Terms Hub

AI governance — управленческий контур вокруг AI: распределение ответственности, допустимые сценарии, контроль рисков, мониторинг, документирование и правила изменения или остановки системы. Он связывает технические решения с владельцами процесса и требованиями организации, а не сводится к одному документу с политикой.

AI shopping — практический контекст, в котором AI-ассистенты или shopping-системы находят, сравнивают и представляют товары на основе доступных продуктовых данных. Для такого канала особенно важны стабильные идентификаторы, корректные атрибуты, варианты и согласованная структура каталога.

AI-агент — программная система, которая не ограничивается одним ответом модели: она получает цель, интерпретирует контекст, выбирает действия и при необходимости обращается к инструментам, API или другим системам. Уровень автономности агента определяется тем, какие действия ему разрешены и где требуется контроль человека.

API (Application Programming Interface) — формализованный способ взаимодействия между программными системами. Он определяет доступные операции, формат входных и выходных данных, правила авторизации и ошибки, которые вызывающая система должна корректно обработать.

Backoff управляет интервалами между retry: вместо немедленных одинаковых повторов клиент увеличивает задержку, часто добавляя случайный jitter. Это снижает вероятность синхронного шторма повторов и уменьшает давление на сервис, который уже испытывает сбой или перегрузку.

Circuit breaker отслеживает ошибки внешнего сервиса и при достижении заданного условия переводит вызовы в открытое состояние: новые запросы быстро отклоняются или идут по fallback вместо продолжения неуспешных обращений. После паузы система проверяет, восстановилась ли зависимость, и может вернуть обычный режим.

DLQ (dead-letter queue) принимает сообщения, которые исчерпали допустимые попытки обработки или были отклонены по правилам очереди. Это позволяет не блокировать основной поток и отдельно разбирать проблемные сообщения, сохраняя контекст для диагностики и повторной обработки.

Evals — набор воспроизводимых оценок, которые проверяют поведение модели или агента на определённых задачах. Они помогают сравнивать версии, находить регрессии и измерять качество по критериям, которые важны для конкретного продукта или процесса, а не только по общему впечатлению от ответов.

GTIN (Global Trade Item Number) используется для однозначной идентификации торговых единиц по правилам GS1. В отличие от внутреннего SKU, GTIN предназначен для согласованной идентификации товара между организациями и каналами, если конкретной торговой единице такой номер присвоен.

IDP (Intelligent Document Processing) относится к системам, которые обрабатывают документы не только как изображение текста, но и как структурированный бизнес-объект. Типичный контур включает OCR, определение типа документа, извлечение полей и таблиц, валидацию и передачу результата в следующую систему.

Idempotency key связывает несколько повторных отправок одной логической операции с одним результатом. Если клиент не получил ответ и повторил запрос, сервер может определить, что операция уже выполнялась, и не создавать дубль платежа, сделки или другого внешнего изменения.

Judge в контексте AI-evaluation — роль оценщика: это может быть человек или программный оцениватель, который сравнивает результат с заданными критериями. Важно отделять сам критерий от механизма оценки и регулярно проверять, насколько решения judge совпадают с целевым человеческим стандартом.

LLM (Large Language Model) — класс больших языковых моделей, которые по контексту предсказывают продолжение последовательности и благодаря этому могут генерировать, анализировать и преобразовывать текст. В бизнес-системах LLM обычно является одним из компонентов, а не всей автоматизацией целиком.

LLM observability — применение практик наблюдаемости к приложениям с языковыми моделями. Она связывает запросы, ответы, tool calls, трассировки и эксплуатационные метрики, чтобы команда могла понять путь конкретного запроса и диагностировать сбои, а не видеть только итоговый текст.

LLM routing — слой маршрутизации, который отправляет разные запросы подходящим моделям вместо жёсткой привязки ко одной. Маршрут может определяться правилами или отдельным router-компонентом и учитывать качество, доступность, задержку, стоимость, тип задачи и требования к данным.

MCP (Model Context Protocol) задаёт общий протокол обмена между AI-приложением и внешними серверами контекста или инструментов. Он стандартизирует обнаружение возможностей и передачу данных, но не отменяет прикладные правила авторизации, валидации и контроля действий.

OCR (Optical Character Recognition) преобразует изображение документа в машинно-читаемый текст и координаты элементов. Это базовый слой распознавания: понимание структуры документа, полей, таблиц и бизнес-смысла может потребовать дополнительных моделей и правил поверх OCR.

Prompt injection возникает, когда модель воспринимает недоверенный текст как инструкцию и из-за этого меняет предусмотренное поведение. Инъекция может быть прямой или приходить косвенно из документов, веб-страниц и других данных, поэтому защита строится не только фильтрацией текста, но и ограничением прав, инструментов и последствий действий.

RAG (Retrieval-Augmented Generation) дополняет генеративную модель этапом поиска: перед ответом система извлекает релевантные фрагменты из базы знаний, поискового индекса или другого источника. Это позволяет строить ответы на актуальном корпоративном контексте без переобучения модели на каждом изменении данных.

Retry — контролируемый повтор операции после ошибки, которая может быть временной. Повторы должны иметь предел, различать повторяемые и неповторяемые ошибки и обычно сочетаться с backoff и идемпотентностью, иначе они способны усилить перегрузку или создать дублирующие действия.

SKU (Stock Keeping Unit) — внутренний код товарной позиции в конкретной учётной или торговой системе. Он помогает различать варианты и управлять остатками, но не является глобальным идентификатором товара: один и тот же продукт у разных продавцов может иметь разные SKU.

Shadow AI описывает ситуации, когда сотрудники самостоятельно применяют AI-сервисы для рабочих задач, а организация не знает, какие данные туда передаются и какие решения зависят от этих инструментов. Практическая задача governance — не только запретить риск, но и дать безопасный официальный маршрут для полезных сценариев.

Tool call — структурированное намерение модели использовать доступный инструмент: например, получить запись из CRM, отправить запрос к API или запустить вычисление. Само решение модели вызвать инструмент не должно автоматически считаться разрешением на опасное внешнее действие: прикладной слой обязан проверять права, аргументы и последствия.

Vendor lock-in возникает, когда ключевые процессы, данные, API или поведение приложения слишком тесно связаны с одним поставщиком. В AI-системах риск может проявляться в несовместимых форматах вызовов, специфичных функциях моделей, оценках и эксплуатационной логике, которые сложно перенести без переработки.

Vision LLM — языковая модель с визуальным входом, способная анализировать изображения или страницы документов вместе с текстовым контекстом. В документных процессах она может дополнять OCR и специализированное извлечение, но результат всё равно требует проверки там, где ошибка меняет финансовые, юридические или учётные данные.

Webhook — событийный способ интеграции: источник вызывает заранее зарегистрированный HTTP endpoint получателя и передаёт payload события. Надёжная обработка webhook обычно требует проверки подлинности, идемпотентности, повторных попыток и явного поведения при ошибках.

Автоматический judge выполняет часть evaluation-процесса без ручной оценки каждого примера. В этой роли может использоваться другая модель, правило или специализированный evaluator. Его собственное качество необходимо калибровать и проверять на человеческом эталоне, потому что автоматическая оценка тоже может ошибаться или систематически смещаться.

Калибровка разметчиков — рабочий процесс, в котором участники применяют одну инструкцию к общему набору примеров, сравнивают расхождения и уточняют критерии. Цель — уменьшить неоднозначность оценивания и сделать человеческий эталон более воспроизводимым перед использованием в evals или обучающих данных.

Разметчик — участник процесса оценки данных или результатов модели. Он следует инструкции и фиксирует метки, классы, предпочтения или оценки, которые затем используются как эталон, обучающий сигнал или материал для evals. Качество разметки зависит не только от человека, но и от ясности критериев и калибровки команды.

Регрессионный тест повторно проверяет ранее ожидаемое поведение после изменения модели, промпта, инструментов, данных или кода. В AI-системах такие тесты особенно полезны как постоянный набор сценариев, позволяющий заметить ухудшение качества до выпуска новой версии.

Товарная taxonomy задаёт структуру категорий и подкатегорий, к которым относится товар. Она нужна для навигации, правил атрибутов, поиска и передачи каталога во внешние каналы. Внутренняя taxonomy магазина и классификация конкретной площадки могут различаться, поэтому между ними часто требуется mapping.