Agentic Loop
Итеративен цикъл, при който AI агент наблюдава, планира, действа и отразява, докато не изпълни цел или достигне условие за спиране.
Отворете Енциклопедия
Речникът наAI
Основната техническа терминология е обяснена на най-високо ниво на яснота. Предназначен за изследователи, студенти и ориентирано към човека образование.
213условияA–ZТърсене + азбучен филтър100%Дефиниции на обикновен език
A10 условия
AGI (общ изкуствен интелект)
Хипотетична AI система, която може да изпълнява повечето интелектуални задачи на човешко ниво в много области.
AI агент
Софтуерна система, която може да наблюдава, разсъждава и предприема действия за постигане на цел, често използвайки инструменти и памет.
AI Безопасност
Област, фокусирана върху намаляването на вредното поведение, отказите и рисковете от злоупотреба в системите с изкуствен интелект.
AI на устройството
AI извод, извършен локално на потребителски хардуер, а не в отдалечена облачна услуга.
AI подравняване
Работата по карането на AI системите да се държат според човешките намерения, ценности и ограничения за безопасност.
AI управление
Политики, стандарти и механизми за надзор, които ръководят как AI се разработва и използва в обществото.
ALiBi
Метод на позиционно отклонение, който наказва оценките за внимание въз основа на символично разстояние, като помага на моделите да екстраполират към по-дълги контексти.
ANN (приблизително най-близък съсед)
Алгоритми, които намират вектори, близки до заявка, без изчерпателно сравнение, разменяйки точност за скорост.
API (интерфейс за програмиране на приложения)
Структуриран начин за една софтуерна система да изпраща заявки до и да получава отговори от друга система.
B1 условия
BPE (кодиране на двойки байтове)
Алгоритъм за токенизиране на поддуми, който обединява най-честите двойки знаци в токени за многократна употреба.
D2 условия
Data Lineage
Запис на това откъде идват данните, как са били трансформирани и къде се използват.
DPO (директна оптимизация на предпочитанията)
Метод на обучение, който прецизира моделите директно върху двойки предпочитания, без да е необходим отделен модел на възнаграждение.
G2 условия
GAN (Generative Adversarial Network)
Генеративна настройка, при която генератор и дискриминатор се тренират един срещу друг.
GSM8K
Еталон на текстови задачи по математика в началното училище, използвани за оценка на разсъждение стъпка по стъпка в езикови модели.
H2 условия
K1 условия
KV Кеш
Съхранени тензори на ключове и стойности от предишни токени, които позволяват на трансформаторите да генерират нови токени, без да преизчисляват миналото внимание.
L2 условия
LLM-като съдия
Използване на езиков модел за оценяване или сравняване на резултати от други модели по време на оценка.
LoRA (адаптация от нисък ранг)
Параметрично ефективен метод за фина настройка, който добавя адаптерни матрици с нисък ранг.
M2 условия
MCP (моделен контекстен протокол)
Отворен протокол, който позволява на AI приложенията да се свързват с външни инструменти, източници на данни и доставчици на контекст по стандартен начин.
MMLU
Бенчмарк тестване на езикови модели в 57 академични и професионални предмета с помощта на въпроси с множествен избор.
O1 условия
OCR (оптично разпознаване на символи)
Технология, която преобразува текст в изображения или сканиране в машинно четим текст.
P3 условия
Pass@k
Показател за оценка на кода, измерващ шанса поне една от k генерирани проби да премине тестовете.
Perplexity
Показател на езиков модел, измерващ колко изненадан е моделът от истинските следващи токени.
Prompt Engineering
Проектиране на подкани за подобряване на качеството на изхода, надеждността и контролируемостта.
Q1 условия
QLoRA
Техника за фина настройка, която комбинира 4-битово квантуване на теглото с LoRA адаптери за намаляване на нуждите от памет.
R5 условия
RAG (генериране с допълнено извличане)
Метод, който извлича външно знание и го захранва за генериране по време на извод.
RAG-Fusion
Метод за извличане, който генерира множество варианти на заявка, извлича резултати за всяка и обединява класирането.
ReAct
Подканящ модел, който преплита стъпките на разсъждение с действията за използване на инструменти за по-надеждно решаване на задачи.
Red Teaming
Стрес тестване на AI система с противопоставящи се подкани за разкриване на неуспехи и рискове.
RoPE (ротационни позиционни вграждания)
Метод на позиционно кодиране, който завърта заявка и ключови вектори, за да кодира относителни позиции на токени.
S2 условия
SentencePiece
Езиково-агностичен токенизатор, който научава единици поддуми директно от необработен текст без предварително разделяне на интервали.
Shadow Deployment
Изпълнение на модел паралелно с производствения трафик, без да се засягат решенията, които са изправени пред потребителите.
T1 условия
Top-p (ядро) вземане на проби
Стратегия за декодиране, която взема проби от най-малкия набор от символи, чиято сума на вероятностите е p.
X1 условия
XAI (обясним AI)
Техники и практики за правене на AI прогнозите по-прозрачни и разбираеми.
Z1 условия
Zero-Shot обучение
Решаване на задачи без конкретни примери за задачи, като се разчита на предварителни общи познания.
А10 условия
Автономна система
Система, която може да взема решения и да действа с ограничен или никакъв пряк човешки контрол в реално време.
Агентски работен процес
Многоетапен процес, при който AI система планира, изпълнява, проверява резултатите и итерира към целта.
Адаптиране на домейна
Методи, които прехвърлят модел, обучен в един домейн, за да се представя по-добре в друг домейн.
Алгоритмична прозрачност
Колко ясно са документирани и разбираеми логиката на една AI система, източниците на данни и ограниченията.
Алгоритмично отклонение
Систематична несправедливост в резултатите от модела, причинена от изкривени данни, предположения или избор на моделиране.
Алгоритъм
Дефиниран набор от правила или стъпки, които компютърът следва, за да разреши проблем или да изпълни задача.
Анализ на настроението
НЛП задача, която класифицира емоционалния тон или мнение в текста.
Анализатор на изхода
Логика, която валидира и преобразува изхода на модела в строго типизирани, машинно използваеми структури.
Анотация
Добавени от човека етикети или метаданни, използвани за обучение или оценка на модели за машинно обучение.
Ансамбъл
Комбиниране на прогнози от множество модели за подобряване на устойчивостта или точността.
Б7 условия
База знания
Подбрана колекция от документи или записи, използвани за извличане, автоматизация на поддръжката или заземяване на отговори.
Базов модел
Прост референтен модел, използван за сравнение дали по-сложните подходи наистина подобряват резултатите.
Безопасен калъф
Структуриран аргумент, подкрепен от доказателства, че една AI система е безопасна за определен контекст на употреба.
Бенчмарк
Стандартизиран тест или набор от данни, използвани за измерване и сравняване на ефективността на модела.
Би-енкодер
Модел, който кодира заявки и документи в отделни вектори, така че да могат да се сравняват бързо в мащаб.
Бързо инжектиране
Модел на атака, при който злонамерени инструкции се вмъкват във входове на модела или извлечено съдържание.
Бягство от затвора
Бърза техника, предназначена да заобиколи ограниченията за безопасност на модела.
В8 условия
Вграждане
Числово векторно представяне, което улавя семантичното значение на текст, изображения или други данни.
Вграждане на думи
Плътно векторно представяне на думи, улавящи семантични връзки.
Векторна база данни
База данни, оптимизирана за съхраняване и заявки за високоразмерни вектори за вграждане.
Верига на мисълта
Стил на разсъждение, при който AI модел разлага проблем на междинни стъпки.
Вземане на проби от Top-k
Стратегия за декодиране, която взема проби само от k най-вероятните следващи токена.
Визуално-езиков модел (VLM)
Мултимодален модел, който съвместно обработва визуална и текстова информация.
Внимание с няколко глави
Трансформиращ механизъм, който изпълнява няколко операции на вниманието паралелно, за да улови различни типове взаимоотношения.
Воден знак
Вграждане на откриваем сигнал в генериран от AI текст или медия, така че по-късно да може да бъде идентифициран като машинно произведен.
Г7 условия
Генеративен ИИ
AI системи, които произвеждат ново съдържание като текст, изображения, аудио, видео или код.
Големи данни
Много големи и сложни набори от данни, които изискват мащабируеми техники за съхранение и обработка.
Голям езиков модел (LLM)
Езиков модел, обучен върху масивни текстови корпуси за генериране и анализиране на текст.
Градиент
Вектор, показващ колко трябва да се промени всеки параметър, за да се намалят загубите.
Градиентно спускане
Метод за оптимизация, който актуализира параметрите в посока, която намалява грешката.
Граница на решението
Повърхността в пространството на характеристиките, която разделя класовете, предвидени от класификатор.
Графика на знанието
Графична структура от обекти и връзки, използвани за разсъждение или извличане.
Д12 условия
Данък за привеждане в съответствие
Допълнителните разходи във времето, изчисленията или скоростта на продукта, необходими, за да направят системите по-безопасни и по-контролируеми.
Дестилация
Компресиране на знания от голям модел на учител в по-малък модел на ученик.
Дестилация на знания
Обучение на по-малък модел да имитира резултатите от по-голям модел.
Дестилиран модел
По-малък модел, обучен да имитира поведението на по-голям модел, като същевременно използва по-малко изчисления при извод.
Диференциална поверителност
Техника за поверителност, която добавя статистически шум, така че отделните записи не могат да бъдат надеждно изведени от резултатите.
Дифузионен модел
Генеративна архитектура, която се научава да обръща шума, за да синтезира изображения, аудио или друго съдържание.
Доверете се на калибрирането
Изравняване на доверието на потребителите в резултатите от AI с действителната надеждност на системата при всяка задача.
Доверителен интервал
Статистически диапазон, който вероятно съдържа истинската стойност на измерена метрика на модела.
Дрейф на данни
Промяна във входните данни от реалния свят с течение на времето, която може да влоши производителността на модела.
Дълбоко обучение
Подмножество от машинно обучение, което използва многослойни невронни мрежи за представяне на обучение.
Дърво на мислите
Подход на разсъждение, при който моделът изследва множество пътища за разклоняване на решения и избира най-обещаващите.
Дърво на решенията
Модел, който прави прогнози чрез поредица от разделяния на характеристиките ако-тогава.
Е3 условия
Евал Харнес
Повтаряща се рамка за оценка, която изпълнява подкани, набори от данни и логика за оценяване във версиите на модела.
Енкодер
Компонентът на модел, който трансформира входа в латентни представяния.
Етикетиране на данни
Процесът на присвояване на етикети или целеви изходи на необработени данни за контролирано обучение.
З6 условия
Загуба на обучение
Стойността на грешката на модела, изчислена по време на обучение и оптимизирана надолу с времето.
Заземеност
Степента, до която отговорът на AI се подкрепя от изходни данни или извлечени доказателства.
Закон за ИИ
Основаната на риска регулаторна рамка на Европейския съюз за системи и доставчици на ИИ.
Закон за мащабиране
Емпирична връзка, показваща как производителността се подобрява с размера на модела, данните или изчисленията.
Защитено декодиране
Стратегия за генериране, която ограничава изходните токени до валидни структури или съвместими с правилата избори.
Здравина
Способността на модела да поддържа производителност при шум, смени или противникови входове.
И15 условия
Извикване на функция
Възможност на модел за генериране на структурирани повиквания, които задействат външни инструменти или API.
Извличане
Намиране на подходящи документи или записи от източник на знания за заявка.
Извличане на множество заявки
Техника за извличане, която пренаписва потребителската заявка в няколко варианта, за да подобри запомнянето.
Извличане на родителски документ
Модел за извличане, който търси малки парчета, но връща техните по-големи родителски документи за по-богат контекст.
Извличане на функции
Преобразуване на необработени данни в информативни функции, които моделът може да използва.
Извод
Фазата на изпълнение, при която обучен модел генерира прогнози или резултати.
Извод-изчисляване на времето
Количеството процесорна мощност, изразходвана при генериране на всеки отговор.
Изглаждане на етикети
Метод за регулиране, който омекотява твърдите етикети, за да подобри обобщението.
Изкуствен интелект (AI)
Широкото поле за изграждане на системи, които изпълняват задачи, изискващи разпознаване на модели, разсъждения, език или вземане на решения.
Използване на инструмента
Способността на модела да извиква външни инструменти като търсене, калкулатори или API.
Изтичане на бенчмарк
Когато в данните за обучение присъстват примери за сравнителен тест или близки варианти, завишаване на отчетената производителност.
Изчислете
Ресурсите за обработка, необходими за обучение и изпълнение на модели, често измервани във FLOPS или GPU часове.
Изчисляване на тестово време
Допълнителни изчисления за изводи, използвани по време на генериране на отговор за подобряване на качеството или разсъжденията.
Инженеринг на характеристиките
Проектиране или трансформиране на входни променливи, за да направи ученето по-лесно и по-ефективно.
Инструкция за настройка
Фина настройка на модел на двойки инструкция-отговор, за да се подобри изпълнението на задачата.
К16 условия
Калибриране
Колко добре резултатите за увереност на модела съвпадат с реалните вероятности за коректност.
Квантуване
Преобразуване на теглата на модела във формати с по-ниска точност, като 8-битов или 4-битов.
Класификатор
Модел, създаден специално за класификационни задачи.
Класификация
Задача, при която модел присвоява вход към една или повече предварително дефинирани категории.
Класификация на намеренията
Предсказване на целта на потребителя от текстова заявка, за да я маршрутизира правилно.
КЛИП
Архитектура на мултимодален модел, която научава споделени представяния между текст и изображения.
Комплект за валидиране
Набор от данни, използван по време на разработката за настройка на модели и предотвратяване на пренастройване.
Комплект за оценка
Задържан набор от данни, използван за измерване на качеството на модела след обучение.
Компютърно зрение
Клонът на AI, който извлича смисъл от изображения и видео.
Конволюционна невронна мрежа (CNN)
Невронна архитектура, оптимизирана за обработка на мрежови данни, като изображения.
Конституционен AI
Подход за обучение и формиране на поведение, при който резултатите от модела се ръководят от фиксиран набор от писмени принципи.
Контекстен прозорец
Максималното количество входни токени, които един езиков модел може да обработва наведнъж.
Контролирано обучение
Обучение на модел с обозначени примери, които картографират входове към известни изходи.
Крайна точка на извода
Разгърнат API интерфейс, който получава заявки за модели и връща прогнози в производството.
Кръстосан енкодер
Модел, който оценява заявка и документ заедно с едно преминаване за преценки за уместност с висока точност.
Кръстосана загуба на ентропия
Обща целева функция, използвана за обучение на класификационни модели чрез санкциониране на неправилни вероятности.
Л2 условия
Латентно пространство
Компресирано репрезентативно пространство, където подобни концепции са разположени една до друга като вектори.
Латентност
Времето между изпращането на заявка и получаването на изхода на модела.
М16 условия
Магазин за функции
Управлявана система за съхраняване и обслужване на валидирани ML функции последователно за обучение и изводи.
Малкократно обучение
Учене или адаптиране на поведение само от малък брой примери.
Малък езиков модел (SLM)
Компактен езиков модел, оптимизиран за по-ниска латентност, цена или използване на устройството.
Мантинели
Правила, проверки и контроли, които ограничават небезопасното или нежелано поведение на модела.
Машинно обучение (ML)
Методи, които позволяват на системите да научават модели от данни и да се подобряват с течение на времето.
Механизъм на вниманието
Компонент на модел, който динамично се фокусира върху съответните части на вход, когато създава изход.
Модел Дрифт
Влошаване на производителността с течение на времето, тъй като условията в реалния свят се различават от допусканията за обучение.
Модел карта
Документация, описваща предвидената употреба на модела, показателите, ограниченията и рисковете.
Модел на вграждане
Модел, специализиран за конвертиране на данни във вектори, използвани за семантично търсене, групиране и извличане.
Модел на възнаграждение
Модел, който оценява резултатите въз основа на сигнали за предпочитания, често използвани в RLHF тръбопроводи.
Модел на основата
Голям предварително обучен модел, който може да се адаптира към много задачи надолу по веригата.
Модел на черна кутия
Модел, чието вътрешно разсъждение е трудно да се интерпретира директно от хората.
Модел на човешки предпочитания
Модел, обучен на човешки класации, за да предвиди кои отговори потребителите вероятно ще предпочетат.
Модел с отворен код
Модел, издаден с публични тегла или код за проверка, адаптиране и повторно използване.
Моделно квантуване
Намаляване на числената точност на теглата на модела, за да се намалят разходите за памет и изводи.
Мултимодален модел
Модел, който може да обработва или генерира множество типове данни като текст, изображение и аудио.
Н8 условия
Набор от данни
Колекция от структурирани или неструктурирани примери, използвани за обучение, валидиране или тестване.
Наказание за повторение
Настройка за декодиране, която намалява вероятността за токени, които моделът вече е произвел, за да намали циклите.
Наказание за присъствие
Настройка за декодиране, която намалява вероятността токените да са се появили изобщо, насърчавайки нови теми.
Наказание за честота
Настройка за декодиране, която намалява вероятността за токени пропорционално на това колко често са се появявали досега.
Невронна мрежа
Слоест изчислителен модел, вдъхновен от биологични неврони и синапси.
Непрекъснато обучение
Подходи за обучение, които позволяват на модела да продължи да се учи от нови данни, без да забравя предишни знания.
Нормализация
Трансформиране на стойности в последователен мащаб за подобряване на стабилността на оптимизацията.
Нулево запазване на данни
Политика, при която полезните данни за заявка/отговор не се съхраняват след обработка извън краткотрайните оперативни прозорци.
О8 условия
Обобщение
Колко добре се представя моделът върху нови, невиждани данни извън набора за обучение.
Обработка на естествен език (NLP)
Клонът на AI се фокусира върху разбирането и генерирането на човешки език.
Обратно разпространение
Основният алгоритъм за обучение, който актуализира теглата на модела чрез разпространение на грешките при прогнозиране назад през мрежата.
Обучение в контекст
Способността на модела да следва модели от примери, предоставени директно в подканата.
Обучение за подсилване от човешка обратна връзка (RLHF)
Метод на обучение, който използва сигнали за човешки предпочитания, за да оформи поведението на модела.
Обучение с подсилване
Обучение чрез сигнали за възнаграждение, при което агент научава действия, които максимизират дългосрочната възвръщаемост.
Обяснимост
Степента, до която поведението на модела може да бъде интерпретирано и обяснено на хората.
Основна истина
Доверени референтни етикети, използвани за обучение или оценка на изходните данни на модела.
П19 условия
Памет (памет на агент)
Съхраненият контекст, който AI агент използва през стъпките или сесиите, за да подобри непрекъснатостта.
Параметрно ефективна фина настройка (PEFT)
Методи, които адаптират модели чрез обучение на малък поднабор от добавени параметри.
Параметър
Научено тегло вътре в модел, което влияе на неговите резултати.
Плъзгащ се прозорец Внимание
Модел на внимание, при който всеки токен обръща внимание само на прозорец с фиксиран размер от близки токени, за да намали изчисленията.
По средата на тренировката
Междинна фаза на обучение между предварително и след обучение, често използвана за корекции на способности или домейн.
подкана
Инструкциите за въвеждане и контекстът, предоставени на генериращ модел.
Подрязване
Премахване на по-малко важни тегла на модела или неврони за намаляване на размера и изчисление.
Позиционно кодиране
Информация, добавена към вграждането на токени, така че трансформаторите да могат да разграничат реда на последователността.
Предварителна подготовка
Първоначално обучение за широкомащабни модели върху широки данни преди адаптиране надолу по веригата.
Предпазен филтър
Слой за модериране, който блокира или пренаписва опасни входове или изходи на модела.
Прекласиране
Модел, който пренарежда първоначален набор от извлечени резултати, за да постави най-подходящите елементи в горната част.
Прекомерно оборудване
Когато моделът запаметява данни за обучение и се представя лошо при невидими входни данни.
Прекъсване на знанията
Последният момент във времето, отразен в данните за обучение на модел.
Прецизност
Пропорцията на прогнозираните положителни резултати, които действително са правилни.
Прецизност на извличане
Пропорцията на извлечените елементи, които са подходящи за заявката на потребителя.
Припомнете си
Пропорцията на действителните положителни резултати, които моделът идентифицира правилно.
Пристрастие
Последователен модел на грешка или несправедливост в данните или поведението на модела.
Причинно-следствено заключение
Методи за оценка на причинно-следствените връзки, а не прости корелации.
Произход на данните
Документираният произход, собственост и история на набор от данни или модел на артефакт.
Р3 условия
Разпознаване на именуван обект (NER)
NLP задача, която идентифицира обекти като хора, места, дати или организации.
Разреден модел
Модел, при който много параметри са нула или неактивни, за да се намали изчислението.
Регистър на модела
Централен каталог за версии, одобряване и проследяване на модели в различни среди.
С13 условия
Самоконтролирано обучение
Обучаване на представяния от немаркирани данни чрез предвиждане на маскирани или трансформирани части.
Самостоятелна игра
Обучителна настройка, при която моделът се подобрява чрез генериране на данни чрез взаимодействия или състезания със свои копия.
Светкавично внимание
Оптимизиран алгоритъм за внимание, който намалява използването на паметта и ускорява обучението на трансформатора и изводите.
Семантично търсене
Търсене, което съответства на значението, а не точното припокриване на ключови думи, често използвайки вграждания.
Синтетични данни
Изкуствено генерирани данни, използвани за увеличаване, симулиране или защита на чувствителни данни за обучение.
Система за препоръки
Модел на конвейер, който предвижда потребителските предпочитания за класиране на съдържание или продукти.
Системен ред
Инструкция с висок приоритет, която задава поведение, политика и стил на реакция за модел.
Скорост на обучение
Хиперпараметър за обучение, контролиращ колко параметри се променят при всяка стъпка на актуализиране.
Слаб надзор
Използване на шумни, евристични или частични етикети за обучение на модели, когато чистите етикети са оскъдни.
След тренировка
Стъпки на обучение, приложени след предварително обучение, като настройка на инструкциите, оптимизиране на предпочитанията и настройка на безопасността.
Смес от експерти (MoE)
Архитектура със специализирани подмрежи, където само избрани експерти работят на вход.
Спекулативно декодиране
Метод за ускоряване на извода, при който малък чернови модел предлага токени, които по-голям модел проверява паралелно.
Структуриран изход
Изходът на модела е ограничен до дефинирана схема като JSON, аргументи на инструмента или въведени полета.
Т9 условия
Таксуване въз основа на употребата
Ценообразуване, при което разходите се мащабират с извиквания на API, токени, време за извод или изразходвани изчисления.
Тегло
Научена числова стойност, която мащабира сигнали, преминаващи през невронна мрежа.
температура
Настройка за вземане на проби, контролираща произволността в генерираните изходи.
Токен
Част от текст, обработен от езикови модели, като част от дума или символ.
Токенизация
Процесът на разделяне на текст на токени за въвеждане на модел.
Трансферно обучение
Прилагане на знания, научени в една задача или област, за подобряване на друга задача.
Трансформатор
Невронна архитектура, която използва внимание, за да моделира паралелни връзки между последователности.
Тръбопровод
Подреден работен процес от предварителна обработка, стъпки на модела и етапи на последваща обработка.
Търсене с лъч
Алгоритъм за декодиране, който запазва първите няколко кандидат последователности на всяка стъпка, за да намери изходни данни с по-висока вероятност.
У2 условия
Увеличаване на данни
Техники, които създават модифицирани примери за обучение за подобряване на обобщаването на модела.
Учене без надзор
Обучение на модели от немаркирани данни без изрични целеви изходи.
Ф5 условия
Фактичност
Колко точно твърденията на даден модел съвпадат с проверима информация от реалния свят.
Фалшив отрицателен
Неправилна прогноза, при която модел пропуска истински положителен случай.
Фалшиво положителен
Неправилна прогноза, при която модел неправилно маркира отрицателен случай като положителен.
Фина настройка
Продължаващо обучение върху специфични за домейн данни за адаптиране на предварително обучен модел към конкретна задача.
Функция загуба
Математическа цел, която количествено определя грешката при прогнозиране по време на обучение.
Х4 условия
Халюцинации
Когато модел генерира плавна, но невярна или неподдържана информация.
Характеристика
Входна променлива, използвана от модел за правене на прогнози.
Хибридно търсене
Подход за извличане, който комбинира търсене по ключови думи (лексикално) с векторно (семантично) търсене за по-добро запомняне и прецизност.
Хиперпараметър
Конфигурационна стойност, зададена преди обучението, като скорост на обучение, размер на партида или дълбочина.
Ц1 условия
Цитати
Препратки към изходни пасажи или документи, включени в отговора на модела в подкрепа на неговите твърдения.
Ч1 условия
Човек в цикъла
Работен процес, при който хората преглеждат, насочват или отменят изходите на AI.
Ш1 условия
Шаблон за подкана
Повторно използваем модел на подкана с променливи, правила за форматиране и инструкции за специфични задачи.