Prompt engineering

Tree shaking je technika eliminace mrtvého kódu používaná moderními bundlery jako Webpack, Rollup a esbuild k odstranění nepoužitých exportů z výsledného JavaScriptového bundlu. Spoléhá na statickou strukturu syntaxe ES modulů `import`/`export` k určení, který kód je skutečně referencován, a bezpečně odstraní zbytek. Pro efektivní tree shaking musí knihovny používat formát ESM a vyhnout se vedlejším efektům při inicializaci modulu, proto je důležité pole `sideEffects` v `package.json`.

Transformer je architektura neuronové sítě představená v článku „Attention Is All You Need" z roku 2017, která zásadně změnila zpracování přirozeného jazyka. Na rozdíl od rekurentních sítí zpracovává transformery celé sekvence paralelně pomocí mechanismu self-attention, což umožňuje efektivně zachytit závislosti na velké vzdálenosti. Prakticky všechny moderní LLM, včetně GPT a Claude, jsou postaveny na architektuře transformer.

Vektorová databáze je specializovaná databáze optimalizovaná pro ukládání, indexování a dotazování vícerozměrných vektorových embeddingů. Umožňuje rychlé vyhledávání podobnosti, které je klíčové pro RAG systémy, doporučovací enginy a sémantické vyhledávání. Mezi populární vektorové databáze patří Pinecone, Weaviate, Qdrant a pgvector pro PostgreSQL.

Chain of Thought (CoT) je technika promptování, která vybízí LLM k rozložení složitého uvažování na mezikroky před dosažením konečné odpovědi. Explicitním uvažováním přes jednotlivé kroky modely dosahují výrazně lepší přesnosti u matematických, logických a vícekrokových problémů. Rozšířené myšlení a „thinking" tokeny u modelů jako Claude představují zabudovanou formu chain-of-thought uvažování.

Idempotence znamená, že provedení stejné operace vícekrát přinese stejný výsledek jako její jednorázové provedení. Tato vlastnost je zásadní v automatizacích a distribuovaných systémech, kde síťové chyby nebo retrye mohou způsobit vícenásobné odeslání požadavku. API, zpracování plateb a nasazovací skripty by měly být navrženy jako idempotentní, aby byly opakované pokusy bezpečné a nevytvářely duplicitní vedlejší efekty.

Počítačové vidění je oblast AI, která trénuje stroje k interpretaci a porozumění vizuálním informacím z obrázků a videí. Aplikace zahrnují detekci objektů, rozpoznávání obličejů, autonomní řízení a analýzu medicínských snímků. Moderní počítačové vidění využívá modely hlubokého učení jako CNN a vision transformery (ViT) a stále více se integruje s jazykovými modely v multimodálních AI systémech.