma'lumotlar
5Embedding
Matn yoki boshqa ma'lumotning ma'nosini aks ettiruvchi sonli vektor ko‘rinishi. O‘xshash ma'noli matnlar bir-biriga yaqin joylashadi, bu qidiruv va taqqoslashni osonlashtiradi.
Batafsil →Grounding
Model javobini tekshirilgan tashqi manbalarga asoslash jarayoni. Grounding xatolik va uydirma (hallucination) xavfini kamaytirib, javobning ishonchliligini oshiradi.
Batafsil →RAG
Retrieval-Augmented Generation — modelga javob berishdan oldin tashqi manbalardan kerakli ma'lumotni topib berish usuli. Bu model javobini dolzarb va tekshirilgan faktlarga asoslaydi.
Batafsil →Retrieval
So‘rovga mos keladigan ma'lumotni saqlovchidan topib olish jarayoni. Retrieval RAG tizimlarining birinchi bosqichi bo‘lib, topilgan matnlar javobni shakllantirish uchun kontekst sifatida beriladi.
Batafsil →Vector Database
Embeddinglar (vektorlar)ni saqlash va ular bo‘yicha tezkor qidiruv uchun ixtisoslashgan ma'lumotlar bazasi. RAG tizimlarida kerakli ma'lumotni topishning asosiy komponentidir.
Batafsil →Asoslar
3Evaluation
Model yoki agent natijasini metrikalar va testlar orqali o‘lchash jarayoni. Baholash ishonchlilik, aniqlik va foydalilikni kuzatib, tizimni yaxshilashga yordam beradi.
Batafsil →Guardrails
Model yoki agent xatti-harakatini cheklaydigan xavfsizlik qoidalari va tekshiruvlar to‘plami. Guardrails zararli kontent, xavfli amallar va xatoliklarning oldini oladi.
Batafsil →Hallucination
Model ishonchli ohangda, lekin yolg‘on yoki haqiqatga mos kelmaydigan ma'lumot beradigan holat. Bu modelning faktlarni bilishdan ko‘ra ehtimollik asosida generatsiya qilishidan kelib chiqadi.
Batafsil →