În această secțiune găsești definiții pentru termenii comuni din inteligența artificială.
Actualizat Februarie 2026 | Total termeni: 24
Algoritmul este un set definit de instrucțiuni, reguli sau formule matematice concepute pentru a rezolva o problemă sau pentru a îndeplini o sarcină specifică. În informatică, algoritmii ghidează computerul pas cu pas pentru a procesa datele și a obține rezultate precise.
Antrenamentul este procesul prin care un model de învățare automată analizează volume mari de date pentru a identifica tipare și a genera predicții. Pe parcursul acestei etape, modelul este ajustat constant pentru a-și optimiza acuratețea și pentru a învăța cum să transforme datele de intrare în rezultate utile. De exemplu, pentru a crea un filtru de spam, modelul este instruit folosind milioane de e-mailuri marcate deja ca fiind „spam” sau „legitime”. Analizând datele, modelul descoperă asemănări între mesajele nedorite (cum ar fi cuvinte cheie specifice sau link-uri suspecte). Cu cât datele de antrenament sunt mai diverse și mai corect etichetate, cu atât filtrul va fi mai precis în a identifica e-mailurile nesolicitate în viitor. Alegerea metodei de antrenament depinde de problema vizată și de tipul de informații disponibile.
Arborele de decizie este un algoritm de învățare supervizată utilizat atât pentru sarcini de clasificare, cât și pentru regresie. Acesta are o structură ierarhică similară unei diagrame, formată dintr-un nod rădăcină (punctul de plecare), ramuri (opțiunile posibile), noduri interne (întrebările sau testele intermediare) și noduri frunză (rezultatul final sau decizia). Practic, algoritmul împarte datele în grupuri din ce în ce mai mici, bazându-se pe o serie de reguli de tipul 'dacă/atunci', până când ajunge la o concluzie.
Curățarea datelor se realizează în etapa de pregătire a seturilor de date pentru antrenarea modelelor. Acest proces presupune identificarea și corectarea erorilor, de la simple remedieri de dactilografiere sau eliminarea duplicatelor, până la procesări complexe ale datelor brute. Deoarece metoda de curățare variază în funcție de specificul problemei, acuratețea datelor de intrare este importantă pentru obținerea unui model final precis și performant.
Datele reprezintă fapte brute — litere, cifre, cuvinte, sunete sau videoclipuri — organizate astfel încât să poată fi utilizate pentru analiză, calcul și interpretare. Acestea provin din surse diverse și pot fi stocate în formate diferite. Într-un sistem de inteligență artificială, datele sunt materia primă folosită pentru antrenarea algoritmilor. Astfel, calitatea și relevanța lor determină în mod direct performanța sistemului și capacitatea acestuia de a-și îndeplini scopul.
O descriere sau o etichetă, caracterizează, identifică datele brute (imagini, fișiere text, videoclipuri etc.) și oferă context, astfel încât un sistem de inteligență artificială să poată învăța din acestea. În învățarea supravegheată, un model de învățare automată este antrenat folosind date etichetate. Fiecărei date individuale din volumul de date i se atribuie una sau mai multe etichete care oferă informații despre acele date. De exemplu, un model este conceput pentru a identifica sunetele produse de păsări. Fiecărui sunet i se atribuie o etichetă cu denumirea păsării care l-a produs. Modelul este antrenat folosind sunete etichetate și poate prezice eticheta (denumirea speciei de pasăre) care corespunde unor noi sunete. Datele sunt cel mai adesea etichetate de oameni, pentru ca modelele să se antreneze cu exemple etichetate corect.
Inferența este procesul prin care un model de inteligență artificială deja antrenat trage concluzii sau face predicții pe baza unor date noi. În timp ce antrenamentul este etapa de învățare, inferența este etapa de utilizare practică. În AI, acest proces folosește modelul (ca set de reguli și cunoștințe) drept premisă pentru a genera un rezultat dintr-o informație brută. Termenul se referă atât la procesul logic de deducție, cât și la rezultatul final obținut (de exemplu, eticheta „Spam” atribuită unui e-mail este rezultatul unei inferențe).
Domeniul interdisciplinar care se ocupă cu crearea de sisteme capabile să realizeze sarcini care, în mod normal, necesită inteligență umană: recunoașterea tiparelor, înțelegerea limbajului natural și luarea deciziilor bazate pe date.
Inteligența Artificială Generală (AGI) reprezintă un tip ipotetic de AI capabilă să înțeleagă, să învețe și să îndeplinească orice sarcină intelectuală specifică omului, sau chiar să depășească abilitățile umane în activități economice complexe. Deși AGI este un subiect intens dezbătut în mass-media, în prezent nu există un consens științific sau o metodologie demonstrată care să indice cum ar putea fi realizată o astfel de tehnologie.
Inteligența Artificială Restrânsă (ANI), cunoscută și sub numele de AI slabă sau specializată, este concepută pentru a rezolva sarcini specifice. Tehnologia actuală se încadrează în această categorie și se bazează, de regulă, pe algoritmi de învățare automată (machine learning) sau învățare profundă (deep learning). Printre cele mai comune aplicații se numără motoarele de căutare, sistemele de recomandare și recunoașterea facială, toate fiind optimizate să funcționeze exclusiv în domenii clar definite.
Învățarea automată (Machine Learning) este un tip de inteligență artificială care are capacitatea de a învăța singură, fără a urma instrucțiuni explicite de programare. Sistemele de acest tip utilizează algoritmi și modele statistice pentru a identifica tipare în date și pentru a genera predicții pe baza acestora. Există mai multe metode de antrenare a modelelor, cele mai populare fiind învățarea supervizată, învățarea nesupervizată și învățarea prin consolidare sau prin recompensă.
Învățarea nesupervizată este o metodă de antrenare a modelelor de învățare automată utilizată pentru a organiza datele pe baza asemănărilor dintre ele. Spre deosebire de alte metode, aceasta identifică tipare ascunse fără a avea nevoie de instrucțiuni prealabile. Un tip comun este gruparea (clustering). Un exemplu practic este organizarea datelor medicale pentru a ajuta la diagnosticarea bolilor. Modelul analizează informațiile și creează automat grupuri (numite clustere) cu caracteristici similare, care nu erau cunoscute dinainte. Ulterior, noile date medicale pot fi atribuite unuia dintre aceste grupuri. Învățarea nesupravegheată este valoroasă în situațiile în care oamenii nu știu exact ce tipare caută într-un volum mare de date.
Învățarea prin consolidare sau prin recompensă este o metodă de antrenare a modelelor de învățare automată bazată pe un sistem de feedback. Un agent software învață să atingă un obiectiv interacționând cu mediul său, primind recompense pentru acțiunile corecte și penalizări pentru cele greșite. Această abordare este utilizată în special în domenii complexe, precum dezvoltarea vehiculelor autonome sau antrenarea inteligenței artificiale pentru jocuri. De exemplu, într-o aplicație de șah, modelul nu primește instrucțiuni pas cu pas, ci învață singur care mutări îi maximizează șansele de câștig prin acumularea de puncte (recompense). Practic, învățarea prin recompensă transformă procesul de 'încercare și eroare' într-o strategie optimizată pentru atingerea unui scop stabilit.
Învățarea profundă (Deep Learning) este o evoluție modernă a rețelelor neuronale, care utilizează numeroase straturi de neuroni artificiali pentru a rezolva probleme complexe. Popularitatea acestei tehnici a crescut începând cu mijlocul anilor 2000, fiind motorul principal al interesului actual pentru inteligența artificială. În prezent, învățarea profundă este utilizată pe scară largă pentru a clasifica și interpreta informații din imagini, text sau sunet.
Învățarea supervizată este o metodă de antrenare a modelelor de învățare automată care folosește seturi mari de date etichetate de către oameni. Un tip comun de învățare supervizată este clasificarea. În cazul identificării pisicilor dintr-un set de fotografii, pentru început, modelul primește mii de imagini în care oamenii au marcat clar care sunt pisici și care nu. Pe baza acestor etichete, modelul învață să recunoască trăsăturile specifice unei pisici (urechi, mustăți, formă). În timpul procesului, dezvoltatorul poate vedea cât de precise sunt predicțiile modelului și poate ajustări dacă, de exemplu, o pisică este confundată cu un câine. Odată finalizat, modelul poate fi folosit pentru a identifica pisici în fotografii complet noi. Succesul acestei metode depinde direct de volumul și de acuratețea datelor etichetate inițial.
Modelul AI reprezintă componenta centrală a unui sistem de inteligență artificială, fiind programul instruit să rezolve o problemă specifică. Dezvoltatorii utilizează volume mari de date reprezentative pentru a antrena modelul să identifice tipare complexe. Odată finalizat, acest model poate face predicții sau poate lua decizii pe baza unor date noi, pe care nu le-a mai întâlnit. De exemplu, vehiculele autonome folosesc modele antrenate cu milioane de scenarii de trafic pentru a anticipa momentul exact în care trebuie să oprească. Deși există numeroase tipuri de modele și metode de antrenare, scopul lor rămâne același: detectarea tiparelor din datele de antrenament pentru a putea genera predicții precise asupra unor situații noi.
Nivelul de încredere reprezintă probabilitatea ca o predicție să fie corectă. În Machine Learning (ML), acesta măsoară gradul de siguranță al modelului față de un rezultat generat. De exemplu, un sistem de diagnosticare asistată de AI poate analiza o radiografie și poate estima cu o încredere de 98% prezența unei afecțiuni. Aceast indicator este important pentru a evalua fiabilitatea predicțiilor și, implicit, calitatea generală a modelului.
Pragul de încredere reprezintă nivelul minim de certitudine pe care o predicție trebuie să îl atingă pentru a fi acceptată de un model. Această valoare este stabilită de dezvoltator în etapa de proiectare, în funcție de specificul problemei. De exemplu, dacă setăm un prag de 60%, iar modelul estimează o probabilitate de doar 50%, predicția va fi respinsă ca fiind insuficient de sigură. Importanța pragului variază în funcție de natura problemei vizate. În diagnosticarea medicală este un prag foarte ridicat pentru a evita erorile, în timp ce pentru recomandările de muzică se poate accepta un nivel de încredere mai scăzut. În final, alegerea acestei valori definește echilibrul dintre rigoarea și flexibilitatea modelului.
Predicția este rezultatul produs de un model și sugerează ce reprezintă datele sau ce ar putea fi util pentru îndeplinirea unei sarcini. Modelele de Machine Learning (ML) sunt concepute special pentru a genera predicții. Acestea interpretează datele de intrare pentru a oferi rezultate utile în rezolvarea unei sarcini specifice. De exemplu, un dezvoltator poate antrena un model pentru a recomanda filme, bazându-se pe istoricul de vizionare al utilizatorului și pe preferințele altor utilizatori.
Prejudecățile din date (sau bias-ul) se referă la lipsa imparțialității, așa cum se reflectă aceasta în datele utilizate pentru a antrena modele de învățare automată. Atunci când datele sunt subiective, algoritmul va genera, la rândul său, predicții părtinitoare. De exemplu, unele sisteme de recunoaștere facială sunt părtinitoare față de chipurile cu anumite culori ale pielii deoarece au fost antrenate folosind în mare parte imagini de fețe cu o singură culoare a pielii. Sursele acestor distorsiuni sunt diverse, de la date incomplete până la informații care reflectă prejudecăți sociale preexistente. Identificarea și eliminarea acestor erori este esențială pentru a asigura echitatea și precizia modelelor ML.
Rețeaua neurală, cunoscută și sub numele de rețea neurală artificială, este un model computațional inspirat de structura creierului uman. Aceasta este formată din unități simple de procesare, numite „neuroni artificiali”, organizați pe straturi și interconectați. Fiecare neuron primește date de la nivelul anterior și le transmite către nivelul următor. În acest proces, neuronii atribuie o pondere (weight) datelor primite; dacă informația nu atinge un anumit prag (threshold), aceasta nu este transmisă mai departe. În timpul antrenamentului, aceste ponderi și praguri sunt ajustate repetat până când sistemul reușește să transforme datele de intrare în rezultate corecte și constante.
Superinteligența Artificială (ASI) este un concept ipotetic care descrie o formă de AI ce ar depăși cu mult inteligența umană în toate domeniile. Aceasta nu s-ar limita doar la o capacitate superioară de memorare și procesare a datelor, ci ar excela și în luarea deciziilor complexe, depășind limitele cognitive umane actuale.
Testul Turing, propus în anul 1950 de către Alan Turing, este o metodă de evaluare a capacității unei mașini de a demonstra inteligență umană. Conform acestui test, dacă un computer poate purta o conversație cu un om fără a fi identificat ca fiind o mașină, acesta trece testul. Conceptul a devenit un pilon fundamental în teoria și dezvoltarea inteligenței artificiale.
O arhitectură avansată de rețele neurale care utilizează un așa-numit mecanism de atenție (attention mechanism). Acest sistem îi permite modelului să prioritizeze elementele-cheie dintr-un set de date și să rețină modul în care acestea se relaționează cu restul informațiilor. Spre deosebire de modelele vechi, transformerii pot procesa contextul întregii secvențe de date simultan, fiind tehnologia de bază pentru cele mai moderne sisteme de inteligență artificială generativă (precum modelele GPT).