AI bo‘yicha maqola yoki video ko‘rayotganingizda juda ko‘p inglizcha atamalar uchraydi. Ayniqsa context, agent, model, token, prompt, RAG, fine-tuning kabi so‘zlar doim aylanib yuradi. Boshlovchi uchun muammo shundaki, bu atamalar ko‘pincha izohsiz ishlatiladi. Natijada odam texnologiyaning o‘zidan ko‘ra, uning tilidan charchab qoladi.

Quyida eng ko‘p ishlatiladigan AI atamalarini sodda o‘zbekcha izoh bilan jamladim. Maqsad - akademik ta’rif berish emas, balki ishlatishda nima anglatishini tushuntirish.

Model

Model - bu matn yozish, savolga javob berish, rasm tushunish yoki boshqa vazifani bajarish uchun o‘rgatilgan tizim. Oddiy qilib aytganda, model - statistik naqshlar asosida javob ishlab chiqaradigan hisoblash mexanizmi. Yana ham soddalashtirsa - AI’ning miyasi.

Masalan, GPT, Claude, Gemini, Mistral - bular model oilalari. Lekin “qaysi model yaxshi?” degan savol har doim vazifaga bog‘liq. Biri tezroq, biri arzonroq, biri uzun context bilan yaxshi, biri kodda kuchli bo‘lishi mumkin.

Prompt

Prompt - modelga berilgan ko‘rsatma yoki savol. Bu bitta gap ham bo‘lishi mumkin, katta yo‘riqnoma ham. Prompt sifati ko‘pincha natijaga to‘g‘ridan to‘g‘ri ta’sir qiladi.

Masalan, “AI haqida yoz” degan prompt juda umumiy. “Boshlovchilar uchun AI atamalarini o‘zbek tilida, qisqa misollar bilan tushuntir” desangiz, natija ancha foydali chiqadi.

Context

Context - model ayni vaqtda “ko‘rib turgan” ma’lumotlar to‘plami. Bunga foydalanuvchi yozgan savol, oldingi xabarlar, tizim ko‘rsatmalari, qo‘shib berilgan hujjatlar yoki boshqa kiritmalar kiradi.

Kontekst qancha to‘g‘ri va aniq bo‘lsa, javob ham shuncha foydali bo‘ladi. Noto‘g‘ri context berilsa, model noto‘g‘ri yo‘nalishda ketadi. Shuning uchun ko‘p hollarda “qaysi model?”dan ham muhimrog‘i - “qanday context berdingiz?” degan savol.

Context window

Context window - model bir urinishda qayta ishlay oladigan ma’lumot hajmi. Bu xotira emas, lekin bir sessiyada nechta tokenni ko‘ra olishini bildiradi. Agar matn juda uzun bo‘lsa, model eski qismini unutgandek ko‘rinishi mumkin - aslida u context oynasidan chiqib ketgan bo‘ladi.

Token

Token - model matnni ichida bo‘lib ishlaydigan mayda birlik. U doim so‘zga teng bo‘lavermaydi: ba’zan bitta so‘z bir nechta token bo‘ladi, ba’zan tinish belgilari ham alohida token hisoblanadi.

Nega bu muhim? Chunki ko‘p AI xizmatlarida narx ham, limit ham token bo‘yicha hisoblanadi. Uzoq prompt, katta hujjat va uzun javob - ko‘proq token degani.

Inference

Inference - tayyor o‘qitilgan modeldan real ishlash paytida javob olish jarayoni. Ya’ni trening alohida bosqich bo‘lsa, inference - foydalanuvchi prompt yuborib, modeldan natija olayotgan payt.

Ko‘p mahsulotlarda asosiy xarajat aynan inference bilan bog‘liq bo‘ladi, chunki har bir foydalanuvchi so‘rovi GPU yoki boshqa hisoblash resursi talab qiladi.

Temperature

Temperature - model javobining ijodkorligi yoki tasodifiylik darajasini boshqaruvchi parametr. Past temperature odatda tartibliroq va barqarorroq javob beradi. Yuqori temperature esa turliroq, ba'zan qiziqroq, lekin beqarorroq javob chiqaradi.

Kod, huquqiy izoh yoki aniq format kerak bo‘lsa - temperature pastroq bo‘ladi. G‘oya generatsiyasi yoki variantlar kerak bo‘lsa - biroz yuqoriroq bo‘lishi mumkin.

Hallucination

Hallucination - model ishonchli ohangda noto‘g‘ri yoki to‘qima ma’lumot aytib yuborishi. Bu AI bilan ishlashdagi eng katta amaliy muammolardan biri.

Masalan, mavjud bo‘lmagan manba, noto‘g‘ri sana, uydirma API yoki umuman yo‘q kitobni keltirishi mumkin. Shuning uchun AI natijasi ko‘pincha tekshiriladigan qoralama sifatida ishlatiladi, yakuniy haqiqat sifatida emas.

Embedding

Embedding - matnning sonli ko‘rinishga o‘tkazilgan vektori. Bu juda texnik tuyuladi, lekin amaliy ma’nosi shuki: kompyuter matnlar o‘rtasidagi ma’no yaqinligini solishtira oladi.

Masalan, hujjat qidirish, o‘xshash savollarni topish, knowledge base ichidan kerakli bo‘lakni chiqarish kabi vazifalarda embedding juda ko‘p ishlatiladi.

RAG

RAG - Retrieval-Augmented Generation. Oddiy qilib aytganda, model javob berishdan oldin tashqi manbadan kerakli ma'lumotni qidirib oladi va keyin shu ma'lumot asosida javob tuzadi.

Bu ayniqsa kompaniya ichki hujjatlari, qo‘llanmalar, qonunlar yoki tez yangilanadigan ma’lumot bilan ishlaganda foydali. Model hamma narsani “eslab” o‘tirmaydi, keraklisini topib, contextga qo‘shib javob beradi.

Fine-tuning

Fine-tuning - tayyor modelni ma’lum uslub, domen yoki vazifa uchun qo‘shimcha o‘qitish. Bu “modelni boshqatdan yaratish” emas, balki uni torroq yo‘nalishga moslashtirish.

Lekin amaliyotda ko‘p muammo fine-tuning emas, balki yaxshi prompt, yaxshi context va yaxshi RAG bilan ham hal bo‘lib ketadi. Shu sababli fine-tuning ko‘pincha birinchi qadam emas.

Agent

Agent - faqat javob yozib bermaydigan, balki maqsadga erishish uchun bir necha qadam tashlay oladigan tizim. Agent odatda model, qoida, xotira va tashqi vositalar kombinatsiyasidan tashkil topadi.

Masalan, agent quyidagilarni ketma-ket qilishi mumkin: foydalanuvchi topshirig‘ini tahlil qilish, ma’lumot qidirish, fayl ochish, kod yozish, natijani tekshirish va keyin javob qaytarish. Shuning uchun agent - oddiy chatdan kengroq tushuncha.

Tool use

Tool use - model yoki agentning tashqi vositalardan foydalanishi. Bu API chaqiruv, qidiruv, kalkulyator, terminal, brauzer yoki ma’lumotlar bazasi bo‘lishi mumkin.

Modelning o‘zi ko‘pincha “faqat matn” bilan ishlaydi. Tool use esa uni real dunyo bilan bog‘laydi. Aynan shu joyda AI foydali mahsulotga aylana boshlaydi.

Harness

Harness - model yoki agentni boshqarib turadigan “qobiq” yoki ishga tushirish muhiti. Bu so‘z turli jamoalarda turlicha ishlatiladi, lekin amaliy ma’noda u promptlarni, tool‘larni, tekshiruvlarni, formatlashni va natijani boshqaradigan orkestratsiya qatlamini anglatadi.

Masalan, modelning o‘zi alohida. Uni qaysi tartibda chaqirish, qachon qidiruv qilish, qachon test yugurtirish, natijani qaysi formatda qaytarish - mana shu narsalar harness ichida bo‘lishi mumkin.

System prompt

System prompt - modelga oldindan beriladigan yuqori darajadagi ko‘rsatma. Masalan, “qisqa yoz”, “faqat JSON qaytar”, “huquqiy maslahat bermagin”, “uzbek tilida gapir” kabi cheklovlar yoki yo‘nalishlar shu qatlamda turishi mumkin.

Ko‘p hollarda foydalanuvchi prompti bilan system prompt birga ishlaydi. Model chiqargan javob ko‘pincha shu ikki qatlam orasidagi muvozanat natijasi bo‘ladi.

Latency

Latency - javob chiqish tezligi. Foydalanuvchi prompt yuborganidan keyin natija kelguncha o‘tadigan vaqt. Mahsulot nuqtayi nazaridan bu juda muhim: model kuchli bo‘lishi mumkin, lekin juda sekin bo‘lsa, foydalanuvchi tajribasi yomonlashadi.

Evaluation

Evaluation - model yoki agentning qanchalik yaxshi ishlayotganini tekshirish jarayoni. Bu faqat “yoqdimi-yoqmadi” emas. Masalan, aniqlik, formatga rioya qilish, xatolar soni, narx, tezlik va boshqa mezonlar bilan baholash mumkin.

AI mahsulotlarda eval juda muhim, chunki model “deyarli to‘g‘ri” javob berib, lekin amalda foydasiz bo‘lishi mumkin.

Xulosa

AI atamalarining ko‘pi tushunarsiz eshitiladi, lekin ularni amaliy ishlatish nuqtayi nazaridan tushunsangiz, hammasi ancha sodda ko‘rinadi. Qisqa aytganda: model javob chiqaradi, prompt unga yo‘l ko‘rsatadi, context unga ma’lumot beradi, agent bir necha qadamli ish bajaradi, harness esa bularning hammasini boshqarib turadi.

AI bilan ishlaganda eng foydali yondashuv - atamani yodlash emas, balki u qaysi real muammoni hal qilishini tushunish. Shunda jargon kamroq, foyda ko‘proq bo‘ladi.