66 sanaa, jotka riittävät pitkälle

66 käsitettä

AgenttiSovellukset

Ohjelma joka ei vain vastaa, vaan tekee: valitsee työkalun, katsoo tuloksen ja korjaa suuntaa.

Agentti arvioi tehtävän, valitsee työkalun, katsoo tuloksen, korjaa suunnitelmaa ja jatkaa. Se ei ole uusi malli vaan järjestelmä mallin ympärillä. Yrityskäytössä tarvitaan rajoituksia, hyväksyntöjä ja lokitietoja.

AI-kiihdytinInfrastruktuuri

Erityisesti tekoälylaskentaa varten suunniteltu siru.

Kapeampi käyttötarkoitus kuin GPU:lla mutta parempi suhde suorituskyvyn ja sähkönkulutuksen välillä. Suuret pilvitoimijat suunnittelevat näitä itse.

AktivointifunktioPerusteet

Pieni mutka jokaisen kerroksen jälkeen, joka tekee syvästä verkosta hyödyllisen.

Kerroksen tulokseen tehdään epäsuora muunnos, esimerkiksi katkaistaan negatiiviset arvot nollaan. Ilman tätä sadan kerroksen verkko supistuisi matemaattisesti yhdeksi kertolaskuksi eikä kykenisi oppimaan mutkikkaita asioita.

API eli rajapintaSovellukset

Sovelluksen tapa lähettää pyyntöjä mallipalvelulle.

Rajapintakäyttö on yleisin tapa ostaa mallia: maksat käytöstä etkä laitteista. Vaihtoehtona on ajaa avoimien painojen malli omalla tai vuokratulla raudalla.

AutomaatioharhaSääntely ja vastuu

Ihmisen taipumus hyväksyä koneen ehdotus tarkistamatta sitä.

Syntyy kun ehdotuksia on paljon ja ne ovat useimmiten oikein. Tekee nimellisestä valvonnasta kulissin, joten valvonnan toimivuutta mitataan hylkäysten määrällä eikä sillä, onko lomakkeessa allekirjoitus.

Avoimet painotLiiketoiminta

Mallin painot ovat ladattavissa ja ajettavissa omalla raudalla.

Ei välttämättä tarkoita, että koulutusdata tai kehitysprosessi olisi avoin. Avoimet painot antavat kontrollin ja siirrettävyyden, mutta ylläpito jää käyttäjälle.

EmbeddingData

Sisällön numeerinen esitys, jonka avulla samankaltaisia asioita voi etsiä.

Teksti tai kuva muunnetaan vektoriksi niin, että merkitykseltään läheiset asiat päätyvät lähelle toisiaan. Tämä on useimpien hakutoteutusten perusta.

EsikoulutusMallit

Vaihe, jossa malli oppii yleiset rakenteet valtavasta aineistosta.

Pre-training opettaa kieltä, käsitteiden yhteyksiä ja maailmaa koskevia säännönmukaisuuksia. Tuloksena syntyy perusmalli. Tämä on ekosysteemin kallein yksittäinen työvaihe.

Evaluaatio (eval)Data

Järjestelmällinen testi mallin tai koko sovelluksen laadulle.

Joukko todellisia tapauksia, joilla mitataan onnistuuko järjestelmä. Ilman evaluaatiota muutosten vertailu on arvailua ja regressiot huomataan vasta asiakkaalta.

Generatiivinen tekoälyPerusteet

Tekoäly, joka tuottaa uutta sisältöä: tekstiä, kuvia, ääntä, videota tai koodia.

Erotuksena esimerkiksi luokitteluun tai ennustamiseen, joissa tulos on luokka tai luku. Generatiivisuus ei tarkoita luovuutta vaan sitä, että ulostulo on sisältöä.

GPUInfrastruktuuri

Alun perin grafiikkaan kehitetty siru, joka sopii neuroverkkojen rinnakkaislaskentaan.

Neuroverkon laskenta on valtava määrä samanlaisia kerto- ja yhteenlaskuja, ja näytönohjain tekee niitä tuhansissa yksiköissä yhtä aikaa. Pelkkä nopea näytönohjain ei riitä, jos muisti tai verkkoyhteys on pullonkaula.

Guardrails eli suojakaiteetSovellukset

Säännöt ja tarkistukset, joilla vaarallisia tai virheellisiä toimintoja rajoitetaan.

Voi tarkoittaa syötteen suodatusta, vastauksen tarkistusta, oikeuksien rajaamista tai ihmisen hyväksyntää ennen peruuttamatonta toimenpidettä.

HallusinaatioSovellukset

Malli tuottaa vakuuttavan mutta virheellisen väitteen.

Seuraa suoraan siitä, että malli tuottaa todennäköisiä jatkoja eikä tarkista faktoja. Riskiä pienennetään hakemalla lähteet mukaan, näyttämällä ne käyttäjälle ja mittaamalla laatua.

HienosäätöSovellukset

Mallin painojen muuttaminen tiettyä tarkoitusta varten.

Fine-tuning sopii vastaustyylin, luokittelutehtävän tai toimialan käyttäytymismallin opettamiseen. Se sopii huonosti tuoreen tiedon lisäämiseen. Siihen käytetään RAG:ia.

Ihmisen valvontaSääntely ja vastuu

Nimetty ihminen, jolla on osaaminen, aika ja valta puuttua koneen tuottamaan päätökseen.

Vaatimus korkean riskin käytössä. Pelkkä hyväksyntäpainike ei ole valvontaa, koska automaatioharhan takia ihminen hyväksyy suurimman osan ehdotuksista katsomatta. Toimivuuden merkki on, että hylkäyksiä oikeasti tapahtuu.

InferenssiMallit

Valmiin mallin käyttäminen. Jokainen kysymys ja vastaus kuluttaa laskentaa, ja siis rahaa.

Tapahtuu joka kerta kun käyttäjä kysyy jotain. Toisin kuin opettaminen, inferenssi on jatkuva meno, ja riittävän suurella käyttömäärällä se voi ylittää opetuksen kokonaissummana. Vähän käytetyssä palvelussa näin ei käy.

JälkikoulutusMallit

Perusmallin muokkaaminen käyttökelpoiseksi ja turvalliseksi.

Sisältää hyvien vastausten esimerkkejä, vastausten arviointia ja vertailua, turvallisuuskoulutusta sekä työkalujen käytön opettamista. Esikoulutus antaa kyvyt, jälkikoulutus suunnan.

KantaverkkoInfrastruktuuri

Sähkönsiirron runkoverkko, johon suuret tuottajat ja kuluttajat liitetään.

Suomessa kantaverkosta vastaa Fingrid. Datakeskuksen rakentaminen kestää pari vuotta, mutta uuden suurjännitelinjan tai muuntoaseman rakentaminen vie vuosia, joten liittymisjonosta on tullut tekoälykapasiteetin todellinen pullonkaula. Liittymissopimus on sitoumus, kysely ei ole.

Kehoteinjektio (prompt injection)Sovellukset

Aineistoon piilotettu käsky, jota malli tottelee kuin se olisi tullut käyttäjältä.

Kielimalli lukee ohjeet ja käsiteltävän aineiston samasta tekstivirrasta eikä erota niitä toisistaan. Siksi verkkosivulle, sähköpostiin tai liitteeseen kirjoitettu käsky voi ohjata mallia. Toisin kuin SQL-injektioon, tähän ei ole tunnettua teknistä korjausta, joten suojaus perustuu oikeuksien rajaamiseen ja siihen, että vahinko jää pieneksi silloin kun malli huijataan.

Kokoelmamenetelmä (ensemble)Perusteet

Monta erillistä mallia tai arviota yhdistetään yhdeksi tulokseksi, joka osuu useammin oikeaan kuin yksikään niistä.

Hyöty on sitä suurempi, mitä paremmin kaksi ihanne-ehtoa täyttyy: jokainen jäsen on arvausta parempi ja virheet ovat toisistaan riippumattomia. Käytännössä osittainenkin riippumattomuus auttaa. Sama malli eri kehotteissa jää kauas ihanteesta, koska virheet tulevat samasta opetusaineistosta, ja silloin yksimielisyys näyttää vahvemmalta kuin se on.

KoneoppiminenPerusteet

Tapa rakentaa tekoälyä datan avulla sen sijaan, että säännöt kirjoitettaisiin käsin.

Ohjelma päättelee esimerkeistä tilastollisia yhteyksiä. Suurin osa tuotannossa olevasta tekoälystä on koneoppimista, joka ei liity kielimalleihin lainkaan.

KonesaliInfrastruktuuri

Rakennus, jossa palvelimet ovat: sähkö, jäähdytys, verkko ja vartiointi.

Sama asia kuin datakeskus. Tekoälykonesali eroaa tavallisesta siinä, että se kuluttaa paljon sähköä pienellä pinta-alalla ja tuottaa niin paljon lämpöä, että jäähdytys on yksi rakennuksen kalleimmista osista.

Konteksti-ikkunaMallit

Tiedon määrä, jonka malli voi huomioida yhden suorituksen aikana.

Konteksti-ikkuna ei ole pysyvä muisti. Kun keskustelu tai dokumenttijoukko ei enää mahdu ikkunaan, jotain on jätettävä pois, ja pitkä konteksti maksaa jokaisella kutsulla uudelleen.

Korkean riskin järjestelmäSääntely ja vastuu

Tekoälyn käyttö, jonka tekoälyasetus luokittelee eniten velvoitteita vaativaan luokkaan.

Nyrkkisääntönä kyse on käytöstä, joka tekee tai valmistelee merkittävän päätöksen ihmisen elämästä: rekrytointi, ylennys ja irtisanominen, luoton myöntäminen, koulutukseen pääsy, terveydenhuolto ja kriittinen infrastruktuuri. Oikeudellisesti luokka määräytyy artiklasta 6 sekä liitteistä I ja III, ja artiklassa 6 on poikkeuksia, joilla listalla oleva käyttö voi jäädä luokan ulkopuolelle. Luokka seuraa käyttötarkoitusta eikä tekniikkaa, joten sama malli voi olla korkean riskin järjestelmä yhdessä käytössä ja lähes vapaa toisessa.

KvantisaatioMallit

Mallin lukujen esittäminen pienemmällä tarkkuudella.

Kevyempi suoritus ja pienempi muistintarve, hintana pieni laadun lasku. Usein paras yksittäinen keino saada malli ajettua halvemmalla raudalla.

Kärkimalli (frontier model)Mallit

Uusin ja kyvykkäin mallisukupolvi kulloisellakin hetkellä.

Sana kertoo sijoituksen, ei rakennetta: kärkimalli on rakenteeltaan perusmalli siinä missä muutkin. Sijoitus vaihtuu vuosittain, joten tämän vuoden kärkimalli on ensi vuonna keskitasoa ilman että siinä muuttui mitään.

Käyttöönottaja (deployer)Sääntely ja vastuu

Organisaatio, joka käyttää tekoälyjärjestelmää omassa toiminnassaan.

Useimmat organisaatiot ovat käyttöönottajia. Velvoitteet ovat kevyemmät kuin tarjoajalla mutta niitä on: henkilöstön tekoälyosaaminen, läpinäkyvyys ja korkean riskin käytössä lisäksi ihmisen valvonta, lokien säilytys ja käyttöohjeen noudattaminen.

LaskentaklusteriInfrastruktuuri

Suuri joukko palvelimia, jotka toimivat yhtenä kokonaisuutena.

Tekoälyn ”supertietokone” ei ole yksi kone vaan tuhansia laskentapiirejä erittäin nopealla verkolla yhdistettynä. Jos tiedonkulku niiden välillä takkuaa, kokonaisuus hidastuu.

LatenssiInfrastruktuuri

Kuinka kauan yhden vastauksen saaminen kestää.

Käyttökokemuksen kannalta usein tärkeämpi kuin mallin absoluuttinen laatu. Nopea riittävän hyvä vastaus voittaa hitaan täydellisen useimmissa arkikäytöissä.

LäpinäkyvyysvelvoiteSääntely ja vastuu

Velvollisuus kertoa, kun ihminen on tekemisissä tekoälyn kanssa tai kun sisältö on keinotekoista.

Voimassa elokuusta 2026. Koskee chatbotteja, keinotekoista sisältöä, syväväärennöksiä sekä tunteiden tunnistusta ja biometristä luokittelua. Merkinnän pitää olla ihmisen havaittavissa ilman erityisiä työkaluja ja se on annettava viimeistään ensimmäisellä kohtaamisella.

LäpäisykykyInfrastruktuuri

Kuinka monta pyyntöä järjestelmä käsittelee tietyssä ajassa.

Throughput ratkaisee kustannuksen käyttäjää kohti. Sitä parannetaan käsittelemällä kyselyjä erissä ja pitämällä laitteiden käyttöaste korkeana.

MLOpsLiiketoiminta

Mallien julkaisemiseen, seurantaan ja ylläpitoon liittyvät käytännöt.

Versionhallinta, käyttöönotto, seuranta ja paluu edelliseen versioon. Sama työ kuin ohjelmistokehityksen DevOps, mutta mukana ovat myös data ja mallin laatu.

Monen agentin järjestelmäSovellukset

Useita mallikutsuja kytkettynä toisiinsa niin, että yhden tuotos on toisen syöte.

Agentit eivät ajattele yhdessä eivätkä jaa mitään keskenään. Jokainen kutsu on erillinen, ja ainoa, mikä kulkee jäseneltä toiselle, on teksti, jonka ohjelmakoodi sinne kopioi. Tavallisia muotoja ovat ketju, työnjohtaja työntekijöineen, arvioiva paneeli ja väittely.

Monimodaalinen malliPerusteet

Malli, joka käsittelee useaa sisältömuotoa: tekstiä, kuvia, ääntä tai videota.

Sama malli voi lukea kuvan ja vastata siitä tekstillä. Modaliteettien yhdistäminen kasvattaa käyttökohteita mutta myös laskennan hintaa.

Myötäily (sycophancy)Mallit

Mallin taipumus antaa se vastaus, jota se arvelee kysyjän toivovan.

Näkyy kehuina, myöntelynä ja mielipiteen vaihtamisena heti kun käyttäjä epäilee. Arvioinnissa myötäily on kiusallisempi vika kuin hallusinaatio, koska väärä vastaus näyttää täsmälleen siltä, mitä pyydettiin.

NeuroverkkoPerusteet

Kerroksittainen laskentakaava, jonka lukuarvoja säädetään esimerkkien perusteella.

Neuroverkko koostuu kerroksista, joissa tehdään suuri määrä yksinkertaisia laskutoimituksia. Jokaisella yhteydellä on lukuarvo eli paino. Kun verkolle näytetään esimerkkejä ja sen vastauksia verrataan oikeisiin, painoja säädetään vähän kerrallaan parempaan suuntaan. Nimi tulee löyhästä vertauksesta aivojen hermosoluihin, mutta neuroverkko ei toimi kuten aivot, vaan se on laskukaava, ei pienoisaivo.

OppimisnopeusMallit

Kuinka suuria säätöjä painoihin tehdään yhden virheen perusteella.

Liian suuri askel saa mallin heilumaan puolelta toiselle eikä se asetu koskaan. Liian pieni askel tekee opetuksesta hitaan ja kalliin. Tämä on yksi tärkeimmistä yksittäisistä säädöistä mallin opetuksessa.

OrkestrointiSovellukset

Koodi, joka päättää, mikä agentti ajetaan, missä järjestyksessä ja milloin lopetetaan.

Yksinkertaisimmillaan orkestrointi on tavallista ohjelmalogiikkaa: silmukoita, ehtoja, uudelleenyrityksiä ja kattoja kierrosten määrälle. Orkestroija voi olla myös malli, joka päättää itse kenelle työ ohjataan. Ero on olennainen, koska koodin päätökset ovat toistettavia ja mallin päätökset eivät. Monen agentin järjestelmän laatu ratkeaa useammin orkestroinnissa kuin siinä, mikä malli valittiin.

OWASPSovellukset

Voittoa tavoittelematon yhteisö, joka ylläpitää ohjelmistoturvallisuuden tunnetuinta riskilistaa.

Open Worldwide Application Security Project julkaisee listoja kymmenestä yleisimmästä ja vakavimmasta haavoittuvuudesta eri ohjelmistolajeissa. Verkkosovellusten lista on ollut alan perusteos parikymmentä vuotta, ja kielimalleille sekä agenttisovelluksille on omat vastaavansa. Listalla ei ole lain voimaa, mutta se on käytännön mittatikku, johon tietoturvatyötä verrataan.

Parametri eli painoMallit

Koulutuksessa opittu lukuarvo mallin sisällä.

Mallin voi ajatella sisältävän miljardeja säädettäviä nuppeja. Opettaminen etsii niille arvot. Parametrien määrä kertoo mallin koosta, ei suoraan sen laadusta.

PerusmalliMallit

Esikoulutuksen tuloksena syntynyt yleiskäyttöinen malli, foundation model.

Perusmalli ei ole tietokanta: opittu tieto on hajautunut painoihin, joten se ei osaa luotettavasti kertoa, mistä yksittäinen tieto on peräisin.

Perusoikeusvaikutusten arviointi (FRIA)Sääntely ja vastuu

Ennakkoarvio siitä, mihin ihmisten oikeuksiin korkean riskin järjestelmä vaikuttaa.

Vaaditaan julkisilta toimijoilta ja eräiltä yksityisiltä. Käydään läpi käyttötarkoitus, kohderyhmä, mahdolliset haitat, valvontajärjestelyt ja se, miten päätöksestä valitetaan. Eri asia kuin tietosuojan vaikutustenarviointi, vaikka ne menevät osin päällekkäin.

Pienin julkaisukelpoinen tuote (MVP)Sovellukset

Suppein versio, jota joku uskaltaa käyttää oikeaan työhön.

Englanniksi minimum viable product. Ei sama asia kuin demo: demo saa olla kulissi, mutta pienimmällä julkaisukelpoisella tuotteella tehdään oikeaa työtä, joten se tarvitsee käyttöoikeudet, tietojen säilymisen ja sen, ettei virhe tuhoa mitään. Rajaus tehdään ominaisuuksien määrästä, ei laadusta.

PromptiSovellukset

Mallille annettu ohje ja taustatieto.

Voi sisältää käyttäjän kysymyksen lisäksi sovelluksen säännöt, esimerkit, dokumentteja ja työkalujen kuvaukset. Halvin ja nopein tapa muuttaa mallin käyttäytymistä.

RAGSovellukset

Malli hakee tiedon lähteestä ennen kuin vastaa. Näin vastaukselle voi näyttää lähteen.

Retrieval-augmented generation: järjestelmä hakee esimerkiksi yrityksen dokumenteista olennaiset kohdat ja antaa ne mallille. Painot eivät muutu, mutta lähteet voidaan näyttää. Laatu ratkeaa yleensä haussa, ei mallissa.

Suoritin (CPU)Infrastruktuuri

Tietokoneen yleiskäyttöinen laskentapiiri, joka tekee vähän kaikkea.

Suoritin hoitaa ohjelman yleisen kulun ja monenlaiset erilaiset tehtävät peräkkäin. Neuroverkon laskennassa se on hidas verrattuna näytönohjaimeen, joka tekee yhtä ja samaa laskutoimitusta tuhansia kertoja rinnakkain. Tekoälypalvelimessa tarvitaan molempia.

Suuri kielimalli (LLM)Perusteet

Erittäin suurella tekstimäärällä koulutettu neuroverkko, joka käsittelee ja tuottaa kieltä.

LLM ennustaa tekstin seuraavaa osaa. Kaikki sen kyvyt, kuten yhteenveto, kääntäminen, koodaus ja päättely, syntyvät tästä yhdestä tehtävästä valtavassa mittakaavassa.

Suvereeni tekoäly (sovereign AI)Liiketoiminta

Kyky käyttää ja kehittää mallia ilman että joku toinen voi sen estää.

Ei yksi asia vaan lista riippuvuuksia: painot, ajopaikka, opetusaineisto, osaaminen, laitteet ja rahoitus. Jokainen niistä on erikseen joko omissa käsissä tai ei, joten suvereenius on portaikko eikä kytkin. Se kertoo kontrollista, ei mallin laadusta.

Synteettinen dataData

Simuloitu tai tekoälyn tuottama opetusaineisto.

Käytetään täydentämään aineistoa, jota on vaikea kerätä tai jota ei saa käyttää yksityisyyssyistä. Riskinä on, että malli oppii vahvistamaan omia vinoumiaan.

SyväoppiminenPerusteet

Koneoppimisen osa, jossa käytetään suuria monikerroksisia neuroverkkoja.

Nimi tulee kerrosten määrästä: mitä useampi kerros, sitä ”syvempi” verkko. Syväoppiminen mahdollisti kuvantunnistuksen ja kielimallien nykyisen tason, koska verkko oppii tarvittavat piirteet datasta itse eikä niitä tarvitse kertoa sille etukäteen.

Syväväärennös (deepfake)Sääntely ja vastuu

Keinotekoinen kuva, ääni tai video, joka näyttää aidolta.

Julkaisijan on merkittävä sellainen elokuusta 2026 alkaen. Merkintävelvoite kuuluu sille joka julkaisee, ei pelkästään työkalun tekijälle, joten se koskee myös tavallista organisaatiota ja sen viestintää.

Tarjoaja (provider)Sääntely ja vastuu

Se, joka kehittää tekoälyjärjestelmän tai saattaa sen markkinoille omalla nimellään.

Tarjoajalla on raskaimmat velvoitteet. Käyttöönottaja voi muuttua tarjoajaksi, jos se laittaa oman nimensä korkean riskin järjestelmään, muuttaa sen käyttötarkoitusta olennaisesti tai tekee siihen merkittävän muutoksen.

Tekninen velkaSovellukset

Ratkaisu, joka toimii nyt ja jonka hinta maksetaan myöhemmin korkoineen.

Oikaisu, kiireessä valittu rakenne tai kirjaamatta jätetty päätös, joka hidastaa kaikkea myöhempää työtä. Velka ei ole itsessään virhe, sillä sitä otetaan tietoisesti silloin kun nopeus on kestävyyttä tärkeämpää. Ongelmallista on velka, jota kukaan ei ole merkinnyt muistiin. Tekoäly ei poista teknistä velkaa vaan nopeuttaa myös sen syntymistä.

Tekoäly (AI)Perusteet

Kattotermi järjestelmille, jotka tekevät ihmisälyä vaativina pidettyjä asioita.

Tunnistamista, ennustamista, keskustelua, suunnittelua tai päätöksentekoa. Tekoäly ei ole yksi tekniikka vaan joukko menetelmiä, joista kielimallit ovat vain yksi osa.

Tekoälyasetus (AI Act)Sääntely ja vastuu

EU:n asetus, joka luokittelee tekoälyn käyttötarkoituksen riskin mukaan ja asettaa velvoitteet sen perusteella.

Tuli voimaan elokuussa 2024 ja sitä sovelletaan vaiheittain. Kielletyt käytännöt ja henkilöstön tekoälyosaaminen ovat olleet voimassa helmikuusta 2025 ja läpinäkyvyysvelvoitteet elokuusta 2026. Korkean riskin velvoitteita siirrettiin kesällä 2026 hyväksytyllä muutoksella joulukuulle 2027.

Tekoälyosaaminen (AI literacy)Sääntely ja vastuu

Velvollisuus toteuttaa toimenpiteitä, jotka tukevat tekoälyä käyttävien osaamisen kehittymistä.

Voimassa helmikuusta 2025 sekä tarjoajille että käyttöönottajille. Muutosasetus (EU) 2026/1744 kevensi sanamuotoa: aiemmin oli varmistettava riittävä taso, nyt riittää, että osaamisen kehittymistä tuetaan. Kyse on siis pyrkimysvelvoitteesta, eikä tiettyä yksilöllistä tasoa tarvitse taata. Sertifikaattia ei vaadita, ja toimenpiteet suhteutetaan tehtävään, taustaan ja siihen, mitä virheestä seuraisi.

TislausMallit

Suuren mallin kykyjen siirtäminen pienempään malliin.

Iso malli opettaa pientä. Tuloksena on malli, joka on halvempi ajaa ja riittävän hyvä rajatussa tehtävässä.

TokenMallit

Teksti pilkottuna pieniin palasiin. Malli lukee ja kirjoittaa niitä, ja niistä myös laskutetaan.

Malli ei näe kirjaimia eikä sanoja vaan tokeneita. Tokenien määrä on myös laskutusyksikkö: sekä syöte että vastaus maksavat tokeneina.

TransformerMallit

Verkkorakenne, jossa jokainen tokeni saa painottaa sitä, mitkä muut tokenit ovat sille merkityksellisiä.

Vanhemmat verkot lukivat tekstiä sana kerrallaan ja unohtivat alun ennen loppua. Transformerissa malli painottaa jokaista tokenia käsitellessään sitä, mitkä muut tokenit ovat merkityksellisiä. Tätä kutsutaan huomioksi eli attentioniksi. Tekstiä tuottavassa mallissa katse on yksisuuntainen: tulevat tokenit peitetään, jotta malli ei näkisi vastausta jota sen pitää ennustaa. Attentiota pidetään yleisesti tärkeimpänä yksittäisenä syynä kielimallien nopeaan kehitykseen 2020-luvulla.

TuomarimalliSovellukset

Kielimalli, joka arvioi toisen tuotosta annetuilla kriteereillä.

Käytetään laadun mittaamiseen silloin, kun oikeaa vastausta ei voi tarkistaa testillä. Tuomari perii arvioitavan mallin vinoumat, suosii pitkiä ja kohteliaita vastauksia ja myötäilee kysyjää, joten sen tulos kannattaa verrata otokseen ihmisen tekemiä arvioita.

Vastavirta-algoritmiMallit

Tapa selvittää, kuinka paljon kukin mallin lukuarvo vaikutti virheeseen.

Backpropagation kulkee verkon läpi takaperin ja jakaa vastuun virheestä jokaiselle painolle. Vasta sen jälkeen tiedetään, mihin suuntaan kutakin painoa kannattaa siirtää. Tämä on koko neuroverkkojen opettamisen ydin.

VektoritietokantaData

Järjestelmä embeddingien tallentamiseen ja samankaltaisuushakuun.

Vastaa kysymykseen ”mitkä dokumentit muistuttavat tätä kysymystä”. Tarvitsee rinnalleen käyttöoikeuksien hallinnan, muuten haku palauttaa asioita, joita käyttäjä ei saisi nähdä.

Vibe-koodausSovellukset

Koodin tuottamista kielimallilla niin, ettei syntynyttä koodia lueta läpi.

Andrej Karpathyn helmikuussa 2025 käyttöön ottama termi. Erottava tekijä ei ole se, että malli kirjoittaa koodin, vaan se, ettei koodia merkityksellisesti katselmoida: tulos hyväksytään sen perusteella, miltä se näyttää käytössä. Ohjelmoija Simon Willison rajasi termin maaliskuussa 2025 näin: vibe-koodaus on ohjelmiston rakentamista kielimallilla katselmoimatta koodia, jonka se kirjoittaa. Termin käyttö on sittemmin laajentunut kattamaan monenlaista työtapaa.

Vinouma (bias)Sääntely ja vastuu

Malli toistaa aineistossaan olevat järjestelmälliset erot ja siirtää ne päätöksiin.

Arkaluontoisen kentän poistaminen ei riitä, koska tieto vuotaa sijaiskenttien kautta: postinumero, oppilaitos, harrastukset ja työhistorian katkot. Perusmittari on lopputulosten vertailu ryhmittäin. Sen rinnalla käytetään aineiston tasapainotusta, mallin sovitusta ja päätöskynnysten tarkastelua, eikä yksikään näistä yksin riitä.

Yleiskäyttöinen malli (GPAI)Sääntely ja vastuu

Malli, joka soveltuu moneen tehtävään ja jonka päälle muut rakentavat omat sovelluksensa.

Sääntelyn termi sille, mitä arjessa sanotaan perusmalliksi. Velvoitteet koskevat mallin tarjoajaa ja ovat olleet voimassa elokuusta 2025: tekninen dokumentaatio, tiivistelmä opetusaineistosta ja linjaus tekijänoikeuksien noudattamisesta.

YlisovittaminenData

Malli opettelee esimerkit ulkoa sen sijaan, että oppisi asian.

Ylisovittanut malli vastaa täydellisesti kaikkeen, mitä se on nähnyt, ja surkeasti kaikkeen muuhun. Sama ilmiö kuin opiskelijalla, joka pänttäsi vanhat tenttikysymykset. Siksi mallin yleistymistä ei pidä arvioida pelkällä opetusaineistolla.