Мир искусственного интеллекта меняет лексикон дизайнера быстрее, чем мы успеваем обновлять свои гайды по стилям. Термины, которые ещё вчера означали одно, сегодня приобретают совершенно иной, технологический смысл.
Возьмём, к примеру, слово «prompt». Для UX-дизайнера это подсказка в интерфейсе, для AI-инженера — инструкция для нейросети. А «latent space»? Это не про скрытые вкладки браузера, а про многомерное пространство признаков, где живут все возможные изображения.
В этой статье мы разберём ключевые термины из новой реальности, опираясь на недавний материал Salesforce The Designer’s AI Glossary. Вы узнаете, как старые слова обрели новые значения и как использовать этот словарь для эффективной работы с генеративными моделями.
1. Prompt: от интерфейсной подсказки к инженерному искусству
Раньше «prompt» означал всплывающую подсказку или поле ввода, которое направляет пользователя. Теперь это — главный инструмент взаимодействия с AI.
Новое значение: последовательность токенов (слов, символов, чисел), которая задаёт поведение генеративной модели.
Практический совет:
Плохой prompt: «Нарисуй кота».
Хороший prompt: «Кот породы мейн-кун, сидит на подоконнике, мягкий вечерний свет, стиль — фотореализм, 8K, глубина резкости f/1.8».
Почему это важно? Потому что модель не «понимает» смысла — она вычисляет вероятности следующего токена. Чем точнее ваш запрос, тем выше вероятность получить нужный результат.
2. Latent Space: не скрытая папка, а математическая вселенная
Для дизайнера «latent» — это что-то скрытое, неочевидное. Для AI-специалиста «latent space» — это многомерное векторное пространство, в котором модель «представляет» все возможные данные.
Аналогия: представьте себе трёхмерный куб, где каждая точка — это возможное изображение. Перемещаясь по этому кубу, вы можете плавно превращать кота в собаку, а фото в рисунок.
Как это использовать:
- Интерполяция: плавный переход между двумя изображениями.
- Стилизация: нахождение точки, соответствующей стилю Ван Гога, и применение её к любому контенту.
3. Embedding: не встраивание кода, а числовое представление смысла
Раньше «embedding» означало встраивание видео или скрипта на страницу. Теперь это — способ превратить текст, изображение или звук в вектор чисел.
Техническая деталь:
Embedding — это массив чисел фиксированной длины (например, 768 или 1536 чисел). Каждый вектор описывает «смысл» объекта. Чем ближе векторы друг к другу в многомерном пространстве, тем более похожи объекты по смыслу.
Пример кода на Python (для понимания):
import openai
response = openai.Embedding.create(
model="text-embedding-3-small",
input="Дизайн интерфейса"
)
embedding_vector = response['data'][0]['embedding']
print(f"Длина вектора: {len(embedding_vector)}") # 1536
Этот вектор можно использовать для поиска похожих концепций, кластеризации или классификации.
4. Tokenization: не токенизация в криптовалюте, а разбивка на атомарные единицы
Для финансиста «token» — это цифровой актив. Для лингвиста AI — это минимальная единица текста, которую «видит» модель.
Важно:
Один токен — это не обязательно одно слово. В английском «design» — 1 токен, «designer» — 2 токена (design + er). В русском языке токенизация сложнее, потому что слова длиннее.
Практический совет:
Перед отправкой запроса в модель считайте количество токенов. Многие модели ограничены (например, 4096 токенов). Используйте библиотеку tiktoken для точного подсчёта.
import tiktoken
enc = tiktoken.get_encoding("cl100k_base")
tokens = enc.encode("Привет, мир!")
print(len(tokens)) # может быть 4-6 токенов
5. Fine-tuning: не точная настройка, а дообучение на своих данных
Раньше «fine-tuning» означало подгонку параметров вручную. Теперь это — процесс дополнительного обучения предобученной модели на небольшом наборе данных.
Когда это нужно:
- Когда базовая модель не понимает вашу терминологию (например, медицинские термины).
- Когда нужно, чтобы модель генерировала контент в строго определённом стиле.
Когда НЕ нужно:
- Если достаточно хорошо составленного prompt'а.
- Если у вас меньше 100-200 качественных примеров.
6. Hallucination: не галлюцинация человека, а ошибка генерации
Для психолога галлюцинация — это восприятие несуществующего. Для AI — это генерация фактов, которые выглядят правдоподобно, но не соответствуют действительности.
Пример:
Модель может «уверенно» сообщить, что «Самый высокий водопад в мире находится в Нидерландах» — хотя это не так.
Как бороться:
- Используйте Retrieval-Augmented Generation (RAG): подгружайте в запрос актуальные данные из вашей базы.
- Указывайте модели: «Если не знаешь точного ответа, скажи 'я не знаю'».
- Всегда проверяйте факты, особенно в медицинских и юридических контекстах.
7. Multimodal: не мультимедиа, а работа с разными типами данных
Раньше «multimodal» — это просто несколько медиаформатов на странице. Теперь — это способность модели одновременно обрабатывать текст, изображения, аудио и видео.
Пример:
Вы показываете модели фото стула и пишете: «Сделай его в стиле ар-деко». Модель анализирует и изображение, и текст, и выдаёт новый вариант.
Таблица сравнения:
| Термин | Старое значение | Новое значение |
|---|---|---|
| Prompt | Подсказка в UI | Инструкция для модели |
| Latent Space | Скрытая область | Многомерное пространство признаков |
| Embedding | Встраивание контента | Векторное представление смысла |
| Token | Криптовалюта | Минимальная единица текста |
| Fine-tuning | Ручная настройка | Дообучение модели |
| Hallucination | Психологический феномен | Ошибка генерации AI |
| Multimodal | Мультимедиа | Обработка разных типов данных |
8. Как применять этот словарь на практике: пошаговый гайд
Шаг 1. Определите задачу
Запишите, что вы хотите получить от AI: текст, изображение, код или анализ данных.
Шаг 2. Выберите модель
- Для текста: GPT-4o, Claude 3.5, Gemini 2.0.
- Для изображений: DALL-E 3, Midjourney 6.1, Stable Diffusion 3.
- Для поиска: модели с embeddings (text-embedding-3-small).
Шаг 3. Составьте prompt
Используйте структуру:
- Контекст: «Ты — дизайнер интерфейсов с 10-летним опытом».
- Задача: «Создай описание лендинга для IT-продукта».
- Формат: «Ответ должен быть в виде маркированного списка из 5 пунктов».
- Ограничения: «Не используй технический жаргон».
Шаг 4. Проверьте на галлюцинации
Если модель утверждает факты — перепроверьте их. Используйте RAG-пайплайн для подгрузки актуальных данных.
Шаг 5. Итеративно улучшайте
Пробуйте разные формулировки, добавляйте примеры, меняйте температуру (параметр случайности).
9. Инструменты для работы с AI-словарём
Вот несколько сервисов, которые помогут вам освоить новые термины на практике:
- OpenAI API — для работы с embeddings, completions и fine-tuning.
- LangChain — фреймворк для построения цепочек вызовов моделей.
- Hugging Face — библиотека моделей с открытым исходным кодом.
- Weights & Biases — для отслеживания экспериментов.
ASI Biont поддерживает подключение к OpenAI API через API — подробнее на asibiont.com.
Заключение
Язык дизайнера и язык AI-инженера всё больше пересекаются. Понимание новых значений старых слов — это не просто знание терминологии, а ключ к эффективной работе с генеративными моделями.
Начните с малого: замените в своём лексиконе «ввод текста» на «составление prompt'а», а «поиск похожих картинок» на «поиск в latent space». Через месяц вы заметите, как изменилось качество ваших запросов и результатов.
Помните: AI — это не магия, а математика. И теперь у вас есть словарь, чтобы говорить с ней на одном языке.
Комментарии