Терминологията на изкуствения интелект: От изкуствен интелект до ChatGPT

Plamen Miltenoff

Podcast

Подкаст

Artificial intelligence has become part of everyday university life. Students use ChatGPT to summarize articles. Faculty use Claude to prepare teaching materials. Researchers rely on AI to organize literature, analyze data, and write code.
At the same time, many conversations use the terms AI, machine learning, GPT, and ChatGPT as if they mean the same thing. They do not.
The infographic above offers a useful way to understand how these concepts fit together. Think of them as nested layers, where each layer represents a more specific part of the one above it.

Artificial Intelligence (AI)
Artificial Intelligence is the broadest concept.
AI refers to computer systems that perform tasks that normally require human intelligence, such as recognizing patterns, making predictions, solving problems, or understanding language.
Not every AI system generates text. Some recommend products, detect fraudulent transactions, optimize logistics, or forecast demand.

At the University of Economics, examples include:
* predicting customer purchasing behavior
* detecting unusual banking transactions
* forecasting product demand
* optimizing supply chains

AI is the field. ChatGPT is only one application within that field.

Machine Learning (ML)
Machine learning is one branch of AI.
Instead of following fixed rules programmed by developers, machine learning systems learn patterns from data.

Imagine giving a computer ten years of sales data. Rather than telling it exactly how sales change over time, the system identifies relationships on its own and uses them to predict future demand.

Business applications include:

* credit scoring
* sales forecasting
* customer segmentation
* fraud detection

The quality of the predictions depends heavily on the quality of the data.

Neural Networks
Neural networks are one type of machine learning model.

They are inspired by the way neurons connect in the human brain, although they are much simpler mathematically.

Neural networks are especially good at recognizing complex patterns that traditional statistical models struggle to identify.

Examples include:

* recognizing handwriting
* identifying products in photographs
* classifying customer reviews as positive or negative

Deep Learning
Deep learning is a specialized form of neural networks.
The word “deep” refers to many layers of interconnected neurons that allow the system to learn increasingly complex patterns.

Deep learning powers many familiar technologies:

* speech recognition
* image recognition
* language translation
* autonomous vehicles

These models usually require much larger datasets and substantially more computing power than traditional machine learning.

Transformers
Transformers are the architecture behind today’s most powerful language models.
Introduced by Google researchers in the landmark 2017 paper *Attention Is All You Need*, transformers changed AI by allowing models to process language much more efficiently and understand relationships across an entire text instead of one word at a time. ([arXiv][1])

Without transformers, tools such as ChatGPT, Claude, Gemini, and many other modern AI systems would not exist.

Generative AI
Generative AI refers to systems that create new content.
Instead of only classifying or predicting information, these models generate:

* text
* images
* presentations
* computer code
* audio
* video

For university teaching and research, generative AI can help produce a first draft of a lesson plan, summarize a research article, generate Python or R code for data analysis, or create visualizations.

One important reminder remains.

Generative AI predicts likely outputs. It does not guarantee factual accuracy. Every result requires human review.

Large Language Models (LLMs)
Large Language Models are a category of generative AI designed specifically for language.
They are trained on enormous collections of books, articles, websites, and other text to learn patterns in human language.

LLMs can:

* answer questions
* summarize documents
* explain concepts
* translate languages
* assist with programming
* help draft reports

For researchers, they can organize literature reviews, extract themes across dozens of papers, and suggest improvements to academic writing. They should support scholarly work, not replace critical thinking.

GPT
GPT stands for Generative Pre-trained Transformer.
It is a family of language models developed by OpenAI.

The name describes the technology:

* Generative, because it creates new content.
* Pre-trained, because it learns from massive amounts of text before interacting with users.
* Transformer, because it uses the transformer architecture introduced in 2017. ([arXiv][1])

GPT is the model, not the application.

ChatGPT
ChatGPT is the application that people interact with.
When you open ChatGPT, you are using an interface built around GPT models. Likewise, Claude is an application built around Anthropic’s Claude models, while Gemini is Google’s AI assistant built around Gemini models.

This distinction is important because many people say, “I used GPT,” when they actually used ChatGPT.

Why Does This Matter?
Understanding the terminology helps faculty and students make better decisions about AI.
Suppose an instructor says, “Use AI for your assignment.”

Students immediately ask:

* Which AI?
* ChatGPT?
* Claude?
* Copilot?
* Perplexity?
* Gemini?

Each tool has different strengths because they are built on different models and are designed for different tasks.

Similarly, researchers often say they need “AI,” when what they really need is a machine learning model for prediction, a large language model for text analysis, or a generative AI system for drafting documents.

Precise language leads to better tool selection and better outcomes.

As AI becomes part of teaching, learning, and research at the University of Economics, Varna, understanding these basic concepts is becoming an element of AI literacy. Before learning prompt engineering or AI agents, it helps to know what sits underneath the chatbot window.

The next time you open ChatGPT or Claude, remember that you are using the visible tip of a much larger technological stack that begins with artificial intelligence and extends through machine learning, neural networks, deep learning, transformers, and large language models. The better you understand that stack, the more confidently you can choose the right tool for teaching, research, and professional practice.

Image adapted from the AI Terminology infographic by AI For Leaders.

https://www.linkedin.com/posts/juliadanyal_everyone-is-arguing-over-chatgpt-and-claude-share-7477073049004011520-kyhX/

Изкуственият интелект вече е част от ежедневието в университетите. Студентите използват ChatGPT за резюмиране на статии. Преподавателите използват Claude за подготовка на учебни материали. Изследователите разчитат на AI за организиране на литература, анализ на данни и писане на програмен код.
В същото време много разговори използват понятия като AI, машинно обучение, GPT и ChatGPT като взаимозаменяеми. Това обаче не е правилно.
Инфографиката по-горе предлага лесен начин да разберем как тези понятия са свързани помежду си. Представете си ги като вложени едно в друго нива, при които всяко следващо понятие е по-специализиран елемент от предходното.

Изкуствен интелект (Artificial Intelligence, AI)
Изкуственият интелект е най-широкото понятие.
Той обхваща компютърни системи, които изпълняват задачи, изискващи човешки интелект, като разпознаване на модели, прогнозиране, вземане на решения, решаване на проблеми или разбиране на естествен език.
Не всяка AI система генерира текст. Някои препоръчват продукти, откриват измами при финансови операции, оптимизират логистични процеси или прогнозират търсенето.
В Университета по икономика подобни приложения могат да бъдат:
прогнозиране на потребителското поведение;
откриване на необичайни банкови транзакции;
прогнозиране на продажби;
оптимизиране на веригите за доставки.
AI е научната област. ChatGPT е само едно приложение в нея.

Машинно обучение (Machine Learning, ML)
Машинното обучение е направление в изкуствения интелект.
Вместо да следва предварително зададени правила, системата се обучава чрез анализ на данни и открива закономерности самостоятелно.
Представете си, че предоставите на компютър десет години данни за продажби. Вместо да му зададете формула, той сам открива връзките между факторите и прогнозира бъдещите продажби.
Типични приложения са:
кредитно оценяване;
прогнозиране на продажби;
сегментиране на клиенти;
откриване на измами.
Качеството на резултатите зависи пряко от качеството на наличните данни.

Невронни мрежи (Neural Networks)
Невронните мрежи представляват един от методите в машинното обучение.
Те са вдъхновени от начина, по който са организирани невроните в човешкия мозък, макар математически да са значително по-опростени.
Невронните мрежи са особено ефективни при откриване на сложни зависимости, които класическите статистически модели трудно разпознават.
Примери за приложения:
разпознаване на ръкописен текст;
разпознаване на изображения;
класифициране на клиентски отзиви като положителни или отрицателни.

Дълбоко обучение (Deep Learning)
Дълбокото обучение е специализиран вид невронни мрежи.
Терминът „дълбоко” означава, че моделът съдържа много слоеве от неврони, което му позволява да разпознава все по-сложни закономерности.
Дълбокото обучение стои зад технологии като:
разпознаване на реч;
разпознаване на изображения;
машинен превод;
автономни автомобили.
Тези модели обикновено изискват значително повече данни и изчислителна мощност от традиционните модели за машинно обучение.

Трансформъри (Transformers)
Трансформърите представляват архитектурата, върху която са изградени повечето съвременни езикови модели.
Тя е представена от изследователи на Google през 2017 г. в статията Attention Is All You Need. Именно тази архитектура позволява моделите да разбират контекста на целия текст, вместо да обработват думите една по една.
Без трансформърите инструменти като ChatGPT, Claude, Gemini и много други съвременни AI системи не биха били възможни.

Генеративен изкуствен интелект (Generative AI)
Генеративният AI създава ново съдържание.
Вместо само да класифицира или прогнозира, той може да генерира:
текст;
изображения;
презентации;
програмен код;
аудио;
видео.
В преподаването и научните изследвания генеративният AI може да подпомага създаването на първи вариант на лекция, резюмиране на научна статия, генериране на Python или R код за анализ на данни или подготовка на визуализации.
Важно е да се помни едно.
Генеративният AI предсказва най-вероятния отговор. Това не означава, че съдържанието винаги е вярно. Всеки резултат трябва да бъде проверен.

Големи езикови модели (Large Language Models, LLMs)
Големите езикови модели са вид генеративен AI, предназначен за работа с естествен език.
Те се обучават върху огромни масиви от книги, научни публикации, уеб страници и други текстове.
LLM могат да:
отговарят на въпроси;
резюмират документи;
обясняват сложни понятия;
превеждат текстове;
подпомагат програмирането;
създават първи варианти на доклади и статии.
За изследователите те могат да подпомогнат организирането на литературни обзори, извличането на теми от множество публикации и подобряването на академичното писане. Те обаче не заместват критичното мислене и научната преценка.

GPT
GPT означава Generative Pre-trained Transformer.
Това е семейство езикови модели, разработено от OpenAI.
Името описва технологията:
Generative, защото генерира ново съдържание.
Pre-trained, защото предварително се обучава върху огромни масиви от текст.
Transformer, защото използва архитектурата Transformer, представена през 2017 г.
GPT е моделът, а не приложението.

ChatGPT
ChatGPT е приложението, с което потребителите работят.
Когато използвате ChatGPT, вие взаимодействате с интерфейс, който използва GPT моделите. По същия начин Claude използва моделите Claude на Anthropic, а Gemini използва моделите Gemini на Google.
Това разграничение е важно, защото често казваме „използвах GPT”, когато всъщност сме използвали ChatGPT.

Защо това е важно?
Разбирането на тези понятия помага на преподавателите, студентите и изследователите да избират подходящите AI инструменти.
Например преподавател може да каже:
„Използвайте AI за тази задача.”
Следващият въпрос на студентите почти винаги е:
Кой AI?
ChatGPT?
Claude?
Copilot?
Gemini?
Perplexity?
Всеки от тези инструменти има различни възможности, защото е изграден върху различни модели и е предназначен за различни задачи.
По същия начин изследователите често казват, че им е необходим „изкуствен интелект”, когато всъщност им трябва модел за машинно обучение за прогнозиране, голям езиков модел за анализ на текстове или генеративен AI за създаване на първи вариант на научен документ.
Точната терминология води до по-добър избор на инструменти и по-добри резултати.
С навлизането на AI в преподаването, обучението и научните изследвания в Икономически университет, Варна, разбирането на тези основни понятия се превръща в част от AI грамотността. Преди да говорим за промпт инженерство, AI агенти или AI подпомогнати изследвания, е полезно да разберем какво стои зад прозореца на един чатбот.
Следващия път, когато използвате ChatGPT или Claude, помнете, че виждате само най-видимата част от една много по-голяма технологична екосистема, която започва с изкуствения интелект и преминава през машинното обучение, невронните мрежи, дълбокото обучение, трансформърите и големите езикови модели. Колкото по-добре разбирате тази структура, толкова по-уверено ще можете да избирате подходящите AI инструменти за обучение, преподаване и научни изследвания.
Изображението е адаптирано по инфографиката AI Terminology на AI For Leaders.